Inside the Scaffold: A Source-Code Taxonomy of Coding Agent Architectures
यह शोधपत्र LLM-आधारित कोडिंग एजेंटों के लिए एक सोर्स-कोड-स्तरीय वास्तुशिल्प वर्गीकरण (टैक्सोनॉमी) प्रस्तुत करता है, जो 12 आयामों में 13 ओपन-सोर्स स्कैफोल्ड्स के विश्लेषण से व्युत्पन्न है, ताकि यह प्रकट किया जा सके कि कैसे कंपोजेबल कंट्रोल प्रिमिटिव्स और कॉन्टेक्स्ट एवं स्टेट मैनेजमेंट में विविध डिज़ाइन विकल्प, अमूर्त क्षमता वर्गीकरणों से परे, एजेंट के व्यवहार को आकार देते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक शानदार, अति-बुद्धिमान प्रशिक्षु (Apprentice) है (जो कि एक AI Model है) जो कोड लिख सकता है, बग्स ठीक कर सकता है और समस्याओं को हल कर सकता है। लेकिन इस प्रशिक्षु की एक कमी है: वह अविश्वसनीय रूप से नादान है। उसे नहीं पता कि फाइलें कहाँ हैं, वह अपने आप टेस्ट नहीं चला सकता, और यदि वह कोई गलती करता है, तो वह शायद उसी गलती को बार-बार करता रहेगा।
इस प्रशिक्षु को उपयोगी बनाने के लिए, आपको उसके चारों ओर एक Scaffold (पाड़/ढांचा) बनाना होगा। इस Scaffold को एक फोरमैन, टूलबॉक्स, सुरक्षा हार्नेस और प्रोजेक्ट मैनेजर के रूप में सोचें: यह वह कोड है जो AI को बताता है कि किन उपकरणों का उपयोग कैसे करना है, अपने काम की जाँच कैसे करनी है, और कब रुकना है।
यह शोध पत्र 13 अलग-अलग निर्माण स्थलों (13 अलग-अलग ओपन-सोर्स कोडिंग एजेंट्स) का एक विशाल "वास्तुशिल्प दौरा" (Architectural Tour) है। केवल यह कहने के बजाय कि "यह एजेंट स्मार्ट है" या "वह एजेंट तेज़ है," लेखक, बेंजामिन रोंबॉट (Benjamin Rombaut) ने यह देखने के लिए सीधे सोर्स कोड की गहराई में जाकर जांच की कि इन स्कैफोल्ड्स को वास्तव में कैसे बनाया गया है।
यहाँ उन्होंने जो पाया है, उसका विवरण दिया गया है, जिसे कुछ रोजमर्रा के उदाहरणों के माध्यम से समझाया गया है:
1. स्कैफोल्ड की तीन परतें (The Three Layers of the Scaffold)
लेखक ने जटिल कोड को एक गगनचुंबी इमारत की मंजिलों की तरह तीन मुख्य परतों में व्यवस्थित किया है:
फ्लोर 1: कंट्रोल आर्किटेक्चर (मस्तिष्क की रणनीति)
- यह क्या है: एजेंट यह तय कैसे करता है कि आगे क्या करना है।
- उदाहरण: एक शेफ की कल्पना करें।
- कुछ एजेंट्स एक फैक्ट्री असेंबली लाइन की तरह होते हैं: वे एक सख्त, पहले से लिखे गए नुस्खे का पालन करते हैं (स्टेप 1: बग ढूंढें, स्टेप 2: इसे ठीक करें, स्टेप 3: समाप्त)। वे सोचते नहीं हैं; वे बस निष्पादित करते हैं।
- कुछ डिटेक्टिव (जासूस) की तरह होते हैं: वे एक प्रश्न पूछते हैं, उत्तर देखते हैं, दूसरा प्रश्न पूछते हैं, और तब तक चलते रहते हैं जब तक कि वे मामला सुलझा नहीं लेते (इसे "ReAct" लूप कहा जाता है)।
- सबसे उन्नत एजेंट शतरंज खेलने वाले जुआरियों की तरह होते हैं: वे वास्तव में चाल चलने से पहले हजारों संभावित भविष्य का अनुकरण (Monte Carlo Tree Search) करते हैं ताकि यह देख सकें कि कौन सी चाल जीत की ओर ले जाती है।
- निष्कर्ष: केवल एक "सर्वश्रेष्ठ" तरीका नहीं है। कुछ एजेंट्स इन रणनीतियों को मिलाते हैं, जैसे कि एक जासूस जो शतरंज भी खेलता है।
फ्लोर 2: टूल और एनवायरनमेंट इंटरफेस (टूलबॉक्स)
- यह क्या है: AI को किन उपकरणों को छूने की अनुमति है।
- उदाहरण: प्रशिक्षु को एक हथौड़ा देने बनाम एक स्विस आर्मी नाइफ देने जैसा है।
- कुछ एजेंट्स AI को कोई टूल नहीं देते और सारा भारी काम करने के लिए यूजर पर छोड़ देते हैं (जैसे Aider, जहाँ इंसान कहता है "इस फ़ाइल को खोलो," और AI बस उसे एडिट करता है)।
- अन्य एजेंट्स AI को 37 अलग-अलग टूल्स देते हैं (सर्च, एडिट, टेस्ट रन करना, वेब ब्राउज़ करना, सुरक्षा की जांच करना)।
- ट्विस्ट: भले ही टूल्स की संख्या बहुत भिन्न होती है, वे सभी चार बुनियादी चीजें करते हैं: पढ़ना (Read), खोजना (Search), संपादित करना (Edit), और निष्पादित करना (Execute)। यह एक टूलबॉक्स में 37 अलग-अलग पेचकशों बनाम केवल एक मल्टी-बिट पेचकश होने जैसा है; काम वही है, लेकिन बॉक्स की जटिलता अलग है।
फ्लोर 3: रिसोर्स मैनेजमेंट (मेमोरी और बजट)
- यह क्या है: एजेंट अपनी मेमोरी और लागत को कैसे संभालता है।
- उदाहरण: AI के पास एक अल्पकालिक स्मृति (एक स्टिकी नोट) और एक सीमित बजट होता है।
- मेमोरी: कुछ एजेंट्स बस नोट्स को स्टिकी नोट पर जोड़ते रहते हैं जब तक कि वह दीवार से गिर न जाए (क्रैश हो जाए)। अन्य के पास एक "समराइज़र" (Summarizer) होता है जो नोट्स को पढ़ता है और उन्हें छोटा करके लिखता है ताकि नोट साफ रहे। कुछ में "टाइम ट्रैवल" (इवेंट सोर्सिंग) फीचर भी होता है जो उन्हें बिल्कुल वही दोहराने और फिर से चलाने की अनुमति देता है जो हुआ था।
- बजट: कुछ एजेंट्स एक "गार्जियन" (एक दूसरा, सस्ता AI) का उपयोग करते हैं जो मुख्य AI के किसी भी खतरनाक या महंगे काम को करने से पहले उसकी जांच करता है।
2. बड़ी सरप्राइज (जो वास्तव में इस पेपर ने खोजा)
सरप्राइज #1: यह एक लिस्ट नहीं, बल्कि एक स्पेक्ट्रम है
पिछले अध्ययनों ने एजेंट्स को "टूल-यूजर" या "प्लानर" जैसे बक्सों में डालने की कोशिश की। यह पेपर कहता है कि यह कारों को "तेज़" या "धीमी" के आधार पर वर्गीकृत करने जैसा है।
- वास्तविकता: एजेंट्स एक निरंतर स्पेक्ट्रम (Continuous Spectrum) पर मौजूद हैं। एक एजेंट 10% "असेंबली लाइन" और 90% "डिटेक्टिव" हो सकता है। दूसरा 50/50 हो सकता है। आप उन्हें केवल लेबल नहीं कर सकते; आपको यह मापना होगा कि वे रेखा पर कहाँ स्थित हैं।
सरप्राइज #2: "लूप प्रिमिटिव्स" लेगो ब्रिक्स की तरह हैं
लेखक ने पाया कि एजेंट्स हर बार शून्य से नहीं बनाए जाते। उन्हें 5 बुनियादी लेगो ब्रिक्स को एक के ऊपर एक रखकर बनाया जाता है:
- ReAct: सोचें, कार्य करें, अवलोकन करें।
- Generate-Test-Repair: कोड लिखें, टेस्ट चलाएं, यदि टूटा हो तो ठीक करें।
- Plan-Execute: योजना बनाएं, उसे करें।
- Retry: यदि विफल हो जाए तो फिर से प्रयास करें।
- Tree Search: एक साथ कई रास्तों को आजमाएं।
- निष्कर्ष: 13 में से 11 एजेंट्स इन ब्रिक्स को एक साथ जोड़कर काम करते हैं। एक "डिटेक्टिव" एजेंट के साथ "रिपेयर" ब्रिक भी जुड़ा हो सकता है। यह उन्हें एकल-ब्रिक एजेंट की तुलना में बहुत अधिक शक्तिशाली बनाता है।
सरप्राइज #3: "ड्राइविंग कौन कर रहा है?" वाला सवाल
यह सबसे महत्वपूर्ण डिज़ाइन विकल्प है।
- यूजर-ड्रिवन (User-Driven): इंसान रास्ता दिखाता है (जैसे, "इस फ़ाइल पर जाओ")। AI बस काम करता है। यह सुरक्षित है लेकिन धीमा है।
- AI-ड्रिवन (AI-Driven): AI तय करता है कि कहाँ जाना है। यह शक्तिशाली है लेकिन जोखिम भरा है (AI भटक सकता है)।
- अंतर्दृष्टि: यदि आप AI को पूर्ण नियंत्रण देते हैं, तो आपको एक बेहतर "सर्च इंजन" (कॉन्टेक्स्ट रिट्रीवल) बनाना ही होगा। यदि AI सही फ़ाइल नहीं ढूंढ पाता, तो वह बग ठीक नहीं कर सकता।
3. यह क्यों मायने रखता है?
शोधकर्ताओं (Researchers) के लिए:
अभी हम एजेंट्स की तुलना इस आधार पर करते हैं कि कौन रेस जीतता है (SWE-bench)। लेकिन यह अनुचित है क्योंकि एक धावक के पास बेहतर जूते (Model) हो सकते हैं और दूसरे के पास एक बेहतर कोच (Scaffold) हो सकता है। यह पेपर हमें जूतों और कोच को अलग-अलग मापने के लिए एक रूलर (पैमाना) देता है। अब हम कह सकते हैं, "एजेंट A इसलिए विफल नहीं हुआ क्योंकि AI मूर्ख था, बल्कि इसलिए क्योंकि उसका मेमोरी मैनेजमेंट खराब था।"
बिल्डर्स (डेवलपर्स) के लिए:
यदि आप अपना कोडिंग एजेंट बनाना चाहते हैं, तो आपको अनुमान लगाने की ज़रूरत नहीं है। आप इस "मेन्यू" के 12 आयामों को देख सकते हैं।
- क्या आप गति चाहते हैं? शायद "Tree Search" को छोड़ दें और एक "पाइपलाइन" का उपयोग करें।
- क्या आप सुरक्षा चाहते हैं? शायद एक "गार्जियन" AI जोड़ें।
- क्या आपके पास एक बहुत बड़ा कोडबेस है? आपको एक विशिष्ट "कॉन्टेक्स्ट कॉम्पेक्शन" रणनीति की आवश्यकता है ताकि AI बातचीत की शुरुआत को भूल न जाए।
निष्कर्ष (The Bottom Line)
यह पेपर AI कोडिंग एजेंट्स के "अंडर-द-हुड" मैकेनिक्स का पहला विस्तृत मानचित्र है। यह इन जटिल सिस्टमों को एक जादुई ब्लैक बॉक्स के रूप में देखने के बजाय, उन्हें विशिष्ट, मापने योग्य भागों वाले इंजीनियरिंग प्रोजेक्ट के रूप में देखना शुरू करता है। यह हमें बताता है कि कोडिंग एजेंट्स का भविष्य केवल AI को स्मार्ट बनाने के बारे में नहीं है; बल्कि एक बेहतर स्कैफोल्ड बनाने के बारे में है ताकि AI अपने सर्वश्रेष्ठ कार्य करने में सक्षम हो सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।