← नवीनतम पेपर
🤖 AI

In-Context Prompting Obsoletes Agent Orchestration for Procedural Tasks

यह शोध पत्र तर्क देता है कि प्रक्रियात्मक बहु-चरण कार्यों (procedural multi-turn tasks) के लिए, सरल इन-कॉन्टेक्स्ट प्रॉम्प्टिंग जहाँ मॉडल स्वयं ऑर्केस्ट्रेशन करता है, जटिल बाहरी एजेंट ऑर्केस्ट्रेशन फ्रेमवर्क्स से बेहतर प्रदर्शन करता है, जिससे फ्रंटियर मॉडल्स के लिए बाद वाले अप्रासंगिक हो जाते हैं।

मूल लेखक: Simon Dennis, Michael Diamond, Rivaan Patil, Kevin Shabahang, Hao Guo

प्रकाशित 2026-05-01
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Simon Dennis, Michael Diamond, Rivaan Patil, Kevin Shabahang, Hao Guo

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 आप एक जटिल कार्य करने की कोशिश कर रहे हैं, जैसे कि एक जटिल पारिवारिक छुट्टी बुक करना, एक खराब ज़ूम कॉल को ठीक करना, या बीमा दावा (insurance claim) भरना। आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, एक स्मार्ट कंप्यूटर को यह बताने के दो मुख्य तरीके हैं कि यह कैसे करना है।

यह शोध पत्र तर्क देता है कि "दिखावटी, जटिल" तरीका वास्तव में चीजों को बदतर बना रहा है, और "सरल, सीधा" तरीका बहुत बेहतर है।

यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

दो दृष्टिकोण

1. "मैनेजर" दृष्टिकोण (एजेंट ऑर्केस्ट्रेशन - Agent Orchestration)
इसे एक सख्त फैक्ट्री फ्लोर की तरह समझें। आपके पास एक बहुत ही स्मार्ट वर्कर (AI) है, लेकिन उसके कंधे पर एक मैनेजर भी खड़ा है।

  • मैनेजर के पास एक फ्लोचार्ट (चरणों का एक मानचित्र) है।
  • मैनेजर वर्कर को बताता है कि स्टेप 1 के लिए क्या कहना है।
  • एक बार जब वर्कर स्टेप 1 पूरा कर लेता है, तो मैनेजर काम की जाँच करता है, यह तय करता है कि उसे स्टेप 2 पर जाना चाहिए या स्टेप 3 पर, और फिर अगले स्टेप के लिए निर्देश फुसफुसाता है।
  • वर्कर कभी भी पूरा नक्शा नहीं देख पाता; वह केवल वर्तमान निर्देश के छोटे से हिस्से को देखता है।
  • समस्या: मैनेजर धीमा है, अगला कदम तय करने में गलतियाँ करता है, और कभी-कभी यह भूल जाता है कि वर्कर ने तीन स्टेप पहले क्या कहा था क्योंकि वह केवल वर्तमान निर्देश पर ध्यान केंद्रित करता है।

2. "स्व-निर्देशित" दृष्टिकोण (इन-कॉन्टेक्स्ट प्रॉम्प्टिंग - In-Context Prompting)
इसे उसी स्मार्ट वर्कर को एक पूर्ण निर्देश पुस्तिका (instruction manual) और पूरी यात्रा का नक्शा शुरू करने से पहले देने की तरह समझें।

  • वर्कर पूरी पुस्तिका पढ़ता है।
  • उन्हें पता होता है कि वे कहाँ हैं, उन्हें कहाँ जाना है, और आगे क्या करना है।
  • उन्हें यह बताने के लिए मैनेजर की ज़रूरत नहीं है कि क्या करना है; वे स्वयं अपना मार्गदर्शन करते हैं।
  • लाभ: वे बड़ी तस्वीर देखते हैं, पूरी बातचीत को याद रखते हैं, और हर मोड़ पर अनुमति माँगने के बजाय स्वाभाविक रूप से आगे बढ़ते हैं।

शोधकर्ताओं ने क्या किया

लेखकों ने इन दोनों दृष्टिकोणों का परीक्षण करने के लिए एक बहुत ही स्मार्ट AI (जिसे "क्लोड सोनेट" कहा जाता है) का उपयोग तीन वास्तविक दुनिया के परिदृश्यों में किया:

  1. ट्रैवल बुकिंग: एक विशिष्ट बजट और रुचियों के साथ एक समूह के लिए यात्रा की योजना बनाना।
  2. टेक सपोर्ट: एक ज़ूम ऑडियो समस्या को ठीक करना।
  3. बीमा दावा (Insurance Claims): कार से हिरण से टकराने के बाद दावा दायर करना।

उन्होंने प्रत्येक परिदृश्य के लिए दोनों "मैनेजर" शैली और "स्व-निर्देशित" शैली का उपयोग करके 200 सिमुलेशन चलाए। फिर, उन्होंने बातचीत को कुछ मानदंडों पर ग्रेड देने के लिए एक अन्य AI को 'जज' के रूप में नियुक्त किया, जैसे कि:

  • क्या उन्होंने कार्य पूरा किया?
  • क्या जानकारी सटीक थी?
  • क्या बातचीत स्वाभाविक महसूस हुई, या रोबोटिक?
  • क्या AI भ्रमित हुआ या खुद को दोहराने लगा?

परिणाम: "स्व-निर्देशित" वर्कर की जीत

परिणाम तीनों परिदृश्यों में स्पष्ट और सुसंगत थे:

  • बेहतर गुणवत्ता: "स्व-निर्देशित" AI (इन-कॉन्टेक्स्ट) ने हर एक मानदंड पर उच्च स्कोर प्राप्त किया। इसने कार्यों को अधिक बार पूरा किया, विवरणों को बेहतर ढंग से याद रखा, और एक मददगार इंसान की तरह व्यवहार किया।
  • कम गलतियाँ: "मैनेजर" दृष्टिकोण बहुत अधिक बार विफल हुआ।
    • ट्रैवल बुकिंग में, मैनेजर 24% बार विफल हुआ। स्व-निर्देशित AI केवल 11.5% बार विफल हुआ।
    • टेक सपोर्ट में, मैनेजर 9% बार विफल हुआ। स्व-निर्देशित AI केवल 0.5% बार विफल हुआ (लगभग कभी नहीं)।
    • बीमा में, मैनेजर 17% बार विफल हुआ। स्व-निर्देशित AI केवल 5% बार विफल हुआ।
  • मैनेजर क्यों विफल हुआ: क्योंकि मैनेजर एक समय में केवल एक ही स्टेप को देखता था, AI अक्सर उन महत्वपूर्ण विवरणों को भूल जाता था जो उपयोगकर्ता ने पहले बताए थे (जैसे कि बजट "प्रति व्यक्ति" था न कि "कुल")। यह लूप में भी फंस जाता था, बार-बार एक ही सवाल पूछता था क्योंकि वह ट्रैक खो देता था कि वह प्रक्रिया में कहाँ है।
  • गति और लागत: "मैनेजर" दृष्टिकोण वास्तव में अधिक कंप्यूटर पावर और समय लेता था क्योंकि मैनेजर को हर निर्णय बिंदु पर रुककर सोचना पड़ता था। "स्व-निर्देशित" दृष्टिकोण तेज़ और सुचारू था, भले ही इसके लिए शुरुआत में AI की मेमोरी में एक लंबी "मैनुअल" लोड करने की आवश्यकता थी।

मुख्य निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि उन कार्यों के लिए जो नियमों के एक स्पष्ट सेट का पालन करते हैं (जैसे यात्रा बुक करना या बीमा दावा दायर करना), हमें अब मैनेजर की आवश्यकता नहीं है।

अतीत में, AI मॉडल "कम बुद्धिमान" थे और उन्हें हर कदम पर हाथ पकड़कर चलाने के लिए एक मैनेजर की आवश्यकता होती थी। लेकिन आज के AI मॉडल इतने स्मार्ट हैं कि यदि आप बस उन्हें शुरुआत में पूरी नियम पुस्तिका दे दें, तो वे बाकी काम खुद समझ सकते हैं। मैनेजर जोड़ने से वास्तव में बाधा आती है, जिससे भ्रम और त्रुटियां होती हैं।

मुख्य बात: यदि आपके पास एक स्पष्ट प्रक्रिया है, तो बस पूरी प्रक्रिया को AI के निर्देशों में डाल दें और उसे काम करने दें। उसे प्रबंधित करने के लिए एक जटिल प्रणाली न बनाएं।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →