🤖 AI

MIND-Skill: Quality-Guaranteed Skill Generation via Multi-Agent Induction and Deduction

यह शोध पत्र MIND-Skill को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है जो जटिल कार्यों पर मजबूती और सामान्यीकरण सुनिश्चित करने के लिए टेक्स्टुअल लॉस (पुनर्निर्माण, परिणाम और रूब्रिक) के माध्यम से अनुकूलित इंडक्शन-डिडक्शन चक्र के माध्यम से स्वचालित रूप से उच्च-गुणवत्ता वाले, पुन: प्रयोज्य LLM कौशल उत्पन्न करता है।

मूल लेखक: Yixuan Li, Mingshu Cai, Ziyang Xiao, Wanyuan Wang, Yanchen Deng, Bo An

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yixuan Li, Mingshu Cai, Ziyang Xiao, Wanyuan Wang, Yanchen Deng, Bo An

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 प्रतिभाशाली लेकिन थोड़ा अनाड़ी रोबोट सहायक है। आप उसे एक विशिष्ट कार्य करना सिखाते हैं, जैसे "अपने दोस्त को Venmo पर रिफंड भेजना," एक वीडियो दिखाकर जिसमें आप यह काम पूरी तरह से कर रहे हैं। रोबोट देखता है, लेकिन केवल आपके सटीक कदमों की नकल करने के बजाय, वह भविष्य में समान कार्य करने के लिए अपने लिए एक नियम पुस्तिका (rulebook) लिखने की कोशिश करता है।

समस्या यह है कि यदि रोबट एक खराब नियम पुस्तिका लिखता है, तो वह फंस सकता है। वह आपके विशिष्ट मित्र का नाम याद रख सकता है (बहुत विशिष्ट) या निर्देश इतने अस्पष्ट लिख सकता है कि वे उपयोगी ही न रहें (बहुत अमूर्त)।

MIND-Skill एक नया सिस्टम है जिसे AI एजेंटों को स्वचालित रूप से परफेक्ट, उच्च-गुणवत्ता वाली नियम पुस्तिकाएं लिखने में मदद करने के लिए डिज़ाइन किया गया है। यह इसे एक चतुर "शिक्षक और छात्र" के खेल का उपयोग करके करता है जो गारंटी देता है कि नियम वास्तव में काम करते हैं।

यह यहाँ कैसे काम करता है, इसके सरल भाग दिए गए हैं:

1. दो पात्र: शिक्षक और छात्र

सिस्टम दो AI एजेंटों का उपयोग करता है जो एक साथ मिलकर काम करते हैं:

शिक्षक (Induction Agent): यह एजेंट किसी कार्य को सफलतापूर्वक किए जाने के एक वीडियो को देखता है। इसका काम एक सामान्य नियम पुस्तिका (एक "कौशल") लिखना है जो यह समझाए कि कैसे कार्य किया जाए, बिना किसी विशिष्ट नाम या नंबरों का उल्लेख किए।
छात्र (Deduction Agent): यह परीक्षण है। इसे केवल शिक्षक द्वारा लिखी गई नियम पुस्तिका और मूल कार्य का विवरण दिया जाता है। यह केवल उन निर्देशों का उपयोग करके कार्य को शुरू से करने का प्रयास करता है।

2. "पुनर्गठन" (Reconstruction) परीक्षण

यह जादू वाला हिस्सा है। सिस्टम केवल यह नहीं पूछता है, "क्या छात्र ने सही उत्तर प्राप्त किया?" बल्कि यह पूछता है, "क्या छात्र ने मूल वीडियो के समान तर्क का पालन किया?"

यदि शिक्षक एक नियम पुस्तिका लिखता है जिसमें कहता है "लाल बटन दबाएं," लेकिन मूल वीडियो में नीला बटन दबाया गया था, तो छात्र विफल हो जाएगा। सिस्टम इसे पकड़ लेता है।
यदि शिक्षक की नियम पुस्तिका बहुत अस्पष्ट है (जैसे, "वह चीज़ करो"), तो छात्र भ्रमित हो जाएगा और विफल हो जाएगा।
यदि शिक्षक की नियम पुस्तिका बहुत विशिष्ट है (जैसे, "User #123 के लिए बटन दबाएं"), तो सिस्टम को एहसास होगा कि यह किसी और के लिए काम नहीं करेगा।

सिस्टम छात्र के प्रदर्शन की तुलना मूल वीडियो से करता है। यदि वे मेल खाते हैं, तो नियम पुस्तिका अच्छी है। यदि वे नहीं मिलते, तो सिस्टम जानता है कि नियम पुस्तिका त्रुटिपूर्ण है।

3. तीन "रिपोर्ट कार्ड"

यह सुनिश्चित करने के लिए कि नियम पुस्तिका एकदम सही हो, सिस्टम हर प्रयास के बाद शिक्षक को तीन विशिष्ट रिपोर्ट कार्ड (जिन्हें "लॉस" कहा जाता है) देता है:

"क्या आपने चरणों का पालन किया?" कार्ड (Reconstruction Loss): क्या छात्र ने मूल वीडियो के समान रणनीति का पालन किया? (जैसे, क्या उन्होंने पहले ईमेल चेक किया, फिर भेज दिया?)
"क्या आपने काम पूरा किया?" कार्ड (Outcome Loss): क्या छात्र ने वास्तविक दुनिया में कार्य को सफलतापूर्वक पूरा किया?
"क्या यह एक अच्छी नियमावली है?" कार्ड (Rubric Loss): क्या नियम पुस्तिका अच्छी तरह से लिखी गई है? क्या यह स्पष्ट है? क्या यह विशिष्ट विवरणों (जैसे नाम या आईडी) की नकल करने से बचती है जो वहां नहीं होने चाहिए? यह सुनिश्चित करता है कि नियम पुस्तिका एक उपयोगी उपकरण है, न कि केवल एक विशिष्ट घटना की कॉपी-पेस्ट।

4. सुधार का चक्र (Loop of Improvement)

यह सिस्टम इस खेल को बार-बार चलाता है।

शिक्षक एक ड्राफ्ट लिखता है।
छात्र इसे आज़माता है।
सिस्टम तीन रिपोर्ट कार्ड का उपयोग करके ड्राफ्ट को ग्रेड देता है।
सिस्टम शिक्षक को ठीक-ठीक बताता है कि क्या गलत था (जैसे, "आपने एक विशिष्ट नाम शामिल किया; इसे हटा दें," या "आप सुरक्षा जांच को छोड़ गए")।
शिक्षक फीडबैक के आधार पर नियम पुस्तिका को फिर से लिखता है।

यह स्वचालित रूप से होता है, नियम पुस्तिका को तब तक परिष्कृत करता है जब तक कि वह त्रुटिहीन न हो जाए।

यह विशेष क्यों है?

पिछले अधिकांश तरीकों ने केवल एक स्मार्ट AI से वीडियो को "सारांशित" करने के लिए कहकर नियम पुस्तिका लिखने की कोशिश की। लेकिन AI अक्सर गलतियाँ करता है—या तो बहुत अस्पष्ट या बहुत विशिष्ट हो जाता है।

MIND-Skill अलग है क्योंकि यह नियम पुस्तिका का तुरंत परीक्षण करता है। यह एक शेफ द्वारा रेसिपी लिखने और फिर तुरंत उसे अपने सहायक शेफ को डिश पकाने के लिए देने जैसा है। यदि सहायक शेफ खाना जला देता है या गलत सामग्री का उपयोग करता है, तो शेफ को पता चल जाता है कि रेसिपी खराब थी और इससे पहले कि कोई और इसे आज़माए, वह इसे ठीक कर देता है।

परिणाम

पेपर का परीक्षण दो कठिन दुनियाओं पर किया गया:

AppWorld: वास्तविक ऐप्स (जैसे पैसे भेजना, टिकट बुक करना, फाइलें प्रबंधित करना) का उपयोग करने का एक सिमुलेशन।
BFCL-v3: कंप्यूटर फंक्शन को सही ढंग से कॉल करने का एक टेस्ट।

परिणामों ने दिखाया कि MIND-Skill की नियम पुस्तिकाओं का उपयोग करने वाले एजेंट, अन्य तरीकों से बनाई गई नियम पुस्तिकाओं का उपयोग करने वाले एजेंटों की तुलना में नए, अनदेखे कार्यों को हल करने में बहुत बेहतर थे। भले ही "शिक्षक" AI उपलब्ध सबसे स्मार्ट मॉडल नहीं था, फिर भी परीक्षण प्रक्रिया ने अंतिम नियम पुस्तिकाओं को इतना अच्छा बना दिया कि वे सबसे स्मार्ट मॉडलों द्वारा बनाई गई पुस्तिकाओं के समान प्रदर्शन करने लगे।

संक्षेप में: MIND-Skill AI एजेंटों को अपने स्वयं के परफेक्ट निर्देश मैनुअल लिखने वाले आत्म-सुधार करने वाले शिक्षकों में बदल देता है, जो लगातार यह परीक्षण करते हैं कि उनके मैनुअल वास्तव में काम करते हैं या नहीं।

तकनीकी सारांश: MIND-Skill

समस्या विवरण

लार्ज लैंग्वेज मॉडल (LLM) संचालित AI एजेंट स्वायत्त समस्या-समाधान में सफलता प्रदर्शित कर रहे हैं, लेकिन वे डोमेन-विशिष्ट प्रक्रियात्मक ज्ञान (जैसे, API उपयोग, बहु-चरणीय टूल कॉल) की आवश्यकता वाले जटिल, बहु-चरणीय वास्तविक दुनिया के कार्यों के साथ संघर्ष करते हैं। पुन: प्रयोज्य "एजेंट कौशल" (agent skills)—जो सफल रणनीतियों को समाहित करने वाले संरचित दस्तावेज़ हैं—एक समाधान प्रदान करते हैं, लेकिन उनका संकलन मुख्य रूप से एक मैनुअल, विशेषज्ञ-संचालित प्रक्रिया बनी हुई है। मौजूदा स्वचालित कौशल पीढ़ी विधियाँ तीन महत्वपूर्ण सीमाओं से ग्रस्त हैं:

गुणवत्ता गारंटी का अभाव: कई विधियाँ त्रुटियों को सुधारने के लिए निष्पादन परिणामों के आधार पर एक क्लोज्ड-लूप वैलिडेशन पाइपलाइन के बिना सीधे कार्य विशिष्टताओं या प्रक्षेपवक्र (trajectories) से कौशल उत्पन्न करती हैं।
खराब दस्तावेज़ीकरण गुणवत्ता: उत्पन्न कौशल अक्सर तकनीकी लेखन मानकों (तार्किक प्रवाह, समस्या निवारण मार्गदर्शन) का पालन करने में विफल रहते हैं, जिससे उनकी पोर्टेबिलिटी और पुन: प्रयोज्यता कम हो जाती है।
अपुष्ट अमूर्तीकरण निष्ठा (Unverified Abstraction Faithfulness): प्रक्षेपवक्र-डिस्टिलेशन (trajectory-distillation) विधियाँ अक्सर अत्यधिक सामान्यीकरण कर देती हैं या आवश्यक एज-केस हैंडलिंग और पूर्व-आवश्यकता जाँचों को बनाए रखने में विफल रहती हैं, जिससे ऐसे कौशल प्राप्त होते हैं जो स्रोत व्यवहार का निष्ठापूर्वक पुनर्निर्माण नहीं कर पाते।

कार्यप्रणाली: MIND-Skill

लेखक MIND-Skill (Multi-agent INduction and Deduction for Skills) का प्रस्ताव करते हैं, जो मजबूत गुणवत्ता गारंटी के साथ सामान्यीकरण योग्य कौशल को स्वचालित रूप से संश्लेषित करने वाला एक ढांचा है। यह ढांचा TextGrad का उपयोग करके अनुकूलित एक क्लोज्ड-लूप इंडक्शन-डिडक्शन प्रक्रिया के माध्यम से संचालित होता है।

मुख्य वास्तुकला (Core Architecture)

इंडक्शन एजेंट ( $A_I$ ): एक सफल प्रक्षेपवक्र ( $\tau$ ) और कार्य विशिष्टता ( $t$ ) को एक संरचित कौशल दस्तावेज़ ( $s$ ) में एब्स्ट्रैक्ट करने का कार्य। इस प्रक्रिया के दौरान एजेंट का सिस्टम प्रॉम्प्ट ( $P_I$ ) एकमात्र परिवर्तनीय (variable) है जिसे अनुकूलित किया जाता है।
डिडक्शन एजेंट ( $A_D$ ): एक "फ्रोजन" (frozen) एजेंट जो केवल कार्य विशिष्टता ( $t$ ) और प्रेरित कौशल ( $s$ ) का उपयोग करके मूल प्रक्षेपवक्र ( $\tau$ ) को पुनर्गठित करने का प्रयास करता है। इसे मूल प्रक्षेपवक्र या बाहरी मार्गदर्शन तक कोई पहुंच नहीं दी जाती है। यह सुनिश्चित करता है कि कोई भी पुनर्निर्माण विफलता सीधे कौशल की कमियों के कारण हो।

टेक्स्टुअल लॉस (Textual Losses) के माध्यम से अनुकूलन

यह ढांचा इंडक्शन प्रॉम्प्ट ( $P_I$ ) को तीन पूरक टेक्स्टुअल लॉस फंक्शन का उपयोग करके संयुक्त रूप से अनुकूलित करता है, जिनका मूल्यांकन LLM जजों और एनवायरनमेंट निष्पादन द्वारा किया जाता है:

पुनर्निर्माण हानि ( $L_{recon}$ ): स्रोत प्रक्षेपवक्र ( $\tau$ ) और पुनर्गठित प्रक्षेपवक्र ( $\hat{\tau}$ ) के बीच प्रक्रियात्मक संरेखण को मापता है। एक LLM जज शाब्दिक चरण-दर-चरण समानता के बजाय टैक्टिक-स्तर की समानता (जैसे, समान रिट्रीवल-एग्रीगेशन पैटर्न) का मूल्यांकन करता है।
परिणाम हानि ( $L_{outcome}$ ): एक लाइव एनवायरनमेंट में पुनर्गठित प्रक्षेपवक्य को चलाकर निष्पादन शुद्धता को लागू करता है। यह इस आधार पर ग्राउंड-ट्रुथ सिग्नल प्रदान करता है कि क्या कार्य लक्ष्य प्राप्त किया गया है।
रूब्रिक हानि ( $L_{rubric}$ ): दस्तावेज़ीकरण की गुणवत्ता का आकलन करती है और अमूर्तीकरण के स्तर को नियमित करती है। यह "ग्राउंड-ट्रुथ लीकेज" (विशिष्ट API पथ या एंटिटी ID को याद करना) को दंडित करती है और सुनिश्चित करती है कि कौशल कार्रवाई योग्य, हस्तांतरणीय, पूर्ण और संक्षिप्त हो।

अनुकूलन प्रक्रिया

सिस्टम लेक्सिकोोग्राफिक मिनिमाइजेशन (lexicographic minimization) का उपयोग करता है जहाँ Outcome Loss प्राथमिक उद्देश्य है, जबकि Reconstruction और Rubric लॉस टाईब्रेकर के रूप में कार्य करते हैं। TextGrad का उपयोग करते हुए, एक ग्रेडिएंट LLM सभी तीन लॉस से प्राप्त टेक्स्टुअल फीडबैक का विश्लेषण करता है ताकि विफलता पैटर्न का निदान किया जा सके और इंडक्शन प्रॉम्प्ट ( $P_I$ ) के लिए संशोधन प्रस्तावित किए जा सकें। एक ऑप्टिमाइज़र LLM फिर प्रॉम्प्ट को अपडेट करता है। यह इटरेटिव प्रक्रिया एक निश्चित संख्या में चरणों के लिए चलती है, जो अब तक के सर्वश्रेष्ठ कौशल को सुरक्षित रखती है।

मुख्य योगदान

नवाचार ढांचा: MIND-Skill का परिचय, जो एक मल्टी-एजेंट इंडक्शन और डिडक्शन फ्रेमवर्क है जो मानवीय हस्तक्षेप के बिना सफल प्रक्षेपवक्रों से सामान्यीकरण योग्य कौशल को संश्लेषित करता है।
गुणवत्ता आश्वासन तंत्र: कौशल की निष्ठा, शुद्धता और बेहतर दस्तावेज़ीकरण सुनिश्चित करने के लिए तीन टेक्स्टुअल लॉस (Reconstruction, Outcome, Rubric) का उपयोग करते हुए एक क्लोज्ड-लूप अनुकूलन रणनीति का प्रस्ताव। महत्वपूर्ण रूप से, कौशल की गुणवत्ता को एकमात्र वेरिएबल के रूप में अलग करने के लिए डिडक्शन एजेंट को फ्रोजन रखा गया है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शन करना कि MIND-Skill जेनरेशन के दौरान अनदेखे रखे गए कार्यों और स्रोत कार्यों दोनों पर एजेंट के प्रदर्शन में सुधार करता है, और समकालीन स्टेट-ऑफ-द-आर्ट विधियों से बेहतर प्रदर्शन करता है।

प्रयोगात्मक परिणाम

लेखकों ने दो बेंचमार्क पर MIND-SKILL का मूल्यांकन किया: AppWorld (इंटरैक्टिव कोडिंग एजेंट बेंचमार्क) और BFCL-v3 (मल्टी-टर्न फंक्शन-कॉलिंग बेंचमार्क)।

प्रदर्शन: MIND-Skill ने ReAct, इन-कॉन्टेक्स्ट लर्निंग (ICL), Skill-extract (वन-शॉट इंडक्शन), ACE (लाइफलॉन्ग इवॉल्विंग), और Trace2Skill (ट्रैजेक्टरी डिस्टिलेशन) सहित बेसलाइन को लगातार पीछे छोड़ दिया।
- AppWorld-Challenge पर, MIND-Skill ने 51.8% का टास्क गोल कंप्लीशन (TGC) और 39.6% का सिनेरियो गोल कंप्लीशन (SGC) प्राप्त किया, जो अगले सर्वश्रेष्ठ तरीके (ACE: 51.1% TGC और 34.5% SGC) से काफी आगे है।
- BFCL-v3 पर, MIND-Skill ने उच्चतम सटीकता (Qwen3.5 base के साथ 77.3%, GPT-5.4 base के साथ 78.7%) प्राप्त की।
एब्लेशन स्टडीज (Ablation Studies):
- किसी भी तीन लॉस फंक्शन को हटाने से प्रदर्शन में गिरावट आई, जो उनकी अपरिहार्यता की पुष्टि करता है। Reconstruction लॉस चैलेंज कार्यों के लिए सबसे महत्वपूर्ण था, जबकि Rubic लॉस नॉर्मल कार्यों पर ओवरफिटिंग को रोकने के लिए महत्वपूर्ण था।
- क्लोज्ड-लूप अनुकूलन ने वन-शॉट स्किल एक्सट्रैक्शन (Skill-extract) की तुलना में काफी बेहतर प्रदर्शन किया, जो इटरेटिव रिफाइनमेंट के मूल्य को उजागर करता है।
मॉडल एगोस्टिकिज्म (Model Agnosticism): MIND-Skill ने एक कमजोर बेस मॉडल (Qwen3.5-122B) को एक मजबूत मॉडल (GPT-5.4) के बराबर प्रदर्शन प्राप्त करने में सक्षम बनाया जब इसे स्किल जनरेटर के रूप में उपयोग किया गया, जो सुझाव देता है कि फ्रेमवर्क एलाइनमेंट और ऑप्टिमाइज़ेशन के माध्यम से क्षमता अंतराल की भरपाई प्रभावी ढंग से करता है।
दक्षता: MIND-Skill कॉम्पैक्ट स्किल्स जेनरेट करता है, जो ACE जैसे बेसलाइन के मोनोलिथिक प्लेबुक्स की तुलना में इंफरेंस के समय 3-6 गुना कम टोकन इंजेक्ट करता है।

महत्व

पेपर का दावा है कि MIND-Skill एक सिद्धांत आधारित, क्लोज्ड-लूप पाइपलाइन के माध्यम से गुणवत्ता गारंटी प्रदान करके स्वचालित कौशल पीढ़ी में महत्वपूर्ण अंतर को संबोधित करता है। पूर्ववर्ती विधियों के विपरीत जो पोस्ट-हॉक त्रुटि निदान या unverified अमूर्तीकरण पर निर्भर करती हैं, MIND-Skill मूल व्यवहार को पुनर्गठित करने का प्रयास करके कौशल को स्पष्ट रूप से मान्य करता है। यह ढांचा प्रदर्शित करता है कि उच्च-गुणवत्ता, सामान्यीकरण योग्य प्रक्रियात्मक ज्ञान को सफल प्रक्षेपवक्रों से स्वचालित रूप से डिस्टिल किया जा सकता है, जिससे मैनुअल क्यूरेशन पर निर्भरता कम होती है और एजेंटों को जटिल, लॉन्ग-होरिजन कार्यों को अधिक प्रभावी ढंग से करने में सक्षम बनाता है। परिणाम बताते हैं कि इंडक्शन-डिडक्शन प्रतिमान, टेक्स्टुअल लॉस ऑप्टिमाइज़ेशन के साथ मिलकर, एजेंट क्षमताओं को स्केल करने के लिए एक मजबूत दृष्टिकोण है।