Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning
यह शोध पत्र LaMR को प्रस्तुत करता है, जो एक संरचित संदर्भ प्रूनिंग (context pruning) ढांचा है जो मल्टी-रुब्रिक लेटेंट रीजनिंग और AST-आधारित पर्यवेक्षण का उपयोग करके कोड प्रासंगिकता को अर्थ संबंधी (semantic) और निर्भरता (dependency) आयामों में विभाजित करता है, जिससे कोडिंग एजेंट के प्रदर्शन को बनाए रखते हुए या उसमें सुधार करते हुए टोकन के उपयोग को महत्वपूर्ण रूप से कम किया जाता है।
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 शानदार जासूस (AI कोडिंग एजेंट) हैं जो एक जटिल केस (सॉफ्टवेयर प्रोजेक्ट में बग ठीक करना) सुलझाने की कोशिश कर रहे हैं। इस केस को सुलझाने के लिए, आपको पुलिस रिपोर्ट, चश्मदीद बयानों और साक्ष्य फाइलों (कोड रिपॉजिटरी) के हजारों पन्नों को पढ़ना होगा।
समस्या: "बहुत अधिक कागज" का जाल
वर्तमान में, ये AI जासूस अपना अधिकांश समय और ऊर्जा केवल फाइलों को पढ़ने में बिताते हैं। वे टेक्स्ट की विशाल मात्रा से अभिभूत हो जाते हैं।
- समस्या: वे सब कुछ पढ़ते हैं, जिसमें अप्रासंगिक पन्ने भी शामिल हैं जैसे कि रिपोर्ट पर पुराने कॉफी के दाग या किसी गवाह का लंच ऑर्डर। यह उनकी "दिमागी शक्ति" (टोकन बजट) को बर्बाद करता है और उनके लिए महत्वपूर्ण सुराग ढूंढना कठिन बना देता है।
- पुराना समाधान: पिछले टूल्स ने किसी चीज़ को तुरंत महत्वपूर्ण न दिखने पर उसे हटाने के लिए लिस्ट को छोटा करने की कोशिश की। लेकिन वे बहुत ही भद्दे (blunt) थे। वे एक पन्ने को सिर्फ इसलिए हटा देते थे क्योंकि उसमें मुख्य अपराध का उल्लेख नहीं था, भले ही वह पन्ना अपराध स्थल को समझने की कुंजी (जैसे कि एक नक्शा या संदिग्धों की सूची) होता। इससे जासूस के पास एक टूटा हुआ पहेली जैसा बच जाता था, जिससे उन्हें मजबूरन गायब पन्नों के लिए वापस जाकर पूछना पड़ता था, जिससे और भी अधिक समय बर्बाद होता था।
नया समाधान: LaMR (स्मार्ट लाइब्रेरियन)
यह पेपर LaMR (Latent Multi-Rubric) पेश करता है, जो एक सुपर-स्मार्ट, विशेषज्ञ लाइब्रेरियन की तरह काम करता है जो जासूस के पढ़ने शुरू करने से पहले फाइलों को व्यवस्थित करने में मदद करता है।
एक एकल नियम का उपयोग करने के बजाय कि क्या रखना है, LaMR कोड की हर लाइन को देखने के लिए दो अलग-अलग चश्मों का उपयोग करता है:
"सिमेंटिक" चश्मा (यह क्या कहता है?):
- यह उन लाइनों को खोजता है जो सीधे जासूस के प्रश्न का उत्तर देती हैं।
- उपमा: यदि जासूस पूछता है, "कुकी किसने चुराई?", तो यह चश्मा हाइलाइट करता है वाक्य "जॉन ने कुकी ली।"
- पुरानी समस्या: यदि एक लाइन केवल "जॉन" (एक परिभाषा) या "import जॉन" (एक सेटअप) कहती, तो पुराने टूल्स इसे हटा सकते थे क्योंकि इसमें स्पष्ट रूप से "चुराया" नहीं कहा गया है।
"डिपेंडेंसी" चश्मा (इसे समझने के लिए इसकी आवश्यकता क्या है?):
- यह उस संरचनात्मक गोंद (structural glue) को देखता है जो कहानी को एक साथ जोड़कर रखता है।
- उपमा: भले ही "जॉन ने कुकी ली" वाला वाक्य मुख्य सुराग हो, लेकिन आपको उस पन्ने की भी आवश्यकता है जो कहता है कि "जॉन एक संदिग्ध है" या वह नक्शा जो दिखाता है कि जॉन कहाँ रहता है। इनके बिना, सुराग का कोई अर्थ नहीं रह जाता।
- नवाचार: LaMR महसूस करता है कि कुछ लाइनें महत्वपूर्ण केवल इसलिए हैं क्योंकि वे अन्य लाइनों को सहारा देती हैं। यह इन "सहायक" लाइनों को रखता है भले ही वे अपने आप में रोमांचक न लगें।
यह कैसे काम करता है: दो-चरणीय प्रक्रिया
दोहरी-टीम समीक्षा:
LaMR केवल एक प्रश्न नहीं पूछता है। यह साथ-साथ दो अलग-अलग जांच चलाता है। एक टीम "प्रत्यक्ष साक्ष्य" की जांच करती है, और दूसरी टीम "संरचनात्मक समर्थन" की जांच करती है।- रूपक: एक फिल्म संपादक की कल्पना करें। एक संपादक उबाऊ दृश्यों को काटता है (Semantic), जबकि दूसरा यह सुनिश्चित करता है कि फिल्म तार्किक रूप से चलती रहे और उसमें जंप कट्स न हों (Dependency)।
"क्वेरी-एडेप्टिव" गेटकीपर:
जासूस क्या पूछ रहा है, इसके आधार पर, LaMR तय करता है कि प्रत्येक टीम को कितना महत्व देना है।- यदि जासूस पूछता है, "लॉगिन के लिए लॉजिक क्या है?" तो LaMR Semantic टीम पर भारी झुकाव रखता है।
- यदि जासूस पूछता है, "ऐप क्यों क्रैश हो रहा है?" तो LaMR Dependency टीम पर जोर देता है ताकि यह सुनिश्चित हो सके कि सभी आवश्यक सेटअप कोड (इंपोर्ट्स, एरर हैंडलर्स) रखे गए हैं ताकि क्रैश समझ में आ सके।
"क्लीन-अप" क्रू (AST रिपेयर):
कभी-कभी, दो टीमों के होने के बावजूद, एक लाइन गलती से कट सकती है। LaMR के पास एक अंतिम सुरक्षा जाल है। यह कोड के एक "ब्लूप्रिंट" (जिसे AST कहा जाता है) का उपयोग करके जाँच करता है: "अरे, हमने 'If' स्टेटमेंट को हटा दिया, लेकिन हमने 'Else' वाला हिस्सा रखा है। यह तो टूटा हुआ है!" यह स्वचालित रूप से गायब संरचनात्मक टुकड़ों को वापस डाल देता है, जिससे यह सुनिश्चित होता है कि कोड वैध बना रहे।
परिणाम: तेज़, स्मार्ट, सस्ता
पेपर ने वास्तविक दुनिया के कोडिंग कार्यों (जैसे बड़े सॉफ्टवेयर प्रोजेक्ट्स में बग ठीक करना) पर इस सिस्टम का परीक्षण किया।
- कम पढ़ना: LaMR ने AI को समान समस्याओं को हल करने के लिए 30% कम पन्ने (टोकन) पढ़ने में मदद की।
- बेहतर परिणाम: क्योंकि AI का ध्यान अप्रासंगिक शोर से नहीं भटकता था और उसने संरचनात्मक "गोंद" को नहीं खोया, इसलिए इसने समस्याओं को बेहतर ढंग से या कम से कम समान रूप से हल किया जब वह सब कुछ पढ़ रहा था।
- कोई "बैकट्रैकिंग" नहीं: पुराने टूल्स अक्सर एक आवश्यक लाइन को हटा देते थे, जिससे AI को यह एहसास होता था कि वह फंस गया है और उसे फिर से फाइल के लिए पूछना पड़ता था। LaMR इसे रोकता है, जिससे समय और पैसा बचता है।
संक्षेप में
LaMR एक स्मार्ट सहायक की तरह है जो केवल "उबाऊ" कागजात को फेंक नहीं देता है। इसके बजाय, यह समझता है कि एक उबाऊ दिखने वाला पन्ना अगले रोमांचक पन्ने को समझने की कुंजी हो सकता है। "क्या कहा गया है" को "इसे समझने के लिए क्या आवश्यक है" से अलग करके, यह AI जासूस को एक लीन, साफ और पूरी तरह से व्यवस्थित केस फ़ाइल देता है, जिससे वे कम प्रयास और कम समय में अपराध सुलझा सकते हैं।
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।