Signal-Driven Observation for Long-Horizon Web Agents
यह शोध पत्र सिग्नल-ड्रिवन ऑब्जर्वेशन (SDO) का प्रस्ताव करता है, जो एक ऐसा आर्किटेक्चरल फ्रेमवर्क है जो एक हल्के सिग्नल डिटेक्टर का उपयोग करके ऑब्जर्वेशन फ्रीक्वेंसी को एक्शन फ्रीक्वेंसी से अलग करता है ताकि ऑन-डिमांड, टास्क-रेलेवेंट DOM एक्सट्रैक्शन को ट्रिगर किया जा सके, जिससे लॉन्ग-होरिज़न वेब एजेंट्स में कॉन्टेक्स्ट डिग्रेडेशन को रोका जा सके।
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
यहाँ इस शोध पत्र (paper) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
मुख्य समस्या: "ज़रूरत से ज़्यादा खाने वाला" एजेंट (The "Over-Eating" Agent)
कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान लेकिन थोड़े परेशान असिस्टेंट को एक जटिल यात्रा (trip) बुक करने में मदद करने के लिए काम पर रख रहे हैं। हर बार जब आप उनसे एक छोटा सा काम करने को कहते हैं (जैसे "अगला बटन दबाएं"), तो वे उस एक क्लिक को करने से पहले पूरे इंटरनेट, हर समाचार लेख और वर्तमान वेबसाइट के हर मेनू को पढ़ने की ज़िद करते हैं।
वर्तमान वेब एजेंट्स (AI प्रोग्राम जो वेब ब्राउज़ करते हैं) बिल्कुल यही करते हैं।
- हकीकत: एक सिंगल वेबपेज में अक्सर 20,000 से 80,000 शब्दों का कोड (जिसे "DOM" कहा जाता है) होता है।
- गलती: हर बार जब एजेंट एक कदम उठाता है, तो वह अपने दिमाग को उन सभी 80,000 शब्दों को फिर से पढ़ने के लिए मजबूर करता है, भले ही पेज पर केवल एक छोटा सा नंबर बदला हो।
लेखक इसे "ऑब्जर्वेशन ओवर-इनजेशन" (Observation Over-ingestion) कहते हैं। यह वैसा ही है जैसे सुई खोजने के लिए घास के ढेर (haystack) को बार-बार पूरा खा जाना। धीरे-धीरे एजेंट बेकार की जानकारी से "भर" जाता है, वह भूल जाता है कि वह मूल रूप से क्या करने की कोशिश कर रहा था, और बेवकूफी भरी गलतियाँ करने लगता है या एक ही लूप में फंस जाता है।
प्रस्तावित समाधान: "सिग्नल-संचालित" जासूस (The "Signal-Driven" Detective)
यह पेपर इन एजेंट्स को बनाने का एक नया तरीका प्रस्तावित करता है जिसे सिग्नल-ड्रिवन ऑब्जर्वेशन (SDO) कहा जाता है।
एजेंट द्वारा हर बार पूरा पेज पढ़ने के बजाय, कल्पना कीजिए कि एजेंट के पास एक विशेष सहायक (एक "सब-कॉल") और एक सुरक्षा गार्ड (एक "सिग्नल डिटेक्टर") है।
सुरक्षा गार्ड (सिग्नल डिटेक्टर): यह एक छोटा, सुपर-फास्ट रोबोट है जो पेज पर नज़र रखता है। यह टेक्स्ट नहीं पढ़ता; यह केवल यह देखता है कि क्या कोई महत्वपूर्ण "सिग्नल" बदला है। यह केवल चार चीज़ों को देखता है:
क्या URL बदल गया? (हम नए पेज पर आ गए)।
क्या कोई नया पॉप-अप या मेनू दिखाई दिया? (एक नया इंटरैक्टिव तत्व)।
क्या पिछला एक्शन फेल हो गया? (बटन ने काम नहीं किया)।
क्या अपने आप कुछ अजीब हुआ? (जैसे कुकी बैनर का पॉप-अप होना)।
विशेष सहायक (Sub-RLM): यदि सुरक्षा गार्ड इनमें से कोई भी सिग्नल देखता है, तो वह तब विशेष सहायक को जगाता है। यह सहायक पूरा पेज पढ़ता है, लेकिन यह बहुत स्मार्ट है। यह शोर (विज्ञापन, फुटर, रैंडम टेक्स्ट) को अनदेखा करता है और केवल उन चीज़ों का छोटा, 3-वाक्यों का सारांश लिखता है जो वर्तमान कार्य के लिए महत्वपूर्ण हैं।
मुख्य मस्तिष्क (Root LM): मुख्य AI केवल इस छोटे से सारांश को पढ़ता है। यदि सुरक्षा गार्ड को कोई सिग्नल नहीं मिलता है, तो मुख्य मस्तिष्क बिना कुछ नया पढ़े अपना अगला कदम जारी रखता है।
एक वास्तविक दुनिया का उदाहरण: शेफ और मेनू
वेब एजेंट को एक शेफ के रूप में सोचें जो एक विशिष्ट व्यंजन (कार्य) पकाने की कोशिश कर रहा है।
- पुराना तरीका (वर्तमान एजेंट्स): हर बार जब शेफ को प्याज़ काटने की ज़रूरत होती है, तो वे किचन में जाते हैं, 500 पन्नों की पूरी रेसिपी बुक को शुरू से अंत तक पढ़ते हैं, जिसमें खेत का इतिहास और लेखक की जीवनी भी शामिल है। 500 पन्ने पढ़ने के बाद, वे एक प्याज़ काटते हैं। 10 कदमों के बाद, उन्होंने 5,000 पन्नों का अप्रासंगिक टेक्स्ट पढ़ लिया होता है। वे भ्रमित हो जाते हैं, रेसिपी भूल जाते हैं, और सूप जला देते हैं।
- नया तरीका (SDO):
- शेफ के पास किचन के दरवाज़े पर एक स्पॉटर (Spotter) खड़ा है।
- स्पॉटर केवल चिल्लाता है, "हे! ओवन अभी चालू हुआ है!" या "हे! एक नई सामग्री आई है!"
- केवल जब स्पॉटर चिल्लाता है, तभी शेफ एक सु-शेफ (Sous-Chef) को बुलाता है, जो केवल आवश्यक सामग्री लेकर आता है और उसे शेफ को थमा देता है।
- यदि स्पॉटर शांत है, तो शेफ पूरी किताब पढ़े बिना खाना बनाना जारी रखता है।
यह क्यों महत्वपूर्ण है
लेखकों का तर्क है कि वेब एजेंट लंबे कार्यों में इसलिए विफल नहीं होते क्योंकि वे "बहुत कम बुद्धिमान" हैं या उनके पास "पर्याप्त मेमोरी नहीं है।" बल्कि, इसलिए विफल होते हैं क्योंकि उनका आर्किटेक्चर (संरचना) उन्हें शोर में डूबने के लिए मजबूर करता है।
इस "सिग्नल-ड्रिवन" दृष्टिकोण को अपनाकर:
- "कॉन्टेक्स्ट रॉट" (Context Rot) का अंत: मुख्य मस्तिष्क कचरे से नहीं भरता।
- "गोल ड्रिफ्ट" (Goal Drift) का अंत: एजेंट अपना मूल लक्ष्य याद रखता है क्योंकि वह विज्ञापनों और फुटर के हजारों शब्दों के नीचे दब नहीं जाता।
- "लूप ट्रैपिंग" (Loop Trapping) का अंत: एजेंट समझ जाता है कि उसने यह स्थिति पहले देखी है क्योंकि सारांश साफ और स्पष्ट होता है।
यह पेपर क्या दावा नहीं करता
यह ध्यान रखना महत्वपूर्ण है कि यह पेपर क्या नहीं कर रहा है:
- यह कोई तैयार सॉफ्टवेयर उत्पाद नहीं है जिसे आप आज डाउनलोड कर सकें। यह एक "स्केच" या ब्लूप्रिंट है कि ऐसे एजेंट को कैसे बनाया जाए।
- यह दावा नहीं करता कि यह हर समस्या को हल कर देगा। उदाहरण के लिए, यदि एजेंट एक तार्किक गलती करता है (जैसे "हार्डवेयर" के बजाय "सॉफ्टवेयर" पर क्लिक करना) लेकिन पेज दिखने में समान रहता है, तो सिस्टम इसे पकड़ नहीं पाएगा।
- इसमें अभी तक प्रयोग या परीक्षण के परिणाम शामिल नहीं हैं। लेखक कह रहे हैं, "यहाँ समस्या को समझने का एक बेहतर तरीका है; हमें इसे काम करने के लिए साबित करने हेतु इसे बनाना और टेस्ट करना होगा।"
निचोड़ (The Bottom Line)
पेपर सुझाव देता है कि हमें वेब एजेंट्स के साथ ऐसा व्यवहार करना बंद करना चाहिए जैसे वे हर कदम पर एक उपन्यास पढ़ रहे हों। इसके बजाय, हमें वेब को एक गतिशील वातावरण के रूप में देखना चाहिए जहाँ हम केवल उसी को देखते हैं जो बदला है और जो महत्वपूर्ण है। "कितनी बार कार्य करें" (act) को "कितनी बार देखें" (look) से अलग करके, हम ऐसे एजेंट बना सकते हैं जो केंद्रित रहते हैं, अपने लक्ष्यों को याद रखते हैं, और वास्तव में अपने कार्यों को पूरा करते 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।