Recursive Agent Harnesses
यह शोध पत्र रिकर्सिव एजेंट हार्नेस (RAH) को प्रस्तुत करता है, जो एक कोड-प्रथम फ्रेमवर्क है जहाँ पैरेंट एजेंट, फाइलसिस्टम और निष्पादन उपकरणों के साथ समानांतर सब-एजेंट हार्नेस उत्पन्न करते हैं, जो फिक्स्ड और अधिक शक्तिशाली बैकबोन मॉडल्स के साथ मूल्यांकन किए जाने पर पारंपरिक मॉडल-रिकर्सन बेसलाइन्स की तुलना में लॉन्ग-कॉन्टेक्स्ट रीजनिंग और कोडिंग कार्यों में महत्वपूर्ण सुधार प्रदर्शित करता 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 आपके पास लाखों किताबों वाला एक विशाल पुस्तकालय है, और आपको उनमें से हर एक में से एक विशिष्ट तथ्य ढूँढना है।
पुराना तरीका: अत्यधिक काम करने वाला लाइब्रेरियन
पहले, यदि आप एक स्मार्ट AI (एक "कोडिंग एजेंट") को यह करने के लिए कहते, तो वह एक सुपर-फास्ट लाइब्रेरियन की तरह काम करने की कोशिश करता। वह विशिष्ट कीवर्ड्स (keywords) जैसे सरल नियमों का उपयोग करके किताबों को स्कैन करता ताकि उत्तर मिल सकें। लेकिन क्योंकि पुस्तकालय बहुत विशाल है, लाइब्रेरियन एक बार में केवल कुछ ही किताबें अपने हाथों में रख सकता है। उन्हें अधिकांश किताबों के वास्तविक टेक्स्ट को पढ़ने के बजाय उन सरल नियमों पर निर्भर रहना पड़ता। यदि उत्तर के लिए किसी विशिष्ट पृष्ठ पर गहन सोच की आवश्यकता होती, तो लाइब्रेरियन उसे चूक जाता।
"मॉडल रिकर्सन" (Model Recursion) का तरीका: विचार की श्रृंखला (Chain of Thought)
एक अन्य दृष्टिकोण जिसे "रिकर्सिव लैंग्वेज मॉडल्स" (RLMs) कहा जाता है, उसने पुस्तकालय को छोटे ढेरों में विभाजित करके इस समस्या को हल करने की कोशिश की। यह AI एक ढेर के बारे में सोचता, फिर अगले के बारे में, फिर अगले के बारे में, विचार की एक लंबी श्रृंखला के रूप में। हालाँकि, यह AI एक ऐसे लाइब्रेरियन की तरह है जिसे किताबें छूने से मना किया गया है। वे केवल दिए गए टेक्स्ट के बारे में सोच सकते हैं लेकिन वे फाइलों को खोल नहीं सकते, टूल्स का उपयोग नहीं कर सकते, या आवर्धक लेंस (magnifying glass) का उपयोग नहीं कर सकते। वे बुद्धिमान हैं लेकिन दस्तावेजों के साथ इंटरैक्ट करने के लिए उपकरणों के बिना असहाय हैं।
नया तरीका: "रिकर्सिव एजेंट हार्नेस" (Recursive Agent Harness - RAH)
यह पेपर एक नई रणनीति पेश करता है जिसे रिकर्सिव एजेंट हार्नेस (RAH) कहा जाता है।
RAH को एक अकेला लाइब्रेरियन नहीं, बल्कि एक मास्टर कॉन्ट्रैक्टर के रूप में देखें जो इस काम के लिए एक पूरी टीम बनाता है।
- मास्टर प्लान: मुख्य AI (पैरेंट) विशाल पुस्तकालय को देखता है और महसूस करता है, "मैं इसे अकेले नहीं कर सकता, और मैं सिर्फ इसके बारे में सोच भी नहीं सकता।"
- स्क्रिप्ट लिखना: खुद काम करने के बजाय, पैरेंट एक कंप्यूटर प्रोग्राम (एक स्क्रिप्ट) लिखता है। यह स्क्रिप्ट निर्देशों का एक सेट है जो कहता है: "इस पुस्तकालय की प्रत्येक किताब के लिए, एक नया, पूरी तरह से सुसज्जित सहायक नियुक्त करें।"
- उप-टीमें (Sub-Teams): स्क्रिप्ट चलती है और तुरंत सैकड़ों सब-एजेंट्स (sub-agents) को जन्म देती है। महत्वपूर्ण बात यह है कि प्रत्येक सब-एजेंट एक पूर्ण कार्यकर्ता (full worker) है। उनके पास अपना डेस्क, अपने टूल्स (जैसे फाइल ओपनर, सर्च इंजन, और कोड एक्सेक्यूटर), और अपना स्वयं का कॉन्टेक्स्ट विंडो (अपना मानसिक स्थान) है।
- समानांतर कार्य (Parallel Work): जबकि पुराना लाइब्रेरियन एक बार में केवल एक किताब देख सकता था, और थॉट-चेन (chain-of-thought) वाला AI एक बार में केवल एक ढेर के बारे में सोच सकता था, RAH इन पूरी तरह से सुसज्जित सहायकों के हजारोंों को उनके विशिष्ट कार्यों पर एक साथ काम करने के लिए भेज देता है।
- परिणाम: प्रत्येक सहायक अपनी विशिष्ट किताब पढ़ता है, उत्तर खोजने के लिए अपने टूल्स का उपयोग करता है, और परिणाम लिख देता है। फिर पैरेंट सभी उत्तरों को एकत्र करता है।
"टूलबॉक्स" की उपमा
मुख्य अंतर टूलबॉक्स का है।
- कोडिंग एजेंट के पास टूलबॉक्स है लेकिन वह एक बार में केवल कुछ ही किताबें देख सकता है।
- RLM के पास एक बड़ा दिमाग है लेकिन कोई टूलबॉक्स नहीं है; वह फाइलों को नहीं खोल सकता।
- RAH प्रत्येक कार्यकर्ता को उनका अपना पूर्ण टूलबॉक्स देता है और उन्हें समानांतर (parallel) में काम करने देता है।
शोधकर्ताओं ने क्या पाया
उन्होंने इसे "ऊलोंग" (Oolong) नामक एक बहुत कठिन परीक्षण पर परखा, जिसमें 4 मिलियन शब्दों तक लंबे दस्तावेजों (लगभग एक छोटे उपन्यास के आकार का, लेकिन हजारों प्रविष्टियों के साथ) में उत्तर खोजना शामिल है।
- सभी परीक्षणों को निष्पक्ष बनाने के लिए उन्होंने सभी के लिए एक ही "दिमाग" (GPT-5) का उपयोग किया।
- पुराने "कोडिंग एजेंट" को लगभग 72% सही उत्तर मिले।
- "मॉडल रिकर्सन" (बिना टूल्स के) को लगभग 64% सही उत्तर मिले।
- नए RAH तरीके को 81% सही उत्तर मिले।
निष्कर्ष (The Takeaway)
पेपर का दावा है कि सुधार एक स्मार्ट AI मॉडल का उपयोग करने से नहीं आया। यह पूरी तरह से इस बात से आया कि काम को कैसे व्यवस्थित किया गया। रिकर्सिव यूनिट (वह चीज़ जो काम को दोहराती है) को एक साधारण "विचार" से बदलकर एक "टूल्स के साथ पूर्ण कार्यकर्ता" में बदलकर, सिस्टम जटिल, बड़े पैमाने की समस्याओं को हल करने में बहुत बेहतर हो गया।
लेखक नोट करते हैं कि यह केवल एक सिद्धांत नहीं है; यह वैसा ही है जैसे कुछ वास्तविक दुनिया के प्रोडक्शन सिस्टम (जैसे एंथ्रोपिक के डायनेमिक वर्कफ्लो) पहले से ही काम करना शुरू कर रहे हैं। उन्होंने बस इस पैटर्न को एक नाम दिया और सिद्ध किया कि यह पुराने तरीकों से बेहतर काम करता है।
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।