💬 NLP

ProACT: Towards Breakdown-Aware Proactive Agent in Multi-User Collaboration

यह शोध पत्र ProACT को प्रस्तुत करता है, जो एक ब्रेकडाउन-जागरूक ढांचा है जो संवादात्मक एजेंटों को मल्टी-यूज़र सेटिंग्स में सहयोग संबंधी समस्याओं को सक्रिय रूप से पहचानने और उन्हें संबोधित करने में सक्षम बनाता है, साथ ही एक नए बेंचमार्क को भी प्रदर्शित करता है जो रिएक्टिव चैट मॉडल्स की तुलना में हस्तक्षेप की गुणवत्ता और उपयुक्तता में इसके बेहतर प्रदर्शन को दर्शाता है।

मूल लेखक: Shu Yang, Difei Xu, Jiaxin Pei, Di Wang

प्रकाशित 2026-07-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shu Yang, Difei Xu, Jiaxin Pei, Di Wang

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 दोस्तों के एक व्यस्त ग्रुप चैट में हैं जहाँ एक सरप्राइज पार्टी की योजना बनाई जा रही है। हर कोई बातें कर रहा है, नए विचार दे रहा है, और बीच-बीच में भ्रमित भी हो रहा है।

अभी, इस तरह के चैट में अधिकांश AI असिस्टेंट एक मौन लाइब्रेरियन (silent librarian) की तरह होते हैं। वे शेल्फ पर बैठे रहते हैं, इस इंतज़ार में कि कोई उनसे पूछेगा, "हे, हमने अभी जो कहा उसका सारांश क्या है?" या "पार्टी कितने बजे है?" यदि कोई नहीं पूछता है, तो वे कुछ नहीं कहते, भले ही ग्रुप गोल-गोल घूम रहा हो या बजट जैसी महत्वपूर्ण चीज़ों को भूल रहा हो।

यह पेपर एक नए प्रकार के AI को पेश करता है जिसे ProACT कहा जाता है। ProACT को एक लाइब्रेरियन के रूप में नहीं, बल्कि एक कुशल, चौकस टीम कप्तान या एक रेफरी के रूप में सोचें जो जानता है कि कब हस्तक्षेप करना है और कब चुप रहना है।

यहाँ बताया गया है कि ProACT कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "रिएक्टिव" (प्रतिक्रियाशील) रोबोट

वर्तमान AI रिएक्टिव है। यह केवल तभी हिलता है जब इसे धक्का दिया जाता है।

परिदृश्य: आपका ग्रुप चैट इस बात पर बहस करने लगता है कि हॉल किराए पर लेना है या पॉटलक (potluck) करना है। फिर, कोई बजट सीमा को भूल जाता है। फिर, दो लोग उसी बिंदु पर बहस करने लगते जिस पर उन्होंने एक घंटे पहले बहस की थी।
पुराना AI: यह यह सब होते हुए देखता रहता है लेकिन कुछ नहीं कहता क्योंकि किसी ने इससे कोई सवाल नहीं पूछा। यह उस गड़बड़ी को ठीक करने का मौका खो देता है।

2. समाधान: "ब्रेकडाउन-अवेयर" (विघटन के प्रति सचेत) कप्तान

ProACT प्रोएक्टिव (सक्रिय) है। यह विशिष्ट "ब्रेकडाउन" (breakdowns) के लिए बातचीत पर नज़र रखता है—वे क्षण जहाँ टीम अटक जाती है। यह निम्नलिखित चीज़ों को देखता है:

द लूप (The Loop): लोग बिना निर्णय लिए बार-बार एक ही बात पर बहस कर रहे हैं।
द फॉग (The Fog): हर कोई नियमों या लक्ष्य के बारे में भ्रमित है।
भूल गया नियम (The Forgotten Rule): कोई ऐसी चीज़ का सुझाव देता है जो उस नियम को तोड़ता है जिस पर समूह पहले सहमत हुआ था (जैसे कि बजट)।
द इम्बैलेंस (The Imbalance): केवल एक व्यक्ति बात कर रहा है जबकि शांत विशेषज्ञों को अनदेखा किया जा रहा है।

3. ProACT तय करता है कि उसे कब बोलना है ("रेफरी" की सहज बुद्धि)

यह सबसे महत्वपूर्ण हिस्सा है। ProACT केवल इसलिए नहीं बोलता क्योंकि वह कोई समस्या देखता है। वह खुद से दो सवाल पूछता है:

क्या टीम अटकी हुई है? (क्या कोई "ब्रेकडाउन" है?)
क्या टीम इसे पहले से ही ठीक कर रही है? (क्या इंसान खुद समस्या को हल कर रहे हैं?)

फुटबॉल रेफरी की उपमा:
एक फुटबॉल मैच की कल्पना करें।

यदि कोई खिलाड़ी घायल हो जाता है और खेल रुक जाता है, तो रेफरी (ProACT) हस्तक्षेप करता है।
लेकिन यदि दो खिलाड़ी बहस कर रहे हैं लेकिन फिर वे जल्दी से हंसकर बात को टाल देते हैं और खेलना जारी रखते हैं, तो रेफरी सीटी नहीं बजाता। सीटी बजाना परेशान करने वाला और प्रवाह में बाधा डालने वाला होता।

ProACT भी ऐसा ही करता है। यदि इंसान भ्रम को पहले से ही ठीक कर रहे हैं, तो ProACT चुप रहता है। यदि वे एक लूप में फंसे हैं या कोई नियम भूल रहे हैं, तो ProACT एक छोटे, मददगार संकेत के साथ हस्तक्षेप करता है।

4. टूलकिट: "कौशल" न कि रैंडम चैट

जब ProACT बोलने का निर्णय लेता है, तो वह केवल अंदाज़ा नहीं लगाता कि क्या कहना है। यह एक विशिष्ट कौशल के टूलकिट (toolkit of skills) का उपयोग करता है, जैसे एक मैकेनिक सही रिंच चुनता है:

"लूप ब्रेकर" (The Loop Breaker): "हे, हमने इस पर तीन बार चर्चा की है। चलिए एक विजेता चुनते हैं।"
"कन्स्ट्रेंट रिमाइन्डर" (The Constraint Reminder): "रुको, हम सहमत हुए थे कि बजट $500 था, और इस योजना की लागत$ 600 है।"
"क्लैरिफायर" (The Clarifier): "मुझे यकीन नहीं है कि 'विकल्प B' का क्या मतलब है। क्या कोई समझा सकता है?"

5. परिणाम: बेहतर समय, कम शोर

शोधकर्ताओं ने हजारों वास्तविक और सिम्युलेटेड ग्रुप बातचीत (कोडिंग टीमों से लेकर प्लानिंग कमेटियों तक) का उपयोग करके मानक AI चैटबॉट्स के मुकाबले ProACT का परीक्षण किया।

पुराना तरीका: AI अक्सर तब हस्तक्षेप करता था जब उसे नहीं करना चाहिए था, या तब चुप रहता था जब उसे मदद करनी चाहिए थी।
ProACT: यह बेहतर तरीके से जानता था कि कब बोलना है।
- इसने तब कम हस्तक्षेप किया जब इंसान ठीक चल रहे थे।
- जब इसने वास्तव में बोला, तो इसकी टिप्पणियाँ छोटी, अधिक मददगार और कम परेशान करने वाली थीं।
- इसने समूह के निर्णय लेने की गुणवत्ता में सुधार किया, विशेष रूप से लंबी, जटिल बातचीत में जहाँ लोग अक्सर भटक जाते हैं।

सारांश

ProACT AI को एक निष्क्रिय उपकरण से बदलकर एक सक्रिय भागीदार बना देता है जो टीम को ट्रैक पर रखने में मदद करता है। यह एक बुद्धिमान मित्र की तरह कार्य करता जो जानता है कि कब एक याद दिलाने वाला इशारा करना है और कब बातचीत को स्वाभाविक रूप से बहने देना है, जिससे यह सुनिश्चित होता है कि समूह भ्रम या बहसों में न फंसे।

तकनीकी सारांश: ProACT: मल्टी-यूज़र सहयोग में ब्रेकडाउन-अवेयर प्रोएक्टिव एजेंट की ओर

समस्या विवरण (Problem Statement)

संवादात्मक एजेंट (Conversational agents) तेजी से मानव सहयोगात्मक वर्कफ़्लो (जैसे, मीटिंग सारांश, कोड ड्राफ्टिंग, विचार-विमर्श) में एकीकृत हो रहे हैं। हालाँकि, वर्तमान तैनाती मौलिक रूप से निष्क्रिय और प्रतिक्रियाशील (passive and reactive) बनी हुई है: वे केवल स्पष्ट उपयोगकर्ता अनुरोधों या पूर्व-निर्धारित प्रॉम्प्ट पर प्रतिक्रिया देते हैं। यह डिज़ाइन मल्टी-यूज़र सहयोग की गतिशील प्रकृति को संबोधित करने में विफल रहता है, जहाँ प्रगति अक्सर सूक्ष्म "ब्रेकडाउन" (breakdowns) के कारण बाधित होती है, जैसे कि असहमति, अस्पष्ट लक्ष्य, विस्मृत बाधाएं (forgotten constraints), अपूर्ण योजनाएं, चर्चा के लूप (discussion loops), और असमान भागीदारी।

सिंगल-यूज़र सहायता के विपरीत, जहाँ एजेंट का लक्ष्य एक विशिष्ट अनुरोध को पूरा करना होता है, मल्टी-यूज़र सहयोग के लिए एक एजेंट को जटिल सामाजिक गतिशीलता को नेविगेट करने की आवश्यकता होती है। मुख्य चुनौती यह निर्धारित करना है कि समूह की बातचीत में कब हस्तक्षेप किया जाए जहाँ उपयोगकर्ताओं के बीच परस्पर विरोधी या अनिश्चित इरादे हो सकते हैं, और कैसे हस्तक्षेप किया जाए ताकि उत्पादक चर्चा बाधित न हो। मौजूदा प्रोएक्टिव एजेंट फ्रेमवर्क (जैसे, Lu et al., 2025) सिंगल-यूज़र इनपुट से उपयोगकर्ता के इरादे की भविष्यवाणी करने पर ध्यान केंद्रित करते हैं और समूह समन्वय की सामाजिक और मानदंडात्मक चुनौतियों को पर्याप्त रूप से संबोधित नहीं करते हैं।

कार्यप्रणाली: ProACT फ्रेमवर्क (Methodology: The ProACT Framework)

लेखक ProACT नामक एक ब्रेकडाउन-अवेयर प्रोएक्टिव एजेंट फ्रेमवर्क पेश करते हैं, जो कॉमन ग्राउंड, सहयोगात्मक योजना और समन्वय कार्य के सिद्धांतों पर आधारित है। ProACT एक स्किल-गाइडेड सिस्टम के रूप में कार्य करता है जो वक्ता-आरोपित (speaker-attributed) बातचीत के इतिहास ( $H_t$ ) का अवलोकन करता है और दो कार्यों के बीच निर्णय लेता है: मौन रहना ( $\emptyset$ ) या एक संक्षिप्त, समूह-केंद्रित हस्तक्षेप ( $u_t$ ) उत्पन्न करना।

1. निर्णय पाइपलाइन (Decision Pipeline)

फ्रेमवर्क एक तीन-चरणीय पाइपलाइन का पालन करता है:

ब्रेकडाउन-अवेयर डायग्नोसिस: एजेंट वर्तमान बातचीत के टर्न का विश्लेषण करके सहयोग के ब्रेकडाउन के साक्ष्य का पता लगाता है। यह एक डायग्नोसिस $(b_t, z_t)$ आउटपुट करता है, जहाँ $b_t$ पता लगाया गया समस्या प्रकार है और $z_t \in \{0, 1\}$ इंगित करता है कि क्या हस्तक्षेप आवश्यक है। डायग्नोसिस स्थानीय संदर्भ पर विचार करता है, जैसे कि क्या समूह पहले से ही प्रगति कर रहा है या स्वयं सुधार (self-repairing) कर रहा है।
स्किल-गाइडेड एक्शन: यदि हस्तक्षेप आवश्यक है ( $z_t=1$ ), तो एजेंट पता लगाए गए मुद्दे को एक विशिष्ट सहयोग कौशल (Collaboration Skill) ( $k_t$ ) की ओर भेजता है। यदि नहीं, तो यह मौन आउटपुट देता है।
निष्पादन (Execution): चयनित कौशल एक दृश्यमान, संक्षिप्त हस्तक्षेप ( $u_t$ ) के निर्माण का मार्गदर्शन करता है जो विशिष्ट ब्रेकडाउन को संबोधित करता है और सामाजिक बाधाओं (तटस्थता, व्यवधान न डालना, मानवीय एजेंसी को बनाए रखना) का पालन करता है।

2. सहयोग ब्रेकडाउन वर्गीकरण (Collaboration Breakdown Taxonomy)

ProACT स्थापित मानव सहयोग साहित्य के आधार पर सहयोग के आठ विशिष्ट श्रेणियों को परिभाषित करता है (तालिका 1):

संघर्ष (Conflict): असंगत लक्ष्य या बाधाएं।
अनिश्चितता (Uncertainty): आवश्यकताओं या इरादे पर साझा स्पष्टता का अभाव।
अपूर्ण योजना (Underspecified Plan): कार्यान्वयन विवरणों (मालिक, समय सीमा, दायरा) की कमी।
विस्मृत बाधा (Forgotten Constraint): पूर्व प्रतिबद्धताओं या नीतियों की अनदेखी करना।
लक्ष्य विचलन (Goal Drift): साझा उद्देश्य से दूर जाना।
चर्चा लूप (Discussion Loop): बिना किसी नई जानकारी के अनसुलझे तर्कों को दोहराना।
भागीदारी असंतुलन (Participation Imbalance): एक दृष्टिकोण का प्रभुत्व या हितधारकों की कमी।
जोखिमपूर्ण प्रतिबद्धता (Risky Commitment): जोखिमों या निर्भरताओं को हल करने से पहले निर्णयों की ओर बढ़ना।

3. स्किल लाइब्रेरी (Skill Library)

ProACT हल्के, पुन: प्रयोज्य कौशलों (तालिका 6) के एक पुस्तकालय का उपयोग करता है। प्रत्येक कौशल द्वारा परिभाषित है:

ट्रिगर स्थिति (Trigger Condition): जब कौशल लागू होता है।
डायग्नोस्टिक संकेत (Diagnostic Cues): बातचीत में देखने के लिए साक्ष्य।
सामाजिक बाधाएं (Social Constraints): तटस्थ रहने और व्यवधान से बचने के दिशानिर्देश।
प्रतिक्रिया प्रारूप (Response Format): एक संक्षिप्त, समूह-केंद्रित कथन।
उदाहरणों में लूप ब्रेकिंग (निर्णय नियम का सुझाव देना), संघर्ष मध्यस्थता (असंगत लक्ष्यों को तटस्थ रूप से नाम देना), और बाधा अनुस्मारक शामिल हैं।

4. संरचित इंटरफ़ेस (Structured Interface)

फ्रेमवर्क आंतरिक तर्क को बाहरी आउटपुट से अलग करता है। मॉडल पहले क्रिया (मौन बनाम हस्तक्षेप) और कौशल को निर्धारित करता है, फिर अंतिम प्रतिक्रिया उत्पन्न करता है। महत्वपूर्ण रूप से, दृश्यमान आउटपुट में केवल समूह-केंद्रित संदेश होता है, जिसमें डायग्नोस्टिक लेबल, कौशल के नाम, या मेटा-कमेंट्री शामिल नहीं होते हैं, जिससे यह सुनिश्चित होता है कि एजेंट चैट के भीतर स्वाभाविक व्यवहार करे।

बेंचमार्क और मूल्यांकन (Benchmark and Evaluation)

प्रोएक्टिव सहयोग का मूल्यांकन करने के लिए, लेखकों ने एक नया बेंचमार्क बनाया जिसमें 3,244 टर्न-लेवल उदाहरण शामिल हैं, जो निम्नलिखित से प्राप्त किए गए हैं:

वास्तविक डेटा: सार्वजनिक GitHub इश्यू चर्चाएं और QMSum डेटासेट (सॉफ्टवेयर, उत्पाद डिजाइन, अनुसंधान और शिक्षा को कवर करते हुए)।
सिंथेटिक डेटा: BEAM डेटासेट से प्राप्त 800 उदाहरण, जिसमें नियंत्रित ब्रेकडाउन इंजेक्ट किए गए हैं ताकि दुर्लभ विफलता मोड का कवरेज सुनिश्चित किया जा सके।

डेटासेट हस्तक्षेप (intervention) और मौन (silence) मामलों के बीच संतुलित है। मूल्यांकन एक LLM जज (GPT-5.4-Nano) द्वारा चार मानदंडों के आधार पर किया जाता है:

उपयुक्तता (Appropriateness): क्या क्रिया सहयोग की स्थिति के अनुकूल है (केवल तभी हस्तक्षेप करना जब ब्रेकडाउन मौजूद हो)?
गैर-व्यवधान (Non-Interruptiveness): क्या एजेंट उत्पादक प्रवाह को बाधित करने या मानवीय सुधार को दोहराने से बचता है?
संक्षिप्तता (Conciseness): क्या प्रतिक्रिया छोटी है और अनावश्यक स्पष्टीकरण से मुक्त है?
हस्तक्षेप की गुणवत्ता (Intervention Quality): क्या दृश्य प्रतिक्रिया उपयोगी, ग्राउंडेड, तटस्थ और कार्रवाई योग्य है (1–5 स्केल)?

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने पांच LLM बैकबोन (GPT-5.4, Kimi K2.5, Claude Sonnet 4.6, Gemini 3.1 Pro Preview, और GPT-OSS-120B) में एक डायरेक्ट चैट (Direct Chat) बेसलाइन (जहाँ एजेंट प्रत्येक टर्न पर प्रतिक्रिया देता है) के विरुद्ध ProACT का मूल्यांकन किया।

निरंतर सुधार (Consistent Improvement): ProACT ने सभी मॉडलों और सभी चार मेट्रिक्स में Direct Chat को पछाड़ दिया।
- Kimi K2.5 ने सबसे नाटकीय लाभ दिखाया: उपयुक्तता 0.222 से बढ़कर 0.870 हुई; गैर-व्यवधान 0.323 से बढ़कर 0.942 हुआ; और संक्षिप्तता 0.129 से बढ़कर 0.964 हुई।
- अन्य सभी बैकबोन के लिए भी समान रुझान देखे गए, जो प्रदर्शित करते हैं कि ब्रेकडाउन-अवेयर स्किल रूटिंग एजेंटों को यह तय करने में मदद करती है कि कब बोलना है और कैसे हस्तक्षेप करना है।
भागीदारी का समय (Participation Timing): विश्लेषण से पता चला कि ProACT अनावश्यक प्रतिक्रियाओं को काफी कम करता है। उन उदाहरणों पर जिन्हें मौन के लिए लेबल किया गया था, Direct Chat ने 100% बार प्रतिक्रिया दी (जिसमें 34.8% को अनुपयुक्त माना गया), जबकि ProACT ने केवल 39.3% बार प्रतिक्रिया दी, जिससे समग्र उपयुक्तता बढ़कर 89.6% हो गई।
संदर्भ संवेदनशीलता (Context Sensitivity): गुणवत्ता लाभ सामाजिक योजना कार्यों (जैसे, समिति चर्चाएं, शैक्षणिक सहयोग) में और बाद के बातचीत टर्न (टर्न 500 के बाद) में सबसे मजबूत थे, जहाँ संचित संदर्भ और अनसुलझे समन्वय संबंधी मुद्दे प्रत्यक्ष प्रतिक्रियाओं को कम विश्वसनीय बनाते हैं।
रूढ़िवादी त्याग (Conservative Abstention): लेखक नोट करते हैं कि कई "छूटे हुए" हस्तक्षेप (जहाँ ProACT एक रेफरेंस-लेबल वाले हस्तक्षेप टर्न पर मौन रहा) वास्तव में बाहरी जज द्वारा स्वीकार्य त्याग के रूप में जाँचे गए थे। इन मामलों में, मनुष्य पहले से ही मुद्दे को हल कर रहे थे, और एक एजेंट संदेश डुप्लिकेट होता।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि ProACT मल्टी-यूज़र सहयोग में पैसिव असिस्टेंस से एक्टिव पार्टिसिपेशन की ओर एक बदलाव का प्रतिनिधित्व करता है। इसके प्राथमिक योगदान हैं:

एक नया सूत्रीकरण: प्रोएक्टिव सहयोग को केवल "उपयोगकर्ता की मदद करने" के रूप में नहीं, बल्कि सामाजिक मानदंडों का सम्मान करते हुए "समूह समन्वय की मरम्मत करने" के रूप में परिभाषित करना।
एक ब्रेकडाउन-अवेयर फ्रेमवर्क: यह प्रदर्शित करना कि एजेंट के निर्णयों को सहयोग की विफलताओं (संघर्ष, लूप, विचलन) के एक संरचित वर्गीकरण में ग्राउंड करने से अधिक उपयुक्त और कम दखल देने वाला व्यवहार होता है।
एक नया बेंचमार्क: विविध डोमेन (योजना, डिजाइन, लॉजिस्टिक्स आदि) में प्रोएक्टिव एजेंटों के लिए पहला मूल्यांकन सूट प्रदान करना, जो वर्तमान रिएक्टिव एजेंटों और सहयोगात्मक वर्कफ़्लो की आवश्यकताओं के बीच के अंतर को उजागर करता है।

लेखक निष्कर्ष निकालते हैं कि जबकि ProACT सहयोगात्मक उपयुक्तता में सुधार करता है और व्यवधानों को कम करता है, यह एक नियंत्रित ऑफलाइन सेटिंग में संचालित होता है। वे स्वीकार करते हैं कि वास्तविक दुनिया की तैनाती में विश्वास, एजेंसी और हेरफेर से जुड़े जोखिम शामिल हैं, जो सुझाव देते हैं कि भविष्य के कार्य में लाइव अध्ययन और पारदर्शिता एवं कंटेस्टेबिलिटी (contestability) के तंत्र शामिल होने चाहिए। यह कार्य समय पर, ब्रेकडाउन-अवेयर भागीदारी के माध्यम से मानव सहयोग का समर्थन करने वाले एजेंट बनाने के लिए एक शुरुआती बिंदु के रूप में कार्य करता है।