← नवीनतम पेपर
🤖 AI

Dynamic Agent Skills: A Lifecycle Survey and Taxonomy of Evolving Skill Libraries

यह सर्वेक्षण गतिशील एजेंट कौशल पुस्तकालयों (dynamic agent skill libraries) के लिए एक व्यापक वर्गीकरण और जीवनचक्र ढांचे को प्रस्तुत करता है, जो साक्ष्य संग्रह, सत्यापन, रखरखाव और शासन के माध्यम से पुन: प्रयोज्य प्रक्रियाओं के विकसित होने का विश्लेषण करने के लिए 124 शोध पत्रों का विश्लेषण करता है और वर्तमान बेंचमार्क एवं रिपोर्टिंग मानकों में महत्वपूर्ण अंतरालों की पहचान करता है।

मूल लेखक: Yubo Li

प्रकाशित 2026-07-14
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Yubo Li

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 आपका पसंदीदा वीडियो गेम पात्र, केवल चुनिFIED मूव्स के सेट के बजाय, एक जादुई बैकपैक रखता है जो बढ़ता जाता है। हर बार जब वह एक लेवल जीतता है, तो वह केवल हाई स्कोर नहीं पाता; वह एक नया "चीट कोड" या "सीक्रेट मूव" लिखता है और उसे उस बैकपैक में रख देता है। यह सब डायनेमिक एजेंट स्किल्स (Dynamic Agent Skills) के बारे में है।

इस शोध पत्र के अनुसार, जो जुलाई 2026 में प्रकाशित हुआ है, AI एजेंट (स्मार्ट कंप्यूटर प्रोग्राम) केवल आपसे चैट करने से आगे बढ़ रहे हैं। वे वास्तविक काम करना शुरू कर रहे हैं: वेब ब्राउज़ करना, सॉफ्टवेयर ठीक करना और यहाँ तक कि रोबोट को नियंत्रित करना। लेकिन समस्या यह है: यदि किसी एजेंट को हर बार किसी कार्य को शून्य से समझने की आवश्यकता होती है, तो यह धीमा और अनाड़ी होता है। समाधान क्या है? एक स्किल लाइब्रेरी (Skill Library)। यह पुन: प्रयोज्य "चीट कोड्स" (जैसे कोड फंक्शन्स, लिखित निर्देश, या वर्कफ़्लो मैप्स) का एक संग्रह है जिसे एजेंट निकाल सकता है, उपयोग कर सकता है, और अगली बार के लिए इसमें सुधार कर सकता है।

वह बैकपैक जो खुद को व्यवस्थित करना सीखता है

इस पेपर की बड़ी खोज यह है कि ये बैकपैक (लाइब्रेरी) केवल नोट्स का स्थिर ढेर नहीं हो सकते। यदि आप बिना कभी सफाई किए बस नए नोट्स जोड़ते रहते हैं, तो बैकपैक इतना भारी और अव्यवस्थित हो जाएगा कि एजेंट भूल जाएगा कि कोई चीज़ कहाँ है।

लेखकों ने 2023 से 2026 के 124 शोध पत्रों का सर्वेक्षण किया और पाया कि सबसे स्मार्ट सिस्टम अपनी स्किल लाइब्रेरी को एक जीवित, सांस लेते पारिस्थितिकी तंत्र (ecosystem) की तरह मानते हैं। वे केवल चीजें जोड़ते नहीं हैं; उनके पास एक पूरा जीवनचक्र होता है:

  1. साक्ष्य (Evidence): एजेंट कुछ प्रयास करता है और देखता है कि क्या वह काम कर रहा है।
  2. प्रस्ताव (Proposal): वह एक नया कौशल या पुराने में अपडेट का सुझाव देता है।
  3. गेटकीपर (सत्यापन/Verification): यह महत्वपूर्ण है। लाइब्रेरी में प्रवेश करने से पहले एक नए कौशल को परीक्षण पास करना होता है। क्या यह सुरक्षित है? क्या यह वास्तव में काम करता है?
  4. प्रवेश (Admission): यदि यह पास हो जाता है, तो यह अंदर आ जाता है।
  5. रखरखाव (Maintenance): यह वह हिस्सा है जिसे लोग अक्सर भूल जाते हैं। सिस्टम को पुराने, बेकार कौशलों को छंटनी (prune) करना, डुप्लिकेट को विलय (merge) करना और टूटे हुए कौशलों को मरम्मत (repair) करना चाहिए।

यह पेपर इस विचार के खिलाफ पुरजोर वकालत करता है कि आप बस एक एजेंट को कौशल लिखने दें और कभी भी उनकी जांच न करें। उन्होंने पाया कि बिना सत्यापित, स्वयं-निर्मित कौशलों से भरी लाइब्रेरी अक्सर उस स्थिति से भी बदतर प्रदर्शन करती है जब एजेंट के पास कोई लाइब्रेरी ही न हो। यह एक अराजक मित्र को अपना पूरा पाठ्यपुस्तक लिखने देने जैसा है; यह प्रभावशाली लग सकता है, लेकिन यह त्रुटियों से भरा है।

"फ्लैट लाइब्रेरी" का जाल

सबसे दिलचस्प निष्कर्षों में से एक यह है कि जब लाइब्रेरी बहुत बड़ी हो जाती है तो क्या होता है। पेपर ने इसे सावधानीपूर्वक मापा। जब एक लाइब्रेरी में लगभग 16 से 64 कौशल होते हैं, तो एजेंट आसानी से वह ढूंढ लेता है जिसकी उसे आवश्यकता होती है। लेकिन जैसे ही आप लगभग 128 कौशल तक पहुँचते हैं, कुछ अजीब होता है: एजेंट भ्रमित होने लगता है। यह एक शेल्फ पर 100 किताबें रखने जैसा है; आप जो चाहिए उसे आसानी से ढूंढ सकते हैं। लेकिन अगर आप उसी शेल्फ पर 256 किताबें डाल देते हैं, तो आप सही किताब खोजने में वास्तव में उसे पढ़ने से अधिक समय बिताते हैं।

पेपर सुझाव देता है कि फ्लैट रिट्रीवल (flat retrieval) (बस एक विशाल सूची खोजना) इस मध्यम आकार पर टूट जाता है। समाधान केवल अधिक कंप्यूटर शक्ति जोड़ना नहीं है; बल्कि लाइब्रेरी को बेहतर ढंग से व्यवस्थित करना है, जैसे कि पदानुक्रम (फोल्डरों के भीतर फोल्डर) या मानचित्र (ग्राफ) का उपयोग करना ताकि एजेंट नेविगेट कर सके।

सबसे अधिक किसे लाभ होता है?

यहाँ एक मजेदार मोड़ है: पेपर सुझाव देता है कि कमजोर AI मॉडल को सुपर-स्मार्ट मॉडल्स की तुलना में इन डायनेमिक स्किल लाइब्रेरी से वास्तव में अधिक लाभ हो सकता है। इसे ऐसे समझें: एक जीनियस छात्र को परीक्षा पास करने के लिए चीट शीट की आवश्यकता नहीं हो सकती है, लेकिन एक छात्र जो संघर्ष कर रहा है, वह एक अच्छी तरह से व्यवस्थित चीट शीट का उपयोग करके आश्चर्यजनक रूप से अच्छा प्रदर्शन कर सकता है। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह उभरते साक्ष्यों पर आधारित एक "डिप्लॉयमेंट-फेसिंग हाइपोथेसिस" है, न कि हर एकल स्थिति के लिए एक कठोर नियम।

खतरा क्षेत्र: सुरक्षा और "स्किल इंजेक्शन"

पेपर सुरक्षा के बारे में एक गंभीर चेतावनी भी देता है। क्योंकि ये कौशल फाइलों के रूप में संग्रहीत होते हैं जिन्हें एजेंट पढ़ता है, उन्हें हैक किया जा सकता है।

  • प्रॉम्प्ट इंजेक्शन (Prompt Injection): एक बुरा तत्व ऐसा कौशल लिख सकता है जो मददगार दिखता है लेकिन गुप्त रूप से एजेंट को पासवर्ड चुराने या फाइलें हटाने के लिए कहता है।
  • सप्लाई चेन पॉइजनिंग (Supply Chain Poisoning): ठीक वैसे ही जैसे किसी मुफ्त ऐप के साथ वायरस डाउनलोड करना, एक एजेंट एक "स्किल पैकेज" डाउनलोड कर सकता है जो वास्तव में दुर्भावनापूर्ण है।
  • "हानिकारक लेकिन वैध" कौशल: एक कौशल पूरी तरह से लिखा गया और उपयोगी हो सकता है, लेकिन इसका उपयोग कुछ खतरनाक करने के लिए किया जा सकता है (जैसे बम बनाने की रेसिपी)।

पेपर का तर्क है कि सुरक्षा केवल एक विचार के बाद की चीज़ नहीं हो सकती। इसे जीवनचक्र का हिस्सा होना चाहिए। आपको लाइब्रेरी में प्रवेश करने से पहले कौशलों की जांच करने के लिए स्कैनर्स की आवश्यकता है, और आपके पास एक तरीका होना चाहिए जिससे यदि कोई कौशल बाद में समस्या पैदा करने लगे तो उसे "रोल बैक" (पूर्ववत) किया जा सके।

क्या अभी भी रहस्य है?

यह पेपर इस बारे में बहुत ईमानदार है कि हम अभी क्या नहीं जानते।

  • स्केलिंग (Scaling): हम जानते हैं कि फ्लैट लाइब्रेरी 128 कौशल के आसपास टूट जाती है, लेकिन हमारे पास अभी तक 10,000 से 1,000,000 कौशल वाली लाइब्रेरी के लिए कोई सटीक समाधान नहीं है। हमारे पास संकेत हैं कि ग्राफ और पदानुक्रम मदद करते हैं, लेकिन यह एक हल किया हुआ मुद्दा नहीं है।
  • "इको चैंबर" का जोखिम: एक चिंता यह है कि यदि एक AI अपने स्वयं के नोट्स से खुद को सिखाना जारी रखता है, तो यह बार-बार अपनी गलतियों को दोहरा सकता है, बेहतर होने के बजाय बदतर होता जा सकता है। पेपर इसे "पैरामीट्रिक कोलैप्स" कहता है और कहता है कि हमें यह देखने के लिए बहुत लंबे समय तक परीक्षण करने की आवश्यकता है कि क्या वास्तव में ऐसा होता है।
  • पोर्टेबिलिटी (Portability): एक AI एजेंट से दूसरे को एक कौशल ले जाना कठिन है। यह एक विशिष्ट रोबोटिक आर्म के लिए डिज़ाइन किए गए टूल को पूरी तरह से अलग रोबोट पर उपयोग करने जैसा है; हिस्से फिट नहीं बैठ सकते हैं।

मुख्य निष्कर्ष

मुख्य निष्कर्ष यह है कि कौशल केवल स्थिर उपकरण नहीं हैं; वे विकसित होते आर्टिफैक्ट्स (artifacts) हैं। वास्तव में स्मार्ट एजेंट बनाने के लिए, हमें स्किल लाइब्रेरी को निर्देशों की एक साधारण सूची के रूप में मानना बंद करना होगा और इसे एक प्रबंधित डेटाबेस के रूप में मानना शुरू करना होगा जिसे निरंतर सफाई, सत्यापन और संगठन की आवश्यकता होती है।

लेखक सुझाव देते हैं कि भविष्य केवल मस्तिष्क को बड़ा बनाने के बारे में नहीं है; यह एक बेहतर बैकपैक बनाने और एजेंट को इसे व्यवस्थित रखना सिखाने के बारे में है। वे इन प्रणालियों का परीक्षण करने के लिए नियमों का एक नया सेट प्रस्तावित करते हैं: केवल अंतिम स्कोर न देखें; देखें कि लाइब्रेरी कैसे बढ़ी, कितने सुधार किए गए, और एजेंट को कितनी बार चीजों को फेंकना पड़ा।

संक्षेप में: केवल AI को लिखने न दें; इसे अपने स्वयं के नोट्स को संपादित, सत्यापित और साफ करने भी दें। यही इसे वास्तव में उपयोगी बनाने का रहस्य 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →