AnovaX: A Local, Multi-Agent Voice Assistant with LLM Planning, Typed Executors, and Adaptive Recovery
यह शोधपत्र AnovaX को प्रस्तुत करता है, जो एक लोकल-फर्स्ट, मल्टी-एजेंट वॉयस असिस्टेंट है जो एक LLM प्लानर, टाइप्ड टूल एजेंट्स और एडेप्टिव रिकवरी के माध्यम से डेस्कटॉप इंटरैक्शन को ऑर्केस्ट्रेट करने के लिए पूरी तरह से उपयोगकर्ता के डिवाइस पर चलता है, जबकि एक साथी फोन इंटरफेस के माध्यम से रीयल-टाइम रिमोट कंट्रोल और मॉनिटरिंग को सक्षम बनाता 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
आपकी मशीन में रहने वाली आवाज़
कल्पना कीजिए कि आपकी जेब में एक सुपर-स्मार्ट सहायक रहता है, जो आपकी आवाज़ सुन सकता है, जटिल अनुरोधों को समझ सकता है और यहाँ तक कि आपके कंप्यूटर को नियंत्रित भी कर सकता है। वर्षों से, यह विचार सिरी (Siri) या एलेक्सा (Alexa) जैसे "क्लाउड" सहायकों द्वारा हावी रहा है। इन क्लाउड सहायकों को उन संदेशवाहकों के रूप में सोचें जो आपकी आवाज़ लेते हैं, उसे मीलों दूर एक विशाल सर्वर फार्म तक ले जाते हैं, उत्तर प्राप्त करते हैं, और वापस आते हैं। हालाँकि यह तेज़ है, लेकिन इसका मतलब है कि आपकी निजी बातचीत आपके घर से बाहर जाती है, और सहायक केवल उन निश्चित चीज़ों को कर सकता है जिन्हें करने के लिए उसे प्रोग्राम किया गया है। यह एक ऐसे बटलर की तरह है जो केवल उन्हीं दरवाजों को खोल सकता है जो आपने पहले से स्थापित किए हैं, लेकिन आपके लिए नोट लिखने के लिए पेन भी नहीं उठा सकता।
आर्टिफिशियल इंटेलिजेंस (AI) के क्षेत्र ने हाल ही में खोजा है कि लार्ज लैंग्वेज मॉडल्स (LLMs) मानव भाषा को समझने में अविश्वसनीय रूप से अच्छे हैं। हालाँकि, एक नया प्रश्न उभरा है: क्या हम एक ऐसा सहायक बना सकते हैं जो आपके कंप्यूटर के अंदर रहे, आपके रहस्यों को स्थानीय (local) रखे, और वास्तव में आपके डेस्कटॉप पर चीज़ें कर सके—जैसे ऐप्स खोलना, टेक्स्ट टाइप करना, या बटन क्लिक करना—न कि केवल सामान्य जानकारी देना? यह पेपर AnovaX नामक एक प्रोजेक्ट के बारे में बताता है, जो एक "लोकल-फर्स्ट" वॉयस असिस्टेंट बनाने की कोशिश करता है। क्लाउड पर आपकी आवाज़ भेजने के बजाय, AnovaX पूरी तरह से आपके लैपटॉप पर चलता है। यह काम करने के लिए एक स्मार्ट प्लानर का उपयोग करता है, लेकिन यह कीबोर्ड और माउस को छूने के लिए विशेषज्ञ, पूर्व-निर्धारित "वर्कर्स" (workers) की एक टीम पर निर्भर करता है। इसका लक्ष्य बड़े टेक दिग्गजों को उनके अपने खेल में हराना नहीं है, बल्कि यह दिखाना है कि एक छोटा, पठनीय और सुरक्षित सिस्टम एक अकेले व्यक्ति द्वारा बिना क्लाउड कनेक्शन के अपने स्वयं के मशीन को नियंत्रित करने के लिए बनाया जा सकता है।
AnovaX: वह लोकल बटलर जिसे क्लाउड की ज़रूरत नहीं है
AnovaX से मिलिए। यह एक वॉयस असिस्टेंट है जो पूरी तरह से आपके लैपटॉप पर रहता है, जिसे बड़े क्लाउड-आधारित सहायकों के एक पारदर्शी, सुरक्षित और स्थानीय विकल्प के रूप में डिज़ाइन किया गया है। रचनाकारों ने इसे यह साबित करने के लिए बनाया है कि आपको अपने कंप्यूटर को नियंत्रित करने के लिए एक विशाल, अपारदर्शी सिस्टम की आवश्यकता नहीं है; आपको बस डिजिटल वर्कर्स की एक छोटी, सुव्यवस्थित टीम की आवश्यकता है।
बड़ा विचार: एक प्लानर और विशेषज्ञों की एक टीम
कल्पना कीजिए कि आप एक व्यस्त कार्यालय के बॉस हैं। आप हर काम खुद नहीं करना चाहते; आप काम सौंपना (delegate) चाहते हैं। AnovaX में, "बॉस" एक स्मार्ट AI प्लानर है (Gemini नामक मॉडल का उपयोग करते हुए)। जब आप कहते हैं, "Notepad खोलो और एक कहानी लिखो," तो प्लानर खुद टाइप करने की कोशिश नहीं करता है। इसके बजाय, यह एक विशेष कोड (JSON) में एक त्वरित योजना लिखता है और इसे एक मल्टी-एजेंट ऑर्केस्ट्रेटर (Multi-Agent Orchestrator) को सौंप देता है।
ऑर्केस्ट्रेटर को एक उन्मत्त लेकिन कुशल स्टेज मैनेजर के रूप में समझें। यह प्लानर की सूची लेता है और प्रत्येक कार्य को एक विशिष्ट "चाइल्ड एजेंट" को सौंप देता है।
- AppAgent वह है जो प्रोग्राम लॉन्च करना जानता है।
- TypingAgent वह है जो वास्तव में कीबोर्ड पर टाइप करता है।
- BrowserAgent वेब सर्च को संभालता है।
- MediaAgent स्क्रीनशॉट लेता है।
इनमें से प्रत्येक एजेंट अपने स्वयं के नियमों के साथ एक छोटा, विशिष्ट रोबोट है। उदाहरण के लिए, TypingAgent के पास एक सख्त नियम है: टाइप करना शुरू करने से पहले उसे कीबोर्ड के खाली होने का इंतज़ार करना चाहिए, ताकि वह किसी अन्य एजेंट के साथ टकराव न करे जो की (key) दबाने की कोशिश कर रहा हो। यह प्रणाली सहायक को एक साथ कई चीजें करने की अनुमति देती है। यदि आप उससे "एक स्क्रीनशॉट लें और मुझे समय बताएं" कहते हैं, तो ऑर्केस्ट्रेटर उन दो कार्यों को दो अलग-अलग एजेंटों को एक साथ भेज देता है, जिससे आपका समय बचता है।
सुरक्षा सर्वोपरि: डबल-चेक गेट
AI के साथ सबसे बड़ी चिंताओं में से एक यह है कि यह कुछ खतरनाक कर सकता है, जैसे आपकी फ़ाइलें हटाना। AnovaX इसे "दो-चरणीय सुरक्षा फ़िल्टर" के साथ हल करता है।
- सॉफ्ट फ़िल्टर (Soft Filter): AI प्लानर को "वर्जित" शब्दों (जैसे "डिलीट" या "फॉर्मेट") की एक सूची दी जाती है और इसे उन्हें उपयोग न करने के लिए कहा जाता है।
- हार्ड फ़िल्टर (Hard Filter): किसी भी एजेंट को आपके कंप्यूटर को छूने की अनुमति देने से पहले, एक पायथन प्रोग्राम योजना की जांच एक सख्त "व्हाइटलिस्ट" (केवल स्वीकृत उपकरण ही अनुमति प्राप्त हैं) और एक "डेनलिस्ट" (वर्जित कीवर्ड्स) के विरुद्ध करता है। यदि योजना किसी खतरनाक कमांड को चुराने की कोशिश करती है, तो पूरी प्रक्रिया को तुरंत रोक दिया जाता है, और उपयोगकर्ता को विनम्रता से इनकार कर दिया जाता है।
यह हर बार होता है, भले ही AI योजना को छोटे उप-कार्यों (sub-tasks) में तोड़ने की कोशिश करे। यह एक सुरक्षा गार्ड की तरह है जो इमारत में प्रवेश करने से पहले आपकी आईडी चेक करता है, और फिर विशिष्ट कमरे में प्रवेश करने से पहले आपकी आईडी को दोबारा चेक करता है।
"रिकवरी लूप": जब चीजें गलत हो जाती हैं
कभी-कभी, सबसे अच्छी योजनाएं भी विफल हो जाती हैं। शायद आपने जिस ऐप को खोलने के लिए कहा था वह इंस्टॉल नहीं है, या कोई पॉप-अप विंडो ध्यान भटका देती है। पुराने सिस्टम में, यह पूरी प्रक्रिया को यहीं रोक देता। AnovaX के पास एक चतुर "रिकवरी लूप" है।
यदि कोई चरण विफल हो जाता है, तो सिस्टम हार नहीं मानता। यह एक दूसरे, तेज़ AI लूप को जगाता है जो एक जासूस की तरह काम करता है। यह देखता है कि क्या गलत हुआ, एक नई योजना बनाता है (जैसे "ओह, ऐप का नाम गलत था, मुझे इसे खोजने की कोशिश करने दो"), और फिर से प्रयास करता है। इसे तत्काल महसूस कराने के लिए, जबकि जासूस सोच रहा होता है, सिस्टम बैकग्राउंड में "अनुमानित रूप से" (speculatively) सुरक्षित, रीड-ओनली कार्य चलाता है (जैसे समय देखना) ताकि जब नई योजना तैयार हो, तो वे हिस्से पहले से ही पूरे हों।
फोन से निगरानी करना
इस प्रोजेक्ट में एक शानदार फीचर भी शामिल है जहाँ आप अपने फोन से अपने लैपटॉप को नियंत्रित कर सकते हैं। आप अपने फोन में बोल सकते हैं, और कमांड आपके होम वाई-फाई (Wi-Fi) के माध्यम से आपके लैपटॉप को भेजी जाती है। इससे भी बेहतर यह है कि लैपटॉप रीयल-टाइम में अपनी स्क्रीन आपके फोन पर स्ट्रीम करता है। आप दूसरे कमरे में खड़े होकर, लैपटॉप को अपने आप ऐप्स खोलते और टाइप करते देख सकते हैं, और देख सकते हैं कि काम करते समय "एजेंट्स" वास्तव में क्या कर रहे हैं।
यह क्या कर सकता है और क्या नहीं
पेपर दिखाता है कि AnovaX सफलतापूर्वक कर सकता है:
- डेस्कटॉप एप्लिकेशन खोलना (जैसे Notepad)।
- टेक्स्ट टाइप करना और कुंजियाँ (keys) दबाना।
- वेब और यूट्यूब पर सर्च करना।
- स्क्रीनशॉट लेना और आपको समय बताना।
- जटिल, बहु-चरणीय अनुरोधों को संभालना (जैसे "Notepad खोलो, एक पैराग्राफ टाइप करो, और उसे सेव करो")।
- खतरनाक कमांड को मना करना (जैसे "मेरा डाउनलोड्स फोल्डर डिलीट करें")।
हालाँकि, लेखक इसकी सीमाओं के बारे में बहुत स्पष्ट हैं। सिस्टम "अंधा" (blind) है। यह वास्तव में स्क्रीन को देखता नहीं है कि कोई विंडो सही ढंग से खुली है या नहीं; यह बस कमांड भेजता है और उम्मीद करता है। यदि कोई पॉप-अप स्क्रीन को ब्लॉक करता है, तो एजेंट गलत जगह टाइप करना जारी रख सकता है। यह प्रारंभिक "सोचने" (AI प्लानर) और आपकी आवाज़ सुनने के लिए क्लाउड पर भी निर्भर करता है, हालांकि लेखक सुझाव देते हैं कि इन्हें पूरी तरह से ऑफलाइन बनाने के लिए भविष्य में स्थानीय संस्करणों से बदला जा सकता है।
निष्कर्ष
AnovaX सिरी बनने की कोशिश नहीं कर रहा है। यह एक प्रमाण-अवधारणा (proof-of-concept) है जो दिखाता है कि एक छोटा, पठनीय और सुरक्षित स्थानीय सहायक संभव है। समस्या को एक प्लानर, एक सुरक्षा गार्ड और विशेषज्ञ, टाइप किए गए एजेंटों की एक टीम में तोड़कर, रचनाकारों ने एक ऐसा सिस्टम बनाया है जो पारदर्शी और नियंत्रणीय है। यह साबित करता है कि अपने कंप्यूटर को नियंत्रित करने के लिए आपको क्लाउड में ब्लैक बॉक्स की आवश्यकता नहीं है; आपको बस अपने डेस्क पर चलने वाली डिजिटल सहायकों की एक सुव्यवस्थित टीम की आवश्यकता 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।