AquiLLM: An Architecture for Supporting Tacit Knowledge Capture in Research Groups

कल्पना कीजिए कि वैज्ञानिकों का एक समूह एक लैब में मिलकर काम कर रहा है, जैसे कोई बैंड गैरेज में जैमिंग कर रहा हो। उनके पास अपना शीट म्यूजिक (प्रकाशित शोध पत्र) और अपने वाद्य यंत्र (डेटा) हैं, लेकिन असली जादू उन अनकहे पलों में होता है: अंदरूनी चुटकुले, "उस बटन को मत छूना" जैसी चेतावनियाँ, और वे चतुर शॉर्टकट जो वे मौके पर ही बना लेते हैं। इसे टैसिट नॉलेज (tacit knowledge) कहा जाता है—वह चीज़ जो आप इसलिए जानते हैं क्योंकि आपने इसे किया है, न कि इसलिए कि आपने इसे पढ़ा है। आमतौर पर, जब बैंड का कोई सदस्य जाता है, तो वह गुप्त ज्ञान उनके साथ ही बाहर चला जाता है।

इसे हल करने के लिए, वैज्ञानिक आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने की कोशिश कर रहे हैं ताकि यह समूहों के लिए एक 'सुपर-मेमोरी' के रूप में कार्य कर सके। AI को एक बहुत तेज़, बहुत बुद्धिमान लाइब्रेरियन के रूप में समझें जो लाइब्रेरी की हर किताब को तुरंत पढ़ सकता है। हालाँकि, इनमें से अधिकांश "लाइब्रेरियन" बड़ी कंपनियों के स्वामित्व में हैं। इससे एक समस्या पैदा होती है: यदि आप किसी कंपनी के लाइब्रेरियन से कोई प्रश्न पूछते हैं, तो वे अपने अगले लाइब्रेरियन को प्रशिक्षित करने के लिए आपके प्रश्न की एक प्रति रख सकते हैं, या वे आपको ठीक से नहीं दिखा सकते कि उन्होंने उत्तर कैसे खोजा। वैज्ञानिकों के लिए, जिन्हें अपने काम की जांच करने और अपने डेटा को निजी रखने की आवश्यकता होती है, यह संभव नहीं है। उन्हें एक ऐसा लाइब्रेरियन चाहिए जिसे वे स्वयं बना सकें, अपने खुद के बेसमेंट में रख सकें और जिस पर वे पूरी तरह भरोसा कर सकें।

यहीं AquiLLM आता है। यह एक नया, ओपन-सोर्स टूल है जिसे विशेष रूप से शोध समूहों के लिए उस बिखरे हुए, अनकहे ज्ञान को कैप्चर करने के लिए डिज़ाइन किया गया है। यह पेपर बताता है कि कैसे टीम ने AquiLLM को अपग्रेड करके इसे एक मददगार, स्थानीय शोध सहायक की तरह बनाया है जो समूह के अपने कंप्यूटरों पर रहता है। क्लाउड पर डेटा भेजने के बजाय, यह रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) का उपयोग करता है। RAG को एक ऐसी प्रणाली के रूप में समझें जहाँ AI केवल अपने दिमाग से उत्तरों का अनुमान नहीं लगाता; इसके बजाय, यह पहले एक विशिष्ट बुकशेल्फ़ की ओर दौड़ता है, ज़रूरत वाले सटीक पन्ने उठाता है, और फिर आपके प्रश्न का उत्तर देने के लिए उन्हें ज़ोर से पढ़ता है। यह सुनिश्चित करता है कि AI उन्हीं तथ्यों पर टिका रहे जो समूह के पास वास्तव में मौजूद हैं, न कि अपनी मर्जी से कुछ भी बना दे।

इस पेपर के लेखकों ने केवल एक बुनियादी संस्करण नहीं बनाया; उन्होंने इसे एक बड़ा मेकओवर दिया है जो वास्तविक वैज्ञानिकों (जैसे खगोल भौतिकविदों) की वास्तविक आवश्यकताओं पर आधारित है। उन्होंने ऐसी सुविधाएँ जोड़ी हैं जो सिस्टम को केवल टेक्स्ट पढ़ने के बजाय छवियों और चार्ट को "देखने" की अनुमति देती हैं, और इसे एक "स्मृति" दी है जो याद रखती है कि आप कौन हैं और आपने पहले क्या बात की थी, बिना अलग-अलग प्रोजेक्ट्स को आपस में मिलाए। उन्होंने यह भी सुनिश्चित किया कि सिस्टम मॉड्यूलर हो, जिसका अर्थ है कि आप पूरे रोबोट को फिर से बनाए बिना उसके अंगों (जैसे मस्तिष्क या आँखें) को बदल सकते हैं।

पेपर सुझाव देता है कि ये अपग्रेड सिस्टम को वास्तविक विज्ञान की जटिल, दृश्य और सहयोगात्मक प्रकृति को संभालने में बहुत बेहतर बनाते हैं। हालाँकि, लेखक सावधानी बरतते हुए नोट करते हैं कि जबकि यह सिस्टम दस्तावेजों में तथ्यों को खोजने में अच्छा काम करता है, लेकिन कई अलग-अलग स्रोतों के बीच जानकारी की तुलना करने या जब "मेमोरी" बहुत अधिक भर जाती है, तो इसे थोड़ी कठिनाई होती है। उन्होंने अभी तक इसे सिद्ध नहीं किया है कि यह पूर्ण है; उन्होंने केवल यह दिखाया है कि यह गोपनीयता का सम्मान करने वाले और टीमों को उनके सामूहिक ज्ञान को सुरक्षित रखने में मदद करने वाले AI की दिशा में एक आशाजनक कदम है।

बड़ा अपग्रेड: एक अनाड़ी रोबोट से एक स्मार्ट लैब पार्टनर तक

तो, टीम ने वास्तव में AquiLLюм में क्या बदलाव किए? मूल सिस्टम को एक मददगार लेकिन थोड़े अनाड़ी रोबोट के रूप में समझें। वह बात कर सकता था, लेकिन वह धीमा था, वह तस्वीरें नहीं देख सकता था, और वह कभी-कभी भूल जाता था कि आपने उसे पाँच मिनट पहले क्या बताया था। नया संस्करण ऐसा है जैसे आपने उस रोबोट को ब्रेन ट्रांसप्लांट, नई आँखें और एक व्यक्तिगत नोटबुक दे दी हो।

1. "लोकल ब्रेन" और "लोकल लाइब्रेरी"
सबसे बड़ा बदलाव यह है कि सब कुछ समूह के अपने कंप्यूटरों पर होता है। टीम ने महंगे, बाहरी व्यावसायिक सेवाओं की आवश्यकता को हटाकर ओपन-वेट मॉडल्स (open-weight models) का उपयोग किया है। कल्पना कीजिए कि किसी समस्या को हल करने के लिए एक प्रसिद्ध, महंगे सलाहकार को बुलाने के बजाय, आपके पास एक प्रतिभाशाली स्थानीय ट्यूटर है जो आपके घर में रहता है। यह ट्यूटर (AI मॉडल) मुफ्त है, और उनके द्वारा बनाए गए सभी नोट्स आपके हैं। टीम ने विशेष रूप से बातचीत के लिए Qwen3.6-27B और छवियों को देखने के लिए Qwen3-VL जैसे मॉडलों को चुना है। उन्होंने बाहरी खोज उपकरणों को स्थानीय उपकरणों से बदल दिया है, जिसका अर्थ है कि AI का "सर्च इंजन" वाला हिस्सा भी समूह के बेसमेंट में रहता है, न कि कॉर्पोरेट क्लाउड में। यह अप्रकाशित शोध या निजी नोट्स जैसे संवेदनशील डेटा को इंटरनेट से पूरी तरह दूर रखता है।

2. AI को "आँखें" देना (मल्टीमॉडल क्षमताएं)
विज्ञान केवल शब्दों के बारे में नहीं है; यह ग्राफ, सितारों की तस्वीरों और आरेखों के बारे में भी है। पुराना सिस्टम इनके साथ संघर्ष करता था। नया AquiLLM अब "देख" सकता है। यह एक मल्टीमॉडल मॉडल का उपयोग करता है जो एक ग्राफ की छवि को देख सकता है, समझ सकता है कि रेखाएं क्या दर्शाती हैं, और बिल्कुल वैसे ही इसके बारे में बात कर सकता है जैसे कोई इंसान करेगा। यह एक ऐसे रोबोट से अपग्रेड होने जैसा है जो केवल मेनू पढ़ सकता है, उससे एक ऐसे रोबोट में जो प्लेट पर रखे भोजन को देख सकता है और आपको बता सकता है कि उसका स्वाद कैसा है। शोधकर्ताओं के लिए, जिन्हें अपने शोध पत्रों के चित्रों (figures) पर चर्चा करने के लिए हर एक पिक्सेल को टेक्स्ट में वर्णित करने की आवश्यकता नहीं है, यह बहुत बड़ी बात है।

3. "व्यक्तिगत स्मृति" बनाम "साझा नोटबुक"
सबसे शानदार नई विशेषताओं में से एक मेमोरी लेयर (memory layer) है। कल्पना कीजिए कि आप एक दोस्त के साथ बातचीत कर रहे हैं। आप नहीं चाहेंगे कि हर बार "नमस्ते" कहने पर आपको अपनी पूरी जीवन कहानी दोबारा बतानी पड़े। नए सिस्टम में दो प्रकार की मेमोरी है:

• स्थिर तथ्य (Stable Facts): यह एक स्थायी आईडी कार्ड की तरह है। यह आपका नाम, आपका पसंदीदा शोध विषय और आपका लहजा याद रखता है।
• एपिसोडिक मेमोरी (Episodic Memory): यह आपकी हालिया बातचीत की डायरी की तरह है। यदि आपने कल किसी विशिष्ट तारा समूह (star cluster) के बारे में पूछा था, तो AI आज उस संदर्भ को याद रखता है।
  महत्वपूर्ण बात यह है कि यह मेमोरी उपयोगकर्ता और प्रोजेक्ट के लिए निजी है। यह दूसरों के डेटा के साथ मिश्रित नहीं होती है। पेपर में उल्लेख है कि यह मेमोरी वैकल्पिक है और इसे चालू करना आवश्यक है, क्योंकि बहुत अधिक डेटा स्टोर करना अव्यवसायिक हो सकता है। यदि मेमोरी विफल हो जाती है, तो सिस्टम बस दस्तावेजों पर वापस लौट जाता है, ताकि पूरी बातचीत बाधित न हो।

4. "कौशल" और "स्किल पैक्स" (Skills and Skill Packs)
यह AI को यह सिखाने का एक चतुर तरीका है कि एक विशिष्ट टीम कैसे काम करती है। कल्पना कीजिए कि एक नया इंटर्न लैब में शामिल हो रहा है। उन्हें विशिष्ट नियम जानने होंगे: "हमेशा डेटा को नीले रंग में प्लॉट करें," या "प्रयोग चलाने से पहले इस चेकलिस्ट की जाँच करें।" नए सिस्टम में, ये नियम स्किल्स (Skills) के रूप में बंडल किए गए हैं। जब एक शोधकर्ता किसी विशिष्ट प्रोजेक्ट के बारे में चैट शुरू करता है, तो AI स्वचालित रूप से उस प्रोजेक्ट का "स्किल पैक" लोड कर लेता है। यह ऐसा है जैसे AI उस टीम के साथ बात करते समय अलग-अलग टोपी पहन लेता है। स्पेक्ट्रोस्कोपी टीम को निर्देशों का एक सेट मिलता है, और फोटोमेट्री टीम को दूसरा, बिना AI के भ्रमित हुए।

5. "स्मार्ट लाइब्रेरियन" (कॉन्टेक्स्ट पैकिंग)
AI की एक सीमा होती है कि वह एक बार में कितना पढ़ सकता है (उसका "कॉन्टेक्स्ट विंडो")। यदि आप उसे एक पूरी लाइब्रेरी दे देते हैं, तो वह अभिभूत हो सकता है। टीम ने एक सेलिएंस-अवेयर कॉन्टेक्स्ट पैकिंग (salience-aware context packing) सिस्टम जोड़ा है। इसे एक अत्यंत कुशल लाइब्रेरियन के रूप में समझें जो जानता है कि आपके द्वारा पूछे गए प्रश्न के लिए पुस्तक के कौन से पन्ने सबसे महत्वपूर्ण हैं। केवल किताब के अंत को बेतरतीब ढंग से काटने के बजाय, सिस्टम जानकारी को रैंक करता है: "यह वाक्य महत्वपूर्ण है," "यह छवि प्रासंगिक है," "यह पुराना चैट संदेश सारांशित किया जा सकता है।" यह LLMLingua-2 नामक टूल का उपयोग करके अर्थ खोए बिना टेक्स्ट को छोटा करता है, जिससे AI बिना क्रैश हुए अपने दिमाग में अधिक महत्वपूर्ण जानकारी फिट कर पाता है।

वास्तविकता की जाँच: क्या अभी भी कठिन है?

लेखक इस बारे में बहुत ईमानदार हैं कि यह सिस्टम अभी क्या नहीं कर सकता। वे दावा नहीं करते कि यह कोई जादुई छड़ी है।

• यह एक हाइब्रिड है: सिस्टम अभी भी पुराने और नए कोड का मिश्रण है। कुछ हिस्से स्थानीय कंप्यूटरों पर पूरी तरह से काम करते हैं, जबकि अन्य अभी भी क्लाउड के लिए सेट किए गए हैं। इससे कुछ अजीब गड़बड़ियाँ हो सकती हैं, जैसे कि सिस्टम अलग-अलग "मोड" में होने के आधार पर अलग व्यवहार करता है।
• मेमोरी लैग (Memory Lag): क्योंकि मेमोरी अपडेट बैकग्राउंड में होते हैं (बातचीत को तेज़ रखने के लिए), इसलिए इसमें एक मामूली देरी होती है। यदि आप AI को कुछ नया बताने के तुरंत बाद प्रश्न पूछते हैं, तो हो सकता है कि उसने अभी तक उसे "सुना" न हो।
• "टैसिट" परीक्षण: टीम ने खगोल विज्ञान के शोध पत्रों जैसे औपचारिक दस्तावेजों पर सिस्टम का परीक्षण किया, और इसने अच्छा काम किया। लेकिन वे स्वीकार करते हैं कि उन्होंने अभी तक अधिक बिखरे हुए (messy) डेटा, जैसे स्लैक संदेशों, मीटिंग मिनट्स या कोड कमेंट्स पर इसका पूरी तरह से परीक्षण नहीं किया है। उनका सुझाव है कि इस प्रकार के अनौपचारिक, "टैसिट" ज्ञान को कैप्चर करना अगली बड़ी चुनौती है।
• गति बनाम बुद्धिमत्ता: सिस्टम तेज़ है, लेकिन कभी-कभी इसे गति और सटीकता के बीच चुनाव करना पड़ता है। यदि कंप्यूटर की मेमोरी (VRAM) खत्म हो जाती है, तो इसे धीमा होना पड़ता है या कुछ जानकारी छोड़नी पड़ती है।

निष्कर्ष

AquiLLM वैज्ञानिक अनुसंधान के लिए एक महत्वपूर्ण कदम है। यह इस विचार से दूर जाता है कि AI एक ब्लैक बॉक्स है जिसका स्वामित्व एक निगम के पास है, और इसे वापस शोधकर्ताओं के हाथों में लाता है। इसे स्थानीय, मल्टीमॉडल और मेमोरी-अवेयर बनाकर, यह विज्ञान की गोपनीयता और कार्यप्रवाह का सम्मान करता है। पेपर सुझाव देता है कि हालांकि यह पूर्ण नहीं है, लेकिन यह एक शोध समूह के सामूहिक मस्तिष्क को सुरक्षित रखने के लिए एक शक्तिशाली उपकरण है, भले ही सदस्य आते-जाते रहें। यह कोई हल की गई समस्या नहीं है, बल्कि सहयोगात्मक विज्ञान के भविष्य के लिए एक बहुत ही आशाजनक प्रोटोटाइप है।