Agora: A Drive-Based Framework for Agent Difffferentiation in Multi-Agent LLM Systems

कल्पना कीजिए कि आप एक विशाल, हलचल भरे पुस्तकालय में प्रवेश कर रहे हैं जहाँ किताबें मनुष्यों द्वारा नहीं, बल्कि अविश्वसनीय रूप से बुद्धिमान रोबोटों द्वारा लिखी गई हैं जिन्हें लार्ज लैंग्वेज मॉडल्स (LLMs) कहा जाता है। ये रोबोट सुपर-पावर्ड तोते की तरह हैं; वे लगभग वह सब कुछ पढ़ सकते हैं जो कभी लिखा गया है और किसी भी शैली की नकल कर सकते हैं, चाहे वह एक कवि हो या एक वैज्ञानिक। लेकिन इसमें एक पेंच है: यदि आप इन रोबोटों में से तीन को एक ही प्रश्न पूछते हैं, तो वे अक्सर आपको बिल्कुल एक जैसा उत्तर देते हैं क्योंकि वे सभी एक ही डेटा पर प्रशिक्षित हैं और एक ही "सुरक्षित" तरीके से कार्य करते हैं। उन्हें अलग तरह से सोचने के लिए मजबूर करने के लिए, मनुष्यों को आमतौर पर प्रत्येक के लिए विशेष निर्देश लिखने होते हैं, जैसे रोबोट A को एक "आलोचक" और रोबोट B को एक "स्वप्नद्रष्टा" बनने के लिए कहना। यह अभिनेताओं को स्क्रिप्ट देने जैसा है जो कहती है, "आपको क्रोधित होना है," बजाय इसके कि उन्हें वास्तव में क्रोध महसूस करने दिया जाए।

वैज्ञानिक लंबे समय से सोचते आए हैं कि क्या हम इन रोबोटों को केवल बाहर से अलग दिखने के बजाय अंदर से अलग महसूस करा सकते हैं। इसे एक अभिनेता के दुख का नाटक करने और एक व्यक्ति के वास्तविक दुख के बीच के अंतर के रूप में सोचें, जो अपना पसंदीदा खिलौना खो देने के कारण वास्तव में दुखी है। यह नया शोध, जिसे "अगोरा" (Agora) कहा जाता है, एक ऐसा सिस्टम बनाने की कोशिश करता है जहाँ रोबोटों के अपने आंतरिक "मूड" या "ड्राइव्स" हों—जैसे ऊब, जिज्ञासा, या तनाव—जो उनके सोचने और बोलने के तरीके को बदल दें। मुख्य सवाल यह है कि यदि हम इन रोबोटों को थोड़ा सा भावनात्मक व्यक्तित्व देते हैं, तो क्या वे समस्याओं को हल करने के लिए मिलकर बेहतर काम करेंगे, या वे केवल भ्रमित होकर बहस करेंगे?

---

"अगोरा" प्रयोग: रोबोटों को मूड देना

इस अध्ययन में, ज़िहान लिन नामक एक शोधकर्ता ने अगोरा (जिसका अर्थ है एडेप्टिव ग्रुप ऑफ रीजनिंग एजेंट्स) नामक एक फ्रेमवर्क बनाया। उन्हें भूमिकाएँ निभाने के लिए कहने के बजाय, अगोरा उन्हें छह अदृश्य "ड्राइव्स" देता है जो उनके मस्तिष्क के लिए एक थर्मोस्टेट की तरह काम करते हैं। ये ड्राइव्स हैं: ऊब (boredom), जिज्ञासा (curiosity), तनाव (stress), चिंता (anxiety), सहानुभूति (empathy), और सेवा (service)।

यहाँ यह वास्तविक दुनिया में कैसे काम करता है:

• जिज्ञासा रोबोट को अधिक साहसी बनाती है, जो जंगली विचारों को आज़माने के लिए तैयार रहता है।
• तनाव रोबोट को अधिक सावधान और सटीक बनाता है, जैसे कोई छात्र अपना गणित का होमवर्क दोबारा चेक कर रहा हो।
• सहानुभूति रोबोट को अधिक आकर्षक और गहन बनाती है, जैसे कोई दोस्त जो आपकी कहानी को वास्तव में सुनता है।

ये मूड केवल लेबल नहीं हैं; वे वास्तव में रोबोट की आंतरिक सेटिंग्स (जैसे कि उनके उत्तर कितने रैंडम या गंभीर होने चाहिए) को बदलते हैं। सिस्टम फिर इन "मूड-स्विंग" करने वाले रोबोटों को एक वर्चुअल टेबल (राउंडटेबल) के चारों ओर एक समस्या पर चर्चा करने के लिए इकट्ठा करता है। वे उत्तरों का मसौदा तैयार करते हैं, एक-दूसरे की आलोचना करते हैं, और अंतिम परिणाम को निखारते हैं, जबकि उनके आंतरिक मूड वास्तविक दोस्तों के समूह की तरह बदलते और परस्पर क्रिया करते हैं।

उन्होंने क्या पाया: यह काम पर निर्भर करता है

शोधकर्ता ने इस प्रणाली का परीक्षण DeepSeek Chat नामक एक वास्तविक AI चैटबॉट का उपयोग करके 375 बार किया। उन्होंने "मूड-राउंडटेबल" की तुलना अन्य तरीकों से की, जैसे कि केवल एक रोबोट से पूछना, तीन रोबोटों से पूछना और सबसे अच्छा चुनना, या एक सख्त "ड्राफ्ट-क्रिटीक-रिवाइज" श्रृंखला का उपयोग करना।

परिणाम "वाह!" और "अभी रुकिए" का मिश्रण थे, और वे पूरी तरह से इस पर निर्भर थे कि रोबकी काम क्या था:

1. विश्लेषणात्मक जीत (द "मैथ एंड लॉजिक" ज़ोन)
जब कार्य में गहरा चिंतन, तर्क, या जटिल पक्ष-विपक्ष का विश्लेषण शामिल था, तो मूड वाला राउंडटेबल एक सुपरस्टार साबित हुआ। इसने अन्य तरीकों की तुलना में काफी बेहतर उत्तर दिए।

• जादुई प्रभाव: "तनाव" वाले रोबोट सटीक बन गए, जबकि "जिज्ञासा" वाले नए कोणों की खोज करने लगे। साथ मिलकर, उन्होंने एक-दूसरे को पूरी तरह से संतुलित किया।
• स्कोर: शोधकर्ताओं ने गुणवत्ता में एक बड़ा अंतर (एक सांख्यिकीय प्रभाव आकार 2.26) पाया, जिसका अर्थ है कि कठिन, सोचने वाले कार्यों के लिए मूड-आधारित टीम स्पष्ट रूप से बेहतर थी।

2. रचनात्मक हार (द "आर्ट एंड स्टोरी" ज़ोन)
हालाँकि, जब कार्य रचनात्मक था—जैसे कहानी लिखना या विचार मंथन करना—तो मूड-आधारित टीम ने मेजोरिटी वोटिंग (MajorityVoting) नामक एक सरल विधि की तुलना में वास्तव में खराब प्रदर्शन किया।

• क्यों? रचनात्मकता के लिए, शोधकर्ताओं ने पाया कि आपको जटिल मूड वाले एक संरचित समूह की आवश्यकता नहीं है। आपको बस स्वतंत्र रोबोटों की आवश्यकता है जो रैंडम तरीके से विचार दें और उनमें से सर्वश्रेष्ठ चुनें। जटिल "मूड" प्रणाली शुद्ध, जंगली अन्वेषण में बाधा डालती है।

3. शॉर्ट-फॉर्मेट हार (द "हाइकु एंड कोड" ज़ोन)
हाइकु या कोड के टुकड़े जैसे बहुत छोटे, सटीक कार्यों के लिए, एक अलग विधि जिसे ऑटो जेन स्टाइल (AutoGenStyle) कहा जाता है (जो एक सख्त चरण-दर-चरण संशोधन प्रक्रिया का उपयोग करता है) विजेता रही।

• क्यों? इन कार्यों के लिए एक एकल विचार प्रवाह की आवश्यकता होती जिसे बार-बार पॉलिश किया जाए, न कि रोबोटों के समूह की बहस की। "राउंडटेबल" दृष्टिकोण इन संक्षिप्त, छोटे कामों के लिए बहुत अव्यवस्थित था।

4. "सहानुभूति" का रहस्य
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या होता है यदि वे एक मूड को हटा देते हैं। जब उन्होंने सहानुभूति को हटाया, तो उत्तरों की गुणवत्ता में सबसे अधिक गिरावट आई। यह सुझाव देता है कि अपने सर्वोत्तम विश्लेषणात्मक कार्य करने के लिए, रोबोटों को व्यस्त और गहन रहने के लिए उस विशिष्ट "परवाह करने वाले" ड्राइव की आवश्यकता होती है।

निष्कर्ष

यह पेपर बताता है कि AI एजेंटों को एक साथ काम करने के लिए बनाने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है।

• यदि आपको तर्क और विश्लेषण की आवश्यकता है, तो एजेंटों को आंतरिक मूड (जैसे तनाव और जिज्ञासा) देना उन्हें मानक तरीकों की तुलना में गहराई से और बेहतर सोचने में मदद करता है।
• यदि आपको रचनात्मकता की आवश्यकता है, तो बेहतर है कि उन्हें जटिल मूड सिस्टम के बिना स्वतंत्र रूप से दौड़ने दें।
• यदि आपको छोटा, सटीक टेक्स्ट चाहिए, तो एक सरल चरण-दर-चरण संशोधन प्रक्रिया सबसे अच्छा काम करती है।

अध्ययन ने यह भी दिखाया कि सिस्टम स्थिर है; यह बिना क्रैश हुए या खराब हुए 20 चरणों तक लगातार काम कर सकता है। हालाँकि, शोधकर्ता सावधानी बरतते हुए कहते हैं कि "गुणवत्ता" को मापने का उनका तरीका (मानवीय न्यायाधीशों के बजाय कंप्यूटर स्कोर का उपयोग करना) पूरी तरह से सही नहीं है और कुछ बारीकियों को मिस कर सकता है। वे सुझाव देते हैं कि हालांकि यह "ड्राइव-आधारित" दृष्टिकोण AI एजेंटों को अधिक मानवीय और विशिष्ट महसूस कराने का एक आशाजनक तरीका है, यह हर समस्या का समाधान करने वाला जादुई हथियार नहीं है। यह एक ऐसा उपकरण है जो विशिष्ट कार्यों के लिए सबसे अच्छा काम करता है, ठीक वैसे ही जैसे हथौड़ा कीलों के लिए महान है लेकिन लाइट बल्ब को कसने के लिए बहुत बुरा है।