एजेंटिक संदर्भ इंजीनियरिंग (एसीई): भाषा मॉडल जो स्वयं में सुधार करते हैं

मेटा विवरण: Agentic Context Engineering AI एजेंटों को मॉडल वजन बदलने के बिना संदर्भ और प्लेबुक संपादित करके सुधारने देता है। देखें कि इसका बिल्डरों के लिए क्या अर्थ है।

टैगः Agentic Context Engineering, AI एजेंट, संदर्भ सीखना, मॉडल भार

विशेष रुप से प्रदर्शित छवि: एक प्लेबुक और context window को संपादित करने वाले AI एजेंट का अमूर्त, मैत्रीपूर्ण चित्रण जबकि मॉडल वजन स्थिर रहता है; कोई लोग नहीं, कोई लोगो नहीं, न ही पाठ।

Analytics Vidhya ने Agentic Context Engineering (एसीई): स्व-Improving Language Models शीर्षक से एक लेख प्रकाशित किया। यह AI एजेंटों के लिए सीखने के प्रतिमान के रूप में Agentic Context Learning या एसीई प्रस्तुत करता है। मूल विचार यह है कि एक एजेंट उस संदर्भ को संपादित करके कार्यों में सुधार कर सकता है जिसे वह पढ़ता है, जबकि मॉडल वजन अपरिवर्तित रहता है। यह उन डेवलपर्स, एजेंट बिल्डरों और उत्पाद टीमों के लिये उपयोगी है जो यह समझना चाहते हैं कि आत्म-सुधार करने वाले एजेंट अंतर्निहित मॉडल को फिर से प्रशिक्षित किए बिना कैसे काम कर सकते हैं।

क्या बदलता है जब संदर्भ को संपादित किया जाता है, वजन नहीं

large language model में, मॉडल वेट्स मॉडल के अंदर सीखे गए नंबर होते हैं। उन्हें बदलना आमतौर पर प्रशिक्षण या fine-tuning का मतलब होता है। संदर्भ वह सामग्री है जो मॉडल उपयोग के दौरान पढ़ता हैः संकेत, पुनर्प्राप्त दस्तावेज, निर्देश, उदाहरण, वार्तालाप इतिहास, टूल आउटपुट और नोट्स। एसीई मॉडल वजन के बजाय उस संदर्भ को संपादित करने पर ध्यान केंद्रित करता है।

यह विचार महत्वपूर्ण है क्योंकि कई एजेंट पहले से ही काम पूरा करने के लिए संदर्भ पर निर्भर करते हैं। एक एजेंट कार्य संक्षिप्त, ज्ञान आधार, पिछली त्रुटियों या चरणों की सूची पढ़ सकता है जो पहले काम कर चुके थे। यदि वे सामग्री अधिक सटीक हो जाती हैं, तो एजेंट भविष्य के कार्यों में बेहतर प्रदर्शन कर सकते हैं भले ही मॉडल स्वयं नहीं बदला है। लेख इसे मॉडलों को अपरिवर्तित रखते हुए विभिन्न कार्यों में सुधार करने का एक तरीका बताता है।

बिल्डर्स के लिए, यह सुधार को संदर्भ क्यूरेशन में बदल देता है। एक टीम प्लेबुक को परिष्कृत कर सकती है, उदाहरणों को अपडेट करती है, पुराने नोट्स को हटा सकती है या किसी कार्य की सफलता के बाद एक सबक बचा सकती है। मॉडल इंजन बना रहता है, जबकि संदर्भ समायोज्य नियंत्रण सतह बन जाता है।

पूर्ण पुनर्लेखन क्यों विफल हो सकता है और प्लेबुक अपडेट क्यों मायने रखते हैं

लेख में वर्णित पेपर इस बात पर चर्चा करता है कि पूर्ण पुनर्लेखन क्यों विफल हो जाता है। एक पूर्ण पुनः लेखन पूरे संदर्भ को बदल देता है, जैसे कि एक लंबी निर्देश फ़ाइल या मेमोरी दस्तावेज़, एक नए संस्करण के साथ। यह साफ-सुथरा लग सकता है, लेकिन यह उपयोगी विवरणों को त्याग सकता है , पुरानी गलतियों को फिर से पेश कर सकता है या छोटे नियमों को हटा सकता है जो पिछले कार्यों की मदद करते हैं।

एक प्लेबुक अद्यतन संकीर्ण है। एक प्लेबुक प्रक्रियाओं की एक कार्य सूची हैः क्या जांचना है, सामान्य मामलों को कैसे संभालना है, किन त्रुटियों से बचने के लिए और कौन से कदम उपयोगी साबित हुए हैं। एसीई-शैली सीखना उस प्लेबूक को वृद्धिशील रूप से संपादित कर सकता है। यह एक नियम जोड़ सकता है, निर्देशों में सुधार कर सकते हैं, पुराने चरण को हटा सकते हैं या बेहतर उदाहरण संलग्न कर सकते हैंः

यह दृष्टिकोण वास्तविक एजेंट कार्यप्रवाहों के लिए उपयुक्त है। एक समर्थन एजेंट सीख सकता है कि एक त्रुटि संदेश को एक विशिष्ट जांच की आवश्यकता होती है। कोडिंग एजेंट जान सकते हैं कि एक परियोजना एक विशेष परीक्षण कमांड का उपयोग करती है। अनुसंधान एजेंट कुछ स्रोतों को किसी निश्चित प्रश्न के लिए अधिक विश्वसनीय हो सकता है। जब संदर्भ टुकड़े द्वारा अद्यतन किया जाता है तो उन छोटे पाठों को संरक्षित करना आसान होता है।

लेख की रूपरेखा यह है कि एजेंट अपने द्वारा पढ़े गए संदर्भ को संपादित करके सुधार कर सकते हैं, न कि मॉडल को बदलकर। इससे सीखने की प्रक्रिया का निरीक्षण करना आसान हो जाता है, क्योंकि संदर्भ पढ़ा जा सकता है, संस्करण और समीक्षा की जा सकती है। यह कुछ पुनर्प्रशिक्षण लागतों से भी बच सकता है जैसे बड़े datasets तैयार करने के लिए , प्रशिक्षण चक्रों की प्रतीक्षा या अन्य मॉडल क्षमताओं में परिवर्तन का जोखिम उठाना।

जहां मापा गया लाभ हो सकता है

पेपर मापा लाभों को भी संबोधित करता है और जहां वे पकड़ते हैं। अंश बेंचमार्क संख्याओं की सूची नहीं देता है, इसलिए सुरक्षित टेकअवे मात्रात्मक के बजाय दिशात्मक है। एसीई को संदर्भ संपादन पर आधारित एक क्रॉस-टास्क लर्निंग विधि के रूप में वर्णित किया गया है, और कागज का मूल्यांकन करता है कि क्या लाभ बनी रहती है।

यह अंतर मायने रखता है। संदर्भ संपादन तब सबसे अधिक मदद कर सकता है जब समस्या गायब हो, पुरानी हो या खराब संगठित ज्ञान हो. यह कम मददगार हो सकती है जब मॉडल कार्य को हल नहीं कर सकता, जब कोई उपकरण टूट जाता है, या जब कार्य में ऐसी क्षमताओं की आवश्यकता होती है जो बेस मॉडल प्रदान नहीं करता है।

बिल्डरों को एसीई का परीक्षण करने के लिए एक डिजाइन पैटर्न के रूप में इलाज करना चाहिए, न कि मजबूत मॉडल, बेहतर उपकरण या क्लीनर डेटा के प्रतिस्थापन के तौर पर। उपयोगी सवाल यह नहीं है कि क्या एजेंट सीख सकता है, लेकिन क्या संपादित संदर्भ रिग्रेशन पैदा किए बिना अगले कार्य को बेहतर बनाता है।

बिल्डरों को आगे क्या देखना चाहिए

यदि एजेंट अपने स्वयं के संदर्भ को संपादित करते हैं, तो टीमों को परिवर्तनों को ट्रैक करने का एक तरीका चाहिए। प्रत्येक प्लेबुक अपडेट में यह दिखाया जाना चाहिए कि क्या बदल गया है, क्यों बदला गया है और परिणाम में सुधार हुआ है या नहीं। एक सरल ऑडिट ट्रेल में वह कार्य शामिल हो सकता है जिसने अद्यतन, पुराने पाठ, नए टेक्स्ट को ट्रिगर किया था, और बदलाव के बाद इसका नतीजा।

विचार करने के लिए सीमाएं हैं। संदर्भ बहुत बड़ा हो सकता है, विरोधाभासी बन सकता है या ऐसी मान्यताओं को ले जा सकता है जो कार्यों में स्थानांतरित नहीं होती हैं। एक नियम जो एक डोमेन की मदद करता है वह दूसरे को नुकसान पहुंचा सकता है। वृद्धिशील अपडेट को पूर्ण पुनर्लेखन से अधिक स्थिर माना जाता है, लेकिन उन्हें अभी भी समीक्षा की आवश्यकता है।

गैर-विशेषज्ञों के लिए, बड़ा बिंदु यह है कि एजेंट सुधार ज्ञान प्रबंधन की तरह दिख सकता है। जब इसके निर्देश, नोट्स, उदाहरण और प्लेबुक अद्यतित रहते हैं तो एजेंट बेहतर हो जाता है। AI एजेंट बनाने वाली टीमों के लिये व्यावहारिक अगले चरण में एक संरचित प्रारूप में सबक संग्रहीत करना, नियमित रूप से संदर्भ परिवर्तनों की समीक्षा करना और मापना शामिल है कि क्या अपडेट किया गया संदर्भ भविष्य के कार्यों को बेहतर बनाता है या नहीं।

Analytics Vidhya स्वयं-सुधार भाषा मॉडल के लिए एक मार्ग के रूप में Agentic Context Engineering को फ्रेम करता है। मुख्य विचार यह नहीं है कि मॉडल वजन मायने नहीं रखता, लेकिन संपादन संदर्भ कार्यों में एजेंटों को बेहतर बनाने के लिए पहला लीवर बन सकता है। यदि प्लेबुक-अपडेट विधि पकड़ती है, तो यह वास्तविक उत्पादों में प्रबंधन, डिबग और विस्तार करने के लिए एजेंट सीखने को आसान बना सकती है।

किसको इसका उपयोग करना चाहिए/कौन इसे छोड़ना चाहिए

ऐसी टीमें जो पहले से ही प्रॉम्प्ट, प्लेबुक या पुनर्प्राप्ति दस्तावेजों को बनाए रखती हैं, उन्हें एसीई-शैली के संदर्भ संपादन से लाभ मिल सकता है क्योंकि यह निरीक्षण और संशोधित करना आसान है। समान कार्यों में एजेंट चलाने वाले बिल्डरों को भी फायदा हो सकता है, क्योंकि छोटे गेम बुक अपडेट बिना रीट्रेनिंग के सबक आगे ले जा सकते हैं।

टीमों को सावधान रहना चाहिए यदि उनके एजेंट बहुत छोटी संदर्भ खिड़कियों, सख्त सुरक्षा नियमों या विनियमित वाक्यांश पर निर्भर हैं जिन्हें स्वचालित रूप से नहीं बदला जा सकता है। यह दृष्टिकोण तब भी खराब फिट होता है जब मुख्य बाधा मॉडल क्षमता, टूल विश्वसनीयता या खराब स्रोत डेटा होती है। उन मामलों में, संपादन संदर्भ समस्या को बेहतर तरीके से व्यवस्थित कर सकता है, लेकिन यह गुम तर्क या गायब जानकारी नहीं बनाएगा।