𝗙𝗿𝗼𝗺 𝗖𝗵𝗮𝘁𝗚𝗣𝗧 𝘁𝗼 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁𝘀: 𝗧𝘄𝗼 𝗬𝗲𝗮𝗿𝘀 𝗮𝘀 𝗮𝗻 𝗘𝗻𝗴𝗶𝗻𝗲𝗲𝗿
दो साल पहले, मैं AI का उपयोग केवल सवाल पूछने के लिए करता था।
आज, मैं कई कोडिंग एजेंट्स (coding agents) को ऑर्केस्ट्रेट करता हूँ। मैं MCP के माध्यम से कंपनी के ज्ञान को जोड़ता हूँ। मैं iOS ऐप्स में लोकल मॉडल्स चलाता हूँ। मैं एक मेमोरी लेयर बनाए रखता हूँ ताकि एजेंट्स मिलकर काम कर सकें।
मैं कोई AI रिसर्चर नहीं हूँ। मैं एक साधारण इंजीनियर हूँ जिसने प्रयोग करना जारी रखा।
चैट से एजेंट्स तक का मेरा सफर यहाँ है।
𝗦𝘁𝗮𝗴𝗲 𝟭: 𝗧𝗵𝗲 𝗥𝗲𝗹𝗶𝗮𝗯𝗶𝗹𝗶𝘁𝘆 𝗚𝗮𝗽 शुरुआत में, AI जादू जैसा लगा। फिर, यह अविश्वसनीय लगने लगा। मॉडल्स अक्सर बहुत आत्मविश्वास के साथ गलत जानकारी देते हैं। मैंने एक कठिन सबक सीखा: एक तर्कसंगत दिखने वाला उत्तर, एक विश्वसनीय परिणाम नहीं होता।
𝗦𝘁𝗮𝗴𝗲 𝟮: 𝗔𝗜 𝗮𝘀 𝗮 𝗣𝗮𝗿𝘁𝗻𝗲𝗿 Cursor जैसे टूल्स ने सब कुछ बदल दिया। AI एक अलग चैट विंडो से हटकर मेरे कोड एडिटर में आ गया। फीडबैक लूप अविश्वसनीय रूप से छोटा हो गया: • एक विचार का वर्णन करें। • कोड जेनरेट करें। • चलाएं और विफलता देखें। • सुधार के लिए पूछें। • दोहराएं।
इससे प्रोटोटाइप बनाने की लागत कम हो गई। छोटे विचार अब सेटअप या कॉन्फ़िगरेशन के दौरान दम नहीं तोड़ते। वे वास्तव में फिनिश लाइन तक पहुँच जाते हैं।
𝗜 𝗹𝗲𝗮𝗿𝗻𝗲𝗱 𝘁𝗵𝗮𝘁 𝗖𝗼𝗻𝘁𝗲𝘅𝘁 𝗶𝘀 𝗞𝗲𝘆 शुरुआत में, एजेंट्स फैसलों को भूल जाते थे या आर्किटेक्चर को बिगाड़ देते थे। मैंने "प्रॉम्प्ट इंजीनियरिंग" पर ध्यान देना बंद कर दिया और "कॉन्टेक्स्ट इंजीनियरिंग" शुरू कर दी। मैंने अपने एजेंट्स के लिए सख्त नियम लिखना शुरू किया: • मौजूदा आर्किटेक्चर का पालन करें। • कोड बदलने से पहले योजना समझाएं। • बिना पूछे फाइलें डिलीट न करें।
हम केवल बेहतर वाक्य नहीं लिख रहे थे। हम एक संभाव्य सिस्टम (probabilistic system) के लिए एक स्थिर वातावरण बना रहे थे।
𝗦𝘁𝗮𝗴𝗲 𝟯: 𝗕𝗲𝘆𝗼𝗻𝗱 𝘁𝗵𝗲 𝗖𝗵𝗮𝘁 𝗪𝗶𝗻𝗱𝗼𝘄 मैं वेब चैट से हटकर APIs और लोकल मॉडल्स की ओर बढ़ गया। डेस्कटॉप पर मॉडल चलाना आसान है। मोबाइल ऐप के अंदर मॉडल को शिप करना कठिन है। अचानक, मुझे वास्तविक इंजीनियरिंग समस्याओं को हल करना पड़ा: • मॉडल का आकार और मेमोरी का उपयोग। • स्टार्टअप लेटेंसी (latency)। • ऑफलाइन निष्पादन और डिवाइस कम्पैटिबिलिटी।
𝗦𝘁𝗮𝗴𝗲 𝟰: 𝗔𝗴𝗲𝗻𝘁-𝗗𝗿𝗶𝘃𝗲𝗻 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀 ध्यान "यह फंक्शन लिखें" से हटकर "इस रिपॉजिटरी को समझें और इस लक्ष्य को पूरा करें" पर चला गया। मैंने Model Context Protocol (MCP) का उपयोग करना भी शुरू कर दिया। मैंने अपनी कंपनी के नॉलेज प्लेटफॉर्म के लिए एक MCP इंटीग्रेशन बनाया। अब एजेंट कंपनी के दस साल के डेटा तक पहुँच सकता था। चुनौती मॉडल की बुद्धिमत्ता से हटकर सिस्टम डिज़ाइन की ओर बढ़ गई।
मेरे सबसे बड़े सबक: • कोडिंग आसान है, लेकिन इंजीनियरिंग कठिन है। • AI कार्यान्वयन संभालता है, लेकिन निर्णय आपको लेना होगा। • आपको लक्ष्यों को सटीक रूप से परिभाषित करने और धारणाओं को सत्यापित करने की आवश्यकता है। • मल्टी-एजेंट कार्य के लिए एक मेमोरी लेयर की आवश्यकता होती है ताकि एजेंट बिना रीस्टार्ट किए कार्यों को एक-दूसरे को सौंप सकें।
AI कार्यान्वयन को सस्ता बना देता है। इसका मतलब है कि अब प्रयोग करना मुफ़्त है। असली काम यह तय करना है कि कौन से विचार वास्तव में बनाने लायक हैं।
वैकल्पिक लर्निंग कम्युनिटी: https://t.me/GyaanSetuAi