एपीआई-कॉलिंग एजेंट्स को समझने, बनाने और अनुकूलित करने के लिए गाइड टू-डू सूची एपीआई version: 1.0.0 paths: /tasks: post: summary: एक नई कार्य जोड़ें चरण २: टूल एक्सेस को मानकीकृत करें ओपनएपीआई विनिर्देश को एमसीपी टूल में परिवर्तित करें: टूल नाम विवरण इनपुट पैरामीटर आउटपुट विवरण कार्य जोड़ें टू-डू सूची में एक नई कार्य जोड़ता है। `विवरण` (स्ट्रिंग, आवश्यक): कार्य का विवरण। कार्य निर्माण पुष्टि। कार्य प्राप्त करें टू-डू सूची से सभी कार्य प्राप्त करता है। कोई नहीं। कार्यों की सूची उनके विवरण के साथ। चरण ३: एजेंट को लागू करें पाइडांटिक का उपयोग डेटा मॉडलिंग के लिए करके एमसीपी टूल के अनुसार कार्यों को बनाएं। फिर, एक एलएलएम का उपयोग प्राकृतिक भाषा प्रश्नों को समझने और उपयुक्त टूल और पैरामीटर का चयन करने के लिए करें। चरण ४: एक गुणवत्ता मूल्यांकन डेटासेट क्यूरेट करें एक डेटासेट बनाएं: प्रश्न वांछित एपीआई कॉल वांछित परिणाम “‘किराने की खरीदारी’ मेरी सूची में जोड़ें।” कार्य जोड़ें के साथ `विवरण` = “किराने की खरीदारी” कार्य निर्माण पुष्टि “मेरी सूची में क्या है?” कार्य प्राप्त करें कार्यों की सूची, “किराने की खरीदारी” सहित चरण ५: एजेंट प्रॉम्प्ट और तर्क को अनुकूलित करें डीएसपीआई का उपयोग करके प्रॉम्प्ट को परिष्कृत करें, स्पष्ट निर्देश, टूल चयन और पैरामीटर निष्कर्षण पर ध्यान केंद्रित करते हुए, क्यूरेट किए गए डेटासेट का उपयोग मूल्यांकन और सुधार के लिए करें। इन बिल्डिंग ब्लॉक्स को एकीकृत करके – संरचित एपीआई परिभाषाओं से लेकर मानकीकृत टूल प्रोटोकॉल और कठोर डेटा अभ्यास तक, और व्यवस्थित अनुकूलन तक – इंजीनियरिंग टीमें अधिक सक्षम, विश्वसनीय और रखरखाव योग्य एपीआई-कॉलिंग एआई एजेंट बना सकती हैं।

आर्टिफ़िशियल इंटेलिजेंस की भूमिका तेजी से विकसित हो रही है; एआई के उपयोग के मामले निष्क्रिय जानकारी प्रसंस्करण से सक्रिय एजेंटों में बदल गए हैं जो कार्यों को निष्पादित करने में सक्षम हैं। मार्च 2025 में जॉर्जियन और न्यूटनएक्स द्वारा किए गए एक सर्वेक्षण के अनुसार, 91% तकनीकी कार्यकारी विकास चरण और उद्यम कंपनियों में एआई का उपयोग कर रहे हैं या इसका उपयोग करने की योजना बना रहे हैं।

एपीआई-कॉलिंग एजेंट इस बदलाव का एक प्राथमिक उदाहरण हैं। एपीआई-कॉलिंग एजेंट बड़े भाषा मॉडल (एलएलएम) का उपयोग सॉफ़्टवेयर सिस्टम के साथ उनके एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस (एपीआई) के माध्यम से बातचीत करने के लिए करते हैं।

उदाहरण के लिए, प्राकृतिक भाषा कमांड को सटीक एपीआई कॉल में अनुवाद करके, एजेंट वास्तविक समय के डेटा प्राप्त कर सकते हैं, दिनचर्या कार्यों को स्वचालित कर सकते हैं, या यहां तक कि अन्य सॉफ़्टवेयर सिस्टम को नियंत्रित कर सकते हैं। यह क्षमता एआई एजेंटों को मानवीय इरादे और सॉफ़्टवेयर कार्यक्षमता के बीच उपयोगी मध्यस्थों में परिवर्तित करती है।

कंपनियां वर्तमान में विभिन्न डोमेन में एपीआई-कॉलिंग एजेंटों का उपयोग कर रही हैं, जिनमें शामिल हैं:

• उपभोक्ता अनुप्रयोग: सहायक जैसे कि एप्पल का सिरी या अमेज़ॅन का एलेक्सा दैनिक कार्यों को सरल बनाने के लिए डिज़ाइन किए गए हैं, जैसे कि स्मार्ट होम डिवाइसों को नियंत्रित करना और आरक्षण करना।
• उद्यम कार्य प्रवाह: उद्यमों ने दोहराए जाने वाले कार्यों को स्वचालित करने के लिए एपीआई एजेंटों को तैनात किया है, जैसे कि सीआरएम से डेटा प्राप्त करना, रिपोर्ट जनरेट करना या आंतरिक प्रणालियों से जानकारी को समेकित करना।
• डेटा पुनर्प्राप्ति और विश्लेषण: उद्यम एपीआई एजेंटों का उपयोग स्वामित्व वाले डेटासेट, सदस्यता-आधारित संसाधनों और सार्वजनिक एपीआई तक पहुंच को सरल बनाने के लिए कर रहे हैं ताकि अंतर्दृष्टि प्राप्त की जा सके।

इस लेख में, मैं एपीआई-कॉलिंग एजेंटों को समझने, बनाने और अनुकूलित करने के लिए एक इंजीनियरिंग-केंद्रित दृष्टिकोण का उपयोग करूंगा। इस लेख में सामग्री जॉर्जियन के एआई लैब द्वारा किए गए व्यावहारिक अनुसंधान और विकास पर आधारित है।

मैं। मुख्य परिभाषाएँ:

• एपीआई या एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस: विभिन्न सॉफ़्टवेयर अनुप्रयोगों को संवाद और जानकारी का आदान-प्रदान करने के लिए नियमों और प्रोटोकॉल का एक सेट।
• एजेंट: एक एआई सिस्टम जो अपने वातावरण को समझने, निर्णय लेने और विशिष्ट लक्ष्यों को प्राप्त करने के लिए कार्रवाई करने के लिए डिज़ाइन किया गया है।
• एपीआई-कॉलिंग एजेंट: एक विशेषज्ञता वाला एआई एजेंट जो प्राकृतिक भाषा निर्देशों को सटीक एपीआई कॉल में अनुवाद करता है।
• कोड जेनरेटिंग एजेंट: एक एआई सिस्टम जो सॉफ़्टवेयर विकास में सहायता करता है bằng कोड लिखना, संशोधित करना और डीबग करना। जबकि संबंधित, मेरा यहां मुख्य रूप से उन एजेंटों पर ध्यान केंद्रित किया जाएगा जो एपीआई को कॉल करते हैं, हालांकि एआई भी इन एजेंटों को बनाने में मदद कर सकता है।
• एमसीपी (मॉडल कॉन्टेक्स्ट प्रोटोकॉल): एक प्रोटोकॉल, विशेष रूप से एंथ्रोपिक द्वारा विकसित, जो परिभाषित करता है कि एलएलएम बाहरी टूल और डेटा स्रोतों से कैसे जुड़ सकते हैं और उनका उपयोग कर सकते हैं।

द्वितीय। मुख्य कार्य: प्राकृतिक भाषा को एपीआई क्रियाओं में अनुवाद करना

एपीआई-कॉलिंग एजेंट का मूल कार्य उपयोगकर्ता के प्राकृतिक भाषा अनुरोध को समझना और इसे एक या एक से अधिक सटीक एपीआई कॉल में परिवर्तित करना है। यह प्रक्रिया आमतौर पर शामिल करती है:

1. इरादा पहचान: उपयोगकर्ता के लक्ष्य को समझना, भले ही यह अस्पष्ट रूप से व्यक्त किया गया हो।
2. टूल चयन: उपयुक्त एपीआई एंडपॉइंट (या) “टूल” की पहचान करना – उपलब्ध विकल्पों के सेट से जो इरादे को पूरा कर सकते हैं।
3. पैरामीटर निष्कर्षण: चयनित एपीआई कॉल (ओं) के लिए आवश्यक पैरामीटर की पहचान करना और उपयोगकर्ता के प्रश्न से निकालना।
4. निष्पादन और प्रतिक्रिया पीढ़ी: एपीआई कॉल बनाना, प्रतिक्रिया (ओं) प्राप्त करना और फिर इस जानकारी को एक सुसंगत उत्तर में संश्लेषित करना या एक अनुवर्ती कार्रवाई करना।

एक अनुरोध पर विचार करें, “हे सिरी, आज का मौसम कैसा है?” एजेंट को मौसम एपीआई को कॉल करने की आवश्यकता की पहचान करनी होगी, उपयोगकर्ता का वर्तमान स्थान निर्धारित करना होगा (या स्थान निर्दिष्ट करने की अनुमति देनी होगी) और फिर मौसम जानकारी प्राप्त करने के लिए एपीआई कॉल बनाना होगा।

तृतीय। समाधान का वास्तुकला:

प्रभावी एपीआई-कॉलिंग एजेंटों का निर्माण एक संरचित वास्तुकला दृष्टिकोण की आवश्यकता है।

१. एजेंट के लिए “टूल” की परिभाषा

एलएलएम के लिए एक एपीआई का उपयोग करने के लिए, उस एपीआई की क्षमताओं को एक ऐसे तरीके से वर्णित किया जाना चाहिए जिसे यह समझ सके। प्रत्येक एपीआई एंडपॉइंट या फ़ंक्शन अक्सर एक “टूल” के रूप में प्रस्तुत किया जाता है। एक मजबूत टूल परिभाषा में शामिल हैं:

• टूल के उद्देश्य और कार्यक्षमता का एक स्पष्ट, प्राकृतिक भाषा विवरण।
• इसके इनपुट पैरामीटर (नाम, प्रकार, आवश्यक या वैकल्पिक, और विवरण) का एक सटीक विनिर्देश।
• टूल द्वारा लौटाए गए आउटपुट या डेटा का विवरण।

२. मॉडल कॉन्टेक्स्ट प्रोटोकॉल (एमसीपी) की भूमिका

एमसीपी एलएलएम द्वारा बाहरी टूल और डेटा स्रोतों के उपयोग के लिए एक महत्वपूर्ण सक्षमकर्ता है। यह बाहरी टूल और डेटा स्रोतों से जुड़ने और उनका उपयोग करने के लिए मॉडल के लिए एक संरचित प्रारूप प्रदान करता है।

३. एजेंट फ्रेमवर्क और कार्यान्वयन विकल्प

एजेंट को बनाने में मदद करने के लिए कई फ्रेमवर्क हैं। इनमें शामिल हैं:

• पाइडांटिक: जबकि यह विशेष रूप से एक एजेंट फ्रेमवर्क नहीं है, पाइडांटिक टूल इनपुट और आउटपुट के लिए डेटा संरचनाओं को परिभाषित करने और प्रकार सुरक्षा को सुनिश्चित करने के लिए उपयोगी है, जो विश्वसनीयता के लिए महत्वपूर्ण है। कई कस्टम एजेंट कार्यान्वयन पाइडांटिक का उपयोग संरचनात्मक अखंडता के लिए करते हैं।
• लास्टमाइल का एमसीपी_एजेंट: यह फ्रेमवर्क विशेष रूप से एमसीपी के साथ काम करने के लिए डिज़ाइन किया गया है, जो एक अधिक राय वाला ढांचा प्रदान करता है जो एमसीपी के साथ काम करने के लिए एंथ्रोपिक जैसे स्थानों से अभ्यास के साथ संरेखित होता है।
• आंतरिक फ्रेमवर्क: यह भी बढ़ती तरह से सामान्य है कि एआई कोड-जेनरेटिंग एजेंट (कर्सर या क्लाइन जैसे टूल का उपयोग करके) का उपयोग एजेंट, इसके टूल और आसपास के तर्क के लिए बॉयलरप्लेट कोड लिखने में मदद करने के लिए किया जाता है। जॉर्जियन के एआई लैब का अनुभव कंपनियों के साथ एजेंटिक कार्यान्वयन पर काम करने से पता चलता है कि यह बहुत कम, कस्टम फ्रेमवर्क बनाने के लिए बहुत अच्छा हो सकता है।

चतुर्थ। विश्वसनीयता और प्रदर्शन के लिए इंजीनियरिंग

यह सुनिश्चित करने के लिए कि एक एजेंट एपीआई कॉल विश्वसनीय रूप से बनाता है और अच्छा प्रदर्शन करता है, केंद्रित इंजीनियरिंग प्रयास की आवश्यकता होती है। ऐसा करने के दो तरीके हैं: (१) डेटासेट निर्माण और मान्यकरण, और (२) प्रॉम्प्ट इंजीनियरिंग और अनुकूलन।

१. डेटासेट निर्माण और मान्यकरण

एजेंट को प्रशिक्षित करने (यदि लागू हो), परीक्षण करने और अनुकूलित करने के लिए एक उच्च-गुणवत्ता वाला डेटासेट आवश्यक है। यह डेटासेट प्राकृतिक भाषा प्रश्नों और उनके संबंधित वांछित एपीआई कॉल अनुक्रम या परिणामों के प्रतिनिधि होने चाहिए।

• मैनुअल निर्माण: मैनुअल रूप से एक डेटासेट क्यूरेट करना सुनिश्चित करता है कि उच्च सटीकता और प्रासंगिकता है, लेकिन यह श्रमसाध्य हो सकता है।
• सिंथेटिक जेनरेशन: डेटा को कार्यक्रम रूप से या एलएलएम का उपयोग करके उत्पन्न करना डेटासेट निर्माण को स्केल कर सकता है, लेकिन यह दृष्टिकोण महत्वपूर्ण चुनौतियां प्रस्तुत करता है। जॉर्जियन एआई लैब के शोध में पाया गया कि सुनिश्चित करना बहुत मुश्किल है कि सिंथेटिक रूप से उत्पन्न एपीआई कॉल और प्रश्न सही और वास्तविक जटिलता वाले हैं। अक्सर, उत्पन्न प्रश्न या तो बहुत ही सरल थे या असंभव रूप से जटिल, जिससे सूक्ष्म एजेंट प्रदर्शन को मापना मुश्किल हो जाता था। सिंथेटिक डेटा का सावधानीपूर्वक मान्यकरण绝対 महत्वपूर्ण है।

गंभीर मूल्यांकन के लिए, एक छोटा, उच्च-गुणवत्ता, मैनुअल रूप से सत्यापित डेटासेट अक्सर एक बड़े, शोर वाले सिंथेटिक डेटासेट की तुलना में अधिक विश्वसनीय अंतर्दृष्टि प्रदान करता है।

२. प्रॉम्प्ट इंजीनियरिंग और अनुकूलन

एलएलएम-आधारित एजेंट का प्रदर्शन प्रॉम्प्ट के उपयोग से बहुत प्रभावित होता है जो इसके तर्क और टूल चयन को निर्देशित करते हैं।

• प्रभावी प्रॉम्प्टिंग में एजेंट के कार्य को स्पष्ट रूप से परिभाषित करना, उपलब्ध टूल के विवरण प्रदान करना और प्रॉम्प्ट को संरचित करना शामिल है ताकि सटीक पैरामीटर निष्कर्षण को प्रोत्साहित किया जा सके।
• व्यवस्थित अनुकूलन डीएसपीआई जैसे फ्रेमवर्क का उपयोग करके प्रदर्शन में काफी सुधार कर सकता है। डीएसपीआई आपको अपने एजेंट के घटकों (जैसे विचार पीढ़ी, टूल चयन, पैरामीटर प्रारूप) को परिभाषित करने की अनुमति देता है और फिर आपके डेटासेट से कुछ उदाहरणों का उपयोग करके इन घटकों के लिए अनुकूलित प्रॉम्प्ट या कॉन्फ़िगरेशन खोजने के लिए एक कम्पाइलर जैसे दृष्टिकोण का उपयोग करता है।

पंचम। एक अनुशंसित पथ के लिए प्रभावी एपीआई एजेंट

रोबस्ट एपीआई-कॉलिंग एआई एजेंट विकसित करना एक पुनरावृत्त इंजीनियरिंग अनुशासन है। जॉर्जियन एआई लैब के शोध के आधार पर, परिणामों में काफी सुधार किया जा सकता है एक व्यवस्थित कार्यप्रवाह का उपयोग करके:

1. स्पष्ट एपीआई परिभाषाओं से शुरू करें: उन एपीआई के लिए अच्छी तरह से संरचित ओपनएपीआई विनिर्देशों के साथ शुरू करें जिसके साथ आपका एजेंट बातचीत करेगा।
2. टूल एक्सेस को मानकीकृत करें: अपने ओपनएपीआई विनिर्देशों को एमसीपी टूल में परिवर्तित करें। स्टेनलेस.एआई जैसे टूल इस प्रक्रिया को सुविधाजनक बना सकते हैं, आपके एपीआई को “एजेंट-तैयार” बनाने के लिए ओपनएपीआई विनिर्देशों को एमसीपी कॉन्फ़िगरेशन में परिवर्तित करके।
3. एजेंट को लागू करें: एक उपयुक्त फ्रेमवर्क या दृष्टिकोण चुनें। इसमें पाइडांटिक का उपयोग डेटा मॉडलिंग के लिए शामिल हो सकता है या एमसीपी के साथ काम करने के लिए डिज़ाइन किया गया लास्टमाइल के मcp_एजेंट जैसे फ्रेमवर्क का लाभ उठाना शामिल हो सकता है।
4. एक गुणवत्ता मूल्यांकन डेटासेट क्यूरेट करें: मैनुअल रूप से एक डेटासेट बनाएं या सत्यापित करें जो प्राकृतिक भाषा प्रश्नों और उनके संबंधित वांछित एपीआई इंटरैक्शन या परिणामों के प्रतिनिधि हों। यह विश्वसनीय परीक्षण और अनुकूलन के लिए महत्वपूर्ण है।
5. एजेंट प्रॉम्प्ट और तर्क को अनुकूलित करें: डीएसपीआई जैसे फ्रेमवर्क का उपयोग करके अपने एजेंट के प्रॉम्प्ट और आंतरिक तर्क को परिष्कृत करें, अपने डेटासेट का उपयोग करके सटीकता और विश्वसनीयता में सुधार करने के लिए।

षष्ठम। कार्यप्रवाह का एक उदाहरण

यहाँ एक सरलीकृत उदाहरण है जो एपीआई-कॉलिंग एजेंट बनाने के लिए अनुशंसित कार्यप्रवाह को दर्शाता है:

चरण १: स्पष्ट एपीआई परिभाषाओं से शुरू करें

एक टू-डू सूची प्रबंधन के लिए एक एपीआई की कल्पना करें जो ओपनएपीआई में परिभाषित है:
openapi: 3.0.0

info: