ओपनएजेंट्स: वाइल्ड में लैंग्वेज एजेंट्स के लिए एक ओपन प्लेटफ़ॉर्म

हाल की प्रगति से पता चलता है कि बड़े भाषा मॉडल (LLM) पर आधारित भाषा एजेंट प्राकृतिक भाषा के जरिए विभिन्न परिवेशों में जटिल कार्य कर सकते हैं। लेकिन अधिकांश फ्रेमवर्क अभी अवधारणा के प्रमाण वाले एजेंट बनाने पर केंद्रित हैं। अनुप्रयोग के स्तर पर डिजाइन और गैर-विशेषज्ञ उपयोगकर्ताओं की पहुंच पर पर्याप्त ध्यान नहीं दिया जाता।

OpenAgents वास्तविक परिस्थितियों और रोजमर्रा के कार्यों में भाषा एजेंटों को होस्ट करने तथा तैनात करने का खुला प्लेटफॉर्म है। इसके तीन मुख्य एजेंट हैं:

• डेटा एजेंट: डेटा टूल, SQL जैसी क्वेरी भाषा और Python जैसी प्रोग्रामिंग भाषा से विश्लेषण में मदद करता है।
• प्लगइन एजेंट: दैनिक कामों के लिए 200 से अधिक API टूल उपलब्ध कराता है।
• वेब एजेंट: मूल लेख के अनुसार, पहचान गुप्त रखते हुए वेब ब्राउजिंग में मदद करता है।

सामान्य विफलताओं और तेज जवाबों को ध्यान में रखकर बना वेब इंटरफेस आम लोगों को एजेंटों का उपयोग करने देता है। शोधकर्ता और डेवलपर इसे स्थानीय सेटअप पर आसानी से तैनात कर सकते हैं। उद्देश्य वास्तविक दुनिया में मूल्यांकन और नए, प्रभावी भाषा एजेंटों के विकास का मजबूत आधार देना है। इस लेख में संरचना, कार्यप्रणाली, चुनौतियों और परिणामों की चर्चा की गई है।

OpenAgents और भाषा एजेंट: परिचय

भाषा एजेंट बुद्धिमान एजेंटों की अवधारणा से निकले हैं, जो स्वतंत्र रूप से समस्या हल करते हैं, परिवेश को समझते हैं और निर्णय लेकर कार्रवाई करते हैं। डेवलपर इस विचार को LLM से जोड़कर प्राकृतिक भाषा प्रोग्रामिंग के जरिए विविध कार्य करने वाले एजेंट बना रहे हैं।

Gravitas और Chase जैसे फ्रेमवर्क मुख्यतः डेवलपर-केंद्रित कंसोल और अवधारणा के प्रमाण वाले कार्यान्वयन देते हैं। खासकर कोडिंग न जानने वाले लोगों के लिए पहुंच सीमित है। मौजूदा बेंचमार्क भी ब्राउजिंग, कोडिंग, टूल उपयोग या इनके संयोजन का डेवलपर द्वारा तय आवश्यकताओं के अनुसार नियतात्मक मूल्यांकन करते हैं।

OpenAI और Microsoft (MSFT ) ने व्यापक उपयोग के लिए Advanced Data Analysis, जिसे पहले Code Interpreter कहा जाता था, और ब्राउजर प्लगइन जैसे सुव्यवस्थित उत्पाद दिए। हालांकि मूल लेख के समय उनका व्यावसायिक तर्क और मॉडल कार्यान्वयन खुला स्रोत नहीं था। इससे शोधकर्ताओं और डेवलपरों के अध्ययन तथा उपयोगकर्ताओं की मुफ्त पहुंच में बाधा आई।

OpenAgents इसके जवाब में डेटा विश्लेषण, 200 से अधिक API टूल और वेब ब्राउजिंग वाले तीन एजेंटों का खुला स्रोत प्लेटफॉर्म देता है। अलग-अलग उपयोगकर्ताओं के लिए इसकी भूमिका नीचे दिखाई गई है।

• आम उपयोगकर्ता डेवलपर पैकेज या कंसोल के बजाय ऑनलाइन वेब इंटरफेस से तीनों एजेंटों का उपयोग कर सकते हैं।
• डेवलपर उपलब्ध व्यावसायिक तर्क और शोध कोड से बैकएंड तथा फ्रंटएंड तैनात करके आगे विकास कर सकते हैं।
• शोधकर्ता साझा घटकों और उदाहरणों से नए एजेंट या विधियां बना सकते हैं और वेब UI से मूल्यांकन कर सकते हैं।

यह मूलतः मानव भागीदारी वाले भाषा एजेंट मूल्यांकन का समग्र, व्यावहारिक प्लेटफॉर्म है। उपयोगकर्ता-एजेंट संवाद और प्रतिक्रिया को सहेजकर उसका विश्लेषण आगे के विकास और मूल्यांकन के लिए किया जाता है।

LLM प्रॉम्प्टिंग में ऐसे निर्देश बनाए जाते हैं जो गलत या दुर्भावनापूर्ण इनपुट से सुरक्षा दें, आउटपुट की प्रस्तुति सुधारें और बैकएंड की जरूरतें पूरी करें। डेवलपरों ने आवश्यकताएं स्पष्ट करने का महत्व पहचाना, लेकिन जमा होते निर्देश संदर्भ संभालने की क्षमता और टोकन सीमा पर बोझ डाल सकते हैं। वास्तविक उपयोग में अच्छे प्रदर्शन के साथ विविध संवादों का तत्काल जवाब देना भी जरूरी है। मौजूदा एजेंट फ्रेमवर्क अक्सर जवाब की गति और सटीकता जैसे वास्तविक समय के पहलुओं को नजरअंदाज करते हैं।

नीचे एजेंट अवधारणा, प्रोटोटाइप और बेंचमार्क पर पुराने कार्यों की OpenAgents से तुलना है।

प्लेटफॉर्म डिजाइन और कार्यान्वयन

संरचना के दो मुख्य भाग हैं: बैकएंड और फ्रंटएंड वाला उपयोगकर्ता इंटरफेस; तथा टूल, भाषा मॉडल और परिवेश वाला भाषा एजेंट। उपयोगकर्ता का इनपुट मिलने पर एजेंट उपलब्ध टूलों से योजना बनाता है और परिवेश में जरूरी कार्रवाई करता है।

उपयोगकर्ता इंटरफेस

डेवलपरों ने होस्ट किए जाने वाले एजेंटों और दोबारा इस्तेमाल योग्य व्यावसायिक तर्क को व्यवस्थित करके कार्यक्षम तथा सरल UI बनाया। यह त्रुटि प्रबंधन, बैकएंड सर्वर संचालन और डेटा स्ट्रीमिंग जैसी तकनीकी जरूरतें संभालता है। लक्ष्य उपयोग में आसानी और प्रभावशीलता का संयोजन है।

भाषा एजेंट

इसके मुख्य घटक टूल इंटरफेस, भाषा मॉडल और परिवेश हैं। प्रॉम्प्ट अवलोकन→विचार-विमर्श→कार्रवाई का क्रम तय करता है। LLM मशीन द्वारा आसानी से पार्स होने वाला पाठ बनाता है। इंटरफेस के पार्सर उसे API कॉल या कोड निर्माण जैसी निष्पादन योग्य कार्रवाई में बदलते हैं, जिसे संबंधित परिवेश की सीमाओं में चलाया जाता है।

OpenAgents के एजेंट

तीनों एजेंटों की अपनी विशेषज्ञता है, जैसे ChatGPT प्लगइन की होती है। लेकिन OpenAgents का कार्यान्वयन खुले भाषा मॉडल API पर आधारित है।

डेटा एजेंट

यह रोजमर्रा के डेटा कार्यों के लिए SQL और Python में कोड निर्माण तथा निष्पादन का समर्थन करता है। Data Profiling बुनियादी जानकारी देता है, Kaggle Data Search डेटासेट खोजता है और ECharts Tool इंटरैक्टिव चार्ट बनाता है। एजेंट को अनुरोधों का प्रभावी जवाब देने के लिए टूल सक्रिय रूप से इस्तेमाल करने का निर्देश मिलता है।

कोडिंग की बड़ी जरूरत को देखते हुए भाषा मॉडल टूलों में समाहित हैं। एजेंट के बजाय Python, ECharts और SQL टूल कोड बनाते हैं। इससे मॉडल की प्रोग्रामिंग क्षमता का उपयोग होता है और एजेंट पर बोझ कम रहता है। यह केवल पाठ और कोड बनाने से आगे बढ़कर डेटा का दृश्यांकन, परिवर्तन और क्वेरी संभाल सकता है।

प्लगइन एजेंट

इंटरनेट खोज, ऑनलाइन खरीदारी, समाचार पढ़ने तथा वेबसाइट और ऐप बनाने के लिए 200 से अधिक प्लगइन उपलब्ध हैं। फंक्शन कॉल इंटरफेस, API संचार और जवाब की लंबाई पर खास ध्यान दिया गया है। उदाहरण हैं Google Search, Wolfram Alpha, Zapier, Klarna, Coursera, Show Me, Speak, AskYourPDF, BizTok और Klook।

उपयोगकर्ता अपनी जरूरत के अनुसार प्लगइन की संख्या चुन सकते हैं।

सही प्लगइन का पता न होने पर निर्देशों से सबसे संबंधित प्लगइन अपने आप चुनने की सुविधा भी है।

वेब एजेंट

यह चैट एजेंट की दक्षता और क्षमता बढ़ाने वाला विशेष टूल है। मुख्य संवाद इंटरफेस चैट एजेंट के पास रहता है और जरूरत पड़ने पर वेब एजेंट जोड़ा जाता है। अंतिम जवाब वेब एजेंट उपयोगकर्ता को देता है।

चैट एजेंट महत्वपूर्ण पैरामीटर संभालता है और URL को व्यवस्थित ढंग से तैयार करके वेब एजेंट को भेजता है। इससे अनुरोध और परिणाम का मेल बेहतर होता है। कई चरणों वाली गतिशील वेब नेविगेशन को संवाद से जोड़कर बहुस्तरीय और बदलते प्रश्न संभाले जाते हैं। चैट तथा ब्राउजिंग की जिम्मेदारी अलग रखने से प्रत्येक मॉड्यूल स्वतंत्र रूप से सुधारा जा सकता है।

व्यावहारिक उपयोग और वास्तविक दुनिया में तैनाती

सिद्धांत से वास्तविक उपयोग तक पहुंचने में कई चुनौतियां और मूल्यांकन संबंधी जटिलताएं सामने आईं।

प्रॉम्प्ट से LLM को वास्तविक अनुप्रयोग में बदलना

कुछ निर्देश बैकएंड द्वारा संसाधित होने वाला आउटपुट प्रारूप तय करते हैं, कुछ प्रस्तुति सुधारते हैं और अन्य संभावित दुर्भावनापूर्ण हमलों से सुरक्षा देते हैं। अंतिम उपयोगकर्ता के अनुप्रयोग में इन आवश्यकताओं को स्पष्ट करना जरूरी है।

नियंत्रण से बाहर के वास्तविक कारक

इंटरनेट ढांचा, उपयोगकर्ता और व्यावसायिक तर्क जैसे कारकों ने पुराने शोध पर आधारित धारणाओं का दोबारा मूल्यांकन और समायोजन जरूरी बनाया। इनके कारण उपयोगकर्ता तैयार जवाब से असंतुष्ट हो सकते हैं।

मूल्यांकन की जटिलता

अनुप्रयोग-केंद्रित एजेंट उपयोग का दायरा और व्यावहारिक मूल्यांकन बेहतर कर सकते हैं, लेकिन ऐप बनाना तथा प्रदर्शन विश्लेषण कठिन भी होता है। अस्थिरता और LLM प्रणाली की प्रसंस्करण श्रृंखला बढ़ती है, जिससे अलग घटकों के अनुरूप ढलना मुश्किल होता है। प्रक्रिया सरल और परिणाम प्रभावी रखने के लिए डिजाइन तथा संचालन तर्क को सुधारना जरूरी है।

अंतिम विचार

OpenAgents डेटा विश्लेषण, 200 से अधिक API टूल और वेब ब्राउजिंग वाले तीन एजेंट आम उपयोगकर्ताओं के वेब इंटरफेस में देता है। सामान्य विफलताओं और तेज जवाबों को ध्यान में रखते हुए शोधकर्ता और डेवलपर इसे स्थानीय रूप से तैनात कर सकते हैं। पारदर्शी, समग्र और तैनाती योग्य प्लेटफॉर्म का लक्ष्य सीमित तकनीकी ज्ञान वाले लोगों तक भी LLM की क्षमता पहुंचाना है।