हार्नेस इंजीनियरिंग: यह क्या है और कैसे काम करती है

हार्नेस इंजीनियरिंग का क्या अर्थ है

हार्नेस इंजीनियरिंग किसी AI टूल का हार्नेस बनाने का काम है, यानी AI मॉडल को छोड़कर टूल का हर हिस्सा।

मॉडल वह AI सिस्टम है जिसे बड़ी मात्रा में टेक्स्ट पर प्रशिक्षित किया गया है, ताकि वह भाषा पढ़ और लिख सके। AI मॉडल के उदाहरणों में OpenAI का GPT, Anthropic का Claude या Google का Gemini शामिल हैं।

अपने दम पर कोई मॉडल केवल टेक्स्ट (और कभी-कभी इमेज या ऑडियो) ले सकता है और जवाब में टेक्स्ट लिख सकता है। वह पिछली बातचीत याद नहीं रख सकता, ताज़ा जानकारी नहीं खोज सकता और कोड नहीं चला सकता। इसलिए उसे एक हार्नेस की ज़रूरत होती है, जो यह संभालता है कि मॉडल को कौन-सी जानकारी मिले, वह कौन-से ऐप इस्तेमाल कर सके, उसे क्या करने की अनुमति हो और उसके काम की जाँच कैसे हो।

एक साधारण चैट असिस्टेंट को भी हार्नेस की ज़रूरत होती है। मॉडल जवाब देते ही हर बातचीत भूल जाता है, इसलिए हार्नेस बातचीत का रिकॉर्ड रखता है। अगर कोई पेरिस के बारे में पूछे और फिर आगे पूछे, "इसकी आबादी कितनी है?", तो हार्नेस दोनों सवाल एक साथ मॉडल को भेजता है। इसी तरह मॉडल समझ पाता है कि "इसकी" का मतलब पेरिस है।

हार्नेस इंजीनियरिंग उन कारणों में से एक है जिनकी वजह से एक ही मॉडल पर बने दो टूल इतना अलग-अलग प्रदर्शन कर सकते हैं। उदाहरण के लिए, एक स्वतंत्र परीक्षण में शोधकर्ताओं ने मॉडल (GPT5) को वही रखा और केवल हार्नेस बदला, और कोडिंग टेस्ट में मॉडल का स्कोर 11% तक बदल गया।

Anthropic और OpenAI जैसे AI मॉडल डेवलपर अपने AI प्रोडक्ट्स, जैसे Claude Code और Codex, के लिए हार्नेस बनाते हैं। वहीं AI प्रोडक्ट बनाने वाली कंपनियाँ अपने चुने हुए आधार मॉडल के लिए हार्नेस डिज़ाइन करती हैं। AI टूल इस्तेमाल करने वाले लोग भी हार्नेस के एक हिस्से को आकार देते हैं। कई टूल उन्हें स्थायी निर्देश जोड़ने, ऐप कनेक्ट करने और यह चुनने देते हैं कि टूल के आगे बढ़ने से पहले किन कार्रवाइयों के लिए उनकी मंज़ूरी ज़रूरी है।

AI एजेंट के लिए हार्नेस इंजीनियरिंग

हर AI टूल में एक हार्नेस होता है, लेकिन AI एजेंट के साथ काम करते समय हार्नेस इंजीनियरिंग खास तौर पर अहम हो जाती है। एजेंट कई चरणों वाले काम खुद संभालते हैं, जैसे प्रतिस्पर्धियों पर शोध करना और नतीजों को स्प्रेडशीट में डालना, और हर चरण हार्नेस ही चलाता है। इसलिए अगर हार्नेस कोई गलती करता है, जैसे पिछले साल की कीमतें उठा लेना, तो उसका असर बाकी चरणों पर भी पड़ेगा।

ज़्यादातर एजेंट हार्नेस के छह मुख्य हिस्से होते हैं:

1. एजेंट लूप

बड़ा करें

एजेंट लूप हार्नेस के भीतर का वह कोड है जो किसी काम को एक-एक चरण करके आगे बढ़ाता रहता है।

AI मॉडल तय करता है कि काम पूरा करने के लिए अगला चरण क्या होगा, और एक टूल कॉल लिखता है: एक छोटा अनुरोध, जिसमें हार्नेस के किसी टूल का नाम होता है, जैसे वेब सर्च, और यह बताया जाता है कि टूल को क्या करना है।

हार्नेस अनुरोध को पहचानता है, सर्च चलाता है और नतीजों को उस जानकारी में जोड़ देता है जो मॉडल देख सकता है। मॉडल उन्हें पढ़ता है और तय करता है कि आगे क्या करना है।

2. कॉन्टेक्स्ट प्रबंधन

मॉडल प्रशिक्षण के दौरान सामान्य ज्ञान सीखता है, लेकिन वह ज्ञान उसी तारीख पर रुक जाता है जब प्रशिक्षण खत्म हुआ था। इसमें मौजूदा काम से जुड़ी कोई खास जानकारी शामिल नहीं होती, जैसे किसी कंपनी की फ़ाइलें, आज की खबरें या बातचीत में पहले कही गई बातें।

इन सबके लिए मॉडल अपनी कॉन्टेक्स्ट विंडो पर निर्भर करता है: वह टेक्स्ट जो हार्नेस हर जवाब से पहले उसे देता है, जैसे उसके निर्देश, क्वेरी, अब तक की बातचीत और सर्च के नतीजे।

यह विंडो केवल एक तय मात्रा में टेक्स्ट रख सकती है। और विंडो भरने से पहले भी, मॉडल कभी-कभी लंबे इनपुट के बीच में दबी जानकारी पर ध्यान नहीं दे पाते।

इसलिए हार्नेस कॉन्टेक्स्ट प्रबंधन संभालता है और केवल वही जानकारी चुनता है जिसकी हर चरण को ज़रूरत होती है। उदाहरण के लिए, अगर काम पाँच प्रतिस्पर्धियों की कीमतों की तुलना करना है, तो हार्नेस हर कंपनी की पूरी वेबसाइट के बजाय सिर्फ़ उसका प्राइसिंग पेज शामिल कर सकता है। लंबे कामों में हार्नेस पिछले चरणों के विस्तृत रिकॉर्ड की जगह एक छोटा सारांश भी रख सकता है, ताकि मॉडल को याद रहे कि वह क्या कर चुका है और वह इतिहास विंडो को न भर दे।

3. टूल

टूल ऐसे कोड होते हैं जो मॉडल द्वारा माँगी गई कार्रवाइयाँ पूरी करते हैं। हर टूल एक तरह की कार्रवाई संभालता है, जैसे वेब पर सर्च करना, कोई वेब पेज खोलकर पढ़ना, कोड चलाना या कोई फ़ाइल एडिट करना। जब मॉडल टूल कॉल लिखता है, तो हार्नेस उसे सही टूल तक पहुँचाता है और नतीजा लौटाता है।

कई हार्नेस में कनेक्टर भी होते हैं, यानी ऐसे टूल जो किसी व्यक्ति द्वारा दी गई एक्सेस का इस्तेमाल करके एजेंट को किसी खास ऐप से जोड़ते हैं, जैसे ईमेल, कैलेंडर या शेयर्ड ड्राइव। उदाहरण के लिए, कैलेंडर कनेक्टर की मदद से एजेंट मीटिंग का समय सुझाने से पहले किसी की उपलब्धता देख सकता है।

4. मेमोरी

मेमोरी वह सहेजी गई जानकारी है जो एक सत्र से अगले सत्र तक बनी रहती है। हार्नेस सत्र के दौरान छोटे नोट्स सहेजता है, जैसे किसी व्यक्ति की पसंद या कोई प्रोजेक्ट कहाँ तक पहुँचा है। अगले सत्र की शुरुआत में हार्नेस उन नोट्स को कॉन्टेक्स्ट विंडो में जोड़ देता है, ताकि मॉडल नई क्वेरी पढ़ने से पहले उन्हें पढ़ ले। उदाहरण के लिए, इसी तरह एजेंट किसी साप्ताहिक रिपोर्ट को फिर से शुरू से बनाने के बजाय वहीं से आगे बढ़ा सकता है जहाँ उसने छोड़ा था।

5. अनुमतियाँ

अनुमतियाँ वे नियम हैं जो तय करते हैं कि एजेंट किन चीज़ों तक पहुँच सकता है और क्या कर सकता है। एक्सेस नियम तय करते हैं कि वह कौन-सी फ़ाइलें, ऐप या वेबसाइटें खोल सकता है। मंज़ूरी नियम तय करते हैं कि किन कार्रवाइयों के लिए किसी व्यक्ति की स्वीकृति का इंतज़ार करना होगा, जैसे मैसेज भेजना या खरीदारी करना।

एजेंट बनाने वाली कंपनी इनमें से कुछ नियम हार्नेस के कोड में तय करती है। फिर किसी संगठन के एडमिन अपने नियम जोड़ सकते हैं, और अलग-अलग यूज़र कुछ चीज़ें चुन सकते हैं, जैसे कौन-से अकाउंट कनेक्ट करने हैं।

6. सत्यापन

सत्यापन वह कोड है जो एजेंट के काम को किसी व्यक्ति तक पहुँचने से पहले जाँचता है। इसमें दो तरह की जाँचें इस्तेमाल होती हैं:

• तय नियम, यानी खास टेस्ट जो हर बार एक ही तरह से पास या फ़ेल होते हैं, जैसे यह पुष्टि करना कि रिपोर्ट का हर आँकड़ा किसी ऐसे दस्तावेज़ में मौजूद है जिसे एजेंट ने वाकई पढ़ा था।
• किसी दूसरे AI मॉडल द्वारा समीक्षा, जो काम को पढ़कर उसका आकलन करता है। यह उन समस्याओं को पकड़ सकता है जिन्हें किसी नियम में बदलना मुश्किल होता है, जैसे ऐसा सारांश जिसमें कोई अहम बात छूट गई हो।

कोई भी एक जाँच हर समस्या नहीं पकड़ पाती, इसलिए हार्नेस आमतौर पर दोनों तरह की जाँचों को मिलाकर इस्तेमाल करते हैं। जब किसी जाँच में कोई समस्या मिलती है, तो हार्नेस उसका विवरण मॉडल की कॉन्टेक्स्ट विंडो में जोड़ देता है और काम को फिर से एजेंट लूप में भेज देता है। मॉडल समस्या ठीक करके दोबारा कोशिश करता है, इसलिए कई गलतियाँ यूज़र के नतीजा देखने से पहले ही सुधर जाती हैं।

हार्नेस इंजीनियरिंग के उदाहरण

क्लाइंट मीटिंग की तैयारी

काम: एक अकाउंट मैनेजर एजेंट से कहता है कि वह कल एक क्लाइंट के साथ होने वाली मीटिंग के लिए ब्रीफ़िंग तैयार करे, जिसमें खुले मुद्दे और एजेंडा का एक ड्राफ़्ट शामिल हो।

हार्नेस क्या करता है:

• ईमेल कनेक्टर के ज़रिए एजेंट मैनेजर के इनबॉक्स में क्लाइंट से जुड़े मैसेज खोजता है।
• अनुमतियाँ उसे ईमेल पढ़ने देती हैं, लेकिन कोई ईमेल भेजने नहीं देतीं।
• कॉन्टेक्स्ट प्रबंधन मॉडल को पूरा इनबॉक्स नहीं, बल्कि उस क्लाइंट के साथ सिर्फ़ पिछले तीन महीनों के मैसेज देता है।
• एजेंट लूप खोजने और पढ़ने के कई दौर चलाता है, और मॉडल जो कुछ पाता है उसे खुले मुद्दों में बाँट देता है।
• इसके बाद सत्यापन जाँचता है कि ब्रीफ़िंग का हर मुद्दा किसी असली ईमेल से जुड़ा है।

संभावित नतीजा: मैनेजर को एक पेज की ब्रीफ़िंग मिलती है, जिसके हर बिंदु को उसके स्रोत ईमेल तक ट्रेस किया जा सकता है।

मासिक सेल्स रिपोर्ट अपडेट करना

काम: एक ऑपरेशंस लीड एजेंट से इस महीने के आँकड़ों के साथ मासिक सेल्स रिपोर्ट अपडेट करने को कहता है।

हार्नेस क्या करता है:

• मेमोरी पिछले महीने के सत्र के नोट्स लोड करती है, जिनमें रिपोर्ट का फ़ॉर्मैट और लीड का यह अनुरोध शामिल है कि आँकड़ों को निकटतम हज़ार तक राउंड किया जाए।
• एक फ़ाइल टूल टीम की शेयर्ड ड्राइव पर सेल्स स्प्रेडशीट खोलता है।
• अनुमतियाँ एजेंट को ड्राफ़्ट रिपोर्ट एडिट करने देती हैं, लेकिन स्रोत स्प्रेडशीट नहीं, ताकि मूल आँकड़े गलती से न बदल जाएँ।
• सत्यापन जाँचता है कि रिपोर्ट के कुल योग स्प्रेडशीट से मेल खाते हैं।

संभावित नतीजा: रिपोर्ट पिछले महीने वाले फ़ॉर्मैट में ही तैयार होकर आती है, और यूज़र को उसे दोबारा समझाना नहीं पड़ता।

शेयर्ड इनबॉक्स को व्यवस्थित करना

काम: एक सपोर्ट टीम एजेंट से कहती है कि वह सुबह आए अनुरोधों को विषय के हिसाब से छाँटे और आम अनुरोधों के जवाबों के ड्राफ़्ट तैयार करे।

हार्नेस क्या करता है:

• एजेंट लूप इनबॉक्स के मैसेज एक-एक करके निपटाता है।
• हर मैसेज के लिए मॉडल एक विषय लेबल चुनता है, और हार्नेस उसे ईमेल कनेक्टर के ज़रिए लगा देता है।
• काम की शुरुआत में हार्नेस टीम के स्वीकृत जवाब टेम्पलेट को गाइड के रूप में कॉन्टेक्स्ट विंडो में जोड़ देता है, ताकि मॉडल हर ड्राफ़्ट किसी टेम्पलेट के आधार पर तैयार करे।
• एक मंज़ूरी नियम हर जवाब को तब तक ड्राफ़्ट के रूप में रोके रखता है, जब तक टीम का कोई सदस्य उसकी समीक्षा करके उसे भेज न दे।

संभावित नतीजा: टीम दिन की शुरुआत छँटे हुए अनुरोधों और समीक्षा के लिए तैयार जवाबों के साथ करती है।

वेबसाइट में बग ठीक करना

काम: एक डेवलपर कोडिंग एजेंट से ऐसा बग ठीक करने को कहता है जिसकी वजह से चेकआउट बटन काम नहीं करता।

हार्नेस क्या करता है:

• एजेंट एक सैंडबॉक्स में काम करता है, यानी कोड की एक अलग कॉपी, जहाँ उसके बदलाव लाइव वेबसाइट पर असर नहीं डाल सकते।
• एक कोड टूल मॉडल को फ़ाइलें पढ़ने और एडिट करने देता है।
• हर बदलाव के बाद सत्यापन प्रोजेक्ट के ऑटोमेटेड टेस्ट चलाता है।
• कोई भी विफलता नई जानकारी के रूप में मॉडल के पास वापस जाती है।

संभावित नतीजा: एजेंट तब तक अपने सुधार में बदलाव करता रहता है जब तक टेस्ट पास न हो जाएँ। इसके बाद डेवलपर बदलाव के लाइव होने से पहले उसकी समीक्षा करता है।

हार्नेस इंजीनियरिंग बनाम प्रॉम्प्ट इंजीनियरिंग बनाम कॉन्टेक्स्ट इंजीनियरिंग

प्रॉम्प्ट इंजीनियरिंग किसी एक क्वेरी को बनाने और बेहतर करने का काम है। कॉन्टेक्स्ट इंजीनियरिंग उन सभी चीज़ों को प्रबंधित करने का काम है जो मॉडल देखता है। हार्नेस इंजीनियरिंग उस पूरे सिस्टम को डिज़ाइन करने और बेहतर बनाने की प्रक्रिया है जिसके भीतर मॉडल काम करता है।

यूज़र AI हार्नेस को कैसे प्रभावित कर सकते हैं

एजेंट हार्नेस का ज़्यादातर हिस्सा एजेंट बनाने वाली कंपनी से आता है, लेकिन कई AI प्रोडक्ट यूज़र्स को कस्टम निर्देश, कनेक्टेड ऐप और मंज़ूरियों जैसी सेटिंग्स के ज़रिए उसके कुछ हिस्से में बदलाव करने देते हैं।

यूज़र चार तरीकों से एजेंट हार्नेस को आकार दे सकते हैं और एजेंट के नतीजे बेहतर बना सकते हैं:

1. स्थायी निर्देश

स्थायी निर्देश वे नोट्स हैं जिन्हें कोई व्यक्ति एक बार लिखता है, ताकि हार्नेस उन्हें हर काम की शुरुआत में कॉन्टेक्स्ट विंडो में जोड़ सके। इन्हें उन सभी बातों के लिए सेट करना फ़ायदेमंद है जिन्हें वरना कोई व्यक्ति हर क्वेरी में बार-बार दोहराता: वे कौन हैं और क्या करते हैं, उन्हें किस तरह की लेखन शैली पसंद है, या किसी बार-बार होने वाले काम के नियम, जैसे किसी क्लाइंट की मासिक रिपोर्ट।

कई AI प्रोडक्ट दो स्तरों पर स्थायी निर्देश देने की सुविधा देते हैं। पूरे अकाउंट के लिए निर्देश उन बातों के लिए सही हैं जो हर काम पर लागू होती हैं, जैसे वर्तनी से जुड़ी प्राथमिकताएँ। प्रोजेक्ट निर्देश किसी एक क्लाइंट या वर्कफ़्लो के लिए सही हैं, ताकि एक के लिए दिए गए दिशानिर्देश दूसरे पर लागू न हों।

स्थायी निर्देश चैट असिस्टेंट और एजेंट में एक ही तरह काम करते हैं, लेकिन एजेंट उन पर ज़्यादा निर्भर होते हैं। चैट में व्यक्ति हर जवाब के बाद AI को सुधार सकता है। एजेंट किसी के उसका काम देखने से पहले कई चरण पूरे कर सकता है, इसलिए पहले से दिए गए निर्देश बीच रास्ते में उसे सही दिशा देने के गिने-चुने तरीकों में से एक हैं।

असरदार स्थायी निर्देश कैसे लिखें

• एक छोटे निर्देश से शुरुआत करें, जैसे: "मैं एक सॉफ़्टवेयर कंपनी में मार्केटिंग मैनेजर हूँ। सरल अंग्रेज़ी में लिखें, सारांश 200 शब्दों से कम रखें और अमेरिकी वर्तनी का इस्तेमाल करें।"
• जब AI कोई गलती करे, तो निर्देशों में कुछ और जोड़ें। अगर AI बार-बार उन आँकड़ों को राउंड कर देता है जो टीम को सटीक चाहिए, तो यही बताने वाली एक पंक्ति जोड़ दें।
• निर्देश विशिष्ट रखें: "सटीक आँकड़े दें, कभी राउंड न करें" लिखना "सही जानकारी दें" से बेहतर है।
• सूची छोटी रखें और जो पंक्तियाँ काम की न रहें उन्हें हटा दें, क्योंकि हर पंक्ति कॉन्टेक्स्ट विंडो में जगह लेती है।

2. कनेक्टेड ऐप

कनेक्टेड ऐप किसी AI प्रोडक्ट को उन टूल से जोड़ते हैं जिन्हें व्यक्ति पहले से इस्तेमाल करता है, जैसे ईमेल, कैलेंडर या शेयर्ड ड्राइव। ऐप कनेक्ट होने के बाद AI सिर्फ़ चैट में पेस्ट की गई सामग्री के बजाय व्यक्ति की अपनी जानकारी के साथ काम कर सकता है।

कनेक्शन तब सेट करना फ़ायदेमंद है जब कोई काम उन ऐप में मौजूद जानकारी पर निर्भर हो, जैसे ईमेल थ्रेड से मीटिंग ब्रीफ़िंग तैयार करना या शेयर्ड ड्राइव पर रखे दस्तावेज़ों का सारांश बनाना।

ऐप सुरक्षित तरीके से कैसे कनेक्ट करें

• सिर्फ़ वही ऐप कनेक्ट करें जिनकी काम को ज़रूरत है, क्योंकि हर कनेक्शन से गलतियों की एक और गुंजाइश बनती है।
• जहाँ उपलब्ध हो, सिर्फ़ पढ़ने की एक्सेस चुनें। उदाहरण के लिए, मीटिंग ब्रीफ़िंग तैयार करने वाले एजेंट को ईमेल पढ़ने की ज़रूरत होती है, भेजने की नहीं।
• जहाँ प्रोडक्ट अनुमति दे, वहाँ कनेक्शन प्रोजेक्ट के हिसाब से सेट करें। उदाहरण के लिए, Perplexity में लोग चुन सकते हैं कि हर प्रोजेक्ट कौन-से कनेक्टर इस्तेमाल करे।
• जो ऐप अब इस्तेमाल में नहीं हैं, उन्हें डिस्कनेक्ट करना याद रखें।

3. मंज़ूरी सेटिंग्स

मंज़ूरी सेटिंग्स तय करती हैं कि AI के आगे बढ़ने से पहले किन कार्रवाइयों के लिए किसी व्यक्ति की स्वीकृति का इंतज़ार करना होगा। कुछ मंज़ूरियाँ प्रोडक्ट में पहले से शामिल होती हैं, और कुछ प्रोडक्ट लोगों को यह चुनने देते हैं कि किन अन्य कार्रवाइयों के लिए मंज़ूरी चाहिए।

अनुमोदन नियम कैसे तय करें

• ऐसे कार्यों के लिए अनुमोदन अनिवार्य करें जिन्हें पूर्ववत नहीं किया जा सकता, जैसे कोई संदेश भेजना, कोई खरीदारी करना या कोई फ़ाइल हटाना।
• अनुमोदनों की सूची छोटी रखें। अगर कोई एजेंट हर छोटे कदम पर मंज़ूरी मांगता है, तो लोग बिना पढ़े ही मंज़ूरी देने लगते हैं।

4. मानक और जांच

ज़्यादातर AI प्रोडक्ट में कुछ मानक पहले से शामिल होते हैं। उदाहरण के लिए, Perplexity अपने जवाबों के साथ उद्धरण देता है, ताकि हर दावे की जांच की जा सके। उपयोगकर्ता द्वारा तय किए गए मानक वह जानकारी जोड़ते हैं जो कोई प्रोडक्ट खुद नहीं जान सकता, जैसे किसी टीम का पसंदीदा रिपोर्ट फ़ॉर्मैट।

AI के काम के लिए मानक कैसे तय करें

• बार-बार होने वाले काम के लिए एक टेम्पलेट दें, ताकि AI के पास भरने के लिए एक तय ढांचा हो।
• टीम को पसंद आए पिछले काम का एक उदाहरण साझा करें, ताकि AI उसके लहजे और विवरण के स्तर से मेल खा सके।
• हर आंकड़े के साथ स्रोत का लिंक मांगें।
• शुरुआती नतीजों की बारीकी से समीक्षा करें, और बार-बार दिखने वाली कमियों को एक नए स्थायी निर्देश में बदल दें।

एजेंट हार्नेस के प्रति Perplexity का दृष्टिकोण

Perplexity Computer एक मॉडल-एग्नॉस्टिक हार्नेस पर चलता है, जो 20+ उन्नत मॉडल को एक ही सिस्टम में लाता है। यह हर कार्य को उप-कार्यों में बांटता है, उन्हें सबएजेंट (अलग-अलग एजेंट, जिनमें से हर एक कोई एक हिस्सा संभालता है) को सौंपता है, और काम के हर हिस्से को उसके लिए उपयुक्त मॉडल तक भेजता है।

Perplexity प्रोजेक्ट्स की गाइड में जानें कि निर्देश, फ़ाइलें और कनेक्टर कैसे सेट अप करें।

अक्सर पूछे जाने वाले प्रश्न

हार्नेस इंजीनियर क्या होता है?

हार्नेस इंजीनियर उस सिस्टम को डिज़ाइन करता है और उसका रखरखाव करता है जिसकी मदद से कोई AI मॉडल भरोसेमंद ढंग से काम कर पाता है। इसमें एजेंट के इस्तेमाल के लिए कोई नया टूल जोड़ना, यह पता लगाना कि एजेंट बार-बार एक ही गलती क्यों कर रहा है, या कोई कार्य पूरा करने से पहले उसके द्वारा की जाने वाली जांचों को और सख्त बनाना शामिल हो सकता है। यह कोई मानक जॉब टाइटल नहीं है, हालांकि आगे चलकर यह बदल सकता है। यह काम आमतौर पर AI कंपनियों में या एजेंट बनाने वाली टीमों में काम करने वाले सॉफ़्टवेयर इंजीनियर करते हैं। मैन्युफ़ैक्चरिंग में, यही टाइटल उस व्यक्ति के लिए इस्तेमाल होता है जो वायर हार्नेस, यानी कारों और मशीनों के अंदर लगे केबल के बंडल, डिज़ाइन करता है।

एजेंट हार्नेस क्या है?

एजेंट हार्नेस का मतलब आमतौर पर किसी AI एजेंट में मॉडल को छोड़कर बाकी सब कुछ होता है। इसमें वह कोड शामिल है जो एजेंट लूप चलाता है, कॉन्टेक्स्ट प्रबंधित करता है, टूल कॉल करता है, मेमोरी स्टोर करता है, अनुमतियां लागू करता है, और एजेंट के काम को किसी व्यक्ति तक पहुंचने से पहले जांचता है।

क्या हर AI टूल में हार्नेस होता है?

हां। एक बुनियादी चैट असिस्टेंट भी बातचीत का हिसाब रखने के लिए हार्नेस पर निर्भर करता है, क्योंकि मॉडल पिछले संदेशों को खुद याद नहीं रखता।

डेवलपर अपने सॉफ़्टवेयर से API (एक ऐसा कनेक्शन जिससे एक प्रोग्राम दूसरे प्रोग्राम को अनुरोध भेज सकता है) के ज़रिए अनुरोध भेजकर भी किसी मॉडल का इस्तेमाल कर सकते हैं। उस स्थिति में, हार्नेस का काम डेवलपर का अपना कोड करता है।

क्या बेहतर मॉडल आने से हार्नेस की ज़रूरत खत्म हो जाएगी?

बेहतर मॉडल को शायद कदम-दर-कदम मार्गदर्शन की कम ज़रूरत पड़े, इसलिए आज हार्नेस जो काम करते हैं, उनमें से कुछ कम हो सकते हैं। लेकिन मॉडल अपने आप में सिर्फ़ टेक्स्ट को टेक्स्ट में बदलता है। उसके पास न इंटरनेट कनेक्शन होता है, न ही दूसरे ऐप्स तक पहुंच। फ़ाइलों तक पहुंचना, कार्रवाइयां करना और अनुमोदन नियम लागू करना, ये सभी काम मॉडल के आसपास के सॉफ़्टवेयर में होते हैं, इसलिए मॉडल चाहे कितने भी सक्षम हो जाएं, यह काम संभवतः हार्नेस के पास ही रहेगा।