हार्नेस इंजिनिअरिंग: ते काय आहे आणि कसे काम करते

हार्नेस इंजिनिअरिंग म्हणजे काय

हार्नेस इंजिनिअरिंग म्हणजे AI टूलचे हार्नेस, अर्थात AI मॉडेल वगळता टूलचा प्रत्येक भाग, तयार करण्याचे काम.

मॉडेल म्हणजे AI प्रणाली, जिला मोठ्या प्रमाणातील मजकुरावर प्रशिक्षित केलेले असते जेणेकरून ती भाषा वाचू आणि लिहू शकेल. AI मॉडेल्सच्या उदाहरणांमध्ये OpenAI चे GPT, Anthropic चे Claude किंवा Google चे Gemini यांचा समावेश होतो.

स्वतंत्रपणे पाहिले तर मॉडेल फक्त मजकूर (आणि कधीकधी प्रतिमा किंवा ऑडिओ) स्वीकारू शकते आणि उत्तरादाखल मजकूर लिहू शकते. ते मागील संभाषणे लक्षात ठेवू शकत नाही, सध्याची माहिती शोधू शकत नाही किंवा कोड रन करू शकत नाही. त्यामुळे त्याला अशा हार्नेसची आवश्यकता असते जे मॉडेलला कोणती माहिती मिळते, ते कोणती ॲप्स वापरू शकते, त्याला काय करण्याची परवानगी आहे आणि त्याचे काम कसे तपासले जाते हे व्यवस्थापित करते.

अगदी साध्या चॅट असिस्टंटलाही हार्नेसची गरज असते. मॉडेल उत्तर देताच प्रत्येक देवाणघेवाण विसरते, म्हणून हार्नेस संभाषणाची नोंद ठेवते. जर कोणी पॅरिसबद्दल विचारले आणि नंतर "त्याची लोकसंख्या किती आहे?" असा पुढचा प्रश्न विचारला, तर हार्नेस दोन्ही प्रश्न एकत्र मॉडेलकडे पाठवते. त्यामुळेच मॉडेलला कळते की "त्याची" म्हणजे पॅरिसची.

एकाच मॉडेलवर तयार केलेली दोन टूल्स इतकी वेगवेगळी कामगिरी का करू शकतात, याचे एक कारण म्हणजे हार्नेस इंजिनिअरिंग. उदाहरणार्थ, एका स्वतंत्र चाचणीत संशोधकांनी मॉडेल (GPT5) तेच ठेवले आणि फक्त हार्नेस बदलले, तेव्हा कोडिंग चाचणीतील मॉडेलच्या गुणांमध्ये 11% पर्यंत बदल झाला.

Anthropic आणि OpenAI सारखे AI मॉडेल डेव्हलपर्स Claude Code आणि Codex सारख्या त्यांच्या स्वतःच्या AI उत्पादनांसाठी हार्नेस तयार करतात. आणि AI उत्पादने तयार करणाऱ्या कंपन्या त्यांनी निवडलेल्या आधारभूत मॉडेल्ससाठी हार्नेस डिझाइन करतात. AI टूल्स वापरणारे लोकही हार्नेसचा काही भाग घडवतात. अनेक टूल्स त्यांना कायमस्वरूपी सूचना जोडू देतात, ॲप्स कनेक्ट करू देतात आणि टूल पुढे जाण्यापूर्वी कोणत्या कृतींसाठी त्यांची मंजुरी आवश्यक आहे हे निवडू देतात.

AI एजंट्ससाठी हार्नेस इंजिनिअरिंग

प्रत्येक AI टूलमध्ये हार्नेस असते, पण AI एजंट्ससोबत काम करताना हार्नेस इंजिनिअरिंग विशेषतः महत्त्वाचे ठरते. एजंट्स बहु-टप्प्यांची कामे स्वतःहून हाताळतात, जसे की स्पर्धकांबद्दल संशोधन करणे आणि निष्कर्ष स्प्रेडशीटमध्ये भरणे, आणि प्रत्येक टप्पा हार्नेस चालवते. त्यामुळे हार्नेसकडून एखादी चूक झाली, जसे की मागील वर्षाच्या किमती घेणे, तर त्याचा परिणाम उर्वरित टप्प्यांवरही होतो.

बहुतेक एजंट हार्नेसचे सहा मुख्य भाग असतात:

1. एजंट लूप

विस्तृत करा

एजंट लूप हा हार्नेसमधील असा कोड आहे जो एका वेळी एक टप्पा याप्रमाणे काम पुढे नेत राहतो.

काम पूर्ण करण्यासाठी आवश्यक असलेला पुढचा टप्पा AI मॉडेल ठरवते आणि टूल कॉल लिहिते: ही एक छोटी विनंती असते, ज्यात हार्नेसमधील एखाद्या टूलचे नाव (जसे की वेब सर्च) आणि त्या टूलने काय करावे हे नमूद असते.

हार्नेस ती विनंती ओळखते, शोध चालवते आणि मॉडेलला दिसणाऱ्या माहितीत परिणाम जोडते. मॉडेल ते परिणाम वाचते आणि पुढे काय करायचे ते ठरवते.

2. कॉन्टेक्स्ट व्यवस्थापन

मॉडेल प्रशिक्षणादरम्यान सामान्य ज्ञान शिकते, पण ते ज्ञान प्रशिक्षण संपले त्या तारखेपर्यंतच मर्यादित असते. त्यात हातातील कामाशी संबंधित विशिष्ट काहीही नसते, जसे की कंपनीच्या फाइल्स, आजच्या बातम्या किंवा संभाषणात आधी काय बोलले गेले.

या सगळ्यासाठी मॉडेल त्याच्या कॉन्टेक्स्ट विंडोवर अवलंबून असते: म्हणजे प्रत्येक प्रतिसादापूर्वी हार्नेस त्याला देत असलेला मजकूर, जसे की त्याच्या सूचना, क्वेरी, आतापर्यंतचे संभाषण आणि शोध परिणाम.

विंडोमध्ये फक्त ठरावीक प्रमाणातच मजकूर मावतो. आणि विंडो भरण्यापूर्वीसुद्धा मॉडेल्सकडून कधीकधी लांब इनपुटच्या मधोमध दडलेली माहिती सुटते.

म्हणून हार्नेस कॉन्टेक्स्ट व्यवस्थापन हाताळते आणि प्रत्येक टप्प्याला आवश्यक असलेली माहितीच निवडते. उदाहरणार्थ, पाच स्पर्धकांच्या किमतींची तुलना करण्याचे काम असेल, तर हार्नेस प्रत्येक कंपनीची संपूर्ण वेबसाइट न देता फक्त तिचे प्राइसिंग पेज समाविष्ट करू शकते. दीर्घ कामांमध्ये हार्नेस आधीच्या टप्प्यांची तपशीलवार नोंद एका छोट्या सारांशाने बदलू शकते, जेणेकरून तो इतिहास विंडो भरून न टाकता मॉडेलला आतापर्यंत काय केले आहे याचा मागोवा ठेवता येतो.

3. टूल्स

टूल्स म्हणजे मॉडेलने मागितलेल्या कृती पार पाडणारा कोड. प्रत्येक टूल एका प्रकारची कृती हाताळते, जसे की वेबवर शोधणे, वेब पेज उघडून वाचणे, कोड रन करणे किंवा फाइल संपादित करणे. मॉडेल टूल कॉल लिहिते तेव्हा हार्नेस तो योग्य टूलकडे पाठवते आणि परिणाम परत करते.

अनेक हार्नेसमध्ये कनेक्टर्सदेखील असतात. ही अशी टूल्स आहेत जी एखाद्या व्यक्तीने दिलेल्या ॲक्सेसचा वापर करून एजंटला ईमेल, कॅलेंडर किंवा शेअर्ड ड्राइव्हसारख्या विशिष्ट ॲपशी जोडतात. उदाहरणार्थ, कॅलेंडर कनेक्टरच्या मदतीने एजंट मीटिंगची वेळ सुचवण्यापूर्वी एखाद्याची उपलब्धता तपासू शकतो.

4. मेमरी

मेमरी म्हणजे एका सत्रातून पुढच्या सत्रात पुढे नेली जाणारी साठवलेली माहिती. सत्रादरम्यान हार्नेस छोट्या नोंदी जतन करते, जसे की एखाद्या व्यक्तीच्या आवडीनिवडी किंवा प्रोजेक्ट कोणत्या टप्प्यावर आहे. पुढच्या सत्राच्या सुरुवातीला हार्नेस त्या नोंदी कॉन्टेक्स्ट विंडोमध्ये जोडते, त्यामुळे मॉडेल नवीन क्वेरी वाचण्यापूर्वी त्या वाचते. उदाहरणार्थ, यामुळेच एजंट साप्ताहिक अहवालाचे काम पुन्हा सुरुवातीपासून सुरू करण्याऐवजी जिथे थांबला होता तिथून पुढे सुरू करू शकतो.

5. परवानग्या

परवानग्या म्हणजे एजंट कशापर्यंत पोहोचू शकतो आणि काय करू शकतो याबद्दलचे नियम. ॲक्सेस नियम ठरवतात की तो कोणत्या फाइल्स, ॲप्स किंवा वेबसाइट्स उघडू शकतो. मंजुरी नियम ठरवतात की कोणत्या कृतींसाठी एखाद्या व्यक्तीच्या संमतीची वाट पाहावी लागते, जसे की संदेश पाठवणे किंवा खरेदी करणे.

एजंट तयार करणारी कंपनी यांपैकी काही नियम हार्नेसच्या कोडमध्ये सेट करते. त्यानंतर संस्थेचे ॲडमिन्स स्वतःचे नियम जोडू शकतात आणि वैयक्तिक वापरकर्ते कोणती खाती कनेक्ट करायची यांसारख्या गोष्टी निवडू शकतात.

6. पडताळणी

पडताळणी म्हणजे एजंटचे काम एखाद्या व्यक्तीपर्यंत पोहोचण्यापूर्वी ते तपासणारा कोड. यात दोन प्रकारच्या तपासण्या वापरल्या जातात:

• निश्चित नियम, म्हणजे अशा विशिष्ट चाचण्या ज्या प्रत्येक वेळी एकाच प्रकारे पास किंवा फेल होतात, जसे की अहवालातील प्रत्येक आकडा एजंटने प्रत्यक्षात वाचलेल्या दस्तऐवजात आहे याची खात्री करणे.
• दुसऱ्या AI मॉडेलद्वारे केलेले पुनरावलोकन, जे काम वाचते आणि त्याचे मूल्यमापन करते. ज्या समस्यांचे नियमात रूपांतर करणे कठीण असते त्या यामुळे पकडल्या जाऊ शकतात, जसे की एखादा महत्त्वाचा मुद्दा वगळणारा सारांश.

कोणतीही एक तपासणी सर्व काही पकडत नाही, म्हणून हार्नेसमध्ये सहसा दोन्ही प्रकार एकत्र वापरले जातात. एखाद्या तपासणीत समस्या आढळली की हार्नेस तिचे वर्णन मॉडेलच्या कॉन्टेक्स्ट विंडोमध्ये जोडते आणि काम पुन्हा एजंट लूपमधून पाठवते. मॉडेल समस्या दुरुस्त करते आणि पुन्हा प्रयत्न करते, त्यामुळे वापरकर्त्याला परिणाम दिसण्यापूर्वीच अनेक चुका दुरुस्त होतात.

हार्नेस इंजिनिअरिंगची उदाहरणे

क्लायंट मीटिंगची तयारी

काम: एक अकाउंट मॅनेजर एजंटला क्लायंटसोबतच्या उद्याच्या मीटिंगसाठी प्रलंबित समस्या आणि अजेंड्याचा मसुदा असलेली ब्रीफिंग तयार करायला सांगतो.

हार्नेस काय करते:

• ईमेल कनेक्टरद्वारे एजंट मॅनेजरच्या इनबॉक्समध्ये क्लायंटसोबतचे संदेश शोधतो.
• परवानग्यांमुळे तो ईमेल वाचू शकतो, पण एकही ईमेल पाठवू शकत नाही.
• कॉन्टेक्स्ट व्यवस्थापन मॉडेलला संपूर्ण इनबॉक्स न देता फक्त त्या क्लायंटसोबतचे मागील तीन महिन्यांचे संदेश देते.
• एजंट लूप शोधण्याच्या आणि वाचण्याच्या अनेक फेऱ्या चालवतो आणि मॉडेल त्याला आढळलेल्या माहितीचे प्रलंबित समस्यांनुसार गट करते.
• त्यानंतर ब्रीफिंगमधील प्रत्येक समस्या एखाद्या खऱ्या ईमेलशी जोडलेली आहे की नाही हे पडताळणी तपासते.

संभाव्य परिणाम: मॅनेजरला एका पानाची ब्रीफिंग मिळते, जिच्यातील प्रत्येक मुद्द्याचा त्याच्या स्रोत ईमेलपर्यंत माग काढता येतो.

मासिक विक्री अहवाल अपडेट करणे

काम: एक ऑपरेशन्स लीड एजंटला या महिन्याच्या आकड्यांसह मासिक विक्री अहवाल अपडेट करायला सांगतो.

हार्नेस काय करते:

• मेमरी मागील महिन्याच्या सत्रातील नोंदी लोड करते, ज्यात अहवालाचे स्वरूप आणि आकडे जवळच्या हजारापर्यंत पूर्णांकित करण्याची लीडची विनंती यांचा समावेश आहे.
• फाइल टूल टीमच्या शेअर्ड ड्राइव्हवरील विक्री स्प्रेडशीट उघडते.
• परवानग्यांमुळे एजंट अहवालाचा मसुदा संपादित करू शकतो, पण स्रोत स्प्रेडशीट नाही, त्यामुळे मूळ आकडे चुकून बदलले जाऊ शकत नाहीत.
• अहवालातील एकूण आकडे स्प्रेडशीटशी जुळतात की नाही हे पडताळणी तपासते.

संभाव्य परिणाम: वापरकर्त्याला पुन्हा समजावून सांगावे न लागता अहवाल मागील महिन्याच्याच स्वरूपात तयार होऊन येतो.

शेअर्ड इनबॉक्सचे वर्गीकरण

काम: एक सपोर्ट टीम एजंटला सकाळी आलेल्या विनंत्यांचे विषयानुसार वर्गीकरण करायला आणि नेहमीच्या विनंत्यांसाठी उत्तरांचे मसुदे तयार करायला सांगते.

हार्नेस काय करते:

• एजंट लूप एका वेळी एक संदेश याप्रमाणे संपूर्ण इनबॉक्स हाताळतो.
• प्रत्येक संदेशासाठी मॉडेल विषयाचे लेबल निवडते आणि हार्नेस ते ईमेल कनेक्टरद्वारे लागू करते.
• कामाच्या सुरुवातीला हार्नेस टीमने मंजूर केलेले उत्तरांचे टेम्पलेट्स मार्गदर्शक म्हणून कॉन्टेक्स्ट विंडोमध्ये जोडते, त्यामुळे मॉडेल प्रत्येक मसुदा एखाद्या टेम्पलेटवर आधारित तयार करते.
• टीममधील कोणीतरी पुनरावलोकन करून पाठवेपर्यंत मंजुरी नियम प्रत्येक उत्तर मसुदा म्हणूनच ठेवतो.

संभाव्य परिणाम: टीम दिवसाची सुरुवात वर्गीकरण झालेल्या विनंत्या आणि पुनरावलोकनासाठी तयार उत्तरांसह करते.

वेबसाइटमधील बग दुरुस्त करणे

काम: एक डेव्हलपर कोडिंग एजंटला ज्यामुळे चेकआउट बटण काम करत नाही असा बग दुरुस्त करायला सांगतो.

हार्नेस काय करते:

• एजंट सँडबॉक्समध्ये काम करतो, म्हणजे कोडची एक वेगळी प्रत, जिथे त्याच्या बदलांचा लाइव्ह वेबसाइटवर परिणाम होऊ शकत नाही.
• कोड टूलमुळे मॉडेल फाइल्स वाचू आणि संपादित करू शकते.
• प्रत्येक बदलानंतर पडताळणी प्रोजेक्टच्या स्वयंचलित चाचण्या चालवते.
• अयशस्वी झालेली कोणतीही चाचणी नवीन माहिती म्हणून मॉडेलकडे परत पाठवली जाते.

संभाव्य परिणाम: चाचण्या पास होईपर्यंत एजंट आपल्या दुरुस्तीत बदल करत राहतो. त्यानंतर बदल लाइव्ह होण्यापूर्वी डेव्हलपर त्याचे पुनरावलोकन करतो.

हार्नेस इंजिनिअरिंग विरुद्ध प्रॉम्प्ट इंजिनिअरिंग विरुद्ध कॉन्टेक्स्ट इंजिनिअरिंग

प्रॉम्प्ट इंजिनिअरिंग म्हणजे एकच क्वेरी तयार करण्याचे आणि ती ऑप्टिमाइझ करण्याचे काम. कॉन्टेक्स्ट इंजिनिअरिंग म्हणजे मॉडेलला दिसणारी प्रत्येक गोष्ट व्यवस्थापित करण्याचे काम. हार्नेस इंजिनिअरिंग म्हणजे मॉडेल ज्या संपूर्ण प्रणालीच्या आत काम करते ती डिझाइन करण्याची आणि सुधारण्याची प्रक्रिया.

वापरकर्ते AI हार्नेसवर कसा प्रभाव टाकू शकतात

एजंट हार्नेसचा बहुतांश भाग एजंट तयार करणाऱ्या कंपनीकडून येतो, पण अनेक AI उत्पादने वापरकर्त्यांना कस्टम सूचना, कनेक्ट केलेली ॲप्स आणि मंजुरी यांसारख्या सेटिंग्जद्वारे त्याचा काही भाग समायोजित करू देतात.

वापरकर्ते चार प्रकारे एजंट हार्नेस घडवू शकतात आणि एजंटचे परिणाम सुधारू शकतात:

1. कायमस्वरूपी सूचना

कायमस्वरूपी सूचना म्हणजे एखादी व्यक्ती एकदाच लिहिते अशा नोंदी, ज्या हार्नेस प्रत्येक कामाच्या सुरुवातीला कॉन्टेक्स्ट विंडोमध्ये जोडू शकते. एखादी व्यक्ती अन्यथा प्रत्येक क्वेरीमध्ये ज्या गोष्टी पुन्हा पुन्हा सांगेल, त्यांच्यासाठी त्या सेट करणे फायदेशीर ठरते: ती व्यक्ती कोण आहे आणि काय करते, तिला काम कसे लिहिलेले आवडते, किंवा एखाद्या क्लायंटच्या मासिक अहवालासारख्या नियमित कामाचे नियम.

अनेक AI उत्पादने कायमस्वरूपी सूचना दोन स्तरांवर देतात. अकाउंट-व्यापी सूचना सर्व कामांना लागू होणाऱ्या गोष्टींसाठी योग्य असतात, जसे की स्पेलिंगविषयक प्राधान्ये. प्रोजेक्ट सूचना एकाच क्लायंटसाठी किंवा वर्कफ्लोसाठी योग्य असतात, त्यामुळे एकासाठीचे मार्गदर्शन दुसऱ्यात मिसळत नाही.

कायमस्वरूपी सूचना चॅट असिस्टंट्स आणि एजंट्समध्ये सारख्याच प्रकारे काम करतात, पण एजंट्स त्यांच्यावर अधिक अवलंबून असतात. चॅटमध्ये एखादी व्यक्ती प्रत्येक उत्तरानंतर AI ला दुरुस्त करू शकते. एजंटचे काम कोणी पाहण्यापूर्वी तो अनेक टप्पे पार करू शकतो, त्यामुळे सुरुवातीलाच दिलेल्या सूचना हा त्याला वाटेत दिशा देण्याच्या मोजक्या मार्गांपैकी एक आहे.

प्रभावी कायमस्वरूपी सूचना कशा लिहायच्या

• एका छोट्या सूचनेने सुरुवात करा, जसे की: "मी एका सॉफ्टवेअर कंपनीत मार्केटिंग मॅनेजर आहे. सोप्या इंग्रजीत लिहा, सारांश 200 शब्दांपेक्षा कमी ठेवा आणि अमेरिकन स्पेलिंग वापरा."
• AI चूक करेल तेव्हा त्यात भर घाला. टीमला अचूक आकडे हवे असताना AI ते सतत पूर्णांकित करत असेल, तर तसे सांगणारी एक ओळ जोडा.
• सूचना विशिष्ट ठेवा: "नेमके आकडे द्या, कधीही पूर्णांकित करू नका" ही सूचना "अचूक राहा" पेक्षा अधिक प्रभावी ठरते.
• यादी छोटी ठेवा आणि ओळी उपयुक्त राहिल्या नाहीत की त्या काढून टाका, कारण प्रत्येक ओळ कॉन्टेक्स्ट विंडोमध्ये जागा व्यापते.

2. कनेक्ट केलेली ॲप्स

कनेक्ट केलेली ॲप्स AI उत्पादनाला एखादी व्यक्ती आधीपासून वापरत असलेल्या ईमेल, कॅलेंडर किंवा शेअर्ड ड्राइव्हसारख्या टूल्सशी जोडतात. एखादे ॲप कनेक्ट झाले की AI फक्त चॅटमध्ये पेस्ट केलेल्या मजकुरावरच नव्हे, तर त्या व्यक्तीच्या स्वतःच्या माहितीवर काम करू शकते.

एखादे काम त्या ॲप्समधील माहितीवर अवलंबून असते तेव्हा कनेक्शन्स सेट करणे फायदेशीर ठरते, जसे की ईमेल थ्रेड्समधून मीटिंग ब्रीफिंग तयार करणे किंवा शेअर्ड ड्राइव्हवरील दस्तऐवजांचा सारांश तयार करणे.

ॲप्स सुरक्षितपणे कसे कनेक्ट करायचे

• कामासाठी आवश्यक असलेलीच ॲप्स कनेक्ट करा, कारण प्रत्येक कनेक्शनमुळे चुकांची आणखी एक शक्यता निर्माण होते.
• जिथे उपलब्ध असेल तिथे रीड-ओन्ली ॲक्सेस निवडा. उदाहरणार्थ, मीटिंग ब्रीफिंग तयार करणाऱ्या एजंटला ईमेल वाचणे आवश्यक असते, पाठवणे नाही.
• उत्पादनात शक्य असेल तिथे प्रोजेक्टनुसार कनेक्शन्स सेट करा. उदाहरणार्थ, Perplexity मध्ये लोक प्रत्येक प्रोजेक्ट कोणते कनेक्टर्स वापरतो हे निवडू शकतात.
• आता वापरात नसलेली ॲप्स डिस्कनेक्ट करायला विसरू नका.

3. मंजुरी सेटिंग्ज

AI पुढे जाण्यापूर्वी कोणत्या कृतींसाठी एखाद्या व्यक्तीच्या संमतीची वाट पाहावी लागेल, हे मंजुरी सेटिंग्ज ठरवतात. काही मंजुरी उत्पादनातच अंगभूत असतात, आणि काही उत्पादने लोकांना इतर कोणत्या कृतींसाठी मंजुरी आवश्यक आहे हे निवडू देतात.

मंजुरीचे नियम कसे ठरवायचे

• संदेश पाठवणे, खरेदी करणे किंवा फाइल हटवणे यांसारख्या पूर्ववत न करता येणाऱ्या कृतींसाठी मंजुरी अनिवार्य करा.
• मंजुरींची यादी छोटी ठेवा. जर एजंटने प्रत्येक लहान पायरीसाठी मंजुरी मागितली, तर लोक न वाचताच मंजुरी देऊ लागतात.

4. मानके आणि तपासण्या

बहुतेक AI उत्पादनांमध्ये काही मानके आधीपासूनच अंतर्भूत असतात. उदाहरणार्थ, Perplexity आपल्या उत्तरांसोबत उद्धरणे देते, जेणेकरून प्रत्येक दाव्याची पडताळणी करता येईल. वापरकर्त्यांनी ठरवलेली मानके उत्पादनाला स्वतःहून कळू न शकणाऱ्या गोष्टींची भर घालतात, जसे की टीमला पसंत असलेले अहवालाचे स्वरूप.

AI च्या कामासाठी मानके कशी ठरवायची

• वारंवार करायच्या कामासाठी टेम्पलेट द्या, जेणेकरून AI ला भरण्यासाठी एक निश्चित रचना मिळेल.
• टीमला आवडलेल्या पूर्वीच्या कामाचे उदाहरण शेअर करा, जेणेकरून AI त्याची शैली आणि तपशिलाची पातळी साधू शकेल.
• प्रत्येक आकडेवारीशेजारी स्रोताची लिंक देण्यास सांगा.
• सुरुवातीचे परिणाम बारकाईने तपासा आणि वारंवार आढळणाऱ्या उणिवांचे रूपांतर नव्या कायमस्वरूपी सूचनेत करा.

Perplexity एजंट हार्नेसकडे कसे पाहते

Perplexity Computer मॉडेल-निरपेक्ष हार्नेसवर चालते, जो 20+ प्रगत मॉडेल्स एकाच प्रणालीत आणतो. ते प्रत्येक कार्याचे उप-कार्यांमध्ये विभाजन करते, ती सबएजंट्सकडे (स्वतंत्र एजंट, ज्यांपैकी प्रत्येक एक भाग हाताळतो) सोपवते आणि कामाचा प्रत्येक भाग त्यासाठी अनुरूप असलेल्या मॉडेलकडे पाठवते.

सूचना, फाइल्स आणि कनेक्टर्स कसे सेट करायचे हे Perplexity प्रोजेक्ट्सच्या मार्गदर्शकात जाणून घ्या.

वारंवार विचारले जाणारे प्रश्न

हार्नेस इंजिनिअर म्हणजे कोण?

हार्नेस इंजिनिअर AI मॉडेलला विश्वासार्हपणे काम करता यावे यासाठीची प्रणाली डिझाइन करतो आणि तिची देखभाल करतो. यात एजंटला वापरण्यासाठी नवीन टूल जोडणे, एजंट तीच चूक वारंवार का करतो याचा शोध घेणे किंवा कार्य पूर्ण करण्यापूर्वी तो करत असलेल्या तपासण्या अधिक काटेकोर करणे यांचा समावेश असू शकतो. हे रूढ पदनाम नाही, मात्र यात बदल होऊ शकतो. हे काम सहसा AI कंपन्यांमधील किंवा एजंट्स तयार करणाऱ्या टीम्समधील सॉफ्टवेअर इंजिनिअर्स करतात. उत्पादन क्षेत्रात हेच पदनाम वायर हार्नेस, म्हणजेच गाड्या आणि यंत्रांमधील एकत्र बांधलेल्या केबल्सचे संच, डिझाइन करणाऱ्या व्यक्तीसाठी वापरले जाते.

एजंट हार्नेस म्हणजे काय?

एजंट हार्नेस म्हणजे सहसा AI एजंटमधील मॉडेल वगळता इतर सर्व काही. यात एजंट लूप चालवणारा, संदर्भ व्यवस्थापित करणारा, टूल कॉल्स पार पाडणारा, मेमरी साठवणारा, परवानग्या लागू करणारा आणि एजंटचे काम एखाद्या व्यक्तीपर्यंत पोहोचण्यापूर्वी ते तपासणारा कोड समाविष्ट असतो.

प्रत्येक AI टूलमध्ये हार्नेस असतो का?

हो. अगदी साधा चॅट असिस्टंटदेखील संभाषणाचा मागोवा ठेवण्यासाठी हार्नेसवर अवलंबून असतो, कारण मॉडेलला आधीचे संदेश स्वतःहून आठवत नाहीत.

डेव्हलपर्स त्यांच्या स्वतःच्या सॉफ्टवेअरमधून API द्वारे (एका प्रोग्रामला दुसऱ्या प्रोग्रामकडे विनंत्या पाठवू देणारी जोडणी) मॉडेलला विनंत्या पाठवूनही ते वापरू शकतात. अशा वेळी डेव्हलपरचा स्वतःचा कोडच हार्नेसचे काम करतो.

अधिक चांगल्या मॉडेल्समुळे हार्नेसची गरज संपेल का?

अधिक चांगल्या मॉडेल्सना टप्प्याटप्प्याने मार्गदर्शनाची कमी गरज भासू शकते, त्यामुळे हार्नेस आज करत असलेली काही कामे कमी होऊ शकतात. पण मॉडेल स्वतःहून फक्त मजकुराचे मजकुरात रूपांतर करते. त्याला इंटरनेट कनेक्शन नसते आणि इतर ॲप्सचा ॲक्सेसही नसतो. फाइल्सपर्यंत पोहोचणे, कृती पार पाडणे आणि मंजुरीचे नियम लागू करणे हे सर्व मॉडेलभोवतीच्या सॉफ्टवेअरमध्ये घडते, त्यामुळे मॉडेल्स कितीही सक्षम झाली तरी हे काम हार्नेसकडेच राहण्याची शक्यता आहे.