2026 में आधुनिक AI सिस्टम के पीछे के सात बुनियादी घटक

केवल बातें करने वाला चैटबॉट बनाना आसान है। लेकिन वास्तव में सुरक्षित रूप से और हर रोज़ काम पूरा करने वाले एक AI सिस्टम को एक साथ मिलकर काम करने वाले हिस्सों के पूरे सेट की आवश्यकता होती है।

आज 22 अक्टूबर, 2026 है, और यह बात अभी इसलिए महत्वपूर्ण है क्योंकि अधिकांश कंपनियाँ "आइए एक चैटबॉट आज़माकर देखें" वाले चरण से आगे निकल चुकी हैं। वे अब ऐसा AI चाहती हैं जो उनके अपने दस्तावेज़ों से उत्तर दे, उनके अपने टूल्स में वास्तविक कार्रवाई करे, और उन्हें शर्मिंदा न करे। इस महीने काफी देखा जा रहा एक लोकप्रिय इन्फोग्राफिक यह बताता है कि यह सात बिल्डिंग ब्लॉक्स में कैसे काम करता है, जिनमें से प्रत्येक की तुलना एक फैक्ट्री के किसी हिस्से से की गई है। यह पोस्ट सरल भाषा में इन सातों के बारे में विस्तार से बताती है और दिखाती है कि वे एक साथ कैसे काम करते हैं।

व्यापक परिदृश्य: एक फैक्ट्री के बारे में सोचें

एक छोटी फैक्ट्री की कल्पना करें जो अनुरोधों को तैयार काम में बदलती है।

• यहाँ एक मशीन है जो वास्तव में निर्माण का काम करती है।
• यहाँ एक कच्चे माल का कमरा है जहाँ मशीन शुरू होने से पहले सही सामग्री लाई जाती है।
• यहाँ एक स्टोरेज वेयरहाउस है जहाँ सभी सामग्रियां रखी जाती हैं, जिन्हें इस तरह व्यवस्थित किया जाता है कि उन्हें ढूंढना आसान हो।
• यहाँ एक फ्लोर मैनेजर है जो तय करता है कि आगे क्या होगा और किन टूल्स का उपयोग करना है।
• यहाँ एक मानक पावर आउटलेट है ताकि किसी भी टूल को बिना कस्टम वायरिंग के प्लग इन किया जा सके।
• यहाँ एक सुरक्षा प्रणाली है जो खतरनाक कार्रवाइयों को रोकती है।
• यहाँ एक गुणवत्ता जाँच है जो अंत में यह परीक्षण करती है कि आउटपुट सही है या नहीं।

इनमें से प्रत्येक एक आधुनिक AI सिस्टम के एक बिल्डिंग ब्लॉक से मेल खाता है। आइए एक-एक करके इन्हें समझते हैं।

1. LLM: मशीन

एक LLM, या लार्ज लैंग्वेज मॉडल, वह हिस्सा है जिसके बारे में अधिकांश लोग पहले से जानते हैं। यह ChatGPT, Claude और Gemini जैसे टूल्स के पीछे का मॉडल है। इसे बड़ी मात्रा में टेक्स्ट पर प्रशिक्षित किया गया है, इसलिए यह लिख सकता है, सारांश बना सकता है, समझा सकता है, अनुवाद कर सकता है और चरण-दर-चरण किसी समस्या का विश्लेषण कर सकता है।

फैक्ट्री के उदाहरण में, LLM मशीन है। यह शक्तिशाली है, लेकिन अपने दम पर इसकी दो बड़ी सीमाएँ हैं:

• यह केवल वही जानता है जो इसने प्रशिक्षण के दौरान सीखा है। यह आपकी कंपनी की अवकाश नीति (leave policy), कल के बिक्री के आंकड़े या आज सुबह किसी ग्राहक द्वारा दर्ज किए गए टिकट को नहीं जानता है।
• गलत होते हुए भी यह आत्मविश्वास से भरा लग सकता है। जब इसके पास तथ्यों की कमी होती है, तो यह उस कमी को ऐसी बात से भर सकता है जो सही लगती हो। इसे अक्सर हैल्यूसिनेशन (hallucination) कहा जाता है।

यही कारण है कि LLM केवल पहला ब्लॉक है, पूरा सिस्टम नहीं।

वास्तविक दुनिया का उदाहरण: Klarna। फरवरी 2024 में भुगतान कंपनी Klarna ने घोषणा की कि OpenAI के मॉडल्स पर निर्मित उसके ग्राहक-सेवा सहायक ने अपने पहले महीने में 2.3 मिलियन बातचीतों को संभाला, जो उसकी ग्राहक-सेवा चैट का लगभग दो-तिहाई था। Klarna ने कहा कि ग्राहकों ने अपनी समस्याओं का समाधान ग्यारह मिनट के बजाय दो मिनट से भी कम समय में कर लिया। ये कंपनी के अपने शुरुआती आंकड़े हैं, कोई स्वतंत्र ऑडिट नहीं, और Klarna ने बाद में इस बात पर जोर दिया कि ग्राहक हमेशा किसी मानव प्रतिनिधि तक पहुँच सकते हैं। फिर भी, यह दर्शाता है कि एक सही तरीके से तैनात LLM नियमित लेखन और समझाने का कितना काम संभाल सकता है।

2. RAG: कच्चे माल का कमरा

RAG का अर्थ है रिट्रीवल-ऑगमेंटेड जेनरेशन (retrieval-augmented generation)। इसका विचार सरल है: मॉडल द्वारा उत्तर देने से पहले, सिस्टम सबसे पहले प्रासंगिक जानकारी खोजता है और उसे प्रश्न के साथ मॉडल को सौंप देता है।

इसलिए मॉडल से "हमारी रिफंड नीति क्या है?" पूछने और उसके अनुमान लगाने की उम्मीद करने के बजाय, सिस्टम:

1. रिफंड नीति के लिए आपके दस्तावेज़ों को खोजता है,
2. सबसे प्रासंगिक पैराग्राफ को अनुरोध में पेस्ट करता है,
3. मॉडल से उन पैराग्राफों का उपयोग करके उत्तर देने के लिए कहता है।

फैक्ट्री में, यह कच्चे माल का कमरा है। मशीन तब कहीं बेहतर काम करती है जब उसे पहले सही सामग्री दी जाए। RAG ही मुख्य कारण है कि कोई AI सहायक आपके अपने व्यवसाय के बारे में सही उत्तर दे पाता है, और यह यह दिखाना भी संभव बनाता है कि कोई उत्तर किस दस्तावेज़ से आया है।

वास्तविक दुनिया का उदाहरण: Morgan Stanley। सितंबर 2023 में Morgan Stanley ने अपने वित्तीय सलाहकारों के लिए OpenAI के GPT-4 पर आधारित एक आंतरिक सहायक पेश किया। मॉडल के सामान्य ज्ञान पर निर्भर रहने के बजाय, यह फर्म की लगभग 1,00,000 शोध रिपोर्टों और दस्तावेज़ों की अपनी लाइब्रेरी से उत्तर देता है। व्यवहार में यही RAG है: पहले सही आंतरिक दस्तावेज़ ढूँढ़ें, फिर मॉडल को उनसे उत्तर लिखने दें।

3. वेक्टर डेटाबेस: स्टोरेज वेयरहाउस

RAG को खोजने के लिए किसी जगह की आवश्यकता होती है। यही वेक्टर डेटाबेस का काम है।

यहाँ मुख्य विचार यह है। पाठ के प्रत्येक अंश को, जैसे कि किसी मैनुअल के पैराग्राफ को, संख्याओं की एक लंबी सूची में बदल दिया जाता है जिसे एम्बेडिंग (या वेक्टर) कहा जाता है। समान अर्थ वाले पाठ अंततः समान संख्याओं वाले बन जाते हैं। जब कोई प्रश्न आता है, तो उसे भी संख्याओं में बदल दिया जाता है, और डेटाबेस उन संग्रहीत अंशों को ढूँढता है जिनकी संख्याएँ सबसे निकट होती हैं।

यही कारण है कि इन्फोग्राफिक कहता है कि यह "कीवर्ड्स से नहीं, अर्थ के आधार पर जानकारी निकालता है"। "क्या मुझे अपने पैसे वापस मिल सकते हैं?" जैसा प्रश्न "रिफंड और रिटर्न" शीर्षक वाले पैराग्राफ को ढूंढ सकता है, भले ही कोई भी शब्द मेल न खाता हो।

फैक्ट्री में, वेक्टर डेटाबेस स्टोरेज वेयरहाउस है: सब कुछ ऐसे क्रम में संग्रहीत किया जाता है जिससे सही वस्तु को जल्दी से ढूँढना आसान हो जाता है। 2026 में लोकप्रिय विकल्पों में समर्पित वेक्टर डेटाबेस और PostgreSQL जैसे सामान्य डेटाबेस के लिए वेक्टर ऐड-ऑन शामिल हैं।

वास्तविक दुनिया का उदाहरण: Spotify। Spotify संगीत सिफारिशों के लिए लंबे समय से इस "निकटतम पड़ोसियों को खोजने" (find the nearest neighbours) के विचार का उपयोग करता रहा है। 2023 में इसने Voyager नाम से एक लाइब्रेरी को ओपन-सोर्स किया, जो सबसे निकटतम मिलान खोजने के लिए वैक्टर के बड़े संग्रह में खोज करती है, और Spotify का कहना है कि उसके उत्पादों के भीतर प्रतिदिन सैकड़ों मिलियन बार इससे जानकारी मांगी जाती है। वही विचार जो "इस जैसे लगने वाले गानों" को ढूंढता है, वह "इस प्रश्न के समान अर्थ वाले पैराग्राफों" को भी ढूंढता है।

4. AI एजेंट: फ्लोर मैनेजर

एक एजेंट वह है जो केवल बातें करने वाले AI को काम करने वाले AI में बदल देता है।

एक एजेंट LLM के चारों ओर बना एक लूप है। यह लक्ष्य को देखता है, अगले कदम का फैसला करता है, किसी टूल का उपयोग करता है, परिणाम की जांच करता है, और काम पूरा होने तक इसे दोहराता रहता है। उदाहरण के लिए, "मेरी दोपहर 3 बजे की मीटिंग को रीशेड्यूल करें और उपस्थित लोगों को सूचित करें" निर्देश मिलने पर, एक एजेंट यह कर सकता है:

1. कैलेंडर देखना,
2. खाली स्लॉट ढूंढना,
3. मीटिंग का समय बदलना,
4. प्रत्येक प्रतिभागी को एक संक्षिप्त ईमेल भेजना,
5. उसने जो किया उसकी रिपोर्ट देना।

फैक्ट्री में, एजेंट फ्लोर मैनेजर होता है। यह हर काम अपने हाथों से नहीं करता; यह तय करता है कि आगे क्या होगा और सही टूल को काम सौंपता है। यह शक्तिशाली है, और यहीं जोखिम भी बढ़ जाते हैं, क्योंकि एक एजेंट अब वास्तविक चीज़ों में बदलाव कर सकता है।

वास्तविक दुनिया का उदाहरण: GitHub Copilot कोडिंग एजेंट। मई 2025 में GitHub ने एक कोडिंग एजेंट को पब्लिक प्रिव्यू में जारी किया। एक डेवलपर Copilot को एक समस्या (issue) सौंपता है, और एजेंट अपना स्वयं का कार्य वातावरण स्थापित करता है, कोड में परिवर्तन करता है, और उन्हें एक ड्राफ्ट पुल रिक्वेस्ट (pull request) पर पुश करता है जिसकी लोग किसी भी चीज़ को मर्ज करने से पहले समीक्षा करते हैं। यह योजना बनाता है, टूल्स का उपयोग करता है और रिपोर्ट वापस देता है, जो कि फ्लोर-मैनेजर पैटर्न है, जिसमें अंतिम परिणाम को अभी भी एक इंसान द्वारा अनुमोदित किया जाता है।

5. MCP: पावर आउटलेट मानक

MCP का अर्थ है मॉडल कॉन्टेक्स्ट प्रोटोकॉल (Model Context Protocol)। यह 2024 के अंत में पहली बार प्रकाशित एक खुला मानक है, जो AI अनुप्रयोगों को टूल्स और डेटा से जोड़ता है: फाइलें, डेटाबेस, कैलेंडर, टिकट सिस्टम, कोड रिपॉजिटरी इत्यादि।

इस तरह के मानकों से पहले, प्रत्येक AI टूल को प्रत्येक ऐप से अपने स्वयं के कस्टम कनेक्शन की आवश्यकता होती थी। दस AI टूल्स और दस ऐप्स का मतलब सौ अलग-अलग एकीकरण (integrations) हो सकते थे। MCP के साथ, एक ऐप को एक बार "MCP सर्वर" के रूप में लपेटा जाता है, और MCP का समर्थन करने वाला कोई भी AI एप्लिकेशन उसमें प्लग इन हो सकता है।

यही कारण है कि इन्फोग्राफिक इसे पावर आउटलेट मानक कहता है: एक प्लग आकार, कई उपकरण। हर बार जब आप कोई नया उपकरण खरीदते हैं तो आप इमारत की वायरिंग दोबारा नहीं करते।

वास्तविक दुनिया का उदाहरण: Anthropic और OpenAI। Anthropic ने 25 नवंबर, 2024 को Google Drive, Slack, GitHub, Git और Postgres के लिए रेडी-मेड कनेक्टर्स के साथ MCP की घोषणा की। 26 मार्च, 2025 को OpenAI ने अपने Agents SDK में MCP समर्थन जोड़ा और कहा कि ChatGPT का डेस्कटॉप ऐप भी इसका अनुसरण करेगा। जब दो प्रतिस्पर्धी AI कंपनियाँ एक ही प्लग का समर्थन करती हैं, तो टूल निर्माता एक कनेक्टर बना सकते हैं और वह दोनों में काम कर सकता है।

6. गार्डरेल्स: सुरक्षा प्रणाली

गार्डरेल्स वे नियम और जाँच हैं जो यह तय करते हैं कि AI क्या कर सकता है और क्या नहीं। वे मॉडल और एजेंट के चारों ओर स्थित होते हैं, उनके अंदर नहीं।

सामान्य गार्डरेल्स में शामिल हैं:

• इनपुट चेक्स जो हानिकारक अनुरोधों या मॉडल को उसके निर्देशों की अनदेखी करने के लिए छलने के प्रयासों (जिन्हें अक्सर प्रॉम्प्ट इंजेक्शन कहा जाता है) को रोकते हैं।
• आउटपुट चेक्स जो लीक हुए व्यक्तिगत डेटा, असुरक्षित सामग्री या अनुमत विषय से बाहर के उत्तरों को पकड़ते हैं।
• कार्रवाई सीमाएं जो किसी एजेंट को पहले किसी इंसान द्वारा अनुमोदित किए बिना अपने दम पर उच्च जोखिम वाले काम करने से रोकती हैं, जैसे डेटा हटाना, पैसे भेजना या ग्राहकों को ईमेल करना।
• एक्सेस कंट्रोल, ताकि AI केवल उसी डेटा तक पहुंच सके जिसे देखने की अनुमति पूछने वाले व्यक्ति को है।

फैक्ट्री में, यह सुरक्षा प्रणाली है। मशीनों को तेजी से चलने की अनुमति इसलिए दी जाती है क्योंकि सुरक्षा गार्ड मौजूद होते हैं।

वास्तविक दुनिया के उदाहरण: Air Canada और DPD। 2024 की शुरुआत के दो सार्वजनिक मामले दिखाते हैं कि जब सुरक्षा गार्ड नहीं होते हैं तो क्या होता है।

• Air Canada: इसके वेबसाइट चैटबॉट ने एक यात्री से कहा कि वह यात्रा के बाद शोक छूट (bereavement discount) का दावा कर सकता है, जो एयरलाइन की अपनी नीति के खिलाफ था। फरवरी 2024 में ब्रिटिश कोलंबिया के एक न्यायाधिकरण ने फैसला सुनाया कि एयरलाइन अपने चैटबॉट द्वारा कही गई बातों के लिए ज़िम्मेदार है और उसे यात्री को मुआवजा देने का आदेश दिया, साथ ही इस तर्क को खारिज कर दिया कि चैटबॉट अपने कार्यों के लिए ज़िम्मेदार एक अलग इकाई था।
• DPD: जनवरी 2024 में यूके की पार्सल कंपनी के एक ग्राहक ने उसके चैटबॉट से अपशब्द कहलवाए और कंपनी की आलोचना करने वाली एक कविता लिखवाई। DPD ने कहा कि यह समस्या सिस्टम अपडेट के बाद हुई थी और जब तक इसे ठीक नहीं किया गया, तब तक चैट के AI हिस्से को बंद कर दिया गया।

किसी भी मामले में अधिक स्मार्ट मॉडल की आवश्यकता नहीं थी। दोनों को इस बात पर बेहतर जाँच की आवश्यकता थी कि सिस्टम को क्या कहने की अनुमति है।

7. Evals: गुणवत्ता जाँच

Evals, जो इवैल्यूएशन (evaluations) का संक्षिप्त रूप है, AI आउटपुट के परीक्षण हैं। सामान्य सॉफ़्टवेयर परीक्षण यह जाँचते हैं कि क्या वही इनपुट वही आउटपुट देता है। AI कम पूर्वानुमेय होता है, इसलिए evals यह जाँचते हैं कि क्या कई नमूना प्रश्नों में उत्तर सही, सुरक्षित और उपयोगी हैं।

एक विशिष्ट eval सेट में ज्ञात सही उत्तरों के साथ कुछ सौ वास्तविक प्रश्न हो सकते हैं। हर बार जब आप मॉडल, प्रॉम्प्ट या दस्तावेज़ बदलते हैं, तो आप सेट को फिर से चलाते हैं और तुलना करते हैं। टीमें आमतौर पर निम्नलिखित मापती हैं:

• गुणवत्ता: क्या उत्तर सही है और क्या यह दिए गए स्रोतों का उपयोग करता है?
• सुरक्षा: क्या इसने उसे अस्वीकार कर दिया जिसे इसे अस्वीकार करना चाहिए था?
• लागत: प्रत्येक उत्तर तैयार करने में कितनी लागत आई?
• लेटेंसी: उपयोगकर्ता को कितनी देर प्रतीक्षा करनी पड़ी?
• सफलता: एजेंटों के लिए, क्या कार्य वास्तव में पूरा हुआ?

फैक्ट्री में, यह लाइन के अंत में होने वाली गुणवत्ता जाँच है। इसके बिना, आपको किसी चीज़ के खराब होने का पता तभी चलता है जब कोई ग्राहक शिकायत करता है।

वास्तविक दुनिया का उदाहरण: फिर से Morgan Stanley। Morgan Stanley के सलाहकार सहायक के सार्वजनिक विवरण मॉडल जितना ही उसके परीक्षण पर भी जोर देते हैं: फर्म ने अपने दस्तावेज़ों को तैयार करने में महीनों बिताए और मानव विशेषज्ञों से सहायक के उत्तरों की जाँच करवाई, और OpenAI का प्रकाशित केस स्टडी मूल्यांकन ढांचे (evaluation framework) को परियोजना के केंद्र के रूप में वर्णित करता है। उस केस स्टडी में रिपोर्ट किया गया परिणाम यह है कि 98 प्रतिशत से अधिक सलाहकार टीमें इस सहायक का उपयोग करती हैं। सावधानीपूर्वक किए गए evals ही मुख्य कारण हैं कि लोगों ने हर दिन इसका उपयोग करने के लिए इस पर इतना भरोसा किया।

एक अनुरोध पर ये सातों मिलकर कैसे काम करते हैं

यहाँ Acme नामक एक काल्पनिक कंपनी के लिए सातों घटकों से गुजरने वाला एक अनुरोध प्रस्तुत है:

चरण 1: प्रश्न प्राप्त होता है

एक कर्मचारी पूछता है: "मेरे पास कितने दिन की छुट्टी बची है, और क्या आप शुक्रवार की छुट्टी बुक कर सकते हैं?" गार्डरेल्स पहले यह जाँचते हैं कि अनुरोध की अनुमति है और व्यक्ति साइन इन है।

चरण 2: एजेंट योजना बनाता है

एजेंट तय करता है कि उसे दो चीजों की आवश्यकता है: अवकाश नीति और कर्मचारी का अवकाश शेष (leave balance), और फिर एक बुकिंग।

चरण 3: रिट्रीवल (खोज)

RAG अवकाश नीति के लिए वेक्टर डेटाबेस में खोज करता है और प्रासंगिक पैराग्राफ LLM को भेजता है।

चरण 4: MCP के माध्यम से टूल्स

एजेंट बैलेंस पढ़ने और अवकाश अनुरोध तैयार करने के लिए अपने MCP सर्वर के माध्यम से HR सिस्टम को कॉल करता है।

चरण 5: कार्रवाई से पहले सुरक्षा

अनुरोध सबमिट होने से पहले एक गार्डरेल कर्मचारी से पुष्टि करने के लिए कहता है।

चरण 6: उत्तर

LLM नीति का हवाला देते हुए और बुकिंग की पुष्टि करते हुए एक संक्षिप्त, स्पष्ट उत्तर लिखता है।

चरण 7: इसे मापना

बातचीत को लॉग किया जाता है, और टीम के evals नियमित रूप से इस तरह के प्रश्नों का परीक्षण करते हैं ताकि यह सुनिश्चित हो सके कि नीतियों में बदलाव के साथ उत्तर सही बने रहें।

निष्कर्ष

सारा ध्यान LLM पर ही जाता है, लेकिन यह मशीन रूम का केवल एक हिस्सा है। वास्तविक परिणाम पूरे सेट से मिलते हैं: सोचने और लिखने के लिए LLM, सही तथ्य लाने के लिए RAG और एक vector database, कार्रवाई करने के लिए एक agent, टूल्स को मानक तरीके से जोड़ने के लिए MCP, इसे सुरक्षित रखने के लिए guardrails, और यह साबित करने के लिए evals कि यह काम करता है। यदि आप किसी AI प्रोजेक्ट की योजना बना रहे हैं, तो जांचें कि इन सातों में से आपके पास कौन-से पहले से हैं, और किन्हें लेकर आप चुपचाप उम्मीद कर रहे हैं कि आपको उनकी ज़रूरत नहीं पड़ेगी।

लाभ

• उत्तर मॉडल की मेमोरी के बजाय आपके अपने, मौजूदा दस्तावेज़ों से आते हैं।
• Agents और MCP, AI को केवल सुझाव देने के बजाय वास्तविक कार्यों को पूरा करने में सक्षम बनाते हैं।
• MCP जैसा एक साझा मानक कस्टम इंटीग्रेशन की संख्या को कम करता है।
• Guardrails, AI को सुरक्षित रूप से अधिक ज़िम्मेदारी सौंपना संभव बनाते हैं।
• Evals "यह ठीक लग रहा है" को ऐसे अंकों में बदल देते हैं जिन्हें आप समय के साथ ट्रैक कर सकते हैं।

कमियां

• सात भागों का मतलब है बनाने, होस्ट करने और मेंटेन करने के लिए अधिक मूविंग पार्ट्स।
• Retrieval केवल उतना ही अच्छा होता है जितने उसके पीछे के दस्तावेज़; पुरानी फ़ाइलें पुराने उत्तर देती हैं।
• कार्रवाई करने में सक्षम agents सीमाएं ढीली होने पर महंगी गलतियां भी कर सकते हैं।
• Guardrails बहुत अधिक सख्त हो सकते हैं और वैध अनुरोधों को ब्लॉक कर सकते हैं।
• अच्छे eval सेट्स को तैयार करने और अपडेट रखने में वास्तविक मेहनत लगती है।

सावधानी

यह लेख शैक्षिक है और तेज़ी से बदलते हुए एक क्षेत्र को सरल बनाता है। कंपनी का नाम Acme और वॉक-थ्रू वर्कफ़्लो केवल प्लेसहोल्डर हैं, कोई वास्तविक सिस्टम नहीं। उल्लिखित उदाहरण (Klarna, Morgan Stanley, Spotify, GitHub, Anthropic, OpenAI, Air Canada और DPD) उस समय की सार्वजनिक घोषणाओं और समाचार रिपोर्टों से संक्षेप में लिए गए हैं जब वे किए गए थे; आंकड़े वैसे ही हैं जैसे कंपनियों ने रिपोर्ट किए थे, और उत्पाद व नीतियां तब से बदल सकती हैं। टूल्स, मानक और सर्वोत्तम प्रथाएं तेज़ी से बदलते हैं, इसलिए वास्तविक निर्णयों या वास्तविक ग्राहक डेटा के लिए किसी भी AI सिस्टम पर निर्भर रहने से पहले वर्तमान दस्तावेज़ीकरण की पुष्टि करें और सावधानीपूर्वक परीक्षण करें, विशेष रूप से guardrails और agent permissions का।

अक्सर पूछे जाने वाले प्रश्न

• एक LLM और एक AI agent में क्या अंतर है? — LLM वह मॉडल है जो टेक्स्ट पढ़ता और लिखता है; एक agent मॉडल के चारों ओर का वह लूप है जो चरणों की योजना बनाता है और किसी कार्य को पूरा करने के लिए टूल्स का उपयोग करता है।
• AI में RAG का क्या अर्थ है? — Retrieval-augmented generation: सिस्टम पहले प्रासंगिक दस्तावेज़ ढूंढता है और उन्हें मॉडल को देता है, ताकि उत्तर वास्तविक और वर्तमान जानकारी पर आधारित हों।
• AI सिस्टम्स को vector database की आवश्यकता क्यों होती है? — यह टेक्स्ट को embeddings के रूप में संग्रहीत करता है ताकि सिस्टम अर्थ के आधार पर अंशों को ढूंढ सके, और यही बात RAG सर्च को बेहतर ढंग से काम करने में सक्षम बनाती है।
• AI में MCP क्या है? — Model Context Protocol एक सामान्य इंटरफ़ेस के माध्यम से AI एप्लिकेशन को टूल्स और डेटा स्रोतों से जोड़ने के लिए एक ओपन स्टैंडर्ड है।
• AI guardrails क्या हैं? — वे मॉडल के चारों ओर के नियम और जांच हैं जो हानिकारक इनपुट को ब्लॉक करते हैं, असुरक्षित आउटपुट को पकड़ते हैं और जोखिम भरी कार्रवाइयों को सीमित करते हैं।
• AI में evals क्या हैं? — Evals दोहराए जा सकने वाले परीक्षण हैं जो मापते हैं कि कई नमूना प्रश्नों में AI के उत्तर सही, सुरक्षित, तेज़ और किफ़ायती हैं या नहीं।
• Air Canada चैटबॉट मामले में क्या हुआ था? — 2024 में एक ट्रिब्यूनल ने फैसला सुनाया कि एयरलाइन उस गलत रिफंड जानकारी के लिए ज़िम्मेदार थी जो उसकी वेबसाइट चैटबॉट ने एक यात्री को दी थी, यह इस बात का एक स्पष्ट अनुस्मारक है कि उनका AI जो कहता है, कंपनियाँ उसकी ज़िम्मेदार होती हैं।
• क्या मुझे सभी सात बिल्डिंग ब्लॉक्स की आवश्यकता है? — एक साधारण चैटबॉट को केवल LLM और guardrails की आवश्यकता हो सकती है, लेकिन ऐसा कोई भी सहायक जो कंपनी डेटा से उत्तर देता है या कार्रवाइयां करता है, उसे इन सातों से लाभ मिलता है।

टैग्स

#artificialintelligence #llm #rag #vectordatabase #aiagents #mcp #aiguardrails #aievals #generativeai #ai2026