AI शुरुआती गाइड: 66 अत्यधिक उपयोग होने वाले AI शब्दों की सरल हिंदी में व्याख्या

हाल ही में, मैं पूर्व सहकर्मियों और दोस्तों से ऑफलाइन मिल रहा हूँ। यह जानकर कि मैं AI कंटेंट पर काम कर रहा हूँ, वे सभी बहुत उत्सुक हैं, और हमारी बातचीत अक्सर स्वाभाविक रूप से AI के इर्द-गिर्द घूमती है।

लेकिन जैसे-जैसे हम बात करते गए, मुझे एक समस्या नज़र आई।

मैं स्वाभाविक रूप से Agent, Skill और MCP जैसे शब्दों का उल्लेख करता था, यह मानते हुए कि सभी ने उनके बारे में सुना है। लेकिन सामने वाला व्यक्ति रुककर पूछता: "वास्तव में Agent क्या है?" "Skill का क्या मतलब है?"

उस पल, मुझे एहसास हुआ कि मैं "ज्ञान के अभिशाप" (Curse of Knowledge) में फंस गया हूँ। जब आप किसी शब्द को बहुत अधिक देखते और उपयोग करते हैं, तो आप भूल जाते हैं कि पहली बार देखने पर आप भी भ्रमित थे।

कुछ महीने पहले, मैं भी इन अंग्रेजी संक्षिप्ताक्षरों से अभिभूत था। उस समय, मैंने "शुरुआती लोगों के लिए दैनिक AI मूल बातें" (Daily AI Basics for Beginners) पोस्ट किया था, जिसमें लगभग 30 दिनों तक प्रतिदिन एक शब्द सीखता था, और सामान्यतः उपयोग किए जाने वाले AI शब्दावली के एक समूह को एक-एक करके समझता था।

हाल ही में और अधिक लोग पूछ रहे हैं, इसलिए मैंने इसे और भी पूर्ण बनाने का निर्णय लिया।

मैंने 66 AI शब्दों को संकलित किया है जिन्हें मैं उच्च-आवृत्ति मानता हूँ और उन्हें सरल भाषा में समझाया है। प्रत्येक शब्द के लिए, मैं आपको बताऊंगा: यह क्या है, आप इसे कहाँ देखेंगे, और कौन सा वास्तविक जीवन का परिदृश्य इसे याद रखने में सबसे आसान बनाता है।

आपको उन सभी को एक साथ याद करने की आवश्यकता नहीं है। बस एक बार पढ़ लें ताकि अगली बार जब आप LLM, RAG, Agent, MCP, API या CLI देखें, तो आपको कम से कम मोटे तौर पर पता हो कि वे AI दुनिया में कहाँ खड़े हैं।

I. पहले AI और बड़े मॉडल को समझें

यह समूह दो प्रश्नों का उत्तर देता है: AI क्या है, और बड़े भाषा मॉडल (Large Language Models) बोलते समय क्या प्रक्रिया करते हैं? एक बार जब आप इस मानचित्र को समझ लेंगे, तो निम्नलिखित शब्द बहुत आसान हो जाएंगे।

AI मशीनों को ऐसे कार्य करने में सक्षम बनाने के बारे में है जिनमें आमतौर पर मानव समझ, निर्णय, भविष्यवाणी या रचनात्मकता की आवश्यकता होती है। फोन का फेस अनलॉक, मैप पर ट्रैफिक पूर्वानुमान, प्लेटफॉर्म पर वीडियो सुझाव और चैटबॉट का सवालों के जवाब देना, ये सभी AI के अंतर्गत आते हैं। यह एक व्यापक छत्र शब्द है; चैट टूल तो केवल एक प्रकार के अनुप्रयोग हैं।

एल्गोरिदम (Algorithm) एक समस्या को हल करने के लिए स्पष्ट चरणों का एक सेट है, जैसे एक रेसिपी। रेसिपी पहले सब्जियां काटने, फिर पैन गरम करने और अंत में मसाला डालने का निर्देश देती है; एल्गोरिदम यह निर्धारित करता है कि कंप्यूटर पहले क्या पढ़े, फिर कैसे तुलना करे और अंत में क्या आउटपुट दे। कई पारंपरिक एल्गोरिदम बिल्कुल चैट नहीं कर सकते; AI एल्गोरिदम एल्गोरिदम परिवार का एक हिस्सा मात्र हैं।

NLP (प्राकृतिक भाषा प्रसंस्करण) वह तकनीकी क्षेत्र है जो कंप्यूटर को मानव भाषा को प्रोसेस करने की अनुमति देता है। अनुवाद, सार-संक्षेप, खोज, भाषण-से-पाठ और चैट करना, ये सभी इससे संबंधित हैं। जब आप एक बोलचाल का प्रश्न टाइप करते हैं और AI सामान्य अर्थ समझकर उत्तर देता है, तो वह प्राकृतिक भाषा प्रसंस्करण क्षमताओं का उपयोग कर रहा है।

LLM (बड़े भाषा मॉडल) वे भाषा मॉडल हैं जो विशाल मात्रा में पाठ और कंप्यूटेशन के साथ प्रशिक्षित होते हैं, और पाठ को समझने और उत्पन्न करने में विशेषज्ञ होते हैं। सामान्य मॉडल या मॉडल परिवारों में OpenAI का GPT, Anthropic का Claude, Google का Gemini, साथ ही DeepSeek और Qwen शामिल हैं। उत्पाद और मॉडल के बीच अंतर करना महत्वपूर्ण है: ChatGPT वह उत्पाद है जिसे आप खोलते और उपयोग करते हैं, जबकि GPT वह मॉडल परिवार है जिसे यह पर्दे के पीछे कॉल कर सकता है।

SLM (छोटे भाषा मॉडल) वे भाषा मॉडल हैं जिनका आकार छोटा और कंप्यूटेशन आवश्यकता कम होती है। वर्तमान में, कोई वैश्विक रूप से एकीकृत पैरामीटर सीमा नहीं है। सामान्य उदाहरणों में Microsoft का Phi श्रृंखला और Gemma, Qwen जैसे मॉडल परिवारों के छोटे-पैरामीटर संस्करण शामिल हैं। उनका ज्ञान दायरा संकीर्ण हो सकता है, लेकिन निश्चित कार्यों जैसे सारांश, वर्गीकरण, या ऑन-डिवाइस सहायकों के लिए, वे तेज़, सस्ते और फोन या सामान्य कंप्यूटर पर चलाने में आसान हो सकते हैं।

टोकन (Tokens) वे छोटे टुकड़े हैं जिनका उपयोग मॉडल पाठ पढ़ने और लिखने के दौरान करते हैं। ये बिल्कुल एक चीनी अक्षर, एक अंग्रेजी शब्द या एक विराम चिह्न के बराबर नहीं होते हैं। मॉडल गणना करने से पहले एक वाक्य को कई टोकनों में तोड़ता है। बिलिंग और संदर्भ क्षमता भी अक्सर टोकनों द्वारा गिनी जाती है। इन्हें AI द्वारा पाठ प्रक्रिया करने के लिए उपयोग किए जाने वाले "बिल्डिंग ब्लॉक्स" के रूप में सोचें।

संदर्भ (Context) वह सारी जानकारी है जिसे AI वर्तमान में संदर्भित कर सकता है, जिसमें आपका प्रश्न, पिछला संवाद, अपलोड की गई फ़ाइलें, सिस्टम नियम और टूल परिणाम शामिल हैं। जैसे डॉक्टर का परामर्श, "मैं अस्वस्थ महसूस कर रहा हूँ" वाक्यांश उम्र, लक्षण और परीक्षण रिपोर्ट के आधार पर अलग-अलग निर्णय लेगा। AI को दिया गया संदर्भ जितना स्पष्ट होगा, उसका उत्तर उतना ही आधारित होगा।

संदर्भ विंडो (Context Window) वह अधिकतम जानकारी है जिसे एक मॉडल एक बार में प्रोसेस कर सकता है, आमतौर पर टोकनों में व्यक्त की जाती है। यह एक सीमित आकार की मेज की तरह है: एक बार में कितने दस्तावेज़ फैलाए जा सकते हैं, इसकी एक सीमा होती है। जब सामग्री इससे अधिक हो जाती है, तो सिस्टम को छोटा करना, सारांशित करना, बैचों में प्रोसेस करना या पहले की जानकारी को विंडो से बाहर जाने देना पड़ता है।

संदर्भ लंबाई (Context Length) के अक्सर दो अर्थ होते हैं: अधिकतम टोकन जो एक मॉडल अनुमति देता है, या किसी विशिष्ट अनुरोध में उपयोग किए गए वास्तविक टोकन। पहला मेज के अधिकतम क्षेत्रफल की तरह है; दूसरा उस बार आपके द्वारा वास्तव में फैलाए गए दस्तावेज़ों की तरह है। जब उत्पाद "अल्ट्रा-लॉन्ग कॉन्टेक्स्ट" का विज्ञापन करते हैं, तो वे आमतौर पर अधिकतम क्षमता का उल्लेख कर रहे होते हैं।

MLLM (बहु-मोडल बड़े भाषा मॉडल) पाठ से परे जानकारी, जैसे चित्र, ऑडियो या वीडियो को प्रोसेस कर सकते हैं। यदि आप इसे फ्रिज की तस्वीर देते हैं, तो यह सामग्री देख सकता है और पाठ आवश्यकताओं के आधार पर रात के खाने की सिफारिश कर सकता है; यदि आप एक मीटिंग रिकॉर्डिंग अपलोड करते हैं, तो यह सुनने के बाद मुख्य बिंदुओं को व्यवस्थित कर सकता है। यहाँ "बहु-मोडल" का अर्थ जानकारी के कई रूपों से है।

VLM (विज़न-लैंग्वेज मॉडल) विशेष रूप से दृष्टि और भाषा को जोड़ता है, मुख्य रूप से "चित्र देखना और पाठ के साथ समझना या उत्तर देना" जैसे कार्यों को संभालता है। यह फ़ोटो के लिए कैप्शन लिख सकता है, चार्ट सामग्री की पहचान कर सकता है, या स्क्रीनशॉट के आधार पर बटन ढूंढ सकता है। VLM दृष्टि और भाषा के समन्वय पर जोर देता है, और इसका दायरा आमतौर पर सामान्य शब्द बहु-मोडल मॉडल से अधिक विशिष्ट होता है।

MoE (मिक्सचर ऑफ एक्सपर्ट्स) मॉडल के अंदर कई "विशेषज्ञों" के सेट व्यवस्थित करता है, जिससे हर बार केवल उनमें से एक हिस्सा गणना में भाग लेता है। यह अस्पताल के ट्राइएज की तरह है: त्वचा की समस्या डर्मेटोलॉजी में जाती है, हड्डी की चोट ऑर्थोपेडिक्स में, बजाय सभी डॉक्टरों के एक साथ परामर्श करने के। यह प्रत्येक रन के लिए आवश्यक कंप्यूटेशन को नियंत्रित करते हुए मॉडल क्षमता का विस्तार करता है।

इस समूह को पढ़ने के बाद, आपको बस अंतर करना है: LLM मुख्य रूप से भाषा प्रोसेस करता है, VLM चित्र और भाषा को जोड़ता है, और MLLM कई प्रकार की जानकारी संभाल सकता है। टोकन पाठ ब्लॉक हैं, और संदर्भ वह सामग्री है जिसे मॉडल इस बार संदर्भित कर सकता है।

II. AI से चैट करते समय सबसे सामान्य शब्द

यह समूह प्रतिदिन उपयोग होता है। प्रॉम्प्ट (Prompt) कार्य सौंपने के लिए जिम्मेदार है, संदर्भ सामग्री प्रदान करता है, और AI इस जानकारी के आधार पर उत्तर उत्पन्न करता है।

प्रॉम्प्ट (Prompt) वह संपूर्ण इनपुट है जो आप AI को देते हैं, जो एक वाक्य, एक प्रश्न, एक दस्तावेज़ या एक छवि हो सकता है। "इस अनुबंध को पाँच जोखिमों में सारांशित करें" एक प्रॉम्प्ट है। प्रॉम्प्ट को जादू मंत्र की तरह लिखने की आवश्यकता नहीं है; जब तक लक्ष्य, सामग्री, बाधाएं और आउटपुट आवश्यकताएं स्पष्ट हैं, AI के सही होने की संभावना अधिक है।

प्रॉम्प्ट इंजीनियरिंग (Prompt Engineering) प्रॉम्प्ट डिज़ाइन, परीक्षण और सुधार की विधि है। यह एक सहकर्मी को काम सौंपने जैसा है: यदि पहला परिणाम गलत है, तो आप जांचते हैं कि कार्य स्पष्ट था, सामग्री पूर्ण थी, और प्रारूप निर्दिष्ट था, फिर निर्देशों को समायोजित करते हैं। इसका मूल्य संचार त्रुटियों और पुन: कार्य को कम करने में है।

सिस्टम प्रॉम्प्ट (System Prompt) एक AI एप्लिकेशन में पर्दे के पीछे सेट किया गया उच्च-प्राथमिकता वाला नियम सेट है, जो पहचान, स्वर, क्षमता सीमा और सुरक्षा सीमाओं को परिभाषित करता है। यह कंपनी के कर्मचारी हैंडबुक की तरह है; उपयोगकर्ता आमतौर पर इसे पूरा नहीं देखते हैं। यदि आपका अनुरोध सिस्टम नियमों से टकराता है, तो मॉडल आमतौर पर सिस्टम प्रॉम्प्ट को प्राथमिकता देगा।

उपयोगकर्ता प्रॉम्प्ट (User Prompt) उपयोगकर्ता द्वारा दर्ज की गई वर्तमान आवश्यकता है—चैट बॉक्स में भेजी गई सामग्री। सिस्टम प्रॉम्प्ट स्टोर के संचालन नियमों की तरह है, जबकि उपयोगकर्ता प्रॉम्प्ट "कृपया मुझे कम चीनी वाला गर्म पेय दें" जैसा है। दोनों परिणाम को प्रभावित करते हैं, यही कारण है कि विभिन्न AI उत्पादों में एक ही वाक्य अलग-अलग उत्तर दे सकता है।

निर्देश (Instruction) एक स्पष्ट कार्य है जो आप AI को प्रॉम्प्ट के भीतर करने के लिए कहते हैं, जैसे सारांशित करना, अनुवाद करना, तुलना करना, वर्गीकृत करना या जांचना। एक पूर्ण प्रॉम्प्ट में पृष्ठभूमि जानकारी और बाधाएं भी शामिल हो सकती हैं। उदाहरण के लिए, "नीचे दिए गए ईमेल को पढ़ें, तारीख निकालें, और मूल पाठ में नहीं दी गई जानकारी न जोड़ें" में दो निर्देश हैं।

Markdown (मार्कडाउन) एक प्रारूप है जो सरल प्रतीकों का उपयोग करके पाठ को टाइपसेट करता है।

• # एक शीर्षक का प्रतिनिधित्व कर सकता है,
• - एक सूची का प्रतिनिधित्व कर सकता है,
• \\पाठ\\ बोल्ड का प्रतिनिधित्व कर सकता है।

कई AI आउटपुट स्पष्ट रूप से स्तरित दिखते हैं क्योंकि वे Markdown का उपयोग करते हैं; आप लेख, दस्तावेज़ या प्रोजेक्ट विवरण लिखते समय इसका अक्सर सामना करेंगे।

JSON (जेसन) एक संरचित डेटा प्रारूप है जो आमतौर पर प्रोग्राम द्वारा उपयोग किया जाता है, जिसमें आमतौर पर घुंघराले कोष्ठक, फ़ील्ड नाम और संबंधित सामग्री होती है। यह एक इलेक्ट्रॉनिक स्प्रेडशीट की तरह है जिसमें निश्चित फ़ील्ड होते हैं जिन्हें मनुष्य पढ़ सकते हैं और प्रोग्राम आसानी से प्रोसेस कर सकते हैं। AI से "JSON में आउटपुट" मांगना अक्सर किसी अन्य सॉफ़्टवेयर को परिणाम स्वचालित रूप से उपयोग करने देने के लिए होता है।

संवाद इतिहास (Conversation History) वर्तमान चैट में पहले दिखाई देने वाले संदेशों को संदर्भित करता है। AI पाँच मिनट पहले के विषय को जारी रख सकता है, आमतौर पर क्योंकि एप्लिकेशन पिछले चैट रिकॉर्ड को मॉडल को फिर से भेजता है। चैट बहुत लंबी हो जाने के बाद, शुरुआती सामग्री काट दी जा सकती है या सारांशित की जा सकती है, इसलिए AI कभी-कभी आपके द्वारा शुरुआत में कही गई बात भूल जाता है।

भ्रम (Hallucination) तब होता है जब AI ऐसी सामग्री उत्पन्न करता है जो उचित लगती है लेकिन वास्तव में गलत या अस्तित्वहीन होती है, जैसे पुस्तकों के शीर्षक, लिंक, डेटा या व्यक्तिगत अनुभव गढ़ना। यह एक ऐसे व्यक्ति की तरह है जिसके पास महान भाषा कौशल है लेकिन वह "पता नहीं" कहने से इनकार करता है और खाली स्थान भरता है। तिथियों, संख्याओं, उद्धरणों और महत्वपूर्ण निर्णयों के लिए हमेशा मूल स्रोतों की जाँच करें।

इस समूह से याद रखने वाली सबसे महत्वपूर्ण बातें: प्रॉम्प्ट यह निर्धारित करता है कि आप कैसे पूछते हैं, संदर्भ यह निर्धारित करता है कि AI क्या संदर्भित कर सकता है, और भ्रम आपको याद दिलाता है कि उत्तरों को अभी भी सत्यापन की आवश्यकता है।

III. AI को डेटा पढ़ने देना: RAG और खोज

जब आप "AI को कंपनी फ़ाइलें पढ़ने देना" या "व्यक्तिगत ज्ञान आधार बनाना" देखते हैं, तो आपको इस समूह के शब्द मिलने की संभावना है। पूरा रास्ता सिर्फ एक वाक्य है: पहले प्रासंगिक सामग्री खोजें, फिर मॉडल को उत्तर दें।

RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) AI को उत्तर देने से पहले निर्दिष्ट सामग्री से प्रासंगिक कंटेंट खोजने की अनुमति देता है, फिर मिले टुकड़ों को मॉडल को उत्तर व्यवस्थित करने के लिए सौंपता है। यह एक खुली पुस्तक परीक्षा की तरह है: छात्र पहले पाठ्यपुस्तक पलटता है, फिर उसके आधार पर उत्तर देता है। RAG निर्माण को कम कर सकता है, लेकिन यह गलत सामग्री भी खोज सकता है, इसलिए उद्धरणों को अभी भी मानव जाँच की आवश्यकता है।

ज्ञान आधार (Knowledge Base) केंद्रीय रूप से संग्रहीत, व्यवस्थित और सिस्टम द्वारा पूछताछ के लिए उपलब्ध सामग्रियों का संग्रह है। कंपनी के उत्पाद मैनुअल, नीति दस्तावेज़ और FAQ एक साथ रखे जाने से ग्राहक सेवा ज्ञान आधार बन सकता है; किसी व्यक्ति के नोट्स, लेख और पढ़ने के रिकॉर्ड भी ज्ञान आधार बना सकते हैं। सामग्री सटीक और अद्यतित है या नहीं, यह सीधे उत्तर की गुणवत्ता को प्रभावित करता है।

रिट्रीवल (Retrieval) बड़ी मात्रा में सामग्री से सबसे प्रासंगिक कंटेंट ढूंढना है। एक लाइब्रेरियन जो आपका प्रश्न सुनकर हजारों में से तीन सबसे उपयुक्त किताबें लाता है, वह रिट्रीवल है। RAG में, मॉडल आमतौर पर पहले पूरे डेटाबेस को नहीं पढ़ता, बल्कि उत्तर देने के लिए कुछ टुकड़े निकालता है।

कीवर्ड खोज (Keyword Search) मुख्य रूप से देखता है कि कुछ शब्द सीधे दिखाई देते हैं या नहीं। यदि आप "रिफंड डेडलाइन" खोजते हैं, तो यह "रिफंड" और "डेडलाइन" वाली सामग्री को प्राथमिकता देगा। यह विधि तेज़ है और उत्पाद संख्याओं, नामों और निश्चित शब्दों की जाँच के लिए अच्छी है; यदि प्रश्न शैली और मूल शब्दांकन में काफी भिन्नता है, तो यह उत्तरों से चूक सकता है।

अर्थगत खोज (Semantic Search) अधिक ध्यान देता है कि क्या दो अनुच्छेदों का अर्थ करीब है। यदि आप "मुझे यह नहीं चाहिए, इसे वापस कैसे करूँ" खोजते हैं, तो यह "रिटर्न पॉलिसी" शीर्षक वाला दस्तावेज़ भी ढूंढ सकता है। यह प्राकृतिक भाषा के प्रश्नों के लिए उपयुक्त है, लेकिन समझ में भटकाव हो सकता है, इसलिए महत्वपूर्ण परिदृश्यों में इसे अक्सर कीवर्ड खोज के साथ जोड़ा जाता है।

हाइब्रिड खोज (Hybrid Search) कीवर्ड खोज और अर्थगत खोज का एक साथ उपयोग करती है। आईडी नंबर और अनुबंध संख्या सटीक मिलान के लिए उपयुक्त हैं; "रिइम्बर्समेंट कैसे आवेदन करें" के लिए अर्थ की समझ चाहिए। दोनों के परिणाम विलय और रैंक किए जाते हैं, जो शाब्दिक स्थिरता और समान अर्थ दोनों को ध्यान में रखते हैं, यह एक विधि है जिसे कई RAG सिस्टम अपनाते हैं।

IV. एजेंट, टूल और MCP

यह हाल ही में सबसे लोकप्रिय और अक्सर सबसे भ्रमित करने वाला शब्द समूह है। जब मैं दोस्तों से बात कर रहा था तो मैंने सबसे अधिक उल्लेख किया, Agent, Skill और MCP, ये सभी इस अध्याय में हैं।

पहले, सबसे छोटा रास्ता देखें:

1आप एक लक्ष्य प्रस्तावित करते हैं
2→ Agent अगला कदम तय करता है
3→ डेटा पढ़ने या कार्रवाई करने के लिए टूल कॉल करता है
4→ परिणामों के आधार पर प्रक्रिया जारी रखता है
5→ मानव प्रमुख चरणों की जाँच करता है

चैटबॉट (Chatbot) एक सॉफ्टवेयर है जो मुख्य रूप से संवाद के माध्यम से प्रश्नों का उत्तर देता है। प्रारंभिक चैटबॉट केवल निश्चित कीवर्ड के आधार पर उत्तर दे सकते थे; अब कई चैटबॉट अधिक प्राकृतिक उत्तरों के लिए बड़े मॉडलों से जुड़ते हैं। इसका ध्यान "आप पूछते हैं, यह उत्तर देता है" पर बना रहता है, और यह आमतौर पर स्वतंत्र रूप से बाहरी संचालन की एक लंबी श्रृंखला पूरी नहीं करता है।

AI सहायक या कोपायलट (AI Assistant/Copilot) एक AI उत्पाद है जो लोगों को कार्य पूरा करने में मदद करता है, जैसे लेखन में सहायता, मीटिंग आयोजित करना, स्प्रेडशीट बनाना या प्रोग्रामिंग। "कोपायलट" रूपक याद रखने में आसान है: यह देख सकता है, याद दिला सकता है और मदद कर सकता है, लेकिन स्टीयरिंग व्हील अभी भी मानव के हाथों में है, और अंतिम परिणाम की मानव जाँच आवश्यक है।

वर्कफ़्लो (Workflow) पूर्व-निर्धारित निश्चित चरणों का एक सेट है। एक चालान प्राप्त करने के बाद, पहले राशि की पहचान करना, फिर इसे एक तालिका में लिखना, और अंत में वित्त को सूचित करना एक वर्कफ़्लो है। प्रत्येक चरण आमतौर पर पहले से निर्धारित होता है, जो इसे स्थिर और जाँचने में आसान बनाता है; यह अनियोजित परिस्थितियों का सामना करने पर Agent की तरह लचीले ढंग से अगला कदम तय नहीं करेगा।

AI एजेंट (AI Agent) एक ऐसी प्रणाली है जो एक लक्ष्य के आसपास अगला कदम तय कर सकती है, टूल कॉल कर सकती है, परिणाम देख सकती है और कार्रवाई जारी रख सकती है। एक सामान्य चैट आपको बताएगी कि टिकट कैसे खरीदें; एक Agent एक बुकिंग सेवा खोल सकता है, फ्लाइट क्वेरी कर सकता है और अधिकृत सीमाओं के भीतर जानकारी भर सकता है। यह कार्रवाई कर सकता है, इसलिए अनुमतियाँ, त्रुटियाँ और मानव पुष्टि बहुत महत्वपूर्ण हैं।

एजेंटिक AI (Agentic AI) एक प्रकार की प्रणाली या डिज़ाइन दृष्टिकोण को संदर्भित करता है जो AI की निरंतर योजना बनाने, टूल का उपयोग करने और बहु-चरणीय कार्यों को निष्पादित करने की क्षमता पर जोर देता है। इस शब्द का दायरा व्यापक है, और विभिन्न कंपनियां अलग-अलग नामों का उपयोग करती हैं। जब आप "Agentic" लेबल वाला कोई उत्पाद देखें, तो आप तीन बातें पूछ सकते हैं: यह किन टूल का उपयोग कर सकता है, यह अपने आप कितने कदम उठा सकता है, और कहाँ मानव पुष्टि आवश्यक है।

स्वायत्तता (Autonomy) उस डिग्री को संदर्भित करती है जिस हद तक कोई प्रणाली बिना मानव मार्गदर्शन के अपने आप निर्णय और कार्रवाई कर सकती है। स्वचालित रूप से फ़ाइल की एक प्रतिलिपि व्यवस्थित करने में कम स्वायत्तता और जोखिम है; स्वचालित रूप से ईमेल भेजना, भुगतान करना या डेटा हटाना जोखिम को काफी बढ़ा देता है। कार्य जितना महत्वपूर्ण होगा, अनुमतियाँ उतनी ही संकीर्ण और पुष्टि बिंदु जोड़े जाने चाहिए।

योजना (Planning) एक लक्ष्य को क्रम में निष्पादित किए जा सकने वाले चरणों में तोड़ना है। जैसे यात्रा की तैयारी करना: पहले तिथियों की पुष्टि करना, फिर परिवहन की जाँच करना, आवास बुक करना और पैकिंग सूची बनाना। जटिल कार्यों का सामना करने पर Agent भी योजना बनाते हैं; एक सुंदर योजना सफल निष्पादन की गारंटी नहीं देती है, और प्रत्येक पूर्ण चरण के लिए वास्तविक परिणामों की जाँच की आवश्यकता होती है।

टूल (Tool) एक बाहरी क्षमता है जिसे AI कॉल कर सकता है, जैसे वेब खोज, कैलकुलेटर, डेटाबेस, कैलेंडर और ईमेल। मॉडल स्वयं निर्णय के लिए जिम्मेदार मस्तिष्क की तरह है; टूल इसे हाथ और आँखें देते हैं। टूल के बिना, मॉडल केवल मौजूदा संदर्भ के आधार पर उत्तर दे सकता है; टूल से जुड़ने के बाद, इसे क्वेरी और कार्रवाई करने का अवसर मिलता है।

टूल कॉलिंग (Tool Calling) तब होती है जब मॉडल निर्दिष्ट प्रारूपों के अनुसार एक टूल का चयन करता है और आवश्यक पैरामीटर भरता है, जिसे प्रोग्राम फिर निष्पादित करता है और परिणाम मॉडल को लौटाता है। यह एक प्रबंधक की तरह है जो कर्मचारी के लिए एक कार्य आदेश भरता है। मॉडल "क्या कॉल करना है" का निर्णय करने के लिए जिम्मेदार है, और विशिष्ट कोड क्वेरी, गणना या लेखन पूरा करने के लिए जिम्मेदार है।

प्लगइन (Plugin) एक विस्तार पैकेज है जो कार्यक्षमता जोड़ने के लिए सॉफ्टवेयर में स्थापित किया जाता है। ब्राउज़र एक अनुवाद प्लगइन स्थापित करने के बाद वेब पेजों का अनुवाद कर सकता है; एक AI एप्लिकेशन प्लगइन स्थापित करने के बाद फ़ाइलों, कैलेंडर या तृतीय-पक्ष सेवाओं से जुड़ सकता है। प्लगइन्स आमतौर पर विशिष्ट उत्पादों पर निर्भर करते हैं, और वे जो कर सकते हैं वह उत्पाद द्वारा प्रदान किए गए इंटरफेस और अनुमतियों पर निर्भर करता है।

स्किल (Skill) पुन: प्रयोज्य निर्देशों, स्क्रिप्ट और संसाधनों का एक सेट है जो एक Agent को एक निश्चित प्रकार के कार्य को स्थिर रूप से पूरा करना सिखाता है। यह एक कर्मचारी के लिए मानक संचालन मैनुअल की तरह है: पहले कौन सी सामग्री पढ़नी है, किन चरणों का पालन करना है, और परिणामों की जाँच कैसे करनी है, सब कुछ स्पष्ट रूप से लिखा गया है। एक प्रॉम्प्ट अक्सर एक बार के कार्य को हल करता है, जबकि एक Skill उसी प्रकार के कार्य को बार-बार निष्पादित करने के लिए अधिक उपयुक्त है।

MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) एक खुला प्रोटोकॉल है जो AI एप्लिकेशन को बाहरी डेटा और टूल से जुड़ने की अनुमति देता है। सबसे अच्छा रूपक AI दुनिया का USB-C है: अतीत में, प्रत्येक टूल को व्यक्तिगत रूप से अनुकूलित करना पड़ता था; अब वे एक ही कनेक्शन मानक के अनुसार क्षमताएं प्रदान कर सकते हैं। यह "कैसे कनेक्ट करें" को हल करता है, लेकिन Agent के लिए कार्य लक्ष्य तय नहीं करता है।

MCP होस्ट (MCP Host) वह AI एप्लिकेशन है जो उपयोगकर्ता वास्तव में उपयोग करता है, जैसे डेस्कटॉप सहायक, कोड एडिटर या Agent प्लेटफॉर्म। यह उपयोगकर्ताओं, मॉडलों, सुरक्षा अनुमतियों और कई कनेक्शनों के प्रबंधन के लिए जिम्मेदार है। होस्ट को एक कंप्यूटर के रूप में सोचें: यह संपूर्ण उपयोग वातावरण है और जहाँ MCP क्लाइंट स्थित है।

MCP क्लाइंट (MCP Client) होस्ट के अंदर स्थित होता है और एक विशिष्ट MCP सर्वर के साथ संचार स्थापित करने और बनाए रखने के लिए जिम्मेदार होता है। यह पता लगाता है कि सर्वर कौन से टूल और सामग्री प्रदान करता है और कॉल अनुरोध भेजता है। जैसे कंप्यूटर प्रिंटर से जुड़ता है, इस कनेक्शन को प्रबंधित करने के लिए आंतरिक रूप से एक समर्पित संचार चैनल की आवश्यकता होती है।

MCP सर्वर (MCP Server) एक प्रोग्राम है जो MCP विनिर्देशों के अनुसार AI एप्लिकेशन को टूल, सामग्री या प्रॉम्प्ट टेम्पलेट प्रदान करता है। नाम में "सर्वर" होने का मतलब यह नहीं है कि यह दूर होना चाहिए; यह आपके कंप्यूटर पर भी चल सकता है। उदाहरण के लिए, एक स्थानीय फ़ाइल सर्वर AI को अधिकृत निर्देशिकाओं में फ़ाइलों को पढ़ने दे सकता है।

MCP टूल (MCP Tool) एक विशिष्ट क्रिया है जो सर्वर AI द्वारा निष्पादन का अनुरोध करने के लिए प्रदान करता है, जैसे मौसम पूछना, शेड्यूल बनाना, डेटाबेस पढ़ना या संदेश भेजना। प्रत्येक Tool निर्दिष्ट करता है कि इसे किन पैरामीटरों की आवश्यकता है। क्वेरी क्रियाओं में कम जोखिम होता है, जबकि भेजना, हटाना या भुगतान करने के लिए स्पष्ट अनुमतियाँ और पुष्टि होनी चाहिए।

MCP संसाधन (MCP Resource) MCP के माध्यम से AI द्वारा पढ़ने के लिए प्रदान की गई सामग्री है, जैसे फ़ाइलें, डेटाबेस रिकॉर्ड, प्रोजेक्ट संरचनाएं या एप्लिकेशन स्थितियाँ। यह मेज पर रखी सामग्री की तरह है, जबकि एक Tool एक बटन की तरह है जिसे दबाया जा सकता है। क्या कोई संसाधन पढ़ा जा सकता है, यह अभी भी होस्ट और सर्वर द्वारा निर्धारित एक्सेस अनुमतियों पर निर्भर करता है।

MCP प्रॉम्प्ट (MCP Prompt) सर्वर द्वारा प्रदान किया गया एक पुन: प्रयोज्य प्रॉम्प्ट टेम्पलेट है, जो उपयोगकर्ताओं को एक निश्चित तरीके से कार्य शुरू करने में मदद करता है। यह पहले से स्थापित तालिका टेम्पलेट की तरह है, जो भरने के लिए फ़ील्ड और कार्य संरचना व्यवस्थित करता है। यह स्वचालित रूप से क्रियाएँ निष्पादित नहीं करता है; इसे अभी भी उपयोगकर्ता द्वारा चुना जाना चाहिए और मॉडल द्वारा प्रोसेस किया जाना चाहिए।

मेमोरी (Memory) वह जानकारी है जिसे सिस्टम सहेजता है और बाद में पुन: उपयोग करता है, जिसमें वर्तमान चैट सारांश, उपयोगकर्ता प्राथमिकताएँ, इतिहास कार्य और दीर्घकालिक डेटा शामिल हो सकता है। जब AI "आपको याद रखता है", तो इसका आमतौर पर मतलब है कि यह जानकारी संग्रहीत है और बाद के संवादों में मॉडल को फिर से प्रदान की जाती है। मेमोरी अनुभव को प्रभावित करती है और गोपनीयता और हटाने के तरीकों पर ध्यान देने की आवश्यकता है।

मानव-इन-द-लूप (Human in the Loop) का मतलब है कि प्रमुख चरणों की जाँच, चयन या अनुमोदन किसी व्यक्ति द्वारा किया जाना चाहिए। AI रिफंड सूची व्यवस्थित कर सकता है और ड्राफ्ट भर सकता है, लेकिन वास्तविक स्थानांतरण वित्त द्वारा पुष्टि की जाती है। यह AI की गति का उपयोग करता है जबकि अधूरी जानकारी या गलत निर्णय के कारण अपूरणीय परिणामों से बचाता है।

मल्टी-एजेंट (Multi-agent) कई Agents को सहयोग करने देना है, उदाहरण के लिए, एक डेटा पुनर्प्राप्त करता है, एक लेख का मसौदा तैयार करता है, और एक उद्धरणों की जाँच करता है। यह एक प्रोजेक्ट टीम की तरह है; जब श्रम का विभाजन उचित होता है, तो वे जटिल कार्यों को समानांतर में संभाल सकते हैं। हालाँकि, अधिक सदस्य संचार, अनावश्यक कार्य और त्रुटि प्रसार को भी बढ़ाते हैं, इसलिए अधिक Agents हमेशा बेहतर नहीं होते हैं।

A2A (एजेंट-टू-एजेंट) एजेंटों के बीच कार्यों, स्थिति और परिणामों के आदान-प्रदान की संचार विधि को संदर्भित करता है। MCP इस बात पर अधिक ध्यान केंद्रित करता है कि एजेंट टूल और डेटा से कैसे जुड़ते हैं, जबकि A2A इस बात पर अधिक ध्यान केंद्रित करता है कि एक एजेंट दूसरे को कार्य कैसे सौंपता है। पहले को "डिवाइस कनेक्ट करना" और दूसरे को "सहकर्मियों के बीच काम सौंपना" के रूप में सोचें।

कंप्यूटर उपयोग (Computer Use) AI को स्क्रीन देखकर, माउस घुमाकर, क्लिक करके और टाइप करके सॉफ्टवेयर संचालित करने देना है। यह एक रिमोट ऑपरेटर की तरह है जो समर्पित API के बिना वेब और डेस्कटॉप एप्लिकेशन का उपयोग कर सकता है। इंटरफ़ेस परिवर्तन के कारण यह गलत जगह क्लिक कर सकता है; भुगतान, हटाने और आउटगोइंग संदेशों के लिए मानव पुष्टि अनिवार्य है।

सैंडबॉक्स (Sandbox) एक पृथक वातावरण है जो किसी प्रोग्राम की गतिविधि सीमा को सीमित करता है। यह एक बच्चे के खेलने के लिए बाड़ वाले सैंडपिट की तरह है; वे चीजों को आज़मा सकते हैं, और यदि कुछ गलत होता है, तो यह महत्वपूर्ण फ़ाइलों या सिस्टम को नहीं छूएगा। जब किसी Agent को कोड चलाने, फ़ाइलें डाउनलोड करने या प्रोजेक्ट संशोधित करने दिया जाता है, तो सैंडबॉक्स प्रभाव क्षेत्र को कम करता है लेकिन सभी सुरक्षा जाँचों को प्रतिस्थापित नहीं कर सकता है।

इस अध्याय के लिए बस एक वाक्य याद रखें: Agent निर्णय और कार्रवाई के लिए जिम्मेदार है, Tool विशिष्ट क्षमताएं प्रदान करता है, Skill उसे करना सिखाता है, और MCP AI को बाहरी क्षमताओं से जोड़ने के लिए जिम्मेदार है।

V. AI ट्यूटोरियल में मिलने वाले कंप्यूटर शब्द

ये शब्द AI क्षेत्र द्वारा आविष्कार नहीं किए गए थे, लेकिन ये एजेंट, ऑटोमेशन और स्थानीय मॉडल सीखते समय अक्सर दिखाई देते हैं। यदि आप इन्हें समझ सकते हैं, तो कई ट्यूटोरियल विदेशी भाषा की तरह नहीं लगेंगे।

API (एप्लीकेशन प्रोग्रामिंग इंटरफ़ेस) एक प्रवेश बिंदु है जिसके माध्यम से सॉफ्टवेयर एक समझौते के अनुसार संचार करता है। आपको रेस्तरां में रसोई में घुसने की ज़रूरत नहीं है; आप वेटर के माध्यम से ऑर्डर करते हैं। API सॉफ्टवेयर दुनिया का वेटर है, जो आपके अनुरोध को बैकएंड तक ले जाता है और परिणाम वापस लाता है। मौसम ऐप, भुगतान सेवाएं और बड़े मॉडल सभी API के माध्यम से अन्य प्रोग्राम द्वारा कॉल किए जा सकते हैं।

API कुंजी (API Key) एक गुप्त क्रेडेंशियल है जिसका उपयोग प्रोग्राम किसी सेवा तक पहुँचने के लिए करता है, जिसका उपयोग यह पहचानने के लिए किया जाता है कि कौन कॉल कर रहा है और अक्सर उपयोग सीमाओं और बिलिंग से जुड़ा होता है। यह बैंक कार्ड पिन की तरह है; इसे पाने वाला कोई भी आपका कोटा उपभोग कर सकता है। पूर्ण Keys को सार्वजनिक कोड, स्क्रीनशॉट, ट्यूटोरियल या ग्रुप चैट में न डालें।

SDK (सॉफ्टवेयर डेवलपमेंट किट) कोड, निर्देशों, उदाहरणों और टूल का एक संग्रह है जो किसी प्लेटफॉर्म के लिए एप्लिकेशन विकसित करते समय आमतौर पर उपयोग किया जाता है। जहाँ API आपको बताता है "कैसे ऑर्डर करें", वहीं SDK मेनू, बर्तन और प्रदर्शन व्यंजन तैयार करता है, जिससे डेवलपर्स को बहुत सारा बेसिक कोड लिखने से बचाता है। विभिन्न प्रोग्रामिंग भाषाओं के आमतौर पर अपने SDK होते हैं।

CLI (कमांड-लाइन इंटरफ़ेस) टेक्स्ट कमांड टाइप करके कंप्यूटर संचालित करने का एक इंटरफ़ेस है। ग्राफिकल इंटरफ़ेस आपको "नया फ़ोल्डर" पर क्लिक करने देता है, जबकि CLI आपको ऐसा करने के लिए एक कमांड टाइप करने देता है। यह एक काली विंडो की तरह दिखता है, लेकिन वास्तव में यह संचालित करने का एक और तरीका है; AI ओपन-सोर्स टूल की स्थापना और चलाने में अक्सर CLI का उपयोग किया जाता है।

एक टर्मिनल वह विंडो है जहाँ कमांड प्रदर्शित और दर्ज किए जाते हैं, जैसे Mac पर "Terminal" या Windows Terminal। इसे आप और कंप्यूटर के बीच चैट विंडो की तरह समझें, जहाँ CLI कमांड कंप्यूटर को भेजे गए संदेश हैं। टर्मिनल विंडो है, CLI टेक्स्ट के माध्यम से संचालन का तरीका है; ये दोनों अक्सर एक साथ दिखाई देते हैं।

रिपॉजिटरी, जिसे अक्सर Repo कहा जाता है, एक ऐसी जगह है जहाँ प्रोजेक्ट फ़ाइलें और संशोधन इतिहास केंद्रीय रूप से सहेजे जाते हैं। यह संस्करण रिकॉर्ड वाले प्रोजेक्ट फ़ोल्डर की तरह है, जहाँ कोड, निर्देश, छवियाँ और कॉन्फ़िगरेशन रखे जा सकते हैं। जब कोई कहता है "Repo को क्लोन करो", तो आमतौर पर इसका मतलब इस प्रोजेक्ट और इसके इतिहास को अपने कंप्यूटर पर कॉपी करना होता है।

Git फ़ाइल संस्करणों में बदलाव रिकॉर्ड करने का एक उपकरण है। यह बता सकता है कि कौन सी सामग्री बदली गई और किसके द्वारा, और यह विभिन्न चरणों के संस्करणों को रख सकता है। यह लेख लिखते समय हर बार सहेजने जैसा है, लेकिन अधिक व्यवस्थित। Git स्थानीय रूप से काम करता है और हर समय ऑनलाइन रहने की आवश्यकता नहीं है, और यह GitHub के समान नहीं है।

GitHub Git रिपॉजिटरी को होस्ट करने और बहु-व्यक्ति सहयोग का समर्थन करने वाली वेबसाइट है। डेवलपर्स इसमें कोड प्रकाशित करते हैं, निर्देश लिखते हैं, समस्याओं की रिपोर्ट करते हैं, और संयुक्त रूप से प्रोजेक्ट संशोधित करते हैं। Git संस्करण प्रबंधन उपकरण है, और GitHub ऑनलाइन होस्टिंग और सहयोग प्रदान करने वाला प्लेटफ़ॉर्म है; AI ओपन-सोर्स टूल सीखते समय, आप अक्सर GitHub लिंक से शुरू करेंगे।

CLI को पहली बार देखते समय घबराएँ नहीं। कमांड कॉपी करने से पहले, जाँच लें कि यह कुछ पढ़ेगा, बदलेगा, हटाएगा या अपलोड करेगा, और महत्वपूर्ण फ़ाइलों से जुड़े होने पर पहले कॉपी के साथ अभ्यास करें।

VI. स्थानीय मॉडल और हार्डवेयर के लिए सामान्य शब्द

आपको शब्दों के इस समूह को तभी ध्यान से देखने की ज़रूरत है जब आप अपने कंप्यूटर पर मॉडल चलाने के लिए तैयार हों। यदि आप आमतौर पर ऑनलाइन AI उत्पादों का उपयोग करते हैं, तो सामान्य अर्थ जानना पर्याप्त है।

स्थानीय तैनाती (Local Deployment) का मतलब है अपने कंप्यूटर, फ़ोन या कंपनी की मशीन पर मॉडल या प्रोग्राम चलाना। डेटा कम बाहरी सेवाओं से होकर गुज़रता है और ऑफ़लाइन उपयोग किया जा सकता है; हालाँकि, इंस्टॉलेशन, अपडेट, प्रदर्शन और सुरक्षा आपको स्वयं संभालनी होती है। यह उन लोगों के लिए उपयुक्त है जो डेटा नियंत्रण को महत्व देते हैं या एक निश्चित वातावरण चाहते हैं, लेकिन इसका मतलब यह नहीं है कि यह स्वाभाविक रूप से पूरी तरह सुरक्षित है।

क्लाउड API वह है जब मॉडल सेवा प्रदाता के रिमोट सर्वर पर चलता है, और उपयोगकर्ता नेटवर्क पर अनुरोध भेजते हैं और परिणाम प्राप्त करते हैं। यह रेस्तराँ में ऑर्डर करने जैसा है; आपको खुद स्टोव और सामग्री खरीदने की ज़रूरत नहीं है, जिससे शुरू करना आसान हो जाता है; साथ ही, यह नेटवर्क, मूल्य, कॉल सीमाएँ, प्लेटफ़ॉर्म नियम और डेटा नीतियों से प्रभावित होता है।

ओपन सोर्स का आमतौर पर मतलब है कि स्रोत कोड एक निश्चित लाइसेंस के तहत सार्वजनिक है, जिससे दूसरे लाइसेंस द्वारा अनुमत दायरे में कोड को देख, संशोधित और वितरित कर सकते हैं। सार्वजनिक डाउनलोड का मतलब यह नहीं है कि इसका व्यावसायिक रूप से स्वतंत्र रूप से उपयोग किया जा सकता है; विभिन्न लाइसेंसों की अलग-अलग आवश्यकताएँ होती हैं। जब आप "Open Source AI" देखते हैं, तब भी आपको यह देखना होगा कि कोड, डेटा और वज़न के कौन से हिस्से वास्तव में खुले हैं।

ओपन वेट्स का मतलब है कि मॉडल प्रशिक्षण के बाद के पैरामीटर डाउनलोड किए जा सकते हैं, जिससे उपयोगकर्ताओं को अपने उपकरणों पर उन्हें चलाने या आगे समायोजित करने का अवसर मिलता है। प्रशिक्षण डेटा, पूर्ण प्रशिक्षण कोड और व्यावसायिक अधिकार आवश्यक रूप से एक साथ खुले नहीं होते हैं। इसलिए, ओपन वेट्स और पूर्ण ओपन सोर्स दो अलग चीज़ें हैं; इनका विशेष रूप से कैसे उपयोग किया जा सकता है, यह मॉडल लाइसेंस पर निर्भर करता है।

GPU मूल रूप से ग्राफ़िक्स प्रोसेसिंग में अच्छे थे और बड़ी मात्रा में समान गणनाओं को एक साथ पूरा करने के लिए भी बहुत उपयुक्त हैं, इसलिए इनका व्यापक रूप से AI मॉडल को प्रशिक्षित और चलाने के लिए उपयोग किया जाता है। यह लोगों के एक बड़े समूह की तरह है जो समानांतर में समस्याएँ हल कर सकता है। स्थानीय मॉडल चलाने के लिए कंप्यूटर खरीदते समय, GPU मॉडल और VRAM आकार आमतौर पर सामान्य कार्यालय परिदृश्यों की तुलना में अधिक महत्वपूर्ण होते हैं।

VRAM GPU द्वारा उपयोग की जाने वाली हाई-स्पीड मेमोरी है, जहाँ संचालन के दौरान मॉडल वज़न और मध्यवर्ती डेटा रखा जाना चाहिए। मॉडल बिल्डिंग ब्लॉक्स के एक बड़े सेट की तरह है, और VRAM टेबलटॉप की तरह है; यदि टेबलटॉप बहुत छोटा है, तो ब्लॉक फ़िट नहीं होंगे, और मॉडल लोड नहीं हो पाएगा या धीमी, अधिक स्थान-बचत विधियों की आवश्यकता होगी।

मॉडल नामों में 7B या 70B आमतौर पर लगभग 7 बिलियन या 70 बिलियन पैरामीटर दर्शाते हैं। पैरामीटर को मॉडल द्वारा प्रशिक्षण के बाद सीखी गई आंतरिक संख्याओं की विशाल मात्रा के रूप में समझा जा सकता है। बड़ी संख्याओं का आमतौर पर मतलब अधिक मेमोरी और गणना संसाधन होता है; इसका सीधा मतलब अधिक क्षमता नहीं है, क्योंकि प्रशिक्षण गुणवत्ता और विशिष्ट कार्य भी उतने ही महत्वपूर्ण हैं।

VII. यदि आप केवल 10 शब्द याद रखें

आपको 66 शब्द याद करने की ज़रूरत नहीं है। पहली बार पढ़ने के बाद, पहले ये 10 याद रखें:

• AI: मशीनों को ऐसे कार्य संभालने देना जिनमें समझ, निर्णय, भविष्यवाणी या सृजन की आवश्यकता होती है।
• LLM: भाषा को समझने और उत्पन्न करने के लिए ज़िम्मेदार बड़े मॉडल।
• Token: पाठ पढ़ते और लिखते समय मॉडलों द्वारा उपयोग किए जाने वाले छोटे टुकड़े।
• Context: वह जानकारी जिसका मॉडल इस बार उल्लेख कर सकता है।
• Prompt: वे आवश्यकताएँ और सामग्री जो आप AI को देते हैं।
• Hallucination: AI द्वारा गलत सामग्री को बहुत वास्तविक बनाना।
• RAG: पहले निर्दिष्ट सामग्री से पुनर्प्राप्त करना, फिर उत्तर व्यवस्थित करना।
• Agent: एक ऐसी प्रणाली जो किसी लक्ष्य के आसपास लगातार निर्णय ले और कार्य कर सके।
• MCP: AI को बाहरी डेटा और टूल से जोड़ने वाला एक खुला प्रोटोकॉल।
• CLI: टेक्स्ट कमांड के माध्यम से कंप्यूटर संचालित करने का इंटरफ़ेस।

कुछ महीने पहले, मैंने भी एक दिन में एक शब्द समझकर शुरुआत की थी। आपको आज सभी 66 शब्द याद करने की ज़रूरत नहीं है; जब तक अगली बार Agent, Skill या MCP देखने पर आपके दिमाग में एक सामान्य तस्वीर उभरती है, यह शब्दकोश अपना काम कर चुका है।

भविष्य में, जब कोई अजीब संक्षिप्त नाम मिले, तो पहले पूछें कि वह किस श्रेणी में आता है: मॉडल, संवाद, डेटा, एजेंट, इंटरफ़ेस या हार्डवेयर? यदि आप शब्द को इन छह दराजों में वापस रख सकते हैं, तो अधिकांश AI लेख पढ़ना बहुत आसान हो जाएगा।

लेखक के बारे में