मेरे व्यक्तिगत जीवन को स्वचालित करने के लिए मेरा एजेंट स्टैक

मेरा एजेंट मेरे ईमेल, SMS, WhatsApp, Telegram और लगभग हर चीज़ को मैनेज करता है ताकि मेरा निजी जीवन ऑटोमेटेड हो सके।

लोग मुझसे लगातार पूछते हैं कि मैं वास्तविक जीवन में एजेंट्स का उपयोग कैसे करता हूँ। मेरा मतलब है, वे वास्तव में उबाऊ काम जो एक दिन को गायब कर देते हैं: WhatsApp और Telegram पढ़ना, किसी का ईमेल ढूंढना, वेब पर सर्च करना, इंट्रो लिखना, Google Drive में कोई डॉक्यूमेंट अपडेट करना, कैलेंडर इवेंट बनाना, यह देखना कि किसे अभी भी जवाब चाहिए, और यह सब उन्हीं अस्त-व्यस्त टूल्स पर करना जो मैं पहले से उपयोग करता हूँ।

मेरा जवाब निराशाजनक रूप से सरल है। मैं Codex को अपने वास्तविक जीवन के डेटा के ऊपर एक ऑपरेटर के रूप में उपयोग करता हूँ। इसके पास टूल्स हैं। इसके पास डेटा कनेक्टर हैं। इसके पास स्किल्स हैं। इसके पास स्रोत ऑफ ट्रूथ है। इसके पास स्थानीय रूप से कार्य करने के लिए पर्याप्त अनुमतियाँ हैं, और पर्याप्त अनुमोदन गेट्स हैं कि यह मुझे सार्वजनिक रूप से शर्मिंदा नहीं करता है।

यह मूल रूप से सेटअप है। टूल्स, डेटा कनेक्टर, स्किल्स, और टेस्ट।

मैं पहले इसका अधिकांश हिस्सा Claude Code में करता था, लेकिन मैंने सेटअप को Codex में स्थानांतरित कर दिया है क्योंकि GPT-5.5 वर्तमान में इस तरह के काम के लिए एक बेहतर मॉडल है। Claude Code से Codex पर स्विच करना असली कहानी नहीं है। कहानी यह है कि एक बार जब कोई मॉडल काफी अच्छा हो जाता है, तो वास्तविक लाभ उस दुनिया से जुड़ने से आता है जिसमें आप पहले से रहते हैं।

महत्वपूर्ण हिस्सा यह है कि एजेंट सीमाओं के पार जा सकता है। मेरा निजी जीवन एक ऐप में नहीं है। यह Gmail, WhatsApp, Telegram, iMessage, Google Drive, Calendar, Notion, लोकल फाइल्स, रैंडम PDFs, ब्राउज़र सेशन और एक कॉन्टैक्ट स्प्रेडशीट के बीच बंटा हुआ है, जो दिखने से कहीं अधिक मूल्यवान है।

एक वास्तविक संचार उदाहरण

कुछ दिन पहले एक दोस्त ने मुझे WhatsApp मैसेज भेजा। वह एक तेज़ी से बढ़ते सैन फ्रांसिस्को AI स्टार्टअप को फ्रांस में भर्ती में मदद कर रही थी और अपने रिक्रूटिंग मैनेजर को एक रिक्रूटर से जोड़ना चाहती थी जिसे मैं जानता हूँ। मुझे रिक्रूटर का ईमेल याद नहीं था। मुझे स्टार्टअप के बारे में नवीनतम फंडिंग खबर नहीं पता थी। मुझे WhatsApp में सर्च करना था, Gmail में सर्च करना था, रिक्रूटर का ईमेल ढूंढना था, वेब पर सर्च करना था, समझना था कि स्टार्टअप विश्वसनीय क्यों था, एक इंट्रो ईमेल तैयार करना था, दो जॉब लिंक शामिल करना था, ड्राफ्ट मुझे दिखाना था, अनुमोदन के बाद ईमेल भेजना था, और फिर अपने दोस्त को टेक्स्ट करना था कि यह हो गया।

यह सामान्यतः बीस मिनट का कष्टप्रद ऐप स्विचिंग होता है। WhatsApp से Gmail से Google Search से फिर Gmail से फिर WhatsApp। यह कठिन काम नहीं है, लेकिन यह ठीक उस तरह का काम है जो ध्यान को जलाता है क्योंकि हर कदम एक छोटा कॉन्टेक्स्ट स्विच है।

एजेंट के साथ, मैंने परिणाम मांगा। इसने WhatsApp थ्रेड पढ़ा, रिक्रूटर के ईमेल के लिए Gmail में सर्च किया, वेब पर स्टार्टअप के फंडिंग और हालिया खबरों पर रिसर्च किया, इंट्रो तैयार किया, मेरी अनुमति की प्रतीक्षा की, ईमेल भेजा, और फिर मेरे दोस्त को टेक्स्ट किया कि इंट्रो हो गया। उपयोगकर्ता-सामने वाले हिस्से में लगभग दस सेकंड लगे। एजेंट ने ग्लू वर्क (सेकंडों में!) किया।

यही घातक पैटर्न है। एजेंट "एक प्रश्न का उत्तर" नहीं दे रहा है। यह मेरे टूल्स के पार काम कर रहा है ताकि एक छोटा वास्तविक-विश्व वर्कफ़्लो पूरा हो सके (उर्फ "एक job-to-be-done")।

लाइसेंस प्लेट उदाहरण

एक और उदाहरण और भी अधिक उबाऊ है, यही कारण है कि मुझे यह पसंद है। मुझे अपनी कार के लिए एक नई लाइसेंस प्लेट मिली। मैंने Codex को फोटो और संदर्भ भेजा। इसने Google Drive में मेरे द्वारा रखी गई कार जानकारी Markdown फ़ाइल को अपडेट किया, लाइसेंस प्लेट बदला, रजिस्ट्रेशन नोट्स जोड़े, मौजूदा VIN, बीमा, मालिक और पता संरक्षित किया, फिर फ़ाइल वापस Drive पर अपलोड कर दिया।

यह अकेले उपयोगी है, लेकिन बेहतर संस्करण वह है जो आगे होता है। एजेंट ब्राउज़र ऑटोमेशन का उपयोग करके उसी जानकारी को हर जगह अपडेट कर सकता है: FasTrak, पार्किंग ऐप, बीमा पोर्टल, DMV संबंधित फॉर्म, या कोई अन्य वेब ऐप जिसके पास साफ API नहीं है। साफ सिस्टम के लिए, इसे API या CLI का उपयोग करना चाहिए। अस्त-व्यस्त सिस्टम के लिए, यह ब्राउज़र का उपयोग कर सकता है और यह बहुत अच्छा है! मैं अब Codex से Computer Use का भी उपयोग करता हूँ।

यही वह चीज़ है जिसके लिए पर्सनल एजेंट होते हैं। नाटकीय स्वायत्तता नहीं। प्रशासनिक निरंतरता। मैं हमेशा पृष्ठभूमि में Openclaw yolo मोड से डरता था। मैं नियंत्रण में रहने की सराहना करता हूँ।

Google Drive मेरा Source Of Truth है

सबसे महत्वपूर्ण आर्किटेक्चरल निर्णय जो मैंने लिया, वह था Google Drive में मूल्यवान व्यक्तिगत जानकारी को केंद्रीकृत करना। वर्षों तक, मेरा बहुत सारा ज्ञान Notion में रहता था। मुझे मानव कार्यक्षेत्र के रूप में Notion पसंद है, लेकिन मुझे यह एजेंट के लिए प्राथमिक स्रोत ऑफ ट्रूथ के रूप में पसंद नहीं है। API काम करता है, लेकिन कार्यक्षेत्र बहुत तरल है: नेस्टेड पेज, डेटाबेस, प्रॉपर्टीज़, अनुमतियाँ, फ़ॉर्मेटिंग, बैकलिंक्स, और बहुत सारी UI-मूल संरचना जो मनुष्यों के लिए सुखद और मॉडल के लिए कष्टप्रद है।

इसलिए मैंने मूल्यवान जानकारी को निर्यात करने और Google Drive में स्थानांतरित करने के लिए Notion API का उपयोग किया। मैं Notion कार्यक्षेत्र को पूरी तरह से संरक्षित करने की कोशिश नहीं कर रहा था। मैं जानकारी को एजेंट-पठनीय बनाने की कोशिश कर रहा था। Drive में अधिकांश उपयोगी जानकारी Markdown या CSV है, क्योंकि ये फ़ॉर्मेट एजेंट के लिए बिना किसी औपचारिकता के खोजना, डिफ करना, संपादित करना और वापस अपलोड करना आसान है। Google Drive स्रोत ऑफ ट्रूथ बन गया क्योंकि gogcli एजेंट को Gmail, Drive, Calendar, Docs, Sheets, Contacts और Tasks के लिए एक सरल कमांड लाइन सतह देता है।

यह एक कम प्रशंसित बिंदु है। आपको अपने ज्ञान को केवल मानव UI के लिए व्यवस्थित नहीं करना चाहिए। आपको इसे एजेंट के टूल पथ के लिए व्यवस्थित करना चाहिए। एजेंट स्थिर फ़ाइल ID, टेक्स्ट, टेबल, Markdown, CSV और ऐसे कमांड पसंद करते हैं जो JSON लौटाते हैं। यदि एजेंट इसे खोज सकता है, डाउनलोड कर सकता है, संपादित कर सकता है, अपलोड कर सकता है, और यह बता सकता है कि यह कहाँ से आया है, तो डेटा उपयोगी है।

मेरा व्यक्तिगत डेटा लेयर शर्मनाक रूप से सरल है। Google Drive में महत्वपूर्ण दस्तावेज़ हैं, ज्यादातर Markdown फ़ाइलें और CSV के रूप में। संपर्क Google शीट में रहते हैं जो एक CSV के रूप में मिरर किया गया है। Notion निर्यात Drive में आते हैं। स्थानीय निर्देश AGENTS.md में रहते हैं। स्किल्स फ़ोल्डरों में Markdown फ़ाइलों के रूप में रहती हैं। स्रोत ऑफ ट्रूथ सुरुचिपूर्ण नहीं है। यह सुपाठ्य है।

बहुत सारी व्यक्तिगत उत्पादकता बस इस डेटा को जोड़ना है। एक तथ्य WhatsApp में है। दूसरा Gmail में है। ईमेल पता Contacts में है। तारीख Calendar में है। दस्तावेज़ Drive में है। एजेंट उपयोगी हो जाता है जब वह उन सीमाओं को पार कर सकता है बिना मुझसे गोंद बनने के लिए कहे।

मेरे सबसे अच्छे निवेशों में से एक contact.csv बनाना था जिसमें मेरे जानने वाले सभी लोगों का फ़ोन नंबर, ईमेल, LinkedIn आदि हो।

उपकरण

मुख्य उपकरण डिज़ाइन द्वारा उबाऊ हैं। मैं Google Workspace के लिए gogcli का उपयोग करता हूँ, WhatsApp के लिए wacli, iMessage और SMS के लिए imsg, वेब ऐप्स के लिए Browser Use या ब्राउज़र ऑटोमेशन, और AppleScript या macOS UI ऑटोमेशन जब कोई बेहतर इंटरफ़ेस न हो।

पदानुक्रम सरल है। API और CLI सबसे अच्छे हैं। स्थानीय फ़ाइलें बढ़िया हैं। ब्राउज़र ऑटोमेशन स्वीकार्य है। स्क्रीन ऑटोमेशन अंतिम उपाय है।

यह पदानुक्रम मायने रखता है क्योंकि एजेंट केवल अपने टूल सतह जितने ही विश्वसनीय हैं। किसी मॉडल को वेबसाइट पर क्लिक करने के लिए कहना कभी-कभी आवश्यक है, लेकिन यह खुशी का रास्ता नहीं है। एक कमांड जैसे gog gmail messages list या wacli messages list --json मॉडल के लिए निरीक्षण, पुनर्प्रयास और तर्क करना बहुत आसान है।

यहाँ बताया गया है कि व्यवहार में टूल लेयर कैसा दिखता है:

इनमें से कुछ भी विज्ञान कथा जैसा नहीं दिखता। यही बात है। पर्सनल एजेंट का भविष्य कमांड के ढेर के रूप में शुरू होता है जो मॉडल को उन टूल्स को संचालित करने देता है जिनका आप पहले से उपयोग करते हैं। आप मॉडल और API के बीच अमूर्तन परतों को अधिकतम कम करना चाहते हैं।

कौशल

उपकरण एजेंट को हाथ देते हैं। कौशल इसे आदतें देते हैं। एक कौशल बस एक छोटा ऑपरेटिंग मैनुअल है जो एजेंट को बताता है कि एक आवर्ती कार्य को मेरी पसंद के अनुसार कैसे करना है।

मेरा इनबॉक्स-ज़ीरो कौशल एक अच्छा उदाहरण है। यह एजेंट को बताता है कि gog के माध्यम से Gmail इनबॉक्स संदेशों को सूचीबद्ध करें, ऑटो-आर्काइव को नीड्स-रिव्यू से अलग करें, मुझे महत्वपूर्ण ईमेल दिखाएं, सारांश उद्धृत करें, आर्काइव या रिप्लाई सुझाएं, ड्राफ्ट तैयार करें, स्पष्ट अनुमोदन की प्रतीक्षा करें, मूल थ्रेड में भेजें, सभी प्राप्तकर्ताओं को संरक्षित करें, भेजने के बाद ही आर्काइव करें, जवाब छोटे रखें, जब तक मैं न पूछूं तब तक कभी कॉल न सुझाएं, और "Nicolas" के साथ हस्ताक्षर करें।

यह कोई फैंसी आर्किटेक्चर नहीं है। यह एक प्रक्रिया है। लेकिन प्रक्रिया ही उत्पाद है और... यह सिर्फ टेक्स्ट निर्देश है।

कौशल के बिना, मुझे हर बार प्रॉम्प्ट बनना पड़ता है। मुझे एजेंट को याद दिलाना पड़ता है कि अनुमति के बिना न भेजे, cc प्राप्तकर्ताओं को न गिराए, कॉल न सुझाए, और किसी अजीब कॉर्पोरेट हस्ताक्षर के साथ हस्ताक्षर न करे। कौशल के साथ, मैं कहता हूँ "इनबॉक्स ज़ीरो चलाएं," और वर्कफ़्लो में पहले से ही मेरा स्वाद शामिल होता है।

महत्वपूर्ण आदत यह है कि जब भी एजेंट कोई गलती करता है, मैं कौशल में सुधार करता हूँ। यदि यह एक कॉल सुझाता है जब मुझे कॉल से नफरत है, तो मैं वह नियम जोड़ता हूँ। यदि यह cc प्राप्तकर्ताओं को संरक्षित करना भूल जाता है, तो मैं वह नियम जोड़ता हूँ। यदि यह बहुत आक्रामक रूप से आर्काइव करता है, तो मैं वर्गीकरण को कड़ा करता हूँ। एजेंट बेहतर होता जाता है क्योंकि प्रक्रिया बेहतर होती जाती है।

इस तरह पर्सनल एजेंट पर्सनल बनते हैं। एक प्यारी आवाज़ रखने से नहीं। ऑपरेशनल टेस्ट जमा करके।

सेटअप कंपाउंड होता है क्योंकि गलतियाँ निर्देश बन जाती हैं।

अनुमोदन गेट्स ही उत्पाद हैं

मैं ऐसा एजेंट नहीं चाहता जो आंख मूंदकर सभी को जवाब देता है। मैं ऐसा एजेंट चाहता हूँ जो काम तैयार करता है, मुझे ड्राफ्ट दिखाता है, और सही पल पर पूछता है। अधिकांश संचार वर्कफ़्लो के लिए, लूप है: संदर्भ पढ़ें, प्रतिक्रिया तैयार करें, मुझे दिखाएं, अनुमोदन की प्रतीक्षा करें, भेजें, पुष्टि करें।

कभी-कभी मैं इसे सीधे भेजने देता हूँ जब दांव कम होते हैं। "ह्यूगो को बताओ कि मैं अगले हफ्ते सिएटल में हूँ" के लिए बोर्ड मीटिंग की आवश्यकता नहीं है। लेकिन एक निवेशक ईमेल, एक ग्राहक जवाब, एक इंट्रो, या सामाजिक बारीकियों वाली कोई भी चीज़ पहले तैयार की जानी चाहिए।

यह उपयोगी और भयावह के बीच का अंतर है। केवल-पढ़ने के लिए स्कैनिंग एक भरोसे का स्तर है। ड्राफ्टिंग दूसरा है। भेजना तीसरा है। हटाना, भुगतान करना, हस्ताक्षर करना, या खाता सेटिंग बदलना पूरी तरह से अलग स्तर है। भविष्य यह नहीं है कि "एजेंट सब कुछ करता है।" भविष्य यह है कि "एजेंट थकाऊ काम करता है और सही पलों पर पूछता है।"

घातक वर्कफ़्लो: मैं क्या चूक गया?

घातक वर्कफ़्लो ईमेल नहीं है। यह जीवन इनबॉक्स ट्राइएज है। हर कुछ घंटों में, मैं पूछना चाहता हूँ, "मैं क्या चूक गया?" और एजेंट को WhatsApp, Telegram, Gmail, SMS, Calendar और प्रासंगिक Drive परिवर्तनों को स्कैन करने देना चाहता हूँ। फिर मैं चाहता हूँ कि यह मुझे बताए कि किसे जवाब चाहिए, क्या जरूरी है, क्या बासी है, किसे अनदेखा किया जा सकता है, क्या कैलेंडर इवेंट बनना चाहिए, और किसे दस्तावेज़ खोज की आवश्यकता है।

यह एकदम सही एजेंट कार्य है क्योंकि यह संदर्भ-भारी, दोहराव वाला, क्रॉस-टूल है, और छोटे फैसलों से भरा हुआ है। मनुष्य पहला पास करने से नफरत करते हैं। एजेंट पहले पास में अच्छे होते हैं। निर्णय अभी भी मेरा है।

परिणाम यह नहीं है कि मेरा जीवन स्वायत्त हो जाता है। परिणाम यह है कि मैं वह व्यक्ति नहीं रहता जो मैन्युअल रूप से पांच ऐप्स में खुदाई करके उन तीन चीजों की खोज करता है जो मायने रखती हैं।

मेरा वर्तमान सेटअप चेकलिस्ट

यदि कोई मेरे सेटअप को दोहराना चाहता है, तो यह चेकलिस्ट है। Codex स्थापित करें। Google Workspace के लिए gogcli स्थापित करें। WhatsApp के लिए wacli स्थापित करें। यदि आप Telegram का उपयोग करते हैं तो एक Telegram कनेक्टर स्थापित करें। iMessage और SMS के लिए imsg स्थापित करें। ब्राउज़र ऑटोमेशन जोड़ें, आदर्श रूप से Browser Use या Chrome कंट्रोलर के माध्यम से। AppleScript और UI स्क्रिप्टिंग के माध्यम से macOS ऑटोमेशन जोड़ें। यदि आपका ज्ञान Notion में रहता है, तो मूल्यवान भागों को Google Drive में निर्यात करने के लिए Notion API का उपयोग करें।

फिर डेटा को केंद्रीकृत करें। Google Drive को स्रोत ऑफ ट्रूथ बनाएं। संपर्कों को Google शीट या CSV में रखें। महत्वपूर्ण व्यक्तिगत दस्तावेज़ों को खोजने योग्य फ़ाइलों के रूप में रखें। स्थानीय AGENTS.md निर्देश रखें। आवर्ती वर्कफ़्लो के लिए छोटे कौशल रखें।

फिर अनुमतियाँ सावधानीपूर्वक प्रदान करें। स्थानीय फ़ाइलों और ऐप डेटाबेस के लिए Full Disk Access आवश्यक है। Screen Recording एक दृश्य फ़ॉलबैक के रूप में उपयोगी है। ऐप्स में क्लिक करने और टाइप करने के लिए Accessibility आवश्यक है। ये गंभीर अनुमतियाँ हैं, इसलिए इन्हें गंभीर अनुमोदन गेट्स के साथ जोड़ें।

फिर ऑपरेटिंग नियम लिखें।

यह मूल रूप से वही है। टूल्स, डेटा कनेक्टर, स्किल्स, अनुमोदन गेट्स, और निरंतर सुधार।

यह नया ऑपरेटिंग सिस्टम है

पर्सनल कंप्यूटर ऐप-संचालित हुआ करता था। आप ऐप खोलते थे, सर्च करते थे, क्लिक करते थे, कॉपी करते थे, पेस्ट करते थे, लिखते थे, और भेजते थे। एजेंट-संचालित कंप्यूटर अलग महसूस होता है। आप इरादा बताते हैं, एजेंट संदर्भ इकट्ठा करता है, कार्रवाई प्रस्तावित करता है, जरूरत पड़ने पर अनुमोदन की प्रतीक्षा करता है, निष्पादित करता है, और रिपोर्ट करता है।

एक बार जब आप इसका अनुभव कर लेते हैं, तो पुराना तरीका बेतुका लगता है। मैं एक इंट्रो भेजने के लिए मैन्युअल रूप से WhatsApp, Gmail, Google Drive और वेब क्यों खोज रहा हूँ? मैं एक लाइसेंस प्लेट को पांच अलग-अलग पोर्टल्स में क्यों कॉपी कर रहा हूँ? मैं उन तीन को खोजने के लिए 100 संदेश क्यों पढ़ रहा हूँ जो मायने रखते हैं?

कंप्यूटर को वह करना चाहिए।

सेटअप अभी भी बदसूरत है। CLI खुरदरे हैं। अनुमतियाँ कष्टप्रद हैं। कुछ कनेक्टर टूट जाते हैं। ब्राउज़र ऑटोमेशन नाजुक है। आपको कौशल लिखने होंगे। आपको एक स्रोत ऑफ ट्रूथ बनाए रखना होगा। लेकिन भविष्य आमतौर पर इसी तरह शुरू होता है।

पहले उपयोगी पर्सनल एजेंट पॉलिश किए गए उपभोक्ता ऐप्स की तरह नहीं दिखेंगे। वे एक टर्मिनल के अंदर एक मॉडल की तरह दिखेंगे जिसकी आपकी फ़ाइलों, खातों, यादों और टूल्स तक पहुंच हो।

मैं आज यही उपयोग करता हूँ, और हर हफ्ते मैं इसे अपने जीवन का एक और टुकड़ा संचालित करने के लिए देता हूँ।