आप 4 महीनों में शून्य से एक हायर करने योग्य AI इंजीनियर बन सकते हैं। यहाँ सटीक रास्ता दिया गया है।

AI इंजीनियरिंग: 4 महीने का करियर स्विच रोडमैप

AI इंजीनियरिंग आज टेक में सबसे अच्छे वेतन वाली, सबसे तेज़ी से बढ़ती नौकरियों में से एक है। और इसका दरवाज़ा पहले से कहीं ज़्यादा चौड़ा हो गया है।

ज़्यादातर गाइड इसे गलत करते हैं। वे आपको थ्योरी का एक ढेर थमा देते हैं, लीनियर अलजेब्रा और न्यूरल नेटवर्क मैथ में महारत हासिल करने को कहते हैं, और दूसरे हफ़्ते तक आपको खो देते हैं।

या फिर वे आपको बिना किसी क्रम और निर्णय के 80 लिंक में दफना देते हैं, जिससे आप पढ़ाई करने से ज़्यादा समय यह तय करने में बिताते हैं कि क्या पढ़ना है।

मैंने लोकप्रिय रोडमैप पढ़े, उनमें सुझाए गए टूल्स को टेस्ट किया, और वह संस्करण बनाया जो मैं एक ऐसे दोस्त को देता जो करियर बदल रहा है और उसके पास असली काम है।

कोई मैथ डिग्री नहीं। कोई 4 साल का प्लान नहीं।

चार फोकस्ड महीने, प्रति स्किल एक स्पष्ट चुनाव, असली प्रॉम्प्ट जिन्हें आप कॉपी कर सकते हैं, और वे गलतियाँ जो चुपचाप ज़्यादातर करियर स्विच को शुरू होने से पहले ही खत्म कर देती हैं।

यहाँ बताया गया है कि मुझे क्यों लगता है कि समय मायने रखता है, फिर पूरा रास्ता।

दरवाज़ा क्यों खुला है (और मैं इसे साबित कर सकता हूँ)

आपको शायद बताया गया होगा कि AI नौकरियाँ छीन लेगा।

यहाँ वह हिस्सा है जिसे कम प्रसार मिलता है: यह बाजार में लगभग किसी भी अन्य चीज़ की तुलना में तेज़ी से एक विशिष्ट, अच्छी तनख्वाह वाली नौकरी की श्रेणी बना रहा है, और सामान्य गेटकीपर गायब हो रहा है।

PwC के 2026 ग्लोबल AI जॉब्स बैरोमीटर ने छह महाद्वीपों में एक अरब से अधिक नौकरी के विज्ञापनों का विश्लेषण किया। तीन निष्कर्ष ऐसे हैं जो करियर बदलने के बारे में सोचने वाले किसी भी व्यक्ति के लिए मायने रखते हैं।

पहला, जिन नौकरियों में AI कौशल की आवश्यकता होती है, वे समग्र बाजार की तुलना में लगभग आठ गुना तेज़ी से बढ़ रही हैं। AI-कौशल वाली भूमिकाओं में 69% की वृद्धि हुई, जबकि कुल नौकरी बाजार में 9% की वृद्धि हुई।

यह कोई मामूली अंतर नहीं है। यह एक ऐसी श्रेणी है जो अपने आस-पास की हर चीज़ से आगे निकल रही है।

दूसरा, वेतन प्रीमियम वास्तविक है और बढ़ रहा है। AI कौशल वाले श्रमिकों को समान भूमिकाओं की तुलना में 62% वेतन प्रीमियम मिलता है, जो पिछले वर्ष के 57% से अधिक है।

कंपनियाँ उन लोगों के लिए अधिक भुगतान कर रही हैं, कम नहीं, जो वास्तव में इन टूल्स के साथ निर्माण कर सकते हैं।

तीसरा, और यह वह है जो करियर बदलने वालों के लिए गणित बदलता है: डिग्री की आवश्यकता गिर रही है, और यह इन्हीं भूमिकाओं के लिए सबसे तेज़ी से गिर रही है।

PwC ने पाया कि 2019 और 2024 के बीच AI-संवर्धित नौकरियों में डिग्री की आवश्यकता वाले हिस्से में 66% से 59% की गिरावट आई है।

उन नौकरियों के लिए जहाँ AI काम के कुछ हिस्सों को स्वचालित करता है, यह 53% से 44% तक और गिर गया। नियोक्ता AI-एक्सपोज़्ड काम में कहीं और की तुलना में तेज़ी से क्रेडेंशियल फ़िल्टर हटा रहे हैं।

एक और संख्या है जिस पर ध्यान देना चाहिए। अमेरिका में, AI के लिए सबसे अधिक एक्सपोज़्ड एंट्री-लेवल भूमिकाओं में 2019 से 35% की वृद्धि हुई है।

इसी अवधि में, अन्य एंट्री-लेवल भूमिकाओं में 10% की गिरावट आई। AI सीढ़ी का सबसे निचला पायदान चौड़ा हो रहा है जबकि बाकी एंट्री-लेवल बाजार सिकुड़ रहा है।

अब ईमानदार काउंटरवेट, क्योंकि मैं आपको कोई कल्पना बेचने के लिए यहाँ नहीं हूँ।

PwC ने यह भी पाया कि AI-एक्सपोज़्ड एंट्री-लेवल भूमिकाएँ तेज़ी से उन कौशलों की माँग कर रही हैं जो पहले वरिष्ठ लोगों के लिए आरक्षित थे: निर्णय, संचार, किसी कार्य के बजाय परिणाम का स्वामित्व लेने की क्षमता।

बार हर जगह कम नहीं हुआ है। यह स्थानांतरित हो गया है। यह "क्या आपके पास क्रेडेंशियल है" से कम और "क्या आप वास्तव में इसे काम कर सकते हैं और समझा सकते हैं कि यह क्यों काम करता है" से अधिक है।

इसे बुरी खबर के रूप में पढ़ें यदि आप बिना किसी कार्य अनुभव के एक नए स्नातक हैं। इसे अच्छी खबर के रूप में पढ़ें यदि आप किसी अन्य करियर से स्विच कर रहे हैं, क्योंकि आपके पास पहले से ही वह चीज़ है जो वे अब माँग रहे हैं।

आपने चीज़ें शिप की हैं। आपने हितधारकों के साथ काम किया है। आपने दबाव में परिणामों का स्वामित्व लिया है।

CS डिग्री वाले 22 वर्षीय व्यक्ति ने आमतौर पर ऐसा नहीं किया है। यदि आप अपने मौजूदा निर्णय को इस गाइड के तकनीकी कौशल के साथ जोड़ते हैं, तो आप नए स्नातकों से पीछे नहीं हैं।

जिस धुरी पर नियोक्ता सबसे अधिक ध्यान देते हैं, आप उनसे आगे हैं।

यह स्विचर का किनारा है, और लगभग कोई भी रोडमैप आपको इसके बारे में नहीं बताता है। इसे पूरे चार महीनों के लिए अपनी जेब में रखें। यही कारण है कि यह विशेष रूप से आपके लिए यथार्थवादी है।

पैसे के बारे में एक त्वरित शब्द, क्योंकि आप चार महीने प्रतिबद्ध करने से पहले वास्तविक संख्या जानना चाहेंगे।

मैं अंत में स्रोतों के साथ पूरा विवरण दूंगा, लेकिन संक्षिप्त संस्करण: 2026 के मध्य तक, Glassdoor ने अमेरिकी AI इंजीनियर के औसत वेतन को लगभग $143,500 रखा है, जिसकी सामान्य सीमा लगभग $115,000 से $181,000 है।

वरिष्ठ भूमिकाएँ बहुत अधिक चलती हैं। प्रोडक्शन AI काम में लोगों को रखने वाले रिक्रूटर्स मिड-लेवल बेस सैलरी को $155,000 और $200,000 के बीच क्लस्टर करते हुए रिपोर्ट करते हैं।

ये किसी हाइप थ्रेड से निकाले गए हाइप के आंकड़े नहीं हैं। ये वर्तमान हैं, और मैं आपको दिखाऊंगा कि उनमें से प्रत्येक कहाँ से आता है।

एक AI इंजीनियर वास्तव में क्या करता है (60-सेकंड का संस्करण)

योजना से पहले, आइए डर के सबसे बड़े स्रोत को खत्म करें, क्योंकि यह किसी भी तकनीकी बाधा से अधिक लोगों को रोकता है।

जब ज़्यादातर लोग "AI इंजीनियर" सुनते हैं, तो वे किसी ऐसे व्यक्ति की कल्पना करते हैं जो एक लैब में GPUs और ऐसे गणित से घिरा हुआ एक विशाल मॉडल को स्क्रैच से ट्रेन कर रहा है जिसे वे कभी नहीं समझ पाएंगे।

यह एक अलग नौकरी है। इसे रिसर्च साइंटिस्ट या ML रिसर्चर कहा जाता है, इनकी संख्या अपेक्षाकृत कम है, और इसके लिए आमतौर पर उन्नत डिग्री की आवश्यकता होती है।

AI इंजीनियर की नौकरी जो बाजार से आठ गुना तेज़ी से बढ़ रही है, वह पूरी तरह से अलग चीज़ है।

आप मौजूदा मॉडलों के ऊपर प्रोडक्ट और फीचर बनाते हैं। आप Claude, या GPT, या एक ओपन-सोर्स मॉडल लेते हैं, और आप इसे एक वास्तविक एप्लिकेशन के अंदर एक विशिष्ट, विश्वसनीय काम करवाते हैं।

व्यवहार में, इसका मतलब है कि आप मॉडल APIs से कनेक्ट करते हैं, उन प्रॉम्प्ट और कॉन्टेक्स्ट को डिज़ाइन करते हैं जिन्हें आप फीड करते हैं, स्ट्रक्चर्ड डेटा वापस प्राप्त करते हैं, मॉडल को टूल्स और डेटाबेस से वायर करते हैं, इसे सही जानकारी प्राप्त करने देते हैं, हर उस चीज़ को संभालते हैं जो गलत हो सकती है, और इसे डिप्लॉय करते हैं ताकि वास्तविक लोग इसका उपयोग कर सकें।

यह सॉफ्टवेयर इंजीनियरिंग, प्रोडक्ट वर्क और एप्लाइड AI के बीच बैठता है। आप एक बिल्डर हैं, रिसर्चर नहीं।

यहाँ एक-लाइन टेस्ट है जिसका मैं उपयोग करूंगा। यदि आप किसी ऐप के अंदर एक LLM को विश्वसनीय रूप से एक विशिष्ट काम करवा सकते हैं, और जब यह टूटता है तो इसे ठीक करने के लिए पर्याप्त समझते हैं, तो आप एक AI इंजीनियर हैं। बस इतना ही।

इस गाइड में सब कुछ आपको उस वाक्य को अपने बारे में सच बनाने के लिए लक्षित है।

आपको यह जानने की आवश्यकता नहीं है कि ट्रांसफॉर्मर आंतरिक रूप से कैसे काम करता है। आपको कैलकुलस की आवश्यकता नहीं है। आपको बैकप्रोपेगेशन निकालने में सक्षम होने की आवश्यकता नहीं है।

आपको एक सक्षम बिल्डर होने की आवश्यकता है जो समझता है कि वास्तविक दुनिया में इन मॉडलों के साथ कैसे काम करना है।

यह एक सीखने योग्य कौशल है, और चार फोकस्ड महीने इसमें कार्यात्मक होने के लिए पर्याप्त हैं।

महीने 1 से पहले यह पढ़ें: 4 गलतियाँ जो करियर स्विच को खत्म कर देती हैं

मैं इसे जानबूझकर रोडमैप से पहले रख रहा हूँ।

ज़्यादातर गाइड गलतियों को अंत में दफनाते हैं, लेकिन जो गलतियाँ करियर स्विच को खत्म करती हैं, वे महीने तीन में नहीं, बल्कि हफ़्ते दो में होती हैं। यदि आप इस गाइड का केवल एक सेक्शन याद रखते हैं, तो इसे याद रखें।

मैंने लोगों को, जिसमें मेरा पहले का संस्करण भी शामिल है, इनमें से हर एक गलती करते देखा है। उनमें से कोई भी बुद्धिमत्ता के बारे में नहीं है।

वे रणनीति के बारे में हैं। रणनीति ठीक करें और चार महीने वास्तव में काम करते हैं।

गलती 1: थ्योरी और मैथ से शुरू करना।

आप उत्साहित हो जाते हैं, आप इसे सही करना चाहते हैं, इसलिए आप एक मशीन लर्निंग कोर्स ढूंढते हैं और लीनियर अलजेब्रा, ग्रेडिएंट डिसेंट और न्यूरल नेटवर्क के पीछे के गणित से शुरू करते हैं।

तीन हफ़्ते बाद आपने बहुत सारे लेक्चर देखे हैं, आप कुछ भी नहीं बना सकते, और आप एक इम्पोस्टर जैसा महसूस करते हैं। तो आप छोड़ देते हैं।

समाधान: इसे छोड़ें। आप जिस नौकरी को लक्षित कर रहे हैं, उसके लिए आपको गणित निकालने की आवश्यकता नहीं है।

आपको बनाने की आवश्यकता है।

जैसे-जैसे आप वास्तविक प्रोजेक्ट्स में उनसे टकराएंगे, आप उन अवधारणाओं को उठाएंगे जिनकी आपको वास्तव में आवश्यकता है, और वे चिपक जाएंगी क्योंकि वे आपके द्वारा बनाई गई किसी चीज़ से जुड़ी होंगी।

थ्योरी-फर्स्ट सबसे आम कारण है कि स्मार्ट लोग इससे बाहर निकल जाते हैं। वहाँ से शुरू न करें।

गलती 2: बनाने के बजाय ट्यूटोरियल देखना।

यह चालाक है क्योंकि यह प्रगति जैसा लगता है। आप एक चार घंटे का Python कोर्स देखते हैं, सिर हिलाते हैं, महसूस करते हैं कि आपने कुछ सीखा। आपने नहीं सीखा।

आपने किसी और को कुछ सीखते देखा। जिस पल आप एक खाली फ़ाइल खोलते हैं, उसमें से कुछ भी नहीं है।

समाधान: 30 मिनट का नियम। आप देखने या पढ़ने में जितना समय बिताते हैं, उसके लिए कम से कम 30 मिनट बिना किसी ट्यूटोरियल के कुछ बनाने में बिताएं।

उदाहरण खुद टाइप करें। उन्हें तोड़ें। उन्हें बदलें। त्रुटियाँ प्राप्त करें और उन्हें ठीक करें। त्रुटियाँ ही सीखना हैं।

एक व्यक्ति जो चार महीने तक बुरी तरह से बनाता है, वह हर बार उस व्यक्ति को हराता है जो चार महीने तक पूरी तरह से देखता है।

नियोक्ता आपके GitHub को देखकर दस सेकंड में अंतर देख सकते हैं।

गलती 3: कौशल के बजाय टूल्स सीखना।

आप सुनते हैं कि LangChain चीज़ है, तो आप LangChain पर गहराई से जाते हैं।

छह महीने बाद क्षेत्र आगे बढ़ चुका है, हर कोई किसी और चीज़ पर है, और आपका LangChain ज्ञान बर्बाद लगता है। तो आप नए टूल का पीछा करते हैं।

फिर वह भी बदल जाता है। आप हमेशा पीछे रहते हैं क्योंकि आप गलत परत के लिए ऑप्टिमाइज़ कर रहे हैं।

समाधान: टूल के नीचे का कौशल सीखें। एक प्रॉम्प्ट लिखने का कौशल जो विश्वसनीय आउटपुट उत्पन्न करता है, जब कोई फ्रेमवर्क अपडेट होता है तो समाप्त नहीं होता है।

मॉडल से स्ट्रक्चर्ड डेटा प्राप्त करने का कौशल, या यह मूल्यांकन करने का कि आपका सिस्टम वास्तव में काम करता है या नहीं, या यह तय करने का कि किसी कार्य को एजेंट की आवश्यकता है या एकल कॉल की, ये हर उस टूल में स्थानांतरित होते हैं जो कभी अस्तित्व में होगा।

टूल्स को कौशल का अभ्यास करने के तरीके के रूप में सीखें, लक्ष्य के रूप में नहीं। यह गाइड इसी कारण से कौशल के आसपास आयोजित की गई है।

गलती 4: तब तक प्रतीक्षा करना जब तक आप सार्वजनिक रूप से बनाने के लिए तैयार महसूस न करें।

आप तय करते हैं कि आप अपना काम साझा करना, भूमिकाओं के लिए आवेदन करना, या फ्रीलांस सेवाएं देना तब शुरू करेंगे जब आप "तैयार" होंगे।

आप कभी भी तैयार महसूस नहीं करेंगे। तैयार एक भावना है जो शुरू करने के बाद आती है, पहले नहीं।

इस बीच, जो लोग काम पा रहे हैं और क्लाइंट प्राप्त कर रहे हैं, वे वे हैं जिन्होंने महीनों पहले कच्चा काम साझा करना शुरू कर दिया था, इससे पहले कि वे योग्य महसूस करें।

समाधान: महीने 1 में सार्वजनिक रूप से बनाना शुरू करें। अपनी बनाई छोटी चीज़ पोस्ट करें। आपने जो सीखा, उसके बारे में लिखें।

हर प्रोजेक्ट को उसी दिन GitHub पर डालें जिस दिन आप इसे खत्म करते हैं, भले ही वह बदसूरत हो।

"मैं सीख रहा हूँ" और "मैं दिखाई देने वाला निर्माण कर रहा हूँ" के बीच का अंतर वह जगह है जहाँ अधिकांश स्विचर एक साल के लिए फंस जाते हैं। इसे जल्दी बंद करें।

कोई भी इतनी बारीकी से नहीं देख रहा है कि आपका शुरुआती काम आपको शर्मिंदा करे, और कंपाउंडिंग उस दिन शुरू होती है जब आप शुरू करते हैं।

इन चारों को पूरे रास्ते दृष्टि में रखें।

नीचे दिया गया रोडमैप डिफ़ॉल्ट रूप से इन सभी से बचने के लिए डिज़ाइन किया गया है: कौशल-पहले, निर्माण-पहले, टूल-अज्ञेयवादी, पहले दिन से सार्वजनिक।

महीना 1: Python और प्लंबिंग

इस महीने आपका लक्ष्य: एक कार्यात्मक Python डेवलपर बनना जो API को कॉल कर सके, एक छोटे प्रोजेक्ट को मैनेज कर सके, और बुनियादी सिंटैक्स के लिए Googling करना बंद कर सके।

कोई विशेषज्ञ नहीं। कार्यात्मक।

महीने 2 से 4 तक सब कुछ मानता है कि आप साफ Python लिख सकते हैं और टर्मिनल में काम कर सकते हैं। यह नींव है, और इसे जल्दी करने से आपको बाद में नुकसान होगा।

यहाँ वह चीज़ है जिसे शुरू करने से पहले आंतरिक करना है: AI इंजीनियरिंग पहले सॉफ्टवेयर इंजीनियरिंग है। AI भाग एक सामान्य सॉफ्टवेयर स्टैक के ऊपर बैठता है।

यदि नीचे का स्टैक कमजोर है, तो AI भाग कभी विश्वसनीय नहीं होता है। इसलिए महीना 1 बुनियादी बातों के साथ इतना सहज होने के बारे में है कि वे आपके रास्ते में आना बंद कर दें।

मैं आपको प्रति कौशल एक प्राथमिक चुनाव दूंगा, जिसमें स्पष्ट निर्णय होगा कि क्यों। मैं जानबूझकर आपको प्रति विषय पाँच विकल्प नहीं दे रहा हूँ। पसंद गति की दुश्मन है।

उसे चुनें जिसकी ओर मैं इशारा करता हूँ, और केवल तभी शाखा लगाएं यदि यह वास्तव में आपके लिए काम नहीं कर रहा है।

Python

Python इस पूरे क्षेत्र की भाषा है। अगले चार महीनों में आप जिस लगभग हर लाइब्रेरी, API, ट्यूटोरियल और नौकरी को छूएंगे, वह Python में है। आप इसे सीखते हैं, और बाकी सब कुछ आसान हो जाता है।

मेरा चुनाव: CS50P, Harvard's Introduction to Programming with Python। मुफ्त, कठोर, और यह आपको किसी और को हल करते देखने के बजाय वास्तव में समस्याओं को हल करने के लिए मजबूर करता है।

समस्या सेट ही पूरा मूल्य हैं। यह एक सौम्य YouTube कोर्स की तुलना में अधिक मांग वाला है, और यही बात है।

आप वह संस्करण चाहते हैं जो आपको थोड़ा संघर्ष करवाता है, क्योंकि संघर्ष वह जगह है जहाँ कौशल बनता है।

इसे cs50.harvard.edu/python पर खोजें।

यदि CS50P एक पूर्ण शुरुआत के रूप में बहुत अधिक लगता है, तो YouTube पर freeCodeCamp Python कोर्स एक नरम ऑन-रैंप है, लेकिन इसे वार्म-अप के रूप में मानें, मुख्य कार्यक्रम के रूप में नहीं।

एक बार जब आप एक खाली फ़ाइल से नहीं डरते हैं, तो CS50P पर वापस आएं।

वास्तव में किस पर ध्यान केंद्रित करना है, मोटे तौर पर क्रम में: वेरिएबल और डेटा प्रकार, लूप और कंडीशनल, फंक्शन, फिर कलेक्शन प्रकार (लिस्ट, डिक्शनरी, सेट, टपल)।

फिर फ़ाइल हैंडलिंग और JSON पढ़ना और लिखना, जिसका आप AI APIs के साथ लगातार उपयोग करेंगे।

फिर दूसरों के कोड को बिना घबराहट के पढ़ने के लिए पर्याप्त क्लासेस और ऑब्जेक्ट-ओरिएंटेड बेसिक्स।

फिर try और except के साथ एरर हैंडलिंग।

अंत में, वर्चुअल एनवायरनमेंट और pip, ताकि आप अपने सिस्टम को तोड़े बिना पैकेज इंस्टॉल कर सकें।

इनमें से किसी को भी याद करने की कोशिश न करें। इसे इतनी अच्छी तरह से समझें कि इसे जल्दी से खोज सकें, और इसके साथ तब तक बनाएं जब तक यह चिपक न जाए।

महीने 1 के लिए आपका Python बिल्ड लक्ष्य: एक छोटा कमांड-लाइन टूल जो कुछ वास्तविक करता है।

एक खर्च ट्रैकर जो JSON फ़ाइल में पढ़ता और लिखता है, एक अच्छा है। या एक स्क्रिप्ट जो एक मुफ्त सार्वजनिक API को कॉल करती है और परिणामों को एक साफ प्रारूप में प्रिंट करती है।

आपके अपने कोड की लगभग 60 से 100 लाइनों वाली कोई चीज़।

इससे कोई फर्क नहीं पड़ता कि यह बदसूरत है। यह मायने रखता है कि आपने इसे लिखा है।

पहले दिन से AI के साथ सीखना

यह वह जगह है जहाँ मैं कुछ ऐसा करूंगा जो पुराने रोडमैप नहीं करते: AI का उपयोग AI सीखने के लिए करें, पहले हफ्ते से शुरू करें।

आपके पास अब तक बनाए गए सबसे अच्छे धैर्यवान ट्यूटर तक पहुंच है, और यह मुफ्त टियर पर कुछ भी खर्च नहीं करता है। जब आप किसी ऐसी त्रुटि से टकराते हैं जिसे आप नहीं समझते हैं, तो फोरम पर 40 मिनट न बिताएं।

इसे Claude या ChatGPT में पेस्ट करें और इसे सादे अंग्रेजी में त्रुटि समझाने और आपको बिना सीधे उत्तर दिए समाधान की ओर ले जाने के लिए कहें।

यहाँ एक कॉपी-पेस्ट प्रॉम्प्ट है जिसे मैं पहले दिन सेट करूंगा। इसे सेव करें।

यह इस गाइड में बुकमार्क करने लायक कई आर्टिफैक्ट्स में से पहला है।

प्रॉम्प्ट: आपका Python लर्निंग पार्टनर

(फ्रेमवर्क: FAG लर्निंग पार्टनर, AI गाइड्स द्वारा)

1आपका काम: मेरे धैर्यवान Python ट्यूटर के रूप में कार्य करना जब मैं एक करियर स्विचर के रूप में कोड करना सीख रहा हूँ।
2
3मेरे बारे में संदर्भ:
4- मैं AI इंजीनियर बनने के लिए Python सीख रहा हूँ।
5- मैं कोडिंग में पूर्ण शुरुआत हूँ लेकिन कड़ी मेहनत करने में नहीं।
6- मैं उत्तर दिए जाने के बजाय करके सबसे अच्छा सीखता हूँ।
7
8क्या करना है:
9- जब मैं कोई त्रुटि पेस्ट करूँ, तो सादे अंग्रेजी में समझाएँ कि इसका क्या अर्थ है और
10  इसका कारण क्या हो सकता है। मुझे केवल फिक्स्ड कोड न दें।
11- पहले एक संकेत के साथ मुझे समाधान की ओर इंगित करें। केवल पूरा समाधान दिखाएँ
12  यदि मैं दो बार पूछूँ।
13- जब मैं अपना लिखा कोड साझा करूँ, तो मुझे एक चीज़ बताएँ जो काम करती है और एक चीज़
14  जिसमें मैं सुधार कर सकता हूँ। इसे उन दो तक सीमित रखें।
15- कुछ काम करने के बाद, मुझसे एक छोटा प्रश्न पूछें जो जाँचता है
16  कि क्या मैं वास्तव में इसे समझ गया हूँ।
17
18नियम:
19- बिना एक-लाइन सादे-अंग्रेजी परिभाषा के कोई शब्दजाल नहीं।
20- मान लें कि मैं सीखना चाहता हूँ, सिर्फ पास नहीं करना। थोड़ा धीमा ठीक है।
21- यदि मैं एक बुरी आदत बनाने वाला हूँ, तो सीधे और दयालुता से कहें।
22
23आउटपुट: संवादात्मक, छोटा, एक बार में एक अवधारणा।

इस महीने हर दिन इसका उपयोग करें। यह कोडिंग सीखने के निराशाजनक हिस्सों को एक दीवार के बजाय बातचीत में बदल देता है।

यह आपको प्रॉम्प्टिंग में भी धाराप्रवाह बनाता है, जो महीने 2 का मुख्य कौशल है, इससे पहले कि आपको पता चले कि ऐसा हो रहा है।

एक सावधानी ताकि आप गलत आदत न बनाएं: AI का उपयोग समझने और अनब्लॉक करने के लिए करें, न कि पूरी चीज़ लिखने के लिए।

यदि आप इसे अपना कोड लिखने देते हैं जबकि आप देखते हैं, तो आप गलती 2 पर वापस आ जाते हैं।

इसे समझाने दें। आप टाइप करें।

Git और GitHub

Git वह तरीका है जिससे डेवलपर कोड को सेव, वर्जन और शेयर करते हैं।

GitHub वह जगह है जहाँ आपका काम सार्वजनिक रूप से रहता है और एक पोर्टफोलियो बन जाता है।

आप दोनों का लगातार उपयोग करेंगे, और एक करियर स्विचर के लिए, GitHub आपके पास रिज्यूमे के सबसे करीब की चीज़ है जब तक आपके पास एक न हो।

मेरा चुनाव: GitHub Skills। मुफ्त, इंटरैक्टिव, और GitHub द्वारा GitHub के अंदर ही बनाया गया, ताकि आप टूल का उपयोग करके सीखें। Git के बारे में अमूर्त रूप में पढ़ने के बजाय वहाँ से शुरू करें।

इसे skills.github.com पर खोजें।

यदि ब्रांचिंग और मर्जिंग मॉडल आपको भ्रमित करता है, और यह शुरू में सभी को भ्रमित करता है, तो Learn Git Branching विज़ुअल टूल आपको ब्रांच को हिलते देखकर इसे समझने में मदद करता है।

किस पर ध्यान केंद्रित करें: init, add, commit, push, और pull का मुख्य लूप। फिर ब्रांचिंग और मर्जिंग।

फिर .gitignore फ़ाइल क्या करती है और आप कभी भी सार्वजनिक रिपो में सीक्रेट या API कुंजियाँ क्यों नहीं करते हैं, जो तब बहुत मायने रखता है जब आप भुगतान वाले APIs के साथ काम कर रहे हों।

फिर एक बुनियादी README कैसे लिखें, क्योंकि आपके READMEs बाद में आपकी नौकरी खोज में वास्तविक काम करने वाले हैं।

इस महीने बनाने की आदत: आपके द्वारा छुआ गया हर प्रोजेक्ट, यहां तक कि 20-लाइन की स्क्रिप्ट, उसी दिन GitHub रिपो में जाता है जिस दिन आप इसे बनाते हैं।

यह व्यवहार में गलती 4 का समाधान है। आप शुरू से ही चुपचाप सार्वजनिक रूप से निर्माण कर रहे हैं।

महीने 4 तक आपके पास एक खाली प्रोफ़ाइल के बजाय काम का एक निशान होगा।

टर्मिनल

आप कमांड लाइन से लगातार स्क्रिप्ट चलाएंगे, पैकेज इंस्टॉल करेंगे और प्रोजेक्ट मैनेज करेंगे।

टर्मिनल में धीमा या डरा हुआ होना बाकी सब चीज़ों पर एक वास्तविक ब्रेक है, और इसे ठीक करना एक आसान चीज़ है।

मेरा चुनाव: बुनियादी बातों को कवर करने के लिए एक छोटा शुरुआती टर्मिनल कोर्स, फिर बस इसमें रहें। MIT "Missing Semester" सामग्री यदि आप चाहें तो गहराई में जाती है, लेकिन महीने 1 के लिए आपको केवल नेविगेशन और चीज़ों को चलाने की आवश्यकता है।

फ़ाइलों को स्थानांतरित करने और प्रबंधित करने के लिए cd, ls, pwd, mkdir और rm सीखें।

पढ़ने और खोजने के लिए cat और grep सीखें।

टर्मिनल से Python स्क्रिप्ट कैसे चलाएं और एनवायरनमेंट वेरिएबल कैसे सेट करें, जिसकी आपको उस पल आवश्यकता होगी जब आप API कुंजियाँ संभाल रहे हों।

आपको शेल विज़ार्ड बनने की आवश्यकता नहीं है। आपको हिचकिचाना बंद करने की आवश्यकता है।

एक हफ्ते तक हर चीज़ के लिए टर्मिनल का उपयोग करना, यहां तक कि वे चीज़ें जो आप सामान्य रूप से माउस से करते हैं, आपको वहाँ पहुंचा देता है।

APIs, JSON, और HTTP

यह महीने 2 का पुल है।

LLMs के साथ निर्माण के पहले दिन से, आप API कॉल कर रहे होंगे, जिसका अर्थ है कि आपको OpenAI या Anthropic के टूल्स को छूने से पहले यह समझने की आवश्यकता है कि वेब APIs कैसे काम करते हैं।

मेरा चुनाव: अवधारणाओं के लिए MDN Web Docs HTTP अवलोकन, साथ ही कोड में करने के लिए Python requests लाइब्रेरी दस्तावेज़ीकरण।

MDN बताता है कि अनुरोध और प्रतिक्रियाएँ किसी भी मुफ्त चीज़ की तुलना में अधिक स्पष्ट रूप से कैसे काम करती हैं।

फिर requests आपको दिखाता है कि Python में कुछ पंक्तियों में उन कॉल्स को कैसे करना है।

किस पर ध्यान केंद्रित करें: GET और POST अनुरोध क्या हैं और उन्हें Python में कैसे करना है।

JSON पढ़ना और लिखना, जो वह प्रारूप है जो हर AI API बोलता है।

HTTP स्थिति कोड और सामान्य का क्या अर्थ है, विशेष रूप से सफलता के लिए 200, खराब API कुंजी के लिए 401, रेट लिमिटिंग के लिए 429, और सर्वर त्रुटि के लिए 500, क्योंकि आप ये सभी लगातार देखेंगे।

API कुंजी क्या है और बुनियादी प्रमाणीकरण कैसे काम करता है।

और async और await Python में क्या करते हैं, इसका एक हल्का परिचय, जिसकी आपको बाद में मॉडलों से स्ट्रीमिंग प्रतिक्रियाएँ शुरू करने पर आवश्यकता होगी।

अब async पर गहराई से न जाएं।

बस जान लें कि यह मौजूद है और मोटे तौर पर यह किस समस्या को हल करता है।

यहाँ आपका बिल्ड लक्ष्य: एक Python स्क्रिप्ट जो एक मुफ्त सार्वजनिक API को कॉल करती है, जिसे किसी कुंजी की आवश्यकता नहीं है जैसे Open-Meteo मौसम API, और परिणाम को साफ स्वरूपित आउटपुट के रूप में प्रिंट करती है।

यह वास्तव में आप महीने 2 में क्या करेंगे, इसका एक छोटा संस्करण है, बस अभी तक AI भाग के बिना।

SQL पर एक त्वरित नोट

आपको डेटा व्यक्ति होने की आवश्यकता नहीं है, लेकिन आपको नियमित रूप से डेटा को देखने और क्वेरी करने की आवश्यकता होगी, और बुनियादी SQL आपको लगातार बचाता है।

मेरा चुनाव SQLBolt है, जो मुफ्त, इंटरैक्टिव है, और आपको लगभग 20 छोटे ब्राउज़र-इन पाठों में SQL का मूल सिखाता है।

इसे sqlbolt.com पर खोजें।

SELECT, WHERE, GROUP BY, JOIN और ORDER BY पर ध्यान केंद्रित करें।

अभी के लिए इतना ही काफी है।

जिस पल किसी प्रोजेक्ट की मांग हो, आप गहराई में जा सकते हैं।

महीने 1 का माइलस्टोन

महीने के अंत तक, आपको एक Python प्रोग्राम लिखने में सक्षम होना चाहिए जो फ़ाइलों को पढ़ता और लिखता है, एक API को कॉल करता है, और बिना क्रैश हुए अपनी त्रुटियों को संभालता है।

आपको उस कोड को Git के साथ वर्जन करना चाहिए और इसे GitHub रिपो में रहने देना चाहिए।

आपको बिना हिचकिचाहट के टर्मिनल में घूमना चाहिए। आपको समझना चाहिए कि HTTP अनुरोध क्या है और Python में एक बनाना चाहिए।

और आपको एक बुनियादी SQL क्वेरी चलाने में सक्षम होना चाहिए।

यदि आप वे काम कर सकते हैं, तो आपके पास नींव है।

जो लोग छोड़ देते हैं, वे अधिकांश यहाँ कभी नहीं पहुँचते हैं, और यहाँ पहुँचना वास्तव में सबसे कठिन हिस्सा है क्योंकि यह सबसे कम रोमांचक है।

यह महीने 2 से अधिक मजेदार हो जाता है, क्योंकि यहाँ से आप AI के साथ निर्माण कर रहे हैं।

महीना 2: LLM APIs के साथ निर्माण करें

इस महीने आपका लक्ष्य: मॉडल APIs का उपयोग करके वास्तविक AI-संचालित सुविधाओं का निर्माण करना।

अंत तक, आपको ऐसे प्रॉम्प्ट लिखने में सहज होना चाहिए जो विश्वसनीय आउटपुट उत्पन्न करते हैं, मॉडल से स्ट्रक्चर्ड डेटा वापस प्राप्त करते हैं, मॉडल को अपने स्वयं के फंक्शन कॉल करवाते हैं, बातचीत का प्रबंधन करते हैं, और हर उस चीज़ को संभालते हैं जो टूट सकती है।

यह पूरी नौकरी का मूल है। इसके बाद सब कुछ इसी पर बनता है।

यह वह महीना है जहाँ यह वास्तविक लगने लगता है। आप सेटअप करना बंद कर देते हैं और मॉडलों से काम करवाना शुरू करते हैं।

यहाँ अपना समय लें।

महीने 2 में गहराई गाइड में कहीं और गहराई से अधिक भुगतान करती है।

प्रॉम्प्टिंग जो वास्तव में काम करती है

प्रॉम्प्टिंग का मतलब किसी चैटबॉट से अच्छी तरह से प्रश्न पूछना नहीं है।

यह ऐसे निर्देश लिखने का कौशल है जो एक ऐसे सिस्टम से सुसंगत, विश्वसनीय आउटपुट उत्पन्न करते हैं जो मौलिक रूप से संभाव्य है।

एक AI इंजीनियर के रूप में, आप यहाँ अपेक्षा से अधिक समय बिताएंगे, और इसमें अच्छा होना इस महीने आप सबसे अधिक लाभदायक काम कर सकते हैं।

मेरा चुनाव: GitHub पर Anthropic का इंटरैक्टिव प्रॉम्प्ट इंजीनियरिंग ट्यूटोरियल। यह सबसे व्यावहारिक संसाधन है जो मौजूद है, जिसे अध्यायों में विभाजित किया गया है जिसमें वास्तविक अभ्यास हैं जिन्हें आप Claude API के खिलाफ चलाते हैं।

आप इसके बारे में पढ़ने के बजाय स्वयं प्रॉम्प्ट लिखने और ठीक करने का अभ्यास करते हैं, जो, यदि आपको गलती 2 याद है, तो पूरी बात है।

इसे anthropics/prompt-eng-interactive-tutorial रिपो में खोजें। एक बार जब आप इसके माध्यम से काम कर लेते हैं, तो Anthropic और OpenAI के आधिकारिक प्रॉम्प्ट इंजीनियरिंग दस्तावेज़ वह संदर्भ हैं जिस पर आप वापस आएंगे।

किस पर ध्यान केंद्रित करें: सिस्टम संदेश और उपयोगकर्ता संदेश के बीच का अंतर, और यह अंतर क्यों मायने रखता है।

विशिष्टता हर बार विनम्रता को क्यों हराती है।

चेन-ऑफ-थॉट प्रॉम्प्टिंग, जहाँ आप मॉडल को उत्तर देने से पहले चरण दर चरण तर्क करने के लिए कहते हैं, जो तर्क वाली किसी भी चीज़ पर मापने योग्य रूप से परिणामों में सुधार करता है।

अपने प्रॉम्प्ट के अंदर उदाहरणों का उपयोग करना, जिसे फ्यू-शॉट प्रॉम्प्टिंग कहा जाता है, मॉडल को वह प्रारूप दिखाने के लिए जो आप चाहते हैं।

और यह महसूस करना कि कैसे छोटे शब्दों में बदलाव बड़े आउटपुट परिवर्तन उत्पन्न करते हैं, जो केवल इसे बहुत अधिक करने से आता है।

एक बिल्ड व्यायाम जो इसे जल्दी सिखाता है: एक वास्तविक कार्य लें, जैसे किसी दस्तावेज़ को सारांशित करना या फीडबैक के एक टुकड़े को वर्गीकृत करना, और इसके लिए पाँच अलग-अलग प्रॉम्प्ट लिखें।

सभी पाँच चलाएं।

आउटपुट की साथ-साथ तुलना करें। आप तुरंत देखेंगे कि प्रॉम्प्ट डिज़ाइन विश्वसनीयता को कितना संचालित करता है, और वह सबक किसी भी व्याख्यान से बेहतर चिपकता है।

स्ट्रक्चर्ड आउटपुट

एक वास्तविक एप्लिकेशन में, आप लगभग कभी भी मॉडल से टेक्स्ट का एक पैराग्राफ वापस नहीं चाहते हैं।

आप स्ट्रक्चर्ड डेटा चाहते हैं जिसे आपका कोड पार्स, स्टोर और उपयोग कर सके। स्ट्रक्चर्ड आउटपुट मॉडल को आपके द्वारा परिभाषित स्कीमा से मेल खाने वाला डेटा वापस करने के लिए मजबूर करके इसे हल करते हैं।

यह उन कौशलों में से एक है जो एक डेमो को किसी ऐसी चीज़ से अलग करता है जो वास्तव में सॉफ्टवेयर के अंदर काम करती है।

मेरा चुनाव: Python के लिए Instructor लाइब्रेरी, जो OpenAI और Anthropic के आधिकारिक स्ट्रक्चर्ड आउटपुट दस्तावेज़ों द्वारा समर्थित है।

Instructor Pydantic का उपयोग करके किसी भी प्रमुख मॉडल से स्ट्रक्चर्ड डेटा प्राप्त करने का सबसे साफ तरीका है, जो एक Python लाइब्रेरी है जो आपके डेटा के आकार को परिभाषित करती है।

यह एक ही कोड के साथ प्रदाताओं में काम करता है और जब मॉडल कुछ विकृत वापस करता है तो स्वचालित रूप से पुनः प्रयास करता है।

यह करीब है कि कई काम करने वाले इंजीनियर वास्तव में क्या उपयोग करते हैं, जो इसे एक खिलौना संस्करण के बजाय वास्तविक प्रोजेक्ट्स पर सीखने लायक बनाता है।

किस पर ध्यान केंद्रित करें: एक Pydantic मॉडल को परिभाषित करना जो आपके इच्छित डेटा का वर्णन करता है, उस स्कीमा को API में पास करना, और उस मामले को संभालना जहाँ मॉडल मना कर देता है या कुछ अप्रत्याशित वापस करता है।

सच्चे स्ट्रक्चर्ड आउटपुट, जहाँ स्कीमा लागू की जाती है, और ढीले JSON मोड, जहाँ इसकी गारंटी नहीं है, के बीच का अंतर समझें।

यहाँ आपका दूसरा बुकमार्क करने योग्य आर्टिफैक्ट है, एक प्रॉम्प्ट पैटर्न जो विश्वसनीय स्ट्रक्चर्ड एक्सट्रैक्शन के लिए है जो शीर्ष पर लाइब्रेरी जोड़ने से पहले भी काम करता है।

प्रॉम्प्ट: स्ट्रक्चर्ड डेटा एक्सट्रैक्शन

(फ्रेमवर्क: FAG एक्सट्रैक्टर, AI गाइड्स द्वारा)

1आपका काम: मेरे द्वारा दिए गए टेक्स्ट से संरचित डेटा निकालना और उसे साफ JSON के रूप में वापस करना।
2
3क्या करना है:
4- इनपुट टेक्स्ट को ध्यान से पढ़ें।
5- नीचे आउटपुट में सूचीबद्ध केवल फ़ील्ड निकालें।
6- यदि टेक्स्ट में कोई फ़ील्ड गायब है, तो null का उपयोग करें। अनुमान न लगाएं या कुछ न बनाएं।
7- केवल JSON ऑब्जेक्ट लौटाएं। कोई स्पष्टीकरण नहीं, कोई मार्कडाउन नहीं, कोई प्रस्तावना नहीं।
8
9नियम:
10- प्रत्येक मान इनपुट टेक्स्ट में किसी चीज़ से जुड़ा होना चाहिए।
11- तिथियां YYYY-MM-DD प्रारूप में। संख्याएं संख्याओं के रूप में, स्ट्रिंग के रूप में नहीं।
12- यदि टेक्स्ट अस्पष्ट है, तो गलत उत्तर की तुलना में null को प्राथमिकता दें।
13
14आउटपुट: इन फ़ील्ड के साथ एक JSON ऑब्जेक्ट:
15{
16  "field_one": string या null,
17  "field_two": number या null,
18  "field_three": स्ट्रिंग की सूची या खाली सूची
19}
20
21इनपुट टेक्स्ट:
22[यहाँ टेक्स्ट पेस्ट करें]

परीक्षण में विफलता का नोट, क्योंकि मैंने आपसे ईमानदार संस्करण का वादा किया था: पहली बार जब आप ऐसा करेंगे, तो मॉडल कभी-कभी JSON को मार्कडाउन कोड फेंस में लपेट देगा, या उससे पहले एक मैत्रीपूर्ण वाक्य जोड़ देगा, और आपका पार्सर विफल हो जाएगा।

यह सामान्य है। इसका समाधान पार्सिंग से पहले कोड फेंस को हटाना है, और प्रॉम्प्ट में स्पष्ट रूप से बताना है कि आप केवल JSON ऑब्जेक्ट चाहते हैं, जो उपरोक्त पैटर्न करता है।

एक बार जब आप इस समस्या का सामना कर लेते हैं और इसे संभाल लेते हैं, तो आप इसे हमेशा के लिए संभाल लेंगे।

आपका बिल्ड लक्ष्य: एक रसीद या चालान पार्सर।

इसे कच्चा अव्यवस्थित टेक्स्ट खिलाएं जैसे "चालान 123, 3 विजेट के लिए $45.99, 30 मार्च तक देय" और चालान संख्या, राशि, आइटम गणना और देय तिथि के साथ एक साफ संरचित ऑब्जेक्ट प्राप्त करें।

यह वास्तव में एक उपयोगी छोटा उपकरण और एक अच्छा पोर्टफोलियो टुकड़ा है।

टूल कॉलिंग

टूल कॉलिंग वह है जो टेक्स्ट जनरेटर को कुछ ऐसा बनाती है जो कार्रवाई कर सकता है: वेब खोजना, डेटाबेस से क्वेरी करना, आपके API को कॉल करना, कोड चलाना।

यह इस पूरी गाइड में सबसे महत्वपूर्ण कौशलों में से एक है, और यह महीने 3 में हर चीज़ की नींव है।

मानसिक मॉडल जो इसे समझने योग्य बनाता है: मॉडल आपके फ़ंक्शन नहीं चलाता है।

यह बातचीत को देखता है, तय करता है कि एक उपकरण का उपयोग किया जाना चाहिए, और फ़ंक्शन और तर्कों के नाम के साथ एक संरचित अनुरोध लौटाता है।

आपका कोड फ़ंक्शन चलाता है और परिणाम मॉडल को वापस देता है। मॉडल निर्णय लेने वाला है। आपका कोड हाथ है।

मेरी पसंद: OpenAI का फ़ंक्शन कॉलिंग गाइड और Anthropic का टूल उपयोग दस्तावेज़, एक साथ पढ़ें।

अवधारणाएं दोनों में समान हैं, सिंटैक्स थोड़ा अलग है, और दोनों को देखने से अंतर्निहित पैटर्न स्पष्ट हो जाता है।

फिर एक चलने योग्य नोटबुक उदाहरण के माध्यम से काम करें, जैसे कि OpenAI कुकबुक में, ताकि आप पूरे लूप को टुकड़ों में नहीं बल्कि शुरू से अंत तक देख सकें।

किस पर ध्यान केंद्रित करें: अपने फ़ंक्शन को एक स्कीमा में स्पष्ट रूप से वर्णित करना, मॉडल के टूल-कॉल प्रतिक्रिया को पार्स करना, फ़ंक्शन चलाना और परिणाम वापस खिलाना, और उस मामले को संभालना जहां मॉडल तय करता है कि किसी उपकरण की आवश्यकता नहीं है।

आपके टूल विवरण की गुणवत्ता शुरुआती लोगों की अपेक्षा से अधिक मायने रखती है, जो एक ऐसा विषय है जो महीने 3 में जोरदार वापस आता है।

आपका बिल्ड लक्ष्य: तीन उपकरणों वाला एक छोटा सहायक, जैसे get_weather, calculate, और search_notes जहां search_notes केवल एक हार्डकोडेड शब्दकोश में देखता है।

उन सभी को वायर करें और देखें कि मॉडल आपके पूछने के आधार पर किसे कॉल करना है।

जिस क्षण आप इसे अपने आप सही उपकरण चुनते हुए देखते हैं, अवधारणा स्थायी रूप से उतर जाती है।

बातचीत की स्थिति और स्ट्रीमिंग

दो छोटे लेकिन आवश्यक कौशल महीने को पूरा करते हैं।

मॉडलों के पास कॉल के बीच कोई मेमोरी नहीं होती है। बातचीत एक ऐसी चीज़ है जिसे आप प्रत्येक अनुरोध के साथ पूरा संदेश इतिहास भेजकर प्रबंधित करते हैं।

इसे समझना मौलिक है, और यह लगभग सभी को पहली बार में आश्चर्यचकित करता है।

मेरी पसंद OpenAI और Anthropic का संदेश दस्तावेज़ीकरण है।

इस बात पर ध्यान केंद्रित करें कि messages array कैसे संरचित है, आप उपयोगकर्ता के संदेशों और मॉडल के उत्तरों दोनों को क्यों जोड़ते हैं, जब आप संदर्भ विंडो से अधिक हो जाते हैं तो क्या होता है, और पुराने संदेशों को ट्रिम करने की बुनियादी रणनीतियाँ।

एक सरल मल्टी-टर्न टर्मिनल चैटबॉट बनाएं जो इतिहास रखता है और उसमें एक रीसेट कमांड है। यह छोटा है और यह अवधारणा को पूरी तरह से सिखाता है।

स्ट्रीमिंग का मतलब है मॉडल के आउटपुट को उत्पन्न होने पर, शब्द दर शब्द दिखाना, बजाय इसके कि उपयोगकर्ता को पूरी चीज़ के लिए इंतजार करना पड़े।

यह ऐप्स को नाटकीय रूप से तेज़ महसूस कराता है।

मेरी पसंद किसी भी प्रदाता के आधिकारिक स्ट्रीमिंग दस्तावेज़ हैं, साथ ही साइमन विलिसन का स्पष्ट लेखन कि स्ट्रीमिंग अंतर्निहित रूप से कैसे काम करती है।

स्ट्रीम विकल्प सेट करने, चंक्स पर पुनरावृति करने और टुकड़ों से पूर्ण प्रतिक्रिया को इकट्ठा करने पर ध्यान केंद्रित करें।

किसी भी चीज़ के लिए जो एक वास्तविक व्यक्ति उपयोग करेगा, स्ट्रीमिंग लगभग हमेशा सही विकल्प है।

कोई भी दस सेकंड के लिए स्पिनर को घूरना नहीं चाहता।

लागत, विफलता और एक सुरक्षा विचार

तीन चीज़ें जो एक शौक परियोजना को उस चीज़ से अलग करती हैं जिसे आप उपयोगकर्ताओं के सामने रखेंगे।

लागत और टोकन: मॉडल प्रति टोकन शुल्क लेते हैं, जो लगभग तीन-चौथाई शब्द है।

इनपुट और आउटपुट टोकन अलग-अलग मूल्य पर हैं।

अनुरोध भेजने से पहले यह अनुमान लगाना सीखें कि इसकी लागत कितनी होगी, प्रदाता मूल्य निर्धारण पृष्ठों को बुकमार्क करें, और एक नियम को आंतरिक करें जो वास्तविक पैसे बचाता है: सरल कार्यों के लिए सबसे बड़े, सबसे महंगे मॉडल का उपयोग न करें।

एक सस्ता मॉडल अक्सर पर्याप्त से अधिक अच्छा होता है, और पैमाने पर लागत का अंतर बहुत बड़ा होता है।

विफलता प्रबंधन: API विफल होते हैं।

दर सीमाएं हिट होती हैं, अनुरोध टाइमआउट होते हैं, मॉडल दोषपूर्ण आउटपुट लौटाता है।

इसे शालीनता से संभालना ही किसी चीज़ को उत्पादन-तैयार बनाता है।

दर-सीमा त्रुटियों को पकड़ना और प्रयासों के बीच बढ़ती देरी के साथ पुनः प्रयास करना सीखें, जिसे एक्सपोनेंशियल बैकऑफ़ कहा जाता है।

पायथन में Tenacity लाइब्रेरी एक एकल डेकोरेटर के साथ ऐसा करती है।

मॉडल के आउटपुट को मान्य करना सीखें, इससे पहले कि आप उस पर भरोसा करें, और कभी भी किसी अप्रत्याशित प्रतिक्रिया को अपने पूरे ऐप को क्रैश न करने दें।

प्रॉम्प्ट इंजेक्शन, संक्षेप में: यह LLM ऐप्स में शीर्ष सुरक्षा जोखिम है।

यह तब होता है जब अविश्वसनीय उपयोगकर्ता इनपुट आपके निर्देशों के साथ जुड़ जाता है, जिससे उपयोगकर्ता आपके सिस्टम के काम करने के तरीके को ओवरराइड या हाईजैक कर सकता है।

आपको इस महीने एक सुरक्षा विशेषज्ञ बनने की आवश्यकता नहीं है, लेकिन आपको यह जानना होगा कि यह मौजूद है, इससे पहले कि आप कुछ भी शिप करें।

इस पर OWASP गाइड आधिकारिक संदर्भ है।

मुख्य बचाव: परिणामी कार्रवाई स्वचालित रूप से करने के लिए अमान्य मॉडल आउटपुट पर भरोसा न करें, और अपने उपकरणों को अपना काम करने के लिए कम से कम पहुंच दें।

महीने 2 का माइलस्टोन

महीने के अंत तक, आपको ऐसे प्रॉम्प्ट लिखने में सक्षम होना चाहिए जो किसी दिए गए कार्य के लिए विश्वसनीय आउटपुट उत्पन्न करते हैं, Pydantic और Instructor के साथ मॉडल से संरचित JSON प्राप्त करते हैं, टूल कॉलिंग को वायर करते हैं ताकि मॉडल आपके पायथन फ़ंक्शन चला सके, वास्तविक समय में प्रतिक्रिया स्ट्रीम कर सके, मल्टी-टर्न बातचीत इतिहास प्रबंधित कर सके, अनुरोध भेजने से पहले उसकी टोकन लागत का अनुमान लगा सके, बिना क्रैश हुए API त्रुटियों और खराब आउटपुट को संभाल सके, और समझा सके कि प्रॉम्प्ट इंजेक्शन क्या है।

यह अपने आप में एक वास्तविक, रोजगार योग्य कौशल सेट है।

उत्पादन में कई भुगतान वाली AI सुविधाएं बिल्कुल यही और इससे अधिक कुछ नहीं करती हैं।

लेकिन अगला महीना वह है जहां आप वह चीज़ बनाते हैं जो वास्तव में आपको काम दिलाती है।

महीना 3: RAG और एजेंट, वे कौशल जो आपको काम दिलाते हैं

इस महीने आपका लक्ष्य: ऐसे सिस्टम बनाना जो मॉडलों को केवल उनके प्रशिक्षण डेटा के बजाय आपके दस्तावेज़ों से उत्तर देने दें, और ऐसे सिस्टम बनाना जो अपने आप कई कदम उठाएं।

ये दो कौशल, रिट्रीवल और एजेंट, अभी AI इंजीनियरिंग में सबसे अधिक मांग वाली व्यावहारिक क्षमताएं हैं।

लगभग हर वास्तविक कंपनी उपयोग के मामले, सपोर्ट बॉट से लेकर आंतरिक ज्ञान उपकरणों से लेकर दस्तावेज़ विश्लेषण तक, इन्हीं पर बने हैं।

मैंने वह संकुचित कर दिया है जो कई रोडमैप दो महीनों में फैलाते हैं, एक में, क्योंकि रोजगार योग्य होने के लिए आपको हर उन्नत भिन्नता में महारत हासिल करने की आवश्यकता नहीं है।

आपको एक ठोस रिट्रीवल सिस्टम और एक ठोस एजेंट बनाने की जरूरत है, समझना होगा कि प्रत्येक टुकड़ा क्यों है, और जब वे टूटते हैं तो उन्हें डीबग करने में सक्षम होना चाहिए।

यही बार है। चलिए इसे हिट करते हैं।

RAG, पहले सरल भाषा में

RAG का मतलब रिट्रीवल-ऑगमेंटेड जनरेशन है।

शब्दजाल हटा दें और यह सरल है: आप मॉडल को एक पुस्तकालय देते हैं जिसमें देखने के लिए, ताकि उसे सब कुछ याद न रखना पड़े, और ताकि वह आपके विशिष्ट दस्तावेज़ों के बारे में प्रश्नों का उत्तर दे सके।

प्रवाह यह है: आप अपने दस्तावेज़ लेते हैं, उन्हें टुकड़ों में तोड़ते हैं, प्रत्येक टुकड़े को संख्याओं की एक सूची में बदलते हैं जो उसका अर्थ दर्शाती है, और उन्हें संग्रहीत करते हैं।

जब कोई उपयोगकर्ता प्रश्न पूछता है, तो आप उनके प्रश्न को उसी तरह संख्याओं में बदलते हैं, वे टुकड़े ढूंढते हैं जिनकी संख्याएं सबसे करीब हैं, और उन टुकड़ों को प्रश्न के साथ मॉडल को देते हैं।

मॉडल आपके द्वारा दी गई जानकारी का उपयोग करके उत्तर देता है। यही RAG है। बाकी सब कुछ शोधन है।

आइए टुकड़ों का निर्माण करें।

एम्बेडिंग

एक एम्बेडिंग टेक्स्ट का एक टुकड़ा है जो संख्याओं की एक लंबी सूची में बदल जाता है जो इसके अर्थ का प्रतिनिधित्व करता है।

उपयोगी गुण: समान अर्थ वाला टेक्स्ट समान संख्याओं के साथ समाप्त होता है, इस संख्या-स्थान में एक साथ करीब।

यह निकटता ही अर्थ-द्वारा-खोज को संभव बनाती है, जो RAG के तहत इंजन है।

अंतर्ज्ञान बनाने के लिए मेरी पसंद: Stack Overflow ब्लॉग का टेक्स्ट एम्बेडिंग का सहज परिचय, जो गणित के बजाय मानसिक मॉडल पर केंद्रित है, साथ ही OpenAI का एम्बेडिंग गाइड जब आप कोड में उन्हें उत्पन्न करने के लिए तैयार हों।

इस बात पर ध्यान केंद्रित करें कि वेक्टर अवधारणात्मक रूप से क्या है, समान टेक्स्ट समान वैक्टर क्यों उत्पन्न करता है, और मोटे तौर पर आप उनके बीच की दूरी कैसे मापते हैं।

आपको एम्बेडिंग कैसे उत्पन्न होते हैं, इसके पीछे गणित की आवश्यकता नहीं है। आपको यह जानना होगा कि उनका उपयोग कैसे करना है।

एक छोटा सा निर्माण जो इसे पूरी तरह से सिखाता है: संबंधित विषयों पर 20 वाक्य लें, प्रत्येक को एक एम्बेडिंग में बदलें, और एक छोटा फ़ंक्शन लिखें, जो एक नया वाक्य दिए जाने पर, आपके सेट से तीन सबसे समान वाक्य लौटाता है।

यह लघु रूप में RAG है। एक बार जब आप इसे बना लेते हैं, तो पूर्ण संस्करण बस पैमाने पर वही विचार है।

चंकिंग

आपके दस्तावेज़ पूरे एम्बेड करने के लिए बहुत बड़े हैं, इसलिए आप एम्बेड करने से पहले उन्हें टुकड़ों में तोड़ देते हैं।

आप कैसे चंक करते हैं, यह सीधे नियंत्रित करता है कि आपका सिस्टम सही जानकारी कितनी अच्छी तरह ढूंढता है।

एक आदर्श रिट्रीवल सेटअप भी विफल हो जाता है यदि अंतर्निहित चंक खराब हैं।

मेरी पसंद: LangChain के RecursiveCharacterTextSplitter से शुरू करें, लगभग 500 वर्णों के चंक आकार और लगभग 50 के ओवरलैप के साथ।

वह ओवरलैप मायने रखता है, क्योंकि यह आपको उस सीमा पर अर्थ खोने से रोकता है जहां एक चंक समाप्त होता है और अगला शुरू होता है।

यह समझदार डिफ़ॉल्ट है जो आपको एक काम करने वाला आधार रेखा देता है।

अपने दिमाग में रखने के लिए मुख्य व्यापार-बंद: बहुत बड़े चंक सटीकता खो देते हैं, बहुत छोटे चंक संदर्भ खो देते हैं।

डिफ़ॉल्ट से शुरू करें, फिर इस आधार पर समायोजित करें कि आपका रिट्रीवल वास्तव में क्या गलत कर रहा है।

वेक्टर डेटाबेस

एक बार जब आपके पास एम्बेडिंग हो, तो आपको उन्हें तेज़ी से संग्रहीत और खोजने के लिए कहीं न कहीं चाहिए। यही एक वेक्टर डेटाबेस करता है।

सीखने के लिए मेरी पसंद: Chroma. यह स्थानीय रूप से सेटअप करने के लिए किसी बुनियादी ढांचे के बिना चलता है, जो आप सीखते समय बिल्कुल चाहते हैं।

आपको अभी प्रबंधित क्लाउड स्केल की आवश्यकता नहीं है, और इसे जल्दी जोड़ने से आपको कॉन्फ़िगर करने और तोड़ने के लिए और अधिक मिलता है।

Chroma आपको अवधारणाओं पर ध्यान केंद्रित करने देता है।

इसे docs.trychroma.com पर खोजें।

एक संग्रह बनाना, स्रोत और अनुभाग जैसे मेटाडेटा के साथ एम्बेडिंग सम्मिलित करना, शीर्ष मिलान प्राप्त करने के लिए समानता द्वारा क्वेरी करना, और क्वेरी समय पर मेटाडेटा द्वारा फ़िल्टर करना सीखें।

आपको अंतर्निहित इंडेक्सिंग एल्गोरिदम को समझने की आवश्यकता नहीं है। आपको उनका उपयोग करने की आवश्यकता है।

जब आपको अंततः उत्पादन पैमाने की आवश्यकता हो, तो pgvector अगला प्राकृतिक कदम है यदि आपका ऐप पहले से ही Postgres डेटाबेस का उपयोग करता है, और जब आप चाहते हैं कि कोई और इसे चलाए तो प्रबंधित विकल्प हैं।

लेकिन यह महीने 4 या नौकरी पर चिंता का विषय है। अभी के लिए, Chroma, स्थानीय रूप से, पर्याप्त है।

रिट्रीवल को वास्तव में अच्छा बनाना

बुनियादी समानता खोज आपको एक डेमो देती है।

कुछ शोधन आपको कुछ ऐसा देते हैं जो विश्वसनीय रूप से काम करता है, और इन्हें जानना ही उन लोगों को अलग करता है जिन्होंने एक ट्यूटोरियल कॉपी किया है, उन लोगों से जो सिस्टम को समझते हैं।

मेटाडेटा फ़िल्टरिंग: संग्रहीत करते समय प्रत्येक चंक को उपयोगी जानकारी के साथ टैग करें, जैसे स्रोत फ़ाइल, तिथि, अनुभाग या श्रेणी।

फिर क्वेरी समय पर उन पर फ़िल्टर करें। यह एक खिलौने और एक ऐसी प्रणाली के बीच का अंतर है जहां एक उपयोगकर्ता "केवल मुझे Q4 रिपोर्ट के परिणाम दिखाएं" पूछ सकता है और वास्तव में उन्हें प्राप्त कर सकता है।

रीरैंकिंग: आपकी पहली खोज तेज़ लेकिन अनुमानित है।

एक रीरैंकर शीर्ष मुट्ठी भर परिणाम लेता है और प्रश्न के लिए सही प्रासंगिकता के लिए उन्हें फिर से स्कोर करता है, जो एक छोटी गति लागत के लिए गुणवत्ता में उल्लेखनीय सुधार करता है।

पैटर्न यह है: जल्दी से एक व्यापक सेट प्राप्त करें, फिर सर्वश्रेष्ठ कुछ तक रीरैंक करें। Cohere का रीरैंकिंग दस्तावेज़ इसे सीखने का सबसे साफ स्थान है, और यह अक्सर जोड़ने के लिए एक पंक्ति है।

रिट्रीवल को डीबग करना, क्योंकि अधिकांश RAG विफलताएं रिट्रीवल विफलताएं हैं, मॉडल विफलताएं नहीं।

जब आपका सिस्टम एक बुरा उत्तर देता है, तो मॉडल आमतौर पर समस्या नहीं है।

रिट्रीवल ने इसे गलत चंक दिए।

सामान्य विफलता मोड सीखें: प्रश्न और प्रासंगिक चंक संख्या-स्थान में मेल नहीं खाते, भले ही जानकारी वहां हो (क्वेरी को फिर से लिखकर ठीक करने योग्य), प्रासंगिक जानकारी दो चंकों में विभाजित है (अधिक ओवरलैप के साथ ठीक करने योग्य), या सही चंक मौजूद है लेकिन शीर्ष परिणामों में नहीं आया (अधिक प्राप्त करके, फिर नीचे रीरैंक करके ठीक करने योग्य)।

जब कोई उत्तर गलत हो, तो मॉडल को दोष देने से पहले जांचें कि क्या प्राप्त हुआ था। यह एक आदत आपको भारी निराशा से बचाएगी।

ग्राउंडिंग और उद्धरण: एक अच्छा RAG सिस्टम न केवल उत्तर देता है, बल्कि यह भी बताता है कि उत्तर कहां से आया, जो विश्वास बनाता है और डीबगिंग को कहीं अधिक आसान बनाता है।

प्रत्येक चंक के लिए स्रोत जानकारी को अपने प्रॉम्प्ट में पास करें, और मॉडल को इसे उद्धृत करने का निर्देश दें।

यहां आपका तीसरा आर्टिफैक्ट है, ग्राउंडिंग प्रॉम्प्ट जो RAG सिस्टम को ईमानदार रखता है।

यह वह है जिसे मैं अन्य सभी से ऊपर बुकमार्क करूंगा, क्योंकि यह एक ऐसी प्रणाली के बीच का अंतर है जो चीजें बनाती है और एक जिस पर आप भरोसा कर सकते हैं।

प्रॉम्प्ट: ग्राउंडेड RAG उत्तर

(ढांचा: FAG ग्राउंडिंग, AI गाइड्स द्वारा)

1आपका काम: केवल प्रदान किए गए संदर्भ का उपयोग करके उपयोगकर्ता के प्रश्न का उत्तर देना।
2
3क्या करना है:
4- नीचे दिए गए संदर्भ चंक पढ़ें। प्रत्येक का एक स्रोत लेबल है।
5- संदर्भ में पाई गई केवल जानकारी का उपयोग करके प्रश्न का उत्तर दें।
6- प्रत्येक दावे के बाद, उस स्रोत लेबल को उद्धृत करें जहां से वह आया है, जैसे [source: filename, p.3]।
7- यदि संदर्भ में उत्तर नहीं है, तो ठीक यही कहें:
8  "मेरे पास प्रदान किए गए दस्तावेज़ों में उस प्रश्न का उत्तर देने के लिए पर्याप्त जानकारी नहीं है।"
9
10नियम:
11- प्रदान किए गए संदर्भ के बाहर के ज्ञान का कभी उपयोग न करें।
12- कभी अनुमान न लगाएं। कभी भी अंतराल को उससे न भरें जो प्रशंसनीय लगता है।
13- यदि संदर्भ आंशिक रूप से प्रश्न का उत्तर देता है, तो उस भाग का उत्तर दें और स्पष्ट रूप से बताएं कि क्या गायब है।
14
15संदर्भ:
16[यहाँ स्रोत लेबल के साथ प्राप्त चंक पेस्ट करें]
17
18प्रश्न:
19[यहाँ उपयोगकर्ता प्रश्न]

वह "जब आप नहीं जानते तो ठीक यही कहें" निर्देश भारी उठा रहा है। यह रिट्रीवल सिस्टम में मतिभ्रम को कम करने का सबसे प्रभावी एकल तरीका है, क्योंकि यह मॉडल को मददगार दिखने के लिए उत्तर गढ़ने के बजाय अज्ञानता स्वीकार करने का एक स्वीकृत तरीका देता है।

आपका RAG निर्माण

प्रत्येक टुकड़े को खरोंच से बनाने के बजाय इसे एक साथ बांधने के लिए एक ढांचे का उपयोग करें।

पहले RAG सिस्टम के लिए मेरी पसंद LlamaIndex है, जो खोज-प्रथम बनाया गया है और आपको कोड की एक छोटी मात्रा में एक काम करने वाली पाइपलाइन देता है।

LangChain दूसरा प्रमुख विकल्प है और आगामी मल्टी-स्टेप एजेंट कार्य के लिए अधिक चमकता है, इसलिए आप इसे एक पल में मिलेंगे।

आपका बिल्ड लक्ष्य, और यह एक वास्तविक पोर्टफोलियो टुकड़ा है: एक "अपने दस्तावेज़ों से चैट करें" ऐप।

10 से 20 PDF या टेक्स्ट फ़ाइलें इनजेस्ट करें, आपके अपने नोट्स या उत्पाद दस्तावेज़ों का एक सेट अच्छी तरह से काम करता है, कुछ ऐसा बनाएं जो एक प्रश्न लेता है, रीरैंकिंग के साथ सबसे प्रासंगिक चंक प्राप्त करता है, और एक उद्धृत उत्तर लौटाता है।

उस पर एक सरल इंटरफ़ेस रखें।

यह वह प्रोजेक्ट है जो नियोक्ताओं को आपको गंभीरता से लेता है, क्योंकि यह बिल्कुल वैसा ही है जिसे बनाने के लिए कंपनियां अभी भुगतान कर रही हैं।

एजेंट

महीने के आधे रास्ते में, एजेंटों पर स्विच करें।

एक एजेंट जादू की तरह लगता है और एक बार देखने के बाद वास्तव में सरल है: यह एक लूप है जहां मॉडल बार-बार अगला कदम तय करता है, एक उपकरण का उपयोग करके इसे लेता है, परिणाम देखता है, और फिर से तय करता है, जब तक कि कार्य पूरा न हो जाए।

मानसिक मॉडल: एक एजेंट एक while लूप है जिसमें मॉडल शाखाकरण निर्णय लेता है।

सोच प्रॉम्प्ट में होती है। शाखाकरण मॉडल है जो चुनता है कि किस उपकरण का उपयोग करना है। करना आपका कोड है जो उस उपकरण को चलाता है।

बाकी सब कुछ प्लंबिंग है। एक बार जब यह क्लिक करता है, तो जटिल एजेंट ढांचे भी पढ़ने योग्य हो जाते हैं।

मेरी पसंद, और मैं एजेंट कोड की एक पंक्ति लिखने से पहले इसे पढ़ूंगा: Anthropic का "बिल्डिंग इफेक्टिव एजेंट्स।"

यह इस बात पर सबसे स्पष्ट लेखन है कि एजेंट व्यवहार में कैसे काम करते हैं, उस टीम से जो मॉडल बनाती है।

जब आप बनाने के लिए तैयार हों तो इसे एक व्यावहारिक ढांचा पाठ्यक्रम के साथ जोड़ें, जैसे LangGraph का परिचय, जो एजेंटों को ऑर्केस्ट्रेट करने के लिए सबसे व्यापक रूप से उपयोग किया जाने वाला ढांचा है।

किस पर ध्यान केंद्रित करें: अनुभव करें, तय करें, कार्य करें, निरीक्षण करें का लूप, और यह कैसे जानता है कि कब रुकना है।

जब लूप के अंदर कोई टूल कॉल विफल हो जाती है तो क्या होता है। टूल विवरण कैसे लिखें जो मॉडल वास्तव में उपयोग कर सके, क्योंकि अस्पष्ट रूप से वर्णित उपकरण गलत तरीके से कॉल किया जाता है या अनदेखा किया जाता है।

और स्थिति का प्रबंधन करना, जो साझा मेमोरी है जो एजेंट के काम करने पर प्रवाहित होती है।

इस महीने का सबसे मूल्यवान अभ्यास: बिना किसी ढांचे के, केवल मॉडल API का सीधे उपयोग करके, खरोंच से एक छोटा एजेंट बनाएं।

इसे तीन उपकरण, एक लक्ष्य और एक लूप दें। यह आपको सिखाता है कि ढांचे क्या छिपा रहे हैं, और यह आपके बाद छूने वाले हर ढांचे को समझ में आता है।

LangGraph को छूने से पहले ऐसा करें।

एजेंट का उपयोग कब न करें

यह क्षेत्र में सबसे अनदेखी कौशलों में से एक है, और इसे जानना आपको किसी ऐसे व्यक्ति के रूप में चिह्नित करता है जिसके पास निर्णय है, न कि कोई व्यक्ति जो चमकदार चीज़ का पीछा कर रहा है।

एजेंट रोमांचक हैं, और वे सरल दृष्टिकोणों की तुलना में धीमे, अधिक महंगे, कम अनुमानित और डीबग करने में कठिन भी हैं।

सबसे सरल चीज़ तक पहुंचना जो काम करती है, यह संकेत है कि आप जानते हैं कि आप क्या कर रहे हैं।

निर्णय ढांचा, याद रखने योग्य: एक एकल मॉडल कॉल का उपयोग करें यदि कार्य सही संदर्भ के साथ एक प्रॉम्प्ट में फिट बैठता है।

एक निश्चित वर्कफ़्लो, आपके द्वारा परिभाषित चरणों की एक श्रृंखला का उपयोग करें, यदि चरण अनुमानित हैं।

एजेंट का उपयोग केवल तभी करें जब चरणों की संख्या वास्तव में अप्रत्याशित हो और मॉडल को गतिशील रूप से निर्णय लेने की आवश्यकता हो।

तीन निश्चित कॉल की एक श्रृंखला हमेशा एक एजेंट की तुलना में तेज़, सस्ती और डीबग करने में आसान होगी जो तीन कॉल कर सकता है। वास्तव में खुले अंत वाले कार्यों के लिए एजेंटों को आरक्षित करें।

एक एकल कॉल और एक पूर्ण एजेंट के बीच एक बड़ा, उत्पादक मध्य मैदान है: वर्कफ़्लो।

चेनिंग, जहां एक कॉल का आउटपुट अगले को फीड करता है।

रूटिंग, जहां आप इनपुट को वर्गीकृत करते हैं और इसे एक विशेष हैंडलर को भेजते हैं।

समानांतरीकरण, जहां आप एक साथ कई कॉल चलाते हैं और उन्हें जोड़ते हैं।

अधिकांश वास्तविक समस्याएं एक एजेंट के बजाय एक वर्कफ़्लो के साथ सबसे अच्छी तरह से हल की जाती हैं, और Anthropic का एजेंट टुकड़ा इन पैटर्न को अच्छी तरह से कवर करता है।

मूल्यांकन, संक्षेप में लेकिन गंभीरता से

आपको यह जानने की आवश्यकता है कि आपका सिस्टम वास्तव में काम करता है या नहीं, न कि केवल यह कि यह उन दो उदाहरणों पर काम करता है जिन्हें आपने हाथ से आजमाया था।

यही मूल्यांकन के लिए है। अपेक्षित आउटपुट या स्कोरिंग रूब्रिक के साथ 20 से 30 प्रतिनिधि इनपुट का एक छोटा सेट बनाएं, और जब भी आप प्रॉम्प्ट बदलते हैं, मॉडल स्वैप करते हैं, या अपने रिट्रीवल को समायोजित करते हैं, तो अपने सिस्टम को उन सभी के खिलाफ चलाएं।

सामान्य उपयोग के लिए DeepEval और विशेष रूप से RAG के लिए Ragas जैसे उपकरण इसे प्रबंधनीय बनाते हैं।

उपकरण से अधिक महत्वपूर्ण मानसिकता: आपके द्वारा मूल्यांकन चलाए बिना किया गया प्रत्येक प्रॉम्प्ट परिवर्तन या मॉडल स्वैप एक जुआ है।

जो लोग विश्वसनीय AI शिप करते हैं, वे लगातार मूल्यांकन चलाते हैं, और इस आदत को अभी शुरू करना, भले ही छोटे तरीके से, आपको क्षेत्र में पहले से काम कर रहे कई लोगों से आगे रखता है।

महीने 3 का माइलस्टोन

महीने के अंत तक, आपको यह समझाने में सक्षम होना चाहिए कि एम्बेडिंग क्या है और समान टेक्स्ट समान वैक्टर क्यों उत्पन्न करता है, एक दस्तावेज़ को समझदारी से चंक करना, मेटाडेटा फ़िल्टरिंग के साथ वेक्टर डेटाबेस में एम्बेडिंग संग्रहीत और क्वेरी करना, परिणामों में सुधार करने के लिए रीरैंकिंग जोड़ना, मॉडल को दोष देने के बजाय रिट्रीवल विफलता को डीबग करना, एक पूर्ण RAG पाइपलाइन बनाना जो ग्राउंडेड उद्धृत उत्तर लौटाती है, खरोंच से एक एजेंट लूप लागू करना, सही ढंग से तय करना कि किसी कार्य को एकल कॉल, वर्कफ़्लो या एजेंट की आवश्यकता है या नहीं, और अपने काम की जांच करने के लिए एक बुनियादी मूल्यांकन चलाना।

यह रोजगार योग्य कोर है।

यदि महीने 1 से 3 ठोस हैं, तो आप वे चीज़ें बना सकते हैं जिनके लिए कंपनियां काम पर रख रही हैं।

महीना 4 इसे साबित करने और भुगतान पाने के बारे में है।

महीना 4: शिप करें, दिखाएं, काम पाएं

इस महीने आपका लक्ष्य: आपके द्वारा बनाई गई हर चीज़ को लें और इसे वास्तविक बनाएं, फिर इसे नौकरी या भुगतान वाले काम में बदलें।

यह वह जगह है जहां अधिकांश लोग रुक जाते हैं।

वे एक डेमो बना सकते हैं लेकिन कुछ ऐसा शिप नहीं कर सकते जो वास्तविक उपयोग में बचे, और वे अपने कौशल को आय में परिवर्तित नहीं कर सकते।

यह महीना दोनों को ठीक करता है। यह नई अवधारणाओं पर छोटा और करने पर भारी है, क्योंकि इस बिंदु पर करना ही मायने रखता है।

खतरनाक होने के लिए पर्याप्त परिनियोजन

आपको एक बुनियादी ढांचा विशेषज्ञ बनने की आवश्यकता नहीं है।

आपको एक काम करने वाला AI ऐप कहीं रखने में सक्षम होना चाहिए जहां वास्तविक लोग इसका उपयोग कर सकें, बिना इसे गिराए या आपको दिवालिया किए।

न्यूनतम व्यवहार्य ज्ञान: अपने ऐप को पैकेज करने के लिए पर्याप्त Docker सीखें ताकि यह हर जगह समान रूप से चले, जो "मेरी मशीन पर काम करता है" समस्या को खत्म करता है।

उस कंटेनर को कहीं तैनात करना सीखें।

और लागत और विश्वसनीयता की मूल बातें सीखें जो एक बग को आपदा बनने से रोकती हैं: अपने API खातों पर कठोर खर्च सीमाएं निर्धारित करें, कैशिंग जोड़ें ताकि आप एक ही अनुरोध के लिए दो बार भुगतान न करें, और दर सीमित करें ताकि एक उपयोगकर्ता आपका बिल न बढ़ा सके।

Docker का आधिकारिक आरंभिक गाइड पैकेजिंग को कवर करता है।

AI-विशिष्ट लागत पक्ष के लिए, मुख्य कदम समान अनुरोधों को कैश करना, सस्ते मॉडल का उपयोग करना जहां वे पर्याप्त अच्छे हैं, और एक कठोर मासिक खर्च सीमा निर्धारित करना है ताकि एक भगोड़ा लूप आपको रातोंरात $500 खर्च न कर सके।

आपको बुनियादी अवलोकन क्षमता भी चाहिए, जो यह देखने में सक्षम होने के लिए एक फैंसी शब्द है कि आपका ऐप क्या कर रहा है।

LLM ऐप्स की एक विशिष्ट समस्या है: मॉडल एक पूरी तरह से सफल प्रतिक्रिया लौटा सकता है जो बेकार या गलत भी है, और सामान्य निगरानी इसे नहीं पकड़ेगी।

Langfuse जैसा एक उपकरण प्रत्येक मॉडल कॉल को ट्रेस करता है, आपको प्रॉम्प्ट, प्रतिक्रिया, टोकन लागत और विलंबता दिखाता है, जो डीबगिंग और लागत नियंत्रण को कहीं अधिक आसान बनाता है।

इसे एक प्रोजेक्ट पर सेट करें ताकि आप पैटर्न को समझ सकें।

यहां अधिक निवेश न करें।

एक ऐप, ठीक से तैनात, लागत नियंत्रण और बुनियादी ट्रेसिंग के साथ, आपको वह सब कुछ सिखाता है जो आपको चाहिए और आपको दिखाने के लिए कुछ वास्तविक देता है।

परिनियोजन में गहराई नौकरी पर आ सकती है।

वह भाग जो हर दूसरा रोडमैप छोड़ देता है: परियोजनाओं को नौकरी में बदलना।

आपने तीन वास्तविक प्रोजेक्ट बनाए हैं। अब उन्हें अपने लिए काम करने दें, क्योंकि एक महान प्रोजेक्ट जिसे कोई नहीं देखता, आपके करियर के लिए कुछ नहीं करता।

आपका पोर्टफोलियो तीन तैनात प्रोजेक्ट है, प्रत्येक में एक README है जो वास्तविक काम करता है।

और यहां वह चाल है जो लगभग कोई नहीं करता, जो आपको अलग करेगी: प्रत्येक README में, एक अनुभाग शामिल करें कि क्या गलत हुआ और आप अलग तरीके से क्या करेंगे।

अधिकांश पोर्टफोलियो दिखावा करते हैं कि सब कुछ पूरी तरह से काम करता है, जो या तो बेईमानी या उथलेपन के रूप में पढ़ता है।

एक README जो कहता है "यहां मेरा पहला दृष्टिकोण विफल हुआ, यहां मैंने क्या सीखा, यहां मैंने इसे कैसे ठीक किया" ठीक उसी निर्णय का संकेत देता है जिसके लिए नियोक्ता अब स्क्रीनिंग कर रहे हैं।

यह परिचय से स्विचर का किनारा है, दृश्यमान बनाया गया।

कोई भी उम्मीद नहीं करता है कि करियर स्विचर के पास एक आदर्श प्रोजेक्ट होगा। वे उस व्यक्ति से प्रभावित होते हैं जो स्पष्ट रूप से अपने स्वयं के काम को इतनी गहराई से समझता है कि उसकी आलोचना कर सके।

प्रत्येक README को इस तरह संरचित करें: वह समस्या जो प्रोजेक्ट हल करता है, इसका उपयोग कौन करेगा, आपने जो दृष्टिकोण अपनाया और क्यों, क्या गलत हुआ और आपने क्या सीखा, और इसे कैसे चलाएं।

पांच खंड।

यह CS डिग्री वाले अधिकांश लोगों की तुलना में बेहतर पोर्टफोलियो है।

रिज्यूमे और प्रोफाइल चाल: आपको यह दिखावा करने की आवश्यकता नहीं है कि आपके पास वर्षों का अनुभव है।

आपको एक स्पष्ट पंक्ति की आवश्यकता है जो कहती है कि आप क्या कर सकते हैं।

कुछ इस तरह "मैं प्रोडक्शन LLM एप्लिकेशन बनाता हूं: RAG सिस्टम, एजेंट और API इंटीग्रेशन। यहां तीन हैं जो मैंने शिप किए हैं।"

फिर प्रोजेक्ट लिंक करें। आपका मौजूदा करियर एक संपत्ति है, छिपाने की चीज़ नहीं।

"पूर्व [आपका क्षेत्र] जो अब AI सिस्टम बनाता है" एक "जूनियर डेवलपर" की तुलना में एक मजबूत कहानी है, क्योंकि यह डोमेन ज्ञान और निर्णय के साथ आता है जो एक शुद्ध जूनियर में कमी है।

यदि आप वित्त से स्विच कर रहे हैं, तो आप वित्तीय समस्याओं को समझते हैं जिन्हें AI हल कर सकता है।

यदि आप स्वास्थ्य सेवा से स्विच कर रहे हैं, तो भी यही बात लागू होती है। इसे अपनाएँ।

सार्वजनिक रूप से निर्माण करना आपकी पाइपलाइन के रूप में: इस पूरे महीने, आप जो बना रहे हैं और जो सीख रहे हैं, उसे पोस्ट करते रहें।

मैंने जो सबसे अच्छे अवसर देखे हैं, वे उन लोगों को मिले हैं जो दिखाई दे रहे थे, न कि उन लोगों को जिन्होंने चुपचाप 500 लिस्टिंग पर आवेदन किया।

अपने प्रोजेक्ट्स के बारे में लिखें। उस गलती को साझा करें जिसे आपने ठीक किया। कंपाउंडिंग वास्तविक है, और अब तक आपके पास साझा करने के लिए वास्तविक काम है, इसलिए यह महीने 1 की तुलना में आसान है।

एक दिशा चुनें

महीने 4 तक आप अपने कौशल को अपने लक्ष्यों के अनुसार निर्देशित कर सकते हैं। तीन दिशाएँ, एक को गहराई से चुनें, बजाय इसके कि खुद को बहुत अधिक फैलाएँ।

AI उत्पाद इंजीनियर पथ, सबसे अच्छा यदि आप जल्दी से स्टार्टअप नौकरी चाहते हैं: आप AI-संचालित उत्पाद बनाते हैं जिन्हें वास्तविक उपयोगकर्ता छूते हैं।

आपके पास महीने 1 से 3 तक का अधिकांश हिस्सा पहले से ही है।

पूर्ण, पॉलिश किए गए ऐप्स बनाने और उत्पाद पक्ष पर गहराई से जाएँ, जिसका अर्थ है कि ऐप मॉडल के गलत होने पर कैसे संभालता है, यह लोडिंग स्टेट्स कैसे दिखाता है, उपयोगकर्ता कैसे फीडबैक देते हैं।

दो या तीन ऐसी चीज़ें शिप करें जिन्हें लोग वास्तव में आज़मा सकें।

एप्लाइड ML पथ, सबसे अच्छा यदि आप गहरी तकनीकी भूमिकाएँ चाहते हैं: API कॉल से आगे बढ़कर फाइन-ट्यूनिंग में जाएँ, कब फाइन-ट्यून करना है बनाम सिर्फ प्रॉम्प्ट को बेहतर बनाना है, Ollama जैसे टूल के साथ स्थानीय रूप से ओपन-सोर्स मॉडल चलाना, और इनफरेंस ऑप्टिमाइज़ेशन।

याद रखने योग्य निर्णय ढाँचा: प्रॉम्प्टिंग से शुरू करें, यदि मॉडल को आपके विशिष्ट डेटा की आवश्यकता हो तो रिट्रीवल जोड़ें, और केवल तभी फाइन-ट्यून करें जब प्रॉम्प्टिंग और रिट्रीवल वास्तव में आपकी आवश्यक गुणवत्ता को हिट नहीं कर सकते।

फाइन-ट्यूनिंग को अक्सर बहुत जल्दी अपनाया जाता है।

AI ऑटोमेशन पथ, सबसे अच्छा यदि आप तुरंत व्यवसायों से कमाई करना चाहते हैं: वास्तविक व्यावसायिक वर्कफ़्लो को ऑटोमेट करने पर ध्यान केंद्रित करें, ईमेल, CRM, दस्तावेज़ और स्प्रेडशीट जैसे टूल में AI को चेन करें।

विज़ुअल वर्कफ़्लो के लिए n8n और कोड-हैवी वर्कफ़्लो के लिए LangGraph जैसे टूल।

यहाँ एक बिक्री योग्य निर्माण: एक लीड-क्वालिफिकेशन सिस्टम जो लीड्स को खींचता है, प्रत्येक को रिसर्च और स्कोर करने के लिए एक मॉडल का उपयोग करता है, वैयक्तिकृत आउटरीच का ड्राफ्ट तैयार करता है, और सब कुछ लॉग करता है।

व्यवसाय इसके लिए वास्तविक पैसे देते हैं।

महीने 4 का माइलस्टोन

महीने के अंत तक, आपके पास उचित लागत नियंत्रण वाला एक डिप्लॉय किया गया AI ऐप, तीन पोर्टफोलियो प्रोजेक्ट जिनमें से प्रत्येक में एक ईमानदार README हो, आप जो बनाते हैं उसका एक स्पष्ट एक-लाइन पिच, सार्वजनिक रूप से काम का एक दृश्य निशान, और एक चुनी हुई दिशा हो जिसमें आप गहराई से जा रहे हैं।

उस बिंदु पर आप "AI सीखने वाला कोई व्यक्ति" नहीं हैं। आप वह व्यक्ति हैं जो AI सिस्टम शिप करता है, जो वह चीज़ है जिसके लिए बाज़ार भुगतान कर रहा है।

ईमानदार हिस्सा

मैंने आपको शुरुआत में बताया था कि मैं आपको कोई कल्पना बेचने वाला नहीं हूँ, इसलिए पैसे के आंकड़ों से पहले यहाँ सीधा संस्करण है।

चार महीने का केंद्रित काम आपको जूनियर स्तर पर रोजगार योग्य बनाता है या फ्रीलांस काम लेने के लिए तैयार करता है। यह आपको सीनियर इंजीनियर नहीं बनाता है।

सीनियर वर्षों तक वास्तविक बाधाओं के तहत वास्तविक चीज़ों को शिप करने से आता है, और कोई भी गाइड इसे संपीड़ित नहीं कर सकता है।

चार महीने आपको क्या खरीदते हैं, वह है AI सिस्टम बनाने, शिप करने और डिप्लॉय करने की क्षमता जो वास्तविक समस्याओं को हल करते हैं, जो वास्तव में मूल्यवान और वास्तव में किराए पर लेने योग्य स्थिति है।

यह वास्तविक काम मानता है, लगभग 15 से 20 घंटे प्रति सप्ताह, वास्तव में निर्माण करना और सिर्फ देखना नहीं।

यदि आप इसे केवल 7 घंटे प्रति सप्ताह दे सकते हैं, तो यह 8 महीने का रास्ता है, और यह पूरी तरह से ठीक है।

समयसीमा बढ़ती है, गंतव्य नहीं बदलता है। लोगों को मारता क्या है, धीमी गति नहीं है। यह रुकना है।

स्थिरता यहाँ हर बार तीव्रता को हराती है।

और पूरी चीज़ गलतियों वाले अनुभाग के एक व्यवहार पर टिकी है: निर्माण करें, सिर्फ देखें नहीं।

हर महीने एक प्रोजेक्ट है। प्रोजेक्ट करें। एक व्यक्ति जो चार महीनों में चार मोटे प्रोजेक्ट बनाता है, वह रोजगार योग्य है।

एक व्यक्ति जो चार महीनों के परफेक्ट ट्यूटोरियल देखता है, वह नहीं है। यही पूरा खेल है।

पैसा, स्रोतों के साथ

अब वे संख्याएँ जो आप वास्तव में चाहते हैं, सभी वर्तमान और सभी स्रोत सहित, क्योंकि ढीले वेतन दावे ही हैं जो इन गाइडों की विश्वसनीयता को कम करते हैं।

जून 2026 तक, Glassdoor औसत US AI इंजीनियर वेतन लगभग $143,500 रखता है, जिसमें 25वें प्रतिशतक पर लगभग $115,000 से लेकर 75वें प्रतिशतक पर $181,000 तक की सामान्य सीमा होती है, और शीर्ष कमाई करने वालों की रिपोर्ट लगभग $223,000 तक होती है।

सीनियर AI इंजीनियर औसतन लगभग $285,000 कमाते हैं, जिसमें लगभग $221,000 से $375,000 तक की सामान्य सीमा होती है, जो दर्शाता है कि एक बार वास्तविक अनुभव होने पर छलांग कितनी तेज है।

ये Glassdoor के आंकड़े हैं जो प्रस्तुत वेतन पर आधारित हैं।

भर्तीकर्ता जो लोगों को वास्तविक उत्पादन AI कार्य में रखते हैं, वे मध्य-स्तर के आधार वेतन को $155,000 और $200,000 के बीच क्लस्टर करने की रिपोर्ट करते हैं, जो सर्वेक्षणों के बजाय हस्ताक्षरित ऑफ़र पर आधारित है, जो Glassdoor रेंज के अनुरूप है और आपको एक दूसरा स्वतंत्र रीड देता है।

और PwC के 2026 बैरोमीटर से व्यापक बाजार पृष्ठभूमि, जिसके साथ मैंने शुरुआत की थी: AI-कौशल नौकरियां समग्र बाजार की तुलना में लगभग आठ गुना तेजी से बढ़ रही हैं, AI कौशल के लिए 62% वेतन प्रीमियम, और डिग्री की आवश्यकताएं इन भूमिकाओं में सबसे तेजी से गिर रही हैं।

वे किसी हाइप थ्रेड से नहीं हैं। वे एक अरब से अधिक नौकरी विज्ञापनों के विश्लेषण से हैं।

फ्रीलांस और कंसल्टिंग नंबर आपको गुमराह किए बिना सटीक रूप से उद्धृत करने के लिए बहुत भिन्न होते हैं, इसलिए मैं केवल इतना कहूंगा: RAG कार्यान्वयन, एजेंट निर्माण और LLM एकीकरण की दरें अधिक हैं, और तीन ठोस डिप्लॉय किए गए प्रोजेक्ट और एक स्पष्ट पिच वाला एक स्विचर पूर्णकालिक भूमिका पाने से बहुत पहले उस काम के लिए शुल्क लेना शुरू कर सकता है।

प्रोजेक्ट ही प्रमाण हैं। उन्हें बनाएँ और कमाई के विकल्प खुल जाते हैं।

इस सप्ताह शुरू करें

यहाँ वह है जो मैं वास्तव में करूँगा, आज, यदि मैं आपकी जगह होता।

महीने 1 का Python प्रोजेक्ट चुनें, वह छोटा कमांड-लाइन टूल। एक कोड एडिटर खोलें।

CS50P का पहला प्रॉब्लम सेट शुरू करें। लर्निंग-पार्टनर प्रॉम्प्ट सेट करें ताकि AI आपको निराशाजनक भागों के माध्यम से ट्यूटर करे।

एक GitHub रेपो बनाएँ और उसमें अपनी पहली बदसूरत फ़ाइल डालें। यही पूरा पहला सप्ताह है।

तब तक प्रतीक्षा न करें जब तक आप तैयार महसूस न करें, क्योंकि तैयारी शुरू करने के बाद आती है, पहले नहीं।

चारों महीनों को कोड की एक पंक्ति लिखने से पहले पूर्ण विवरण में मैप न करें, क्योंकि योजना पहले से ही यहाँ है और योजना बनाना शुरू करने से बचने का एक आरामदायक तरीका है।

सीखने और निर्माण के बीच का अंतर वह जगह है जहाँ लोग एक साल खो देते हैं। इसे इस सप्ताह बंद करें।

चार महीने का वास्तविक काम वास्तव में आपके लिए जो संभव है उसे बदल देता है।

दरवाजा पहले से कहीं अधिक खुला है, क्रेडेंशियल बाधा गिर रही है, और बाजार इन कौशलों के लिए तकनीक में लगभग किसी भी अन्य चीज़ की तुलना में अधिक भुगतान कर रहा है।

आपके पास गाइड है। एकमात्र चर जो बचा है वह यह है कि क्या आप निर्माण करते हैं।

इसे सहेजें और जैसे-जैसे आप आगे बढ़ें, हर महीने इसमें वापस आएँ। मैं इसे अपडेट रखूँगा क्योंकि टूल और नंबर बदलते हैं।

अपडेट के लिए @free_ai_guides को फॉलो करें ❤️