नवीनतम शोध के अनुसार AI agent का बुनियादी सिद्धांत - अवलोकन, कार्यप्रणाली, मूल्यांकन विधि और भविष्य

AI agent (एआई एजेंट) और Agentic AI (एजेंटिक एआई) के बारे में वैश्विक स्तर पर ध्यान दिया जा रहा है और कई क्षेत्रों में इसके उपयोग की अपेक्षा की जा रही है, लेकिन नवीनतम शोध के आधार पर, हमने AI agent के सिद्धांत (अवलोकन, तंत्र, मूल्यांकन विधि, भविष्य) को व्यवस्थित किया है।

AI एजेंट का अवलोकन

AI एजेंट की परिभाषा

AI एजेंट वह सॉफ्टवेयर या सिस्टम है जो पर्यावरण को समझता है, तर्क करता है, और किसी विशिष्ट लक्ष्य को प्राप्त करने के लिए स्वायत्त रूप से कार्य करता है (Akuma et al., 2025; Bandi et al., 2025; Di Maggio, 2025; Liu et al., 2025)।
पारंपरिक निष्क्रिय सॉफ्टवेयर (जो इनपुट के प्रति पूर्वनिर्धारित आउटपुट देता है) के विपरीत, AI एजेंट संवेदना-विचार-कार्य लूप के माध्यम से, मानव हस्तक्षेप के बिना कार्य को पूरा करने का प्रयास करता है।

पारंपरिक AI, LLM, और AI एजेंट का संबंध

निम्नलिखित आरेख AI से संबंधित अवधारणाओं के संबंध को दर्शाता है (Bandi et al., 2025)।

AI के ढांचे में, AI एजेंट (एजेंटिक एआई) एक ऐसा क्षेत्र है जो LLM (बड़े भाषा मॉडल) और RL (सुदृढ़ीकरण सीखना) पर आधारित है। LLM तर्क और योजना जैसी "बुद्धिमत्ता" को संभालता है, जबकि RL अनुभव पर आधारित "स्वायत्त सीखना और अनुकूलन" को संभालता है, जिससे AI लक्ष्य प्राप्ति के लिए स्वायत्त कार्य करने में सक्षम होता है।

इसके अलावा, AI एजेंट मल्टीएजेंट सिस्टम (MAS) से भी घनिष्ठ रूप से जुड़ा है। MAS की अवधारणा को शामिल करके, कई AI एक-दूसरे के साथ सहयोग और पूरक कर सकते हैं और जटिल समस्याओं को हल कर सकते हैं। जब "स्मृति प्रणाली" और "योजना एल्गोरिदम" इन्हीं के साथ जुड़ते हैं, तो AI एक साधारण उपकरण से विकसित होकर एक बुद्धिमान भागीदार बन जाता है जो अपनी रणनीति बनाता है।

AI Agent और Agentic AI में अंतर

AI Agent और Agentic AI अक्सर भ्रमित होते हैं, लेकिन हाल के शोध में उन्हें अलग से परिभाषित करने की प्रवृत्ति है (Bandi et al., 2025; Sapkota et al., 2025)।

AI Agent "किसी विशिष्ट कार्य को निष्पादित करने वाला अलग स्वायत्त एजेंट" है, जबकि Agentic AI "जटिल लक्ष्य को प्राप्त करने के लिए कई एजेंट जो समन्वय और सामंजस्य करते हैं, एक उन्नत सिस्टम या पैरेडाइम" है।

यात्रा के उदाहरण के साथ यह इस प्रकार है।

• AI Agent: "शिकागो के लिए फ्लाइट खोजें" निर्देश के प्रतिक्रिया में, यह फ्लाइट खोज उपकरण का उपयोग करके विकल्प प्रस्तुत करता है।

• Agentic AI: "1500 डॉलर से कम बजट में 3 दिन की शिकागो यात्रा की योजना बनाएं" निर्देश के प्रतिक्रिया में, यह कार्यों को विभाजित करता है (फ्लाइट, होटल, यात्रा कार्यक्रम), प्रत्येक विशेषज्ञ एजेंट वास्तविक समय की जानकारी खोजता है, तुलना करता है और बुकिंग करता है, कैलेंडर के साथ सिंक्रोनाइज़ करता है, और साझा योजना बनाता है।

स्मार्ट होम के उदाहरण में यह इस प्रकार है।

• AI Agent: उपयोगकर्ता की सेटिंग के आधार पर तापमान को समायोजित करने वाला "स्मार्ट थर्मोस्टेट" की तरह, यह एकल कार्य को स्वायत्त रूप से नियंत्रित करता है।

• Agentic AI: मौसम पूर्वानुमान, ऊर्जा मूल्य, उपयोगकर्ता के शेड्यूल, घर के उपकरण और सुरक्षा प्रणाली का प्रबंधन करने वाले कई एजेंट एक-दूसरे के साथ सहयोग करते हैं, और "आराम, सुरक्षा, ऊर्जा दक्षता का अनुकूलन" जैसे उच्च-स्तरीय लक्ष्य के लिए पूरे घर को समायोजित करते हैं।

इस प्रकार, Agentic AI कई AI Agent को ऑर्केस्ट्रेशन (एकीकृत प्रबंधन) के माध्यम से संचालित करता है और विकेंद्रीकृत बुद्धि के रूप में कार्य करता है, और Agentic AI को AI Agent के अगले चरण के रूप में स्थापित किया जाता है।

AI एजेंट इतने तेजी से क्यों वास्तविक और व्यापक हुआ

AI एजेंट के तेजी से प्रसार के पीछे LLM की असाधारण प्रगति है। पारंपरिक AI विशेष कार्यों तक सीमित था (मल्टीएजेंट सिमुलेशन और अन्य) (Akuma et al., 2025), लेकिन एक व्यापक "मस्तिष्क" LLM प्राप्त करके, यह एक ऐसे अस्तित्व में विकसित हुआ जो स्वायत्त रूप से सोचता है और कार्य करता है (Liu et al., 2025)।

इसके वास्तविकरण के लिए मुख्य चार बातें थीं।

• तर्क और अनुकूलन: LLM एक उन्नत तर्क इंजन बन गया, और अज्ञात परिस्थितियों और अस्पष्ट निर्देशों के लिए लचीढ़ से प्रतिक्रिया कर सकता है।

• योजना क्षमता: "Chain-of-Thought (विचार की श्रृंखला)" जैसी तकनीकों के माध्यम से, जटिल लक्ष्यों को छोटे चरणों में विभाजित कर सकते हैं और व्यावहारिक योजनाएं बना सकते हैं।

• उपकरणों का उपयोग: बाहरी API और खोज इंजन को स्वयं चुनने और संचालित करने (Tool Use) की क्षमता ने डिजिटल सीमाओं को पार करके व्यावहारिक कार्य को संभव बनाया है।

• स्मृति और स्वायत्तता: अतीत के अनुभव को संरक्षित करने वाली "स्मृति" के साथ, केवल उपयोगकर्ता के निर्देश की प्रतीक्षा करने वाले "generative AI" से, स्वयं लक्ष्यों का पीछा करने वाले "Agentic AI" के लिए एक पैरेडाइम शिफ्ट हो रहा है।

इस प्रकार, AI एजेंट के वास्तविकरण का मुख्य कारण यह है कि LLM एक उन्नत "तर्क इंजन" के रूप में काम करता है, और योजना निर्माण (Planning), उपकरण संचालन (Action), स्मृति संरक्षण (Memory) जैसे एजेंट के मुख्य घटकों को एकीकृत और नियंत्रित कर सकता है।

AI एजेंट का तंत्र

AI एजेंट के चार संघटक तत्व (आर्किटेक्चर)

आधुनिक AI एजेंट (विशेष रूप से LLM-आधारित एजेंट) को आमतौर पर निम्नलिखित चार मुख्य घटकों वाली प्रणाली के रूप में परिभाषित किया जाता है (Bandi et al., 2025; Di Maggio, 2025; Liu et al., 2025)।

① मस्तिष्क (Brain)
तर्क और निर्णय लेने का केंद्र है, जहां LLM यह भूमिका निभाता है। यह उपयोगकर्ता के निर्देशों और पर्यावरण की जानकारी को समझता है, ज्ञान की खोज करता है, कार्य को पूरा करने की योजना (Planning) बनाता है, और अंतिम निर्णय लेता है। LLM की प्रगति ने केवल पाठ जनरेशन के बजाय, तार्किक तर्क और जटिल कार्यों के विघटन को संभव बनाया है (Akuma et al., 2025; Di Maggio, 2025)।

② संवेदना (Perception)
पर्यावरण की जानकारी एकत्र करता है, मानव की संवेदना अंगों (आंख, कान) के अनुरूप है। यह बाहरी पर्यावरण से जानकारी एकत्र करता है और एजेंट (मस्तिष्क) के समझने के लिए उपयुक्त रूप में परिवर्तित करता है।
केवल पाठ के अलावा, छवि, ऑडियो, सेंसर डेटा जैसी विविध मोडलिटीज (formats) की जानकारी को संसाधित करने की क्षमता में वृद्धि हुई है (मल्टीमोडल)। इससे, एजेंट स्क्रीन पर की जानकारी को पढ़ सकता है, या भौतिक रोबोट के रूप में अपने चारों ओर को पहचान सकता है (J. Gao et al., 2024)।

③ क्रिया और उपकरण उपयोग (Action & Tools)
बाहरी दुनिया में हस्तक्षेप करना, मानव के हाथ-पैर के अनुरूप है। यह मस्तिष्क द्वारा निर्णीत योजना को कार्यान्वित करता है और पर्यावरण में परिवर्तन लाता है। एजेंट LLM अकेले जो नहीं कर सकता, उसके लिए "उपकरण" का उपयोग करता है। इसमें वेब खोज, कोड निष्पादन (Code Interpreter), API को कॉल करना (कैलेंडर संचालन, ईमेल भेजना, डेटाबेस क्वेरी आदि) शामिल है। Model Context Protocol (MCP) जैसे मानक प्रोटोकॉल के माध्यम से, विविध बाहरी डेटा और उपकरणों से जुड़ता है, और विस्तार योग्यता बढ़ाता है (Di Maggio, 2025; Ganesh et al., 2025)।

④ स्मृति (Memory)
पिछली क्रियाओं, उपयोगकर्ता की पसंद, प्रक्रियाओं को संरक्षित करता है, और आवश्यकता के अनुसार उन्हें पुनः प्राप्त करता है।

इसे अल्पकालीन स्मृति (Short-term Memory) और दीर्घकालीन स्मृति (Long-term Memory) में विभाजित किया जाता है, और प्रत्येक निम्नलिखित भूमिकाओं को निभाता है।

• अल्पकालीन स्मृति: वर्तमान कार्य या वार्तालाप का संदर्भ रखता है, और तत्काल तर्क के लिए इसका उपयोग करता है।

• दीर्घकालीन स्मृति: वेक्टर डेटाबेस (Vector DB) आदि का उपयोग करके, विशाल अतीत के अनुभव और ज्ञान को स्थायी रूप से संरक्षित करता है। RAG (Retrieval-Augmented Generation) तकनीक का उपयोग करके, आवश्यकता पड़ने पर उपयुक्त जानकारी को खोजता और प्राप्त (Retrieve) करता है, जिससे दीर्घकालीन सीखना और सुसंगत व्यवहार को महसूस किया जा सकता है (Liu et al., 2025)।

AI एजेंट की निष्पादन प्रक्रिया

AI एजेंट निम्नलिखित चक्र को दोहराता है और कार्य को पूरा करता है। इस प्रक्रिया को ReAct (Reason + Act) या OODA लूप (Observe-Orient-Decide-Act) भी कहा जाता है (Akuma et al., 2025; Bandi et al., 2025; Karim, Khan, et al., 2025; Karim, Van, et al., 2025)।

1. लक्ष्य निर्धारण
   उपयोगकर्ता से "शिकागो की यात्रा की योजना बनाएं" जैसे उच्च-स्तरीय लक्ष्य को प्राप्त करता है।

2. योजना (Planning)
   कार्य विघटन और तर्क करता है।
   · कार्य विघटन: मस्तिष्क (LLM) जटिल लक्ष्य को, "फ्लाइट की खोज" "होटल बुकिंग" "शेड्यूल बनाना" जैसे छोटे सबटास्क में विभाजित करता है।
   · तर्क: किस उपकरण को किस क्रम में उपयोग करना चाहिए, इसे तार्किक रूप से व्यवस्थित करता है।

3. निष्पादन (Execution/Action)
   योजना के आधार पर, विशिष्ट उपकरण (उदाहरण के लिए: फ्लाइट खोज API) को कॉल करता है।

4. प्रेक्षण और सुधार (Observation & Reflection)

   • प्रेक्षण: उपकरण के निष्पादन का परिणाम (उदाहरण के लिए: फ्लाइट की सूची या त्रुटि संदेश) को देखता है।

   • सुधार: यदि परिणाम अपेक्षानुसार नहीं है, तो योजना को संशोधित करता है या एक अलग खोज शब्द आजमाता है।

5. पूर्ण: जब सभी सबटास्क पूरे हो जाते हैं और लक्ष्य प्राप्त हो जाता है, तो अंतिम उत्तर उपयोगकर्ता को प्रस्तुत करता है।

सिंगल एजेंट और मल्टीएजेंट (Agentic AI)

एजेंट का तंत्र, एक अकेले (सिंगल एजेंट) के रूप में काम करता है या समूह (मल्टीएजेंट) के रूप में, इसके आधार पर भिन्न होता है (Bandi et al., 2025)।

सिंगल एजेंट और मल्टीएजेंट में अंतर निम्नलिखित है।

• सिंगल एजेंट: एक LLM सभी भूमिकाओं (योजना, निष्पादन, मूल्यांकन) को निभाता है। सरल कार्यों के लिए उपयुक्त है, लेकिन बहुत जटिल होने पर भ्रमित हो सकता है।

• मल्टीएजेंट: "योजना विभाग" "खोज विभाग" "कोड निर्माण विभाग" की तरह विशेषज्ञता प्राप्त कई एजेंट एक-दूसरे के साथ सहयोग करते हैं। यह Agentic AI का तंत्र बनाता है।

मल्टीएजेंट को ऑर्केस्ट्रेशन और प्रोटोकॉल द्वारा महसूस किया जाता है।

• ऑर्केस्ट्रेशन: मुख्य एजेंट (ऑर्केस्ट्रेटर) कार्य को अन्य एजेंटों को सौंपता है, और परिणामों को एकीकृत करता है।

• प्रोटोकॉल: एजेंट आपस में Agent-to-Agent (A2A) प्रोटोकॉल जैसे मानकीकृत संचार के साधन का उपयोग करते हैं, मानव के बिना ही एजेंट आपस में बात करते हैं और समस्या को हल करने में सहयोग करते हैं।

AI एजेंट का मूल्यांकन विधि

AI एजेंट का मूल्यांकन, परिमाणात्मक संकेतक (Performance) और गुणात्मक संकेतक (quality and behavior), और मूल्यांकन विधि के तीन बिंदु पर किया जाता है जैसे निम्नलिखित है।

परिमाणात्मक संकेतक

एजेंट की वस्तुनिष्ठ कार्यक्षमता को मापने के लिए उपयोग किए जाते हैं (Akuma et al., 2025; Bandi et al., 2025; Liu et al., 2025)।

• कार्य सफलता दर और सटीकता (Success Rate & Accuracy): सफलता दर (Success Rate): एजेंट द्वारा लक्ष्य को प्राप्त करने का अनुपात। उदाहरण के लिए, वेब ब्राउजिंग कार्य या API संचालन में, क्या अंतिम लक्ष्य तक पहुंचा जा सका, इसे मापता है।

• सटीकता (Accuracy): आउटपुट सही उत्तर के साथ कितना मेल खाता है। चिकित्सा निदान या वित्तीय पूर्वानुमान जैसे कार्य में, जहां सही उत्तर स्पष्ट है, का उपयोग किया जाता है।

• सटीकता (Precision) और रिकॉल (Recall): जब एजेंट खोज या सूचना निष्कर्षण करता है, तो यह मापता है कि संबंधित सूचना को कितनी सटीकता से और पूर्णता से प्राप्त किया जा सकता है।

• दक्षता (Efficiency): कार्य पूर्ण होने का समय (Task Completion Time, TCT): योजना से निष्पादन पूर्ण होने तक लगने वाला समय। यह दर्शाता है कि एजेंट पारंपरिक AI की तुलना में जटिल वर्कफ़्लो को कितनी तेजी से संसाधित कर सकता है।

• चरणों की संख्या (Number of Steps): लक्ष्य तक पहुंचने के लिए आवश्यक कार्यों (विचार, उपकरण उपयोग आदि) की संख्या। जितने कम चरणों में समाधान होता है, उतना अधिक दक्ष माना जाता है।

• लागत (Cost): API कॉल की संख्या या टोकन उपयोग के आधार पर, कार्य पूर्ण करने के लिए आवश्यक वित्तीय और कम्प्यूटेशनल लागत का मूल्यांकन।

• संरचनात्मक और तार्किक संकेतक: ग्राफ संपादन दूरी (Graph Edit Distance, GED): एजेंट द्वारा उत्पन्न कार्य योजना (ग्राफ संरचना) और सही उत्तर (जैसे मानव द्वारा बनाई गई योजना) के बीच संरचनात्मक समानता को मापने वाला संकेतक। योजना क्षमता (प्लानिंग) के मूल्यांकन के लिए उपयोग किया जाता है।

• नियम निष्ठा (Rule Fidelity): यह मापता है कि एजेंट तार्किक नियमों और बाधाओं का कितना सख्ती से पालन करता है।

गुणात्मक संकेतक

ये एजेंट के व्यवहार, विश्वसनीयता और उपयोगकर्ता अनुभव से संबंधित संकेतक हैं (Akuma et al., 2025; Bandi et al., 2025; Zhou et al., 2025)।

• विश्वसनीयता और सुरक्षा (Trust & Safety): मतिभ्रम की अनुपस्थिति (Faithfulness/Hallucination): क्या प्रतिक्रिया प्रदान किए गए स्रोतों या तथ्यों पर पूरी तरह आधारित है। RAG (खोज-संवर्धित पीढ़ी) प्रणालियों में, यह महत्वपूर्ण है कि प्रतिक्रिया संदर्भ सामग्री पर आधारित हो (Faithfulness)।

• मजबूती (Robustness): क्या एजेंट त्रुटि इनपुट, अप्रत्याशित स्थितियों और प्रतिकूल हमलों का सामना करते हुए कार्य करता रहता है।

• पूर्वाग्रह और न्यायसंगतता (Fairness & Bias): क्या एजेंट विशेष समूहों के प्रति पक्षपाती निर्णय ले रहा है, और क्या आउटपुट में कोई पूर्वाग्रह तो नहीं है।

• पारदर्शिता और व्याख्या क्षमता (Transparency & Explainability): क्या एजेंट "उसने वह निर्णय क्यों लिया" इसे ऐसे तरीके से समझा सकता है जो मनुष्यों के लिए समझने योग्य हो। यह स्वास्थ्य सेवा और वित्त जैसे उच्च जोखिम वाले क्षेत्रों में विशेष रूप से महत्वपूर्ण है।

• स्वायत्तता (Autonomy): मानव हस्तक्षेप के बिना कार्य पूर्ण करने की क्षमता।

• सहयोगी व्यवहार (Cooperative Behavior): मल्टी-एजेंट सिस्टम में, एजेंट कितनी प्रभावी तरीके से एक दूसरे के साथ समन्वय और सहयोग कर सकते हैं।

• आत्म-प्रतिबिंब (Self-Reflection): अपनी त्रुटियों का पता लगाने और उन्हें ठीक करने की क्षमता।

मूल्यांकन विधि और बेंचमार्क

इन संकेतकों को मापने के लिए, विभिन्न मूल्यांकन ढांचे प्रस्तावित किए गए हैं (Akuma et al., 2025; Bandi et al., 2025; Ferrag et al., 2025)।

बेंचमार्क डेटासेट:

• AgentBench: एक व्यापक बेंचमार्क जो कई वातावरणों (OS, DB, Knowledge Graph आदि) में LLM एजेंटों का मूल्यांकन करता है।

• GAIA (General AI Assistants benchmark): वास्तविक दुनिया के प्रश्नों का संग्रह जिसके लिए तर्क, उपकरण उपयोग और मल्टीमॉडेलिटी की आवश्यकता होती है। इसमें ऐसे कार्य शामिल हैं जो मनुष्यों के लिए आसान हैं लेकिन AI के लिए कठिन हैं।

• SWE-bench: वास्तविक GitHub समस्याओं को हल करने की क्षमता (कोडिंग, डिबग करना) का मूल्यांकन करता है।

• MMLU (Massive Multitask Language Understanding): व्यापक विश्व ज्ञान और समस्या-समाधान क्षमता का परीक्षण करता है।

AI द्वारा मूल्यांकन (LLM-as-a-Judge / Agent-as-a-Judge):
मानव मूल्यांकन महंगा है, इसलिए "शक्तिशाली LLM (जैसे GPT-4) को न्यायाधीश के रूप में उपयोग करके अन्य एजेंटों के आउटपुट को स्कोर करना" यह विधि लोकप्रिय हो गई है। आगे बढ़कर, "Agent-as-a-Judge" नामक एक ढांचा भी प्रस्तावित किया गया है, जहां एजेंट अन्य एजेंटों की विचार प्रक्रिया और मध्यवर्ती आउटपुट का मूल्यांकन करते हैं, और यह दिखाया गया है कि यह मानव सहमति के साथ उच्च समझौता दर रखता है।

मानव भागीदारी मूल्यांकन (Human-in-the-Loop):
उपयोगकर्ता संतुष्टि (User Satisfaction) और स्वीकृति परीक्षण (UAT) जैसे अंतिम उपयोगकर्ता अनुभव पर आधारित मूल्यांकन अभी भी अपरिहार्य हैं।

AI एजेंटों का भविष्य

AI एजेंट केवल कार्य निष्पादन उपकरण से परे, स्वायत्तता से सीखते और विकसित होते हुए, अन्य एजेंटों और मनुष्यों के साथ सहयोग करके जटिल सामाजिक प्रणालियां बनाते हुए, एजेंटिक AI (Agentic AI) और आत्म-विकसित प्रणालियों (Self-Evolving Systems) में तेजी से विकसित हो रहे हैं।
आने वाले विकास को निम्नलिखित 4 दृष्टिकोणों से संगठित किया गया है।

AI एजेंटों से एजेंटिक AI में विकास

भविष्य का AI, एकल कार्य करने वाले "AI एजेंट" से लेकर संगठनात्मक स्वायत्तता वाले "एजेंटिक AI" में पैराडाइम बदलाव करेगा (Bandi et al., 2025)।

• परिभाषा का विस्तार: वर्तमान AI एजेंट "विशिष्ट कार्य निष्पादित करने वाली स्वायत्त इकाई" है, जबकि भविष्य का Agentic AI कई विशेषीकृत एजेंटों का एक ऐसा सिस्टम होगा जो सहयोग, समन्वय और योजना बनाते हैं और जटिल, उच्च-स्तरीय लक्ष्यों को प्राप्त करते हैं।

• मल्टी-एजेंट सिस्टम (MAS) का मानकीकरण: भविष्य में, एकल LLM (बड़ा भाषा मॉडल) के बजाय, भूमिका-विभाजित एजेंटों का समूह (जैसे: योजना एजेंट, निष्पादन एजेंट, समीक्षा एजेंट) एक साथ काम करने वाली वास्तुकला मुख्य हो जाएगी। इससे अकेले असंभव समस्याओं को सामाजिक विभाजन के माध्यम से हल किया जा सकेगा।

• बाजार की तीव्र वृद्धि: उद्योग में एजेंटिक AI में रुचि तेजी से बढ़ रही है, और बाजार आकार 2023 के लगभग 36.6 बिलियन डॉलर से 2033 में लगभग 1391.2 बिलियन डॉलर तक, 43% से अधिक वार्षिक विकास दर के साथ बढ़ने की भविष्यवाणी की जा रही है (Market. us, 2025)।

आत्म-विकास (Self-Evolving) और आजीवन शिक्षा (Lifelong Learning)

• अब तक का AI विकास "मॉडल के पूर्व-प्रशिक्षण (MOP)" पर निर्भर रहा है, लेकिन भविष्य के एजेंट संचालन के दौरान सीखते रहने की क्षमता प्राप्त करेंगे (Bandi et al., 2025; Hettiarachchi, 2025)।

• आत्म-विकसित AI एजेंट: पर्यावरण के साथ अंतःक्रिया के माध्यम से, अपने प्रॉम्प्ट, उपकरण उपयोग रणनीति, स्मृति और एजेंटों के बीच टोपोलॉजी (कनेक्शन संरचना) को स्वायत्तता से अनुकूलित और अपडेट करने वाली प्रणालियां उभरेंगी।

• आजीवन शिक्षा (Lifelong Learning): स्थिर डेटासेट पर सीखने तक सीमित न रहते हुए, नए कार्यों और वातावरणों के अनुकूल होने के लिए अनुभव जमा करते रहने वाली "आजीवन शिक्षा" प्रणाली की ओर स्थानांतर हो रहा है। इससे मनुष्यों को बार-बार हस्तक्षेप करके पुनः-प्रशिक्षण देने की आवश्यकता समाप्त हो जाएगी और निरंतर प्रदर्शन सुधार संभव होगा।

बुनियादी ढांचे और प्रोटोकॉल का मानकीकरण

एजेंटों को कंपनियों और प्लेटफॉर्मों की सीमाओं से परे एक दूसरे के साथ सहयोग करने के लिए "सामान्य भाषा" और बुनियादी ढांचे का विकास किया जाएगा (Di Maggio, 2025)।
MCP (Model Context Protocol) और A2A (Agent-to-Agent) जैसे प्रोटोकॉल का मानकीकरण, जिससे एजेंट एक दूसरे के साथ अंतः-संचालनीय हो सकें और व्यवहार कर सकें, और विभिन्न डेवलपर्स द्वारा बनाए गए एजेंटों के बीच सुरक्षित संचार और सहयोग संभव बनाते हुए, Internet of Agents की एक पारिस्थितिकी तंत्र का निर्माण किया जाएगा।

सामने आने वाली चुनौतियां और जोखिम

उज्ज्वल संभावनाओं के बावजूद, कुछ गंभीर समस्याएं अभी भी बनी हुई हैं (Ganesh et al., 2025; S. Gao et al., 2024; Karim, Van, et al., 2025)।
・कारणात्मक तर्क और विश्वसनीयता: वर्तमान एजेंट सांख्यिकीय सहसंबंध में मजबूत हैं लेकिन कारण संबंध (Why) की समझ में कमी है, जिससे अज्ञात परिस्थितियों में तर्क और योजना विफल हो जाते हैं। इसके अलावा, मतिभ्रम (सच जैसी झूठ) की समस्या स्वायत्तता से कार्य करने वाले एजेंटों में वास्तविक नुकसान का कारण बन सकती है।
・सुरक्षा और सुरक्षितता: मल्टी-एजेंट सिस्टम में हमले का सतह क्षेत्र व्यापक है, और प्रॉम्प्ट इंजेक्शन या एजेंटों के बीच परस्पर क्रिया का दुरुपयोग करके हमले (जैसे डेटा जहर के प्रसार) के प्रति कमजोरियां चिंताजनक हैं।
・नैतिकता और शासन: जब एजेंट स्वायत्तता से अनुबंध करते हैं या कानूनी जिम्मेदारी लेने वाले कार्य करते हैं, तो जिम्मेदारी का स्थान (Liability) और मानव के इच्छित दिशा से परे कार्य परिवर्तन की समस्या "संरेखण (Alignment)" से निपटने के लिए नए कानूनी नियम और शासन ढांचे की आवश्यकता है।

निष्कर्ष

हाल ही में तेजी से विकसित हो रहे AI एजेंटों के संबंध में, बुनियादी सिद्धांतों के बारे में जानकारी को संगठित किया गया है। भविष्य के AI विकास और सामने आने वाले जोखिमों को ध्यान में रखते हुए, इसके अनुप्रयोग और विकास को किया जाना चाहिए।

संदर्भ ग्रंथ सूची

• Akuma, C. F., Hewage, P., Garg, A., & Amaechi, C. V. (2025). AI agents: A comprehensive review of evolution, architectures, applications, and future directions. 2025 12th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions) (ICRITO), 1–5.

• Bandi, A., Kongari, B., Naguru, R., Pasnoor, S., & Vilipala, S. V. (2025). The rise of agentic AI: A review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet, 17(9), 404.

• Di Maggio, L. G. (2025). Toward autonomous LLM-based AI agents for Predictive Maintenance: State of the art, challenges, and future perspectives. Applied Sciences (Basel, Switzerland), 15(21), 11515.

• Ferrag, M. A., Tihanyi, N., Hamouda, D., Maglaras, L., Lakas, A., & Debbah, M. (2025). From prompt injections to protocol exploits: Threats in LLM-powered AI agents workflows. ICT Express. https://doi.org/10.1016/j.icte.2025.12.001

• Ganesh, S., Ardon, L., Borrajo, D., Garg, D., Sehwag, U. M., Narayanan, A. L., Canonaco, G., & Veloso, M. M. (2025). Generative AI agents for knowledge work augmentation in finance. Annual Review of Control, Robotics, and Autonomous Systems, 8(1), 189–210.

• Gao, J., Qiao, H., & Zhang, Y. (2024). Intelligent recognition of tool wear with artificial intelligence agent. Coatings, 14(7), 827.

• Gao, S., Fang, A., Huang, Y., Giunchiglia, V., Noori, A., Schwarz, J. R., Ektefaie, Y., Kondic, J., & Zitnik, M. (2024). Empowering biomedical discovery with AI agents. Cell, 187(22), 6125–6151.

• Hettiarachchi, I. (2025). Exploring Generative AI Agents: Architecture, Applications, and Challenges. Journal of Artificial Intelligence General Science (JAIGS) ISSN:3006-4023, 8(1), 105–127.

• Karim, M. M., Khan, S., Van, D. H., Liu, X., Wang, C., & Qu, Q. (2025). Transforming data annotation with AI agents: A review of architectures, reasoning, applications, and impact. Future Internet, 17(8), 353.

• Karim, M. M., Van, D. H., Khan, S., Qu, Q., & Kholodov, Y. (2025). AI agents meet blockchain: A survey on secure and scalable collaboration for multi-agents. Future Internet, 17(2), 57.

• Liu, F., Niu, Y., Zhang, Q., Wang, K., Dong, Z., Wong, I. N., Cheng, L., Li, T., Duan, L., Li, K., Li, G., Hou, T. W., Fok, M., Luo, H., Chen, X., Zhang, K., & Yin, Y. (2025). A foundational architecture for AI agents in healthcare. Cell Reports. Medicine, 6(10), 102374.

• Market. us. (2025). AI Agents Market size, share, trends | CAGR of 43.8% [Dataset]. https://market.us/report/ai-agents-market/

• Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. In arXiv [cs.AI]. arXiv. http://arxiv.org/abs/2505.10468

• Zhou, Z., Zhang, H., Song, C., Ming, C., & Sun, Y.-Y. (2025). Construction of an artificial-intelligence agent for the discovery of next-generation white-LED phosphors. Physical Chemistry Chemical Physics, 27(43), 22885–22893.