आज के कॉलम में, मैं एक नई प्रॉम्प्टिंग रणनीति प्रस्तुत कर रहा हूँ जिसका उद्देश्य मल्टी-एजेंटिक AI के उपयोग को अनुकूलित करना है। जैसे-जैसे एजेंटिक AI, जिसमें जनरेटिव AI और बड़े भाषा मॉडल (LLMs) शामिल हैं, जो विशेष कार्यों को संभालते हैं, विकसित होता जा रहा है, इन AIs की संख्या बढ़ती जाएगी। इसलिए, उपयुक्त एजेंटिक AIs को संलग्न करने के लिए प्रॉम्प्ट्स को प्रभावी ढंग से तैयार करना महत्वपूर्ण है। गलत प्रॉम्प्ट्स अनावश्यक संलग्नन का परिणाम बन सकते हैं या आवश्यक AIs को सक्रिय करने में विफल हो सकते हैं। यह कॉलम मेरे जारी Forbes सीरीज का एक हिस्सा है, जो AI में नवीनतम विकास और क्षेत्र की विभिन्न जटिलताओं की जांच करता है। **एजेंटिक AI के युग में प्रॉम्प्ट इंजीनियरिंग** पहले, मैंने कई प्रॉम्प्ट इंजिनियरिंग तकनीकों पर चर्चा की है जो जनरेटिव AI के साथ आपके परिणामों को बढ़ा सकती हैं, जिससे लाभकारी अवसर उत्पन्न हो सकते हैं। एजेंटिक AI का उदय प्रॉम्प्ट इंजीनियरिंग में नए आयाम जोड़ता है। सोचिए यदि आप जनरेटिव AI के साथ एक छुट्टी की योजना बना रहे हैं: जबकि प्रारंभिक योजना सरल हो सकती है, बुकिंग अक्सर तृतीय-पक्ष वेबसाइटों पर स्विच करने की मांग करती है। यहाँ एजेंटिक AI का प्रवेश होता है, जो एक वर्चुअल ट्रैवल एजेंट के रूप में कार्य कर सकता है, जो प्राकृतिक भाषा बातचीत के माध्यम से योजना और बुकिंग की देखभाल करता है। **मल्टी-एजेंटिक AIs का मूल्य** एकल एजेंटिक AI पर निर्भर रहने की बजाय, कई एजेंटों का उपयोग करना दक्षता को बहुत बढ़ा सकता है। हालाँकि, यह यह चुनौती भी प्रस्तुत करता है कि किस एजेंट को सक्रिय करना है। गलत चयन से लागत आ सकती है या कार्यों में जटिलता बढ़ सकती है, जबकि सही एजेंटों को शामिल करने में विफलता प्रगति को बाधित कर सकती है। मैं मल्टी-एजेंट AI के साथ प्रॉम्प्ट बनाने के लिए दो मुख्य दृष्टिकोण प्रस्तावित करता हूँ: 1. **ड्राइवर की सीट:** उपयोगकर्ता निर्दिष्ट करते हैं कि किस AI एजेंट को सक्रिय करना है और किस क्रम में, जिससे अस्पष्टता कम होती है। 2. **यात्री की सीट:** उपयोगकर्ता समग्र कार्य को सामने रखते हैं, जिससे जनरेटिव AI यह निर्णय ले सके कि कौन से एजेंटों को संलग्न करना है। प्रत्येक दृष्टिकोण के साथ व्यापार-बंद होते हैं। ड्राइवर की सीट नियंत्रण प्रदान करती है, लेकिन संभावित जटिलता की कीमत पर, जबकि यात्री की सीट सरलता प्रदान करती है लेकिन अस्पष्टता से बचने के लिए स्पष्ट संचार की आवश्यकता होती है। **कोडिंग सहायता में उदाहरण** समझाने के लिए, चलिए एक कोडिंग परिदृश्य का उपयोग करते हैं जहाँ पांच AI एजेंट उपलब्ध हैं: 1. **CodeFixer:** कोड को ठीक करता है और अनुकूलित करता है। 2.

**CodeReviewer:** सर्वश्रेष्ठ प्रथाओं के लिए कोड का मूल्यांकन करता है। 3. **BugHunter:** कमजोरियों और तार्किक त्रुटियों की पहचान करता है। 4. **PerfAnalyzer:** प्रदर्शन का आकलन करता है और अनुकूलन का सुझाव देता है। 5. **DocWriter:** दस्तावेजों को उत्पन्न करता है। *ड्राइवर की सीट उदाहरण:* जब मुझे एक Python स्क्रिप्ट को ठीक करने के लिए प्रॉम्प्ट दिया जाता है, तो मैं यह निर्देश दे सकता हूँ: “CodeFixer को सक्रिय करें, फिर BugHunter, उसके बाद PerfAnalyzer।” जनरेटिव AI उस निर्दिष्ट क्रम का पालन करता है। *यात्री की सीट उदाहरण:* इसके बजाय, मैं कह सकता हूँ: “मुझे मेरी Python स्क्रिप्ट में मदद चाहिए; कृपया ऐसे एजेंटों को सक्रिय करें जो सहायता कर सकें।” AI मेरी अनुरोध को व्याख्यायित करेगा और एजेंटों का चयन करेगा जबकि मुझे इसकी योजनाओं के बारे में सूचित रखेगा। हालाँकि, अस्पष्ट प्रॉम्प्ट्स कम प्रभावी परिणामों का कारण बन सकते हैं। उदाहरण के लिए, बस "मेरी Python स्क्रिप्ट में मदद" मांगने से उपयोगी एजेंट संलग्न नहीं हो सकते, जब तक कि इसे स्पष्ट नहीं किया जाए। **मल्टी-एजेंट AI में उभरती शोध** AI समुदाय में अनुसंधान तेजी से विकसित हो रहा है। हालिया अध्ययन "AgentRec" की पेशकश करता है, जो उपयोगकर्ता प्रॉम्प्ट्स के आधार पर एजेंटों का चयन करने पर केंद्रित है। इस अध्ययन की अंतर्दृष्टियाँ बताते हैं कि जनरेटिव AI सक्षम एजेंटों को चुनने की क्षमता को बढ़ा सकता है। जैसे-जैसे हम इन तकनीकों को अपनाते और परिष्कृत करते हैं, मल्टी-एजेंट AIs को सक्रिय करने का अभ्यास महत्वपूर्ण होगा। जबकि वर्तमान में कई जनरेटिव AI अनुप्रयोग सीधे एजेंट सक्रिय करने को सीमित करते हैं, भविष्य में सुधार की संभावना है। लिंकन के शब्दों को याद रखें: "भविष्य की सबसे अच्छी चीज यह है कि यह सिर्फ एक दिन में आता है, " जो मल्टी-एजेंटिक AI के विकसित हो रहे परिदृश्य पर लागू होता है।