एक सवाल जो एजेंट को चैटबॉट से अलग करता है
अगला कदम कौन तय करता है?
चैटबॉट में, कोई नहीं तय करता। आप एक संदेश भेजते हैं, मॉडल एक जवाब देता है, और बारी खत्म हो जाती है। अगर जवाब पर आगे कुछ करना हो, तो आपको खुद लिखना पड़ता है। मॉडल कभी दुनिया पर कोई काम नहीं करता, वह सिर्फ टेक्स्ट लिखता है।
एजेंट में, मॉडल खुद तय करता है। एक लक्ष्य दिए जाने पर, यह कोई काम चुनता है, जैसे वेब सर्च करना, कोड का कोई टुकड़ा चलाना, कोई पेज खोलना या फ़ाइल एडिट करना, फिर टेक्स्ट के रूप में नतीजा वापस पाता है, उसे पढ़ता है, और अगला काम चुनता है। यह तब तक चलता रहता है जब तक इसे लगे कि लक्ष्य पूरा हो गया है, या कोई स्टेप लिमिट इसे रोक न दे। मॉडल ही इस लूप का नियंत्रक है।
Anthropic की इंजीनियरिंग गाइड "Building effective agents", जो दिसंबर 2024 में प्रकाशित हुई, बिलकुल इसी जगह पर रेखा खींचती है: वर्कफ्लो वे सिस्टम हैं जहां मॉडल उस कोड के अंदर चलता है जो रास्ता तय करता है, और एजेंट वे सिस्टम हैं जहां मॉडल अपनी प्रक्रिया और टूल के इस्तेमाल को खुद निर्देशित करता है। वह गाइड इस बारे में भी साफ बात करती है कि पहले किसे बनाना चाहिए, और उसका जवाब है वर्कफ्लो।
चैटबॉट, वर्कफ्लो, एजेंट: वही मॉडल, तीन अलग लूप
तीनों एक ही language model पर चल सकते हैं। जो अलग होता है वह है इसके इर्दगिर्द बना ढांचा।
| चैटबॉट | वर्कफ्लो | एजेंट | |
|---|---|---|---|
| अगला कदम कौन चुनता है | कोई नहीं; हर संदेश पर एक जवाब | डेवलपर की लिखी स्क्रिप्ट | मॉडल, पिछले नतीजे के आधार पर |
| टूल इस्तेमाल करता है | कभी कभी, हर बारी में एक कॉल | हां, एक तय क्रम में | हां, जिस क्रम में चाहे |
| कब रुकता है | एक जवाब के बाद | जब स्क्रिप्ट खत्म हो | जब यह तय करे कि लक्ष्य पूरा हो गया, या स्टेप की सीमा आ जाए |
| आम गलती | गलत जवाब | गलत इनपुट मिलने वाला स्टेप | ऐसा लूप जो भटक जाए, दोहराए, या जल्दी रुक जाए |
| हर काम की लागत | एक जवाब | जवाबों की तय संख्या | तब तक अनिश्चित जब तक यह खत्म न हो |
वर्कफ्लो वाला कॉलम वह जगह है जहां ज्यादातर काम की ऑटोमेशन होती है। एक पाइपलाइन जो पहले किसी दस्तावेज़ का सार निकाले, फिर तारीखें निकाले, फिर जवाब का ड्राफ्ट बनाए, वह तय क्रम में तीन मॉडल कॉल है। यह भरोसेमंद इसलिए है क्योंकि रास्ता डेवलपर ने तय किया। यह एजेंट नहीं है, चाहे लैंडिंग पेज कुछ भी कहे, और इसे एजेंट कहना असली ट्रेडऑफ को छिपा देता है: तय रास्ता पूर्वानुमानित और सस्ता है, मॉडल का चुना रास्ता लचीला है और न तो पूरी तरह सस्ता, न पूरी तरह पूर्वानुमानित।
यह लूप कदम दर कदम कैसा दिखता है
एक ठोस उदाहरण। लक्ष्य: "पता लगाओ कि हमारे प्रतिस्पर्धी ने इस महीने अपनी कीमतें बदलीं या नहीं, और मुझे दो पैराग्राफ का सार लिखो।"
- मॉडल लक्ष्य पढ़ता है और पहला कदम तय करता है: प्रतिस्पर्धी के प्राइसिंग पेज के लिए वेब सर्च।
- सर्च टूल टेक्स्ट के रूप में नतीजों की सूची लौटाता है। मॉडल उसे पढ़ता है और एक चुनकर खोलता है।
- ब्राउज़र टूल पेज लौटाता है। मॉडल मौजूदा कीमतें निकालता है।
- मॉडल तय करता है कि उसे पुरानी कीमतें भी चाहिए, आर्काइव की गई कॉपी ढूंढता है, और उसे खोलता है।
- यह दोनों की तुलना करता है, तय करता है कि इतनी जानकारी काफी है, और सार लिखता है।
पांच कदम, चार टूल कॉल, छह मॉडल कॉल। हर कदम मॉडल का पूरा जवाब है, जिसमें अब तक का पूरा इतिहास इनपुट के रूप में शामिल रहता है। यही आखिरी बात लागत बढ़ाती है: पांचवें कदम तक पहुंचते पहुंचते मॉडल हर कॉल में सर्च नतीजों और पेज के टेक्स्ट के चार पन्ने दोबारा पढ़ रहा होता है। AI में टोकन क्या हैं समझाता है कि हर बारी में बढ़ने वाला इनपुट महंगा क्यों साबित होता है।
और हर कदम गलती की जगह भी है। अगर पहले कदम में सर्च गलत कंपनी का नतीजा दे दे, तो दूसरे से पांचवें कदम भरोसे के साथ गलत कीमतों का सार बना देते हैं। लूप उतनी ही तेजी से गलतियां बढ़ाता है जितनी तेजी से यह प्रगति बढ़ाता है। कोई भी चीज़ भेजे जाने से पहले स्टेप की सीमा और इंसान की जांच जरूरी है, वैकल्पिक नहीं।
एक एजेंट रन की लागत अकेले जवाब के मुकाबले कितनी होती है
यह हिसाब सीधा है और लोग इसे छोड़ देते हैं। एक सामान्य जवाब, 1,000 टोकन इनपुट और 500 आउटपुट, की एक लिस्ट कीमत हर मॉडल के लिए AI मॉडल कॉस्ट इंडेक्स में मिलती है, जिसमें OpenRouter की दरें 2026-08-20 को ली गई हैं। 20 स्टेप का एजेंट रन कम से कम ऐसे 20 जवाबों जितना है, और असल में इससे ज्यादा, क्योंकि हर कदम पर इनपुट बढ़ता जाता है।
Claude Sonnet 5 पर 20 स्टेप की न्यूनतम कीमत $0.14 है, जबकि एक जवाब की कीमत $0.007 है, Claude Opus 5 पर यह $0.35 है, और अगर हर घंटे चलाया जाए तो बढ़ते इनपुट वाले गुणक से पहले ही यह लगभग $250 प्रति महीना बैठता है। Whizi क्रेडिट में वही हिसाब ऊपर दी गई Auto ladder से मिलता है: 100 क्रेडिट यानी हाउस मॉडल पर 100 सामान्य सवाल या GPT-5.6 Sol पर 5 रीज़निंग बारी, इसलिए रीज़निंग वाले पायदान पर 20 स्टेप का लूप 400 क्रेडिट का पड़ता है, जो 2,500 क्रेडिट वाले Pro महीने का करीब छठा हिस्सा है, जबकि वही लूप हाउस मॉडल पर सिर्फ 20 का पड़ता है। यही वजह है कि सही डिज़ाइन योजना बनाने वाले कदम मजबूत मॉडल को और रूटीन कदम सस्ते मॉडल को सौंपता है, और यही कारण है कि एक सिंगल मॉडल सब्सक्रिप्शन के बजाय मल्टी मॉडल वर्कस्पेस एजेंट के काम के लिए स्वाभाविक जगह है।
असल में एजेंट कौन से प्रोडक्ट हैं
कोडिंग असिस्टेंट जो फ़ाइल एडिट करते हैं और टेस्ट चलाते हैं सख्त मायने में एजेंट हैं: बग रिपोर्ट मिलने पर, ये कोड पढ़ते हैं, बदलाव करते हैं, टेस्ट सूट चलाते हैं, फेल्योर पढ़ते हैं, और फिर से कोशिश करते हैं। यह लूप असली है और मॉडल इसे खुद चलाता है।
ChatGPT, Gemini और Perplexity के Deep Research मोड एजेंट हैं: ये सर्च करते हैं, पढ़ते हैं, जो मिला उसके आधार पर फिर से सर्च करते हैं, और जब लगे कि सवाल पूरी तरह कवर हो गया तो रुक जाते हैं। स्टेप की संख्या हर सवाल पर बदलती है, और यही इसकी पहचान है।
प्रोडक्ट मेन्यू में ज्यादातर "एजेंट" असल में पर्सोना या वर्कफ्लो होते हैं। मॉडल पिकर में टैक्स एजेंट या स्टडी मेंटर के नाम से लिखी एक लाइन आमतौर पर एक तय सिस्टम प्रॉम्प्ट और एक या दो टूल भर होती है। Whizi का अपना Agents सेक्शन इस बारे में साफ है: कैनेडियन CPA वाली लाइन एक प्रीसेट है जो हर बारी में वेब सर्च करने को मजबूर करती है, अधिकतम सात सर्च तक, साथ में 55,000 इनपुट और 40,000 आउटपुट का बड़ा टोकन बजट। यह टूल के साथ एक पर्सोना है और बड़ा बजट है, और यह इसीलिए काम का है क्योंकि रास्ता तय है। यह मॉडल का चलाया लूप नहीं है, और Auto routing guide बताती है कि हर संदेश के पीछे असल में मॉडल कौन चुनता है।
शब्दावली अब हर चीज़ को एजेंट कहने की ओर बढ़ रही है। किसी प्रोडक्ट से पूछने वाला सवाल वही है जो इस पेज की शुरुआत में है: अगला कदम कौन तय करता है? अगर जवाब "कोई स्क्रिप्ट" या "कोई नहीं" है, तो आप वर्कफ्लो या चैटबॉट खरीद रहे हैं, और यह बिलकुल वही हो सकता है जो आपको चाहिए।
एजेंट कब सही टूल है, और कब नहीं
एजेंट अपनी लागत तब सही ठहराता है जब रास्ता पहले से पता नहीं हो सकता: रिसर्च जहां दूसरी सर्च पहली के नतीजे पर निर्भर करे, डिबगिंग जहां फिक्स टेस्ट के नतीजे पर निर्भर करे, ब्राउज़िंग जहां अगला क्लिक पेज पर निर्भर करे। यहां लचीलापन ही असली फायदा है।
जब रास्ता पहले से पता हो तब एजेंट गलत टूल है। सार निकालना, जानकारी निकालना, अनुवाद करना, फॉर्मेट बदलना, वर्गीकृत करना: ये एक कॉल या तय कॉल के क्रम भर हैं, और इन्हें लूप में लपेटने से बिना कोई क्षमता जोड़े लागत, देरी और गलती की एक नई जगह जुड़ जाती है। Anthropic की गाइड की सलाह अब भी सही है: एक अकेली कॉल से शुरू करें, जब एक कॉल काफी न हो तो वर्कफ्लो पर जाएं, और एजेंट का सहारा तभी लें जब वर्कफ्लो को बार बार ऐसी शाखा चाहिए जिसका पहले अंदाजा नहीं लगाया जा सकता।
फैसले का नियम: अगर आप शुरू करने से पहले सारे कदम व्हाइटबोर्ड पर बना सकते हैं, तो एजेंट मत बनाइए।
- किसी प्रोडक्ट को एजेंट मानने से पहले पूछें कि अगला कदम कौन तय करता है
- एजेंट के काम का बजट स्टेप की संख्या को हर जवाब की कीमत से गुणा करके बनाएं, फिर बढ़ते इनपुट के लिए और जोड़ें
- भेजने, खरीदने, हटाने या पब्लिश करने वाले किसी भी कदम से पहले स्टेप की सीमा और इंसान की जांच रखें
- योजना बनाने वाले कदमों के लिए मजबूत मॉडल और रूटीन कदमों के लिए सस्ता मॉडल इस्तेमाल करें
- अगर आप कदम पहले से बना सकते हैं, तो एजेंट की जगह वर्कफ्लो बनाइए
अक्सर पूछे जाने वाले सवाल
AI एजेंट और चैटबॉट में क्या अंतर है?
चैटबॉट हर संदेश पर एक जवाब देता है और कोई काम नहीं करता। एजेंट कई कदमों में एक लक्ष्य का पीछा करता है, हर अगला कदम खुद चुनता है, सर्च या कोड जैसे टूल इस्तेमाल करता है, नतीजे पढ़ता है और तय करता है कि काम कब पूरा हुआ। एक ही मॉडल, अलग लूप: एजेंट लूप चलाता है, चैटबॉट नहीं।
AI एजेंट का उदाहरण क्या है?
एक कोडिंग असिस्टेंट जो बग रिपोर्ट पढ़ता है, कोड एडिट करता है, टेस्ट चलाता है, फेल्योर पढ़ता है और जब तक टेस्ट पास न हो जाएं फिर से कोशिश करता है। Deep Research मोड जो सर्च करते हैं, पढ़ते हैं, और जो मिला उसके आधार पर फिर सर्च करते हैं, वे भी एक उदाहरण हैं। दोनों अपना अगला कदम खुद तय करते हैं, और यही तय करने वाली खासियत है।
क्या ChatGPT एक AI एजेंट है?
सामान्य चैट एजेंट नहीं है, यह हर बार एक ही संदेश का जवाब देता है। ChatGPT के एजेंट और Deep Research मोड एजेंट हैं, क्योंकि इन मोड में मॉडल खुद योजना बनाता है, टूल इस्तेमाल करता है और खुद दोहराता है। यही बात Gemini के Agent Mode और Deep Research पर, और Claude के Research मोड और Claude Code पर भी लागू होती है। हर प्रोडक्ट असल में अपने अंदर एजेंट मोड वाला एक चैटबॉट है।
AI एजेंट महंगे क्यों होते हैं?
क्योंकि हर कदम एक पूरा मॉडल कॉल है, और इतिहास जमा होने के साथ हर कदम पर इनपुट बढ़ता जाता है। Claude Sonnet 5 पर 20 स्टेप का रन लिस्ट कीमत पर कम से कम $0.14 का है, जबकि एक जवाब सिर्फ $0.007 का, यह OpenRouter की 2026-08-20 को ली गई दरों के अनुसार है, और बढ़ता इनपुट इसे और ऊपर धकेल देता है। रूटीन कदमों को सस्ते मॉडल पर भेजना इसे काबू में रखने का सामान्य तरीका है।
क्या मुझे अपने काम के लिए AI एजेंट चाहिए?
सिर्फ तभी जब रास्ता पहले से तय नहीं किया जा सकता। रिसर्च, डिबगिंग और ब्राउज़िंग, जहां हर कदम पिछले नतीजे पर निर्भर करता है, वहां एजेंट फायदेमंद है। सार निकालना, जानकारी निकालना, अनुवाद करना और फॉर्मेट बदलना एक कॉल या तय क्रम की कॉल भर हैं, और एजेंट बिना कोई क्षमता जोड़े सिर्फ लागत और गलती की गुंजाइश बढ़ाता है।
