AI एजेंट ग्लॉसरी: आम भाषा में समझाए गए 60 AI शब्द (2026)

अब हर AI प्रॉडक्ट पेज किसी स्पेलिंग टेस्ट जैसा लगता है: एजेंटिक, MCP, RAG, कॉन्टेक्स्ट विंडो, टूल कॉलिंग, गार्डरेल्स, ऑर्केस्ट्रेशन। इन शब्दों के पीछे के विचार ज़्यादातर सीधे-सादे हैं, लेकिन इन्हें कोई एक जगह समझाता नहीं, और यही कमी वजह है कि इतने सारे लोग बिना कभी कोई असली काम सौंपे "AI इस्तेमाल" करते रहते हैं।

यह AI ग्लॉसरी इसी कमी को दूर करती है। इसमें वे 60 शब्द शामिल हैं जो आपको 2026 में AI एजेंट, लार्ज लैंग्वेज मॉडल और ऑटोमेशन के बारे में पढ़ते वक़्त मिलेंगे, थीम के हिसाब से बाँटे गए और एक ठोस उदाहरण के साथ आम भाषा में समझाए गए। इसे बुकमार्क कीजिए, अपनी टीम के साथ साझा कीजिए, और इसे हमारी एजेंटिक AI क्या है और AI सबएजेंट कैसे काम करते हैं वाली गाइड के साथ इस्तेमाल कीजिए। जहाँ कोई शब्द Jobbit इस्तेमाल करने के लिए मायने रखता है, हम वहाँ बता देंगे।

बुनियादी अवधारणाएँ: वे शब्द जो सब इस्तेमाल करते हैं

• आर्टिफ़िशियल इंटेलिजेंस (AI): ऐसा सॉफ़्टवेयर जो वे काम करता है जिनके लिए आमतौर पर इंसानी समझ चाहिए होती है, जैसे भाषा समझना, इमेज पहचानना या फ़ैसले लेना। 2026 में यह शब्द ज़्यादातर लार्ज लैंग्वेज मॉडल पर बने सिस्टम के लिए इस्तेमाल होता है।

• मशीन लर्निंग (ML): साफ़-साफ़ नियम लिखने के बजाय सॉफ़्टवेयर को उदाहरणों से प्रशिक्षित करने की तकनीक। एक स्पैम फ़िल्टर लाखों लेबल की गई ईमेल से सीखता है; उसे हर नियम हाथ से नहीं बताया जाता।

• डीप लर्निंग: कई परतों वाले न्यूरल नेटवर्क का इस्तेमाल करने वाली मशीन लर्निंग। इसी की वजह से आज की इमेज पहचान, स्पीच और भाषा मॉडल मुमकिन हो पाए हैं।

• जेनरेटिव AI: ऐसी AI जो किसी प्रॉम्प्ट से नई सामग्री बनाती है, टेक्स्ट, इमेज, कोड, ऑडियो या वीडियो। ChatGPT, Claude, Gemini और Midjourney जेनरेटिव AI प्रॉडक्ट हैं।

• लार्ज लैंग्वेज मॉडल (LLM): भारी मात्रा में टेक्स्ट पर प्रशिक्षित एक न्यूरल नेटवर्क जो किसी क्रम में अगला टोकन अनुमानित करता है, और ऐसा करते-करते तर्क करना, लिखना और निर्देशों का पालन करना सीख जाता है। GPT, Claude, Gemini, Llama, DeepSeek और Mistral LLM परिवार हैं।

• फ़ाउंडेशन मॉडल: व्यापक डेटा पर प्रशिक्षित एक बड़ा मॉडल जिसे कई तरह के काम के हिसाब से ढाला जा सकता है। LLM भाषा के लिए फ़ाउंडेशन मॉडल हैं; इमेज और वीडियो के लिए भी इसी तरह के मॉडल मौजूद हैं।

• मल्टीमॉडल मॉडल: ऐसा मॉडल जो एक से ज़्यादा तरह के इनपुट समझता और बनाता है, आमतौर पर टेक्स्ट, इमेज, ऑडियो और कभी-कभी वीडियो। मल्टीमॉडल मॉडल की वजह से एजेंट कोई स्क्रीनशॉट या स्कैन किया हुआ इनवॉइस भी पढ़ पाता है।

• प्रॉम्प्ट: वह निर्देश जो आप किसी मॉडल को देते हैं। अच्छा प्रॉम्प्ट लिखना एक हुनर है; देखें AI एजेंट के लिए प्रॉम्प्ट कैसे लिखें।

• सिस्टम प्रॉम्प्ट: प्रॉडक्ट बनाने वाले के तय किए छिपे निर्देश, जो हर बातचीत में मॉडल का व्यवहार तय करते हैं: उसकी भूमिका, लहज़ा, नियम और टूल।

• इन्फ़रेंस: जवाब बनाने के लिए किसी प्रशिक्षित मॉडल को चलाने की क्रिया। ट्रेनिंग एक बार होती है; इन्फ़रेंस हर बार होता है जब आप कोई मैसेज भेजते हैं, और इसी का आप भुगतान करते हैं।

मॉडल कैसे सोचते हैं: टोकन, कॉन्टेक्स्ट और रीज़निंग

• टोकन: वह इकाई जिसमें मॉडल पढ़ते और लिखते हैं, मोटे तौर पर एक अंग्रेज़ी शब्द का तीन-चौथाई हिस्सा। प्राइसिंग, लिमिट और स्पीड सब टोकन में नापे जाते हैं। "दस लाख टोकन" लगभग 750,000 शब्दों के बराबर है।

• कॉन्टेक्स्ट विंडो: मॉडल एक बार में जितना टेक्स्ट ध्यान में रख सकता है, जिसमें आपकी बातचीत, दस्तावेज़ और मॉडल का अपना जवाब भी शामिल है। बड़ी विंडो की वजह से एजेंट पूरा कोडबेस या सौ पन्नों का कॉन्ट्रैक्ट भी दिमाग़ में रख पाता है।

• कॉन्टेक्स्ट इंजीनियरिंग: यह तय करने का हुनर कि कॉन्टेक्स्ट विंडो में क्या जाए: कौन-से दस्तावेज़, उदाहरण, टूल नतीजे और यादें, ताकि मॉडल के पास वह सब हो जो उसे चाहिए और कुछ भी ऐसा न हो जो ध्यान भटकाए। एजेंट डिज़ाइन में यही अब "प्रॉम्प्ट इंजीनियरिंग" की जगह ले चुका ज़रूरी हुनर बन गया है।

• रीज़निंग मॉडल: जवाब देने से पहले "सोचने" के लिए प्रशिक्षित मॉडल, जो बीच के चरण बनाता है जिससे गणित, कोड और प्लानिंग में सटीकता बढ़ती है। रीज़निंग मोड ज़्यादा टोकन खाते हैं लेकिन एजेंट को कहीं ज़्यादा भरोसेमंद बना देते हैं।

• चेन ऑफ़ थॉट: जवाब तक पहुँचने के रास्ते में मॉडल जो चरण-दर-चरण तर्क लिखता है। रीज़निंग मॉडल यह ख़ुद-ब-ख़ुद करते हैं; पुराने मॉडल को प्रॉम्प्ट देकर ऐसा करवाया जा सकता है।

• टेम्परेचर: रैंडमनेस को नियंत्रित करने वाली एक सेटिंग। कम टेम्परेचर पर नतीजा एक-सा और अनुमानित रहता है; ज़्यादा टेम्परेचर पर नतीजा ज़्यादा विविध और क्रिएटिव होता है।

• हैलुसिनेशन: मॉडल का पूरे भरोसे से कहा गया लेकिन ग़लत बयान, जैसे बनावटी हवाला या ऐसा प्रॉडक्ट फ़ीचर जो है ही नहीं। एजेंट किसी एक जवाब पर भरोसा करने के बजाय स्रोत जाँचकर और नतीजे टेस्ट करके हैलुसिनेशन कम करते हैं।

• ग्राउंडिंग: मॉडल के जवाब को असली डेटा, दस्तावेज़, सर्च नतीजों या टूल आउटपुट से जोड़ना, ताकि वह वही बताए जो सचमुच मौजूद है, न कि जो सुनने में सही लगे।

• फ़ाइन-ट्यूनिंग: किसी मॉडल को आपके अपने उदाहरणों पर आगे प्रशिक्षित करना ताकि वह कोई शैली, फ़ॉर्मैट या डोमेन की जानकारी अपना ले। संकरे कामों के लिए उपयोगी; एजेंट के लिए आमतौर पर ज़रूरी नहीं, क्योंकि उन्हें अपनी जानकारी टूल और कॉन्टेक्स्ट से मिलती है।

• रिट्रीवल-ऑगमेंटेड जेनरेशन (RAG): सवाल पूछे जाने के वक़्त प्रासंगिक दस्तावेज़ लाकर उन्हें कॉन्टेक्स्ट विंडो में डालना ताकि मॉडल आपके डेटा से जवाब दे। "अपने दस्तावेज़ों से चैट करें" जैसे प्रॉडक्ट इसी तरह काम करते हैं।

• एम्बेडिंग्स: टेक्स्ट के मायने को पकड़ने वाला संख्यात्मक रूप, जिससे मिलते-जुलते अंश आपस में पास-पास बैठते हैं। सिमैंटिक सर्च और RAG दोनों एम्बेडिंग्स से ही चलते हैं।

• वेक्टर डेटाबेस: एम्बेडिंग्स को सहेजने और खोजने के लिए बनाया गया डेटाबेस। Pinecone, Weaviate, pgvector और Chroma आम विकल्प हैं।

• नॉलेज कटऑफ़: वह तारीख़ जिसके बाद मॉडल के पास कोई ट्रेनिंग डेटा नहीं होता। एजेंट वेब सर्च करके और मौजूदा स्रोत पढ़कर इससे पार पा लेते हैं।

एजेंट: स्वायत्तता की शब्दावली

• AI एजेंट: ऐसा सॉफ़्टवेयर जो काम ख़ुद पूरे करने के लिए मॉडल के साथ टूल इस्तेमाल करता है: यह योजना बनाता है, कार्रवाई करता है, नतीजे देखता है और ख़ुद को ढालता है। इस पूरी ग्लॉसरी का ज़्यादातर हिस्सा इसी के बारे में है।

• एजेंटिक AI: लक्ष्य-केंद्रित, टूल इस्तेमाल करने वाले AI सिस्टम बनाने का बड़ा तरीक़ा, जिसमें अक्सर कई एजेंट मिलकर काम करते हैं। पूरी तरह समझाया गया एजेंटिक AI क्या है? में।

• AI असिस्टेंट / कोपायलट: एजेंट-जैसी मदद जो आपके सीधे नियंत्रण में रहती है, कार्रवाई करने के बजाय सुझाव देती है। एडिटर में GitHub Copilot इसकी क्लासिक मिसाल है; "एजेंट मोड" वह जगह है जहाँ कोई कोपायलट एजेंट बन जाता है।

• स्वायत्तता: एजेंट बिना पूछे कितना काम करता है। काम के सिस्टम स्वायत्तता को कार्रवाई के पलटे जा सकने की क्षमता के हिसाब से बढ़ाते-घटाते हैं: ड्राफ़्ट खुलकर बनाओ, ख़र्च सिर्फ़ मंज़ूरी के साथ करो।

• टूल यूज़ / फ़ंक्शन कॉलिंग: वह तरीक़ा जिससे कोई मॉडल सॉफ़्टवेयर को कॉल करता है: वेब सर्च करना, कोड चलाना, डेटाबेस से सवाल पूछना, ईमेल भेजना। टूल ही किसी चैटबॉट को एजेंट में बदल देते हैं।

• मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP): Anthropic का पेश किया एक ओपन स्टैंडर्ड, जो मॉडल को टूल और डेटा स्रोतों से एक जैसे तरीक़े से जोड़ता है। इसे एजेंट के लिए एक यूनिवर्सल प्लग समझिए; 2025 और 2026 के दौरान इसका सपोर्ट सभी बड़े AI प्लेटफ़ॉर्म तक फैल गया।

• एजेंट-टू-एजेंट प्रोटोकॉल (A2A): Google का प्रस्तावित एक स्टैंडर्ड, जो अलग-अलग वेंडर के एजेंट को एक-दूसरे को खोजने और आपस में बात करने देता है। MCP के साथ मिलकर यह इस दिशा में इशारा करता है कि एजेंट अलग-अलग कंपनियों के आर-पार मिलकर काम करेंगे।

• ऑर्केस्ट्रेशन: कई चरणों, टूल या एजेंट को एक वर्कफ़्लो में समन्वित करना: तय करना कि क्या चलेगा, किस क्रम में, और नाकामी पर क्या होगा।

• मल्टी-एजेंट सिस्टम: अलग-अलग भूमिकाओं वाले कई एजेंट जो एक लक्ष्य पर काम करते हैं, आमतौर पर एक लीड एजेंट जो योजना बनाता और काम सौंपता है, साथ में विशेषज्ञ एजेंट जो रिसर्च, निर्माण या जाँच करते हैं।

• सबएजेंट: किसी काम के एक हिस्से को समांतर में सँभालने के लिए दूसरे एजेंट द्वारा खड़ा किया गया एजेंट। Jobbit कई स्रोतों पर रिसर्च करने या एक साथ कई फ़ीचर बनाने और टेस्ट करने के लिए सबएजेंट इस्तेमाल करता है; देखें AI सबएजेंट समझाए गए।

• प्लानर: एजेंट का वह हिस्सा जो लक्ष्य को चरणों में तोड़ता है और नतीजे आने पर योजना को सुधारता है।

• मेमोरी: एजेंट एक मैसेज से आगे क्या याद रखता है। शॉर्ट-टर्म मेमोरी मौजूदा कॉन्टेक्स्ट है; लॉन्ग-टर्म मेमोरी पसंद, पुराने फ़ैसले और आपसे जुड़ी बातें सहेजती है ताकि एजेंट समय के साथ बेहतर होता जाए।

• एजेंट लूप: योजना, कार्रवाई, अवलोकन, सुधार का दोहराया जाने वाला चक्र, जो तब तक चलता है जब तक लक्ष्य पूरा न हो जाए या एजेंट को किसी फ़ैसले की ज़रूरत न पड़े।

• ह्यूमन इन द लूप: एक डिज़ाइन जिसमें कोई इंसान कुछ ख़ास चरणों की समीक्षा या मंज़ूरी देता है, जैसे ग्राहक को ईमेल भेजना या भुगतान करना।

• कंप्यूटर यूज़ / ब्राउज़र एजेंट: ऐसा एजेंट जो स्क्रीन देखकर और किसी इंसान की तरह क्लिक-टाइप करके सॉफ़्टवेयर चलाता है, जिससे वह बिना API वाले टूल के साथ भी काम कर सकता है। समझाया गया कंप्यूटर-यूज़ AI एजेंट में।

• डीप रिसर्च: एक एजेंटिक वर्कफ़्लो जिसमें एजेंट दर्जनों स्रोत पढ़ता है, दावों की क्रॉस-चेकिंग करता है और स्रोत-सहित रिपोर्ट बनाता है। देखें AI से डीप रिसर्च कैसे चलाएँ।

• वर्कफ़्लो ऑटोमेशन: ऐप के आर-पार पहले से तय, नियम-आधारित कार्रवाइयों का सिलसिला, Zapier, Make और n8n का इलाक़ा। एजेंट वर्कफ़्लो में समझ जोड़ देते हैं; हम दोनों की तुलना Zapier बनाम Make बनाम n8n बनाम AI एजेंट में करते हैं।

• मल्टीपर्पज़ AI एजेंट: एक ही एजेंट जो हर काम के लिए अलग टूल के बजाय, एक ही चैट से कई तरह का काम सँभालता है, रिसर्च, लेखन, सॉफ़्टवेयर बनाना, डिज़ाइन, ऑटोमेशन। Jobbit इसी तरह बना है।

AI से सॉफ़्टवेयर बनाना

• वाइब कोडिंग: आम भाषा में बताकर सॉफ़्टवेयर बनवाना (यानी हर लाइन कोड ख़ुद पढ़ने के बजाय, AI एजेंट को कोड लिखने, चलाने और ठीक करने देना) और नतीजे को उसके व्यवहार से परखना, न कि हर लाइन पढ़कर। पूरी गाइड: वाइब कोडिंग क्या है?।

• AI ऐप बिल्डर: ऐसा प्रॉडक्ट जो किसी वर्णन को चलते-फिरते ऐप्लिकेशन में बदल देता है, अक्सर होस्टिंग समेत। Lovable, Bolt, v0, Replit और Jobbit इसके उदाहरण हैं; तुलना सबसे अच्छे वाइब कोडिंग टूल में।

• कोडिंग एजेंट: ऐसा एजेंट जो कोडबेस के भीतर काम करता है: फ़ाइलें पढ़ना, कोड लिखना, टेस्ट चलाना और नाकामी ठीक करना। Claude Code, OpenAI Codex, Cursor का एजेंट मोड और Devin कोडिंग एजेंट हैं।

• नो-कोड / लो-कोड: बिना (या बहुत कम) प्रोग्रामिंग के सॉफ़्टवेयर बनाने वाले विज़ुअल टूल, जैसे Bubble, Webflow, Airtable और Retool। वाइब कोडिंग से इनकी तुलना वाइब कोडिंग बनाम नो-कोड बनाम लो-कोड में है।

• सैंडबॉक्स: एक अलग-थलग माहौल जहाँ एजेंट आपके असली सिस्टम को छुए बिना सुरक्षित रूप से कोड चला सकता है। कोड चलाने वाले किसी भी एजेंट के लिए ज़रूरी।

• डिप्लॉयमेंट: सॉफ़्टवेयर को किसी सर्वर पर लाइव करना ताकि लोग उसे इस्तेमाल कर सकें। जो एजेंट होस्टिंग समेत आपके लिए डिप्लॉय कर देते हैं, वे उस अड़चन को हटा देते हैं जो ज़्यादातर ग़ैर-डेवलपरों को रोकती है।

• API (एप्लिकेशन प्रोग्रामिंग इंटरफ़ेस): एक सॉफ़्टवेयर के दूसरे से बात करने का संरचित तरीक़ा। एजेंट दूसरे सिस्टम में डेटा पढ़ने और बदलने के लिए API इस्तेमाल करते हैं।

• वेबहुक: जब कुछ होता है तो एक सिस्टम दूसरे को जो मैसेज भेजता है ("नया ऑर्डर आया"), आमतौर पर ऑटोमेशन शुरू करने के लिए इस्तेमाल होता है।

• MVP (मिनिमम वायबल प्रॉडक्ट): प्रॉडक्ट का सबसे छोटा वर्शन जिसे असली यूज़र आज़मा सकें। एजेंट ने MVP बनाने का समय महीनों से घटाकर दिनों पर ला दिया है; देखें AI से SaaS कैसे बनाएँ।

• टेक्निकल डेट: कोड में लिए गए शॉर्टकट जो आगे चलकर बदलाव को धीमा और ख़तरनाक बना देते हैं। अगर कोई स्ट्रक्चर की समीक्षा न करे तो AI-जनित कोड में यह तेज़ी से जमा होता है, यह उन जोखिमों में से एक है जो वाइब कोडिंग की ग़लतियाँ और सुरक्षा में बताए गए हैं।

सुरक्षा, गुणवत्ता और भरोसा

• गार्डरेल्स: ऐसे नियम और जाँच जो तय करते हैं कि एजेंट क्या कर या कह सकता है: रोकी गई कार्रवाइयाँ, ख़र्च की सीमा, कॉन्टेंट फ़िल्टर, ज़रूरी मंज़ूरियाँ।

• प्रॉम्प्ट इंजेक्शन: एक ऐसा हमला जिसमें एजेंट का पढ़ा गया टेक्स्ट (वेब पेज, ईमेल, दस्तावेज़) में उसे हाईजैक करने के लिए बनाए निर्देश छिपे होते हैं। मज़बूत एजेंट जो कुछ भी पढ़ते हैं उसे डेटा मानते हैं, कभी निर्देश नहीं।

• अलाइनमेंट: मॉडल का व्यवहार इंसानी इरादों और मूल्यों के अनुरूप बनाने की बड़ी कोशिश, नुक़सानदेह माँगों को ठुकराने से लेकर निर्देशों का ईमानदारी से पालन करने तक।

• एवैल्यूएशन (evals): तय कामों के एक सेट पर मॉडल या एजेंट की गुणवत्ता की व्यवस्थित जाँच। गंभीर टीमें किसी एजेंट को वर्कफ़्लो सौंपने से पहले evals चलाती हैं।

• बेंचमार्क: मॉडल की तुलना के लिए इस्तेमाल होने वाला सार्वजनिक मूल्यांकन, जैसे सॉफ़्टवेयर इंजीनियरिंग कामों के लिए SWE-bench। उपयोगी संकेत, लेकिन आपके अपने काम पर असली प्रदर्शन कहीं ज़्यादा मायने रखता है।

• ऑब्ज़र्वेबिलिटी: एजेंट ने क्या किया, उसने कौन-सा टूल क्यों कॉल किया, इसका लॉग रखना, ताकि आप नतीजों का ऑडिट कर सकें और नाकामी को डीबग कर सकें।

• रेड टीमिंग: किसी मॉडल या एजेंट पर जान-बूझकर हमला करना ताकि कमज़ोरियाँ किसी और से पहले आप ढूँढ लें।

• डेटा रेज़िडेंसी और प्राइवेसी: आपका डेटा कहाँ सहेजा जाता है और उसे कौन देख सकता है। कुछ भी संवेदनशील अपलोड करने से पहले जाँच लें कि AI प्रोवाइडर आपके इनपुट पर ट्रेनिंग करता है या नहीं, और उसके सर्वर कहाँ हैं।

बिज़नेस और प्राइसिंग से जुड़े शब्द

• क्रेडिट्स: वह इस्तेमाल-मुद्रा जिसे कई एजेंट प्लेटफ़ॉर्म सीधे टोकन की जगह बेचते हैं, तो एक क्रेडिट किसी मैसेज, किसी बिल्ड स्टेप या किसी रिसर्च रन को कवर कर सकता है। कन्वर्ज़न ध्यान से पढ़ें; हम इसे AI एजेंट की क़ीमत कितनी होती है? में विस्तार से बताते हैं।

• रेट लिमिट: किसी अवधि में आप कितने रिक्वेस्ट या टोकन इस्तेमाल कर सकते हैं, इसकी सीमा। किसी टास्क के बीच में इस सीमा तक पहुँच जाना ही एजेंट रन के अटकने की सबसे आम वजह है।

• लेटेंसी: जवाब आने में कितना वक़्त लगता है। एजेंट पूरी बारीक़ी के बदले लेटेंसी क़ुर्बान करते हैं: दो मिनट का रिसर्च रन दो सेकंड के अंदाज़े से बेहतर है।

• सीट-बेस्ड बनाम यूज़ेज-बेस्ड प्राइसिंग: हर यूज़र, हर महीने के हिसाब से भुगतान बनाम आपने जितना इस्तेमाल किया उसके हिसाब से भुगतान। एजेंट प्रॉडक्ट अब तेज़ी से दोनों को मिला रहे हैं।

• ऑटोमेशन ROI: किसी ऑटोमेशन पर मिलने वाला रिटर्न, आमतौर पर बचे घंटों, तेज़ रिस्पॉन्स टाइम या प्रभावित रेवेन्यू में नापा जाता है, टूल की लागत और उसे सेट करने में लगे समय के मुक़ाबले।

• डिजिटल वर्कर / AI एम्प्लॉई: लेवल-4 एजेंट के लिए मार्केटिंग भाषा, जो किसी टास्क की नहीं बल्कि पूरी भूमिका की ज़िम्मेदारी लेता है। इस वाक्यांश को उतने ही संदेह से देखिए जितने से आप किसी CV को देखते हैं।

अक्सर पूछे जाने वाले सवाल

AI एजेंट और LLM में क्या फ़र्क़ है?

LLM वह मॉडल है जो टेक्स्ट पढ़ता और लिखता है। AI एजेंट किसी मॉडल के इर्द-गिर्द बना ऐसा सिस्टम है जिसमें प्लानिंग, टूल, मेमोरी और फ़ीडबैक लूप जोड़ दिए जाते हैं ताकि यह सिर्फ़ सवालों का जवाब देने के बजाय काम पूरे कर सके। LLM इंजन है; एजेंट गाड़ी है।

AI में MCP का मतलब क्या है?

MCP का मतलब है Model Context Protocol, एक ओपन स्टैंडर्ड जो AI मॉडल को टूल और डेटा स्रोतों से एक जैसे तरीक़े से जोड़ता है। हर प्रॉडक्ट को अपना अलग इंटीग्रेशन बनाने के बजाय, टूल एक MCP सर्वर पेश करते हैं और कोई भी संगत एजेंट उन्हें इस्तेमाल कर सकता है।

कॉन्टेक्स्ट विंडो क्या है और यह क्यों मायने रखती है?

कॉन्टेक्स्ट विंडो यह तय करती है कि मॉडल एक बार में कितना टेक्स्ट ध्यान में रख सकता है, इसे टोकन में नापा जाता है। यह इसलिए मायने रखती है क्योंकि मौजूदा काम के बारे में एजेंट जो कुछ भी जानता है, आपके निर्देश, दस्तावेज़, टूल के नतीजे, वह सब इसी के भीतर समाना चाहिए। बड़ी विंडो की वजह से एजेंट बड़े कोडबेस और लंबे दस्तावेज़ सँभाल पाते हैं।

RAG और फ़ाइन-ट्यूनिंग में क्या फ़र्क़ है?

RAG सवाल पूछे जाने के वक़्त प्रासंगिक दस्तावेज़ लाकर मॉडल को दे देता है, ताकि वह बिना दोबारा ट्रेनिंग के मौजूदा डेटा से जवाब दे सके। फ़ाइन-ट्यूनिंग मॉडल को ही उदाहरणों पर प्रशिक्षित करके बदल देती है, जो तय शैली या फ़ॉर्मैट के लिए ठीक बैठता है। ज़्यादातर बिज़नेस के लिए RAG और अच्छे टूल काफ़ी हैं, और एजेंट सीधे स्रोत पढ़कर इन दोनों की ज़रूरत ही कम कर देते हैं।

एक वाक्य में वाइब कोडिंग क्या है?

वाइब कोडिंग का मतलब है अपनी ज़रूरत बताकर सॉफ़्टवेयर बनवाना और AI एजेंट को कोड लिखने, चलाने और ठीक करने देना, ताकि आप नतीजे को हर लाइन पढ़कर नहीं बल्कि ऐप के व्यवहार से परखें।

अब जब शब्दावली समझ आ गई है, तो इसे इस्तेमाल में लाइए: Jobbit पर मुफ़्त शुरुआत करें और किसी एजेंट को करने लायक़ एक काम सौंपिए।