समय-सचेत एजेंट की प्रक्रिया का मूल तर्क सरल है.
इनपुट को खंडों में बाँटें
किसी दस्तावेज़ से शुरुआत करें (जैसे निदेशक मंडल की बैठक की प्रतिलिपि या वार्षिक रिपोर्ट). इसे संभालने योग्य हिस्सों में बाँटें (जैसे वक्ताओं के संवाद या अनुच्छेद).
कथन निकालें
हर खंड से स्पष्ट और स्वतंत्र कथन निकालें, जैसे: “कंपनी X बाज़ार में अग्रणी है.”
प्रकार का नाम दें
तथ्य (वस्तुनिष्ठ सत्य)
राय (व्यक्तिपरक)
पूर्वानुमान (भविष्यवाणी या अनुमान)
स्थिर (किसी खास समय पर सत्य)
गतिशील (समय के साथ बदल सकता है)
कालातीत (समय से परे सत्य)
समय-संदर्भ को समझें
एजेंट पता लगाता है कि कथन कब सत्य हुआ और, ज़रूरत पड़ने पर, कब सत्य नहीं रहा (यानी कब अमान्य हुआ). यह कथन में दी गई जानकारी की वैधता से जुड़ा है, जिसका समय कथन के कहे या प्रकाशित किए जाने के समय से अलग हो सकता है.
विरोधाभासों की जाँच करें (अमान्यकरण)
यदि कोई नया कथन पुराने कथन का खंडन करता है, तो अमान्य जानकारी को ज्ञान-भंडार से पूरी तरह हटाने के बजाय पुरानी प्रविष्टि को समाप्त के रूप में चिह्नित करके नई प्रविष्टि से जोड़ दिया जाता है.
यह प्रक्रिया स्वचालित भी है और इसका पता भी लगाया जा सकता है, इसलिए आप हमेशा गहराई से देख सकते हैं कि क्या बदला और क्यों.
अच्छी बात क्या है? आपको अपनी पूरी प्रणाली नए सिरे से तैयार करने की ज़रूरत नहीं है. समय-सचेत एजेंट अक्सर आपकी मौजूदा RAG या ज्ञान-प्रक्रिया संरचना में सीधे एकीकृत हो सकते हैं.
मुख्य घटक:
अर्थगत खंडन: अपरिष्कृत पाठ को सार्थक हिस्सों में बाँटें.
LLM-संचालित तथ्य निष्कर्षण: तथ्यों की पहचान, तिथियों का पता लगाने और घटना के प्रकार तय करने के लिए LLM का उपयोग करें.
समयगत वर्गीकरण: कथनों का समय के आधार पर वर्गीकरण करने और उनकी समयगत वैधता-अवधि निर्धारित करने के लिए LLM का उपयोग करें.
समयगत अमान्यकरण तर्क: नए तथ्य पुराने तथ्यों को अपने आप अद्यतन या समाप्त कर सकते हैं—हाथ से संस्करण बनाने की ज़रूरत नहीं.
त्रिक-आधारित भंडारण: ज्ञान-ग्राफ़ या ग्राफ़-आधारित डेटाबेस का उपयोग होने पर हर तथ्य इस रूप में सहेजा जाता है: [कर्ता]—[क्रिया]—[कर्म] + [आरंभ समय, समाप्ति समय].
सही व्यवस्था के साथ छोटी टीमें भी कुछ ही हफ़्तों में प्रारूप से उत्पादन तक पहुँच सकती हैं. आप बड़े मॉडल (GPT-4.1) से प्रारूप बना सकते हैं और उसके स्थिर हो जाने पर तेज़ संस्करणों (GPT-4.1-mini या nano) पर जा सकते हैं. इसकी अधिक तकनीकी और गहन जानकारी के लिए ज्ञान-ग्राफ़ के साथ OpenAI समय-सचेत एजेंट विधि-पुस्तिका देखें.
अब आपका समय-सचेत ज्ञान-ग्राफ़ व्यवस्थित है और आप उसमें मौजूद डेटा पर भरोसा कर सकते हैं. डेटा की इस मज़बूत नींव को कारोबारी मूल्य में कैसे बदला जा सकता है?
बड़े ज्ञान-भंडारों से मनचाही जानकारी पाना चुनौतीपूर्ण हो सकता है. बहु-चरणीय पुनर्प्राप्ति एजेंट इसमें मदद कर सकते हैं. ये प्रणालियाँ कई परस्पर जुड़ी पूछताछों के ज़रिए ज्ञान-भंडार को समझदारी से खंगाल सकती हैं और आपके प्रश्न के उत्तर के लिए सबसे प्रासंगिक जानकारी खोज सकती हैं.
प्रणाली का विस्तार होने पर दक्षता बनाए रखना और प्रदर्शन को बेहतर बनाना अहम हो जाता है. नियोजन घटकों को शामिल करने से पुनर्प्राप्ति सुव्यवस्थित हो सकती है और प्रक्रिया के बाद के चरणों को अहम जानकारी पर केंद्रित रखने में मदद मिलती है. आपकी मुख्य प्रणाली को उपलब्ध खोज और विश्लेषण साधनों को बेहतर बनाने से भी लाभ मिल सकता है. इससे गति या गुणवत्ता खोए बिना बड़े ज्ञान-ग्राफ़ पर अधिक जटिल प्रश्न पूछे जा सकते हैं.
बड़े पैमाने की तैनाती में ग्राफ़ विचरण को समानांतर चलाने, बार-बार उपयोग होने वाले पूछताछ मार्गों को त्वरित-स्मृति में रखने तथा प्रॉम्प्ट में और सुधार व सूक्ष्म-प्रशिक्षण करने से प्रदर्शन काफ़ी बढ़ सकता है.
समय-सचेत एजेंट बनाने वालों के लिए हमने ज्ञान-ग्राफ़ के साथ समय-सचेत एजेंट पर अपनी OpenAI विधि-पुस्तिका में पूरी तकनीकी मार्गदर्शिका मुक्त स्रोत के रूप में उपलब्ध कराई है. इसमें निष्कर्षण तर्क से लेकर बहु-चरणीय रीज़निंग तक सब कुछ शामिल है, जैसे:
पूरा कोड और प्रक्रिया की रूपरेखाएँ
मॉडल संबंधी मार्गदर्शन और मूल्यांकन रणनीतियाँ
प्रारूप से उत्पादन तक विस्तार की सर्वोत्तम पद्धतियाँ
समय-सचेत एजेंट AI के आपकी दुनिया को समझने का तरीका बदल देते हैं—स्थिर तथ्यों के रूप में नहीं, बल्कि एक जीवंत और निरंतर विकसित होती कहानी के रूप में.
जब आपके निर्णय केवल इस बात पर नहीं, बल्कि इस पर भी निर्भर हों कि कोई घटना कब हुई, तो समयगत दृष्टिकोण अपनाने का वक्त आ गया है.
और आपको इसे अकेले बनाने की ज़रूरत नहीं है. यदि आप अपनी प्रणालियों को संदर्भ के प्रति अधिक सजग, निर्णय लेने के लिए तैयार या वास्तविकता के अधिक अनुरूप बनाना चाहते हैं, तो हमें आपकी मदद करके खुशी होगी.