AI एजेंट्स और ऑटोमेशन: RAG, वर्कफ़्लो और गाइड

GPT-5.5 के ढाई महीने बाद आया GPT-5.6 केवल प्रदर्शन-सुधार नहीं, बल्कि एक फ्लैगशिप से Luna/Terra/Sol के 3-मॉडल ढाँचे में पुनर्गठन है। सबसे असरदार बात — मध्य-स्तरीय Terra GPT-5.5 जैसी गुणवत्ता कहीं कम कीमत पर देता है: रिलीज़ के समय आधी, और 30 जुलाई 2026 की कटौती के बाद GPT-5.5 की 40% कीमत ($2/$12) पर। वहीं शीर्ष Sol उसी कीमत $5/$30 पर SWE-Bench Pro 58.6→64.6% (OpenAI के आँकड़े) तक बेहतर करता है। यह लेख बताता है कि क्या बदला, वास्तविक लागत कितनी घटती है, और आपके उपयोग के अनुसार किस मॉडल पर माइग्रेट करना चाहिए।

उस समय OpenAI का शीर्ष GPT-5.6 Sol बनाम Anthropic का सबसे शक्तिशाली Claude Fable 5। वास्तविक प्रोडक्शन-स्तर कोडिंग (OpenAI की तालिका में SWE-Bench Pro 80.0% vs 64.6%) और दीर्घकालीन स्वायत्तता में Fable 5 आगे, जबकि TerminalBench (88.8%), एजेंट समग्र व्यापकता और आधी कीमत ($5/$30 vs $10/$50) में Sol आगे। बेंचमार्क, वास्तविक लागत और उपयोग के अनुसार दोनों को कैसे बाँटें, इसकी विस्तृत व्याख्या।

जुलाई 2026 के दो AI-कोडिंग दिग्गजों, Claude Opus 4.8 (28 मई) और GPT-5.6 के शीर्ष Sol (9 जुलाई) की गहन तुलना। इनकी ताकत लगभग विपरीत है: Sol टर्मिनल संचालन व समग्र एजेंट क्षमता में आगे (TerminalBench 2.1 88.8% vs Opus 78.9%, Agents' Last Exam 53.6, Coding Agent Index 80), जबकि Opus 4.8 प्रोडक्शन-स्तरीय कोडिंग में आगे (SWE-bench Pro 69.2% vs Sol 64.6%) और ईमानदारी को सामने रखता है (अपने कोड की खामियाँ बिना बताए जाने देने की दर पिछली पीढ़ी की लगभग एक-चौथाई; अहम विफलताएँ सिर्फ़ 3.7% मामलों में नहीं बताता)। अघोषित बताए गए GPQA Diamond और FrontierMath, OpenAI की मूल्यांकन तालिका में हैं और उनमें Sol आगे है (GraphWalks 1M में भी), और SWE-bench Pro में OpenAI की अपनी तालिका में भी Opus आगे है, इसलिए कोडिंग के असली किले में Opus बढ़त पर है। हम स्पेक तालिका, बेंचमार्क विवरण, अघोषित-बेंचमार्क समस्या, वास्तविक लागत ($25 vs $30 यूनिट मूल्य बनाम +54% टोकन दक्षता), ताकत/कमज़ोरी नक्शा, उपयोग-केस चयन और डुअल-वेंडर रणनीति को कवर करते हैं।

OpenAI ने 9 जुलाई 2026 को GPT-5.6 आम तौर पर उपलब्ध कराया, जिसमें पुराने "बेसिक + Pro" ढाँचे की जगह तीन-मॉडल व्यवस्था आई: Luna (तेज़, कम लागत, $0.20/$1.20), Terra (संतुलित, $2/$12, GPT-5.5 समकक्ष को Sol की 40% यूनिट कीमत पर) और Sol (फ्लैगशिप, $5/$30) — कीमतें 30 जुलाई 2026 के संशोधन के बाद। Sol Agents' Last Exam (53.6) और Coding Agent Index (80) में पहले स्थान पर है, और TerminalBench 2.1 में इसका 88.8% Claude Fable 5 (83.1%) से आगे है — फिर भी प्रोडक्शन-स्तरीय SWE-Bench Pro में Claude Fable 5 का 80.0% Sol के 64.6% से स्पष्ट रूप से आगे है। यह लेख तीनों मॉडल का अंतर, कीमत, बेंचमार्क, नई सुविधाएँ (Programmatic Tool Calling, ChatGPT Work, फुल-डुप्लेक्स GPT-Live वॉइस मॉडल), ChatGPT प्लान के अनुसार उपलब्धता, Claude (Fable 5 / Opus 4.8) से तुलना और उपयोग के अनुसार चुनाव को कवर करता है — सब OpenAI की आधिकारिक घोषणा और स्वतंत्र बेंचमार्क पर आधारित।

आपने OpenAI पर बनाया, फिर Claude आज़माना चाहा और Gemini से तुलना करनी चाही — और हर प्रोवाइडर के अलग SDK, फ़ॉर्मैट, तथा error handling में घंटों गँवा दिए। LLM gateway (AI gateway / LLM proxy) एक रिले है जिसे आप अपनी ऐप और प्रोवाइडर्स के बीच लगाते हैं: यह हर मॉडल तक पहुँचने के लिए एक OpenAI-compatible API पेश करता है और cross-cutting काम अपने ज़िम्मे लेता है — fallback, cost tracking, virtual keys, caching, rate limiting, और observability। यह गाइड बताती है कि आपको इसकी ज़रूरत क्यों है, gateway असल में क्या है, तीन प्रकार (self-hosted proxy = LiteLLM / hosted = OpenRouter / SDK = Vercel AI SDK), LiteLLM, OpenRouter, और Vercel AI SDK में से कैसे चुनें, न्यूनतम सेटअप कोड जो सिर्फ़ endpoint बदलता है, और सीमाएँ — एक hop latency, gateway एक नया failure point, शुल्क (OpenRouter खरीद पर 5.5% लेता है), फ़ीचर का नुकसान, और privacy।

AI एजेंट बनाने के बाद, आप हमेशा उसी दीवार से टकराते हैं: "ठीक है, पर क्या यह सचमुच काम कर रहा है?" यह तय करने का तंत्र कि किसी प्रॉम्प्ट या मॉडल बदलाव ने चीज़ों को अंदाज़े के बजाय डेटा के आधार पर बेहतर किया या बदतर, ही है evals। LLM एक ही इनपुट पर हर बार अलग आउटपुट देते हैं, इसलिए एग्ज़ैक्ट-मैच यूनिट टेस्ट फ़िट नहीं होते। यह लेख इन्हें असल में बनाकर चलाने के चरणों पर केंद्रित है, और इसमें शामिल हैं गुणवत्ता मापने के पाँच तरीके (① ग्राउंड-ट्रुथ मैचिंग ② नियम-आधारित जाँच ③ LLM-as-judge ④ रिग्रेशन टेस्टिंग ⑤ प्रोडक्शन मॉनिटरिंग), एजेंट-विशिष्ट मूल्यांकन (टास्क सफलता-दर, सही टूल कॉल, ट्रैजेक्टरी, लागत), 20 विफलता उदाहरणों से छोटे से शुरुआत, आम गलतियाँ, और प्रमुख टूल (Anthropic Console/Evals, OpenAI Evals, LangSmith, Langfuse, Ragas) — प्रैक्टिशनर्स के लिए लिखा गया।

स्वचालन का चिरस्थायी सवाल: "AI एजेंट या RPA?" जवाब "या तो यह या वह" वाला नहीं — भूमिका से चुनें, और 2026 का जीतने वाला पैटर्न है दोनों का हाइब्रिड। RPA निर्धारक "हाथ" हैं जो तय प्रक्रिया को तेज़ी व सटीकता से चलाते हैं (पर स्क्रीन/स्पेसिफ़िकेशन बदलने पर टूट जाते हैं); AI एजेंट प्रायिक "दिमाग़" है जो हालात पढ़कर फ़ैसला लेता है (अस्पष्टता व अपवादों में मज़बूत, पर हर बार वही नतीजा नहीं)। यह लेख काम करने के सिद्धांत का फ़र्क़, तुलना तालिका (पुनरुत्पादकता बनाम सहनशीलता की अदला-बदली), चुनाव का तरीक़ा (कसौटी है "क्या इसे पूरी तरह नियमों में लिखा जा सकता है?" — हाँ → RPA, न लिखा जा सके ऐसा फ़ैसला → AI एजेंट), 2026 का रुझान (RPA अग्रणी UiPath, Automation Anywhere, Blue Prism एजेंटिक बन रहे — अभिसरण; सवाल अब "कौन सा" नहीं बल्कि "तर्क कहाँ रहे" = ऑर्केस्ट्रेशन-पहले), और व्यावहारिक जवाब को समेटता है: एक हाइब्रिड जहाँ दिमाग़ (AI एजेंट) फ़ैसला/ऑर्केस्ट्रेशन सँभाले और हाथ (RPA) निर्धारक निष्पादन चलाएँ — जहाँ निर्धारकता ज़रूरी हो वहाँ एजेंट न लगाएँ, और सौंपे गए फ़ैसले के साथ गार्डरेल व मानवीय अनुमोदन रखें। विक्रेताओं की आधिकारिक जानकारी पर आधारित, FAQ सहित।

क्या आप AWS संचालन AI को सौंप सकते हैं? 2026 में काफी कुछ सौंपा जा सकता है। AWS खुद Amazon Q Developer और Agent Toolkit for AWS (May 2026 — 40+ agent skills + एक मैनेज्ड AWS MCP Server + प्लगइन्स) प्रदान करता है, जिससे AI, IaC जनरेशन से रिसोर्स ऑपरेशन तक पहुँच सकता है। यह गाइड "सौंपने" को तीन स्तरों में समझाती है (① कोड/IaC जनरेशन, ② पढ़ने-केंद्रित ऑपरेशन/जाँच, ③ एक स्वायत्त एजेंट जो सचमुच AWS संचालित करता है), मुख्य टूल्स को कवर करती है (Amazon Q Developer, Agent Toolkit, AWS MCP Server, Terraform MCP, Bedrock AgentCore) — जिसमें Claude Code या Codex को AWS CLI देकर शेल से "aws" चलवाने वाला अपना-लाओ रास्ता भी शामिल है — फायदे (तेज़ IaC, स्वचालित ट्राइएज, कॉस्ट-ऑप्टिमाइज़ेशन के विचार, ज्ञान का लोकतंत्रीकरण), और फिर असली मुद्दा, नुकसान (IAM permission sprawl, गलतियों/प्रॉम्प्ट इंजेक्शन के लिए ब्लास्ट-रेडियस बढ़ाने वाली अधिक-अनुमति, कार्य के बाद बची अनुमतियाँ, कॉस्ट रनअवे — 2025-26 की वास्तविक प्रोड-DB-डिलीशन घटनाओं के साथ), AWS आधिकारिक और सुरक्षा-वेंडर स्रोतों के आधार पर। मुख्य पेच: सवाल "क्या यह हो सकता है?" नहीं बल्कि "बिना रनअवे या बिल विस्फोट के आप इसे कैसे सौंपें" है — और AWS द्वारा खुद Agent Toolkit में IAM गार्डरेल्स, CloudTrail ऑडिट और सैंडबॉक्सिंग शामिल करना उत्तर की रूपरेखा दिखाता है। इसमें पाँच सिद्धांत (न्यूनतम-विशेषाधिकार IAM, विनाशकारी ऑपरेशन के लिए मानवीय अनुमोदन, ऑब्ज़र्वेबिलिटी, JIT अल्पकालिक क्रेडेंशियल्स, सैंडबॉक्सिंग) और एक FAQ शामिल है।

AI एजेंट को असली काम में उतारने की पहली बाधा है "इसे किस फ्रेमवर्क पर बनाएँ।" डेवलपर और तकनीक-चयनकर्ता के नज़रिए से यह लेख छह प्रमुख फ्रेमवर्कों की तुलना करता है — LangGraph, CrewAI, AutoGen (Microsoft Agent Framework में समाहित, GA अप्रैल 2026), OpenAI Agents SDK, Google ADK और Claude Agent SDK — ऑर्केस्ट्रेशन दृष्टिकोण (दिशात्मक ग्राफ़ / भूमिका-आधारित क्रू / संवादात्मक GroupChat / हैंडऑफ़ / श्रेणीबद्ध वृक्ष / स्वायत्त टूल लूप), भाषा, सीखने की चढ़ाई, नियंत्रण, प्रोडक्शन परिपक्वता, टोकन लागत और सबसे उपयुक्त उपयोग-परिदृश्य के आधार पर। मुख्य चेतावनी: जो फ्रेमवर्क "प्रोटोटाइप में सबसे तेज़" है (CrewAI) वही प्रोडक्शन में सबसे महँगा हो सकता है — करीब 3× टोकन (एक बेंचमार्क में LangGraph 18.5k के मुकाबले 41k) और अनिर्धारक, जो वित्त और स्वास्थ्य के लिए खराब फिट है। यह भी बताता है कि 2026 में MCP (टूल) और A2A (एजेंट-टू-एजेंट) से इंटरऑप कैसे आया, जिससे अलग-अलग फ्रेमवर्कों के एजेंट अब मिलकर काम कर सकते हैं और लॉक-इन कमज़ोर पड़ गया। इसमें उपयोग-परिदृश्य चयन गाइड और FAQ शामिल हैं।

AI observability वह तकनीक है जो दिखाती है कि production में आपके LLMs और agents असल में क्या करते हैं — कौन-सा model, कौन-से tools व searches, क्या लौटाया, और कितना समय व लागत — ताकि कुछ टूटने पर आप कारण तक पीछे जा सकें। सामान्य app monitoring से निर्णायक अंतर: AI 50ms में 200 OK लौटा सकता है और फिर भी आत्मविश्वास से hallucinate कर सकता है, इसलिए अधिकांश AI विफलताएँ infrastructure नहीं, गुणवत्ता विफलताएँ हैं। तीन स्तंभ: traces, metrics, logs. उद्योग मानक OpenTelemetry GenAI conventions इन्हें vendor-neutral schema में संभालते हैं। यह लेख observability बनाम evals का अंतर, देखने योग्य metrics, और प्रमुख tools (LangSmith/Langfuse/Phoenix/MLflow/AgentOps/OpenTelemetry) समझाता है।

"Multi-agent system क्या है?" के बाद का व्यावहारिक भाग। मूल नियम: पहले एक agent से बनाएँ और सीमा से टकराने पर ही न्यूनतम रूप में agents जोड़ें (Google Research के अध्ययन में सख़्ती से क्रमवार काम पर सभी multi-agent setups 39–70% ख़राब रहे, और Anthropic के अनुसार multi-agent systems एक chat से लगभग 15 गुना tokens इस्तेमाल करते हैं)। आधार ढाँचा supervisor pattern है: Claude Agent SDK में subagents, OpenAI Agents SDK में agents as tools। 5 चरणों (विभाजन, workers परिभाषित करना, supervisor डिज़ाइन, handoff, मापना) के अलावा, दोनों SDK के आधिकारिक दस्तावेज़ों पर आधारित न्यूनतम कोड (एक supervisor के साथ researcher और reviewer), हर भूमिका के tools सीमित करने का तरीका, तीन परतों की सीमाएँ (maxTurns, max_turns, ख़र्च), handoff कब चुनें, भूमिकाओं का अच्छा और बुरा बँटवारा, और Anthropic की असली विफलताएँ (सरल सवाल पर 50 subagents, दोहराई गई research) उनके समाधान के साथ।

अब जब AI एजेंट आम हो चुके हैं, अगली चुनौती है एजेंट्स को आपस में कैसे सहयोग करवाया जाए। अगर MCP किसी एजेंट को उसके tools से जोड़ता है, तो A2A (Agent2Agent) एक एजेंट को दूसरे एजेंट से जोड़ता है — एक open standard जिससे अलग-अलग vendors और frameworks पर बने AIs एक साझा परंपरा के ज़रिए खोज, संवाद और सहयोग कर सकें। Google ने इसे अप्रैल 2025 में रिलीज़ किया, उसी जून में Linux Foundation को दान किया, और 2026 में यह v1.0 तक पहुँचा। यह शुरुआती गाइड बताती है कि A2A क्या है (कंपनियों की व्यापारिक साझेदारी के शिष्टाचार जैसा), यह क्यों ज़रूरी है (विशेषज्ञ एजेंट काम को रिले करते हैं — एक planning एजेंट से hotel-booking एजेंट से payment एजेंट तक), MCP से इसका अंतर (MCP vertical है, agent ↔ tools; A2A horizontal है, agent ↔ agent; दोनों को एक साथ लगाना ही standard दो-स्तरीय सेटअप है), यह कैसे काम करता है (एक Agent Card — /.well-known/agent-card.json पर रखा एक JSON "विज़िटिंग कार्ड" — से क्षमताएँ discover होती हैं, फिर एक Task working, input-required, completed जैसी states के साथ request ले जाता है, और एक Artifact result लौटाता है, यह सब HTTP, Server-Sent Events, और JSON-RPC 2.0 पर होता है, जबकि एजेंट अपने आंतरिक हिस्से छिपे रखते हैं), तथा इसकी वर्तमान स्थिति और implementation (अप्रैल 2026 तक, 150+ समर्थक संगठन, 22,000+ GitHub stars, पाँच भाषाओं में SDKs — Python, JavaScript, Java, Go, .NET — और Microsoft, Salesforce, SAP, ServiceNow शामिल)। याद रखने का तरीका: tools से जुड़ना = MCP, peers से जुड़ना = A2A।