AI शुरुआती गाइड: AI टूल्स से कैसे शुरू करें

आप शायद मानते हों कि किसी LLM को क्लाउड में ही चलना पड़ता है, पर 2026 में AI को पूरी तरह अपने ही PC के अंदर चलाना — यानी "लोकल LLM" — एक व्यावहारिक विकल्प है। लोकल LLM का मतलब है ChatGPT या Claude जैसी मॉडल को क्लाउड के बजाय सीधे अपनी मशीन पर चलाना। इसके तीन बड़े आकर्षण हैं: प्राइवेसी (इनपुट कभी डिवाइस से बाहर नहीं जाता), शून्य लागत (कोई API शुल्क नहीं) और ऑफलाइन उपयोग (इंटरनेट के बिना भी चलता है)। कमज़ोरियाँ: यह सबसे ऊपरी क्लाउड AI जितना समझदार नहीं, इसे एक ठीक-ठाक सक्षम PC चाहिए, थोड़ा सेटअप लगता है, और इसके पास ताज़ा जानकारी नहीं होती। यह शुरुआती गाइड बताती है कि लोकल LLM क्या है (स्ट्रीमिंग-बनाम-डाउनलोडिंग की उपमा), फायदे और कमज़ोरियाँ, ज़रूरी स्पेक्स और क्वांटिज़ेशन (GGUF फ़ॉर्मैट, जिसमें Q4_K_M सबसे पसंदीदा है जो गुणवत्ता बनाए रखते हुए मेमोरी को लगभग एक-चौथाई कर देता है; 4-बिट पर प्रति 1B पैरामीटर लगभग 0.5 GB मेमोरी), शुरुआत कैसे करें (शुरुआती लोगों के लिए LM Studio का GUI, डेवलपर्स के लिए Ollama का CLI — 2026 की पहली तिमाही में 5.2 करोड़ मासिक डाउनलोड), सुझाई गई 2026 मॉडल्स (Llama 3.2 7B, Google Gemma 4, Alibaba Qwen3.5, साथ ही DeepSeek और Mistral — सभी ओपन), और लोकल बनाम क्लाउड का उपयोग कब करें (गोपनीय, अधिक-मात्रा और ऑफलाइन काम के लिए लोकल; कठिन समस्याओं के लिए क्लाउड)। सबसे तेज़ पहला कदम: LM Studio में एक छोटी 3B–7B मॉडल चलाएँ।

जिस युग में कोड AI लिखता है, वहाँ ज़्यादा मूल्यवान कौशल "कोड लिखने" से बदलकर "spec लिखने" की ओर जा रहा है — और इस बदलाव को दर्शाने वाला तरीका है Spec-Driven Development (SDD)। SDD में spec परियोजना के केंद्र में सत्य के स्रोत के रूप में रहता है, और एक AI agent तुरंत कोड लिखने के बजाय उसी से डिज़ाइन, विभाजन और इम्प्लीमेंटेशन निकालता है। अहम बात यह है कि हर चरण एक दस्तावेज़ (अक्सर Markdown) छोड़ता है जिसे अगला चरण पढ़ता है। यह शुरुआती-अनुकूल गाइड बताती है कि SDD क्या है (spec ही प्रामाणिक है; कोड एक व्युत्पन्न है), अभी यह क्यों मायने रखता है (यह vibe coding की तकनीकी ऋण और आवश्यकताओं के खिसकने वाली "तीन महीने की दीवार" को डिज़ाइन चरण में ही रोकता है — GitHub के अनुसार "शून्य से दोबारा बनाने" वाले चक्र लगभग दस गुना घटे), बुनियादी चार चरण (Specify → Plan → Tasks → Implement), प्रमुख टूल (90,000+ स्टार और 30 से ज़्यादा समर्थित agent वाला GitHub Spec Kit, Requirements → Design → Tasks प्रवाह और Auto router वाला AWS Kiro, साथ ही BMAD, OpenSpec, Tessl, Google Antigravity और Cursor), इसका उपयोग कब बनाम vibe coding (एक हाइब्रिड: खोजबीन के लिए vibe, डिलीवरी के लिए spec-driven, अनिवार्य इंसानी समीक्षा के साथ), और आज से इसे कैसे आज़माएँ। AI के युग में वे लोग आगे बढ़ते हैं जो ठीक-ठीक परिभाषित कर सकते हैं कि क्या बनाना है, न कि वे जो सबसे तेज़ कोड लिखते हैं।

AI के साथ काम करने में ध्यान का केंद्र prompt engineering से context engineering की ओर खिसक रहा है। Anthropic की परिभाषा उधार लें तो, context engineering है "उन रणनीतियों का समूह जिनसे आप inference के दौरान मॉडल को सौंपे जाने वाले tokens (जानकारी) के सबसे उपयुक्त समूह को चुनते और बनाए रखते हैं" — जो केवल prompt को नहीं, बल्कि context window की हर चीज़ को कवर करता है: system prompt, tools, बातचीत की history, और बाहरी डेटा। यह "context rot" के कारण मायने रखता है: आप जितने ज़्यादा tokens जोड़ते हैं, सटीकता असल में उतनी ही घटती है। Chroma के 2025 अध्ययन ने 18 अग्रणी मॉडलों (GPT, Claude, Gemini और अन्य) का परीक्षण किया और हर एक input के लंबा होते जाने के साथ कमज़ोर पड़ा, जहाँ लंबे context के बीच में रखी जानकारी को नज़रअंदाज़ करना खासकर आसान था ("lost in the middle")। यह शुरुआती-अनुकूल गाइड बताती है कि context engineering क्या है और prompt engineering से इसका क्या संबंध है, context rot क्यों होता है (attention एक सीमित बजट है), context में असल में क्या होता है, छह मुख्य तकनीकें (सही ऊँचाई पर निर्देश, tool चयन, just-in-time retrieval, compaction/सारांश संपीडन, बाहरी memory notes, और सबएजेंट अलगाव), RAG व Claude Skills से इसका संबंध, और आज से अपनाई जा सकने वाली आदतें जैसे विषय बदलने पर नया session शुरू करना और केवल मुख्य बिंदु पेस्ट करना। मूल विचार: केवल सबसे छोटे, सबसे उपयोगी tokens रखें।

Claude Skills (Agent Skills) पर एक शुरुआती-अनुकूल गाइड — वह व्यवस्था जो Claude को बार-बार वही प्रक्रिया समझाने की झंझट खत्म कर देती है। एक Skill निर्देशों, scripts और संदर्भ सामग्री को एक ही फ़ोल्डर में पैक करती है, जिसका केंद्र एक SKILL.md फ़ाइल होती है जिसमें name, description और चरण रहते हैं। ज़्यादातर समय Claude सिर्फ़ हर skill की छोटी description पढ़ता है, और body को तभी खोलता है जब आपका अनुरोध उससे मेल खाता है — इस डिज़ाइन को progressive disclosure कहते हैं, जो दर्जनों skills इंस्टॉल होने पर भी आपके context को हल्का रखता है। यह लेख बताता है कि Skills क्या हैं, ये क्यों मायने रखती हैं (हर बार prompt चिपकाने का अंत), SKILL.md और न्यूनतम फ़ोल्डर संरचना कैसे लिखें, इसे कैसे बनाएं (आधिकारिक skill-creator या खुद हाथ से, .claude/skills में डालकर, जनवरी 2026 के तुरंत-रीलोड के साथ), Skills MCP (connectivity) और सबएजेंट (context अलगाव) से कैसे अलग हैं, वह open standard जिसे अब Claude apps, Claude Code, API और Agent SDK के अलावा Codex CLI, Cursor, Gemini CLI तथा GitHub Copilot ने भी अपनाया है, साथ ही दस्तावेज़ निर्माण और आंतरिक नियम लागू करने जैसे ठोस इस्तेमाल। Anthropic ने इसे 16 अक्टूबर 2025 को घोषित किया, और Simon Willison ने इसे "शायद MCP से भी बड़ी बात" कहा।

9 जून 2026 को Anthropic के पहले सार्वजनिक "Mythos-class" model के रूप में जारी Claude Fable 5 की यहां सिर्फ़ coding के लिए पड़ताल की गई है (पूरी रिलीज़ अलग से कवर है)। संक्षेप में: coding जितनी कठिन, Fable 5 उतना आगे निकलता है। यह SWE-bench Verified पर 95.0% और कठिन SWE-bench Pro पर 80.3% देता है (Opus 4.8 69.2% और GPT-5.5 58.6% के मुकाबले), तथा कठिनतम FrontierCode Diamond पर 29.3% (Opus 13.4% और GPT-5.5 5.7% के मुकाबले, GPT से ~5 गुना), जबकि Terminal-Bench 2.1 पर 84.3% की कांटे की टक्कर है। लेख में तीन-बिंदु डेवलपर सारांश, side-by-side benchmark टेबल और उसे पढ़ने का तरीका, effort-scaling गुण (low 11.5% से max 30.9%, जबकि GPT-5.5 5-6% पर ठहर जाता है), यह असल में किसमें अच्छा है (बड़े multi-file refactor, लंबे autonomous agent run, screenshot से front-end, API डिज़ाइन + tests + docs; Simon Willison ने output को "कई दिनों जितना" आंका पर 5.5 घंटे में $110 से अधिक के साथ इसे धीमा और महंगा कहा), कमज़ोरियां ($10/$50, 500k-1M token session, कब रुकना है गलत आंकता है, review सटीकता में पीछे, Terminal-Bench के लगभग 20% trials में Opus 4.8 पर fallback), routing मार्गदर्शन (डिफ़ॉल्ट Opus 4.8, कठिन 10-20% Fable 5 को, terminal काम GPT-5.5 को), और कहां इस्तेमाल करें (Claude Code, GitHub Copilot, AWS Bedrock, Azure Foundry, Databricks, Anthropic API) कीमत, 1M-token context, 128k max output और June 9-22 मुफ़्त अवधि के साथ शामिल हैं। भारी एकमुश्त काम के लिए Fable 5, रोज़मर्रा के अधिकांश के लिए Opus 4.8। आंकड़े दिशासूचक और scaffold-निर्भर हैं।

"मैंने एक AI से कहा और उसने ब्राउज़र खोला, चीज़ें ढूँढीं, और एक form भी भर दिया।" 2026 में यह अब कोई दिखावटी demo नहीं रहा: agentic browsers (ChatGPT Atlas, Claude for Chrome, Gemini/Chrome, Perplexity Comet) एक साथ आ गए। तो ये असल में कहाँ तक automate करते हैं? हकीकत साफ़-साफ़ तीन स्तरों में बँट जाती है। (1) रिसर्च = production-ready: WebVoyager (असली sites) पर शीर्ष agents 89-98% तक पहुँचते हैं, और चूँकि ग़लत action की क़ीमत कम है, सौंपना यहीं से शुरू करें। (2) Form भरना = हो सकता है, पर जाँचें: इनपुट खुद समर्थित है, फिर भी agents fields को ग़लत label दे सकते हैं या ग़लत submit दबा सकते हैं, इसलिए "AI draft करे, इंसान भेजे" सुरक्षित है। (3) बुकिंग/भुगतान = अभी भी खुद करें: agents CAPTCHA, जटिल JavaScript checkout, two-factor auth और session management पर लड़खड़ाते हैं, और WebArena पर सबसे बेहतरीन भी क़रीब 47-68% ही पाते हैं (~78% इंसानी baseline के मुक़ाबले); OpenAI ने स्वतंत्र Operator (2025/8/31) इसी checkout अविश्वसनीयता के कारण बंद किया। लेख पहले दो तरीके बताता है (उपभोक्ता ब्राउज़र/extension बनाम डेवलपर API/OSS), फिर 2026 के खिलाड़ी मैप करता है, बुकिंग विफल होने की चार दीवारें समझाता है, और सबसे बड़े खतरे — indirect prompt injection — में गहराई से उतरता है (Comet zero-click credential चोरी के प्रति कमज़ोर दिखा और फ़रवरी 2026 में ठीक हुआ; बचाव से पहले 23.6% सफलता बुनियादी बचाव से ~11% और सबसे मज़बूत से ~1% तक घटती है, फिर भी शून्य नहीं)। अंत में पाँच सुरक्षा सिद्धांत। एक बेहतरीन रिसर्च साथी; पैसा हिलाने वाले काम खुद करें।

"ठीक है, AI एजेंट कमाल के हैं — पर मैं इन्हें असल में किस काम के लिए इस्तेमाल करूँ?" यह वही सवाल है जिससे हर कोई बुनियाद सीखते ही टकराता है, और 2026 में इसका जवाब अब भविष्य की बात नहीं रहा: सपोर्ट, सेल्स, अकाउंटिंग, डेवलपमेंट और HR भर में एजेंट रोज़मर्रा का काम संभालने लगे हैं, एक सर्वे बताता है कि 65% कंपनियाँ किसी वर्कफ़्लो को पहले ही ऑटोमेट कर चुकी हैं। यह लेख अमूर्त बातें छोड़कर कार्य-विभाग के अनुसार 10 ठोस उपयोग के उदाहरण असली मिसालों और आँकड़ों के साथ देता है: कस्टमर सपोर्ट, सेल्स लीड-जनरेशन, मार्केटिंग SEO, सॉफ़्टवेयर डेवलपमेंट, IT-ऑपरेशंस, फ़ाइनेंस रिपोर्टिंग, धोखाधड़ी की पहचान, HR भर्ती, रिसर्च, और सप्लाई चेन। साथ ही ऑटोमेट करने योग्य काम पहचानना (दोहराव × मात्रा × निर्णय), ROI की असलियत (McKinsey के अनुसार 3 साल में 3.5x, 3–14-माह लागत-वसूली, 30–60% कटौती, पर केवल 23% बड़े पैमाने पर लागू), और सुरक्षित शुरुआत (एक काम चुनें, छोटे पैमाने पर आज़माएँ, इंसान मंज़ूरी दे, नापें और फैलाएँ) न्यूनतम-अनुमति सुरक्षा के साथ। आँकड़े सर्वे और कंपनियों की घोषणाओं से उद्धृत हैं, प्रवृत्तियों के तौर पर संदर्भ के लिए। अपने काम को दोहराव, मात्रा और निर्णय के नज़रिए से परखें, और अपने सबसे तकलीफ़देह काम से एक छोटा कदम उठाएँ।

9 जून, 2026 को Anthropic ने Claude Fable 5 जारी किया — पहली बार आम उपयोगकर्ताओं और डेवलपर्स के इस्तेमाल लायक रूप में "Mythos" स्तर की क्षमता को सबके सामने लाते हुए, वही फ्रंटियर मॉडल जिसे लंबे समय से कंपनी के भीतर सबसे शक्तिशाली माना जाता रहा है। Anthropic इसे सामान्य रूप से उपलब्ध अपना सबसे शक्तिशाली मॉडल बताती है, टैगलाइन "लंबे समय तक चलने वाले, जटिल काम के लिए बना" के साथ। शुरुआती भी समझ सकें, इस तरह लिखी गई यह पड़ताल बताती है कि Fable 5 क्या है (Mythos-स्तर की क्षमता का एक सार्वजनिक, सुरक्षित रूप, जो किसी एक Q&A के बजाय मैराथन पूरा करने के लिए अनुकूलित; मॉडल ID claude-fable-5), यह अपने जुड़वां Mythos 5 से कैसे अलग है (अंदर से एक समान, सिर्फ सुरक्षा-कवच में फर्क; जनता Fable का इस्तेमाल करती है), बेंचमार्क (SWE-Bench Pro 80.3% बनाम Opus 4.8 69.2 और GPT-5.5 58.6, Hex लंबे विश्लेषण पर पहली बार 90%+, Cognition FrontierCode और Hebbia फाइनेंस में शीर्ष, बिना मदद के Pokémon खेलते हुए vision में नया SOTA), लंबी स्वायत्तता में इसकी असली ताकत (लाखों टोकन तक ध्यान, 12-घंटे की रन, Stripe द्वारा 50-मिलियन-लाइन Ruby माइग्रेशन एक ही दिन में बनाम हाथ से दो-से-ज़्यादा महीने, फाइल मेमोरी से एक गेम कार्य में Opus 4.8 से 3x ज़्यादा फायदा, GitHub की उच्च-स्वायत्तता long-horizon कोडिंग रिपोर्ट), कीमत और उपलब्धता ($10 इनपुट / $50 आउटपुट प्रति 1M टोकन, 1M संदर्भ और 128K आउटपुट, 9-22 जून तक हर प्लान में मुफ्त फिर क्रेडिट, API claude-fable-5 और GitHub Copilot), Opus 4.8 से सीधी तुलना (स्टैंडर्ड $5/$25 बनाम $10/$50, SWE-Bench Pro पर +11.1 अंक, वही 1M संदर्भ, Opus 4.8 Fast Mode $10/$50 पर; भारी काम Fable 5 को और रोज़मर्रा Opus 4.8 स्टैंडर्ड को बांटें), खास नया सुरक्षा डिज़ाइन (साइबर, जीव-रसायन और distillation क्लासिफायर जो सिर्फ खतरनाक होने पर Opus 4.8 पर लौटते हैं, 5% से कम सत्रों में सक्रिय इसलिए 95%+ पूरे प्रदर्शन पर चलते हैं, Mythos-स्तर ट्रैफिक की 30-दिन सहेज), AI के बहुत खतरनाक होने की चेतावनी के कुछ ही दिन बाद रिलीज़ का संदर्भ (एक तीसरा रास्ता जो सिर्फ खतरनाक क्षेत्र बंद करता है), और इसे कब इस्तेमाल करें। आंकड़े Anthropic की घोषणा और रिपोर्टों से उद्धृत हैं और बदल सकते हैं।

"AI आपकी नौकरी छीन लेगा" यह बात अब आम है, पर एक ज़्यादा रोज़मर्रा वाला बदलाव चुपचाप चल रहा है: एक ही कंपनी में, एक ही भूमिका में काम करने वाले सहकर्मियों के बीच नतीजों की खाई धीरे-धीरे चौड़ी हो रही है — क्योंकि लोग बँट रहे हैं उनमें जो AI को अच्छे से इस्तेमाल करते हैं और उनमें जो नहीं करते या नहीं कर पाते। यह लेख ताज़ा सर्वेक्षण आँकड़ों के साथ बताता है कि AI किस तरह क्षमता की खाई चौड़ी करता है, और यह कोई सीधी-सी "होशियार जीतते हैं" वाली कहानी नहीं है। यह दिखाता है कि फर्क पैदा करने वाला आधार कच्ची ताकत (ज्ञान, रफ्तार, अनुभव) से हटकर "AI को अच्छे से इस्तेमाल करना (AI साक्षरता)" की ओर खिसक रहा है; कि AI एक साथ दो विपरीत ताकतें लगाता है (काम के स्तर पर यह नए लोगों को ज़्यादा उठाता है और अनुभवी लोगों के साथ खाई घटाता है, जबकि पूरे दफ्तर में पहले से आगे लोग — ज़्यादा कमाने वाले, वरिष्ठ भूमिकाएँ — AI को जल्दी और गहराई से अपनाते हैं, खाई चौड़ी करते हैं); आँकड़ों में आज की हालत (एक सर्वेक्षण: 60%+ शीर्ष कमाने वाले रोज़ AI इस्तेमाल करते हैं बनाम 16% कम कमाने वाले, एक ही भूमिका में AI कौशल के लिए अनुमानित +56% वेतन प्रीमियम, और लगभग 39% महसूस करते हैं कि हद से ज़्यादा भरोसा उनकी क्षमता कमज़ोर करता है — सभी उद्धृत और सर्वेक्षण अनुसार भिन्न); खाई चौड़ी करने वाली चार ताकतें (टूल तक पहुँच, समय और प्रशिक्षण, प्रयोग की स्वायत्तता, सीखने की इच्छा — पहली तीन वरिष्ठ भूमिकाओं के पक्ष में, सिर्फ आखिरी आपके हाथ में); तीन प्रकार (आगे निकलता / जहाँ का तहाँ / पीछे छूटता, मुख्य बात बचे समय को निर्णय, योजना और लोगों में लगाना); "इस्तेमाल तो कर लेता है पर सोचता नहीं" बनने का जाल (AI को कच्चे मसौदे की तरह जाँचें, आँख मूँदकर न निगलें); पीछे न छूटने के तरीके (इसे छू लें, अपने काम पर आज़माएँ, जाँचने की आदत बनाएँ, बचे समय का निवेश करें, साझा करें, सीखते रहें); और संगठन का नज़रिया (थोड़ी कंपनियाँ ही ROI देखती हैं, पदों के बीच टकराव, ऐसी व्यवस्था बनाएँ जहाँ सब सीख सकें)। खाई कर्म के फर्क से खुलती है, प्रतिभा से नहीं — और यही उम्मीद भरा भी है, क्योंकि AI का इस्तेमाल सीखना कोई भी आज से शुरू कर सकता है।

बाहर निकलना मुश्किल है, लोगों से बात करना भारी है, आप अभी काम नहीं कर रहे — फिर भी, "घर से, किसी से मिले बिना, अपनी रफ़्तार से" को आमदनी में बदलने की संभावना AI के साथ सचमुच कहीं अधिक खुल गई है। यह दर्शक-विशिष्ट गाइड यथासंभव ईमानदारी और कोमलता से वह पहला कदम सामने रखती है जो एक hikikomori (समाज से कटकर घर में सिमट जाने वाला व्यक्ति) या NEET की स्थिति में रहने वाले इंसान के लिए, शून्य से, AI की मदद से घर से कमाने का रास्ता है। यह पहले ही वादा करती है कि "कोई भी आसानी से महीने के हज़ारों कमा सकता है" नहीं कहेगी (जो अकसर झूठ या बिक्री का चारा होता है) और असली कठिनाई, समय व सावधानियाँ खुलकर लिखती है। इसमें शामिल है कि AI × घर से काम क्यों सही बैठता है (बिना आमने-सामने मिले हो जाता है, शून्य से शुरू आसान, अपनी रफ़्तार से — AI साथी बनकर दीवार नीची करता है), तीन ईमानदार सच्चाइयाँ (आप तुरंत नहीं कमाएँगे और पहला लक्ष्य पहले कुछ डॉलर है; AI मेहनत का एम्प्लिफ़ायर है जादू नहीं, किसी भी चीज़ को शून्य से गुणा करने पर शून्य; होशियार नहीं, जो लगे रहते हैं उन्हें नतीजे मिलते हैं), बिना बात किए कमाने के तरीके (लेखन, ट्रांसक्रिप्शन/सबटाइटल, AI इमेज असेट, डेटा व्यवस्थित करना, अनुवाद जाँच, डिजिटल उत्पाद — पहले एक चुनें), आज का पहला कदम (किसी फ़्री AI को छुएँ, एक क्षेत्र चुनें, एक अभ्यास नमूना बनाएँ — कमाने से पहले बनाएँ), छोटी जीतें कैसे जोड़ें (पोर्टफ़ोलियो, एक कम-पैसे का काम, रेटिंग बनाएँ, दर/मात्रा बढ़ाएँ — रकम नहीं जीतें जुटाएँ, पहला काम सबसे क़ीमती), लगे रहना और मन की रक्षा (तुलना न करें, छोटा तोड़ें, आराम ठीक है, परफ़ेक्शनिज़्म छोड़ें, अकेले न ढोएँ — रोज़गार सहायता व परामर्श सेवाएँ), और धोखे/झूठे दावे, सब AI पर छोड़ने का जोखिम, व टैक्स/आश्रित स्थिति की सावधानियाँ (पहले-पैसे वाले ऑफ़र से बचें, वैध क्राउडसोर्सिंग मुफ़्त है, आधिकारिक जानकारी जाँचें)। यह "कोई भी, आसानी से" नहीं है, पर एक कदम जो आप उठा सकते हैं सचमुच मौजूद है — "मैं भी यह कर सकता हूँ" को एक-एक करके वापस पाएँ।

किसी AI एजेंट से बस इतना कहिए कि "इस ईमेल को पढ़कर जवाब दो" और यह खुद सोचता है, टूल्स इस्तेमाल करता है, और सचमुच काम करता है — पर ठीक इसलिए कि यह खुद कार्य करता है, एक तरह की घटना संभव हो जाती है जो चैट AI में कभी नहीं थी, और 2026 में वह खतरा सिद्धांत से वास्तविक नुकसान की ओर बढ़ने लगा। यह शुरुआती गाइड AI एजेंट सुरक्षा घटनाओं को तीन श्रेणियों में बांटती है: अनुमतियां, रिसाव, और गलत संचालन। इसमें शामिल है कि घटनाएं क्यों होती हैं (एजेंट सिर्फ जवाब नहीं देता, कार्य करता है — मुख्य शब्द; एक प्रतिभाशाली पर भोले नए कर्मचारी से तुलना), एजेंट चैट AI से ज्यादा जोखिम भरे क्यों हैं (टूल्स इस्तेमाल करना, स्वायत्त रूप से चलना, और बाहरी इनपुट पढ़ना का गुणन; OWASP ने 2026 में एजेंट-विशिष्ट जोखिम संकलित किए और "न्यूनतम स्वायत्तता" का समर्थन करता है), घटना 1 अनुमतियां (अत्यधिक स्वायत्तता — पढ़ना काफी होने पर भी भेजने/हटाने की अनुमति, एक मानव खाते की मजबूत अनुमतियां विरासत में लेना, बेकाबू होने पर नुकसान का फूलना, एक लागत-अनुकूलक एजेंट द्वारा बैकअप हटाने का रिपोर्ट किया मामला), घटना 2 रिसाव (अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन जो बाहरी सामग्री में आदेश बिछाता है — रिपोर्ट किए वास्तविक मामले: एक सार्वजनिक Reddit पोस्ट में अदृश्य टेक्स्ट से वन-टाइम पासवर्ड का रिसाव, एक सपोर्ट टिकट के छिपे आदेश से MCP के जरिए SQL डेटा निकालना, एक IDE एजेंट द्वारा सिर्फ दस्तावेज़ खोलने से गुप्त जानकारी चुराना), घटना 3 गलत संचालन (बिना दुर्भावना के भी विनाशकारी संचालन और गलतियों की श्रृंखला), 4-चरणीय हमला प्रवाह, बचाव के 5 बुनियादी सिद्धांत (न्यूनतम विशेषाधिकार, मानवीय स्वीकृति, सैंडबॉक्स, सीमाएं तय करना, बाहरी इनपुट पर अविश्वास), और एक शुरुआती चेकलिस्ट। मूलमंत्र: बहुत ज्यादा शक्ति न सौंपें, खतरनाक संचालन को एक इंसान से रुकवाएं, और बाहरी टेक्स्ट पर हद से ज्यादा भरोसा न करें।

कुछ टेक्स्ट लिखो और सेकंडों में आवाज़ के साथ एक वीडियो जन्म ले लेता है — जो कुछ समय पहले तक साइंस फिक्शन होता, वह 2026 में हकीकत बन गया, और हालात भयावह रफ्तार से बदल रहे हैं। OpenAI का Sora, जो चर्चा का केंद्र बना हुआ था, ने अप्रैल 2026 में अपने ऐप और वेब को बंद कर दिया (API सितंबर में बंद होगा); इसकी जगह Google Veo, Kling और Runway ने बढ़त ले ली। यह अद्यतन (जून 2026), टूल-निरपेक्ष गाइड बताती है कि AI वीडियो जनरेशन क्या है (शब्दों या एक इमेज से चलती-फिरती फुटेज बनाना, अब ऑडियो सिंक, 1080p–4K और इमेज-टू-वीडियो मानक), 2026 का परिदृश्य (Sora का बंद होना — कंप्यूट और लागत के दबाव तथा घटते उपयोगकर्ताओं की रिपोर्ट की गई पृष्ठभूमि — और मौजूदा अगुआ Google Veo 3.1, Kling 3.0 तथा Runway Gen-4.5, जहाँ प्रति-सेकंड मूल्य आम है), यह कैसे काम करता है (समय आयाम में विस्तारित डिफ्यूज़न मॉडल; टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो), साझा 5-चरण वर्कफ़्लो (टूल चुनो, प्रॉम्प्ट/इमेज, लंबाई/अनुपात/ऑडियो सेट करो, जनरेट करो और चुनो, एडिटिंग में जोड़ो), मुख्य वीडियो-प्रॉम्प्ट टिप्स (विषय + गति + कैमरा वर्क + स्टाइल + लंबाई + ऑडियो, जहाँ क्रियाएँ और कैमरा कुंजी हैं, एक कट एक क्रिया, इमेज-टू-वीडियो का उपयोग, संख्या में जनरेट), यह अभी क्या कर सकता है और क्या नहीं (एक ही बार में लंबे वीडियो और पूरी एकरूपता अब भी मुश्किल, और प्रति-सेकंड लागत बढ़ जाती है), और अधिकार, वॉटरमार्क तथा नैतिकता की बुनियादी बातें (SynthID और C2PA AI उद्गम को मानक और अमिट बनाते हैं, पूरी तरह AI आउटपुट कमज़ोर रूप से सुरक्षित है देश के अनुसार अंतर के साथ, वाणिज्यिक उपयोग शर्तों पर निर्भर है, और असली लोगों के डीपफेक मना हैं)। एक ही बार में लंबा वीडियो बनाने का लक्ष्य रखने के बजाय कट बनाओ और उन्हें एडिटिंग में जोड़ो। क्योंकि यह क्षेत्र तेज़ी से बदलता है, हमेशा नवीनतम की आधिकारिक रूप से पुष्टि करो।