AI डेवलपमेंट और प्रोग्रामिंग: AI से ऐप बनाएं

आप Claude Code की weekly token limit तक पहुँचे, फिर भी सात दिन बीतने से पहले allowance पूरी भर गई — एक बार नहीं, कई बार। ऑनलाइन तो ऐसे "छिपे तंत्र" वाले लेख भी हैं जो दावा करते हैं कि weekly limit हर 72 घंटे में reset होती है। क्या यह सच है? यह लेख उस परिघटना को मूल स्रोतों तक ले जाता है। पर Anthropic ने आंतरिक reset तंत्र प्रलेखित नहीं किया है, और limit बदलती रहती है, इसलिए हम स्पष्ट रूप से तीन तरह की जानकारी को लेबल करते हैं: आधिकारिक स्रोतों से पुष्ट तथ्य, ऐसी घटनाएँ जिन्हें कई उपयोगकर्ता पुनरुत्पादित रूप से देखते हैं पर जिन पर Anthropic ने कुछ नहीं कहा, और एकल-स्रोत अपुष्ट अनुमान। सार यह: जल्दी पूरी recovery ज़्यादातर मामलों में Anthropic के अनियमित global reset हैं (@ClaudeDevs ने बार-बार घोषणा की); दिखाया गया reset समय भी स्पष्ट रूप से अस्थिर है; और प्रचलित "72-घंटे cadence" एकल-प्रेक्षक, अपुनरुत्पादित, और एक अन्य अवलोकन (24 घंटे) से विरोधाभासी है, इसलिए इसे तथ्य नहीं माना जा सकता। जहाँ कुछ नहीं कहा जा सकता, हम वैसा ही कहते हैं — जुलाई 2026 की एक जाँच।

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।

Claude Fable 5 और Opus 5 दोनों टॉप-टियर हैं, लेकिन जवाब न "हमेशा Fable 5" है न "हमेशा Opus 5" — टास्क के हिसाब से चुनें। और 24 जुलाई 2026 को आए Opus 5 ने इस जवाब को काफ़ी बदल दिया: पिछली पीढ़ी का Opus 4.8 "Fable 5 से थोड़ा नीचे, पर आधी कीमत" वाली जगह पर था, जबकि Opus 5 वही $5 / $25 कीमत बनाए रखते हुए agentic बेंचमार्क पर Fable 5 की बराबरी करता है या आगे निकल जाता है (Frontier-Bench 43.3% बनाम 33.7% और OSWorld 2.0 70.6% बनाम 66.1%, दोनों मीडिया-रिपोर्ट से; CursorBench 3.2 पर Anthropic का कहना है कि यह लगभग आधी लागत में Fable 5 के 0.5% के भीतर पहुँचता है)। एक ही बार में हल होने वाला सबसे मुश्किल तर्क आज भी Fable 5 की तरफ़ झुका है, पर बहुत मामूली अंतर से — Humanity's Last Exam 56.5% बनाम 56.3% और DeepSWE v1.1 69.7% बनाम 68.8% (मीडिया-रिपोर्ट से)। स्पेक में 1M कॉन्टेक्स्ट विंडो और 128K अधिकतम आउटपुट समान हैं; fast mode (लगभग 2.5×) सिर्फ़ Opus 5 में है, पर उसकी कीमत 2× है और वह सिर्फ़ Claude API पर मिलता है, और नॉलेज कटऑफ़ Opus 5 का ज़्यादा नया है (मई 2026)। फैसले का फ्लो: पहले Opus 5 आज़माएँ और सिर्फ़ वहीं Fable 5 तक जाएँ जहाँ Opus 5 की सीमा आ जाए। व्यवहार में "Opus 5 आधार, मुश्किल हिस्सों के लिए Fable 5" सर्वोत्तम है — साथ में ऐप-साइड सेफ़्टी-ब्लॉक ऑटो-स्विच और नया API फ़ॉलबैक "default" मोड। इसमें उपलब्धता (जून निलंबन, जुलाई पुनः-तैनाती), एकल-मॉडल निर्भरता से बचाव, लागत के लिए effort ट्यूनिंग और एक FAQ शामिल है — Fable 5 क्लस्टर को Opus 5 रिलीज़ गाइड से जोड़ते हुए।

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।

लोकल LLM शुरू करने के लिए सबसे भरोसेमंद टूल Ollama है, जो झंझट भरी सेटअप खुद संभालकर सिर्फ़ एक कमांड से मॉडल डाउनलोड और चैट करने देता है। यह शुरुआती-अनुकूल गाइड इंस्टॉलेशन (Win/Mac/Linux), ज़रूरी कमांड, आकार के अनुसार मॉडल चुनना, Open WebUI जैसे GUI, लोकल API और OpenAI-संगत एंडपॉइंट से ऐप्स में एम्बेड करना, Modelfile व एनवायरनमेंट वेरिएबल से कस्टमाइज़ेशन, और आम समस्याओं के समाधान तक—शुरुआत से अंत तक सब कुछ समझाती है।

local LLM चलाने का माहौल तैयार होने के बाद सबसे बड़ा सवाल यही है कि कौन-सा मॉडल इंस्टॉल करें। यह लेख 2026 के मुख्य मॉडलों को डेवलपर, मूल देश, उपयोग, साइज़ और लाइसेंस के आधार पर व्यवस्थित करता है—Qwen, Llama, Gemma, DeepSeek, Mistral, Phi जैसी वैश्विक फैमिली से लेकर Sarvam/OpenHathi, Krutrim, BharatGPT और AI4Bharat के Airavata जैसे भारतीय/हिंदी मॉडल तक—ताकि आप अपने VRAM, भाषा और काम के अनुसार सही "पहला मॉडल" चुन सकें।

Local LLM शुरू करने पर पहली चिंता यही होती है कि क्या यह मेरे PC पर चलेगा, और इसका जवाब लगभग पूरी तरह VRAM पर निर्भर करता है। यह लेख मॉडल आकार (7B से 70B+ तक) के अनुसार ज़रूरी VRAM की त्वरित तालिका, "आकार × ~0.6" का आसान फ़ॉर्मूला, क्वांटाइज़ेशन (Q4/Q8/FP16) का असर, और कॉन्टेक्स्ट लंबाई से बढ़ने वाले KV cache के जाल को सरल भाषा में समझाता है। साथ ही RTX 3060, 4090, 5090 और Apple Mac पर वास्तविक गति, और एंट्री से लेकर गंभीर उपयोग तक तीन बजट टियर के सुझाए गए बिल्ड भी दिए गए हैं, ताकि एक शुरुआती भी आत्मविश्वास से सही मशीन चुन सके।

अपने PC पर चलने वाला लोकल LLM और Claude, ChatGPT, Gemini जैसे क्लाउड LLM — दोनों "LLM" हैं, पर प्रदर्शन, लागत, प्राइवेसी और मेहनत में इनका अंतर साफ़ है। यह लेख सात पहलुओं पर दोनों को आमने-सामने रखता है और ईमानदारी से बताता है कि 2026 तक "प्रदर्शन का अंतर" कितना घट चुका है (रोज़मर्रा के कामों में लोकल अब व्यवहारिक है, पर सबसे कठिन 10–20% में क्लाउड आगे है)। साथ ही लागत, हार्डवेयर ज़रूरतें और एक सरल निर्णय गाइड दी गई है — और बताया गया है कि ज़्यादातर लोगों के लिए हाइब्रिड ही सबसे अच्छा जवाब क्यों है।

Claude Code का "तेज़ ↔ स्मार्टर" डायल हर जवाब में लगने वाली सोच और टोकन तय करता है। जानें कि 5 API प्रयास स्तर (low–max) और Ultracode मोड कैसे काम करते हैं, "अतिरिक्त" (xhigh) और "अधिकतम" (max) में क्या अंतर है, और /effort कमांड से इसे कैसे सेट करें।

Agent evals यह व्यवस्थित रूप से मापने की प्रक्रिया है कि एक agent—जो टूल्स का उपयोग करता है और किसी लक्ष्य तक पहुँचने के लिए कई चरण लेता है—सचमुच अपने कार्य पूरे कर सकता है या नहीं। ये LLM evals का विकास हैं, जो लक्ष्य को "एक आउटपुट" से बढ़ाकर "क्रियाओं का एक अनुक्रम" बना देते हैं। चूँकि एक agent योजना बनाता है, टूल्स कॉल करता है, और स्टेट अपडेट करता है, इसलिए केवल अंतिम आउटपुट पर्याप्त नहीं है; Google कहता है कि आपको agent की क्रियाओं के पीछे का "क्यों" समझना होगा और मूल्यांकन को final response तथा trajectory में बाँटता है। पाँच आयाम हैं: outcome (कार्य की सफलता, अंतिम स्टेट से आँकी गई—क्या DB में आरक्षण मौजूद है, न कि "मैंने बुक कर दिया" कथन), trajectory (उचित चरण, सही क्रम में सही टूल्स), टूल-उपयोग की शुद्धता (सही टूल और आर्गुमेंट, फ़ंक्शन नाम व प्रकार जाँचना), दक्षता (चरण, टोकन, लागत, latency—अक्सर observability संकेत जो मूल्यांकन में लाए जाते हैं), और अंतिम-प्रतिक्रिया की गुणवत्ता (LLM-as-judge या रूब्रिक से)। ग्रेडर हैं code (तेज़/सस्ता/पुनरुत्पाद्य पर भंगुर), LLM-as-judge (लचीला पर अनिर्धारणीय और कैलिब्रेशन चाहिए), और human (स्वर्ण-मानक पर महँगा—हो सके तो टालें)। Anthropic पथ नहीं, बल्कि परिणाम को ग्रेड करने की सलाह देता है: रटी-रटाई trajectory मैचिंग "बहुत कठोर और भंगुर" है क्योंकि agents वैध विकल्प खोज लेते हैं, जबकि Google और Microsoft विफलताओं के निदान के लिए trajectory-match मेट्रिक्स देते हैं। अनोखी मुश्किलें हैं अनिर्धारणीयता (pass^k), संयोजी त्रुटियाँ (p^t), reward hacking (DeepMind का रोबोट आर्म पकड़ का नाटक करते हुए), और पुराने या contaminated eval सेट। Anthropic के अनुसार व्यावहारिक रणनीति: 20-50 प्रोडक्शन विफलताओं को टेस्ट केस में बदलें, CI में स्वचालित ग्रेडिंग चलाएँ, capability और regression evals अलग करें, और इन्हें जल्दी लिखें। SWE-bench, tau-bench, WebArena, GAIA, OSWorld, और BFCL जैसे बेंचमार्क उपयोगी संदर्भ हैं (स्कोर वर्शन के साथ बदलते हैं, इसलिए उन्हें अंकित मूल्य पर न लें)। आधिकारिक जानकारी पर आधारित, अनिश्चितताओं को चिह्नित करते हुए।