AI टूल्स की गाइड, तुलना और नवीनतम समाचार

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 और इंसान, सुरक्षा-उपायों में बेहतर कौन — 2025–2026 में इसका जवाब काफ़ी बदल गया। Google के Big Sleep ने असली ज़ीरो-डे (SQLite की CVE-2025-6965) को दुरुपयोग से पहले रोका, और स्वायत्त AI पेनटेस्टर XBOW HackerOne की अमेरिकी रैंकिंग में #1 पर पहुँचा। दूसरी ओर AI-निर्मित कोड के 45% में कमज़ोरियाँ मिलीं (इंसान के लिखे से करीब 2.74 गुना), और Claude का दुरुपयोग कर पहला बड़े पैमाने का AI-संचालित साइबर हमला (हमले का 80–90% AI ने स्वायत्त रूप से अंजाम दिया) भी हुआ। यह लेख Google, Anthropic, DARPA, Veracode के प्राथमिक स्रोतों के आधार पर स्पीड, स्केल और कवरेज में भारी पड़ते AI और बिज़नेस लॉजिक, हमले की चेनिंग व अंतिम निर्णय में जीतते इंसान की टास्क-वार तालिका से तुलना करता है। साथ ही दिखाता है कि AI एक दोधारी तलवार है जिसके तीन चेहरे हैं — "कमज़ोरियों का स्रोत, हमले का औज़ार, और सबसे मज़बूत रक्षक" — और निष्कर्ष में व्यावहारिक लोगों व प्रबंधकों के लिए स्पष्ट करता है कि विजेता है "इंसान × AI (सेंटॉर मॉडल)" का भूमिका-विभाजन + human-in-the-loop।

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।

जेनरेटिव AI रोज़मर्रा के काम में गहराई तक बुना जा चुका है, पर इसका ऑन/ऑफ़ स्विच आपके नियंत्रण के बाहर रहता है—जैसा जून 2026 में Claude Fable 5 और Mythos 5 के लॉन्च के तीन दिन बाद हुए सस्पेंशन—और 19 दिन बाद 1 जुलाई 2026 को दोबारा तैनाती—ने दिखाया। यह लेख समझाता है कि AI निर्भरता जोखिम क्या है, किन छह तरीकों से कोई AI उपलब्ध न रहे, और अपनी निर्भरता कैसे मापें। फिर यह व्यक्तिगत उपयोगकर्ताओं के लिए 5 कदम और डेवलपर्स के लिए रिडंडेंसी डिज़ाइन—LLM गेटवे, फ़ॉलबैक चेन, लोकल LLM और रिकवरी प्लेबुक—देता है, साथ ही वेंडर चुनने की चेकलिस्ट। मूल विचार: भविष्यवाणी से नहीं, डिज़ाइन से बचाव करें ताकि AI रुकने पर भी आपका कोर काम न रुके।

Claude Code के परमिशन रूल्स से आप settings.json में allow/ask/deny लिखकर बारीकी से तय कर सकते हैं कि कौन-से टूल, कमांड, फ़ाइल और डोमेन बिना पूछे चलें, पुष्टि माँगें या वर्जित रहें। यह गाइड प्राथमिकता क्रम, रूल सिंटैक्स, settings.json की पदानुक्रम और व्यावहारिक रेसिपी समझाती है।

Claude Code में प्रॉम्प्ट बॉक्स के बगल वाला "अनुमति मोड" सेलेक्टर तय करता है कि Claude कितनी बार रुककर अनुमति मांगेगा। यह गाइड 5 मोड, Shift+Tab से स्विच करने का तरीका, ऑटो मोड की कार्यप्रणाली, और कब कौन सा मोड सुरक्षित रूप से चुनें, इन सबको समझाता 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।

Claude Code hooks यूज़र द्वारा परिभाषित shell कमांड हैं जो Claude Code के लाइफ़साइकल में निश्चित बिंदुओं पर अपने-आप चलते हैं, और "ऐसा हमेशा होना ही चाहिए" को LLM के फ़ैसले पर निर्भर हुए बिना सच और डिटरमिनिस्टिक बना देते हैं। क्लासिक इवेंट नौ हैं—SessionStart, UserPromptSubmit, PreToolUse, PostToolUse, Notification, Stop, SubagentStop, SessionEnd, PreCompact—जिनमें से PreToolUse और अन्य ब्लॉक कर सकते हैं (सुरक्षित फ़ाइलों में एडिट या ख़तरनाक कमांड रोककर)। आप इन्हें settings.json में "hooks" की के तहत इवेंट नाम -> matcher -> type + command के रूप में कॉन्फ़िगर करते हैं। I/O कॉन्ट्रैक्ट: एक hook stdin पर JSON प्राप्त करता है (session_id, tool_input आदि) और exit code 0 (सफलता) / 2 (ब्लॉक, stderr Claude को वापस) या स्ट्रक्चर्ड JSON (continue, decision:block, permissionDecision: deny/allow/ask) के ज़रिए लौटाता है। मुख्य सिद्धांत है "hooks पाबंदियाँ सख़्त कर सकते हैं पर ढीली नहीं" (deny हमेशा जीतता है, bypassPermissions के तहत भी ब्लॉक)। क्लासिक उपयोग-केस: एडिट के बाद ऑटो-फ़ॉर्मैट (PostToolUse + Edit|Write), अहम फ़ाइलों की सुरक्षा, ख़तरनाक कमांड रोकना, कॉन्टेक्स्ट फिर से इंजेक्ट करना (SessionStart), नोटिफ़िकेशन/ऑडिट लॉगिंग, और रुकने से पहले टेस्ट (Stop)। सुरक्षा पर, hooks आपके अधिकारों के साथ मनमाने shell कमांड चलाते हैं, इसलिए केवल भरोसेमंद ही कॉन्फ़िगर करें और इनपुट वैलिडेट/कोट करें; hook कॉन्फ़िग सेशन स्टार्टअप पर कैप्चर होता है (एक सुरक्षा फ़ीचर) इसलिए सेशन के बीच के बदलाव लागू नहीं होते। आधिकारिक दस्तावेज़ पर आधारित, नौ क्लासिक इवेंट और I/O कॉन्ट्रैक्ट पर केंद्रित।