AI Agents · Student Projects · Hinglish
AI Agents Kya Hain — Students Projects Kaise Banayein
परिभाषा: AI agent ऐसा software है जो एक लक्ष्य लेकर काम करता है, एक बार में एक जवाब देकर रुकता नहीं। वह सोचता है कि लक्ष्य तक पहुँचने के लिए कौन से कदम चाहिए, हर कदम पर कोई tool चलाता है (search, calculator, database query, email भेजना), tool से मिला नतीजा पढ़ता है, और फिर अगला कदम तय करता है। आज ज़्यादातर agents में यह "सोचने" का काम एक large language model (LLM) करता है, और बाकी काम आपका code।
Chatbot और agent में फ़र्क
| बात | साधारण chatbot | AI agent |
|---|---|---|
| काम का तरीका | सवाल आया, जवाब दिया | लक्ष्य मिला, कई कदम में पूरा किया |
| Tools | आम तौर पर नहीं | Search, APIs, files, database, code चला सकता है |
| Memory | बातचीत तक सीमित | पिछले कदमों के नतीजे याद रखकर आगे बढ़ता है |
| गलती का असर | गलत जवाब | गलत action भी हो सकता है, जैसे गलत email भेज देना |
| Testing | जवाब की जाँच | हर कदम, tool call और रुकने की शर्त की जाँच |
आखिरी दो rows सबसे ज़रूरी हैं। Agent बनाना आसान है, पर भरोसेमंद agent बनाना मेहनत का काम है, क्योंकि वह असली actions लेता है।
Agent loop: पूरा concept एक उदाहरण में
हर agent के अंदर लगभग यही loop चलता है: plan → tool चलाओ → नतीजा देखो → फिर plan, जब तक काम पूरा न हो या कदमों की सीमा न आ जाए। नीचे के code में LLM की जगह एक सीधा-सादा rule-based planner है, ताकि बिना API key के loop समझ में आए:
# एक छोटा agent loop: LLM की जगह यहाँ rule-based planner है
def calculator(expr):
return str(eval(expr, {"__builtins__": {}}))
def get_marks(subject):
marks = {"maths": 78, "physics": 64} # sample data
return str(marks.get(subject.lower(), "not found"))
TOOLS = {"calculator": calculator, "get_marks": get_marks}
def planner(goal, history):
# असली agent में यह फ़ैसला LLM करता है
if len(history) == 0:
return ("get_marks", "maths")
if len(history) == 1:
return ("get_marks", "physics")
if len(history) == 2:
a, b = history[0][2], history[1][2]
return ("calculator", f"({a} + {b}) / 2")
return ("finish", f"औसत अंक: {history[-1][2]}")
def run_agent(goal, max_steps=5):
history = []
for step in range(1, max_steps + 1):
tool, arg = planner(goal, history)
if tool == "finish":
print("FINAL:", arg)
return
result = TOOLS[tool](arg)
print(f"step {step}: {tool}({arg!r}) -> {result}")
history.append((tool, arg, result))
print("max steps पूरे, agent रुक गया")
run_agent("Maths और Physics के औसत अंक बताओ")
Output:
step 1: get_marks('maths') -> 78
step 2: get_marks('physics') -> 64
step 3: calculator('(78 + 64) / 2') -> 71.0
FINAL: औसत अंक: 71.0
इसमें agent के चारों हिस्से दिखते हैं: tools (दो Python functions), planner (असल में LLM), history (memory) और max_steps (रुकने की शर्त, ताकि agent अनंत loop में न फँसे)। असली project में planner की जगह LLM को tools की सूची और history भेजी जाती है, और वह बताता है कि अगला tool कौन सा हो। eval का इस्तेमाल सिर्फ़ इस demo के लिए है। असली code में user input को कभी सीधे eval मत कीजिए।
कौन से frameworks इस्तेमाल होते हैं?
Loop को हाथ से लिखना सीखने के लिए अच्छा है। बड़े projects में लोग frameworks लेते हैं:
- LangGraph: agent के कदमों को graph की तरह बनाता है, जहाँ हर node एक कदम है। कई कदमों वाले, शर्तों वाले workflow के लिए। LangGraph पर English guide।
- CrewAI: कई agents को अलग-अलग "roles" देकर साथ काम करवाता है, जैसे researcher और writer। CrewAI की जानकारी।
- AutoGen: Microsoft का framework, जिसमें agents आपस में बातचीत करके काम बाँटते हैं।
- smolagents: Hugging Face की हल्की library, शुरुआत करने वालों के लिए सरल। smolagents tutorial।
ये libraries तेज़ी से बदलती हैं, इसलिए किसी पुराने tutorial का code चलाने से पहले official documentation ज़रूर देखिए। Student के तौर पर एक framework अच्छी तरह सीखना, पाँच को सतही तौर पर छूने से बेहतर है।
Students के लिए 5 project ideas
हर idea के साथ लिखा है कि उसे छोटा और सुरक्षित कैसे रखें। Interview में बड़ा दावा करने से अच्छा है कि आप एक छोटा agent पूरी तरह समझा सकें।
1. College notice assistant
College की website या PDF notices पढ़कर सवालों के जवाब देने वाला agent: "अगले हफ़्ते कौन सी परीक्षा है?" Tools: PDF पढ़ना, तारीख़ निकालना। इसमें retrieval (RAG) भी जुड़ता है, जिस पर RAG, LLM और agents वाला लेख मदद करेगा।
2. Expense tracker agent
आप "आज 120 रुपये chai-nashte पर खर्च किए" लिखें, agent उसे category के साथ CSV में जोड़ दे और महीने के अंत में summary दे। Tools: CSV लिखना, जोड़ना, chart बनाना। यह data analysis और agent, दोनों दिखाता है।
3. Study planner
Syllabus और exam की तारीख़ दीजिए, agent topics को दिनों में बाँटकर calendar file बनाए। अगर कोई दिन छूट जाए तो plan दोबारा बनाए। रुकने की शर्त और plan बदलने का logic यहाँ अच्छी तरह दिखता है।
4. Interview practice agent
Job description पढ़कर सवाल पूछे, आपके जवाब को rubric से जाँचे और अगला सवाल तय करे। इस पर एक English project guide AI interview preparation agent भी है।
5. Dataset explorer
CSV upload करें और agent खुद pandas code लिखकर चलाए: कितनी rows, कौन से columns खाली, कौन सा chart बने। यहाँ सुरक्षा ज़रूरी है: code एक सीमित sandbox में चलना चाहिए और हर run का log रहना चाहिए।
Project को portfolio लायक कैसे बनाएँ?
- Scope छोटा रखें: दो-तीन tools, एक साफ़ लक्ष्य।
- हर कदम log करें: कौन सा tool, कौन सा input, क्या नतीजा। Interview में यही log दिखाना सबसे असरदार होता है।
- Failure cases लिखें: README में बताइए कि agent कब गलत होता है और आपने उसे कैसे रोका।
- API keys सुरक्षित रखें: keys को GitHub पर push मत कीजिए,
.envfile और.gitignoreइस्तेमाल कीजिए। - खर्च पर नज़र: paid LLM API हर call के पैसे लेती है। Development में छोटे models या free tiers से शुरू करें और max_steps ज़रूर रखें।
शुरू करने से पहले क्या आना चाहिए?
Python के functions, dictionaries और loops; JSON पढ़ना-लिखना; किसी एक API को call करना; और Git की बुनियादी जानकारी। Machine learning की गहरी पढ़ाई पहले ज़रूरी नहीं, पर prompts और LLM की सीमाएँ (जैसे गलत जानकारी गढ़ देना) समझना ज़रूरी है।
अगर आप Python से LLM apps और agents तक का रास्ता mentor के साथ तय करना चाहते हैं, तो Uncodemy के AI और data science courses में ऐसे projects शामिल हैं।