Multi-agent prompting (HI)

मल्टी-एजेंट प्रॉम्प्टिंग (अंग्रेज़ी: multi-agent prompting) — यह prompt engineering और कृत्रिम बुद्धिमत्ता प्रणालियों में एक ऐसी विधि है, जिसमें बड़े भाषा मॉडलों (LLM) पर आधारित कई स्वायत्त एजेंट जटिल कार्यों को हल करने के लिए संरचित निर्देशों और उत्तरों के आदान-प्रदान के माध्यम से परस्पर संवाद करते हैं।

दूसरे शब्दों में, मल्टी-एजेंट प्रणाली में कई LLM-एजेंट मिलकर उपयोगकर्ता के किसी जटिल प्रश्न पर काम करते हैं और तर्क के चरणों (subtasks) को अलग-अलग भूमिकाओं एवं दक्षताओं वाले एजेंटों के बीच वितरित करते हैं। इस दृष्टिकोण का मुख्य उद्देश्य सामूहिक समाधान के माध्यम से जटिल कार्यों में एकल मॉडल की सीमाओं को पार करना है। परस्पर संवाद करने वाले अनेक एजेंटों के उपयोग का उद्देश्य तर्क की गुणवत्ता, तथ्यात्मक सटीकता और उत्तर की विश्वसनीयता को बढ़ाना है। एक महत्वपूर्ण विशेषता कड़ा निर्देशात्मक ढाँचा है: प्रत्येक LLM को समग्र समाधान योजना के अंतर्गत एक निश्चित भूमिका या कार्य सौंपा जाता है।

विधियाँ और आर्किटेक्चरल पैटर्न

शोधकर्ताओं ने मल्टी-एजेंट प्रॉम्प्टिंग की कई योजनाएँ प्रस्तावित की हैं, जो एजेंटों की परस्पर क्रिया और उनकी भूमिकाओं की प्रकृति में भिन्न होती हैं।

भूमिका-आधारित विशेषज्ञ मॉडलिंग

एक या अधिक एजेंटों को संकीर्ण विशेषज्ञता वाले क्षेत्र-विशेषज्ञ के रूप में नियुक्त किया जाता है। उदाहरण के लिए, मल्टी-एजेंट समूह में विभिन्न एजेंट अलग-अलग ज्ञान क्षेत्रों (भौतिकशास्त्री, रसायनशास्त्री, जीवविज्ञानी) या समस्या-समाधान के विभिन्न चरणों (योजनाकार, क्रियान्वयनकर्ता, आलोचक) का प्रतिनिधित्व कर सकते हैं। यह दृष्टिकोण प्रभावी few-shot prompting को साकार करता है, जहाँ प्रत्येक विशेषज्ञ एजेंट अपने क्षेत्र में उदाहरण-प्रदर्शन प्राप्त करता है, जिससे समग्र प्रदर्शन बेहतर होता है।

स्व-सुधार और आलोचना (Self-reflection)

एक एजेंट किसी अन्य एजेंट के समाधानों या स्वयं के पूर्व उत्तरों की «आलोचक» के रूप में समीक्षा कर सकता है। Self-reflection या self-refinement की रणनीति में LLM पहले उत्तर उत्पन्न करता है, फिर वही या कोई अन्य मॉडल उस उत्तर का विश्लेषण करके त्रुटियाँ सुधारता है। इससे अंतिम परिणाम को पुनरावृत्त रूप से बेहतर बनाया जा सकता है।

एजेंटों के बीच वाद-विवाद

मल्टी-एजेंट prompting का एक प्रतिस्पर्धात्मक रूप, जिसमें कई LLM के बीच चर्चा या विवाद आयोजित किया जाता है। LLM-Debate योजना में दो या अधिक एजेंट किसी कार्य (जैसे गणितीय) के सही उत्तर पर बहस करते हैं और एक-दूसरे के तर्कों की आलोचना करते हैं। यह वाद-विवाद प्रारूप मॉडल की तार्किक तर्क-क्षमता को सुधारता है और एकल समाधान की तुलना में उत्तरों की तथ्यात्मक सटीकता बढ़ाता है।

योजना निर्माण और कार्य विघटन

एक एजेंट योजनाकार की भूमिका निभाता है और जटिल प्रश्न को चरणों या उप-कार्यों के अनुक्रम में विभाजित करता है, जिन्हें फिर वही या अन्य एजेंट हल करते हैं। ReAct और Reflexion जैसी विधियाँ प्रतिक्रिया सहित पुनरावृत्त योजना के इसी सिद्धांत को लागू करती हैं। LLM कार्यान्वयन शुरू करने से पहले पहले समाधान की योजना बनाता है, जिससे लंबी तर्क-श्रृंखलाओं से निपटने में सहायता मिलती है।

बहु-व्यक्तित्व सहयोग

अलग-अलग मॉडलों के बजाय एक ही LLM का उपयोग करते हुए उसे विभिन्न व्यक्तित्व-सेटिंग या दृष्टिकोणों वाले अनेक एजेंट «अभिनीत» कराए जा सकते हैं। Multi-persona self-collaboration दृष्टिकोण में एक मॉडल संवाद के दौरान क्रमिक रूप से कई भूमिकाएँ ग्रहण करता है और जैसे स्वयं से ही चर्चा करता है। यद्यपि शोध दर्शाते हैं कि अलग-अलग स्वतंत्र एजेंट अधिक दक्षता प्रदान करते हैं, फिर भी यह विधि एक ही LLM के भीतर विशेषज्ञों की टीम का अनुकरण करने की अनुमति देती है।

अनुप्रयोग और परिणाम

मल्टी-एजेंट prompting के दृष्टिकोण ने उन कई क्षेत्रों में अपनी प्रभावशीलता सिद्ध की है जहाँ एकल LLM को पहले कठिनाइयों का सामना करना पड़ता था।

गणितीय और तार्किक तर्क

कई एजेंटों का उपयोग उन कार्यों में सटीकता को उल्लेखनीय रूप से बढ़ाता है जिनमें बहु-चरणीय निष्कर्ष की आवश्यकता होती है (जटिल अंकगणित, गणितीय प्रमाण, तार्किक पहेलियाँ)। Du et al. (2023) के शोध में मल्टी-एजेंट «वाद-विवाद» दृष्टिकोण ने एकल एजेंट की तुलना में बेहतर परिणाम दिया। विश्लेषण से पता चला कि चर्चा में भाग लेने वाले एजेंटों की संख्या बढ़ने के साथ उत्तर की सटीकता भी बढ़ती है।

वैज्ञानिक और तकनीकी कार्य

जटिल विषय-विशिष्ट समस्याओं (भौतिकी, रसायन विज्ञान) के लिए CoMM (Collaborative Multi-Agent, Multi-Reasoning-Path Prompting) विधि प्रस्तावित की गई, जिसमें अलग-अलग भूमिकाओं (विशेषज्ञ) वाले कई LLM-एजेंट समानांतर रूप से विभिन्न तर्क रणनीतियाँ अपनाते हैं। कॉलेज-स्तरीय भौतिकी कार्यों पर परीक्षण में CoMM ने chain-of-thought जैसे आधारभूत दृष्टिकोणों को उल्लेखनीय रूप से पीछे छोड़ा और सूत्रों व गणनाओं में कम त्रुटियाँ कीं।

कोड निर्माण और डीबगिंग

प्रोग्रामिंग के क्षेत्र में मल्टी-एजेंट प्रणालियों का उपयोग कोड की गुणवत्ता सुधारने और त्रुटियों की संख्या कम करने के लिए किया जाता है। PromptV प्रणाली Verilog कोड को क्रमिक रूप से लिखने, जाँचने और सुधारने के लिए कई एजेंटों का उपयोग करती है। भूमिकाओं के वितरण (निर्माण, समीक्षा, परीक्षण) ने मॉडल की त्रुटियाँ पहचानने और सुधारने की क्षमता को बेहतर बनाया, जिसके परिणामस्वरूप एक benchmark पर सफलतापूर्वक compile होने वाले समाधानों का अनुपात 96.5% तक पहुँच गया।

सूचना खोज और विश्लेषण

मल्टी-एजेंट प्रणालियाँ खुले, कम-संरचित प्रश्नों के लिए विशेष रूप से उपयोगी हैं। Anthropic ने वेब-शोध के लिए Claude मॉडल का एक बहु-एजेंट मोड विकसित किया। इस प्रणाली में एक प्रमुख एजेंट प्रश्न का विश्लेषण करता है और कई समानांतर उप-कार्य एजेंट उत्पन्न करता है, जिनमें से प्रत्येक विषय के विभिन्न पहलुओं पर खोज करता है। यह आर्किटेक्चर एकल Claude मॉडल की तुलना में जटिल खोज प्रश्नों को 90% अधिक प्रभावी ढंग से हल करता था।

पाठ वर्गीकरण और NLP कार्य

NLP कार्यों के लिए सिद्धांत-उन्मुख prompting (Principle-Based Prompting) विकसित किया गया। इस पद्धति में LLM-एजेंट पहले «सिद्धांतों» (समाधान के नियम) का एक समुच्चय उत्पन्न करते हैं, फिर एक समापन एजेंट उनमें से सर्वश्रेष्ठ का चयन करता है, जिनके आधार पर दूसरा एजेंट वर्गीकरण करता है। इस दृष्टिकोण ने आधारभूत विधियों की तुलना में macro-F1 मेट्रिक में 1.5–19% की वृद्धि की और गुणवत्ता में उदाहरण-आधारित क्लासिक प्रशिक्षण (few-shot) के करीब पहुँचा।

सीमाएँ और समस्याएँ

कम्प्यूटेशनल जटिलता और लागत

मुख्य कमी कम्प्यूटेशनल भार में तेज़ वृद्धि है। प्रत्येक एजेंट के लिए अपना निर्माण सत्र आवश्यक होता है, जिससे token और संसाधनों का उल्लेखनीय व्यय होता है। Anthropic के अनुसार, उनकी प्रणाली प्रति संवाद औसतन 4 गुना अधिक token उपभोग करती है, और कुछ मामलों में 15 गुना तक अधिक। यह इस दृष्टिकोण के उपयोग को केवल उच्च-मूल्य वाले कार्यों के लिए उचित बनाता है।

डिज़ाइन और समन्वय की जटिलता

सफल कार्यप्रणाली के लिए सावधानीपूर्वक prompt इंजीनियरिंग सेटअप आवश्यक है: प्रत्येक एजेंट की भूमिका, संदेश आदान-प्रदान का प्रारूप और रुकने के मानदंड स्पष्ट रूप से परिभाषित होने चाहिए। अन्यथा एजेंट कार्य दोहरा सकते हैं, अंतहीन खोज में लग सकते हैं या निरर्थक उप-कार्य उत्पन्न कर सकते हैं।

सुरक्षा और विश्वसनीयता

नए प्रकार के हमले सामने आ रहे हैं। शोधकर्ताओं ने Prompt Infection (prompt संक्रमण) की घटना प्रदर्शित की है, जब एक एजेंट का दुर्भावनापूर्ण निर्देश खंड दूसरे एजेंट को प्रेषित होता है और तर्क-श्रृंखला में वायरस की तरह फैल जाता है। यह LLM-to-LLM हमला बहु-एजेंट प्रणालियों की गुप्त इंजेक्शन और हेरफेर के प्रति संवेदनशीलता को दर्शाता है, जिसके लिए विशेष सुरक्षा उपाय विकसित करने की आवश्यकता है, जैसे प्रत्येक एजेंट के आउटपुट की मार्किंग (LLM Tagging)।

संदर्भ

• «How we built our multi-agent research system» — Anthropic की विस्तृत समीक्षा
• «More Agents Is All You Need» — एजेंट ensemble की प्रभावशीलता पर वैज्ञानिक लेख

साहित्य

• Chen, P. et al. (2024). CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving. arXiv:2404.17729.
• Li, J. et al. (2024). More Agents Is All You Need. arXiv:2402.05120.
• Mi, Y. et al. (2024). PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation. arXiv:2412.11014.
• Wei, P. et al. (2024). Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification. arXiv:2502.07165.
• Lee, D.; Tiwari, A. (2024). Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems. arXiv:2410.07283.
• Fernando, C. et al. (2023). PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution. arXiv:2309.16797.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Li, G. et al. (2024). Multi-LLM Debate: Framework, Principles, and Interventions. PDF.
• Du, N. et al. (2023). Improving Factuality and Reasoning in Language Models through Multi-Agent Debate. arXiv:2305.14325.