AI एजेंट्स और क्रिप्टो वॉलेट्स: ऑटोनॉमस फाइनेंस

आप इसे इसलिए नहीं पढ़ रहे हैं क्योंकि आपने फाइनेंस के भविष्य पर कोई सम्मोहक विचारोत्तेजक लेख पढ़ा है। आप इसे इसलिए पढ़ रहे हैं क्योंकि इस महीने आपके वॉलेट में लगभग 4000 ट्रांजैक्शन हुए थे, आपने तीसरे सप्ताह के अंत तक इसे मैन्युअल रूप से जाँचा और फिर इसे देखना पूरी तरह से बंद कर दिया क्योंकि इससे आपको तनाव महसूस हो रहा था। फिर सब कुछ अनिश्चित हो गया और किसी बिंदु पर आप खुद से कह रहे थे कि आप रविवार को बचा हुआ सारा बैकलॉग निपटा लेंगे। अब लगातार तीन रविवार बीत चुके हैं और वह सूची कम नहीं हुई है। इनवॉइस अभी भी वहीं हैं। 2 सप्ताह पहले आपने जो छोटे-छोटे ट्रांसफर देखे थे, उनकी किसी ने गहराई से जांच नहीं की। आप एक क्रिप्टो ऑपरेशन के मालिक हैं और आप इसे देखने की हिम्मत नहीं जुटा पा रहे हैं।

यही वह जगह है जहाँ लोग फाइनेंशियल ऑपरेशन्स के लिए AI एजेंट्स खरीदते हैं। इसलिए नहीं कि उन्होंने 2026 में Coinbase को Coinbase for Agents की घोषणा करते देखा और खुद से कहा, हाँ!, यही वह भविष्य है जिसमें मैं खुद को शामिल करना चाहता हूँ। बल्कि इसलिए क्योंकि कंप्यूटर की तुलना में, जो निगरानी रखने में बहुत बेहतर है, वे काम के बोझ तले दबे और अभिभूत हैं तथा इस बात से थोड़े शर्मिंदा हैं कि वे इस चीज़ की परवाह करते हैं। मार्केटिंग की तमाम बातों को हटा दें, तो AI एजेंट्स का वादा मूल रूप से एक ऐसा वादा है कि आपको अपनी अपडेट न होने वाली स्प्रेडशीट के बारे में अब दोषी महसूस करने की आवश्यकता नहीं है। आप उस अपराधबोध को किसी और पर सौंप सकते हैं।

जो बात आपको कोई नहीं बताता वह यह है कि ज़िम्मेदारी ट्रांसफर करना जोखिम को समाप्त करने जैसा नहीं है। कुछ मायनों में यह और भी बदतर है। कम से कम जब आप अपने बेचारे वॉलेट को ठीक से नहीं देख पा रहे थे, तब भी आप उस पर नज़र रखे हुए थे। वह चिंता एक संकेत थी। अब मशीन निगरानी कर रही है, और मशीन में कोई चिंता नहीं है — यानी एक संकेत गायब है। यदि कुछ सही नहीं है, तो मशीन उससे निपटेगी, वही करेगी जो उसे करने के लिए प्रोग्राम किया गया था, और प्रोग्रामिंग केवल उतनी ही अच्छी होती है जितना कि प्रोग्रामर, और वह प्रोग्रामर आप खुद थे किसी मंगलवार की दोपहर जब आपका दिमाग भटक रहा था।

मशीनें कैसे बनीं मानवता की चिंताजनक पहचान

यह एक पुरानी मानवीय कल्पना है जो औद्योगिक क्रांति से भी पहले की है: ऐसी मशीन जो सारा उबाऊ और थकाऊ काम करे, जिससे आप वह करने के लिए स्वतंत्र हो जाएं जो दिलचस्प है। 1810 के दशक में लुडाइट (Luddite) बने कपड़ा कामगार ऐसे मूर्ख लोग नहीं थे जो भविष्य को समझने में असमर्थ हों। उन्होंने भविष्य के बड़े हिस्से की बिल्कुल सटीक कल्पना की थी। हालाँकि उन्हें लाभ मिले, लेकिन इस सबने उनके श्रम को भी प्रतिस्थापित कर दिया: यह भी पावर लूम का ही एक प्रभाव था। इसने जिस स्वतंत्रता का वादा किया था — अवकाश, बेहतर श्रम, अधिक और बेहतर मानवीय जीवन के लिए समय — वह ज़्यादातर मिल मालिकों के हिस्से में गया, न कि उन श्रमिकों के जिनका कुशल कार्य छिन गया था। ऑटोमेशन का अधिकांश इतिहास लाभों के ऊपर की ओर बहने और व्यवधानों के नीचे की ओर बहने का इतिहास रहा है।

कहने का तात्पर्य यह नहीं है कि: ऑटोमेशन एक बुरी चीज़ है। इसका मतलब यह है कि ऑटोमेशन की कहानी अनुमानित रूप से सुखद और खर्चों व लाभों के वास्तविक वितरण को उजागर करने के मामले में भ्रामक दोनों है। जैसे ही AI मॉडल्स उपयोगी होने के लिए पर्याप्त रूप से बेहतर हुए — लगभग 2022 के आसपास, और उसके बाद तेजी से आगे बढ़े — उत्साहपूर्ण विमर्श पूरी तरह से वृद्धि (ऑग्मेंटेशन) के इर्द-गिर्द था। नौकरियों को लेकर चिंताएं शुरू होने के समय आर्टिफिशियल इंटेलिजेंस पर चुटकुले और हंसी-मजाक खत्म हो गए। उन्होंने पहले उपहास और फिर सतर्कता की उम्मीद की थी, लेकिन इन दो प्रतिक्रियाओं के बीच की समयसीमा किसी के भी अनुमान से कम निकली।

AI एजेंट्स और फाइनेंशियल ऑपरेशन्स के मामले में यह थोड़ा अधिक जटिल है। स्वयं ऑपरेशन्स — वॉलेट्स की निगरानी करना, ट्रांजैक्शन निष्पादित करना, डेटा को वर्गीकृत करना, रिपोर्ट्स तैयार करना — बिल्कुल उसी प्रकार के कार्य हैं जिनके बारे में AI के शुरुआती टिप्पणीकारों ने दावा किया था कि वे इस तकनीक द्वारा संभाल लिए जाएंगे। और यह कर भी सकता है। सवाल यह है कि जब यह ऐसा कर लेता है तो आपके पास क्या बचता है। आपके पास एक ऐसा सिस्टम बचता है जिसे आपको इतनी अच्छी तरह से समझना होगा कि उसकी निगरानी की जा सके, जिसमें कई मामलों में उस काम को खुद करने की तुलना में अधिक समझ की आवश्यकता होती है। यहाँ वही सबसे सामान्य प्रतिमान सामने आता है जिसे AI एजेंट्स के अधिक विनम्र परिचयों में अक्सर दबा दिया जाता है: आपके संज्ञानात्मक बोझ (कॉग्निटिव बर्डन) को कम करने के इरादे से बनाया गया टूल शुरुआत में अक्सर थोड़ा बोझ वापस जोड़ देता है — आपका उस चीज़ को बनाना, उसका परीक्षण करना, और यह पुन: जांचना कि (उचित रूप से) उस पर कितना भरोसा किया जाना चाहिए।

फाइनेंस ऑपरेशन्स में AI एजेंट्स को नियुक्त करने से वास्तव में सकारात्मक परिणाम देखने वाला व्यक्ति शायद ही कभी वह होता है जिसने कोई लेख पढ़ा और उसे पहले ही दिन लागू कर दिया। बल्कि वह व्यक्ति होता है जिसने इसे लिखा, इसे गलत व्यवहार करते देखा, इसे ठीक किया, इसे फिर से गलत व्यवहार करते देखा, कुछ समय तक उस विशेष स्थिति (कॉर्नर केस) पर काम किया जब तक कि अंततः उनके पास एक ऐसी चीज़ तैयार नहीं हो गई जो केवल उन तरीकों से विफल होती है जिन्हें वे जानते हैं क्योंकि उन्होंने विफलता के हर तरीके का बारीकी से अवलोकन किया है। इसमें समय लगता है। इसमें धैर्य लगता है। इसके लिए आपको शुरुआती गलतियों को आपदाओं के बजाय जानकारी के रूप में देखना आवश्यक होता है, जो कि कोई छोटी मनोवैज्ञानिक बाधा नहीं है जब अधिकांश लोगों के लिए गलती में पैसा शामिल होता है।

जब आप नहीं देख रहे होते हैं तब एजेंट वास्तव में क्या कर रहा होता है

तो जब आप किसी AI एजेंट को वॉलेट संभालने के लिए शेड्यूल करते हैं तो वह क्या करता है?

यह वैसा ही करता है जैसा आपने इसे बताया था। अविश्वसनीय निरंतरता के साथ और इस बात पर बिल्कुल ध्यान दिए बिना कि आपने जो करने के लिए कहा था वह कभी सही काम था भी या नहीं। यदि आपने इसे पांच सौ डॉलर से ऊपर की किसी भी चीज़ के लिए फ्लैग उठाने का निर्देश दिया है, तो यह पांच सौ डॉलर से ऊपर के हर ट्रांजैक्शन के लिए एक फ्लैग उठाएगा और यह कभी नहीं समझ पाएगा कि उनमें से आधे आपके अपने पेरोल हैं जिन्हें आपने आवर्ती ट्रांसफर के रूप में शेड्यूल किया है और जिनके बारे में आप पहले से जानते हैं। उदाहरण के लिए, यदि आपने इसे कतार में दस या अधिक होने पर आउटगोइंग ट्रांसफर प्रोसेस करने के लिए कहा है, तो यह दस-आइटम वाली कतारों को प्रोसेस करने लगता है, जिसमें वे कतारें भी शामिल हैं जो शनिवार को सुबह तीन बजे बनी थीं क्योंकि किसी ने कुछ गलत कॉन्फ़िगर कर दिया था और लूप की स्थिति बन गई थी। एक एजेंट सोता नहीं है, लेकिन इससे भी महत्वपूर्ण बात यह है कि एक एजेंट हिचकिचाता नहीं है। हिचकिचाहट हमारे अपने गलत सिद्धांतों के बारे में त्रुटि की जानकारी का एक रूप है, लेकिन एजेंट में कोई हिचकिचाहट नहीं होती।

किसी एजेंट को किसी वास्तविक चीज़ पर लागू करने से पहले यह जानना वाकई अच्छी बात है। एजेंट सीमित छूट और जीवित रहने की स्वाभाविक समझ रखने वाला कोई जूनियर कर्मचारी नहीं है। यह ट्रैफ़िक लाइट चलाने वाले ऑटोमेशन की तरह अधिक है: बिल्कुल ठोस और अनुमान लगाने योग्य; संदर्भ को समझने में असमर्थ; पूरी तरह से इस बात पर निर्भर कि जिस किसी ने भी सिस्टम लिखा है उसने समय से पहले हर संभावित असामान्य स्थिति (एज केस) के बारे में सोचा हो। ट्रैफ़िक लाइट के साथ, इनपुट सामान्य होते हैं और विफलता के तरीकों की गणना करना आसान होता है। वॉलेट ऑपरेशन्स थोड़े अधिक जटिल होते हैं।

व्यावहारिक रूप से AI एजेंट्स बड़े पैमाने पर दोहराव वाले उबाऊ काम को स्वचालित करने में अच्छे होते हैं, जहाँ विफलता के अधिकांश तरीके सीधे-सादे होते हैं। हम बैलेंस की निगरानी करते हैं और जब ETH बैलेंस एक सीमा से नीचे चला जाता है तो हम एक अलर्ट भेजते हैं। टाइमस्टैम्प और भेजने वाले के पते सहित डेटाबेस में प्राप्त प्रत्येक USDT ट्रांसफर को लॉग करना। प्राप्तकर्ता के प्रकार के अनुसार, आउटफ्लो का एक साप्ताहिक सारांश तैयार करना। यह सत्यापित करना कि ट्रांजैक्शन ज्ञात खातों की श्वेतसूची (व्हाइटलिस्ट) से बाहर के पतों पर नहीं जा रहे हैं। वे इसलिए काम करते हैं क्योंकि उन्हें सटीक रूप से निर्दिष्ट करना बहुत सरल है, और उस प्रकार के सिस्टम में गलतियों के लिए दंड इतना कम होता है कि उन्हें लॉग में खोजने की लागत स्वीकार्य होती है।

दिलचस्प क्षमताएं — जो प्रोडक्ट घोषणाओं में दिखाई देती हैं — डेमो में काम करती हैं, लेकिन डेमो कड़ाई से नियंत्रित होते हैं। यदि विसंगतियाँ वही हैं जिन पर एजेंट को प्रशिक्षित किया गया था, तो यह असामान्य ट्रांजैक्शन पैटर्न को पहचानने और समीक्षा के लिए उन्हें आगे बढ़ाने में बेहद कुशल दिखता है। जब विसंगति कोई ऐसा क्षेत्र होती है जो निर्देश लिखने वाले व्यक्ति के दिमाग में नहीं आई थी, तो यह बहुत कम प्रभावी होता है क्योंकि या तो एजेंट इसे पूरी तरह से अनदेखा कर देता है या फिर इसे अधिकतम उतनी ही तात्कालिकता के साथ फ़्लैग करता है जितनी कि उसके रक्षात्मक सिस्टम में प्रोग्राम की गई किसी चीज़ के लिए होती। जब तक कुछ गलत नहीं होता, आपको पता नहीं चलेगा कि आपको क्या परिणाम मिल रहा है।

TRON: Energy प्रबंधन TRON पर ऐसा व्यावहारिक ऑटोमेशन है जो वास्तव में अपनी लागत खुद वसूल कर लेता है। एक वॉलेट जिसे TRON के रिसोर्स मॉडल का उपयोग करके नियमित रूप से उच्च USDT ट्रांसफर वॉल्यूम को संभालने की आवश्यकता होती है, उसे TRON Energy के निरंतर पुनर्भरण के लिए एक रणनीति स्थापित करनी होगी अन्यथा यह जोखिम बना रहेगा कि इसकी उपलब्ध आपूर्ति हमेशा डिफ़ॉल्ट दर पर इसके TRX स्टॉक को बर्न करती रहे। किसी एजेंट से यह काम करवाना — Energy बैलेंस की जांच करना, प्रोसेसिंग विंडो से पहले TRON Energy प्राप्त करने का ऑर्डर निष्पादित करना, इसके खर्च पर नज़र रखना — उन स्थितियों में से एक है जहाँ ऑटोमेशन मानवीय प्रबंधन की तुलना में स्पष्ट रूप से बेहतर है। एक इंसान भूल जाता है। एक इंसान सुबह 9 बजे Energy बैलेंस की पुष्टि करता है जब सब कुछ ठीक होता है और फिर, दोपहर 2 बजे, वह ट्रांसफर बैच शुरू करता है जब स्थिति वैसी नहीं होती। यह विफलता मोड विंडो खुलने से पहले स्वचालित रूप से TRON buy Energy के लिए सेट किए गए एजेंट के साथ नहीं होता है। इसके अन्य विफलता मोड हो सकते हैं, लेकिन यह नहीं।

जब परिस्थितियाँ अप्रत्याशित मोड़ ले लेती हैं

एक विशिष्ट मनोवैज्ञानिक अनुभव है जिसके बारे में AI एजेंट्स के साथ काम करने वाले लोग आमतौर पर बात करते हैं (चाहे एजेंट का उपयोग किसी भी चीज़ के लिए किया जाता हो)। वह समय जब एजेंट कुछ ऐसा करता है जो आपने विशेष रूप से उसे करने के लिए नहीं कहा था और वे सही होते हैं। कोई मतिभ्रम (हैलुसिनेशन) नहीं। कोई त्रुटि नहीं। एक वास्तविक निष्कर्ष — एजेंट डेटा में कुछ ऐसा पहचानता है जिसे उसके ऑपरेटर द्वारा कभी मानदंड के रूप में निर्दिष्ट नहीं किया गया था, और उसे सही ढंग से स्पष्ट करता है।

यह अनुभव काफी विचलित करने वाला होता है। वह कम से कम एक अमूर्त तरीके से समझता है कि मॉडल को प्रशिक्षण डेटा के भीतर पैटर्न खोजने और सांख्यिकीय रूप से संभावित आउटपुट देने के लिए प्रशिक्षित किया जा रहा है। लेकिन महसूस होने वाला अनुभव कुछ ऐसा होता है जो उनकी तुलना में अधिक बारीकी से देख रहा है। कोई ऐसा जो उनकी क्षमता से अधिक देखता है। और यह स्वाभाविक रूप से कई लोगों को परेशान करेगा — ऐसे तरीकों से जो पूरी तरह से तार्किक नहीं हैं लेकिन पूरी तरह से गलत भी नहीं हैं। एक इंसान द्वारा उसी डेटा की रुक-रुक कर जांच करने की तुलना में कहीं अधिक विश्वसनीयता के साथ, एक एजेंट का ध्यान इंसानों से अलग तरह से ध्यान केंद्रित करता है — यह उसी तरह से चयनात्मक नहीं है, यह हमारी तरह कुछ इनपुट्स से थक नहीं सकता है, और उस जानकारी को अनदेखा करने में इसका कोई स्वार्थ नहीं है जिसे जानना असुविधाजनक होगा।

इस बाद वाले अनुभव का विपरीत पहलू इसका अगला कदम है, जो आमतौर पर एक सप्ताह के भीतर सामने आता है। एजेंट गलत आत्मविश्वास के साथ गलती करता है। यह किसी कमांड को गलत समझता है, या कोई नया एज केस होता है जिसे कमांड्स में संबोधित नहीं किया गया था और ऑपरेटर के स्पष्ट इरादे के बजाय सबसे बेहतर मेल खाने वाले नियम से इसे संभालता है। यह आंशिक रूप से सच था, और आंशिक रूप से उनका एक मतिभ्रम था (और जब हम हाई-फ़्रीक्वेंसी ट्रेडिंग जैसे सिस्टम के बारे में बात कर रहे होते हैं जो वित्तीय ट्रांजैक्शन निष्पादित करते हैं तो हैलुसिनेशन विशेष रूप से खतरनाक होता है)।

नवंबर 2024 में फ्रेसा (Freysa) सार्वजनिक प्रयोग ने इस गतिशीलता को स्पष्ट रूप से उजागर किया। एक AI एजेंट को हाल ही में लगभग 47000 डॉलर का पुरस्कार पूल और केवल एक कमांड दिया गया था: चाहे कुछ भी हो जाए, पैसे मत भेजना। प्रतियोगिता इसे बंद करवाने की थी। कुछ ही घंटों के भीतर, किसी ने ऐसा कर दिया — मॉडल को क्रैश करके नहीं, बल्कि इतना जटिल प्रॉम्प्ट बनाकर कि एजेंट खुद को यह समझा सके कि वह तकनीकी रूप से इसकी अवज्ञा करते हुए भी निर्देश का पालन कर रहा था। इसे देखने वाले लोगों की एक साथ दो प्रतिक्रियाएँ थीं। पहली: बहुत प्रभावशाली, एक इंसान ने उस एज केस को खोज निकाला। दूसरी: भयानक बात यह है कि लोग वास्तविक सिस्टम्स में सक्रिय रूप से ऐसे एज केस तलाश रहे हैं।

यह एक खेल प्रतियोगिता से कम और एक दैनिक परिचालन जोखिम अधिक है, जैसा कि प्रॉम्प्ट इंजेक्शन स्पष्ट करता है। उदाहरण के लिए, एक एजेंट जो ट्रांसफर को वर्गीकृत करने के लिए उपयोग किए जाने वाले ट्रांजैक्शन मेमो पर नज़र रखता है, उसे निर्देशों के साथ एक मेमो प्राप्त हो सकता है। निगरानी किए जा रहे समकक्ष के संचार की निगरानी करने वाले एजेंट को ऐसा संदेश मिल सकता है जो उसके व्यवहार को बदल दे। दिलचस्प बात यह है कि हमलावर को इंफ्रास्ट्रक्चर से समझौता करने में सफल होने की आवश्यकता नहीं है। उन्हें एजेंट की कॉन्टेक्स्ट विंडो में बस एक ऐसी स्ट्रिंग डालनी होती है जिसे मॉडल आधिकारिक निर्देश मान ले। जो एजेंट ऐसा नहीं करते, वे वे हैं जिनके ऑपरेटरों ने सावधानीपूर्वक विचार किया है कि एजेंट को किस स्रोत से कौन सी जानकारी पढ़ने की अनुमति है।

कुछ ऐसे निराशाजनक ब्रेकडाउन भी होते हैं जो विरोधी हमलों से संबंधित नहीं होते। यह वह एजेंट है जो किसी ऐसे पते से ट्रांजैक्शन देखने पर जिसे पहले कभी नहीं देखा गया, उसे संदिग्ध के रूप में फ़्लैग कर देता है — जो तब तक सही व्यवहार लगता है जब तक आपको यह एहसास नहीं होता कि यह सभी ट्रांजैक्शन के तीस प्रतिशत हिस्से को फ़्लैग कर रहा है और इसलिए उस अलर्ट का कोई मतलब नहीं रह जाता। वह एजेंट जो हर सुबह एक विस्तृत बारह पन्नों की रिपोर्ट बनाता है जबकि आपने केवल एक संक्षिप्त सारांश मांगा था और वास्तव में उसे वह हिस्सा नहीं मिल पाता जहाँ आपने बारह पन्ने मांगे थे। वह एजेंट जो तीन सप्ताह तक ठीक चलता है — और फिर, जब कोई लाइब्रेरी जिस पर वह निर्भर करता है किसी तरह अपडेट हो जाती है, तो बिना किसी एरर लॉग के काम करना बंद कर देता है और बस उस गतिविधि को रोक देता है जो हो रही थी, जिससे आपको केवल तब पता चलता है कि कुछ गलत हुआ जब दो सप्ताह तक कोई अलर्ट नहीं मिला।

साइलेंट विफलता, विफलता का अंतिम रूप, वह है जो मनुष्य को सबसे अधिक चिंतित करनी चाहिए। शोर मचाने वाली विफलताएं खुद की घोषणा करती हैं। कुछ ही सेकंड के भीतर, जो एजेंट गलत पते पर भेजता है, जो गलत राशि चार्ज करता है, और जो गलत समय पर ट्रांसफर ट्रिगर करता है, वह प्रत्यक्ष परिणाम उत्पन्न करता है। वह एजेंट जो बिना कोई निशान छोड़े बस जांच करना छोड़ देता है, अलर्ट देना छोड़ देता है, लॉग करना छोड़ देता है, जिससे आप इस बात से पूरी तरह अनजान रह जाते हैं कि उसने इनमें से कुछ भी करना छोड़ दिया है, विफलता का वह तरीका है जो आपको अचानक अंधेरे में छोड़ देता है।

गोपनीयता और पैसा: आप वास्तव में किस चीज़ के लिए भुगतान कर रहे हैं

किसी बिंदु पर, अपने वॉलेट्स को प्रबंधित करने के लिए AI एजेंट सेट करते समय, आपको तुरंत इस बात का एहसास होता है कि आप कितना कुछ साझा करने जा रहे हैं। एजेंट को आपके वॉलेट बैलेंस के बारे में पता होना चाहिए। इसे आपके पिछले ट्रांजैक्शन के बारे में जानना होगा। इसे आपके व्यावसायिक तर्क को समझना चाहिए — कि किन शर्तों के तहत किसको, कब और कितनी राशि का भुगतान किया जाता है। एजेंट के मददगार होने के लिए, उसे आपके फाइनेंस के अधिक समग्र दृष्टिकोण की आवश्यकता होती है जितना कि अधिकांश लोग अपने अकाउंटेंट के साथ भी साझा नहीं करते।

यह डेटा कहीं न कहीं मौजूद होना चाहिए: प्रत्येक सत्र के दौरान मॉडल कॉन्टेक्स्ट में, यह रिकॉर्ड करने वाले लॉग में कि उसने क्या किया और क्यों किया, उस डेटाबेस में जहाँ यह ट्रांजैक्शन रिकॉर्ड संग्रहीत करता है, और इसे वॉलेट इंफ्रास्ट्रक्चर से जोड़ने वाली API कीज में। इनमें से प्रत्येक स्थान संभावित जोखिम के बिंदु हैं। इंफ्रास्ट्रक्चर चलाने वाले धोखेबाज़ों के कारण नहीं, बल्कि इसलिए कि संवेदनशील वित्तीय डेटा रखने वाले डेटाबेस को किसी दिन एक उत्सुक और दुर्भावनापूर्ण व्यक्ति द्वारा अंदर जाने का रास्ता खोजने के लिए टटोला जाएगा, और 2025 में 18.1 मिलियन चोरी हुई API कीज को कुछ हद तक यह समझाने में मदद करनी चाहिए कि औसतन ऐसे परीक्षण कितने सफल होते हैं।

यह अपने आप में एक अजीब मनोविज्ञान है। पारंपरिक संदर्भों में लोग अपनी वित्तीय जानकारी को लेकर बहुत सुरक्षात्मक होते हैं। वे बहुत सोच-समझकर चुनते हैं कि उन्हें अपने विवरण किसके साथ साझा करने हैं। वे अपने ब्रोकरेज लॉगिन के साथ कोई साझा दस्तावेज़ नहीं रखते। और फिर वे एक ऐसे सत्र के दौरान एक AI मॉडल को अपना पूरा क्रिप्टो ऑपरेशन समझाते हैं जिसे प्रदाता द्वारा लॉग किया जाता है, एक ऐसे सर्वर पर एनवायरनमेंट वेरिएबल्स में सहेजी गई API कीज का उपयोग करते हैं जिसे उन्होंने बीस मिनट में सेट किया था, और इस पूरे समय यह सोचते रहते हैं कि क्या इससे ब्लैकमेल किया जा सकता है या कुछ और, लेकिन फिर भी वे ऐसा करते हैं क्योंकि आपके पास वॉलेट को मैन्युअल रूप से जांचने का विकल्प भी मौजूद था।

वास्तव में, ऐसी संवेदनशील सामग्री के लिए सुरक्षात्मक आवश्यकता की तुलना में उस बैकलॉग के अपराधबोध को समाप्त करने की अधिक उत्सुकता प्रतीत होती है। यह केवल AI तक ही सीमित नहीं है। गोपनीयता से समझौता करने वाली सभी सुविधाएं इसी तरह अपनाई जाती हैं। आपके द्वारा किया गया समझौता करते ही उसमें अमूर्तता का अहसास होता है और यह तभी वास्तविक बनता है जब चीजें गलत होने लगती हैं।

लागत के मुद्दे को भी शुरुआती अपनाने के चरण में कम करके आंका जाता है। एजेंट तक पहुँचने के लिए सब्सक्रिप्शन प्लान — फ्रंटियर मॉडल टियर तक पहुँच के लिए $100 प्रति माह — में लगभग कोई उतार-चढ़ाव नहीं होता। लेकिन वास्तव में ऐसा नहीं है। एक साथ कई टोकन के स्थायी इतिहास वाला एजेंट लगातार बदलता रहता है। जैसे ही आप API मूल्य निर्धारण की ओर बढ़ते हैं, आपको पता चलता है कि उपभोक्ता स्तर की तुलना में अधिक क्षमताओं वाले एजेंट के लिए लाइसेंसिंग लागत अब प्रति माह सैकड़ों डॉलर नहीं रह गई है। यह उतना ही बड़ा हो जाता है जितना एजेंट काम करता है, और जो एजेंट काम करता है वह बहुत बड़ा है। "एक सौ डॉलर एक सीनियर डेवलपर के एक घंटे से भी कम है" का यह सुखद गणित अचानक गड़बड़ा जाता है जब आपका API बिल चार सौ $ और उससे भी अधिक हो जाता है, क्योंकि आपने सिस्टम के सबसे जटिल कोनों को संभालने के लिए और अधिक एजेंट्स जोड़ दिए हैं।

इनमें से किसी का भी मतलब यह नहीं है कि यह अर्थशास्त्र फायदेमंद नहीं है। लेकिन महत्वपूर्ण ट्रांजैक्शन वॉल्यूम को प्रोसेस करने वाले ऑपरेशन्स के लिए, श्रम लागत से होने वाली बचत ठोस है। TRON buy Energy प्रक्रियाएं जिन्हें अभी भी दिन में तीन या चार बार मैन्युअल रूप से निष्पादित करने की आवश्यकता होती है, पूर्ण ऑटोमेशन के लिए काफी किफायती साबित हो सकती हैं। एक ब्रेक-इवन बिंदु मौजूद है। इसके लिए बस बहीखाते के दोनों पक्षों की कुल लागतों का एक ईमानदार आकलन आवश्यक है — जिसमें सेटअप समय, कैलिब्रेशन त्रुटि की लागत, और आवर्ती API और इंफ्रास्ट्रक्चर शुल्क शामिल हैं।

दस्तावेज़, लॉग और मशीन को अपनी गलतियों से सिखाना

बिना याददाश्त वाला एजेंट एक ऐसा एजेंट होता है जो हर बार एक जैसी स्थिति आने पर वही गलत निर्णय लेगा। यह बात स्पष्ट लगती है। बहुत कम संख्या में लोग ही अग्रिम रूप से लॉगिंग इंफ्रास्ट्रक्चर का निर्माण करेंगे क्योंकि लॉगिंग अपने आप में उस विफलता की तैयारी जैसा लगता है जो अभी तक नहीं हुई है, और जब तत्काल ध्यान देने योग्य चीजें सामने होती हैं तो भविष्य की विफलताओं पर ध्यान देने में मानव स्मृति कुख्यात रूप से कमजोर होती है।

वास्तविक दुनिया का निहितार्थ यह है कि अधिकांश AI एजेंट परिनियोजन (डिप्लॉयमेंट्स) ऑपरेटर द्वारा इसे पकड़ने के लिए लॉगिंग बनाने से पहले एक या दो बार इस समस्या के साथ विफल होते हैं। पहला प्रकार एक अपराध है। दूसरा एक झुंझलाहट है। तीसरा वह है जहाँ कोई अंततः वह लॉग संरचना लिखता है जो चौथे को रोक सकती थी।

यह महत्वपूर्ण है: लॉग में न केवल यह शामिल होना चाहिए कि एजेंट ने क्या किया, बल्कि यह भी कि क्यों किया — यानी: उस समय निष्पादन पर और संकेतों के जवाब में उसने क्या तर्क बनाया, जिसमें यह भी शामिल है कि वह किस डेटा को देख रहा था और वह अपने निर्देशों तक कैसे पहुँचा। अन्यथा लॉग आपको केवल यह सूचित करता है कि कुछ बुरा हुआ है। इसके साथ ही, लॉग आपको बताता है कि निर्देशों में चीजें कहाँ गलत हुईं, जो कि इसे ठीक करने के लिए आवश्यक जानकारी है।

वह एजेंट जो TRON Energy का प्रबंधन करता है और कम ट्रैफ़िक वाले समय में Energy बैलेंस पर बहुत बार और प्री-प्रोसेसिंग स्पाइक्स पर बहुत कम प्रश्न पूछता है — जब समय के पैटर्न को दिखाने वाला लॉग उपलब्ध हो तो इसे आसानी से पूरी तरह से ठीक किया जा सकता है। सुधार में पाँच मिनट लगते हैं। लॉग के बिना इसे नोटिस करने में लगने वाला समय उतना ही लंबा होता है जितना कि आपको यह पहचानने में लगता है कि आप गलत समय पर बार-बार Energy की कमी का सामना कर रहे हैं और यह वास्तव में एक दिलचस्प अप्रत्याशित यादृच्छिकता (रैंडमनेस) है। अच्छे दस्तावेज़ीकरण के साथ AI एजेंट्स का उपयोग करते समय TronGrid का API अविश्वसनीय कार्यक्षमता प्रदान करता है:

बेशक, किसी भी डिप्लॉयमेंट से पहले लॉग आर्किटेक्चर का निर्माण करना ही सही उत्तर है। यह एक ऐसा दृष्टिकोण भी है जिसे वास्तव में कोई भी लागू नहीं करता है, क्योंकि इसके लिए उन विफलता मोड्स की कल्पना करने के लिए मानसिक कसरत की आवश्यकता होती है जिनका आपने अभी तक सामना नहीं किया है, और इसलिए इसमें एक प्रकार का निराशावादी अनुशासन शामिल होता है जो पहली बार में एक स्वचालित एजेंट को तैयार करने के लिए आवश्यक अत्यधिक आशावाद के विपरीत होता है।

सब-एजेंट का सवाल तब उभरना शुरू होता है जब सिंगल-एजेंट सिस्टम इतनी अच्छी तरह से सफल हो जाता है कि आप उसकी कमजोरियों को देख सकते हैं। मॉनिटरिंग फ़ंक्शन चल रहा है। लॉगिंग की व्यवस्था है। विफलता के तरीकों को समझा जा चुका है। और आप देख सकते हैं कि अगला वांछित आइटम — उदाहरण के लिए, स्वचालित Energy खरीद, या ट्रांजैक्शन श्रेणी टैगिंग, या रिपोर्ट तैयार करना — यदि वर्तमान एजेंट के साथ जोड़ने के बजाय अपने स्वयं के लक्षित निर्देशों के साथ एक अलग केंद्रित एजेंट होता, तो यह अधिक सुव्यवस्थित होता।

और, इस तरह लोग अनजाने में नौकरशाही (ब्यूरोक्रेसी) का निर्माण कर लेते हैं। ऑर्केस्ट्रेटर एजेंट जो मॉनिटरिंग सब-एजेंट बनाम निष्पादन सब-एजेंट बनाम रिपोर्टिंग सब-एजेंट का समन्वय करता है, वह किसी समाधान के निर्माण के लिए एक बहुत ही सुरुचिपूर्ण आर्किटेक्चर आरेख है। लेकिन बदले में इसका मतलब यह है कि आपके पास ऑर्केस्ट्रेटर पर, दोनों में से किसी भी सब-एजेंट पर या उनके बीच के किसी भी इंटरफ़ेस पर विफलता के ज्ञात मामले हैं; और यह पता लगाने के लिए कि कौन सा ज़िम्मेदार है, एक के बजाय चार लॉग की जांच करने की आवश्यकता होती है। अनुमतियाँ प्रबंधन अब एक अलग समस्या बन जाता है: जिस सब-एजेंट को केवल वॉलेट बैलेंस पढ़ने की आवश्यकता है, उसके पास ट्रांजैक्शन सबमिट करने की क्षमताएं नहीं होनी चाहिए, इसलिए आप बाकी सब चीजों के अलावा क्रेडेंशियल प्रबंधन की समस्या में भी फंस जाते हैं।

इसका उत्तर उबाऊ और क्रमिक है: एक समय में एक एजेंट को असेंबल करें, दूसरा जोड़ने से पहले सुनिश्चित करें कि पिछले वाले के साथ सब कुछ ठीक से काम कर रहा है। जो भी अंतिम सब-एजेंट आर्किटेक्चर हो, उसे आवश्यकता के अनुसार विकसित होना चाहिए, न कि ऊपर से थोपे गए सिद्धांत द्वारा परिभाषित होना चाहिए। जिन संगठनों ने काम करने वाले मल्टी-एजेंट वित्तीय सिस्टम्स को लागू किया है, वे वे हैं जिन्होंने उन्हें इस तरह से बनाया है — क्रमिक रूप से और रास्ते में विफलता से भरे कई चरणों के साथ, न कि एक अच्छी तरह से नियोजित आर्किटेक्चरल स्प्रिंट के रूप में।

उन लोगों के लिए जो Energy को स्वचालित करना चाहते हैं लेकिन स्वयं इस इंफ्रास्ट्रक्चर का निर्माण नहीं करना चाहते हैं, Netts Energy Charge Bot कम से कम एक उपयोग के मामले को दूसरों की तुलना में बेहतर तरीके से संभालता है — Telegram इंटरफ़ेस के माध्यम से स्वचालित TRON Energy रीफ़िल प्रबंधन जहाँ यह मैन्युअल चार्ज + ऑटो 24 घंटे का Energy डेलिगेशन और चार्ज होने के बाद पहली यूनिट के लिए लगभग 25 sun से शुरू होने वाली अनुरोधित खरीदारी और आवधिक ऑफ-पीक विंडो डेलिगेट दरों को संभालता है (मांग पर ऑटो चार्ज सभी 131k Energy को फिर से डेलिगेट करता है ताकि वॉलेट बहुत कम न हो जाए) जो इसे किसी भी ऐसे व्यक्ति के लिए एक व्यावहारिक प्रारंभिक बिंदु बनाता है जिसका ट्रांजैक्शन वॉल्यूम मैन्युअल प्रबंधन से आगे निकल गया था, फिर भी जो वास्तव में अपना संपूर्ण एजेंट सिस्टम बनाने के लिए पूरी तरह तैयार नहीं है।