{
  "title": "संदर्भ अभियांत्रिकी: क्यों प्रॉम्प्ट इंजीनियरिंग कभी पर्याप्त नहीं थी",
  "excerpt": "2026 तक, आधुनिक AI सिस्टम में असली काम एक चतुर प्रॉम्प्ट लिखना नहीं है। यह तय करना है कि मॉडल क्या देखता है, कब देखता है, और वह संदर्भ कैसे संरचित, स्थायी और स्थायी स्मृति में बदला जाता है।",
  "content_html": "<p>कुछ समय के लिए, \"प्रॉम्प्ट इंजीनियरिंग\" वह नाम था जो हमने बड़े भाषा मॉडल से अच्छे परिणाम प्राप्त करने की कला को दिया था। शुरुआती दिनों में यह समझ में आता था। अधिकांश लोग एक-शॉट इंटरैक्शन का उपयोग कर रहे थे, और मुख्य लीवर वास्तव में शब्दांकन जैसा लगता था: अधिक स्पष्ट रूप से पूछें, एक उदाहरण जोड़ें, प्रारूप को सीमित करें, और मॉडल बेहतर व्यवहार करता था।</p>\n<p>वह ढांचा अब वास्तविक समस्या के लिए बहुत छोटा है।</p>\n<p>जब कोई AI सिस्टम उत्पादन में विफल होता है, तो समस्या आमतौर पर यह नहीं होती कि मॉडल को सिस्टम प्रॉम्प्ट में एक और चतुर वाक्य की आवश्यकता थी। समस्या यह है कि मॉडल ने सही जानकारी नहीं देखी, बहुत अधिक अप्रासंगिक जानकारी देखी, सही जानकारी गलत प्रारूप में देखी, या एक चरण से दूसरे चरण तक सही स्थिति को आगे नहीं बढ़ा सका। दूसरे शब्दों में, समस्या केवल प्रॉम्प्ट नहीं थी। समस्या <strong>संपूर्ण संदर्भ पाइपलाइन</strong> थी।</p>\n<p>यही कारण है कि <strong>संदर्भ अभियांत्रिकी</strong> शब्द ने पकड़ बना ली है। यह वाक्यांश 2025 के मध्य में मुख्यधारा की AI चर्चा में आया, जब टोबी लुटके और आंद्रेज कारपैथी ने तर्क दिया कि \"प्रॉम्प्ट इंजीनियरिंग\" विश्वसनीय LLM सिस्टम बनाने में शामिल वास्तविक कार्य को कम आंकती है।[1] लेकिन अंतर्निहित अनुशासन नाम से पुराना है। यदि आपने RAG, टूल कॉलिंग, मेमोरी सिस्टम, सारांशीकरण, या मूल्यांकन लूप बनाए हैं, तो आप पहले ही संदर्भ अभियांत्रिकी के टुकड़े कर चुके हैं। क्या बदला है कि हमारे पास अंततः एक नाम है जो पूरे काम का वर्णन करता है।</p>\n<h2>एक सरल मानसिक मॉडल</h2>\n<p>यदि आप सबसे सरल चित्र चाहते हैं, तो संदर्भ अभियांत्रिकी बाहरी दुनिया और मॉडल की कार्यशील स्मृति के बीच की परत है।</p>\n<pre><code class=\"language-mermaid\">flowchart TD\n    U[\"उपयोगकर्ता अनुरोध\"] --&gt; CE[\"संदर्भ इंजन\"]\n\n    I[\"निर्देश और नीतियां\"] --&gt; CE\n    R[\"पुनर्प्राप्त ज्ञान\"] --&gt; CE\n    M[\"स्मृति और सहेजी गई स्थिति\"] --&gt; CE\n    T[\"उपकरण परिभाषाएं और परिणाम\"] --&gt; CE\n    H[\"हाल का वार्तालाप इतिहास\"] --&gt; CE\n\n    CE --&gt; W[\"मॉडल संदर्भ विंडो\"]\n    W --&gt; L[\"LLM तर्क और कार्य करता है\"]\n    L --&gt; O[\"उत्तर या उपकरण कॉल\"]\n    O --&gt; S[\"नई स्मृति, लॉग और स्थिति\"]\n    S --&gt; CE\n</code></pre>\n<p>यही पूरा खेल है।</p>\n<p>मॉडल तर्क इंजन है। संदर्भ इंजन तय करता है कि मॉडल को किस पर तर्क करने को मिलेगा।</p>\n<h2>नाम नया है। काम नहीं है।</h2>\n<p>एक कारण यह शब्द गूंजता है कि यह कई धागों को एक साथ बांधता है जो अलग-अलग विकसित हो रहे थे।</p>\n<p>रिट्रीवल-ऑगमेंटेड जनरेशन, या RAG, ने हमें सिखाया कि मॉडल को अनुमान के समय बाहरी ज्ञान तक पहुंच की आवश्यकता होती है।[2] ReAct ने हमें सिखाया कि तर्क और क्रिया बेहतर काम करते हैं जब मॉडल उपकरणों को कॉल कर सकते हैं, परिणामों का निरीक्षण कर सकते हैं, और वहां से जारी रख सकते हैं।[3] मेमोरी अनुसंधान ने हमें सिखाया कि लंबे समय तक चलने वाले सहायकों को अंतहीन प्रतिलेख संचय के बजाय अनुक्रमण, पुनर्प्राप्ति और पढ़ने की रणनीतियों की आवश्यकता होती है।[4] लंबे संदर्भ मूल्यांकन ने दिखाया कि केवल एक मॉडल में अधिक टोकन भरना उसे बेहतर कार्यशील स्मृति देने के समान नहीं है।[5][6][7]</p>\n<p>इस तरह से देखा जाए, तो संदर्भ अभियांत्रिकी उन विचारों का प्रतिस्थापन नहीं है। यह उनके ऊपर की छतरी है।</p>\n<p>वह छतरी मायने रखती है क्योंकि आधुनिक AI सिस्टम अब पृथक प्रॉम्प्ट नहीं हैं। वे गतिशील सिस्टम हैं जो निर्देशों, दस्तावेज़ों, संरचित डेटा, उपकरण आउटपुट और पिछली स्थिति को अगले चरण के लिए एक अस्थायी संदर्भ विंडो में इकट्ठा करते हैं। LangChain ने इसे अच्छी तरह से परिभाषित किया जब उसने संदर्भ अभियांत्रिकी को सही जानकारी और उपकरणों को सही प्रारूप में प्रदान करने का काम बताया ताकि LLM कार्य को प्रशंसनीय रूप से पूरा कर सके।[8]</p>\n<p>वाक्यांश \"प्रशंसनीय रूप से कार्य पूरा करें\" वहां बहुत काम कर रहा है। यह सही परीक्षण है।</p>\n<p>यदि कोई एजेंट विफल होता है, तो पहला प्रश्न यह नहीं होना चाहिए, \"मैं प्रॉम्प्ट को और स्मार्ट कैसे बनाऊं?\"</p>\n<p>पहला प्रश्न यह होना चाहिए, \"क्या मैंने वास्तव में मॉडल को वह दिया जो उसे सफल होने के लिए चाहिए था?\"</p>\n<h2>प्रॉम्प्ट इंजीनियरिंग क्यों बहुत छोटी हो गई</h2>\n<p>प्रॉम्प्ट इंजीनियरिंग अभी भी मायने रखती है। यह सिर्फ एक बड़े अनुशासन का उपसमूह बन गई।</p>\n<p>पुराना मानसिक मॉडल था:</p>\n<table>\n<thead>\n<tr>\n<th>प्रॉम्प्ट इंजीनियरिंग</th>\n<th>संदर्भ अभियांत्रिकी</th>\n</tr>\n</thead>\n<tbody>\n<tr>\n<td>बेहतर निर्देश लिखें</td>\n<td>पूर्ण सूचना वातावरण बनाएं</td>\n</tr>\n<tr>\n<td>एकल अनुरोध पर ध्यान दें</td>\n<td>बहु-चरणीय सिस्टम पर ध्यान दें</td>\n</tr>\n<tr>\n<td>अधिकतर स्थिर</td>\n<td>गतिशील और स्थिति-युक्त</td>\n</tr>\n<tr>\n<td>शब्दांकन को अनुकूलित करें</td>\n<td>चयन, संरचना, स्मृति और उपकरणों को अनुकूलित करें</td>\n</tr>\n<tr>\n<td>एकल मॉडल कॉल में सुधार करें</td>\n<td>पूरे लूप में सुधार करें</td>\n</tr>\n</tbody>\n</table>\n<p>यह अंतर स्पष्ट हो जाता है जैसे ही आप एक एजेंट बनाते हैं।</p>\n<p>मान लीजिए आप एंटरप्राइज़ सॉफ़्टवेयर के लिए एक सहायता एजेंट बना रहे हैं। उपयोगकर्ता पूछता है, \"हमारे API अनुरोध टाइमआउट क्यों हो रहे हैं?\"</p>\n<p>यदि आप केवल प्रॉम्प्ट शब्दों में सोचते हैं, तो आप शब्दांकन में सुधार कर सकते हैं:</p>\n<ul>\n<li>मॉडल को संक्षिप्त होने के लिए कहें</li>\n<li>इसे साक्ष्य उद्धृत करने के लिए कहें</li>\n<li>इसे चरण दर चरण सोचने के लिए कहें</li>\n</ul>\n<p>ये अच्छे सुधार हैं। लेकिन वे पर्याप्त नहीं हैं।</p>\n<p>वास्तविक सिस्टम प्रश्न अधिक कठिन हैं:</p>\n<ul>\n<li>क्या एजेंट के पास घटना रनबुक तक पहुंच है?</li>\n<li>क्या यह नवीनतम लॉग और स्थिति पृष्ठ देख सकता है?</li>\n<li>क्या यह जानता है कि यह खाता किस ग्राहक स्तर का है?</li>\n<li>क्या यह बातचीत में पिछले मोड़ों को याद रखता है?</li>\n<li>क्या यह टिकट सिस्टम को क्वेरी कर सकता है?</li>\n<li>क्या यह पुराने दस्तावेज़ों को वर्तमान से अलग कर सकता है?</li>\n<li>यदि इसे बहुत अधिक संदर्भ मिलता है, तो क्या छंटनी की जाती है?</li>\n</ul>\n<p>वह संदर्भ अभियांत्रिकी है।</p>\n<p>प्रॉम्प्ट इसके अंदर एक मद है।</p>\n<h2>संदर्भ के रूप में क्या गिना जाता है</h2>\n<p>व्यवहार में, संदर्भ में वह सब कुछ शामिल है जो मॉडल अनुमान के समय देखता है, न कि केवल दृश्य प्रॉम्प्ट।[8][9]</p>\n<p>इसका आमतौर पर मतलब है:</p>\n<ul>\n<li>सिस्टम निर्देश</li>\n<li>वर्तमान उपयोगकर्ता अनुरोध</li>\n<li>पुनर्प्राप्त दस्तावेज़</li>\n<li>संरचित डेटा जैसे JSON, तालिकाएं, स्कीमा और रिकॉर्ड</li>\n<li>उपकरण परिभाषाएं</li>\n<li>उपकरण आउटपुट</li>\n<li>हाल का वार्तालाप इतिहास</li>\n<li>दीर्घकालिक स्मृति या सहेजे गए नोट्स</li>\n<li>सुरक्षा, नीति और स्वरूपण बाधाएं</li>\n<li>पर्यावरण की स्थिति जैसे फ़ाइलें, टैब, टिकट या कार्यशील निर्देशिकाएं</li>\n</ul>\n<p>यही कारण है कि वाक्यांश \"संदर्भ विंडो भरना\" इतना केंद्रीय हो गया है। संदर्भ विंडो सिर्फ एक जगह नहीं है जहां टेक्स्ट जाता है। यह मॉडल की अस्थायी कार्यशील स्मृति है। इसमें प्रवेश करने वाली हर चीज़ ध्यान के लिए प्रतिस्पर्धा करती है।</p>\n<p>और प्रतिस्पर्धा मुख्य शब्द है।</p>\n<p>हर अतिरिक्त टोकन केवल अतिरिक्त जानकारी नहीं है। यह अतिरिक्त विकर्षण भी है।</p>\n<h2>बड़ी संदर्भ विंडो ने समस्या का समाधान क्यों नहीं किया</h2>\n<p>वर्तमान AI बाजार में सबसे आम गलतफहमियों में से एक यह है कि बड़ी संदर्भ विंडो ने संदर्भ अभियांत्रिकी को कम महत्वपूर्ण बना दिया।</p>\n<p>शोध विपरीत दिशा में इशारा करता है।</p>\n<p><em>लॉस्ट इन द मिडल</em> ने दिखाया कि मॉडल अक्सर लंबे संदर्भों का असमान रूप से उपयोग करते हैं, जब प्रासंगिक जानकारी शुरुआत या अंत के पास दिखाई देती है तो बेहतर प्रदर्शन करते हैं और जब महत्वपूर्ण जानकारी बीच में होती है तो खराब प्रदर्शन करते हैं।[5] डेटाब्रिक्स के लंबे-संदर्भ RAG अध्ययन में पाया गया कि जबकि अधिक पुनर्प्राप्त दस्तावेज़ जोड़ने से मदद मिल सकती है, केवल कुछ अत्याधुनिक मॉडलों ने 64k टोकन से ऊपर मजबूत प्रदर्शन बनाए रखा।[6] क्रोमा की <em>कॉन्टेक्स्ट रॉट</em> रिपोर्ट और भी आगे बढ़ गई: यहां तक कि सरल कार्य भी इनपुट लंबाई बढ़ने पर कम विश्वसनीय हो जाते हैं, खासकर जब अस्पष्टता और विकर्षक पेश किए जाते हैं।[7]</p>\n<p>यह वह हिस्सा है जो कई टीमें कठिन तरीके से सीखती हैं।</p>\n<p>बड़ी विंडो चुनने की आवश्यकता को समाप्त नहीं करती हैं। वे खराब विकल्पों की लागत को पहले कम स्पष्ट और बाद में अधिक दर्दनाक बनाती हैं।</p>\n<p>एक लंबा प्रॉम्प्ट कम से कम चार तरीकों से विफल हो सकता है:</p>\n<ol>\n<li><strong>संदर्भ विषाक्तता</strong>: एक बुरा तथ्य, मतिभ्रम, या पुराना परिणाम आगे बढ़ जाता है।</li>\n<li><strong>संदर्भ विकर्षण</strong>: बहुत अधिक प्रासंगिक-लेकिन-महत्वपूर्ण विवरण मुख्य कार्य को प्रभावित करता है।</li>\n<li><strong>संदर्भ भ्रम</strong>: संदर्भ के विभिन्न टुकड़े एक दूसरे का खंडन करते हैं।</li>\n<li><strong>संदर्भ बर्बादी</strong>: उपयोगी टोकन अनावश्यक या कम मूल्य वाली सामग्री के नीचे दब जाते हैं।</li>\n</ol>\n<p>यही कारण है कि संदर्भ अभियांत्रिकी टोकन को अधिकतम करने के बारे में नहीं है। यह संदर्भ विंडो के अंदर <strong>सिग्नल घनत्व</strong> को अधिकतम करने के बारे में है।</p>\n<h2>पुनर्प्राप्ति से नेविगेशन तक</h2>\n<p>यह वह जगह है जहां हाल के सबसे अच्छे विचारों में से एक तस्वीर में प्रवेश करता है।</p>\n<p>जेसन लियू ने तर्क दिया कि क्लासिक चंक-आधारित RAG के बाद अगला कदम केवल \"सबसे समान अंशों\" के बारे में सोचना बंद करना और <strong>खोज स्थान के आकार</strong> के बारे में सोचना शुरू करना है।[10] उनका ढांचा विशेष रूप से उपयोगी है क्योंकि यह एक प्रगति का मानचित्रण करता है जिससे कई टीमें पहले से ही गुजर रही हैं:</p>\n<ol>\n<li>न्यूनतम चंक</li>\n<li>स्रोत मेटाडेटा के साथ चंक</li>\n<li>मल्टीमॉडल और संरचित सामग्री के लिए बेहतर हैंडलिंग</li>\n<li>पहलू और क्वेरी शोधन</li>\n</ol>\n<p>पहले तीन पुनर्प्राप्त किए जाने वाले में सुधार हैं।</p>\n<p>चौथा अधिक दिलचस्प है। यह एजेंट <strong>कोष के बारे में</strong> क्या सीखता है, इसमें सुधार करता है।</p>\n<p>पहलू मॉडल को परिधीय दृष्टि जैसा कुछ देते हैं। केवल शीर्ष कुछ चंक लौटाने के बजाय, सिस्टम समग्र मेटाडेटा भी लौटा सकता है:</p>\n<ul>\n<li>कौन से दस्तावेज़ प्रकार परिणाम सेट पर हावी हैं</li>\n<li>कौन सी टीमें या मालिक सबसे अधिक बार दिखाई देते हैं</li>\n<li>कौन सी तिथियां एक साथ समूहित होती हैं</li>\n<li>कौन सी श्रेणियां मौजूद हैं लेकिन शीर्ष परिणामों में कम प्रतिनिधित्व करती हैं</li>\n</ul>\n<p>यह मायने रखता है क्योंकि समानता खोज उस ओर पक्षपाती है जो मिलान करना सबसे आसान है, जरूरी नहीं कि निरीक्षण करना सबसे महत्वपूर्ण हो।[10] एक पुनर्प्राप्ति प्रणाली अच्छी तरह से प्रलेखित हल की गई घटनाओं को अधिक सतह पर ला सकती है और विरल, अभी भी खुली घटनाओं को कम सतह पर ला सकती है। एक कानूनी खोज हस्ताक्षरित अनुबंधों को अधिक सतह पर ला सकती है और उन अहस्ताक्षरित अनुबंधों को छिपा सकती है जिन पर वास्तव में ध्यान देने की आवश्यकता है। पहलू एजेंट को न केवल \"क्या मेल खाता है\" बल्कि \"पास में और क्या मौजूद है\" देखने में मदद करते हैं।</p>\n<p>यह एक बड़ा वैचारिक बदलाव है।</p>\n<p>RAG ज्यादातर पुनर्प्राप्ति के बारे में था।</p>\n<p>संदर्भ अभियांत्रिकी तेजी से <strong>नेविगेशन</strong> के बारे में हो रही है।</p>\n<h2>संदर्भ अभियांत्रिकी के छह कार्य</h2>\n<p>संदर्भ अभियांत्रिकी को ठोस बनाने का सबसे आसान तरीका इसे उन वास्तविक कार्यों में तोड़ना है जो यह करता है।</p>\n<h3>1. चयन</h3>\n<p>पहला काम यह तय करना है कि विंडो में प्रवेश करने के योग्य क्या है।</p>\n<p>इसमें पुनर्प्राप्ति, रैंकिंग, फ़िल्टरिंग, स्रोत चयन और ताजगी जांच शामिल है। यह स्पष्ट लगता है, लेकिन यह अभी भी वह जगह है जहां गुणवत्ता का एक बड़ा हिस्सा जीता या हारा जाता है। BRIGHT जैसे बेंचमार्क दिखाते हैं कि यथार्थवादी पुनर्प्राप्ति सतही सिमेंटिक मिलान की तुलना में बहुत कठिन है।[11] यदि आपकी पुनर्प्राप्ति गुणवत्ता कमजोर है, तो कोई भी डाउनस्ट्रीम प्रॉम्प्ट पॉलिशिंग परिणाम को पूरी तरह से नहीं बचाएगी।</p>\n<p>चयन केवल \"प्रासंगिक चंक खोजें\" नहीं है। यह है:</p>\n<ul>\n<li>सही स्रोत चुनें</li>\n<li>सही ग्रैन्युलैरिटी चुनें</li>\n<li>सही मात्रा चुनें</li>\n<li>सही क्रम चुनें</li>\n</ul>\n<p>अच्छी प्रणालियाँ अक्सर भोली प्रणालियों की तुलना में कम पुनर्प्राप्त करती हैं, लेकिन इसे अधिक जानबूझकर पुनर्प्राप्त करती हैं।</p>\n<h3>2. संरचना</h3>\n<p>दूसरा काम यह तय करना है कि चयनित संदर्भ का प्रतिनिधित्व कैसे किया जाता है।</p>\n<p>एक ही जानकारी स्वरूपण के आधार पर सहायक या बेकार हो सकती है। एंथ्रोपिक का टूल-उपयोग मार्गदर्शन इस बारे में स्पष्ट है: उपकरण विवरण और इंटरफ़ेस मॉडल व्यवहार को दृढ़ता से आकार देते हैं।[9] लंबे-संदर्भ प्रॉम्प्टिंग मार्गदर्शन XML टैगिंग, स्रोत लेबलिंग और स्पष्ट रूप से अलग किए गए दस्तावेज़ अनुभागों के लिए समान सिफारिशें करता है।[12]</p>\n<p>व्यवहार में, संरचना का अर्थ है:</p>\n<ul>\n<li>स्रोतों को लेबल करें</li>\n<li>निर्देशों को डेटा से अलग करें</li>\n<li>जटिल दस्तावेज़ों को सुसंगत मार्कअप में लपेटें</li>\n<li>जब वे मायने रखते हैं तो तालिकाओं को तालिकाओं के रूप में संरक्षित करें</li>\n<li>साक्ष्य के साथ उद्धरण और मेटाडेटा लौटाएं</li>\n</ul>\n<p>एक छोटा, अच्छी तरह से लेबल किया गया परिणाम अक्सर एक विशाल JSON ब्लॉब से बेहतर प्रदर्शन करता है।</p>\n<h3>3. संपीड़न</h3>\n<p>तीसरा काम जो मायने रखता है उसे नष्ट किए बिना संदर्भ को कम करना है।</p>\n<p>यह वह जगह है जहां बहुत सारे एजेंट सिस्टम या तो बहुत बेहतर या बहुत खराब हो जाते हैं।</p>\n<p>संपीड़न का अर्थ हो सकता है:</p>\n<ul>\n<li>पिछले मोड़ों का सारांश</li>\n<li>पुराने इतिहास को ट्रिम करना</li>\n<li>केवल अंतिम कुछ उपयोगकर्ता मोड़ों को शब्दशः रखना</li>\n<li>लंबे धागों से स्थायी तथ्य निकालना</li>\n<li>लागत और विलंबता को कम करने के लिए स्थिर उपसर्गों को कैश करना</li>\n</ul>\n<p>OpenAI का प्रॉम्प्ट कैशिंग दस्तावेज़ीकरण दिखाता है कि प्रॉम्प्ट ऑर्डर आर्थिक और संज्ञानात्मक रूप से मायने रखता है: साझा स्थिर उपसर्ग सस्ते और तेज़ होते हैं जब सामने रखे जाते हैं क्योंकि कैश हिट सटीक उपसर्ग पुन: उपयोग पर निर्भर करते हैं।[13] OpenAI का नया रिस्पॉन्सेज API कॉम्पैक्शन पर काम उसी विचार को आगे बढ़ाता है, लंबे समय तक चलने वाले एजेंट इतिहास को एक अधिक टोकन-कुशल प्रतिनिधित्व में संपीड़ित किया जाना चाहिए, इससे पहले कि विंडो भर जाए।[14]</p>\n<p>संपीड़न वैकल्पिक नहीं है। एकमात्र सवाल यह है कि क्या आप इसे जानबूझकर करते हैं या संदर्भ विंडो को अपने आप खराब होने देते हैं।</p>\n<h3>4. स्मृति</h3>\n<p>चौथा काम यह तय करना है कि वर्तमान मोड़ से परे क्या बना रहना चाहिए।</p>\n<p>यह वह जगह है जहां कई टीमें एक ही गलती करती हैं: वे स्मृति को प्रतिलेख प्रतिधारण के साथ भ्रमित करते हैं।</p>\n<p>लेकिन अच्छी स्मृति \"सब कुछ हमेशा रखना\" नहीं है। LongMemEval दीर्घकालिक स्मृति को तीन-चरणीय समस्या के रूप में तैयार करता है: अनुक्रमण, पुनर्प्राप्ति और पढ़ना।[4] यह इसके बारे में सोचने का सही तरीका है। एक स्मृति प्रणाली को मॉडल को सही समय पर सही पिछले तथ्य को पुनर्प्राप्त करने में मदद करनी चाहिए, न कि इसे पूर्ण अतीत में डुबो देना चाहिए।</p>\n<p>यह एक उपयोगी अंतर की ओर ले जाता है:</p>\n<ul>\n<li><strong>कार्यशील स्मृति</strong>: वर्तमान कार्य के लिए आवश्यक अल्पकालिक संदर्भ</li>\n<li><strong>संदर्भ स्मृति</strong>: बाहरी तथ्य, सारांश, नोट्स या कलाकृतियाँ जिन्हें बाद में पुनः लोड किया जा सकता है</li>\n</ul>\n<p>यदि सब कुछ कार्यशील स्मृति में रहता है, तो मॉडल विचलित हो जाता है। यदि सब कुछ बाहर धकेल दिया जाता है, तो मॉडल निरंतरता खो देता है।</p>\n<p>संदर्भ अभियांत्रिकी तय करती है कि प्रत्येक परत में क्या है।</p>\n<h3>5. उपकरण और इंटरफ़ेस डिज़ाइन</h3>\n<p>पाँचवाँ काम उपकरणों को मॉडल के लिए सुपाठ्य बनाना है।</p>\n<p>यह अनुशासन का एक कम सराहा गया हिस्सा है। एक उपकरण सतह केवल सॉफ़्टवेयर API डिज़ाइन नहीं है। यह संदर्भ डिज़ाइन भी है।</p>\n<p>मॉडल को समझने की आवश्यकता है:</p>\n<ul>\n<li>उपकरण क्या करता है</li>\n<li>इसका उपयोग कब करना है</li>\n<li>प्रत्येक पैरामीटर का क्या अर्थ है</li>\n<li>आउटपुट का क्या अर्थ है</li>\n<li>परिणाम देखने के बाद आगे क्या करना है</li>\n</ul>\n<p>यही कारण है कि उपकरण विवरण इतने मायने रखते हैं।[9] यही कारण है कि जेसन लियू का उपकरण परिणामों पर जोर भी महत्वपूर्ण है।[10] किसी उपकरण का आउटपुट केवल वर्तमान क्वेरी का उत्तर नहीं देता है। यह एजेंट को सिखाता है कि अगली क्वेरी के बारे में कैसे सोचना है।</p>\n<p>जब उपकरण सतह MCP जैसे प्रोटोकॉल के माध्यम से मानकीकृत हो जाती है, तो यह और भी महत्वपूर्ण हो जाता है। MCP LLM अनुप्रयोगों से उपकरणों, संसाधनों और प्रॉम्प्ट को जोड़ना आसान बनाता है, लेकिन यह तय नहीं करता कि कौन सी जानकारी सतह पर लाई जानी चाहिए, इसे कैसे फ़िल्टर किया जाना चाहिए, या इसका कितना हिस्सा अगले मॉडल कॉल में इंजेक्ट किया जाना चाहिए।[15] प्रोटोकॉल प्लंबिंग है। संदर्भ अभियांत्रिकी अभी भी शिल्प है।</p>\n<h3>6. पृथक्करण और ऑर्केस्ट्रेशन</h3>\n<p>छठा काम यह तय करना है कि संदर्भ कब साझा नहीं करना है।</p>\n<p>यह खिलौना डेमो और उत्पादन एजेंटों के बीच सबसे बड़े अंतरों में से एक है।</p>\n<p>कभी-कभी सही उत्तर एक बड़ा साझा प्रॉम्प्ट नहीं होता है। यह पृथक दायरे वाले कई छोटे प्रॉम्प्ट होते हैं।</p>\n<p>एंथ्रोपिक का मल्टी-एजेंट अनुसंधान सिस्टम एक मजबूत उदाहरण है।[16] उनके उप-एजेंट अलग-अलग संदर्भ विंडो के साथ समानांतर में चलते हैं, जो उन्हें हर मध्यवर्ती विवरण के साथ एक-दूसरे को दूषित किए बिना किसी समस्या की विभिन्न शाखाओं का पता लगाने में मदद करता है। LangChain \"अलग करें\" के तहत एक समान पैटर्न का वर्णन करता है: कभी-कभी एजेंट विश्वसनीयता में सुधार करने का सबसे अच्छा तरीका संदर्भों को जमा करने के बजाय विभाजित करना है।[17]</p>\n<p>यह मायने रखता है क्योंकि साझा संदर्भ की एक छिपी हुई लागत होती है। यह पथ निर्भरता बनाता है। एक एकल खराब शाखा अगले चरण को प्रभावित कर सकती है, और अगले को, और अगले को।</p>\n<p>पृथक्करण विस्फोट त्रिज्या को सीमित करने का एक तरीका है।</p>\n<h2>2026 में क्या बदला</h2>\n<p>2025 में, संदर्भ अभियांत्रिकी ज्यादातर एक समस्या के लिए एक उपयोगी नाम था जिसे लोग पहले से ही महसूस कर रहे थे। 2026 में, यह एक वास्तुकला में सख्त होने लगा है।</p>\n<p>पहला बड़ा बदलाव यह है कि निर्माता स्थायी स्थिति को कच्ची संदर्भ विंडो के <strong>बाहर</strong> ले जा रहे हैं। एंथ्रोपिक का संदर्भ संपादन और मेमोरी टूल स्पष्ट रूप से अलग करता है कि कार्यशील विंडो में क्या रहता है और सत्रों में क्या बना रहना चाहिए।[18] OpenAI का जनवरी 2026 का वैयक्तिकरण पर कुकबुक एक अलग रूप में वही कदम उठाता है: संरचित स्थिति ऑब्जेक्ट जो रनों में बने रहते हैं और प्रत्येक रन की शुरुआत में जानबूझकर कार्यशील स्मृति में इंजेक्ट किए जाते हैं।[19] OpenAI का रिस्पॉन्सेज API फिर इसे देशी कॉम्पैक्शन के साथ एक कदम आगे ले जाता है, ताकि लंबे समय तक चलने वाले एजेंट लूप को हर टीम को खरोंच से एक कस्टम सारांशीकरण उपप्रणाली बनाने की आवश्यकता न हो।[14]</p>\n<p>एंथ्रोपिक का मैनेज्ड एजेंट अंतर्निहित पैटर्न को असामान्य रूप से स्पष्ट बनाता है: <strong>सत्र मॉडल की संदर्भ विंडो नहीं है</strong>।[20] यह एक महत्वपूर्ण 2026 विचार है। विंडो क्षणिक कार्यशील स्मृति है। सत्र लॉग स्थायी वस्तु है। हार्नेस तय करता है कि उस स्थायी संदर्भ को कैसे काटना, कॉम्पैक्ट करना और अगले मॉडल कॉल में वापस हाइड्रेट करना है।</p>\n<p>दूसरा बदलाव यह है कि पुनर्प्राप्ति अधिक <strong>जस्ट-इन-टाइम</strong> और अधिक इंटरफ़ेस-देशी हो रही है। हर संभावित प्रासंगिक टोकन को आगे लोड करने के बजाय, टीमें एजेंटों को पुनर्प्राप्ति सतह दे रही हैं जिन्हें वे पहले से ही संचालित करना जानते हैं। Mintlify का ChromaFs एक अच्छा उदाहरण है: दस्तावेज़ पुनर्प्राप्ति के लिए एक पूर्ण सैंडबॉक्स बूट करने के बजाय, यह डॉक्स को `ls`, `cat` और `grep` के साथ नेविगेट करने योग्य एक आभासी फ़ाइल सिस्टम के रूप में प्रस्तुत करता है, जो p90 सत्र निर्माण को लगभग 46 सेकंड से घटाकर लगभग 100 मिलीसेकंड कर देता है।[21] Turso का AgentFS उसी अंतर्ज्ञान को सामान्य एजेंट निष्पादन की ओर धकेलता है: कॉपी-ऑन-राइट फ़ाइल सिस्टम अमूर्तता जिसमें पोर्टेबल सिंगल-फ़ाइल स्टोरेज और अंतर्निहित ऑडिटिंग है।[22]</p>\n<p>तीसरा बदलाव यह है कि <strong>संदर्भ ग्राफ़</strong> एक कार्यान्वयन दिशा बन रहे हैं, न कि केवल एक रूपक। फाउंडेशन कैपिटल की थीसिस ने शब्द को दृश्यमान बनाया, लेकिन मजबूत दावा स्थापत्य है: जब एजेंट निष्पादन पथ में बैठते हैं, तो वे निर्णय ट्रेस को स्थायी कलाकृतियों के रूप में कैप्चर कर सकते हैं, न कि केवल अंतिम आउटपुट उत्पन्न कर सकते हैं।[26][27] Graphiti जैसे ओपन-सोर्स सिस्टम और Zep जैसे वाणिज्यिक प्लेटफ़ॉर्म इसे वैधता विंडो, उत्पत्ति एपिसोड और सिमेंटिक्स, कीवर्ड और ग्राफ़ संरचना में हाइब्रिड पुनर्प्राप्ति के साथ अस्थायी संदर्भ ग्राफ़ के रूप में संचालित करते हैं।[23] TrustGraph एक संबंधित दृष्टिकोण लेता है, संदर्भ को एक संस्करणित कलाकृति के रूप में मानता है: ग्राफ़, एम्बेडिंग, साक्ष्य और नीतियां पोर्टेबल \"संदर्भ कोर\" में बंडल की जाती हैं जिन्हें बिल्ड आउटपुट की तरह प्रचारित या वापस रोल किया जा सकता है।[24][25]</p>\n<p>चौथा बदलाव यह है कि संदर्भ अभियांत्रिकी अब वास्तविक सॉफ़्टवेयर अभ्यास में दिखाई दे रही है, न कि केवल प्लेटफ़ॉर्म ब्लॉग पर। 2026 के MSR पेपर ने ओपन-सोर्स सॉफ़्टवेयर में संदर्भ अभियांत्रिकी का अध्ययन किया और 466 रिपॉजिटरी की जांच की और पाया कि `AGENTS.md` जैसी AI संदर्भ फ़ाइलें फैल रही हैं, लेकिन अभी तक कोई स्थिर सामग्री संरचना नहीं है।[28] यह मायने रखता है क्योंकि यह सिद्धांत से परिचालन कलाकृतियों की ओर एक कदम है। संदर्भ अब केवल रनटाइम पर अनुमानित नहीं है। इसे सॉफ़्टवेयर जीवनचक्र के भाग के रूप में लिखा, संस्करणित, समीक्षा और खनन किया जा रहा है।</p>\n<p>यदि आप एक तस्वीर में 2026 का मानसिक मॉडल चाहते हैं, तो यह इस तरह दिखता है:</p>\n<pre><code class=\"language-mermaid\">flowchart LR\n    E[\"सत्र लॉग / घटनाएं\"] --&gt; A[\"संदर्भ असेंबलर\"]\n    F[\"फ़ाइलें, डॉक्स और उपकरण\"] --&gt; A\n    G[\"संदर्भ ग्राफ़ / स्मृति\"] --&gt; A\n    P[\"नीतियां और AGENTS.md\"] --&gt; A\n\n    A --&gt; W[\"कार्यशील संदर्भ विंडो\"]\n    W --&gt; X[\"एजेंट कार्रवाई\"]\n\n    X --&gt; E\n    X --&gt; G\n</code></pre>\n<p>यह \"प्रॉम्प्ट + वेक्टर खोज\" से बहुत अलग वास्तुकला है।</p>\n<h2>संदर्भ ग्राफ़ वास्तव में कहाँ फिट होते हैं</h2>\n<p>एक कारण यह बातचीत गंदी हो जाती है कि लोग <strong>संदर्भ अभियांत्रिकी</strong> और <strong>संदर्भ ग्राफ़</strong> का उपयोग करते हैं जैसे कि उनका मतलब एक ही हो। वे नहीं हैं।</p>\n<p>संदर्भ अभियांत्रिकी व्यापक अनुशासन है। यह तय करने का काम है कि अगली संदर्भ विंडो में क्या जाता है, क्या बाहर रहता है, क्या संपीड़ित होता है, और मांग पर क्या पुनर्प्राप्त किया जाता है।</p>\n<p>एक संदर्भ ग्राफ़ उस बड़े सिस्टम के अंदर एक संभावित दीर्घकालिक स्मृति सब्सट्रेट है।</p>\n<p>वह अंतर मायने रखता है क्योंकि हर उपयोगी एजेंट को संदर्भ ग्राफ़ की आवश्यकता नहीं होती है। एक दस्तावेज़ीकरण सहायक ज्यादातर स्थिर सामग्री पर अच्छी पुनर्प्राप्ति, उपकरण डिज़ाइन और कॉम्पैक्शन की आवश्यकता हो सकती है, लेकिन ग्राफ़ की नहीं। एक कोडिंग एजेंट रिपॉजिटरी निर्देशों, एक स्थायी सत्र लॉग और एक फ़ाइल सिस्टम अमूर्तता के साथ आश्चर्यजनक रूप से दूर जा सकता है।[20][21][22][28]</p>\n<p>संदर्भ ग्राफ़ तब सम्मोहक हो जाते हैं जब समस्या में चार विशेषताएं हों:</p>\n<ul>\n<li><strong>अस्थायी सत्य मायने रखता है।</strong> आपको न केवल यह जानने की आवश्यकता है कि अब क्या सच है, बल्कि यह भी कि निर्णय के समय क्या सच था।[23]</li>\n<li><strong>उत्पत्ति मायने रखती है।</strong> आपको तथ्यों को उस एपिसोड, दस्तावेज़ या इंटरैक्शन में वापस खोजने की आवश्यकता है जिसने उन्हें उत्पन्न किया।[23][24]</li>\n<li><strong>मिसाल मायने रखती है।</strong> कार्य इस बात पर निर्भर करता है कि पहले समान मामलों को कैसे संभाला गया था, जिसमें अपवाद और अनुमोदन शामिल हैं।[26][27]</li>\n<li><strong>क्रॉस-एंटिटी तर्क मायने रखता है।</strong> उपयोगी स्मृति एक सपाट नोट नहीं है, बल्कि लोगों, नीतियों, घटनाओं, खातों, टिकटों और परिणामों का एक नेटवर्क है।[23][25]</li>\n</ul>\n<p>यही कारण है कि मेरे विचार में संदर्भ ग्राफ़ की सबसे अच्छी परिभाषा \"AI के लिए एक ग्राफ़ डेटाबेस\" नहीं है। यह <strong>मिसाल का एक स्थायी प्रतिनिधित्व</strong> है।</p>\n<p>यही कारण है कि निर्णय ट्रेस इतने मायने रखते हैं। फाउंडेशन कैपिटल का ढांचा यहां उपयोगी है: नियम एजेंट को बताते हैं कि सामान्य रूप से क्या होना चाहिए; निर्णय ट्रेस इसे बताते हैं कि एक विशिष्ट मामले में, वास्तविक बाधाओं के तहत, वास्तविक अपवादों के साथ क्या हुआ।[26] एक बार जब वे ट्रेस संस्थाओं और समय में जुड़ जाते हैं, तो आपको सामान्य स्मृति से कहीं अधिक मूल्यवान कुछ मिलता है। आपको खोजने योग्य निर्णय मिलता है।</p>\n<h2>मैं 2026 में इसे कैसे बनाऊंगा</h2>\n<p>यदि मैं आज एक गंभीर संदर्भ-अभियांत्रिकी स्टैक बना रहा होता, तो मैं ग्राफ़ से शुरू नहीं करता। मैं इंटरफ़ेस और प्रमोशन नियमों से शुरू करता।</p>\n<h3>1. पहले एक स्थायी सत्र परत बनाएं</h3>\n<p>प्रत्येक कार्रवाई, उपकरण परिणाम, अवलोकन और महत्वपूर्ण मध्यवर्ती कलाकृति को एक ऐपेंड-ओनली सत्र लॉग या इवेंट स्टोर में उतरना चाहिए। यह आपकी पुनर्प्राप्ति योग्य संदर्भ वस्तु है।[14][20]</p>\n<p>सक्रिय संदर्भ विंडो को सत्य के स्रोत के साथ भ्रमित न करें।</p>\n<p>विंडो तर्क के लिए है। सत्र पुनर्प्राप्ति, रीप्ले, डिबगिंग और चयनात्मक पुनर्जलीकरण के लिए है।</p>\n<h3>2. संदर्भ असेंबलर को एक उत्पाद सतह के रूप में मानें</h3>\n<p>असेंबलर को स्पष्ट रूप से प्रबंधित करना चाहिए:</p>\n<ul>\n<li>टोकन बजट</li>\n<li>स्रोत प्राथमिकता</li>\n<li>ताजगी</li>\n<li>कॉम्पैक्शन थ्रेसहोल्ड</li>\n<li>इतिहास ट्रिमिंग</li>\n<li>उद्धरण स्वरूपण</li>\n<li>कैश-जागरूक ऑर्डरिंग</li>\n</ul>\n<p>यह वह परत है जो तय करती है कि मॉडल <em>अभी</em> क्या देखता है। यह देखने योग्य, परीक्षण योग्य और बदलने में सस्ता होना चाहिए।[18][19][14]</p>\n<h3>3. उत्सुक भराई पर जस्ट-इन-टाइम पुनर्प्राप्ति को प्राथमिकता दें</h3>\n<p>मॉडल को पहले हल्के हैंडल दें: फ़ाइल पथ, ऑब्जेक्ट ID, URL, क्वेरी टेम्पलेट, टिकट ID, घटना ID। फिर इसे केवल जरूरत पड़ने पर विवरण खींचने दें।[9][18][21]</p>\n<p>यह वह जगह है जहां फ़ाइल सिस्टम, MCP उपकरण, खोज API और संरचित क्वेरी विशाल टॉप-K डंप से अधिक मूल्यवान हो जाते हैं।</p>\n<h3>4. केवल उच्च-मूल्य वाली स्थिति को दीर्घकालिक स्मृति में प्रचारित करें</h3>\n<p>सब कुछ स्मृति नहीं बनना चाहिए।</p>\n<p>मैं चार वर्गों की कलाकृतियों को प्रचारित करूंगा:</p>\n<ul>\n<li>स्थिर उपयोगकर्ता या खाता प्राथमिकताएं</li>\n<li>उत्पत्ति के साथ स्थायी तथ्य</li>\n<li>महत्वपूर्ण मध्यवर्ती सारांश</li>\n<li>निर्णय ट्रेस और अपवाद</li>\n</ul>\n<p>बाकी सब कुछ सत्र लॉग में तब तक रहना चाहिए जब तक यह प्रचार के योग्य साबित न हो जाए।</p>\n<h3>5. संदर्भ ग्राफ़ को एक प्रचारित स्मृति परत के रूप में बनाएं</h3>\n<p>यह वह हिस्सा है जिसे कई टीमें उलट देती हैं।</p>\n<p>ग्राफ़ आपका कच्चा प्रतिलेख ग्राफ़ रूप में नहीं होना चाहिए। यह क्यूरेटेड परत होनी चाहिए जो सत्रों के ऊपर और रीयल-टाइम असेंबली के नीचे बैठती है:</p>\n<ul>\n<li>संस्थाएं</li>\n<li>संबंध</li>\n<li>समय वैधता</li>\n<li>स्रोत एपिसोड</li>\n<li>अनुमोदन</li>\n<li>अपवाद</li>\n<li>परिणाम</li>\n</ul>\n<p>यदि आप प्रचार चरण को छोड़ देते हैं, तो ग्राफ़ एक डंपिंग ग्राउंड बन जाता है। यदि आप प्रचार को सही करते हैं, तो ग्राफ़ इस बात की स्मृति बन जाता है कि संगठन वास्तव में कैसे तर्क करता है।[23][26]</p>\n<h3>6. संदर्भ को कोड की तरह पैकेज करें</h3>\n<p>2026 तक, सबसे आशाजनक विचारों में से एक संदर्भ को एक संस्करणित कलाकृति के रूप में मानना है। सॉफ़्टवेयर परियोजनाओं में यह `AGENTS.md` और अन्य रिपॉजिटरी-विशिष्ट संदर्भ फ़ाइलों के रूप में दिखाई देता है।[28] ग्राफ़-देशी सिस्टम में यह संदर्भ कोर के रूप में दिखाई देता है: ऑन्टोलॉजी, ग्राफ़ संरचना, एम्बेडिंग, उत्पत्ति और पुनर्प्राप्ति नीति के पोर्टेबल बंडल।[24][25]</p>\n<p>यह मायने रखता है क्योंकि संदर्भ परिवर्तनों को कोड परिवर्तनों के समान परिचालन अनुशासन की आवश्यकता होती है:</p>\n<ul>\n<li>समीक्षा</li>\n<li>संस्करण</li>\n<li>वापस रोल</li>\n<li>पर्यावरण प्रचार</li>\n<li>मूल्यांकन</li>\n</ul>\n<p>एक बार जब संदर्भ एक कलाकृति बन जाता है, तो यह शासन योग्य हो जाता है।</p>\n<h3>7. अवलोकनीयता को बुद्धिमत्ता से अलग करें</h3>\n<p>आपको दोनों की आवश्यकता है:</p>\n<ul>\n<li><strong>एजेंट रन की अवलोकनीयता</strong></li>\n<li><strong>संदर्भ प्रणाली की अवलोकनीयता</strong></li>\n</ul>\n<p>वे एक ही चीज़ नहीं हैं।</p>\n<p>मैं जानना चाहता हूं:</p>\n<ul>\n<li>मॉडल ने क्या देखा</li>\n<li>उसने क्या नहीं देखा</li>\n<li>क्या संपीड़ित किया गया</li>\n<li>जस्ट-इन-टाइम क्या पुनर्प्राप्त किया गया</li>\n<li>स्मृति में क्या प्रचारित किया गया</li>\n<li>कौन सा ग्राफ़ पड़ोस पार किया गया</li>\n<li>किस मिसाल ने वास्तव में कार्रवाई को प्रभावित किया</li>\n</ul>\n<p>यदि आप उन प्रश्नों का उत्तर नहीं दे सकते, तो आप अभी भी अंधेरे में प्रॉम्प्ट डीबग कर रहे हैं।</p>\n<h2>एक व्यावहारिक परिपक्वता मॉडल</h2>\n<p>यदि आप यह मूल्यांकन करने की कोशिश कर रहे हैं कि आपका अपना सिस्टम कहां खड़ा है, तो यह परिपक्वता मॉडल अमूर्त परिभाषाओं से अधिक उपयोगी है।</p>\n<h3>स्तर 0: केवल-प्रॉम्प्ट</h3>\n<p>आपके पास एक सिस्टम प्रॉम्प्ट, एक उपयोगकर्ता संदेश और शायद कुछ उदाहरण हैं।</p>\n<p>यह संकीर्ण कार्यों के लिए आश्चर्यजनक रूप से अच्छा काम कर सकता है। जब कार्य को ताजा ज्ञान, दृढ़ता या उपकरणों की आवश्यकता होती है तो यह जल्दी टूट जाता है।</p>\n<h3>स्तर 1: पुनर्प्राप्ति-वर्धित</h3>\n<p>आप रनटाइम पर दस्तावेज़ जोड़ते हैं।</p>\n<p>यह वह जगह है जहां कई टीमें रुक जाती हैं। यह वह जगह भी है जहां कई टीमें भोले चंकिंग, रैंकिंग और संदर्भ ब्लोट की सीमाएं देखना शुरू करती हैं।</p>\n<h3>स्तर 2: एजेंट-जागरूक</h3>\n<p>अब आप जानबूझकर इतिहास, उपकरण परिणाम, स्मृति और स्वरूपण का प्रबंधन करते हैं।</p>\n<p>यह पहला स्तर है जहां \"संदर्भ अभियांत्रिकी\" एक उपयोगी शब्द बन जाता है, क्योंकि सिस्टम अब केवल प्रॉम्प्ट प्लस पुनर्प्राप्ति नहीं है। यह गतिशील रूप से संदर्भ के कई रूपों को इकट्ठा कर रहा है।</p>\n<h3>स्तर 3: अनुकूली</h3>\n<p>सिस्टम कार्य के आधार पर संदर्भ बनाने का तरीका बदलता है।</p>\n<p>यह कर सकता है:</p>\n<ul>\n<li>स्रोतों के बीच चयन करें</li>\n<li>पुराने इतिहास को संपीड़ित करें</li>\n<li>चुनिंदा रूप से स्मृति को पुनः लोड करें</li>\n<li>विशिष्ट उपकरणों के लिए कार्य रूट करें</li>\n<li>उप-समस्याओं को अलग-अलग संदर्भों में अलग करें</li>\n</ul>\n<p>इस बिंदु पर, संदर्भ निर्माण एप्लिकेशन के मुख्य तर्क का हिस्सा है।</p>\n<h3>स्तर 4: संदर्भ-देशी</h3>\n<p>सिस्टम संदर्भ को एक प्रथम श्रेणी की इंजीनियरिंग सतह के रूप में मानता है।</p>\n<p>इसमें है:</p>\n<ul>\n<li>स्पष्ट संदर्भ बजट</li>\n<li>पुनर्प्राप्ति और जनरेशन मूल्यांकन</li>\n<li>मेटाडेटा और पहलू-जागरूक नेविगेशन</li>\n<li>स्मृति नीतियां</li>\n<li>विफलता मोड के आसपास अवलोकनीयता</li>\n<li>लागत-जागरूक प्रॉम्प्ट असेंबली</li>\n</ul>\n<p>यह वह जगह है जहां सबसे मजबूत उत्पादन प्रणालियां जा रही हैं।</p>\n<h2>व्यवहार में अच्छी संदर्भ अभियांत्रिकी कैसी दिखती है</h2>\n<p>यदि मुझे पूरे अनुशासन को एक चेकलिस्ट में कम करना होता, तो यह इस तरह दिखता:</p>\n<ol>\n<li>प्रॉम्प्ट से नहीं, कार्य से शुरू करें। पहले सफलता की परिभाषा तय करें।</li>\n<li>उन संदर्भ स्रोतों की गणना करें जिनकी मॉडल को आवश्यकता हो सकती है। निर्देश, डॉक्स, उपकरण, स्मृति, स्थिति, नीतियां।</li>\n<li>कार्यशील स्मृति को संदर्भ स्मृति से अलग करें। सब कुछ सक्रिय विंडो में नहीं रहना चाहिए।</li>\n<li>इरादे से पुनर्प्राप्त करें। अधिक चंक बेहतर रिकॉल के समान नहीं है।</li>\n<li>संदर्भ को संरचित करें ताकि मॉडल इसे जल्दी से पार्स कर सके। लेबल, स्रोत, तालिकाएं और सीमाएं मायने रखती हैं।</li>\n<li>उपकरणों को इस तरह डिज़ाइन करें जैसे कि वे प्रॉम्प्ट का हिस्सा हों, क्योंकि वे हैं।</li>\n<li>आक्रामक रूप से ट्रिम करें। यदि आप किसी इंसान से इसे दोबारा पढ़ने के लिए नहीं कहेंगे, तो मॉडल को इसे दोबारा पढ़ने के लिए मजबूर न करें।</li>\n<li>पुनर्प्राप्ति और जनरेशन को अलग-अलग मापें। अन्यथा आप गलत समस्या का निदान करेंगे।</li>\n<li>जब कार्य शाखाबद्ध होते हैं या समानांतर में चल सकते हैं तो पृथक संदर्भों का उपयोग करें।</li>\n<li>स्थायी तथ्यों और निर्णय ट्रेस को जानबूझकर प्रचारित करें। हर प्रतिलेख दीर्घकालिक स्मृति में नहीं है।</li>\n<li>महत्वपूर्ण संदर्भ को कोड की तरह पैकेज करें। निर्देश, नीतियां और ग्राफ़ कलाकृतियां संस्करणित होनी चाहिए।</li>\n<li>संदर्भ बग को सॉफ़्टवेयर बग की तरह मानें। वे देखने योग्य, पुन: प्रस्तुत करने योग्य और ठीक करने योग्य होने चाहिए।</li>\n</ol>\n<p>इसमें से कोई भी ग्लैमरस नहीं है। यही कारण है कि यह मायने रखता है।</p>\n<p>प्रॉम्प्ट इंजीनियरिंग लोकप्रिय हो गई क्योंकि यह एक शॉर्टकट की तरह लग रहा था।</p>\n<p>संदर्भ अभियांत्रिकी मायने रखती है क्योंकि यह वास्तविक कार्य का वर्णन करती है।</p>\n<h2>असली निष्कर्ष</h2>\n<p>AI में गुरुत्वाकर्षण का केंद्र बदल रहा है।</p>\n<p>सीमा प्रश्न हुआ करता था: <strong>मॉडल कितना स्मार्ट है?</strong></p>\n<p>व्यावहारिक प्रश्न तेजी से होता जा रहा है: <strong>कार्य करने से पहले मॉडल को क्या देखने को मिलता है?</strong></p>\n<p>यह एक अलग इंजीनियरिंग समस्या है। यह एकल प्रॉम्प्ट के बारे में कम और सिस्टम डिज़ाइन के बारे में अधिक है। शब्दांकन के बारे में कम और सूचना प्रवाह के बारे में अधिक। एक-शॉट आउटपुट गुणवत्ता के बारे में कम और इस बारे में अधिक कि क्या कोई एजेंट समय के साथ विश्वसनीय रह सकता है।</p>\n<p>यही कारण है कि संदर्भ अभियांत्रिकी एक अनुशासन के रूप में बढ़ती रहेगी। मॉडल जितने बेहतर होंगे, शेष विफलताएं उतनी ही अधिक संदर्भ विफलताओं की तरह दिखेंगी। लापता स्थिति। गलत उपकरण। खराब पुनर्प्राप्ति। फूला हुआ इतिहास। खराब स्वरूपण। परस्पर विरोधी साक्ष्य। कमजोर स्मृति। असीमित लूप।</p>\n<p>विडंबना यह है कि यह AI सिस्टम को अधिक शास्त्रीय सॉफ़्टवेयर जैसा महसूस कराता है, कम नहीं। हम पाइपलाइन, इंटरफ़ेस, स्टेट मशीन, मेमोरी पदानुक्रम, कैश और अवलोकनीयता परतें बनाने के लिए वापस आ गए हैं। नवीनता यह है कि ये सभी टुकड़े अब एक संभाव्य तर्क इंजन की सेवा में मौजूद हैं।</p>\n<p>नाम नया हो सकता है। दिशा नहीं है।</p>\n<p>विश्वसनीय AI सिस्टम उन टीमों द्वारा बनाए जाएंगे जो संदर्भ को एक प्रथम श्रेणी की उत्पाद सतह के रूप में मानते हैं।</p>\n<p>बाकी सभी मॉडल को चंचल कहते रहेंगे।</p>\n<p><strong>संदर्भ:</strong></p>\n<p>[1] <a href=\"https://simonwillison.net/2025/Jun/27/context-engineering/\">साइमन विलिसन। (2025, 27 जून)। <em>संदर्भ अभियांत्रिकी</em>।</a></p>\n<p>[2] <a href=\"https://arxiv.org/abs/2005.11401\">लुईस, पी. एट अल. (2020)। <em>ज्ञान-गहन NLP कार्यों के लिए पुनर्प्राप्ति-वर्धित जनरेशन</em>।</a></p>\n<p>[3] <a href=\"https://arxiv.org/abs/2210.03629\">याओ, एस. एट अल. (2023)। <em>ReAct: भाषा मॉडल में तर्क और क्रिया का समन्वय</em>।</a></p>\n<p>[4] <a href=\"https://arxiv.org/abs/2410.10813\">वू, डी. एट अल. (2025)। <em>LongMemEval: दीर्घकालिक इंटरैक्टिव मेमोरी पर चैट सहायकों का बेंचमार्किंग</em>।</a></p>\n<p>[5] <a href=\"https://arxiv.org/abs/2307.03172\">लियू, एन. एफ. एट अल. (2023)। <em>बीच में खोया: भाषा मॉडल लंबे संदर्भों का उपयोग कैसे करते हैं</em>।</a></p>\n<p>[6] <a href=\"https://arxiv.org/abs/2411.03538\">लेंग, क्यू. एट अल. (2024)। <em>बड़े भाषा मॉडलों का लंबा संदर्भ RAG प्रदर्शन</em>।</a></p>\n<p>[7] <a href=\"https://www.trychroma.com/research/context-rot\">होंग, के., ट्रॉयनिकोव, ए., और ह्यूबर, जे. (2025, 14 जुलाई)। <em>संदर्भ रॉट: कैसे बढ़ते इनपुट टोकन LLM प्रदर्शन को प्रभावित करते हैं</em>।</a></p>\n<p>[8] <a href=\"https://blog.langchain.com/the-rise-of-context-engineering\">LangChain. (2025, 23 जून)। <em>\"संदर्भ अभियांत्रिकी\" का उदय</em>।</a></p>\n<p>[9] <a href=\"https://docs.anthropic.com/en/docs/agents-and-tools/tool-use/implement-tool-use\">एंथ्रोपिक। <em>टूल उपयोग को कैसे लागू करें</em>।</a></p>\n<p>[10] <a href=\"https://jxnl.co/writing/2025/08/27/facets-context-engineering/\">जेसन लियू। (2025, 27 अगस्त)। <em>चंक से परे: क्यों संदर्भ अभियांत्रिकी RAG का भविष्य है</em>।</a></p>\n<p>[11] <a href=\"https://arxiv.org/abs/2407.12883\">सु, एच. एट अल. (2025)। <em>BRIGHT: तर्क-गहन पुनर्प्राप्ति के लिए एक यथार्थवादी और चुनौतीपूर्ण बेंचमार्क</em>।</a></p>\n<p>[12] <a href=\"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/long-context-tips\">एंथ्रोपिक। <em>लंबे संदर्भ प्रॉम्प्टिंग टिप्स</em>।</a></p>\n<p>[13] <a href=\"https://platform.openai.com/docs/guides/prompt-caching\">OpenAI. <em>प्रॉम्प्ट कैशिंग</em>।</a></p>\n<p>[14] <a href=\"https://openai.com/index/equip-responses-api-computer-environment\">OpenAI. (2026, 19 मार्च)। <em>मॉडल से एजेंट तक: रिस्पॉन्सेज API को कंप्यूटर वातावरण से लैस करना</em>।</a></p>\n<p>[15] <a href=\"https://modelcontextprotocol.io/\">मॉडल कॉन्टेक्स्ट प्रोटोकॉल। <em>मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) क्या है?</em></a></p>\n<p>[16] <a href=\"https://www.anthropic.com/engineering/built-multi-agent-research-system\">एंथ्रोपिक। (2025, 13 जून)। <em>हमने अपना मल्टी-एजेंट अनुसंधान सिस्टम कैसे बनाया</em>।</a></p>\n<p>[17] <a href=\"https://blog.langchain.com/context-engineering-for-agents/\">LangChain. (2025, 2 जुलाई)। <em>संदर्भ अभियांत्रिकी</em>।</a></p>\n<p>[18] <a href=\"https://claude.com/blog/context-management\">एंथ्रोपिक। (2025, 29 सितंबर)। <em>क्लाउड डेवलपर प्लेटफॉर्म पर संदर्भ प्रबंधन</em>।</a></p>\n<p>[19] <a href=\"https://developers.openai.com/cookbook/examples/agents_sdk/context_personalization\">ओक्कुलर, ई. (2026, 5 जनवरी)। <em>वैयक्तिकरण के लिए संदर्भ अभियांत्रिकी - OpenAI एजेंट SDK का उपयोग करके दीर्घकालिक मेमोरी नोट्स के साथ स्थिति प्रबंधन</em>।</a></p>\n<p>[20] <a href=\"https://www.anthropic.com/engineering/managed-agents\">एंथ्रोपिक। <em>मैनेज्ड एजेंट को स्केल करना: मस्तिष्क को हाथों से अलग करना</em>।</a></p>\n<p>[21] <a href=\"https://www.mintlify.com/blog/how-we-built-a-virtual-filesystem-for-our-assistant\">Mintlify. (2026, 24 मार्च)। <em>हमने अपने सहायक के लिए एक आभासी फ़ाइल सिस्टम कैसे बनाया</em>।</a></p>\n<p>[22] <a href=\"https://docs.turso.tech/agentfs/introduction\">Turso. <em>AgentFS</em>।</a></p>\n<p>[23] <a href=\"https://github.com/getzep/graphiti\">Zep. <em>Graphiti: AI एजेंटों के लिए रीयल-टाइम नॉलेज ग्राफ़ बनाएं</em>।</a></p>\n<p>[24] <a href=\"https://github.com/trustgraph-ai/trustgraph\">TrustGraph. <em>संदर्भ विकास प्लेटफॉर्म</em>।</a></p>\n<p>[25] <a href=\"https://docs.trustgraph.ai/guides/context-cores/\">TrustGraph. <em>संदर्भ कोर के साथ कार्य करना</em>।</a></p>\n<p>[26] <a href=\"https://foundationcapital.com/ideas/context-graphs-ais-trillion-dollar-opportunity\">गुप्ता, जे., और गर्ग, ए. (2025, 22 दिसंबर)। <em>AI का ट्रिलियन-डॉलर का अवसर: संदर्भ ग्राफ़</em>।</a></p>\n<p>[27] <a href=\"https://foundationcapital.com/ideas/why-context-graphs-are-the-missing-layer-for-ai\">गर्ग, ए. (2026, 16 जनवरी)। <em>क्यों संदर्भ ग्राफ़ AI के लिए लापता परत हैं</em>।</a></p>\n<p>[28] <a href=\"https://arxiv.org/abs/2510.21413\">मोहसेनिमोफिदी, एस., गैल्स्टर, एम., ट्रेउड, सी., और बाल्टेस, एस. (2026)। <em>ओपन-सोर्स सॉफ़्टवेयर में AI एजेंटों के लिए संदर्भ अभियांत्रिकी</em>।</a></p>",
  "source_hash": "sha256:3f3faa38dd809a893509e9f3c2de70a7ec3778cc6cef2fa58967b63bd169d7d9",
  "model": "deepseek/deepseek-v4-flash",
  "generated_at": "2026-08-07T08:12:59.387291+00:00"
}