{
  "title": "कॉन्टेक्स्ट ग्राफ वास्तव में क्या हैं?",
  "excerpt": "कॉन्टेक्स्ट ग्राफ के आसपास बातचीत में विस्फोट हुआ है, लेकिन यह शब्द खुद एक रोर्सशाख टेस्ट बन गया है। यह आपके एजेंट में मेमोरी जोड़ने के बारे में नहीं है—यह डेटा, समय और संगठनात्मक ज्ञान के बारे में हमारी धारणाओं पर पुनर्विचार करने के बारे में है। द टू क्लॉक्स प्रॉब्लम यह प्रकट करती है कि हम एंटरप्राइज सिस्टम में आधे समय को क्यों मिस कर रहे हैं, और यह मूल रूप से एक रिप्रेजेंटेशन प्रॉब्लम क्यों है, न कि डेटाबेस प्रॉब्लम।",
  "content_html": "<p>पिछले हफ्ते, मैंने कॉन्टेक्स्ट ग्राफ पर Jaya Gupta की वायरल पोस्ट [1] पर अपनी प्रतिक्रिया के बारे में लिखा था। \"निर्णयों के लिए सिस्टम ऑफ रिकॉर्ड\" का विचार गहराई से प्रतिध्वनित हुआ, जो टूल्स से स्किल्स से मेमोरी तक एजेंटिक इन्फ्रास्ट्रक्चर के विकास को फ्रेम करता है। लेकिन तब से, बातचीत में विस्फोट हुआ है, और यह स्पष्ट हो गया है कि \"कॉन्टेक्स्ट ग्राफ\" शब्द खुद थोड़ा रोर्सशाख टेस्ट है। हर कोई कुछ अलग देखता है।</p>\n\n<p>Animesh Koratana, PlayerZero के संस्थापक, ने फॉलो-अप पोस्ट की एक श्रृंखला लिखी है जो शोर को काटती है और इस बात के केंद्र में पहुंचती है कि कॉन्टेक्स्ट ग्राफ वास्तव में क्या है, और इसे बनाना संरचनात्मक रूप से इतना कठिन क्यों है [2] [3]। उनकी अंतर्दृष्टि एंटरप्राइज में एजेंटिक AI बनाने के बारे में गंभीर किसी भी व्यक्ति के लिए महत्वपूर्ण है। यह \"आपके एजेंट में मेमोरी जोड़ने\" या ग्राफ डेटाबेस को वायर करने के बारे में नहीं है। यह डेटा, समय और संगठनात्मक ज्ञान की प्रकृति के बारे में हमारी धारणाओं पर पुनर्विचार करने के बारे में है।</p>\n\n<h2>द टू क्लॉक्स प्रॉब्लम: हम समय का आधा हिस्सा क्यों मिस कर रहे हैं</h2>\n\n<p>Koratana की सबसे शक्तिशाली अंतर्दृष्टि वह है जिसे वे <strong>द टू क्लॉक्स प्रॉब्लम</strong> कहते हैं। हमने <strong>स्टेट क्लॉक</strong> के लिए ट्रिलियन डॉलर का इन्फ्रास्ट्रक्चर बनाया है: अभी क्या सच है। आपका CRM अंतिम डील वैल्यू स्टोर करता है। आपका टिकटिंग सिस्टम \"resolved\" स्टोर करता है। आपका कोडबेस वर्तमान स्थिति को स्टोर करता है।</p>\n\n<p>लेकिन हमारे पास <strong>इवेंट क्लॉक</strong> के लिए लगभग कोई इन्फ्रास्ट्रक्चर नहीं है: क्या हुआ, किस क्रम में, और किस तर्क के साथ। git blame दिखाता है कि <em>किसने</em> टाइमआउट को 5s से 30s में बदला, लेकिन <em>क्यों</em> गायब है। CRM कहता है \"closed lost,\" लेकिन यह नहीं कहता कि आप दूसरी पसंद थे और विजेता के पास एक फीचर था जो आप अगली तिमाही में शिप कर रहे हैं। जैसा कि Koratana कहते हैं:</p>\n\n<blockquote>\n<p>\"हमने अभी जो सच है उसके लिए ट्रिलियन-डॉलर का इन्फ्रास्ट्रक्चर बनाया है। यह सच क्यों बना, इसके लिए लगभग कुछ भी नहीं।\"</p>\n</blockquote>\n\n<p>यही समस्या का मूल है। हम एजेंटों से बिना पूर्वाधार के निर्णय का प्रयोग करने के लिए कह रहे हैं। हम वकीलों को बिना केस लॉ के फैसलों पर प्रशिक्षण दे रहे हैं। कॉन्टेक्स्ट ग्राफ इवेंट क्लॉक के लिए इन्फ्रास्ट्रक्चर है। यह एंटरप्राइज का केस लॉ है।</p>\n\n<h2>द फाइव कोऑर्डिनेट सिस्टम्स प्रॉब्लम: यह डेटाबेस प्रॉब्लम क्यों नहीं है</h2>\n\n<p>तो हम सिर्फ एक बेहतर डेटाबेस क्यों नहीं बना सकते? क्योंकि एक कॉन्टेक्स्ट ग्राफ को पांच अलग-अलग कोऑर्डिनेट सिस्टम्स में जॉइन्स की आवश्यकता होती है जो कीज़ साझा नहीं करते:</p>\n\n<ol>\n<li><strong>इवेंट्स</strong>: क्या हुआ?</li>\n<li><strong>टाइमलाइन</strong>: यह कब हुआ?</li>\n<li><strong>सिमेंटिक्स</strong>: इसका क्या मतलब है?</li>\n<li><strong>एट्रिब्यूशन</strong>: इसका मालिक कौन था?</li>\n<li><strong>आउटकम</strong>: इसने क्या कारण बना?</li>\n</ol>\n\n<p>इनमें से प्रत्येक की एक अलग ज्यामिति है। टाइमलाइन रेखीय हैं। इवेंट्स क्रमिक हैं। सिमेंटिक्स वेक्टर स्पेस में रहते हैं। एट्रिब्यूशन ग्राफ स्ट्रक्चर्ड है। आउटकम कॉज़ल DAGs हैं। और कीज़ तरल हैं। एक ईमेल में \"Jaya Gupta\", एक कॉन्ट्रैक्ट में \"J. Gupta\", और Slack में \"@JayaGup10\" एक ही एंटिटी हैं जिनके पास कोई साझा आइडेंटिफायर नहीं है।</p>\n\n<p>पारंपरिक डेटाबेस एक ही कोऑर्डिनेट सिस्टम के भीतर स्थिर कीज़ पर जॉइन्स के लिए बनाए गए हैं। कॉन्टेक्स्ट ग्राफ को एक साथ सभी पांच में प्रोबेबिलिस्टिक जॉइन्स की आवश्यकता होती है। यह एक डेटाबेस प्रॉब्लम नहीं है; यह एक रिप्रेजेंटेशन प्रॉब्लम है।</p>\n\n<h2>एजेंट्स एज़ इनफॉर्म्ड वॉकर्स: हम रिप्रेजेंटेशन प्रॉब्लम को कैसे हल करते हैं</h2>\n\n<p>यदि हर संगठन की ऑन्टोलॉजी अलग है और लगातार बदल रही है, तो हम इसे मॉडल करने की उम्मीद कैसे कर सकते हैं? Koratana का जवाब है कि हमें करना नहीं है। एजेंट हमारे लिए यह करते हैं।</p>\n\n<p>जब एक एजेंट किसी समस्या के माध्यम से काम करता है, तो इसका प्रक्षेपवक्र संगठन के स्टेट स्पेस के माध्यम से एक ट्रेस है। यह ऑन्टोलॉजी का एक अप्रत्यक्ष नक्शा है, जो पहले से निर्दिष्ट होने के बजाय उपयोग के माध्यम से खोजा गया है। यह ग्राफ रिप्रेजेंटेशन लर्निंग (node2vec) से प्रमुख अंतर्दृष्टि है: आपको इसके रिप्रेजेंटेशन सीखने के लिए ग्राफ की संरचना जानने की आवश्यकता नहीं है। आपको बस इसे चलने की जरूरत है।</p>\n\n<p>एजेंट <strong>इनफॉर्म्ड वॉकर्स</strong> हैं। उनके प्रक्षेपवक्र यादृच्छिक नहीं हैं; वे समस्या निर्देशित हैं। इन प्रक्षेपवक्रों में से पर्याप्त जमा करके, हम एम्बेडिंग सीख सकते हैं जो संगठन की संरचना को एनकोड करते हैं। हम सीख सकते हैं कि दो इंजीनियर जो कभी इंटरैक्ट नहीं करते हैं वे संरचनात्मक रूप से समान हैं क्योंकि वे विभिन्न सबग्राफ में समान भूमिका निभाते हैं। हम सीख सकते हैं कि इवेंट्स का एक निश्चित क्रम churn का अग्रदूत है, भले ही उन इवेंट्स को कभी स्पष्ट रूप से लिंक नहीं किया गया हो।</p>\n\n<h2>बिल्डर्स के लिए इसका वास्तव में क्या मतलब है</h2>\n\n<p>तो, कॉन्टेक्स्ट ग्राफ वास्तव में क्या है? यह एक ग्राफ डेटाबेस नहीं है। यह एक वेक्टर स्टोर नहीं है। यह <strong>संगठनात्मक तर्क का एक सीखा हुआ रिप्रेजेंटेशन है, जो समस्याओं को हल करने वाले एजेंटों के प्रक्षेपवक्रों से प्राप्त होता है</strong>।</p>\n\n<p>हम एजेंटिक सिस्टम कैसे बनाते हैं, इसके लिए इसके गहरे निहितार्थ हैं:</p>\n\n<ol>\n<li><strong>एजेंट कॉन्टेक्स्ट ग्राफ नहीं बना रहे हैं; वे समस्याओं को हल कर रहे हैं जो हल करने योग्य हैं।</strong> कॉन्टेक्स्ट ग्राफ उनके काम की एक उभरती हुई संपत्ति है। ध्यान पहले से एक परफेक्ट ऑन्टोलॉजी बनाने पर नहीं, बल्कि वास्तविक वर्कफ़्लो में एजेंटों को तैनात करने पर होना चाहिए।</li>\n<li><strong>वैल्यू प्रक्षेपवक्रों में है, स्टेट में नहीं।</strong> हमें अंतिम स्थिति को स्टोर करने से उस पूर्ण, रीप्लेएबल हिस्ट्री को कैप्चर करने की ओर अपना ध्यान स्थानांतरित करने की आवश्यकता है कि वह स्थिति कैसे पहुंची।</li>\n<li><strong>यह एक मशीन लर्निंग प्रॉब्लम है, न कि डेटा इंजीनियरिंग प्रॉब्लम।</strong> लक्ष्य एक परफेक्ट डेटा मॉडल बनाना नहीं है, बल्कि एक ऐसा रिप्रेजेंटेशन सीखना है जो तर्क के लिए उपयोगी हो।</li>\n</ol>\n\n<p>कॉन्टेक्स्ट ग्राफ बनाना सॉफ़्टवेयर के एक नए टुकड़े को खरीदने के बारे में नहीं है। यह एजेंटिक युग में हम डेटा, समय और काम की प्रकृति के बारे में कैसे सोचते हैं, इसमें एक मौलिक बदलाव के बारे में है। यह यह पहचानने के बारे में है कि हमारी सबसे मूल्यवान संपत्ति हमारा डेटा नहीं है, बल्कि हम हर दिन जो निर्णय लेते हैं उसका संचित ज्ञान है। और यह उस ज्ञान को अंततः कैप्चर करने और इसे काम में लगाने के लिए इन्फ्रास्ट्रक्चर बनाने के बारे में है।</p>\n\n<p><strong>संदर्भ:</strong></p>\n\n<p>[1] <a href=\"https://x.com/JayaGup10/status/2003525933534179480\">Gupta, J. (2025, December 23). <em>AI's trillion-dollar opportunity: Context graphs</em>. X.</a></p>\n\n<p>[2] <a href=\"https://www.linkedin.com/pulse/why-context-graphs-rare-wild-animesh-koratana-3wzte/\">Koratana, A. (2026, January 1). <em>Why context graphs are rare in the wild</em>. LinkedIn.</a></p>\n\n<p>[3] <a href=\"https://www.linkedin.com/pulse/how-build-context-graph-animesh-koratana-6abve\">Koratana, A. (2025, December 28). <em>How to build a context graph</em>. LinkedIn.</a></p>",
  "source_hash": "sha256:c9f8cb57d671053bc8f97aa3c11eeb86305f270ab5994d742a815877626e63fb",
  "model": "claude-sonnet-4-5-20250929",
  "generated_at": "2026-01-02T02:10:22.259476+00:00"
}