Google ने TypeScript आणि Go साठी त्यांच्या Genkit Agents API चा प्रिव्ह्यू (preview) लाँच केला आहे, ज्यामध्ये "detached turns" आणि "human-in-the-loop" गार्डरेल (guardrail) समाविष्ट करण्यात आले आहेत, जेणेकरून प्रोडक्शन-ग्रेड AI एजंट्स तयार करणे आणि नियंत्रित करणे अधिक सोपे होईल.

नवीन API का महत्त्वाचा आहे

AI एजंट्स तैनात करताना डेव्हलपर्सना दोन समस्यांचा दीर्घकाळ सामना करावा लागला आहे: संपूर्ण पाइपलाइन थांबवणारी दीर्घकाळ चालणारी कामे (long-running tasks), आणि सुरक्षित व विश्वासार्ह कृतींची खात्री करणे कठीण जाणे. "Detached turns" मुळे एजंट आजूबाजूचा वर्कफ्लो लॉक न करता एखाद्या मोठ्या प्रक्रियेवर काम सुरू ठेवू शकतो, तर "human-in-the-loop" पर्याय एजंटचे आउटपुट लागू करण्यापूर्वी मॅन्युअल रिव्ह्यू (manual review) अनिवार्य करतो. एकत्रितपणे, हे पर्याय डाउनटाइम कमी करतात आणि महागड्या चुका टाळण्यास मदत करतात.

इथपर्यंत पोहोचण्याचा प्रवास

या वर्षाच्या सुरुवातीला, ओपन-सोर्स फ्रेमवर्क्स आणि क्लाउड सेवांनी कन्वर्सेशनल AI साठी 'plug-and-play' घटक देऊ करण्यास सुरुवात केली होती, परंतु त्यातील बहुतेक सेवांमुळे डेव्हलपर्सना कस्टम ऑर्केस्ट्रेशन कोड (custom orchestration code) लिहावा लागत असे. Google चे Genkit एक हाय-लेव्हल SDK प्रदान करून ही पोकळी भरून काढते, जे रिक्वेस्ट हँडलिंग, स्टेट मॅनेजमेंट आणि मॉडेल सिलेक्शन यांसारख्या बॉयलरप्लेट (boilerplate) कामांची गरज कमी करते.

ही वैशिष्ट्ये प्रत्यक्षात काय करतात

  • Detached turns: जेव्हा एखाद्या एजंटला एक्सटर्नल API मधून डेटा मिळवणे, मल्टी-स्टेप रिझनिंग चेन चालवणे किंवा युजर इनपुटची प्रतीक्षा करणे आवश्यक असते, तेव्हा तो हे काम बॅकग्राउंड प्रोसेसला सोपवतो. मुख्य वर्कफ्लोला एक 'placeholder' मिळतो आणि तो पुढे सुरू राहतो, ज्यामुळे डाउनस्ट्रीम टास्क रोखणारी पूर्ण थांबण्याची स्थिती टाळता येते.
  • Human-in-the-loop: एजंटचा निर्णय अंमलात आणण्यापूर्वी—उदा. कर्ज मंजूर करणे किंवा डेटाबेस अपडेट करणे—एका मानवी रिव्ह्यूअरसाठी (human reviewer) UI प्रॉम्प्ट दिसतो. रिव्ह्यूअर सूचना स्वीकारू शकतो, त्यात बदल करू शकतो किंवा ती नाकारू शकतो, ज्यामुळे ऑटोमेशन सोडून न देता संस्थांना एक सुरक्षा कवच मिळते.

उदयास येणारी पूरक साधने

Genkit सोबतच, ओपन-सोर्स कम्युनिटी अशी उपयुक्त साधने (utilities) आणत आहे जी खर्च आणि डीबगिंग यांसारख्या समस्यांवर उपाय शोधतात, ज्या अनेकदा AI पाइपलाइनमध्ये जाणवतात.

  • ORA: हे Go-आधारित टास्क ऑर्केस्ट्रेटर असून एका सिंगल बायनरी (single binary) स्वरूपात पॅकेज केलेले आहे. हे मोठ्या कामांचे लहान उपकामांमध्ये (subtasks) विभाजन करते आणि प्रत्येक काम हाताळण्यास सक्षम असलेल्या सर्वात स्वस्त मॉडेलकडे आपोआप पाठवते, ज्यामुळे टीम्सना क्लाउड खर्च नियंत्रणात ठेवण्यास मदत होते.
  • Python AI error explainer: हे एक लायब्ररी आहे जे स्टॅक ट्रेस (stack traces) आणि गुंतागुंतीचे लॉग्स (cryptic logs) वाचते आणि त्यानंतर साध्या भाषेत सारांश, संभाव्य कारण आणि उपाययोजनांचे टप्पे देते. कच्चा एरर डेटा कृतीयोग्य माहितीमध्ये (actionable insight) रूपांतरित करून, हे डेव्हलपर फीडबॅक लूपचा वेग वाढवते.

कोणाचा फायदा होईल आणि कोणाला काळजी वाटेल

पुढे काय पाहायचे

जर या प्रिव्ह्यूने आपल्या आश्वासनांची पूर्तता केली, तर AI एजंट्स प्रायोगिक चॅटबॉट्समधून विश्वासार्ह घटकांमध्ये रूपांतरित होऊ शकतात, ज्यांच्यावर व्यवसाय महत्त्वाच्या निर्णयांच्या वेळी कृती करण्यासाठी, थांबण्यासाठी आणि मदत मागण्यासाठी विश्वास ठेवू शकतील.