आर्किटेक्चर
डेस्कटॉप रनटाइम मॉडल कॉल को भरोसेमंद एजेंट सत्रों में कैसे बदलता है: स्ट्रीमिंग लूप, टूल रूटिंग, क्रैश के बाद सुरक्षित स्थिति, प्रदाता अमूर्तन और संदर्भ प्रबंधन।
Orkas ब्लॉग बताता है कि Orkas आपकी अपनी मॉडल कुंजियों से AI एजेंट का समन्वय करने वाले ओपन-सोर्स, स्थानीय उपयोग को प्राथमिकता देने वाले डेस्कटॉप क्लाइंट के रूप में कैसे काम करता है। ये इंजीनियरिंग नोट्स Agent Harness रनटाइम, बहु-एजेंट समन्वय, स्थानीय स्व-विकास, प्रदाता रूटिंग, स्मृति, संदर्भ संक्षेपण और सीधे प्रदाता तक जाने वाले मॉडल संचार के पीछे के सुरक्षा निर्णयों को कवर करते हैं। हर लेख स्थानीय उपयोग को प्राथमिकता देने वाले AI एजेंट कार्यप्रवाहों का मूल्यांकन करने वाले डेवलपर, संचालकों और AI निर्माताओं के लिए व्यावहारिक संदर्भ के रूप में लिखा गया है।
डेस्कटॉप रनटाइम मॉडल कॉल को भरोसेमंद एजेंट सत्रों में कैसे बदलता है: स्ट्रीमिंग लूप, टूल रूटिंग, क्रैश के बाद सुरक्षित स्थिति, प्रदाता अमूर्तन और संदर्भ प्रबंधन।
मुख्य एजेंट अनुरोध को कैसे बाँटता है, उप-एजेंट को काम सौंपता है, चरणों के बीच संदर्भ भेजता है और कार्य विफल होने पर कैसे उबरता है।
Orkas कार्यक्षेत्र का डेटा और मॉडल कुंजियाँ उपयोगकर्ता की मशीन पर क्यों रखता है, और आपके अपने प्रदाता का संचार Orkas सर्वर से होकर जाने के बजाय सीधे उसी तक क्यों जाता है।
दोनों देखते समय वीडियो बनाते हैं और स्ट्रीम के बीच नए निर्देश लेते हैं। S2 शोधपत्र और R2 रिपोर्ट को साथ पढ़ने पर मूल संरचना में समानता, पाँच डिज़ाइन विकल्पों—प्रशिक्षण, ड्रिफ़्ट, स्मृति, गति और नियंत्रण—में अंतर, और प्रकाशित विवरण की मात्रा में बड़ा फ़र्क सामने आता है।
आधिकारिक सर्वर केवल Studio के लिए है, बाहरी स्क्रिप्टिंग हमेशा से ऐसी ही थी, और मुफ़्त संस्करण का वैकल्पिक तरीका अब निश्चित रूप से बंद मानने के बजाय अपुष्ट माना जाता है।
एक ही वाक्यांश के पीछे तीन काम छिपे हैं। कौन-से हिस्से वास्तव में स्वचालित होते हैं, कौन-से इंसान के हाथ में रहते हैं और किसी भी कट से पहले साक्ष्य जाँचने का चरण।
दो लोगों की टीम वाले एक स्टोर को $3,000 और उसके बाद $400 प्रति माह का प्रस्ताव मिला। इस रकम में क्या मिलता है, CiteScore, Otterly और AppearAI कितना शुल्क लेते हैं, और इसका वह रूप जिसे आप ख़ुद एक दोपहर में पूरा कर सकते हैं।
रोज़ तीस ऑर्डर, कॉपी-पेस्ट में एक घंटा। उपयोगी तरीका सिर्फ़ उन चार पंक्तियों को सामने लाता है जिनका मिलान नहीं होता।
वे सात नियंत्रण जिन्हें पेशेवर किसी एजेंट को बजट बदलने देने से पहले ज़रूरी मानते हैं, और उन चार नियंत्रणों की स्पष्ट तालिका जो Orkas में नहीं हैं।
आपकी श्रेणी में सहायक किस तरह सुझाव देते हैं, इसकी पाँच चरणों वाली जाँच, और ब्रांड का नाम लिए बिना दिए गए उत्तर लगभग कभी आपकी अपनी साइट का हवाला क्यों नहीं देते।
App ID, Cert ID, RuName और एक मार्केटप्लेस ID। इनमें से एक URL नहीं है और ज़्यादातर सेटअप वहीं अटक जाते हैं।
न कोई डेवलपर कार्यक्रम, न समीक्षा की कतार, क्योंकि सर्वर आपका है। दो विफलताएँ फिर भी रह जाती हैं और दोनों बिना कोई संकेत दिए होती हैं।
Claude में Etsy कनेक्टर नहीं है और Etsy कोई MCP सर्वर नहीं देता। तीसरे पक्ष के चार तरीके और वह एक अनुमति-जाँच जहाँ वे सभी रुक जाते हैं।
Seller Central के लिए MCP सर्वर क्या-क्या संभालता है, SP-API से जुड़ा वह काम जिसकी चर्चा कोई शुरुआत में नहीं करता, और बिक्री प्रस्तुति का ज्ञान कहाँ से आना चाहिए।
Shopify दो MCP सर्वर देता है और उनमें से आसान वाला आपका स्टोर नहीं देख सकता। अनुमति के दायरे तय करने का फ़ैसला और डेटा में बदलाव के लिए अनुमति की जाँच क्यों ज़रूरी है।
एजेंसी तीन अलग-अलग चीज़ें बेचती है—काम करने की क्षमता, विशेषज्ञता और जवाबदेही—जिन्हें एक ही बिल में जोड़ दिया जाता है, जबकि ज़्यादातर कारोबारों को तीनों की ज़रूरत नहीं होती। एक व्यक्ति के लिए काम करने की क्षमता पैदा करना काफ़ी सस्ता हो गया है; बाकी दोनों में शायद ही कोई बदलाव आया हो। कैसे पता लगाएँ कि आप वास्तव में इनमें से क्या खरीद रहे हैं।
शुरुआत अपनी कमाई की ज़रूरत से करें, दूसरों की फ़ीस से नहीं। आपके ब्राउज़र में चलने वाला मूल्य निर्धारण कैलकुलेटर, उसके पीछे का गणित, बाज़ार के वास्तविक आँकड़े कहाँ मिलते हैं और मौजूदा क्लाइंट के साथ फ़ीस बढ़ाने के चार तरीके।
वे छह खंड जिन्हें क्लाइंट वास्तव में पढ़ता है, हर खंड में क्या होना चाहिए और उन्हें वास्तव में किस क्रम में लिखना चाहिए—साथ में पहले से भरे हुए Word और Excel टेम्पलेट तथा दोनों को बनाने की दो चरणों वाली विधि। ईमेल देने की ज़रूरत नहीं।
Kimi K3 के पैरामीटर 1T से बढ़कर 2.8T हो गए, और रिपोर्ट में यह सबसे कम दिलचस्प आँकड़ा है। इसका आर्किटेक्चर अनुक्रम, गहराई और चौड़ाई में विस्तार करता है—और एक बदलाव पूरे GPU कोड पथ की जगह सिर्फ़ एक निम्न सीमा रख देता है। हर दिशा से क्या हासिल होता है, मॉडल उपलब्ध कराने वाले तकनीकी ढाँचे में उसकी क्या लागत आती है, और शोधपत्र उद्योग की किस आदत को चुपचाप छोड़ देता है।
लगभग हर एजेंट संदर्भ विंडो का एक तय प्रतिशत भरने पर संक्षेपण करता है और बातचीत के सबसे पुराने दौर हटा देता है। उस सीमा से यह पता चलता है कि जगह खत्म हो रही है; इससे यह बिल्कुल पता नहीं चलता कि कौन-सी जानकारी खोना सुरक्षित है। पड़ावों का मार्कोव गुण तथ्य के बजाय एक धारणा क्यों है और संक्षेपण के लिए उसका प्रशिक्षण की तुलना में कहीं अधिक सख़्ती से सही होना क्यों ज़रूरी है।
Orkas योजना के पड़ावों को स्थायी रूप से दर्ज करता है और अलग से होस्ट पर मौजूद उन तथ्यों को दर्ज करता है जो बताते हैं कि हर टूल कॉल ने वास्तव में क्या बदला। दोनों के बीच कोई संबंध नहीं है, इसलिए मॉडल के कहते ही कोई चरण पूरा मान लिया जाता है। BEACON अपने पहचान तंत्र को कहाँ रखता है, बनाने के लिए तीन परतें और एक ऐसा मानदंड जो शोधपत्र में नहीं है।
Orkas में दोहराव रोकने वाले तीन सुरक्षा उपाय हैं और उनमें से कोई भी ठहर गए सक्षम मॉडल को नहीं पकड़ता—क्योंकि तीनों यही जाँचते हैं कि क्या वह ख़ुद को दोहरा रहा है, जबकि अटका हुआ मॉडल ऐसा कभी नहीं करता। यह अनदेखी कमी, परिणामों के आधार पर प्रगति की वह परिभाषा जो हमने BEACON से ली, और सबसे पहले क्या मापना चाहिए।
Zhejiang University के BEACON का गहन अध्ययन: लंबे कार्यों वाले एजेंट RL के तहत क्यों बिखर जाते हैं, पड़ावों पर आधारित श्रेय निर्धारण इसे कैसे ठीक करता है, और एक ऐसा मापदंड जो अपना गणित समझने तक अपनी ही रूपरेखा का विरोध करता दिखता है।
हवाला मिलना रैंकिंग पाना नहीं है। इसके लिए पहले जानकारी खोजने की प्रक्रिया में चुना जाना और फिर उद्धृत करने लायक अंश बनना ज़रूरी है—OpenAI के तीन बॉट, robots.txt के पीछे छिपी CDN की बाधा और JavaScript के पीछे मौजूद तथ्य का अस्तित्व क्यों नहीं माना जाता।
Claude Code और Codex अलग-अलग कामों में बेहतर हैं। उन्हें एक साथ चलाएँ—टर्मिनल और git वर्कट्री के साथ, या एक Orkas Commander से जो एक ही चैट में दोनों का समन्वय करता है।
Orkas एन्क्रिप्टेड स्थानांतरण, सामग्री संग्रहण, सर्वर के नियंत्रण वाले कमिट, खाता लॉक, सिंक नियम, मॉडल की मदद से टकराव सुलझाने, हटाने की पुष्टि और रीसायकल बिन के साथ उपयोगकर्ता का डेटा अलग-अलग डिवाइसों के बीच कैसे सिंक करता है।
Orkas ने 1.0 रिलीज़ शृंखला में अपने एजेंट की नींव कैसे दोबारा बनाई: प्रक्रिया के भीतर चलने वाला रनटाइम, प्रदाताओं का क्रमिक बदलाव, गतिशील समूह-चैट समन्वय, खुली होस्टिंग, स्मृति और स्व-विकास।
Orkas के कई एजेंटों के समन्वय के भीतर: मुख्य एजेंट एक अनुरोध को योजना में बदलता है, निर्भरताओं के अनुसार उप-एजेंटों को काम सौंपता है, चरणों के बीच संदर्भ पहुँचाता है और विफलता से उबरता है।
लागत मुख्य रूप से प्रति सेकंड की कीमत से नहीं, बार-बार बदलाव करके कोशिश करने की दर से तय होती है। दोबारा कोशिशें क्यों करनी पड़ती हैं और फ़ील्ड की जाँच-सूची को डिफ़ॉल्ट कैसे बनाएँ।
स्थानीय संचालन को प्राथमिकता देने वाले AI का क्या मतलब है—आपका डेटा, API कुंजियाँ और मॉडल का संचार आपकी अपनी मशीन पर रहते हैं, किसी विक्रेता के क्लाउड पर नहीं—गोपनीयता के लिए यह क्यों मायने रखता है और अपनी कुंजी इस्तेमाल करने वाला एजेंट वास्तव में कैसे काम करता है।
Orkas मॉडल कॉल को भरोसेमंद डेस्कटॉप एजेंट रनटाइम में कैसे बदलता है: स्ट्रीमिंग निष्पादन चक्र, टूल रूटिंग, संदर्भ संक्षेपण, प्रदाताओं के लिए साझा अमूर्तन, स्मृति और क्रैश होने पर भी सुरक्षित रहने वाले सत्र।
Orkas के स्थानीय स्व-विकास चक्र के भीतर: हल्के संकेत, पृष्ठभूमि में आत्मविश्लेषण, चलाए जा सकने वाले कौशल, कौशल के मापदंड और गलत सीख लेने से बचाने वाले सुरक्षा उपाय।
Orkas macOS और Windows के लिए ओपन-सोर्स, स्थानीय उपयोग को प्राथमिकता देने वाला डेस्कटॉप AI क्लाइंट है। एक सहायक से चैट करने के बजाय आप एजेंट की टीम को निर्देशित करते हैं: मुख्य एजेंट आपके लक्ष्य की ज़िम्मेदारी लेता है और काम करने के लिए कौशल बुलाने वाले उप-एजेंट जोड़ता है। आप वैकल्पिक Orkas-प्रबंधित आधिकारिक मॉडल का उपयोग कर सकते हैं या OAuth अथवा API कुंजी से अपना प्रदाता जोड़ सकते हैं; आपका कार्यक्षेत्र डिफ़ॉल्ट रूप से स्थानीय उपयोग को प्राथमिकता देता है।
स्थानीय उपयोग को प्राथमिकता देने का अर्थ है कि आपका डेटा और नियंत्रण आपके डिवाइस पर रहते हैं। आपकी चैट, फ़ाइलें, ज्ञान आधार, स्मृति और एन्क्रिप्ट की गई मॉडल कुंजियाँ डिफ़ॉल्ट रूप से आपकी मशीन पर रहती हैं। अपने प्रदाता का उपयोग करने पर मॉडल संचार आपके कंप्यूटर से सीधे उस प्रदाता तक जाता है और Orkas सर्वर के माध्यम से प्रॉक्सी नहीं होता; आधिकारिक मॉडल Orkas की प्रबंधित मॉडल सेवा का उपयोग करते हैं।
मुख्य एजेंट आपका लक्ष्य पढ़ता है, उसे चरणों में बाँटता है और कार्य व क्षमता के अनुसार उप-एजेंट जोड़ता है। हर उप-एजेंट अपने सीमित संदर्भ में काम करता है और परिणाम देने के लिए कौशल बुलाता है—वेब खोज, कोड निष्पादन, फ़ाइल I/O, ज्ञान आधार खोज और कनेक्टर। मुख्य एजेंट हर उप-एजेंट को केवल उसकी आवश्यकता का संदर्भ देता है, जिससे टोकन लागत कम और ज़िम्मेदारियाँ स्पष्ट रहती हैं।
सामान्य उपयोगों में शोध और विश्लेषण, लेखन और संपादन, अंतर्निहित या Claude Code, Codex और OpenClaw जैसे बाहरी CLI एजेंट से कोडिंग, डेटा का काम, सीखना और कार्यालय दस्तावेज़ शामिल हैं। आप बार-बार होने वाले कार्य को एक बार पुनः उपयोग योग्य उप-एजेंट में बदलकर आवश्यकता होने पर चैट में बुला सकते हैं।
वर्तमान सार्वजनिक रिलीज़ macOS और Windows का डेस्कटॉप ऐप है; iOS रिमोट-कंट्रोल रिले निष्क्रिय है और कोई वेब क्लाइंट नहीं है। आप वैकल्पिक Orkas-प्रबंधित आधिकारिक मॉडल उपयोग कर सकते हैं या OAuth अथवा API कुंजी से प्रदाता जोड़ सकते हैं। आपकी अपनी कुंजी से हुए उपयोग का बिल आपका प्रदाता देता है; प्रबंधित क्षमताएँ Orkas क्रेडिट का उपयोग करती हैं। परिणाम की गुणवत्ता आपके जोड़े गए मॉडल पर निर्भर करती है। वैकल्पिक बहु-डिवाइस सिंक, सिंक किए गए डेटा को Orkas सर्वर पर रखता है और मुफ़्त संस्करण सीमित उपयोग विश्लेषण डेटा भेजता है।