# अध्याय 06 : SLM एजेंटिक सिस्टीम्स: एक व्यापक आढावा

कृत्रिम बुद्धिमत्तेच्या क्षेत्रात मूलभूत बदल होत आहेत, जिथे साध्या चॅटबॉट्सपासून प्रगत AI एजंट्सकडे वाटचाल सुरू आहे, ज्यांना स्मॉल लँग्वेज मॉडेल्स (SLMs) चालवत आहेत. या व्यापक मार्गदर्शकात आधुनिक SLM एजेंटिक सिस्टीम्सच्या तीन महत्त्वाच्या पैलूंवर चर्चा केली आहे: मूलभूत संकल्पना आणि तैनाती धोरणे, फंक्शन कॉलिंग क्षमता, आणि क्रांतिकारी मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) एकत्रीकरण.

## [भाग 1: AI एजंट्स आणि स्मॉल लँग्वेज मॉडेल्सची पायाभूत माहिती](./01.IntroduceAgent.md)

पहिला भाग AI एजंट्स आणि स्मॉल लँग्वेज मॉडेल्सची पायाभूत समज स्पष्ट करतो, 2025 हे AI एजंट्सचे वर्ष म्हणून स्थापित करतो, 2023 च्या चॅटबॉट युगानंतर आणि 2024 च्या कोपायलट बूमनंतर. या भागात **एजेंटिक AI सिस्टीम्स**ची ओळख करून दिली आहे, जी विचार करतात, तर्क करतात, योजना आखतात, साधने वापरतात आणि मानवी हस्तक्षेप कमी करून कार्ये पूर्ण करतात.

### कव्हर केलेल्या मुख्य संकल्पना:
- **एजंट वर्गीकरण फ्रेमवर्क**: साध्या रिफ्लेक्स एजंट्सपासून शिकणाऱ्या एजंट्सपर्यंत, विविध संगणकीय परिस्थितींसाठी व्यापक वर्गीकरण प्रदान करणे
- **SLM मूलभूत माहिती**: स्मॉल लँग्वेज मॉडेल्सची व्याख्या, ज्यामध्ये 10 अब्ज पेक्षा कमी पॅरामीटर्स असतात आणि ग्राहक उपकरणांवर व्यावहारिक अनुमान करू शकतात
- **प्रगत ऑप्टिमायझेशन धोरणे**: GGUF फॉरमॅट तैनाती, क्वांटायझेशन तंत्र (Q4_K_M, Q5_K_S, Q8_0), आणि Llama.cpp आणि Apple MLX सारख्या एज-ऑप्टिमाइझ्ड फ्रेमवर्क्स कव्हर करणे
- **SLM vs LLM तुलना**: SLM वापरून 10-30× खर्च कमी करणे, तरीही 70-80% सामान्य एजंट कार्यांसाठी प्रभावीपणा टिकवून ठेवणे

हा भाग Ollama, VLLM, आणि Microsoft च्या एज सोल्यूशन्स वापरून व्यावहारिक तैनाती धोरणांसह समाप्त होतो, SLMs हे खर्च-प्रभावी, गोपनीयता-संरक्षण करणाऱ्या एजेंटिक AI तैनातीचे भविष्य म्हणून स्थापित करतो.

## [भाग 2: स्मॉल लँग्वेज मॉडेल्समध्ये फंक्शन कॉलिंग](./02.FunctionCalling.md)

दुसरा भाग **फंक्शन कॉलिंग क्षमता** सखोलपणे स्पष्ट करतो, ज्यामुळे स्थिर लँग्वेज मॉडेल्स डायनॅमिक AI एजंट्समध्ये रूपांतरित होतात, जे वास्तविक जगाशी संवाद साधू शकतात. या तांत्रिक सखोल अभ्यासामध्ये हेतू ओळखण्यापासून प्रतिसाद समाकलनापर्यंतची संपूर्ण कार्यप्रवाह कव्हर केली आहे.

### मुख्य अंमलबजावणी क्षेत्रे:
- **सिस्टेमॅटिक कार्यप्रवाह**: साधन समाकलन, फंक्शन परिभाषा, हेतू ओळख, JSON आउटपुट निर्मिती, आणि बाह्य अंमलबजावणी यांचे तपशीलवार अन्वेषण
- **प्लॅटफॉर्म-विशिष्ट अंमलबजावणी**: Phi-4-mini सह Ollama, Qwen3 फंक्शन कॉलिंग, आणि Microsoft Foundry Local समाकलनासाठी व्यापक मार्गदर्शक
- **प्रगत उदाहरणे**: मल्टी-एजंट सहकार्य प्रणाली, डायनॅमिक टूल निवड, आणि व्यापक एरर हँडलिंगसह एंटरप्राइझ समाकलन नमुने
- **उत्पादन विचार**: दर मर्यादा, ऑडिट लॉगिंग, सुरक्षा उपाय, आणि कार्यक्षमता ऑप्टिमायझेशन धोरणे

हा भाग सैद्धांतिक समज आणि व्यावहारिक अंमलबजावणी नमुने प्रदान करतो, ज्यामुळे विकसकांना साध्या API कॉल्सपासून ते जटिल मल्टी-स्टेप एंटरप्राइझ कार्यप्रवाहांपर्यंत हाताळणारी मजबूत फंक्शन-कॉलिंग प्रणाली तयार करता येते.

## [भाग 3: मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) एकत्रीकरण](./03.IntroduceMCP.md)

अंतिम भाग **मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP)** सादर करतो, एक क्रांतिकारी फ्रेमवर्क जो लँग्वेज मॉडेल्स आणि बाह्य साधने व प्रणालींमध्ये संवादासाठी मानक तयार करतो. MCP कसे AI मॉडेल्स आणि वास्तविक जग यांच्यातील दुवा तयार करते हे या भागात दाखवले आहे.

### एकत्रीकरण वैशिष्ट्ये:
- **प्रोटोकॉल आर्किटेक्चर**: अॅप्लिकेशन, LLM क्लायंट, MCP क्लायंट, आणि टूल प्रोसेसिंग लेयर्स कव्हर करणारी स्तरित प्रणाली रचना
- **मल्टी-बॅकएंड सपोर्ट**: Ollama (स्थानिक विकास) आणि vLLM (उत्पादन) बॅकएंड्ससाठी लवचिक अंमलबजावणी
- **कनेक्शन प्रोटोकॉल्स**: STDIO मोड थेट प्रक्रिया संवादासाठी आणि SSE मोड HTTP-आधारित स्ट्रीमिंगसाठी
- **वास्तविक-जगातील अनुप्रयोग**: वेब ऑटोमेशन, डेटा प्रोसेसिंग, आणि व्यापक एरर हँडलिंगसह API समाकलन उदाहरणे

MCP एकत्रीकरण दाखवते की SLMs कसे बाह्य क्षमता वाढवू शकतात, त्यांच्या कमी पॅरामीटर काउंटची भरपाई करताना स्थानिक तैनाती आणि संसाधन कार्यक्षमतेचे फायदे टिकवून ठेवतात.

## धोरणात्मक परिणाम

एकत्रितपणे, हे तीन भाग SLM एजेंटिक सिस्टीम्स समजून घेण्यासाठी आणि अंमलबजावणीसाठी व्यापक फ्रेमवर्क सादर करतात. मूलभूत संकल्पनांपासून फंक्शन कॉलिंगपर्यंत आणि MCP एकत्रीकरणापर्यंतचा विकास स्पष्टपणे दाखवतो की:

- **कार्यक्षमता आणि क्षमता** ऑप्टिमाइझ केलेल्या स्मॉल मॉडेल्सद्वारे साध्य होते
- **खर्च-प्रभावीपणा** व्यापक स्वीकार सक्षम करतो
- **मानकीकृत प्रोटोकॉल्स** परस्परसंवाद सुनिश्चित करतात
- **स्थानिक तैनाती** गोपनीयता जपते आणि विलंब कमी करते

ही प्रगती केवळ तांत्रिक प्रगतीच नाही तर अधिक प्रवेशयोग्य, कार्यक्षम, आणि व्यावहारिक AI सिस्टीम्सकडे जाणारा दृष्टिकोन बदल दर्शवते, ज्या संसाधन-आधारित मर्यादित वातावरणात प्रभावीपणे कार्य करू शकतात आणि उद्योग व अनुप्रयोगांमध्ये प्रगत एजेंटिक क्षमता प्रदान करू शकतात.

SLMs आणि प्रगत तैनाती धोरणे, मजबूत फंक्शन कॉलिंग, आणि मानकीकृत टूल समाकलन प्रोटोकॉल्स यांचे संयोजन पुढील पिढीच्या AI एजंट्ससाठी पाया तयार करते, जे कृत्रिम बुद्धिमत्तेशी संवाद साधण्याचा आणि त्याचा लाभ घेण्याचा मार्ग बदलतील.

---

**अस्वीकरण**:  
हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.