ChatGPT Agent: पाँच व्यावहारिक उदाहरणों के साथ एक मार्गदर्शिका

ChatGPT Agent का लाइव डेमो प्रभावशाली लगा: उपहारों के लिए वेब ब्राउज़ करना, यात्रा बुक करना, प्रस्तुतियाँ बनाना। घोषणा पोस्ट में प्रभावशाली बेंचमार्क परिणाम दिखाए गए, जो संकेत देते थे कि Agent जटिल वास्तविक‑दुनिया के काम संभाल सकता है।

लेकिन लाइव डेमो हमेशा सावधानी से चुने गए उदाहरणों का उपयोग करते हैं, और बेंचमार्क रोज़मर्रा के वर्कफ़्लो की जटिल हकीकत नहीं दिखाते जिन्हें OpenAI का दावा है कि Agent सुलझा सकता है।

इसलिए मैंने Agent को पाँच कठिन परीक्षणों से गुज़ारा जो असली कार्य परिदृश्यों की नकल करते हैं — ऐसे कार्य जिनमें कई ब्राउज़र टैब्स को संभालना, अलग‑अलग वेबसाइटों के बीच जानकारी का क्रॉस‑रेफ़रेंस करना, और ऐसे नतीजे देना शामिल है जिनका मैं सच में उपयोग करूँगा। यह लेख दिखाता है कि जब मार्केटिंग के वादे व्यावहारिक वास्तविकता से टकराते हैं तो क्या होता है।

हम अपने पाठकों को AI की नवीनतम खबरों से अपडेट रखते हैं The Median नामक हमारे निःशुल्क शुक्रवार न्यूज़लेटर के माध्यम से, जो हफ्ते की प्रमुख कहानियाँ सरलता से समझाता है। सदस्यता लें और हर हफ्ते कुछ ही मिनटों में अपडेट रहें:

ChatGPT Agent क्या है?

ChatGPT Agent, Plus, Pro और Enterprise उपयोगकर्ताओं के लिए OpenAI की नवीनतम प्रीमियम सुविधा है। यह उन तीन टूल्स को एकसाथ लाता है जो पहले अलग‑अलग चलते थे: Deep Research, Operator, और मुख्य भाषा मॉडल की तर्क‑क्षमता। बड़ा अंतर? Agent के पास काम करने के लिए अपना एक वर्चुअल कंप्यूटर होता है।

यह मायने रखता है क्योंकि पुरानी व्यवस्था में समस्याएँ थीं। Deep Research मोड विश्लेषण में अच्छा था, लेकिन कुछ क्लिक नहीं कर सकता था। Operator वेबसाइटों पर नेविगेट कर सकता था, पर उसमें वह तर्क‑शक्ति नहीं थी जो डीप रिसर्च को उपयोगी बनाती थी। Agent इन दोनों क्षमताओं को एक ही जगह मिलाकर इसे ठीक करता है।

ChatGPT Agent को अलग क्या बनाता है

आपको Agent, चैट टूलबार में एक और विकल्प के रूप में मिलेगा। लेकिन सामान्य ChatGPT के विपरीत, यह एक वर्चुअल कंप्यूटर पर चलता है, जिसे पूर्ण पहुँच होती है:

• वेब नेविगेशन और रिसर्च के लिए ब्राउज़र
• कमांड और स्क्रिप्ट चलाने के लिए टर्मिनल
• डेटा प्रोसेसिंग के लिए कोड निष्पादन वातावरण
• सामग्री डाउनलोड और व्यवस्थित करने के लिए फ़ाइल सिस्टम

वर्चुअल कंप्यूटर सेटअप का मतलब है कि Agent वे काम कर सकता है जो पहले संभव नहीं थे।

उदाहरण 1: UNESCO शिक्षा डेटा कार्य

जब मैंने इसे UNESCO शिक्षा डेटा कार्य के साथ परखा, तो मैंने इसे लगातार 14 मिनट काम करते हुए देखा। यह था वह प्रॉम्प्ट (जो Agent के साथ मेरी पहली बातचीत के दौरान स्वयं ChatGPT ने सुझाया था):

Pull the latest available data from the UNESCO Institute for Statistics on national student-teacher ratios and total teaching staff counts for primary and secondary education.
Create a spreadsheet with two tabs: one for primary education and one for secondary.
Each should include country name, student-teacher ratio, total number of teachers, gross enrollment, and year of reporting.
Add a summary tab highlighting the countries with the most strained and most favorable ratios, sorted accordingly.
Ensure consistent country naming across tabs.संचालित द्वारा

प्रॉम्प्ट को निष्पादित करते समय यह जो‑जो कर पाया, वह इस प्रकार है:

• कच्चा HTML पार्स करने के बजाय इंसान की तरह (हालाँकि तेज़) स्क्रॉल करके वेबपेज पढ़ना
• बटन क्लिक करना, फ़ॉर्म भरना, और — यक़ीन मानिए — पॉप‑अप बंद करना और कुकीज़ स्वीकार करना
• फ़ाइलें डाउनलोड करना और आर्काइव अपने‑आप अनज़िप करना
• ज़रूरत पड़ने पर ब्राउज़र और टर्मिनल के बीच स्विच करना
• डाउनलोड की गई फ़ाइलों को पार्स करना और दोबारा ब्राउज़िंग पर लौटना
• PDF डाउनलोड करना और उनमें से टेक्स्ट निकालना
• गलतियाँ ठीक करने के लिए पिछली पेजों पर वापस जाना
• अलग‑अलग इंटरफ़ेस पर कर्सर को सहजता से नियंत्रित करना

o3-pro के साथ वास्तविक प्रदर्शन तुलना

मैंने Agent और o3-pro—दोनों को—ऊपर जैसा ही जटिल प्रॉम्प्ट दिया: UNESCO की छात्र‑शिक्षक अनुपात का डेटा खींचना और कई टैब्स वाले एक फ़ॉर्मेटेड स्प्रेडशीट बनाना। नतीजों में स्पष्ट अंतर दिखा।

Agent ने 14 मिनट काम किया और 222 देशों को कवर करने वाला स्प्रेडशीट दिया। इसने एक आवश्यकता छोड़ दी (सबसे खराब/सबसे अनुकूल अनुपातों वाला सारांश टैब) और सूची को अनुपात के बजाय वर्णक्रमानुसार सॉर्ट किया। यह शायद context bloat का मामला है — जहाँ मॉडल लंबा कार्य करते समय मूल विवरण भूल जाता है।

दूसरी ओर, o3-pro ने समस्या पर 18 मिनट सोचा। फिर इसे वे रोड़ा‑अटकाव मिले जिन्हें Agent पहले अपने‑आप सुलझा चुका था। चूँकि o3-pro फ़ाइलें डाउनलोड नहीं कर सकता, इसने मुझसे दो संसाधन मैन्युअल रूप से डाउनलोड करने, उन्हें अनज़िप करने और उसके द्वारा लिखी गई Python स्क्रिप्ट चलाने के लिए कहा। मैंने स्क्रिप्ट नहीं चलाई, लेकिन साफ़ था कि इस तरीके से मेरे वर्कफ़्लो में कम से कम 10 मिनट और जुड़ जाते।

व्यवहार में Agent कैसे काम करता है

जब Agent चलता है, तो आप सब कुछ रीयल‑टाइम में होते देख सकते हैं। आप किसी भी समय ब्राउज़र का नियंत्रण ले सकते हैं, लेकिन जिन कार्यों में संवेदनशील डेटा या इंटरैक्शन नहीं होते, उनमें यह अपने‑आप ठीक काम करता है।

Agent के पूरा करने के बाद, आपके पास समीक्षा के दो तरीके होते हैं। एक पूरा वीडियो रिकॉर्डिंग होता है जिसे आप रोककर/दुबारा चलाकर देख सकते हैं (नवीनता उतरने के बाद देखने में काफ़ी उबाऊ)। साथ ही एक विस्तृत टेक्स्ट टाइमलाइन मिलती है जो हर चरण के पीछे की तर्क‑प्रक्रिया, वास्तविक कमांड्स, और की गई फ़ाइल क्रियाओं को दिखाती है।

सबसे अच्छी बात? एक बार Agent कोई कार्य पूरा कर ले, तो आप सामान्य चैट मोड में आगे के प्रश्न पूछ सकते हैं। उसे सब याद रहता है और वह एकत्रित किए गए डेटा का संदर्भ दे सकता है।

उदाहरण 2: एक इमेज कोलाज बनाना

पहले रिसर्च कार्य ने दिखाया कि Agent जटिल डेटा संग्रह संभाल सकता है। लेकिन मुझे कुछ अलग परखना था — ऐसे कार्य जिनमें वेबपेज तत्वों के साथ लगातार माउस‑आधारित संलग्नता चाहिए। नहीं तो मैं अपने कीबोर्ड शॉर्टकट्स से खुद ही जल्दी कर लेता।

आकृतियाँ और आरेख बनाना तुरंत दिमाग में आया। मैं ब्लॉग पोस्ट्स के लिए यह अक्सर करता हूँ, इसलिए यह स्वाभाविक टेस्ट केस लगा।

कार्य और पहला प्रयास

इस लेख पर शोध करते समय, मैं ChatGPT Agent के बारे में OpenAI की घोषणा पोस्ट पढ़ रहा था। पोस्ट में Agent के प्रभावशाली प्रदर्शन स्कोर दिखाने वाली 6–7 बेंचमार्क छवियाँ थीं। हर बेंचमार्क अलग‑अलग सूचीबद्ध करने के बजाय, मैंने Agent से एक दृश्य कोलाज बनाने को कहा जिसे मैं इस ब्लॉग पोस्ट में जोड़ सकूँ।

I want you to open the following link, combine all benchmark results' images into a single collage and highlight the columns where ChatGPT's agent results are given.

<link>
https://openai.com/index/introducing-chatgpt-agent/
</link>संचालित द्वारा

मेरी चाहत सरल थी — वेबपेज से सभी बेंचमार्क आरेख उठा लेना, उन्हें पंक्तियों में बगल‑बगल व्यवस्थित करना, और जिन स्तंभों में Agent का प्रदर्शन दिख रहा है उनके चारों ओर लाल आयतें खींचना। एक सामान्य Canva उपयोगकर्ता के लिए, यह कुछ मिनटों का काम है: छवियाँ लें, सजाएँ, कुछ आयतें बनाएँ।

लेकिन किसी AI प्रोग्राम के लिए, इसमें जटिल तर्क और भारी माउस‑केंद्रित काम लगता है। Agent ने 9 मिनट लिए और जो दिया वह कमतर था।

छवि पूरी तरह ऊर्ध्वाधर थी, एक उचित ग्रिड लेआउट के बजाय। लाल आयतें साफ़ आउटलाइन नहीं थीं, बल्कि भरी हुई आकृतियाँ थीं जो छवियों पर इधर‑उधर बिखरी थीं। इससे भी बुरा, यह पूरी तरह दूसरी वेबसाइटों पर चला गया, और मेरी निर्दिष्ट घोषणा पोस्ट के बजाय यादृच्छिक पन्नों से बेंचमार्क परिणाम खींच लाया।

साथ ही इसने Canva को पूरी तरह नज़रअंदाज़ कर दिया, जबकि मेरा खाता जुड़ा हुआ था।

दूसरा राउंड: अधिक विस्तृत निर्देश

मैंने अधिक विशिष्ट निर्देशों के साथ नया थ्रेड शुरू किया:

I want you to open the following webpage where you will find a bunch of benchmark results given in the form of images on the performance of ChatGPT Agent. Your task is to combine all those images given in the webpage (ONLY IN THAT WEBPAGE, DON'T SEARCH FOR ADDITIONAL INFORMATION) into a single collage where you organize the images side-by-side in rows. Afterward, highlight the columns where ChatGPT Agent's performance is shown with a red rectangle. Use Canva to do this task

<link>
https://openai.com/index/introducing-chatgpt-agent/
</link>संचालित द्वारा

पहले तो Agent को घोषणा पोस्ट पढ़ने की कोशिश में CAPTCHA मिला। मुझे खुद नियंत्रण लेकर क्रॉसवॉक छवियाँ चुननी पड़ीं। फिर यह 18 मिनट तक काम करता रहा और उसके बाद मुझसे Canva में लॉग इन करने को कहा।

लॉगिन अनुभव सुचारू नहीं था। वर्चुअल कंप्यूटर और ब्राउज़र में देरी होती है — वेबसाइटों में लॉग इन करते समय जिस फुर्ती की उम्मीद होती है, वैसी नहीं। पासवर्ड पेस्ट करने के लिए Cmd + V जैसे कीबोर्ड शॉर्टकट्स को दर्ज होने में अधिक समय लगा।

जहाँ चीज़ें बिगड़ीं

जब मैंने Agent को Canva में लॉग इन करा दिया, तो उसने फिर इंटरफ़ेस पर काम शुरू कर दिया।

8 मिनट तक इसे अनाड़ीपन से जूझते देखते रहने के बाद मुझे दखल देना पड़ा। Agent असल में डाउनलोड की गई छवियों का उपयोग करने के बजाय बेंचमार्क परिणाम छवियों को एक‑एक करके मैन्युअल रूप से खींचने की कोशिश कर रहा था।

मैंने एक और प्रॉम्प्ट से स्पष्ट किया:

No, you are going in the wrong direction on Canva.
What I meant was that after you grabbed the benchmark results' images, paste them into canva and organize them one-by-one into a 16:9 collage with ChatGPT Agent's performance highlighted with a red rectangleसंचालित द्वारा

इस बार Agent समझ गया, लेकिन साफ़ था कि उसे यह कार्य वास्तव में करना नहीं आता।

घोषणा पोस्ट को दोबारा पढ़ने और बेंचमार्क छवियाँ डाउनलोड करने में इसे काफी मशक्कत करनी पड़ी। डाउनलोड प्रक्रिया बेहद धीमी थी — Agent बार‑बार इस पर संदेह करता रहा कि राइट‑क्लिक मेनू में “Copy image link”, “Save image” आदि का उपयोग करे या ऊपर दाएँ कोने में “Download image” बटन का।

आख़िरकार छवियाँ Canva पर अपलोड करने के बाद, Agent ने वास्तविक लेआउट कार्य शुरू किया। इससे इसकी स्थानिक नियंत्रण क्षमता कितनी कमजोर है, यह उजागर हो गया। इसे छवियों को जगह पर खींचने‑छोड़ने की कोशिश करते देखना ऐसे था मानो कोई बच्चा कंप्यूटर चला रहा हो। यह अक्सर संरेखण और स्वाभाविक स्थितियाँ चूक जाता था।

एक और समस्या तब सामने आई जब Agent ने बेंचमार्क बार्स के चारों ओर आयतें खींचने की कोशिश की। मनुष्यों के लिए, यह तुच्छ है — एक सहज माउस मूवमेंट से आयत बनती है। Agent के लिए यह कठिन कार्य बन गया। स्थानिक और दृश्य डिज़ाइन बुद्धि के अभाव में, इसने यह पता लगाने के लिए Python स्क्रिप्ट्स और OCR चलाने का सहारा लिया कि किन बार्स में Agent का प्रदर्शन दिखा है, फिर आयत रखने के सटीक निर्देशांक की गणना की।

अंतिम परिणाम

पूरी प्रक्रिया आगे‑पीछे मिलाकर 75 मिनट से ज़्यादा चली। Agent ने मेरे Canva खाते में “Untitled Design Page 2” छोड़ दिया।

छवि कटी‑कटी लग रही थी क्योंकि Agent ने एक शीर्षक टेक्स्ट तत्व जोड़ने की कोशिश की, जिसने किसी तरह ऊपर का हिस्सा छिपा दिया। कुछ मैन्युअल री-साइज़िंग के बाद, मुझे एक कामचलाऊ कोलाज मिला, जो फिर भी उस स्तर से काफ़ी नीचे था जिसे कोई अनुभवहीन मानव डिज़ाइनर भी कुछ मिनटों में बना लेता।

समय निवेश, परिणाम की गुणवत्ता के लायक बिल्कुल नहीं था। और भी बुरा यह कि बाद में पता चला कि Agent ने Canva के आयत टूल्स का इस्तेमाल किया ही नहीं — उसने Python में आयतें खींचीं और फिर संशोधित छवि को Canva पर अपलोड कर दिया। इसका मतलब यह था कि बाद में मैं उन टेढ़ी‑मेढ़ी आयतों को मैन्युअली समायोजित या हिला‑डुला नहीं सकता था।