AI में लूप्स: ये क्या हैं और हर कोई इनकी बात क्यों कर रहा है

तीन लोगों से पूछिए कि इस समय AI में “लूप” का क्या मतलब है और आपको तीन अलग-अलग जवाब मिलेंगे। एक कहेगा एजेंट लूप। दूसरा मॉडल कोलैप्स और फीडबैक लूप्स की बात करने लगेगा। तीसरा किसी कंप्लायंस मीटिंग में सुने ह्यूमन-इन-द-लूप का ज़िक्र करेगा। ये सभी सही हैं, और बिलकुल यही वजह है कि यह शब्द इतना उलझाने वाला बन गया है।

मैं 8 साल से ज़्यादा समय से सॉफ़्टवेयर लिख रहा हूँ, और मैंने बहुत-से शब्दजाल को घूम-फिरकर वापस आते देखा है। पर “लूप” खास है क्योंकि यह एक ट्रेंड नहीं है — यह कम से कम चार अलग-अलग विचार हैं जो संयोग से एक ही शब्द साझा करते हैं, और ये सभी लगभग एक ही समय पर चर्चा में आए। तो चलिए इन्हें सुलझाते हैं।

तो आख़िर यहाँ “लूप” का मतलब क्या है?

लूप, सादे प्रोग्रामिंग अर्थ में, बस कोई ऐसी चीज़ है जो किसी शर्त के पूरा होने तक दोहराती रहती है। while not done: do_something()। बस इतना ही। इसमें कोई जादू नहीं।

जो बदला वह यह है कि लूप के अंदर क्या बैठता है। दशकों तक लूप का बॉडी वह डिटरमिनिस्टिक कोड हुआ करता था जिसे आप हाथ से लिखते थे। अब लूप का बॉडी एक लार्ज लैंग्वेज मॉडल है जो खुद तय करता है कि आगे क्या करना है। वह एक बदलाव — तय निर्देशों से एक ऐसे मॉडल तक जो हर बार सोचकर निर्णय लेता है — ही पूरी कहानी है। इस समय जो कुछ भी ट्रेंड कर रहा है, वह सब इसी से निकलता है।

जब लोग आज AI के संदर्भ में “लूप” कहते हैं, तो आमतौर पर उनका मतलब इनमें से एक होता है:

• एजेंटिक लूप — एक AI एजेंट सोचते, कार्य करते और देखते हुए एक चक्र में चलता है जब तक कोई काम पूरा न हो जाए। यह सबसे बड़ा वाला है।
• ह्यूमन-इन-द-लूप / ऑन-द-लूप — जहाँ एक व्यक्ति उस चक्र में बैठकर मंज़ूरी देता या निगरानी करता है।
• फीडबैक लूप्स — AI का आउटपुट वापस AI के ट्रेनिंग में जाकर, कभी-कभी मॉडलों को बिगाड़ देता है (मॉडल कोलैप्स)।
• ट्रेनिंग लूप — RLHF और रीइन्फोर्समेंट लर्निंग, जहाँ एक मॉडल बार-बार के रिवॉर्ड चक्रों में सुधरता है।

इन्हें लगातार आपस में मिला दिया जाता है। चलिए मैं इन्हें एक-एक करके लेता हूँ, उसी से शुरू करते हुए जो सारा हाइप चला रहा है।

एजेंटिक लूप: वह जो असल में ट्रेंड कर रहा है

यहाँ सबसे साफ़ परिभाषा है जो मैंने देखी है, और यह Anthropic से आती है: एक एजेंट बस “LLMs जो स्वायत्त रूप से एक लूप में टूल्स इस्तेमाल करते हैं” है। [1] बस इतना ही। कोई रहस्यवाद नहीं। मार्केटिंग हटा दें तो एक AI एजेंट टूल्स तक पहुँच के साथ एक while लूप में फँसा हुआ मॉडल है।

लूप के खुद चार कदम हैं जो बार-बार सामने आते हैं: देखना, तय करना, कार्य करना, अवलोकन करना। [2] मॉडल अपना कॉन्टेक्स्ट पढ़ता है, अगला कार्य चुनता है, कार्य चलता है, परिणाम वापस आता है, और लूप फिर चलता है। कुछ लोग इन चरणों को “सोचना, कार्य करना, अवलोकन करना” कहते हैं, पर विचार वही है।

मुख्य बात — और यही एक एजेंट को सामान्य चैटबॉट से अलग करती है — यह है कि एजेंट पूरी समस्या को एक ही बार में हल करने की कोशिश नहीं करता। यह एक छोटा कदम उठाता है, देखता है कि क्या हुआ, और समायोजित करता है। [1] एक चैटबॉट एक बार जवाब देकर रुक जाता है। एक एजेंट चलता रहता है।

सोचिए कि आप असल में किसी बग को कैसे ठीक करेंगे। आप पूरा कोडबेस पढ़कर याददाश्त से एक परफ़ेक्ट पैच नहीं उगल देते। आप एक एरर पढ़ते हैं, एक फ़ाइल जाँचते हैं, चीज़ चलाते हैं, एक नया एरर देखते हैं, दूसरी फ़ाइल जाँचते हैं, फिर से चलाते हैं। छोटे कदम, लगातार सुधार। एजेंटिक लूप बस यही व्यवहार है, जो स्वचालित कर दिया गया है।

लूप असल में आया कहाँ से

यह 2026 की खोज नहीं है। यह पैटर्न प्रिंसटन और गूगल रिसर्च के 2022 के एक पेपर तक जाता है जिसका नाम है “ReAct: Synergizing Reasoning and Acting in Language Models।” [3] विचार लगभग शर्मनाक हद तक सरल था: मॉडल से या तो सोचने (चेन-ऑफ़-थॉट) या कार्य करने (टूल कॉल करने) को कहने के बजाय, उसे दोनों को आपस में मिलाने दिया जाए। थोड़ा सोचो, थोड़ा कार्य करो, परिणाम देखो, फिर सोचो।

परिणाम ही असली समझाने वाली बात थे। जो मॉडल सोच सकते, कार्य कर सकते, अवलोकन कर सकते और फिर से सोच सकते थे, वे काफ़ी बेहतर रहे — ReAct पेपर ने ALFWorld बेंचमार्क पर 34% सुधार और WebShop पर लगभग 10% की रिपोर्ट दी। [3] मॉडल को किसी बाहरी एनवायरनमेंट से इंटरैक्ट करने देने से हैल्युसिनेशन भी कम हुए, क्योंकि वास्तविकता उसकी धारणाओं पर लगातार दबाव डालती रही। [4]

तो ReAct लूप चुपचाप LLM एजेंट्स के लिए वास्तविक मानक आर्किटेक्चर बन गया। [4] आज आप जिन ज़्यादातर एजेंट फ़्रेमवर्क के बारे में सुनते हैं — चाहे वे कहें या न कहें — वे इसी के किसी न किसी रूप को चला रहे हैं।

यह अब क्यों फूट रहा है और 2022 में क्यों नहीं

यह वह सवाल है जिस पर रुककर सोचना ज़रूरी है। यह पैटर्न चार साल पुराना है। “एजेंटिक लूप” 2026 का बज़वर्ड क्यों है और 2022 का क्यों नहीं?

ईमानदारी से कहूँ तो, ऐसा इसलिए है क्योंकि लूप तभी काम करता है जब उसके अंदर का मॉडल काफ़ी अच्छा हो। कुछ चीज़ें एक साथ जुड़ गईं:

• मॉडल इतने भरोसेमंद हो गए कि कई कदमों के लिए उन पर भरोसा किया जा सके। एक लूप उतना ही अच्छा है जितना उसका हर इटरेशन। अगर मॉडल तीसरे कदम पर कोई बेवक़ूफ़ी भरा निर्णय लेता है, तो एरर कदम 4, 5, 6 तक बढ़ता जाता है। शुरुआती मॉडल बुरी तरह भटक जाते थे। नए वाले एक प्लान को इतना देर तक संभाले रखते हैं कि वे उपयोगी हों।
• टूल का इस्तेमाल मानकीकृत हो गया। Anthropic के Model Context Protocol (MCP) ने एजेंट्स को बाहरी टूल्स से जुड़ने का एक साझा तरीका दिया, ताकि हर किसी को हाथ से ग्लू कोड न लिखना पड़े। [1] अचानक “कार्य” कदम के पीछे एक असली इकोसिस्टम खड़ा हो गया।
• कॉन्टेक्स्ट विंडो बढ़ीं। लूप इतिहास जमा करता है — हर सोच, कार्य और अवलोकन आगे ले जाया जाता है। इसके लिए जगह चाहिए। बड़ी कॉन्टेक्स्ट विंडो ने लंबे लूप्स को संभव बनाया, और “कॉन्टेक्स्ट इंजीनियरिंग” अपने आप में एक अनुशासन बन गया। [5]
• पैसा आ गया। यह वह बेरंग वजह है। Gartner ने Q1 2024 और Q2 2025 के बीच मल्टी-एजेंट सिस्टम संबंधी पूछताछ में 1,445% की उछाल की रिपोर्ट दी। [6] एजेंटिक AI बाज़ार 2025 में $7.6 बिलियन से बढ़कर 2026 में $10.8 बिलियन होने का अनुमान है। [6] जब आँकड़े इस तरह हिलते हैं, तो हर ब्लॉग (मेरे ख़्याल से यह वाला भी) लूप्स के बारे में लिखना शुरू कर देता है।

एक संरचनात्मक बदलाव भी है। 2026 के Gartner CIO सर्वे के अनुसार, सिर्फ़ लगभग 17% संगठनों ने असल में AI एजेंट्स तैनात किए हैं, पर 60% से ज़्यादा को उम्मीद है कि वे दो साल के भीतर ऐसा कर लेंगे — जिन उभरती तकनीकों को वे ट्रैक करते हैं, उनमें सबसे आक्रामक अपनाने वाला कर्व। [6] तो काफ़ी सारा शोर प्रत्याशा है, तैनाती नहीं। हाइप पर यक़ीन करने से पहले इसे ध्यान में रखना ठीक रहेगा।

एकल एजेंट बनाम एजेंट्स की टीमें

समझने लायक एक और पेच। शुरुआती तस्वीर एक सर्व-उद्देश्यीय एजेंट की थी जो आपके काम पर लूप करता रहता था। अब दिशा है विशेषज्ञ एजेंट्स की समन्वित टीमें — एक रिसर्चर एजेंट, एक कोडर एजेंट, एक रिव्यूअर एजेंट — हर एक अपना खुद का लूप चलाता है, जिन्हें एक ऑर्केस्ट्रेटर समन्वित करता है। [6]

Gartner को दिखी पूछताछ में वह 1,445% की छलांग? वह ख़ास तौर पर मल्टी-एजेंट सिस्टम्स के बारे में थी। [6] सोच यह है कि सब कुछ करने की कोशिश करने वाला एक विशाल एजेंट लंबे कामों में राह भटक जाता है, जबकि संकीर्ण काम वाले छोटे एजेंट केंद्रित रहते हैं। मुझे यहाँ थोड़ा संदेह है — कई नॉन-डिटरमिनिस्टिक लूप्स का समन्वय करना डिबगिंग का दुःस्वप्न लगता है, और मुझे शक है कि बहुत-सी टीमें इसे कठिन तरीके से समझेंगी। पर फ़ील्ड इसी दिशा पर दाँव लगा रहा है।

जो भी हो, Anthropic की अपनी सलाह ओवर-इंजीनियरिंग की प्रवृत्ति के ख़िलाफ़ जाती है। एजेंट्स बनाने के उनके तीन सिद्धांत हैं: डिज़ाइन को सरल रखें, एजेंट के प्लानिंग चरणों को पारदर्शी बनाएँ, और अच्छे टूल डॉक्यूमेंटेशन में निवेश करें। [1] वे स्पष्ट रूप से सुझाव देते हैं कि किसी भारी फ़्रेमवर्क की ओर जाने से पहले सीधे LLM API कॉल्स से शुरुआत करें — कई पैटर्न तो कोड की कुछ ही पंक्तियाँ हैं। [1] अच्छी सलाह जिसे ज़्यादातर लोग अनदेखा कर देते हैं।

ह्यूमन-इन-द-लूप बनाम ह्यूमन-ऑन-द-लूप

अब वह लूप जिसका स्वायत्तता से कोई लेना-देना नहीं और सब कुछ नियंत्रण से है। एक बार जब आपके पास खुद कार्य करने वाला एजेंट हो, तो सीधा सवाल है: इसमें एक इंसान कहाँ फ़िट होता है?

दो जवाब, और यह फ़र्क उतना मायने रखता है जितना उसका प्यारा नामकरण सुझाता है। [7]

ह्यूमन-इन-द-लूप का मतलब है कि एक व्यक्ति चक्र के अंदर बैठता है और एजेंट बिना सहमति के अंतिम कार्य नहीं कर सकता। [7] AI मसौदा बनाता है, आप मंज़ूरी देते हैं। धीमा, ज़्यादा सुरक्षित, स्केल अच्छा नहीं होता।

ह्यूमन-ऑन-द-लूप व्यक्ति को हर कदम से बाहर निकालकर एक निगरानी की कुर्सी पर बिठा देता है। [7] एजेंट चलता है, एक डैशबोर्ड उसे ट्रैक करता है, और अलर्ट सिर्फ़ तभी बजते हैं जब कुछ गड़बड़ लगे — असामान्य डेटा एक्सेस, अजीब API कॉल्स, ऐसा आउटपुट जो क्वालिटी बेसलाइन से मेल न खाए। इंसान फ़्लैग किए गए मामलों की समीक्षा करता है और किल स्विच दबा सकता है। [7]

“ऑन-द-लूप” की ओर बढ़ाव इसका एक बड़ा हिस्सा है कि एजेंटिक AI अचानक बड़े पैमाने पर उपयोगी क्यों हो गया है। अगर किसी इंसान को हर एक कार्य को मंज़ूरी देनी पड़े, तो आपने असल में कुछ भी स्वचालित नहीं किया — आपने बस एक कतार जोड़ दी। पूरी उत्पादकता की दलील पीछे हटकर निगरानी पर जाने पर निर्भर है। [7] पर — और यही असहज हिस्सा है — ठीक तभी चीज़ें इतनी जल्दी बिना किसी के ध्यान दिए गड़बड़ हो सकती हैं। जो मुझे उन लूप्स तक ले जाता है जिन्हें कोई नहीं चाहता।

जब लूप गड़बड़ हो जाते हैं: टोकन स्पाइरल और बेक़ाबू एजेंट

यहीं चीज़ें पेचीदा हो जाती हैं, और यहीं मुझे लगता है कि हाइप डरावने हिस्से को छोड़ देता है।

एक लूप जो नहीं जानता कि कब रुकना है, प्रोग्रामिंग का सबसे पुराना बग है। हम सबने एक अनंत लूप लिखा है और अपनी मशीन को फ़्रीज़ किया है। 2026 वाला संस्करण और बुरा है, क्योंकि लूप के साथ एक क्रेडिट कार्ड जुड़ा हुआ है।

एजेंट लूप का हर कदम पूरा जमा हुआ कॉन्टेक्स्ट वापस मॉडल को भेजता है। [8] कदम 20 तक आते-आते आप वही सिस्टम प्रॉम्प्ट और बातचीत का इतिहास बीस बार के लिए भुगतान कर रहे होते हैं। लोग इसे “टोकन स्पाइरल” कह रहे हैं — आधुनिक अनंत लूप, पर आपके बैंक खाते तक सीधी लाइन के साथ। [8]

जो आँकड़े घूम रहे हैं वे सचमुच चिंताजनक हैं। एक दर्ज मामले में एक बेक़ाबू एजेंट ने चार घंटे में $2,847 फूँक दिए, और दूसरे ने किसी के पकड़ने से पहले एक ही सेशन में $12,000 तक पहुँच गया। [8] बताया जाता है कि एजेंट उसी बातचीत के लिए एक सादे चैट से 50 गुना तक ज़्यादा टोकन फूँकते हैं, उस सारे दोहराए जाने वाले कॉन्टेक्स्ट की वजह से। [9] एक साधारण 5-कदम वाले लूप पर लागत एक वन-शॉट कॉल की लगभग 3.2 गुना होती है; 50 कदमों पर गुणक 30 गुना पार कर जाता है; 200 कदमों पर यह 100 गुना से ऊपर है। [8]

तो अगर आप कुछ भी ऐसा बना रहे हैं जो लूप करता है, तो गार्डरेल्स वैकल्पिक नहीं हैं:

• एक सख़्त max_iterations सीमा। पाँच या दस। कभी किसी लूप को अनबाउंडेड न चलने दें। [8] यह एक नियम ज़्यादातर आपदाओं को रोक देता है।
• प्रति-रन एक टोकन बजट जो सीमा पार होने पर रन को बंद कर दे। [8]
• दोहराव की पहचान — हर टूल कॉल का फ़िंगरप्रिंट बनाएँ और एक रोलिंग विंडो से तुलना करें, ताकि आप एजेंट को बार-बार वही काम करते हुए पकड़ सकें। [8]
• एक स्टेप-काउंट अलर्ट जो आपको तब पिंग करे जब कोई एक रन, मान लीजिए, 15 कदम पार कर जाए। [8]

मुझे यह थोड़ा मज़ेदार लगता है कि हमने सालों खुद को समाप्त होने वाले लूप लिखना सिखाया, ऐसे एजेंट बनाए जो सोच सकते हैं, और तुरंत अनंत लूप को फिर से ले आए — बस अब यह टर्मिनल को हैंग करने के बजाय असली पैसे ख़र्च करता है। तरक़्क़ी।

फीडबैक लूप्स और मॉडल-कोलैप्स की समस्या

बिलकुल अलग लूप, उतना ही अहम, और वह जो मुझे सबसे दिलचस्प लगता है क्योंकि यह धीमा और अदृश्य है।

यह किसी एक एजेंट के चलने के बारे में नहीं है। यह पूरे AI इकोसिस्टम के खुद पर निर्भर हो जाने के बारे में है। मॉडल वेब से खुरचे गए डेटा पर ट्रेन होते हैं। उस वेब का ज़्यादा से ज़्यादा हिस्सा अब AI द्वारा लिखा जा रहा है। तो मॉडलों की अगली पीढ़ी आंशिक रूप से पिछली पीढ़ी के आउटपुट पर ट्रेन होती है। यह एक फीडबैक लूप है, और यह मॉडलों को सड़ा सकता है।

इस परिघटना को मॉडल कोलैप्स कहा जाता है — जब AI-जनित डेटा पर ट्रेन हुए मॉडल उत्तरोत्तर क्वालिटी और विविधता खोते जाते हैं, और उस वास्तविक-दुनिया वितरण से भटक जाते हैं जिसे उन्हें सीखना था। [10] इसे 2023 के एक ऑक्सफ़ोर्ड और कैम्ब्रिज अध्ययन में औपचारिक रूप से वर्णित किया गया, जो Nature में प्रकाशित हुआ, शीर्षक “AI models collapse when trained on recursively generated data।” [11] लगातार ट्रेनिंग चक्रों में मॉडल अपनी खुद की त्रुटियों, पूर्वाग्रहों और अति-सरलीकरणों को मज़बूत करता है, और धीरे-धीरे सच्चाई पर अपनी पकड़ खो देता है। [10]

टाइमिंग ही चिंता वाली बात है। अनुमान बताते हैं कि 2026 तक ऑनलाइन प्रकाशित होने वाले नए टेक्स्ट का एक बड़ा हिस्सा AI-जनित है। [12] 2024 से 2026 तक के वेब डेटा पर ट्रेन हुए मॉडल, चाहे कोई चाहे या न चाहे, GPT-4, Claude, Gemini और इनके साथियों के आउटपुट पर ट्रेन हो रहे हैं — जो खुद पहले के मानव वेब डेटा पर ट्रेन हुए थे। [12] यह एक फ़ोटोकॉपी की फ़ोटोकॉपी की फ़ोटोकॉपी है। हर बार थोड़ी सटीकता खो जाती है।

कम-दाँव वाली सेटिंग्स में इसका बस यह मतलब है कि आउटपुट ज़्यादा फीका और सामान्य होगा। स्वास्थ्य सेवा, वित्त या सुरक्षा में इसका मतलब बिगड़े हुए मॉडल हो सकते हैं जो सचमुच ख़तरनाक फ़ैसले ले रहे हों — एक ग़लत निदान, एक ख़राब रिस्क स्कोर, एक छूटी हुई असामान्यता। [12] यही वजह है कि “मानव-सत्यापित डेटा” और प्रोवेनेंस ट्रैकिंग चुपचाप फिर से मूल्यवान हो गए हैं। विडंबना यह है कि असली मानव-लिखित सामग्री एक दुर्लभ संसाधन बनती जा रही है।

मूल लूप: मॉडल सबसे पहले सीखते कैसे हैं

मैं इसे संक्षिप्त रखूँगा क्योंकि यह मौजूदा हाइप से पहले का है, पर इसका ज़िक्र बनता है क्योंकि यह भी एक लूप है और लोग इसे बाक़ी के साथ मिला देते हैं।

इससे पहले कि कोई मॉडल एजेंट लूप में बैठ सके, उसे एक ट्रेनिंग लूप आकार देता है। प्रसिद्ध वाला है RLHF — Reinforcement Learning from Human Feedback, वह तकनीक जिसने ChatGPT जैसे मॉडलों को असल में बात करने में सुखद बनाया। [13]

लूप ऐसे काम करता है: एक रिवॉर्ड मॉडल (मूलतः एक AI जज जो मानव प्राथमिकताओं पर ट्रेन होता है) मुख्य मॉडल के जवाबों को स्कोर देता है, और वह स्कोर एक रिवॉर्ड संकेत बन जाता है जिसका उपयोग मॉडल को उन आउटपुट्स की ओर धकेलने के लिए होता है जिन्हें इंसान पसंद करते हैं। [13] जनरेट करो, मूल्यांकन करो, अनुकूलित करो, दोहराओ। मॉडल सचमुच अपने ही प्रयासों पर लूप करके और ग्रेड पाकर सीखता है। [13]

तो आपके पास नीचे तक लूप ही लूप हैं — एक ट्रेनिंग लूप जो मॉडल को आकार देता है, और फिर एक एजेंट लूप जहाँ वह आकार पाया मॉडल काम पर लग जाता है। एक ही शब्द, बहुत अलग समय-पैमाने: एक डेटा सेंटर में हफ़्तों में होता है, दूसरा आपके काम पर सेकंडों में।

यह सुलझाना कि कोई किस लूप की बात कर रहा है

अगर आप इस सबसे एक बात लें, तो वह यह हो कि AI में “लूप” एक ओवरलोडेड शब्द है, और बोलने वाला लगभग कभी नहीं बताता कि कौन-सा। यहाँ मेरी झटपट चीट शीट है:

अगली बार जब कोई किसी मीटिंग में “लूप” गिराए, तो असली सवाल यही है: कौन-सा? ये आपस में जुड़े हैं — ये सभी बीच में एक मॉडल के साथ किसी चीज़ के दोहराने का वर्णन करते हैं — पर इंजीनियरिंग, जोखिम और समाधान पूरी तरह अलग हैं।

एजेंटिक लूप ही वह है जो हाइप ढो रहा है, और यह सचमुच एक बड़ी बात है। पर यह सिर्फ़ इसलिए काम करता है क्योंकि इसके नीचे ट्रेनिंग लूप है, यह सिर्फ़ तभी सुरक्षित रूप से तैनात होता है जब इसे देखता हुआ एक ह्यूमन-ऑन-द-लूप हो, और पूरा इकोसिस्टम चुपचाप उस फीडबैक लूप से सड़ने का जोखिम उठाता है जिसकी कोई निगरानी नहीं कर रहा। चार लूप, एक शब्द, सब आपस में उलझे हुए। कोई हैरानी नहीं कि यह उलझाने वाला है।

समाप्त

स्रोत

1. Building effective agents — Anthropic
2. The Agent Loop, Explained: Perceive, Decide, Act, Observe
3. ReAct: Synergizing Reasoning and Acting in Language Models (PDF)
4. What is a ReAct Agent? — IBM
5. Effective context engineering for AI agents — Anthropic
6. 7 Agentic AI Trends to Watch in 2026 — MachineLearningMastery
7. Human-in-the-Loop vs Human-on-the-Loop in Agentic AI — TekLeaders
8. Preventing Runaway AI Agent Costs and Token Spirals — n1n.ai
9. AI Agents Burn 50x More Tokens Than Chats — LeanOps
10. What Is Model Collapse? — IBM
11. AI models collapse when trained on recursively generated data — Nature
12. The AI feedback loop: Researchers warn of ‘model collapse’ — VentureBeat
13. Reinforcement Learning from Human Feedback (RLHF) for LLMs — SuperAnnotate