क्लॉड के डायनामिक वर्कफ्लोज का उपयोग गहन शोध के लिए कैसे करें

इन तीन वर्षों में, मैंने AI की सहायता से उद्योग अनुसंधान करना छोड़ना असंभव पाया है, और इसके लिए मैंने जानकारी के छानबीन, सारांश, संबंध, सत्यापन और संचय को हल करने के लिए एक श्रृंखला कौशल और सहायता प्रणालियाँ बनाई हैं।

इस हफ्ते तक Claude Code के डायनामिक वर्कफ्लो का गहन अनुभव लेने के बाद ही मैंने "मनुष्य को बड़े समय के खिलाफ नहीं लड़ना चाहिए" इस वाक्य का वास्तविक अर्थ समझा।

फिर से सोचें: AI युग में मनुष्य को किस प्रकार की गहन शोध करनी चाहिए, और मैं और AI के बीच सहयोगात्मक और पूरक संबंध कैसे बनाऊँ।

टेक्निकल रिसर्च करना वास्तव में एक भरा हुआ जाल है (चाहे मनुष्य के लिए हो या AI के लिए), क्योंकि रिसर्च की शुरुआत से ही आपको बहुत सारी जानकारी मिलने लगती है, जिससे विचारों की संख्या बढ़ती जाती है और निष्कर्ष धीरे-धीरे अस्पष्ट होते जाते हैं। इसलिए हमेशा मूल लक्ष्य की ओर वापस आना सीखें।

यही कारण है कि एआई अब तक इतना अच्छा नहीं है, क्योंकि ध्यान और सहसंबंध के दृष्टिकोण से, यह मानव की तुलना में वर्तमान जानकारी की मात्रा में अधिक फंसा रहता है और वास्तविक रूप से मूल्यवान अंतर्विषयक सहसंबंधों के लिए कमजोर होता है।

जहां AI पर्याप्त अच्छा है, वहां उसकी कार्यान्वयन क्षमता है, जो agent के रूप में स्तर दर स्तर खोजती, संकलित करती और सारांशित करती है, जिससे विवरण की हानि पूरी तरह से बचाई जा सकती है।

हालांकि मैंने पिछले छह महीनों में लगभग कोई पब्लिक नंबर नहीं जारी किया है, लेकिन मैंने लगभग सभी प्रमुख उद्योग क्षेत्रों पर व्यापक रूप से ध्यान दिया और अध्ययन किया है, और इस इनपुट-आउटपुट का समर्थन एक अपनी खुद की deep-research प्रणाली द्वारा किया जाता है।

और पिछले हफ्ते Claude Code ने Dynamic Workflows फीचर लॉन्च किया है, मैं अपनी खुद की क्षमता के साथ इसकी डिफ़ॉल्ट क्षमता की तुलना करना चाहता हूँ, ताकि देख सकूँ कि क्या यह पूरी तरह से मेरी तुलना में बेहतर है।

डायनामिक वर्कफ्लोज़ (Dynamic Workflows) का मूल विचार है: कार्य को निष्पादित करने से पहले, AI स्वयं यह डिज़ाइन करता है कि इस कार्य को पूरा करने के लिए कौन सा वर्कफ्लो उपयुक्त होगा, और फिर निष्पादन शुरू करता है।

यह हमारे पहले उपयोग किए गए "प्लान मोड" और "स्किल" से मूलभूत रूप से भिन्न है। प्लान मोड में कार्य को अधिक विस्तार से विभाजित किया जाता है, लेकिन यह आवश्यक रूप से किसी तर्कसंगत कार्य प्रवाह के अनुरूप नहीं होता है; केवल आपके प्रॉम्प्ट के अनुसार ही स्वीकृति मापदंड जोड़े जा सकते हैं (जो Research के लिए अत्यंत महत्वपूर्ण हैं), इसी प्रकार, आपके पास केवल तभी प्रॉम्प्ट होने पर ही वह कुछ हारनेस नियमों का पूर्व-निर्धारण कर सकता है।

लेकिन डायनामिक वर्कफ्लो स्वयं ही स्वीकृति तर्क, परिणाम संगठन और प्रतिरोध प्रमाणीकरण जैसी चीजों को शामिल कर लेता है।

ट्रिगर करना बहुत आसान है, केवल cc में /deep-research का उपयोग करें और कुछ अनुसंधान टेम्पलेट और प्रवेश बिंदु सामग्री प्रदान करें, यदि आप अलग से डायनामिक वर्कफ्लो क्षमता का उपयोग करना चाहते हैं, तो प्रॉम्प्ट या सीधे ultracode कहें, उपयोग से पहले ध्यान दें कि token की खपत सामान्य की तुलना में दहाई गुना होगी।

डायनेमिक वर्कफ्लो के नीचे, आधिकारिक रूप से सामान्य डायलॉग/एजेंट/स्किल से अधिक शक्तिशाली बनाने वाले छह मूल स्केड्यूलिंग मॉडल हैं।

वास्तव में, इन छह मोड्स के पीछे केवल दो मूल समस्याएँ हैं: कार्य कैसे विभाजित किया जाए? और परिणाम कैसे एकीकृत किया जाए? छह को अलग-अलग करना वास्तव में इन दोनों के विभिन्न संयोजन हैं।

3.1 रूटिंग मोड (वर्गीकृत-और-क्रिया)

एक एजेंट पहले कार्य प्रकार की पहचान करता है, फिर उस कार्य को सबसे उपयुक्त विशेषज्ञ एजेंट को असाइन करता है। मुख्य तर्क रूटिंग का चयन है, न कि समानांतर या दोहराव। एक कार्य केवल एक ही पथ से गुजरता है, अन्य पथ पूरी तरह से नहीं चलते।

उदाहरण के लिए, मैं पहले तीन पूर्वनिर्धारित subagent भूमिकाएँ रख सकता हूँ: एक कठोरता से डेटा की जाँच करने वाला विश्लेषण agent, एक लेखन में कुशल आउटपुट agent, और एक विशेष रूप से दोष ढूँढने वाला चुनौती agent। रूटिंग स्तर निर्णय लेगा कि वर्तमान उप-कार्य किसके पास भेजा जाए, न कि एक agent सभी कार्यों को संभाले।

इस मॉडल का मूल्य इसमें है: सटीकता और बचत, प्रत्येक एजेंट के प्रॉम्प्ट्स अत्यधिक स्वतंत्र हो सकते हैं, अन्य लक्ष्यों से प्रभावित नहीं होते, जिससे ऊर्ध्वाधर गहराई के साथ अन्वेषण होता है। टोकन खपत न्यूनतम है, प्रतिक्रिया गति सबसे तेज है। जिम्मेदारियों की सीमाएँ बहुत स्पष्ट हैं।

दोष भी स्पष्ट हैं, सीमाओं को धुंधला करने वाले कार्यों (जैसे "तकनीकी समस्या और खाता समस्या दोनों") के साथ संभालने की क्षमता कम है।

3.2 फैन-आउट और एकीकरण

यह मेरा सबसे अधिक उपयोग किया जाने वाला पैटर्न है, जिसका मुख्य तर्क समानांतर + संयोजन है। कार्य को N स्वतंत्र उपकार्यों में विभाजित किया जाता है जो एक साथ चलते हैं, और सभी के पूरा होने के बाद एक साथ संयोजित किए जाते हैं।

फायदा गति और अलगाव में है। कुल समय लगभग सबसे धीमे उप-कार्य के बराबर होता है, न कि सभी उप-कार्यों के योग के बराबर। प्रत्येक उप-कार्य का अलग context होता है, जो एक-दूसरे से अलग रहता है और किसी एक उप-कार्य के शोर से अन्य उप-कार्य प्रभावित नहीं होते।

कमजोरी यह है कि टोकन लागत अनुक्रमिक रूप से N गुना हो जाती है, और संश्लेषण (Synthesize) परत को एकीकृत करना भी कठिन है—असमान N-पथ आउटपुट को कैसे एकीकृत किया जाए, यह एक डिज़ाइन चुनौती है। उप-कार्यों का अच्छी तरह से विभाजित न होना लापता या दोहराव वाले कवरेज का कारण बन सकता है।

3.3 सामने वाली सत्यापन (Adversarial Verification)

मूल तर्क यह है कि एक ही निष्कर्ष के लिए, कई एजेंट्स "विरोध" के दृष्टिकोण से चुनौती दें, और केवल तभी यह पारित होता है जब बहुमत मतदान हो।

लाभ यह है कि चूंकि वेरिफायर को वर्कर के विचार नहीं पता होते, बस परिणाम देखता है, इससे "मॉडल द्वारा अपने द्वारा लिखे गए कोड की जांच करना" के समय की स्व-मूल्यांकन विषमता संरचनात्मक रूप से समाप्त हो जाती है।

यह मॉडल एक लंबे समय से मुझे परेशान करने वाली समस्या को हल करता है: हम अक्सर AI के साथ बोलचाल की भाषा में बात करते हैं, लेकिन AI अपने उत्तरों में आपकी अपेक्षाओं का अनुसरण करने की प्रवृत्ति रखता है, जिससे "पुष्टि पूर्वाग्रह" हो सकता है। विरोधी प्रमाणीकरण के माध्यम से AI को विपरीत उदाहरण ढूंढने, डेटा और प्रयोगों के आधार पर सत्यापन करने के लिए मजबूर किया जाता है, न कि आपके विचारों का अनुसरण करने के लिए।

लेकिन, इसकी पुष्टि करते समय, अगर वह गलत निर्णय देता है, तो यह Worker को भ्रमित कर सकता है और उसे Verifier के अनुकूल होने के लिए प्रेरित कर सकता है। इसलिए, राय के बजाय, पुनर्लब्ध करने योग्य तथ्यों पर आधारित होना बेहतर है।

मजाक में कहूं तो, अगर आप AI को समस्याएं ढूंढने के लिए कहें, तो वह असीमित रूप से समस्याएं ढूंढ सकता है, इसलिए आपको उसकी समस्या ढूंढने की सीमा निर्धारित करनी होगी।

3.4 उत्पन्न करें और फ़िल्टर करें

मूल तर्क विस्तार और फिर संकुचन है। पहले जानबूझकर अतिरिक्त विकल्प उत्पन्न करें, फिर rubric का उपयोग करके उन्हें निकालकर केवल उच्च आत्मविश्वास वाले परिणाम बरकरार रखें।

एक एजेंट द्वारा एक "ठीक" उत्तर देने के बजाय, इसे दस उत्तर उत्पन्न करने दें और फिर वेरिफिकेशन लेयर के माध्यम से छानबीन करें। इसलिए लाभ विविधता में है। कई जनरेटर अलग-अलग रणनीतियों और प्रॉम्प्ट्स का उपयोग करके मानवीय रूप से कठिनाई से पूर्वानुमानित हल प्रदान कर सकते हैं, और फिल्टरिंग चरण अंतिम आउटपुट की गुणवत्ता को अत्यधिक केंद्रित करता है।

कमजोरी यह है कि फिल्टर के रूब्रिक की गुणवत्ता अंतिम परिणाम को सीधे प्रभावित करती है, रूब्रिक का गलत डिज़ाइन पूरी प्रक्रिया को बर्बाद कर देता है

उपयुक्त परिदृश्य उन स्थितियों के लिए हैं जहाँ सही उत्तर पहले से अज्ञात होता है, कई संभावनाओं में से सर्वोत्तम का चयन करने की आवश्यकता होती है, और विविधता की स्पष्ट आवश्यकता होती है।

Fanout-And-Synthesize के साथ केवल बाहरी रूप से समानता है: दोनों "बहुमुखी समानांतर → एकल आउटपुट" हैं, जो सबसे आसानी से भ्रमित हो सकते हैं।

मुख्य अंतर इरादे में है: फैनआउट की प्रत्येक शाखा कार्य के अलग-अलग हिस्सों को संभालती है, परिणाम पूरक होते हैं, और एकत्रित करने पर सभी शाखाएँ योगदान देती हैं; जेनरेट-एंड-फिल्टर की प्रत्येक शाखा एक ही कार्य को संभालती है, परिणाम प्रतिस्पर्धी होते हैं, और एकत्रित करने पर अधिकांश को फेंक दिया जाता है। पहला "पहेली" है, दूसरा "सुंदरता प्रतियोगिता" है।

3.5 टूर्नामेंट मोड

मूल तर्क प्रतिस्पर्धा और बाहर निकालना है। N एजेंट स्वतंत्र रूप से एक ही कार्य करते हैं, जिसमें युग्मित तुलना के माध्यम से चरणबद्ध रूप से बाहर निकाला जाता है और अंततः सर्वोत्तम हल चुना जाता है।

मैंने पहले इसे हाथ से किया था—एक ही कोड बदलाव को दो या तीन संस्करणों में चलाकर AI को तुलना करने के लिए कि कौन सा बेहतर है। अब इसे सीधे कार्यप्रवाह में शामिल किया जा सकता है।

फायदा निर्णय स्थिरता में है। दो-दो की तुलना ("A और B में से कौन बेहतर है?") निरपेक्ष अंकन ("A को अंक दें") की तुलना में काफी अधिक स्थिर है, क्योंकि अंकन मानदंडों के विचलन को बाहर रखता है। परिणाम कई चक्रों की प्रतिस्पर्धा के बाद प्राप्त होते हैं, जिससे अंतिम विजेता की विश्वसनीयता अधिक होती है।

Generate-And-Filter भी सतही रूप से समान है: दोनों कई उम्मीदवारों में से सर्वोत्तम का चयन करते हैं। मुख्य अंतर चयन तंत्र में है: टूर्नामेंट पेयरवाइज जज का उपयोग करके दो-दो करके तुलना करता है, जो "उम्मीदवारों को एक-दूसरे के साथ प्रतिस्पर्धा करने के लिए बुलाना" है। जब मापदंड को मात्रात्मक रूप से नहीं बनाया जा सकता और निर्णय सापेक्षिक होता है, तो यह अधिक विश्वसनीय होता है।

3.6 लूप मोड

मूल तर्क अनुकूलन दोहराव है, लगातार प्रयास करना, बाधा का सामना करने पर त्रुटि जानकारी एकत्र करना, संदर्भ जोड़ना, और स्वीकृति मानदंडों को पूरा करने तक पुनः प्रयास करना।

वास्तव में AI की यादृच्छिकता के खिलाफ है: कई बार प्रयास करें, अंततः बेहतर परिणाम मिल जाएगा। लेकिन अधिक परिपक्व दृष्टिकोण है कि प्रत्येक चक्र को अधिक जानकारी के साथ निष्पादित करने के लिए प्रतिस्पर्धी सत्यापन का उपयोग करें, और केवल यादृच्छिकता पर निर्भर न रहें।

इसका लाभ अज्ञात कार्यों के प्रबंधन क्षमता में है। अन्य पाँच मोड्स सभी यह मानते हैं कि कार्य सीमाएँ निर्धारित हैं, जबकि "Loop Until Done" एकमात्र मोड है जो "कितने चक्र करने हैं, यह अज्ञात है" की स्थिति को संभाल सकता है।

कमजोरी अनियंत्रित जोखिम है—अच्छी तरह से डिज़ाइन न किए गए रोकने की शर्तें अनंत लूप का कारण बन सकती हैं। प्रत्येक चक्र का एजेंट एक नया संदर्भ होता है, और यह क्रॉस-राउंड स्थिति को इकट्ठा नहीं कर सकता (जब तक कि इसे स्पष्ट रूप से फ़ाइल में लिखा न जाए)।

जब तक डायनामिक वर्कफ्लो बाहर नहीं आया, मैंने अपनी खुद की deep-research डिज़ाइन की थी। मेरे उस skill का तर्क लगभग ऐसा था:

1. केवल एक सरल सूचना दें (जैसे किसी प्रोजेक्ट ने किसी फीचर को नया लॉन्च किया है)
2. AI को सभी संबंधित सामग्री खोजने के लिए भेजें: आधिकारिक दस्तावेज, सोर्स कोड, बाजार की राय
3. सूचना को अर्थपूर्ण सारांश में संक्षिप्त करें
4. कई एजेंट भूमिकाएँ विरोधी विश्लेषण करती हैं, रिपोर्ट बनाती हैं
5. ऑटो डुप्लिकेट रिमूवल, क्योंकि मल्टी-एजेंट कंटेंट की रिपीट रेट बहुत अधिक है

कुछ समय तक इस्तेमाल करने के बाद, मुझे लगता है कि यह बहुत अच्छा है। लेकिन इसमें एक मूलभूत दोष है: लक्ष्य-आधारित अभिसरण की कमी।

और अक्सर, भले ही पांचवें चरण में डुप्लिकेट हटाया जाए, लेकिन इस समय वह अक्सर मूल्यवान जानकारी को हटा देता है; अगर डुप्लिकेट हटाया नहीं जाए, तो स्किल आपको एक दस हजार शब्दों का लेख दे देता है, जिसमें सभी जानकारी होती है, लेकिन यह सीधे आपको नहीं बताता कि "इस बात का आपके साथ क्या संबंध है, आपको क्या करना चाहिए"।

हालाँकि, शोध “निर्णय” के लिए किया जाता है, इसलिए कई कौशल केवल शोध तक ही सीमित रह जाते हैं, जिन्हें 80 अंक मिलते हैं, लेकिन सबसे महत्वपूर्ण 20 अंक कम होते हैं।

इसलिए AI को शुरुआती अध्ययन पूरा करने के बाद भी दस बार और सोचना और बातचीत करनी पड़ती है, ताकि संतोषजनक और व्यापक निष्कर्ष निकाला जा सके।

ऑफिशियल अपडेट वर्कफ्लो ने और क्या किया

इस हफ्ते कई जटिल अनुसंधान कार्यों के परीक्षण के माध्यम से, मैंने पाया कि Claude Code में अंतर्निहित deep research वर्कफ्लो (ध्यान दें, यह केवल skill नहीं है, बल्कि cc में एम्बेड किए गए मॉड्यूल है), मेरे अपने skill की तुलना में कुछ कुंजी चरण जोड़ता है:

• प्रश्न विघटन स्तर: यह सीधे खोज शुरू नहीं करता, बल्कि पहले प्रश्न पूछना शुरू करता है, मेरे प्रश्न को कई उप-प्रश्नों में विभाजित करता है: आप वास्तव में क्या समझना चाहते हैं? इस बात का आपके साथ क्या संबंध है? कौन से पहलू गहराई से जांचने योग्य हैं? मैं पहले इस चरण को छोड़ देता था।
• Trustworthiness assessment: Evaluate each piece of information for falsifiability, similar to authority scoring in traditional SEO—Is the source reliable? How many citations does it have? This is a step I hadn't thought to include before.
• क्रॉस-डिलीटिंग बजाय औसत मर्जिंग: मैं पहले सभी निष्कर्षों का औसत लेता था, इसलिए दस्तावेज़ बहुत बड़ा था। डायनामिक वर्कफ्लो प्रत्येक निष्कर्ष के लिए कई एजेंट मतदान करेगा, और जिनके मत कम होंगे, उन्हें हटा दिया जाएगा, सिर्फ मर्ज नहीं किया जाएगा।
• लक्ष्य-उन्मुख आउटपुट: अंतिम रिपोर्ट जानकारी का ढेर नहीं होती, बल्कि आपके मूल लक्ष्य के चारों ओर निर्णय और सुझाव प्रस्तुत करती है। इसे प्राप्त करने की कुंजी इसमें है कि वह बहु-एजेंट की पूर्व-निर्धारित क्षमताओं को सक्रिय करता है। मैं पहले इसलिए स्किल में अंतिम लक्ष्य-उन्मुखता की कमी महसूस करता था क्योंकि विशाल मात्रा में जानकारी के बाद निर्देशों का भार कम हो जाता था।

These mechanisms solve what problems?

AI द्वारा लंबे कार्यों के कुछ प्रमुख समस्याओं को संबोधित किया जा रहा है:

लक्ष्य में विचलन: कार्य शुरू होने पर स्थिति अच्छी होती है, लेकिन बीच में यह अज्ञात हो जाता है कि क्या कर रहे हैं, और अंत में फिर से गति पकड़ ली जाती है—इसके समान है जैसे मनुष्य कक्षा में ध्यान भटक जाए। जितना लंबा कार्य, उतना स्पष्ट।

अति शीघ्र रुकना: दौड़ते समय कठिनाई का सामना करते हुए, AI यह मान लेता है कि यह "पूरा" हो गया है और रुक जाता है, जबकि स्वीकृति मानदंड पूरी तरह से पूरा नहीं हुआ है।

कॉन्टेक्स्ट पOLLUTION: एकल एजेंट द्वारा जटिल कार्य करने पर, पूर्ववर्ती बड़ी मात्रा में प्रॉम्प्ट आगे के निष्पादन के स्थान को संकुचित कर देते हैं। बेहतर तरीका यह है कि पूर्ववर्ती प्रॉम्प्ट को कुछ के के भीतर सीमित रखा जाए और कॉन्टेक्स्ट को बहु-एजेंट द्वारा बाँटा जाए।

आउटपुट बायस: AI आपकी अपेक्षाओं के अनुसार उत्तर देने की प्रवृत्ति रखता है, मौखिक प्रश्न इस समस्या को आसानी से ट्रिगर करते हैं।

और डायनामिक वर्कफ्लो इन चार समस्याओं को संरचित तरीके से हल करता है: अतिशीघ्र रुकावट को रोकने के लिए स्वचालित स्वीकृति मापदंड; समानांतर रूप से संदर्भ को अलग करना; आउटपुट बायस के खिलाफ पुष्टि करना; समस्या को विघटित करके AI को लक्ष्य को समझने और फिर कार्रवाई करने के लिए क्रमिक प्रतिबंध लगाना।

अंत में, लेखक, एक लंबे समय से शोधकर्ता के रूप में, इस CC नए तंत्र की प्रशंसा करता है, जिसमें छह प्रकार के मोड—रूटिंग चयन, विभाजन और संयोजन, प्रतिस्पर्धी पुष्टि, जनरेशन फिल्टरिंग, टूर्नामेंट चुनाव, और लूप लूप—अधिकांश जटिल शोध कार्यों की नियोजन आवश्यकताओं को कवर करते हैं।

मुझे एजेंट शेड्यूलिंग के लिए मैन्युअल डिज़ाइन करने की आवश्यकता नहीं है, और न ही मुझे डुप्लिकेट हटाने और क्रॉस-वेरिफिकेशन के लिए खुद करना पड़ता है, ये सब वर्कफ्लो में ही शामिल कर दिए गए हैं।

और वह विशेष रूप से अपर्याप्त जानकारी वाले, खुले प्रश्नों की जांच में सोचने के लिए उपयुक्त है, क्योंकि प्राकृतिक रूप से बहु-एजेंट नियोजन + कार्य लक्ष्यों का विभाजन, उसे सामान्यता में फिर से बढ़ाता है, वास्तव में 3 साल पहले के AI ने पहले ही एक स्तरबद्ध प्रतिबंधित परिदृश्य में, जहां केवल अत्यधिक स्पष्ट छोटे समस्याओं को हल करने के लिए कहा जाता था, बहुत अच्छा काम किया था, लेकिन AI का वास्तविक गुणवत्ता में परिवर्तन सामान्यता में हुआ, यही बात उसके प्रतिद्वंद्वियों को सरल कोड से वास्तविक एजेंट में बदलने के लिए प्रेरित करती है, एक स्थिर समस्या को हल करने से लेकर किसी भी समस्या के अनुकूल होने तक।

इसलिए डायनामिक वर्कफ्लोज़ "अधिक बुद्धिमान एकल संवाद" नहीं हैं, बल्कि अनुसंधान प्रक्रिया को संरचित करते हैं।

मूल रूप से मुझे दसों अलग-अलग संवादों की अनुसंधान आवश्यकता थी, अब यह 3-4 बार तक संकुचित हो गया है। हालाँकि, संबंधित Token खपत दहलीज से अधिक बढ़ गई है।

तो फिर इसके लिए अभी भी 3-4 बार क्यों? मुझे लगता है कि मूल कारण इन आवश्यकताओं के अंतर में है।

पहला बात वेरिफिकेशन मैकेनिज्म की कठोरता है, मैं मुख्य रूप से ब्लॉकचेन पर नए तकनीकों का अध्ययन करता हूँ, बहुत सी बातें, आधिकारिक दस्तावेज़ पीछे रह जाते हैं, अधिक उपयोगी ओपन सोर्स कोड, चेन पर लेनदेन आदि डेटा होते हैं, और वर्तमान में AI डिफ़ॉल्ट रूप से आधिकारिक दस्तावेज़ पर ही आधारित होता है, न कि तथ्यात्मक पुष्टि पर।

दूसरा पूर्णतः अंतर्विषयी गहन विचार है, जिसे हालांकि कार्यप्रवाह पूर्वनिर्धारण के माध्यम से कुछ हद तक हल किया जा सकता है (विभिन्न आयामों के subAgent को पूर्वनिर्धारित करके एक ही समस्या पर विचार किया जा सकता है)। लेकिन AI की शक्ति मुख्य विचार प्रणालियों में है, बहुत नए, बहुत गहन, और डेटा के आधार पर कम उपलब्ध समस्याओं के लिए यह थोड़ा कमजोर है।

तीसरा समाधान डिजाइन और पुष्टि है, समाधान का महत्व इसे प्रस्तावित करने में नहीं, बल्कि इसकी पुष्टि और समर्थन में है, यह मौजूदा तंत्र, निवेश और लागत के मापन पर आधारित है, यदि AI को अच्छी तरह से ट्रेन किया जाए तो इसे बेहतर ढंग से किया जा सकता है, हालाँकि यह सार्वभौमिकता के विपरीत है।

अंत में, जानकारी का अत्यधिक संक्षेपण होता है, जिसके लिए आपको जानकारी के प्राप्तकर्ता की समझ के स्तर को समझना होगा—कुछ लोगों के पास कोई बैकग्राउंड नहीं होता, इसलिए आपको उन्हें मानवीय रूप से समझाना होगा, जबकि कुछ श्रोताओं को एक वाक्य में प्रभावित किया जा सकता है~।