# एजेंटिक AI और टोकन की बर्बादी

> AI एजेंट किसी चैट से कई गुना ज़्यादा टोकन और ऊर्जा क्यों खर्च कर सकते हैं, लूप उन्हें कैसे बर्बाद करते हैं, और कौन-सी सीमाएँ एजेंटों को सही आकार में रखती हैं।

Source: https://greenai.guide/hi/लेख/एजेंटिक-ai-और-टोकन-की-बर्बादी/  
Updated: 2026-11-19

## संक्षेप में

AI एजेंट कामों को कई चरणों में पूरा करते हैं और बार-बार मॉडल और टूल को कॉल करते हैं, इसलिए एक ही अनुरोध किसी चैट से कई गुना ज़्यादा टोकन खर्च कर सकता है। मल्टी-एजेंट सिस्टम इसे और बढ़ा देते हैं, और जब एजेंट लूप में फँस जाते हैं या एक-दूसरे की बात समझे बिना संदेश भेजते रहते हैं, तो टोकन बर्बाद होते हैं। बजट, चरणों की सीमा, लूप की पहचान और सही आकार के मॉडल एजेंटों को उपयोगी बनाए रखते हैं, बिना बेवजह ऊर्जा जलाए।

## मुख्य बातें

- एक एजेंट हर काम के लिए मॉडल को कई बार कॉल करता है, इसलिए उसका टोकन उपयोग, और ऊर्जा उपयोग, एक अकेली चैट से कई गुना हो सकता है।
- मल्टी-एजेंट सिस्टम टोकन उपयोग को और कई गुना बढ़ा देते हैं, जो केवल उन्हीं कामों में फ़ायदेमंद है जो इतने मूल्यवान और जटिल हों कि उन्हें इसकी ज़रूरत हो।
- एजेंट लूप में फँस सकते हैं या काम दोहरा सकते हैं, और बिना कोई प्रगति किए टोकन खर्च करते रहते हैं।
- चरणों, टोकन, समय और खर्च पर सख़्त सीमाएँ, और ऐसी निगरानी जो फँसे हुए रन को रोक सके, बुनियादी सुरक्षा उपाय हैं।
- सही आकार देने का मतलब है, जब काम इजाज़त दे, तो एक ही एजेंट, छोटा मॉडल या बिल्कुल भी एजेंट न इस्तेमाल करना।

AI एजेंट ऐसे सिस्टम हैं जो कई चरणों में किसी लक्ष्य की ओर काम करते हैं, और चुनते हैं कि कौन-से टूल कॉल करने हैं और
आगे क्या करना है। वे बुकिंग कर सकते हैं, खोज कर सकते हैं, कोड लिख सकते हैं, उसे टेस्ट कर सकते हैं और फिर से कोशिश कर
सकते हैं। यह स्वायत्तता उपयोगी है, लेकिन हर चरण किसी मॉडल को एक और कॉल है, और लागत उस तरह जुड़ती जाती है जैसे एक अकेली
चैट में नहीं होता।

## एजेंटों को महँगा क्या बनाता है? {#what-makes-agents-expensive}

**एक एजेंट हर काम के लिए मॉडल को कई बार कॉल करता है, और हर कॉल में आम तौर पर अब तक के काम का बढ़ता हुआ इतिहास शामिल
होता है।** टोकन उपयोग, और इसलिए ऊर्जा उपयोग, हर चरण, टूल कॉल और दोबारा कोशिश के साथ बढ़ता है।

टोकन टेक्स्ट का एक टुकड़ा है, मोटे तौर पर किसी शब्द का हिस्सा, जिसे मॉडल पढ़ता या लिखता है। प्रोसेस होने वाले हर टोकन पर
कंप्यूटिंग खर्च होती है। चैट में एक सवाल से एक जवाब मिलता है। एजेंट में एक अनुरोध से दर्जनों मॉडल कॉल हो सकती हैं: योजना
बनाना, खोजना, नतीजे पढ़ना, लिखना, जाँचना और सुधारना।

Anthropic ने 2025 में अपना मल्टी-एजेंट रिसर्च सिस्टम बनाने के विवरण में इसका वर्णन किया। उसने बताया कि एजेंट आम तौर पर
चैट की तुलना में लगभग चार गुना ज़्यादा टोकन इस्तेमाल करते थे, और मल्टी-एजेंट सिस्टम लगभग पंद्रह गुना ज़्यादा। उसने यह भी
पाया कि उसके ब्राउज़िंग बेंचमार्क पर अकेले टोकन उपयोग ही प्रदर्शन में 80% अंतर की व्याख्या करता था: सिस्टम बेहतर इसलिए
करते थे क्योंकि वे ज़्यादा खर्च करते थे।

किसी कठिन और मूल्यवान काम के लिए यह उचित सौदा है। किसी सरल काम के लिए यह बर्बादी है।

## क्या एजेंटों के ऊर्जा उपयोग पर कोई प्रमाण है? {#is-there-evidence-on-agents-energy-use}

**शुरुआती शोध इसी दिशा में इशारा करता है।** Kim, Shin, Chung और Rhu (2025) ने डेटा सेंटर इंफ्रास्ट्रक्चर के नज़रिए से
एजेंटिक, कई-चरण वाले वर्कफ़्लो की तुलना एक-चरण वाले इन्फ़रेंस से की। उन्होंने पाया कि एजेंट काफ़ी ज़्यादा ऊर्जा इस्तेमाल
करते थे, कि ज़्यादा कंप्यूटिंग लगाने पर सटीकता में होने वाले सुधार घटते गए, और कि इस तरह एजेंटों को बढ़ाने की
इंफ्रास्ट्रक्चर लागत टिकाऊ नहीं रह सकती।

असल तैनाती के मापे गए आँकड़े अब भी कम हैं, क्योंकि प्रदाता उन्हें कम ही प्रकाशित करते हैं। देखें
[माप ही असली रुकावट है](/hi/लेख/ग्रीन-ai-की-सबसे-बड़ी-रुकावट-माप/)।

## एजेंट टोकन कैसे बर्बाद करते हैं? {#how-do-agents-waste-tokens}

**ऐसा काम करके जो काम को आगे नहीं बढ़ाता।** आम पैटर्न ये हैं:

- **लूप।** एजेंट एक ही काम बार-बार करता है, या दो एजेंट किसी समस्या को एक-दूसरे को लौटाते रहते हैं।
- **ज़रूरत से ज़्यादा जाँच।** हर चरण की समीक्षा एक और मॉडल कॉल से होती है, जबकि एक सरल टेस्ट काफ़ी होता।
- **कॉन्टेक्स्ट का फूलना।** पूरे दस्तावेज़, लॉग या टूल आउटपुट हर अगले चरण में साथ ढोए जाते हैं।
- **दोबारा कोशिशों की बाढ़।** एक विफलता बार-बार दोबारा कोशिशें शुरू कर देती है, कभी-कभी और भी बड़े मॉडलों पर।
- **ज़रूरत से ज़्यादा बँटवारा।** एक काम कई एजेंटों में बाँट दिया जाता है जबकि एक ही काफ़ी होता।

Cemri और उनके सहयोगियों (2025) ने सात मल्टी-एजेंट फ़्रेमवर्क के 1,600 से ज़्यादा एनोटेट किए गए ट्रेस का विश्लेषण किया
और इन सिस्टमों के विफल होने के 14 अलग-अलग तरीक़े पहचाने, जिन्हें तीन श्रेणियों में रखा गया: सिस्टम और काम को परिभाषित
करने में समस्याएँ, एजेंटों के बीच तालमेल की कमी, और काम की पुष्टि करने में विफलता। विफलता का हर तरीक़ा बिना नतीजा पाए
टोकन खर्च करने का भी एक तरीक़ा है।

गणितज्ञों, कंप्यूटर वैज्ञानिकों और उद्योग के लोगों के 2026 के एक UK ग्रीन AI सैंडपिट (गहन चर्चा कार्यशाला) में इसी समस्या
पर बात हुई: एजेंटों के झुंड ख़ुद को फँसा सकते हैं, एक-दूसरे को निरर्थक आउटपुट भेजते हुए लाखों टोकन जला सकते हैं। उसने जो
खुला शोध प्रश्न उठाया, वह यह है कि गणितीय रूप से और जल्दी कैसे पहचाना जाए कि एजेंटों का कोई समूह फँस गया है, ताकि कोई
व्यक्ति या कोई चीज़ उसे रोक सके।

## क्या यह पर्यावरण के साथ-साथ व्यावसायिक रूप से भी मायने रखता है? {#does-this-matter-commercially-as-well-as-environmentally}

**हाँ; लागत और ऊर्जा साथ-साथ बढ़ती हैं।** Gartner ने जून 2025 में अनुमान लगाया कि 2027 के अंत तक 40% से ज़्यादा एजेंटिक AI
प्रोजेक्ट रद्द कर दिए जाएँगे, जिसकी वजह बढ़ती लागत, अस्पष्ट व्यावसायिक मूल्य या जोखिम पर अपर्याप्त नियंत्रण होगी। टोकन की
बर्बादी इनमें से पहली वजह में सीधा योगदान देती है।

## कौन-से सुरक्षा उपाय एजेंटों को क़ाबू में रखते हैं? {#what-guardrails-keep-agents-in-check}

**सख़्त सीमाएँ, निगरानी और रोकने का एक तरीक़ा।** ये बुनियादी इंजीनियरिंग नियंत्रण हैं, और ज़्यादातर एजेंट फ़्रेमवर्क इनमें से
कुछ का समर्थन करते हैं।

| सुरक्षा उपाय | यह क्या करता है |
|---|---|
| चरणों की सीमा | एक रन में मॉडल कॉल की संख्या सीमित करती है। उदाहरण के लिए, OpenAI Agents SDK में `max_turns` सेटिंग है जो सीमा पार होने पर रन रोक देती है। |
| टोकन या खर्च का बजट | तय लागत पार होने पर रन रोकता है या उसे ऊपर भेजता है। |
| समय सीमा | उम्मीद से बहुत ज़्यादा समय लेने वाले रन ख़त्म करती है। |
| लूप की पहचान | दोहराए गए कामों या एजेंटों के बीच लगभग एक जैसे संदेशों को चिह्नित करती है। |
| बाहरी पर्यवेक्षक | एक अलग, सस्ती प्रक्रिया या कोई व्यक्ति जो प्रगति पर नज़र रखता है और रन रोक सकता है: "लाल बटन"। |
| कॉन्टेक्स्ट छाँटना | पुराने इतिहास का सारांश बनाता है या उसे हटाता है, ताकि हर कॉल कम टोकन पढ़े। |

सीमाओं को सुरक्षित ढंग से विफल होना चाहिए: जब बजट ख़त्म हो, तो एजेंट को रुककर बताना चाहिए कि उसके पास क्या है, चुपचाप
दोबारा कोशिश नहीं करनी चाहिए।

## किसी एजेंट को सही आकार देने का क्या मतलब है? {#what-does-right-sizing-an-agent-mean}

**वह सबसे सरल सिस्टम इस्तेमाल करना जो काम कर दे।** मल्टी-एजेंट सिस्टम बनाने से पहले इस सूची में ऊपर से नीचे जाएँ:

1. **कोई एजेंट नहीं।** क्या कोई तय स्क्रिप्ट, कोई खोज या एक अकेली मॉडल कॉल यह कर सकती है?
2. **टूल के साथ एक कॉल।** एक अकेली, अच्छे प्रॉम्प्ट वाली मॉडल कॉल जो कोई टूल इस्तेमाल कर सके, अक्सर काफ़ी होती है।
3. **एक एजेंट।** चरणों की सीमा के साथ एक अकेला एजेंट।
4. **कई एजेंट**, केवल उन कामों के लिए जो व्यापक, मूल्यवान और सच में समानांतर हों।

इनमें से किसी में भी, वर्गीकरण, जानकारी निकालने और फ़ॉर्मैटिंग जैसे सरल उप-कामों के लिए छोटे मॉडल इस्तेमाल करें, और बड़े
मॉडल कठिन तर्क के लिए रखें। एक पेच है: बहुत छोटा मॉडल विफल हो सकता है और किसी बड़े मॉडल पर दोबारा चलाना पड़ सकता है, और
किसी लंबी शृंखला में एक विफलता आगे के चरणों को पटरी से उतार सकती है। यह सीमा तय करना एक डिज़ाइन निर्णय है जिसे टेस्ट करना
चाहिए। देखें [सही मॉडल चुनना](/hi/अच्छी-प्रथाएँ/काम-के-हिसाब-से-सही-मॉडल-चुनें/) और
[जनरेशन से ज़्यादा ऑर्केस्ट्रेशन](/hi/लेख/जनरेशन-से-पहले-ऑर्केस्ट्रेशन/)।

## आगे क्या करें {#what-to-do-next}

- अपने चलाए हर एजेंट के लिए, हर पूरे हुए काम पर टोकन दर्ज करें, जिसमें दोबारा कोशिशें और विफल रन भी शामिल हों।
- हर एजेंट के प्रोडक्शन में जाने से पहले उस पर चरण, टोकन, समय और खर्च की सीमाएँ तय करें।
- लूप की पहचान और किसी व्यक्ति के लिए रन रोकने का तरीक़ा जोड़ें।
- सबसे सरल डिज़ाइन से शुरू करें जो काम करे, और एजेंट तभी जोड़ें जब काम को उनकी ज़रूरत हो।
- सरल उप-कामों को छोटे मॉडलों की ओर भेजें। देखें [AI का कुशलता से उपयोग करें](/hi/अच्छी-प्रथाएँ/ai-का-कुशल-उपयोग-रोज़-की-आदतें/)।
- अगर आप एजेंटिक टूल ख़रीदते हैं, तो सप्लायरों से पूछें कि वे टोकन उपयोग को कैसे सीमित करते हैं और उसकी रिपोर्ट कैसे करते हैं:
  देखें [टिकाऊ AI ख़रीद](/hi/अच्छी-प्रथाएँ/टिकाऊ-ai-ख़रीद/)।

## अक्सर पूछे जाने वाले सवाल

### एजेंटिक AI क्या है?

ऐसे AI सिस्टम जो किसी एक प्रॉम्प्ट का जवाब देने के बजाय कई चरणों में किसी लक्ष्य की ओर बढ़ते हैं, और ख़ुद तय करते हैं कि कौन-से टूल कॉल करने हैं और आगे क्या करना है। वे अक्सर हर काम के लिए किसी भाषा मॉडल को कई बार कॉल करते हैं।

### AI एजेंट इतने ज़्यादा टोकन क्यों इस्तेमाल करते हैं?

हर चरण काम का लगातार बढ़ता इतिहास वापस मॉडल को भेजता है, और एजेंट टूल कॉल कर सकते हैं, अपने काम की जाँच कर सकते हैं और दोबारा कोशिश कर सकते हैं। मल्टी-एजेंट सिस्टम एजेंटों के बीच संदेश भी भेजते हैं, और हर संदेश पर टोकन खर्च होते हैं।

### मैं किसी AI एजेंट को टोकन बर्बाद करने से कैसे रोकूँ?

चरणों की संख्या, टोकन, समय और खर्च पर सीमाएँ तय करें; लूप और दोहराए गए कामों को पहचानें; सरल उप-कामों के लिए छोटे मॉडल इस्तेमाल करें; और यह सुनिश्चित करें कि कोई व्यक्ति रन को रोक सके।

## स्रोत

- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Why do multi-agent LLM systems fail?](https://arxiv.org/abs/2503.13657), Cemri et al. (2025)
- [The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective](https://arxiv.org/abs/2506.04301), Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
- [Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027), Gartner (2025)
- [Running agents (max_turns)](https://openai.github.io/openai-agents-python/running_agents/), OpenAI Agents SDK documentation (2025)
