SSD Nodes Learn Hosting plans →
गाइड Matt Connorलेखक: Matt Connor

Agentic AI vs AI agent vs generative AI: फ़र्क क्या है?

Generative AI सिर्फ़ लिखता है, AI agent tools चलाकर काम पूरा करता है, और agentic AI कई agents में काम बाँटता है। एक बिल रिमाइंडर के उदाहरण से समझिए और JD परखना सीखिए।

एक लाइन में जवाब: generative AI, AI agent और agentic AI

Agentic AI, AI agent और generative AI तीन अलग चीज़ें हैं। फिर भी job description (JD), course के विज्ञापन और hackathon के नाम इन्हें अक्सर एक ही अर्थ में इस्तेमाल करते हैं। सबसे छोटा फ़र्क यह है: generative AI नया content बनाता है, AI agent tools चलाकर एक काम पूरा करता है, और agentic AI शब्द ज़्यादातर उस system के लिए आता है जो काम को टुकड़ों में बाँटकर कई agents से करवाता है। आख़िरी परिभाषा पर सब एकमत नहीं हैं, इसलिए नीचे हर परिभाषा के साथ उसका स्रोत दिया है।

Exam में एक लाइन का जवाब लिखना हो, तो ये वाक्य काम आएँगे:

  • Generative AI: ऐसा model जो prompt पढ़कर नया text, image, audio या code बनाता है, पर खुद कोई action नहीं लेता।
  • AI agent: एक LLM (large language model) जो loop में tools चलाता है, हर tool का नतीजा पढ़ता है, और खुद तय करता है कि अगला कदम क्या होगा।
  • Agentic AI: ऐसा system जो लक्ष्य को छोटे कामों में बाँटता है, उन्हें कई agents को सौंपता है, और एक run से दूसरे run तक state याद रखता है। यह Sapkota और साथियों की परिभाषा है। कुछ कंपनियाँ एक अकेले agent को भी agentic कहती हैं।

अगर LLM, assistant और agent का फ़र्क अभी साफ़ नहीं है, तो पहले AI agent, LLM और assistant का फ़र्क पढ़ लीजिए। यह लेख उसके एक कदम आगे की बात करता है।

एक ही काम, तीन तरीक़े: बिजली बिल का रिमाइंडर

परिभाषाएँ तब समझ आती हैं जब एक ही काम को तीनों तरीक़ों से करके देखें। काम यह है: हर महीने बिजली का बिल email पर आता है। आप आख़िरी तारीख भूल जाते हैं, और late fee लग जाती है। आपको समय पर एक रिमाइंडर चाहिए।

1. Generative AI: सिर्फ़ संदेश लिखना

आप model को prompt देते हैं: “मेरा बिजली बिल ₹1,240 का है, आख़िरी तारीख 20 है, मुझे एक छोटा WhatsApp रिमाइंडर लिख दो।” Model एक अच्छा, विनम्र संदेश लिख देता है। बस इतना ही होता है।

यहाँ model ने न आपका inbox देखा, न संदेश भेजा। राशि और तारीख आपने खुद टाइप की। अगर आपने 20 की जगह 2 लिख दिया, तो संदेश भी ग़लत होगा, क्योंकि model के पास बाहर की दुनिया से जाँचने का कोई रास्ता नहीं है। यही generative AI है: input से नया content बनाना।

2. AI agent: पढ़ना, लिखना और भेजना

अब उसी model को tools दीजिए: inbox में email खोजने वाला search_email, calendar entry बनाने वाला add_reminder, और संदेश भेजने वाला send_message। आप सिर्फ़ इतना कहते हैं: “इस महीने के बिजली बिल का रिमाइंडर लगा दो।” अब काम एक loop में चलता है:

1. model -> tool:  search_email("बिजली बिल")
2. tool  -> model: "राशि ₹1,240, अंतिम तिथि 20 नवंबर"
3. model -> tool:  add_reminder(date="18 नवंबर", text="बिजली बिल ₹1,240")
4. tool  -> model: "reminder saved"
5. model -> tool:  send_message(to="मैं", text="बिल 20 तारीख तक भरना है")
6. tool  -> model: "sent"
7. model:          "रिमाइंडर लगा दिया और संदेश भेज दिया।"  (कोई tool call नहीं, loop ख़त्म)

असली फ़र्क कदम 2 में है। राशि और तारीख अब आपके टाइप करने से नहीं, असली email से आई। Anthropic इसे environment से मिलने वाला “ground truth” कहता है। अगर पहली खोज में email नहीं मिलता, तो model खुद दूसरा शब्द आज़मा सकता है, क्योंकि अगला कदम वही तय करता है। एक LLM, कुछ tools और एक loop: यही AI agent है। Agents किन-किन प्रकारों में बँटते हैं, यह AI agents के प्रकारों वाले लेख में है।

3. Agentic AI: योजना, कई agents और याद

अब काम बड़ा कीजिए। आप चार दोस्तों के साथ एक फ़्लैट में रहते हैं। बिजली, broadband और पानी के बिल आते हैं, और हर बिल चार हिस्सों में बँटता है। लक्ष्य है: “हर बिल समय पर भरा जाए और हर व्यक्ति अपना हिस्सा दे।”

एक planner agent इस लक्ष्य को टुकड़ों में बाँटता है। एक agent सारे बिल पढ़ता है। दूसरा देखता है कि किसने अपना हिस्सा भेज दिया है। तीसरा सिर्फ़ उन्हीं लोगों को रिमाइंडर भेजता है जिनका पैसा बाक़ी है। एक साझा memory में लिखा रहता है कि पिछले महीने कौन देर से था और कौन-सा बिल किस तारीख को आता है। अगले महीने system वहीं से शुरू करता है।

Sapkota, Roumeliotis और Karkee इसी तरह के system को agentic AI कहते हैं। उनके शब्दों में agentic AI की पहचान है “multi-agent collaboration, dynamic task decomposition, persistent memory, and coordinated autonomy”। मतलब: कई agents का साथ काम करना, काम को चलते-चलते बाँटना, लंबे समय तक याद रखना, और मिलकर स्वतंत्र फ़ैसले लेना।

एक ज़रूरी बात। अगर बिल पढ़ने और रिमाइंडर भेजने के कदम हर महीने एक जैसे हैं, तो यहाँ agent की ज़रूरत ही नहीं है। हर महीने की 1 तारीख को चलने वाला एक fixed script काफ़ी है, जिसमें LLM सिर्फ़ email से राशि और तारीख निकाले। Anthropic इसे workflow कहता है। उसकी सलाह है कि सबसे सरल हल से शुरू करें, और जटिलता तभी जोड़ें जब ज़रूरत हो।

Agentic AI और AI agent की सीमा कहाँ है? परिभाषाएँ आमने-सामने

इस सवाल पर कोई एक मानी हुई परिभाषा नहीं है। अलग-अलग कंपनियाँ और शोधकर्ता यह रेखा अलग जगह खींचते हैं। नीचे हर स्रोत की परिभाषा उसी के शब्दों के क़रीब रखी है, ताकि आप खुद तुलना कर सकें।

  • Anthropic, “Building effective agents” (19 दिसंबर 2024): Anthropic ऐसे सभी systems को एक छतरी शब्द “agentic systems” में रखता है, फिर दो हिस्से करता है। Workflows वे systems हैं “where LLMs and tools are orchestrated through predefined code paths”, यानी कदम पहले से code में लिखे हैं। Agents वे systems हैं “where LLMs dynamically direct their own processes and tool usage”, यानी model खुद तय करता है कि कौन-सा tool कब चले। इस परिभाषा में एक अकेला agent भी agentic system है। ध्यान रहे, उस पेज पर अब एक note है कि उसमें बताया गया बहुत-सा tooling दिसंबर 2024 के बाद बदल चुका है।
  • Sapkota, Roumeliotis और Karkee: paper का नाम “AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges” है। यह arXiv पर 2505.10468 नंबर से है और Information Fusion journal (vol. 126, article 103599) में छपा, जो अगस्त 2025 में online आया। इसमें AI agents आम तौर पर एक अकेली इकाई हैं जो tools की मदद से एक लक्ष्य वाला काम करती है। Agentic AI में कई विशेष agents होते हैं जो आपस में बात करते हैं, तालमेल रखते हैं, और उप-काम बाँटते हैं। Generative AI को paper दोनों की नींव मानता है।
  • IBM: agentic AI का ध्यान “achieving goals by planning, making decisions and carrying out multi-step workflows” पर है, जबकि generative AI नया content बनाता है। IBM कहता है कि agentic AI generative AI की जगह नहीं लेता, वह अक्सर उसे एक बड़े workflow के हिस्से की तरह इस्तेमाल करता है। IBM के यहाँ AI agent, agentic AI का एक हिस्सा है, और कई agents होना शर्त नहीं है।
  • AWS: agentic AI “an autonomous AI system that can act independently to achieve pre-determined goals” है। AWS लिखता है कि agentic AI “typically builds upon multiple hyperspecialized agents”, पर वह single-agent और multi-agent दोनों तरह के systems का वर्णन करता है। यानी झुकाव कई agents की ओर है, पर यह शर्त नहीं है।
  • OpenAI, “A practical guide to building agents”: “Agents are systems that independently accomplish tasks on your behalf.” गाइड साफ़ कहती है कि जो apps LLM तो इस्तेमाल करती हैं पर उसे workflow execution पर नियंत्रण नहीं देतीं, जैसे simple chatbots, single-turn LLMs या sentiment classifiers, वे agents नहीं हैं।
  • Google Cloud: “AI agents are software systems that use AI to pursue goals and complete tasks on behalf of users.” Google autonomy के पैमाने पर agents को AI assistants और bots से ऊपर रखता है।

एक शब्द पर ख़ास ध्यान दीजिए: workflow। Anthropic के लिए workflow वह है जिसमें कदम code तय करता है, model नहीं। यानी उसकी भाषा में workflow, agent का उल्टा है। OpenAI की गाइड में workflow का मतलब बस कदमों का एक क्रम है, जिसे agent खुद चला सकता है। इसलिए “हम agentic workflows बनाते हैं” जैसा वाक्य दो कंपनियों के docs में दो अलग बातें कहता है।

तो exam या interview में क्या लिखें? पहले बताइए कि आप किसकी परिभाषा ले रहे हैं। अगर syllabus में Sapkota वाला paper है, तो agentic AI का मतलब multi-agent, task decomposition और persistent memory वाला system है। अगर सवाल किसी vendor के course से है, तो उसी vendor की परिभाषा लीजिए। “स्रोत के हिसाब से परिभाषा अलग है” लिखना कमज़ोर जवाब नहीं है। यह सही जवाब है।

JD या course में “agentic AI” लिखा हो, तो कैसे परखें

कई JD और course ads में “agentic AI” एक fashionable शब्द की तरह आता है। नीचे के सवाल पूछिए। हर सवाल का जवाब बताता है कि असल में किस level का काम है।

  1. क्या model कोई tool चलाता है? API call, database query, file लिखना, browser खोलना। अगर नहीं, और model सिर्फ़ text लौटाता है, तो यह generative AI है, agent नहीं।
  2. अगला कदम कौन तय करता है? अगर कदम पहले से code में लिखे हैं, तो यह Anthropic के शब्दों में workflow है। अगर model खुद चुनता है कि आगे क्या करना है, तो यह agent है।
  3. कितने agents हैं, और क्या वे काम बाँटते हैं? एक planner जो काम बाँटकर दूसरे agents को देता है, Sapkota वाली agentic AI के क़रीब है। एक ही agent के पास कई tools होना multi-agent नहीं है।
  4. क्या कुछ याद रहता है? अगर हर run शून्य से शुरू होता है, तो persistent memory नहीं है।
  5. Rebranded chatbot test: अगर product एक chat window है जो सवाल का जवाब देती है और कोई action नहीं लेती, तो OpenAI की अपनी गाइड के हिसाब से भी यह agent नहीं है, चाहे विज्ञापन कुछ भी कहे।
  6. क्या syllabus में loop रोकने, permissions और testing की बात है? Anthropic stopping conditions (जैसे iterations की अधिकतम संख्या) और sandbox में testing की सलाह देता है। जो course इन विषयों को छूता ही नहीं, वह शायद prompt लिखना सिखा रहा है, agents चलाना नहीं।

Hackathon या interview में अपने project के बारे में भी यही ईमानदारी काम आती है। “मेरा project एक single agent है, जो loop में तीन tools चलाता है” एक साफ़ और भरोसेमंद वाक्य है। इसे बढ़ा-चढ़ाकर “agentic AI platform” कहेंगे, तो अच्छा interviewer आपसे वही सवाल पूछेगा जो ऊपर लिखे हैं।

जब आप सच में एक agent चलाते हैं, तब क्या बदलता है

Chat window में generative AI का ग़लत जवाब बस एक ग़लत paragraph है। Agent का ग़लत कदम एक भेजा हुआ संदेश, बदली हुई file या ख़र्च हुआ पैसा है। इसलिए agent चलाते ही कुछ चीज़ें आपकी ज़िम्मेदारी बन जाती हैं। Model के चारों ओर का वह code जो loop, tools और permissions संभालता है, harness कहलाता है। Agent harness क्या होता है वाला लेख इसे विस्तार से समझाता है।

Loop को कैसे रोकें

Claude Agent SDK के docs के अनुसार loop ऐसे चलता है: Claude prompt पढ़ता है, tools call करता है, नतीजे लेता है, और यह तब तक दोहराता है जब तक ऐसा जवाब न दे जिसमें कोई tool call न हो। Default में turns और ख़र्च दोनों की कोई सीमा नहीं है। Docs खुद कहते हैं कि खुले prompt पर loop लंबा चल सकता है, और production agents के लिए budget तय करना अच्छा default है। Python में max_turns और max_budget_usd से, TypeScript में maxTurns और maxBudgetUsd से यह सीमा लगती है। Budget की जाँच हर response के बाद होती है, इसलिए ख़र्च सीमा से थोड़ा ऊपर जा सकता है।

Tool permissions और credentials

बिल वाले उदाहरण में search_email सिर्फ़ पढ़ता है, पर send_message बाहर की दुनिया में कुछ बदलता है। यही फ़र्क permissions में दिखता है। Claude Code के Manual mode में working directory के अंदर file पढ़ने के लिए approval नहीं चाहिए। Bash commands (कुछ built-in read-only commands को छोड़कर) और file edits के लिए approval चाहिए। Agent SDK में ये permission modes हैं: default, acceptEdits, plan, dontAsk, auto और bypassPermissions। dontAsk उन headless agents के लिए है जिनके calls approve करने वाला कोई नहीं है। bypassPermissions Unix पर root user से नहीं चल सकता। Docs इसे सिर्फ़ isolated environments के लिए कहते हैं, जहाँ agent के actions आपके ज़रूरी systems तक न पहुँच सकें।

व्यवहार में नियम सरल है: agent को उतना ही दीजिए जितना काम के लिए चाहिए। रिमाइंडर agent को inbox पढ़ने की अनुमति चाहिए, आपके bank login की नहीं। जो action वापस नहीं हो सकता, उसके आगे एक इंसान की हाँ रखिए, जैसा AI agent के actions को approval के पीछे रखने वाले लेख में है। API keys और passwords को agent के context से बाहर रखने के तरीक़े AI agents से secrets दूर रखने वाले लेख में हैं।

हमेशा चालू मशीन

रिमाइंडर 18 तारीख को जाना है। अगर agent आपके laptop पर है और उस दिन laptop बंद है, तो रिमाइंडर नहीं जाएगा। इसलिए असली agents अक्सर एक server या VPS पर चलते हैं, जो दिन-रात चालू रहता है। वहाँ उसे सुरक्षित तरीक़े से चलाने के कदम server पर Claude Code सुरक्षित चलाने वाले लेख में हैं। अपना agent शुरू से बनाने का रास्ता VPS पर अपना AI agent बनाने वाले लेख में है।

हमेशा चालू रहने का एक ख़र्च भी है। Claude Code के cost docs के अनुसार API से चलाने पर ख़र्च tokens की खपत से बनता है। हर request के साथ पूरी बातचीत भेजी जाती है, इसलिए context जितना बड़ा, ख़र्च उतना ज़्यादा। Session-scoped scheduled task, session idle होने पर भी, अपने interval पर चलता है और हर बार पूरा context भेजता है। Multi-agent का ख़र्च और ऊपर जाता है: docs के अनुसार plan mode में teammates वाली agent teams एक सामान्य session से लगभग 7 गुना tokens इस्तेमाल करती हैं, क्योंकि हर teammate का अपना context window होता है। Agent teams default में बंद रहती हैं और CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 से चालू होती हैं। इसलिए Sapkota वाली agentic AI बनाने से पहले देखिए कि क्या एक agent, या एक साधारण workflow, वही काम कर सकता है।

FAQ

Agentic AI और AI agent में क्या फ़र्क है?

यह स्रोत पर निर्भर करता है। Sapkota, Roumeliotis और Karkee के paper में AI agent आम तौर पर एक अकेला system है जो tools से एक काम करता है। उसी paper में agentic AI वह system है जिसमें कई agents काम बाँटते हैं, तालमेल रखते हैं और persistent memory रखते हैं। IBM AI agent को agentic AI का एक हिस्सा मानता है। Anthropic दोनों तरह के systems को “agentic systems” कहता है। Exam में पहले स्रोत बताइए, फिर परिभाषा लिखिए।

क्या एक साधारण chatbot AI agent है?

नहीं। OpenAI की “A practical guide to building agents” कहती है कि जो apps LLM को workflow execution का नियंत्रण नहीं देतीं, जैसे simple chatbots या single-turn LLMs, वे agents नहीं हैं। Agent वह है जो tools चलाता है, नतीजे देखता है, और खुद अगला कदम चुनता है। सिर्फ़ जवाब लिखने वाला chatbot generative AI है।

Workflow और agent में क्या फ़र्क है?

Anthropic की परिभाषा में workflow में LLM और tools पहले से लिखे code paths पर चलते हैं। Agent में LLM खुद तय करता है कि कौन-सा tool कब चले। जो काम हर बार एक जैसा होता है, जैसे हर महीने एक बिल का रिमाइंडर, उसके लिए workflow सस्ता और भरोसेमंद है। ध्यान रखें कि OpenAI workflow शब्द को सिर्फ़ कदमों के क्रम के अर्थ में इस्तेमाल करता है।

क्या हर agentic AI system में कई agents होते हैं?

हर परिभाषा में नहीं। Sapkota और साथियों के लिए कई agents का साथ काम करना agentic AI की पहचान है। AWS कहता है कि agentic AI आम तौर पर कई विशेष agents पर बनता है, पर वह single-agent systems का भी वर्णन करता है। Anthropic के लिए एक अकेला agent भी agentic system है। इसलिए JD में “agentic AI” पढ़कर पूछिए कि उसमें कितने agents हैं और वे आपस में क्या बाँटते हैं।

क्या यह लेख उपयोगी था?

#ai-agents#agentic-ai#generative-ai#llm#explainer