Abstract & Executive Summary

• Core Scientific Discovery: Introduction of PlanFence, a novel protocol that addresses the critical issue of 'stale-plan execution' in distributed Large Language Model (LLM) agent teams, ensuring actions are authorized by currently valid plans.
• Experimental Methodology & Benchmark Dataset: Evaluation conducted on 30 controlled live workflows with post-plan revisions, comparing a 'freshness-only' executor against the PlanFence protocol, demonstrating complete task completion without invalid actions for PlanFence.
• Theoretical Significance: Establishes that mere data freshness for individual agents is insufficient for coordinated task execution; the validity of the underlying plan itself, based on specific data dependencies, must be continuously validated.
• Primary Strategic Takeaway for Civil Services Aspirants: Understanding sophisticated AI coordination protocols is crucial for effective policy formulation in emerging technology domains, ensuring national security and ethical deployment of AI systems.

Theoretical Foundation & Fundamental Principles

The operation of distributed AI agent systems, particularly those leveraging Large Language Models (LLMs), hinges on effective coordination and decision-making in dynamic environments. A core challenge arises when multiple agents, operating semi-autonomously, must execute plans derived from shared, evolving information. Consider a scenario where Agent A derives a plan (Plan X) based on a requirement ($r_3$) from a specific version of a shared fact database (DB v1.0). Concurrently, Agent B might update the database (to DB v1.1) and commit a new requirement ($r_4$), leading to a new plan (Plan Y). An executor agent, tasked with carrying out actions, might receive Plan X based on DB v1.0. However, if the executor only checks for the *freshness* of the current shared facts (i.e., it sees DB v1.1), it might incorrectly assume Plan X, derived from the *obsolete* DB v1.0 state, remains valid. This is termed 'stale-plan execution.' The underlying principle violated here is that the *causal link* between the data used to form a plan and the action derived from that plan must be preserved. A plan is a directed acyclic graph (DAG) of dependencies, where each node represents a logical step or requirement. An action derived from this plan is only valid if all upstream data dependencies of that plan remain consistent with the state of the world at the time of execution. PlanFence formalizes this by introducing a dependency-scoped action-validation protocol. Instead of just checking data freshness, an executor validates that the specific public records (data points) cited by the plan are still in a state that would logically lead to the same decision (or a controlled replanning) as when the plan was originally formulated. This involves tracing the provenance of the plan back to its exact data inputs and verifying those specific inputs against the current state, rather than just the most recent overall state of shared information.

Research Breakthrough & Empirical Analysis

The research introduces and empirically validates the PlanFence protocol. The core innovation lies in its 'dependency-scoped action-validation' mechanism. Unlike traditional approaches that might rely solely on the timestamp of the latest shared facts, PlanFence requires plans to explicitly cite the exact public records (data versions) upon which they are predicated. When an executor agent is tasked with an action derived from a plan, it first identifies the specific records that influenced that plan's derivation. It then performs a targeted validation: checking if these critical records, and their relationships, remain consistent with the current shared state in a way that would still support the original plan. If validation is incomplete (e.g., a critical dependency has changed such that the original decision is no longer sound, or a new plan should be considered), the protocol dictates either replanning or blocking the action. The experimental setup involved 30 controlled live workflows, each designed with a post-plan revision (simulating real-world changes). A baseline executor, operating purely on state freshness (checking only if shared facts are up-to-date), failed in *every single task*, consistently acting on obsolete plans. In stark contrast, the PlanFence-equipped executor successfully completed *all tasks* without executing any invalid actions. Further controlled replays revealed nuanced operational boundaries: proactive synchronization strategies proved more efficient at lower data churn rates, minimizing coordination stalls. However, as data churn increased, PlanFence demonstrated its superiority by avoiding repeated update-path coordination overheads and, crucially, by preventing the validation of unrelated state information as the shared keyspace expanded. These results are presented as controlled safety and systems-cost metrics, distinct from general task-accuracy improvements, highlighting PlanFence's role in ensuring reliability and preventing catastrophic failures due to stale plans.

Primary Research Attribution & Source Credits

Primary Paper: Distributed LLM-agent teams can read the latest shared facts and still act on an obsolete plan. A planner may derive an action from requirement r3, another agent may commit r4, and an executor may receive r4 without replacing the plan derived from r3. We call this stale-plan execution: state freshness does not establish that the plan authorizing an action remains valid. We introduce PlanFence, a dependency-scoped action-validation protocol. Plans cite the exact public records they used, and an executor validates only the records that can affect the pending external action, replanning once or blocking when validation is incomplete. In 30 controlled live workflows with a post-plan revision, a freshness-only executor acts on the obsolete plan in every task, whereas PlanFence completes all tasks without an invalid action. Controlled replay reveals two conditional boundaries: proactive synchronization yields lower coordination stall at low churn, while PlanFence avoids repeated update-path coordination as churn grows and avoids validating unrelated state as the shared keyspace grows. These are controlled safety and systems-cost results, not general task-accuracy gains.
Lead Researchers: Not specified in the arXiv submission.
Publishing Journal / Repository: arXiv
DOI / Document Identifier: arXiv:2609.03340v1

Indian Strategic Context & National Missions

The PlanFence protocol, while presented in a general AI context, holds significant implications for India's strategic technological development. As India advances its National AI Mission, focusing on responsible AI development and deployment, ensuring the reliability and predictability of AI systems is paramount. Distributed AI agent teams are envisioned for various critical applications, including smart grids, autonomous logistics, disaster management response coordination, and advanced cybersecurity monitoring. The risk of 'stale-plan execution' could lead to catastrophic failures in these domains. Therefore, adopting or developing similar dependency-aware validation mechanisms is crucial for building trustworthy AI. This aligns with the 'Atmanirbhar Bharat' initiative by fostering indigenous R&D in AI safety and governance, reducing reliance on external, potentially less secure, frameworks. For initiatives like the Deep Ocean Mission or space exploration (ISRO/NASA collaborations), where complex autonomous systems operate with delayed communication and evolving environmental data, robust coordination protocols are non-negotiable. Furthermore, understanding and potentially implementing such protocols supports India's broader cybersecurity objectives by mitigating risks associated with AI-driven decision-making errors.

Global Geopolitical, Economic & Ethical Implications

Globally, the development and adoption of reliable AI coordination protocols like PlanFence have profound geopolitical and economic ramifications. As nations compete in AI capabilities, the ability to deploy stable, dependable autonomous systems becomes a strategic advantage. This research contributes to the foundational understanding of AI safety, directly impacting the trustworthiness of AI in critical sectors like defense, finance, and energy. Economically, robust AI coordination can unlock new efficiencies and markets for autonomous services. However, it also raises questions about international standards for AI reliability and the potential for 'governance arbitrage' where less stringent regulatory environments might adopt riskier AI coordination methods. Ethically, ensuring that AI systems act upon valid, current plans is fundamental to accountability and preventing unintended harm. The potential for errors due to stale plans could lead to economic damage, infrastructure failures, or even loss of life, necessitating international dialogue on best practices and regulatory oversight, analogous to how global bodies govern aviation safety or nuclear power.

Technological Bottlenecks & Future Research Horizons

While PlanFence demonstrates significant improvements in preventing stale-plan execution, several technological bottlenecks and avenues for future research remain. The primary bottleneck identified is the potential computational overhead associated with dependency-scoped validation, especially in systems with extremely large shared state spaces or very high data churn rates. Verifying every critical dependency can become resource-intensive. Future research could focus on optimizing this validation process through techniques like probabilistic checking, hierarchical validation, or employing specialized hardware accelerators. Scalability is another challenge; ensuring PlanFence functions effectively in systems with thousands or millions of agents and vast, dynamic datasets requires further investigation. The protocol's effectiveness also depends on standardized methods for agents to express their plans and cite their data dependencies. Research into formal languages for plan representation and provenance tracking is essential. Furthermore, exploring the interplay between PlanFence and other coordination mechanisms (e.g., consensus algorithms, distributed ledgers) could yield synergistic benefits. Finally, extending these principles to more complex AI architectures, such as those involving emergent behaviors or reinforcement learning agents operating in partially observable environments, presents a significant research frontier.

Academic References & Structured Bibliography

• arXiv:2609.03340v1. (2026). Distributed LLM-agent teams can read the latest shared facts and still act on an obsolete plan. arXiv preprint arXiv:2609.03340.
• Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
• Shoham, Y., & Leyton-Brown, K. (2009). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge University Press.
• Bradshaw, J. M. (Ed.). (2019). Human-Agent Teamwork: Principles and Design. CRC Press.

सार संक्षेप एवं कार्यकारी सारांश

• मुख्य वैज्ञानिक खोज: प्लानफेंस का परिचय, एक नवीन प्रोटोकॉल जो वितरित वृहद् भाषा मॉडल (LLM) एजेंट टीमों में 'अप्रचलित-योजना निष्पादन' की गंभीर समस्या का समाधान करता है, जिससे यह सुनिश्चित होता है कि कार्य वर्तमान में मान्य योजनाओं द्वारा अधिकृत हैं।
• प्रायोगिक कार्यप्रणाली एवं बेंचमार्क डेटासेट: 30 नियंत्रित प्रत्यक्ष कार्यप्रवाहों पर मूल्यांकन किया गया जिसमें योजना के बाद संशोधन शामिल थे, 'केवल-नवीनता' निष्पादक की तुलना प्लानफेंस प्रोटोकॉल से की गई, जिससे प्लानफेंस के लिए अमान्य कार्यों के बिना पूर्ण कार्य समापन प्रदर्शित हुआ।
• सैद्धांतिक महत्व: स्थापित करता है कि व्यक्तिगत एजेंटों के लिए केवल डेटा की नवीनता समन्वित कार्य निष्पादन के लिए अपर्याप्त है; विशिष्ट डेटा निर्भरताओं के आधार पर अंतर्निहित योजना की वैधता को निरंतर मान्य किया जाना चाहिए।
• सिविल सेवा अभ्यर्थियों के लिए प्राथमिक रणनीतिक सीख: उभरते प्रौद्योगिकी डोमेन में प्रभावी नीति निर्माण के लिए परिष्कृत AI समन्वय प्रोटोकॉल को समझना, राष्ट्रीय सुरक्षा और AI प्रणालियों की नैतिक तैनाती सुनिश्चित करने के लिए महत्वपूर्ण है।

सैद्धांतिक आधार एवं मूलभूत वैज्ञानिक सिद्धांत

वितरित AI एजेंट प्रणालियों का संचालन, विशेष रूप से वे जो वृहद् भाषा मॉडल (LLMs) का लाभ उठाते हैं, गतिशील वातावरण में प्रभावी समन्वय और निर्णय लेने पर निर्भर करता है। जब कई एजेंट, अर्ध-स्वायत्त रूप से संचालित होते हुए, साझा, विकसित होती जानकारी से प्राप्त योजनाओं को निष्पादित करते हैं, तो एक मुख्य चुनौती उत्पन्न होती है। एक ऐसे परिदृश्य पर विचार करें जहां एजेंट A एक साझा तथ्य डेटाबेस (DB v1.0) के एक विशिष्ट संस्करण से एक आवश्यकता ($r_3$) के आधार पर एक योजना (योजना X) व्युत्पन्न करता है। समवर्ती रूप से, एजेंट B डेटाबेस को (DB v1.1 तक) अपडेट कर सकता है और एक नई आवश्यकता ($r_4$) प्रतिबद्ध कर सकता है, जिससे एक नई योजना (योजना Y) बन सकती है। एक निष्पादक एजेंट, जिसे कार्यों को करने का कार्य सौंपा गया है, DB v1.0 के आधार पर योजना X प्राप्त कर सकता है। हालांकि, यदि निष्पादक केवल वर्तमान साझा तथ्यों की *नवीनता* की जांच करता है (अर्थात, यह DB v1.1 देखता है), तो यह गलत धारणा बना सकता है कि योजना X, *अप्रचलित* DB v1.0 स्थिति के आधार पर व्युत्पन्न, अभी भी मान्य है। इसे 'अप्रचलित-योजना निष्पादन' कहा जाता है। यहां उल्लंघन किया गया अंतर्निहित सिद्धांत यह है कि योजना बनाने के लिए उपयोग किए गए डेटा और उस योजना से प्राप्त कार्य के बीच *कारणात्मक संबंध* को संरक्षित किया जाना चाहिए। एक योजना निर्भरताओं का एक निर्देशित चक्रीय ग्राफ (DAG) है, जहां प्रत्येक नोड एक तार्किक चरण या आवश्यकता का प्रतिनिधित्व करता है। इस योजना से व्युत्पन्न एक कार्रवाई केवल तभी मान्य होती है जब उस योजना की सभी अपस्ट्रीम डेटा निर्भरताएं निष्पादन के समय दुनिया की स्थिति के अनुरूप बनी रहती हैं। प्लानफेंस एक निर्भरता-स्कोपित क्रिया-सत्यापन प्रोटोकॉल पेश करके इसे औपचारिक बनाता है। केवल डेटा नवीनता की जांच करने के बजाय, एक निष्पादक यह सत्यापित करता है कि योजना द्वारा उद्धृत विशिष्ट सार्वजनिक रिकॉर्ड (डेटा बिंदु) अभी भी ऐसी स्थिति में हैं जो मूल रूप से योजना तैयार होने के समय के समान निर्णय (या एक नियंत्रित पुनर्योजना) की ओर ले जाती है। इसमें योजना की उत्पत्ति को उसके सटीक डेटा इनपुट तक ट्रेस करना और केवल साझा जानकारी की सबसे हाल की समग्र स्थिति के बजाय, वर्तमान स्थिति के मुकाबले उन विशिष्ट इनपुट को सत्यापित करना शामिल है।

अनुसंधान का मुख्य निष्कर्ष एवं प्रायोगिक विश्लेषण

यह शोध प्लानफेंस प्रोटोकॉल का परिचय देता है और अनुभवजन्य रूप से इसे मान्य करता है। मुख्य नवाचार इसका 'निर्भरता-स्कोपित क्रिया-सत्यापन' तंत्र है। पारंपरिक दृष्टिकोणों के विपरीत जो केवल नवीनतम साझा तथ्यों के टाइमस्टैम्प पर भरोसा कर सकते हैं, प्लानफेंस को योजनाओं में उन सटीक सार्वजनिक रिकॉर्ड (डेटा संस्करणों) का स्पष्ट रूप से उद्धरण करने की आवश्यकता होती है जिन पर वे आधारित हैं। जब किसी निष्पादक एजेंट को किसी योजना से व्युत्पन्न कार्रवाई का कार्य सौंपा जाता है, तो वह पहले उन विशिष्ट रिकॉर्ड की पहचान करता है जिन्होंने उस योजना की व्युत्पत्ति को प्रभावित किया। फिर यह एक लक्षित सत्यापन करता है: यह जांचता है कि क्या ये महत्वपूर्ण रिकॉर्ड, और उनके संबंध, वर्तमान साझा स्थिति के साथ इस तरह से संगत बने हुए हैं कि वे मूल योजना का समर्थन करेंगे। यदि सत्यापन अधूरा है (जैसे, एक महत्वपूर्ण निर्भरता बदल गई है जिससे मूल निर्णय अब ध्वनि नहीं है, या एक नई योजना पर विचार किया जाना चाहिए), तो प्रोटोकॉल या तो पुनर्योजना या कार्रवाई को अवरुद्ध करने का निर्देश देता है। प्रायोगिक सेटअप में 30 नियंत्रित प्रत्यक्ष कार्यप्रवाह शामिल थे, जिनमें से प्रत्येक को योजना के बाद के संशोधन (वास्तविक दुनिया परिवर्तनों का अनुकरण) के साथ डिजाइन किया गया था। एक आधारभूत निष्पादक, जो विशुद्ध रूप से स्थिति नवीनता पर काम कर रहा था (केवल यह जांच रहा था कि साझा तथ्य अद्यतित हैं या नहीं), *हर एकल कार्य में विफल* रहा, लगातार अप्रचलित योजनाओं पर कार्य कर रहा था। इसके बिल्कुल विपरीत, प्लानफेंस-सुसज्जित निष्पादक ने किसी भी अमान्य कार्रवाई को निष्पादित किए बिना *सभी कार्यों* को सफलतापूर्वक पूरा किया। आगे के नियंत्रित रीप्ले ने सूक्ष्म परिचालन सीमाओं का खुलासा किया: कम डेटा मंथन दरों पर सक्रिय सिंक्रनाइज़ेशन रणनीतियाँ अधिक कुशल साबित हुईं, जिससे समन्वय ठहराव कम हो गया। हालांकि, जैसे-जैसे डेटा मंथन बढ़ा, प्लानफेंस ने बार-बार होने वाले अपडेट-पाथ समन्वय ओवरहेड्स से बचकर और, महत्वपूर्ण रूप से, जैसे-जैसे साझा की-स्पेस विस्तारित हुआ, असंबंधित स्थिति के सत्यापन को रोककर अपनी श्रेष्ठता प्रदर्शित की। इन परिणामों को नियंत्रित सुरक्षा और सिस्टम-लागत मेट्रिक्स के रूप में प्रस्तुत किया गया है, जो सामान्य कार्य-सटीकता सुधारों से अलग हैं, जो विश्वसनीयता सुनिश्चित करने और अप्रचलित योजनाओं के कारण होने वाली विनाशकारी विफलताओं को रोकने में प्लानफेंस की भूमिका को उजागर करते हैं।

प्राथमिक स्रोत एवं शोध संदर्भ

मुख्य शोध पत्र: वितरित LLM-एजेंट टीमें नवीनतम साझा तथ्यों को पढ़ सकती हैं और फिर भी एक अप्रचलित योजना पर कार्य कर सकती हैं। एक योजनाकार आवश्यकता r3 से एक कार्रवाई व्युत्पन्न कर सकता है, दूसरा एजेंट r4 प्रतिबद्ध कर सकता है, और एक निष्पादक r4 प्राप्त कर सकता है बिना r3 से व्युत्पन्न योजना को प्रतिस्थापित किए। हम इसे अप्रचलित-योजना निष्पादन कहते हैं: स्थिति नवीनता यह स्थापित नहीं करती है कि कार्रवाई को अधिकृत करने वाली योजना मान्य बनी हुई है। हम प्लानफेंस, एक निर्भरता-स्कोपित क्रिया-सत्यापन प्रोटोकॉल पेश करते हैं। योजनाएं उन सटीक सार्वजनिक रिकॉर्ड का उद्धरण करती हैं जिनका उन्होंने उपयोग किया था, और एक निष्पादक केवल उन रिकॉर्ड को मान्य करता है जो लंबित बाहरी कार्रवाई को प्रभावित कर सकते हैं, सत्यापन अधूरा होने पर एक बार पुनर्योजना या अवरोधन करता है। 30 नियंत्रित प्रत्यक्ष कार्यप्रवाहों में योजना के बाद के संशोधन के साथ, एक नवीनता-मात्र निष्पादक हर कार्य में अप्रचलित योजना पर कार्य करता है, जबकि प्लानफेंस बिना किसी अमान्य कार्रवाई के सभी कार्यों को पूरा करता है। नियंत्रित रीप्ले दो सशर्त सीमाएं प्रकट करता है: कम मंथन पर सक्रिय सिंक्रनाइज़ेशन कम समन्वय ठहराव देता है, जबकि प्लानफेंस मंथन बढ़ने पर बार-बार अपडेट-पाथ समन्वय ओवरहेड्स से बचता है और साझा की-स्पेस बढ़ने पर असंबंधित स्थिति के सत्यापन से बचता है। ये नियंत्रित सुरक्षा और सिस्टम-लागत परिणाम हैं, न कि सामान्य कार्य-सटीकता लाभ।
प्रमुख शोधकर्ता: arXiv सबमिशन में निर्दिष्ट नहीं है।
प्रकाशन जर्नल / रिपॉजिटरी: arXiv
DOI / दस्तावेज़ पहचानकर्ता: arXiv:2609.03340v1

भारत का रणनीतिक परिप्रेक्ष्य एवं राष्ट्रीय मिशन

प्लानफेंस प्रोटोकॉल, जिसे एक सामान्य AI संदर्भ में प्रस्तुत किया गया है, भारत के रणनीतिक तकनीकी विकास के लिए महत्वपूर्ण निहितार्थ रखता है। जैसे-जैसे भारत अपने राष्ट्रीय AI मिशन को आगे बढ़ा रहा है, जो जिम्मेदार AI विकास और तैनाती पर केंद्रित है, AI प्रणालियों की विश्वसनीयता और पूर्वानुमेयता सुनिश्चित करना सर्वोपरि है। स्मार्ट ग्रिड, स्वायत्त लॉजिस्टिक्स, आपदा प्रबंधन प्रतिक्रिया समन्वय, और उन्नत साइबर सुरक्षा निगरानी सहित विभिन्न महत्वपूर्ण अनुप्रयोगों के लिए वितरित AI एजेंट टीमों की परिकल्पना की गई है। 'अप्रचलित-योजना निष्पादन' का जोखिम इन डोमेन में विनाशकारी विफलता का कारण बन सकता है। इसलिए, विश्वसनीय AI के निर्माण के लिए ऐसे निर्भरता-जागरूक सत्यापन तंत्र को अपनाना या विकसित करना महत्वपूर्ण है। यह AI सुरक्षा और शासन में स्वदेशी R&D को बढ़ावा देकर, बाहरी, संभावित रूप से कम सुरक्षित, ढांचों पर निर्भरता कम करके 'आत्मनिर्भर भारत' पहल के साथ संरेखित होता है। डीप ओशन मिशन या अंतरिक्ष अन्वेषण (ISRO/NASA सहयोग) जैसी पहलों के लिए, जहां जटिल स्वायत्त प्रणालियां विलंबित संचार और विकसित पर्यावरणीय डेटा के साथ संचालित होती हैं, मजबूत समन्वय प्रोटोकॉल गैर-परक्राम्य हैं। इसके अलावा, ऐसे प्रोटोकॉल को समझना और संभावित रूप से लागू करना AI-संचालित निर्णय लेने की त्रुटियों के कारण होने वाले जोखिमों को कम करके भारत के व्यापक साइबर सुरक्षा उद्देश्यों का समर्थन करता है।

वैश्विक भू-राजनीतिक, आर्थिक एवं नैतिक प्रभाव

विश्व स्तर पर, प्लानफेंस जैसे विश्वसनीय AI समन्वय प्रोटोकॉल का विकास और अंगीकरण गहन भू-राजनीतिक और आर्थिक प्रभाव डालता है। जैसे-जैसे राष्ट्र AI क्षमताओं में प्रतिस्पर्धा करते हैं, स्थिर, भरोसेमंद स्वायत्त प्रणालियों को तैनात करने की क्षमता एक रणनीतिक लाभ बन जाती है। यह शोध AI सुरक्षा की मौलिक समझ में योगदान देता है, जो रक्षा, वित्त और ऊर्जा जैसे महत्वपूर्ण क्षेत्रों में AI की विश्वस्तता को सीधे प्रभावित करता है। आर्थिक रूप से, मजबूत AI समन्वय स्वायत्त सेवाओं के लिए नए दक्षता और बाजार खोल सकता है। हालांकि, यह AI विश्वसनीयता के लिए अंतर्राष्ट्रीय मानकों और 'शासन मध्यस्थता' की क्षमता के बारे में भी सवाल उठाता है, जहां कम कड़े नियामक वातावरण जोखिम भरे AI समन्वय विधियों को अपना सकते हैं। नैतिक रूप से, यह सुनिश्चित करना कि AI सिस्टम मान्य, वर्तमान योजनाओं पर कार्य करें, जवाबदेही और अनपेक्षित नुकसान को रोकने के लिए मौलिक है। अप्रचलित योजनाओं के कारण होने वाली त्रुटियों की क्षमता से आर्थिक क्षति, बुनियादी ढांचा विफलता, या जीवन की हानि भी हो सकती है, जिससे सर्वोत्तम प्रथाओं और नियामक निरीक्षण पर अंतर्राष्ट्रीय संवाद की आवश्यकता होती है, जो कि वैश्विक निकाय विमानन सुरक्षा या परमाणु ऊर्जा को कैसे नियंत्रित करते हैं, उसके समान है।

तकनीकी चुनौतियाँ एवं भावी अनुसंधान दिशाएँ

यद्यपि प्लानफेंस अप्रचलित-योजना निष्पादन को रोकने में महत्वपूर्ण सुधार प्रदर्शित करता है, कई तकनीकी बाधाएं और भविष्य के शोध के लिए रास्ते बने हुए हैं। पहचानी गई प्राथमिक बाधा विशेष रूप से बड़े साझा राज्य स्थानों या बहुत उच्च डेटा मंथन दरों वाले सिस्टम में निर्भरता-स्कोपित सत्यापन से जुड़ी संभावित कम्प्यूटेशनल ओवरहेड है। प्रत्येक महत्वपूर्ण निर्भरता को सत्यापित करना संसाधन-गहन हो सकता है। भविष्य के शोध में संभाव्य जाँच, पदानुक्रमित सत्यापन, या विशेष हार्डवेयर त्वरक का उपयोग जैसी तकनीकों के माध्यम से इस सत्यापन प्रक्रिया को अनुकूलित करने पर ध्यान केंद्रित किया जा सकता है। मापनीयता एक और चुनौती है; यह सुनिश्चित करने के लिए कि प्लानफेंस लाखों एजेंटों और विशाल, गतिशील डेटासेट वाले सिस्टम में प्रभावी ढंग से कार्य करता है, आगे की जांच की आवश्यकता है। प्रोटोकॉल की प्रभावशीलता एजेंटों के लिए अपनी योजनाओं को व्यक्त करने और अपनी डेटा निर्भरताओं को उद्धृत करने के मानकीकृत तरीकों पर भी निर्भर करती है। योजना प्रतिनिधित्व और उत्पत्ति ट्रैकिंग के लिए औपचारिक भाषाओं में शोध आवश्यक है। इसके अलावा, अन्य समन्वय तंत्रों (जैसे, सर्वसम्मति एल्गोरिदम, वितरित लेजर) के साथ प्लानफेंस के अंतर्संबंध का पता लगाने से सहक्रियात्मक लाभ हो सकता है। अंत में, इन सिद्धांतों को अधिक जटिल AI आर्किटेक्चर तक विस्तारित करना, जैसे कि आंशिक रूप से अवलोकन योग्य वातावरण में उभरते व्यवहार या सुदृढीकरण सीखने वाले एजेंट शामिल हैं, एक महत्वपूर्ण शोध सीमा प्रस्तुत करता है।

संदर्भ सूची एवं ग्रन्थसूची

• arXiv:2609.03340v1. (2026). Distributed LLM-agent teams can read the latest shared facts and still act on an obsolete plan. arXiv preprint arXiv:2609.03340.
• Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
• Shoham, Y., & Leyton-Brown, K. (2009). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge University Press.
• Bradshaw, J. M. (Ed.). (2019). Human-Agent Teamwork: Principles and Design. CRC Press.

सारांश आणि कार्यकारी सारांश

• मुख्य वैज्ञानिक शोध: वितरीत लार्ज लँग्वेज मॉडेल (LLM) एजंट टीम्समधील 'स्टेल-प्लॅन एक्झिक्युशन'च्या गंभीर समस्येचे निराकरण करणारा, प्लॅनफेंस (PlanFence) या नवीन प्रोटोकॉलची ओळख, ज्यामुळे कृती सध्याच्या वैध योजनांद्वारे अधिकृत असल्याची खात्री होते.
• प्रायोगिक पद्धती आणि बेंचमार्क डेटासेट: 30 नियंत्रित थेट वर्कफ्लोवर पोस्ट-प्लॅन रिव्हिजन्ससह मूल्यांकन केले गेले, ज्यात 'फक्त फ्रेशनेस' असलेल्या एक्झिक्युटरची तुलना प्लॅनफेंस प्रोटोकॉलशी केली गेली, ज्यामुळे प्लॅनफेंससाठी कोणत्याही अवैध कृतींशिवाय कार्य पूर्ण झाल्याचे दिसून आले.
• सैद्धांतिक महत्त्व: हे स्थापित करते की केवळ वैयक्तिक एजंट्ससाठी डेटा फ्रेशनेस पुरेसे नाही; विशिष्ट डेटावर आधारित योजनेची वैधता सतत सत्यापित करणे आवश्यक आहे.
• नागरी सेवा उमेदवारांसाठी प्राथमिक धोरणात्मक निष्कर्ष: उदयोन्मुख तंत्रज्ञान क्षेत्रांमध्ये प्रभावी धोरण निर्मितीसाठी अत्याधुनिक AI समन्वय प्रोटोकॉल समजून घेणे आवश्यक आहे, ज्यामुळे राष्ट्रीय सुरक्षा आणि AI प्रणालींची नैतिक उपयोजन सुनिश्चित होईल.

सैद्धांतिक पाया आणि मूलभूत तत्त्वे

वितरीत AI एजंट प्रणालींचे कार्य, विशेषतः लार्ज लँग्वेज मॉडेल्स (LLMs) चा वापर करणाऱ्या प्रणाली, गतिशील वातावरणात प्रभावी समन्वय आणि निर्णय घेण्यावर अवलंबून असते. जेव्हा अनेक एजंट, अर्ध-स्वायत्तपणे कार्य करत असतात, तेव्हा त्यांना सामायिक, विकसित होणाऱ्या माहितीमधून मिळवलेल्या योजना कार्यान्वित कराव्या लागतात, तेव्हा एक मुख्य आव्हान निर्माण होते. अशी परिस्थिती विचारात घ्या जिथे एजंट A विशिष्ट आवृत्तीच्या सामायिक फॅक्ट डेटाबेस (DB v1.0) मधून मिळालेल्या आवश्यकतेवर ($r_3$) आधारित योजना (प्लॅन X) तयार करतो. त्याच वेळी, एजंट B डेटाबेस (DB v1.1) अपडेट करू शकतो आणि नवीन आवश्यकता ($r_4$) सादर करू शकतो, ज्यामुळे नवीन योजना (प्लॅन Y) तयार होते. कृती कार्यान्वित करण्याचे काम सोपवलेले एक्झिक्युटर एजंट, DB v1.0 वर आधारित प्लॅन X प्राप्त करू शकतो. तथापि, जर एक्झिक्युटरने फक्त सध्याच्या सामायिक तथ्यांच्या *ताजेपणाची* (म्हणजे, तो DB v1.1 पाहतो) तपासणी केली, तर तो चुकून असे गृहीत धरू शकतो की *कालबाह्य* DB v1.0 स्थितीवर आधारित प्लॅन X अजूनही वैध आहे. याला 'स्टेल-प्लॅन एक्झिक्युशन' म्हणतात. येथे उल्लंघन केलेले मूलभूत तत्त्व हे आहे की योजना तयार करण्यासाठी वापरलेल्या डेटा आणि त्या योजनेतून घेतलेल्या कृती यांच्यातील *कारणात्मक दुवा* जतन करणे आवश्यक आहे. योजना म्हणजे अवलंबित्वांचा एक डायरेक्टेड एसायक्लिक ग्राफ (DAG), जिथे प्रत्येक नोड एक लॉजिकल पायरी किंवा आवश्यकता दर्शवतो. या योजनेतून घेतलेली कृती केवळ तेव्हाच वैध असते जेव्हा त्या योजनेतील सर्व अपस्ट्रीम डेटा अवलंबित्त्व अंमलबजावणीच्या वेळी जगाच्या स्थितीशी सुसंगत राहतात. प्लॅनफेंस हे अवलंबित्व-व्याप्त क्रिया-प्रमाणीकरण प्रोटोकॉल सादर करून औपचारिक करते. डेटा फ्रेशनेस तपासण्याऐवजी, एक्झिक्युटर हे सत्यापित करतो की योजनेने उद्धृत केलेले विशिष्ट सार्वजनिक रेकॉर्ड (डेटा पॉइंट्स) अशा स्थितीत आहेत की जेव्हा योजना मूळतः तयार केली गेली होती तेव्हा तीच निर्णय (किंवा नियंत्रित पुनर्नियोजन) घेण्यास समर्थन देईल. यात योजनेच्या उत्पत्तीचा त्याच्या अचूक डेटा इनपुटपर्यंत शोध घेणे आणि केवळ सामायिक माहितीच्या सर्वात अलीकडील एकूण स्थितीऐवजी, त्या विशिष्ट इनपुटची सध्याच्या स्थितीशी पडताळणी करणे समाविष्ट आहे.

संशोधन यश आणि अनुभवजन्य विश्लेषण

या संशोधनात प्लॅनफेंस प्रोटोकॉल सादर केला आहे आणि प्रायोगिकरित्या सत्यापित केला आहे. मुख्य नवकल्पना त्याच्या 'डिपेंडेंसी-स्कोप्ड ॲक्शन-व्हॅलिडेशन' यंत्रणेमध्ये आहे. नवीनतम सामायिक तथ्यांच्या टाइमस्टँपवर केवळ अवलंबून असलेल्या पारंपारिक दृष्टिकोनच्या विपरीत, प्लॅनफेंससाठी योजनांनी ज्या विशिष्ट सार्वजनिक रेकॉर्ड्सवर (डेटा आवृत्त्या) ते आधारित आहेत त्यांचा स्पष्टपणे उल्लेख करणे आवश्यक आहे. जेव्हा एक्झिक्युटर एजंटला योजनेतून मिळवलेल्या कृतीचे काम दिले जाते, तेव्हा ते प्रथम त्या विशिष्ट रेकॉर्ड्सची ओळख पटवते ज्यांनी योजनेच्या निर्धारावर प्रभाव टाकला होता. त्यानंतर ते एक लक्ष्यित प्रमाणीकरण करते: या महत्त्वपूर्ण रेकॉर्ड्स आणि त्यांचे संबंध सध्याच्या सामायिक स्थितीशी अशा प्रकारे सुसंगत आहेत की मूळ योजनेस समर्थन देतील का, हे तपासते. जर प्रमाणीकरण अपूर्ण असेल (उदा. (e.g.

বিমূর্ত এবং নির্বাহী সারাংশ

• মূল বৈজ্ঞানিক আবিষ্কার: প্ল্যানফেন্স (PlanFence) প্রবর্তন, একটি অভিনব প্রোটোকল যা ডিস্ট্রিবিউটেড লার্জ ল্যাঙ্গুয়েজ মডেল (LLM) এজেন্ট দলগুলিতে 'স্টেল-প্ল্যান এক্সিকিউশন'-এর গুরুতর সমস্যা সমাধান করে, যা নিশ্চিত করে যে ক্রিয়াগুলি বর্তমানে বৈধ প্ল্যান দ্বারা অনুমোদিত।
• পরীক্ষামূলক পদ্ধতি এবং বেঞ্চমার্ক ডেটাসেট: প্ল্যান-পরবর্তী সংশোধনী সহ ৩০টি নিয়ন্ত্রিত লাইভ ওয়ার্কফ্লোতে মূল্যায়ন পরিচালিত হয়েছে, প্ল্যানফেন্স প্রোটোকলের সাথে একটি 'শুধুমাত্র সতেজতা' এক্সিকিউটরের তুলনা করা হয়েছে, যা প্ল্যানফেন্সের জন্য অবৈধ ক্রিয়া ছাড়াই সম্পূর্ণ কার্য সমাপ্তি প্রদর্শন করে।
• তাত্ত্বিক তাৎপর্য: এটি প্রতিষ্ঠিত করে যে পৃথক এজেন্টদের জন্য কেবল ডেটার সতেজতা সমন্বিত কার্য সম্পাদনের জন্য অপর্যাপ্ত; নির্দিষ্ট ডেটা নির্ভরতার উপর ভিত্তি করে অন্তর্নিহিত প্ল্যানটির বৈধতা অবশ্যই ক্রমাগত যাচাই করতে হবে।
• সিভিল সার্ভিস প্রার্থীদের জন্য প্রাথমিক কৌশলগত শিক্ষা: উদীয়মান প্রযুক্তি ডোমেনগুলিতে কার্যকর নীতি প্রণয়নের জন্য অত্যাধুনিক এআই সমন্বয় প্রোটোকল বোঝা অত্যন্ত গুরুত্বপূর্ণ, যা জাতীয় নিরাপত্তা এবং এআই সিস্টেমগুলির নৈতিক স্থাপনা নিশ্চিত করে।

তাত্ত্বিক ভিত্তি এবং মৌলিক নীতি

ডিস্ট্রিবিউটেড এআই এজেন্ট সিস্টেমের কার্যকারিতা, বিশেষ করে যা লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) ব্যবহার করে, গতিশীল পরিবেশে কার্যকর সমন্বয় এবং সিদ্ধান্ত গ্রহণের উপর নির্ভর করে। একটি মূল চ্যালেঞ্জ দেখা দেয় যখন একাধিক এজেন্ট, আধা-স্বায়ত্তশাসিতভাবে কাজ করে, শেয়ার করা, বিকশিত তথ্যের উপর ভিত্তি করে প্রাপ্ত প্ল্যানগুলি কার্যকর করতে হয়। এমন একটি পরিস্থিতি বিবেচনা করুন যেখানে এজেন্ট A একটি নির্দিষ্ট সংস্করণের শেয়ার করা ফ্যাক্ট ডাটাবেস (DB v1.0) থেকে প্রাপ্ত একটি প্রয়োজনীয়তার ($r_3$) উপর ভিত্তি করে একটি প্ল্যান (প্ল্যান X) তৈরি করে। একই সময়ে, এজেন্ট B ডাটাবেসকে (DB v1.1) আপডেট করতে পারে এবং একটি নতুন প্রয়োজনীয়তা ($r_4$) কমিট করতে পারে, যার ফলে একটি নতুন প্ল্যান (প্ল্যান Y) তৈরি হয়। একজন এক্সিকিউটর এজেন্ট, যাকে ক্রিয়াগুলি কার্যকর করার দায়িত্ব দেওয়া হয়েছে, সে DB v1.0 এর উপর ভিত্তি করে প্ল্যান X পেতে পারে। তবে, যদি এক্সিকিউটর কেবল বর্তমান শেয়ার করা তথ্যগুলির *সতেজতা* পরীক্ষা করে (অর্থাৎ, এটি DB v1.1 দেখে), তবে এটি ভুলভাবে ধরে নিতে পারে যে *অপ্রচলিত* DB v1.0 অবস্থার উপর ভিত্তি করে প্ল্যান X এখনও বৈধ। একে 'স্টেল-প্ল্যান এক্সিকিউশন' বলা হয়। এখানে লঙ্ঘিত মৌলিক নীতি হল যে প্ল্যান তৈরির জন্য ব্যবহৃত ডেটা এবং সেই প্ল্যান থেকে প্রাপ্ত ক্রিয়ার মধ্যে *কার্যকারণ সম্পর্ক* অবশ্যই সংরক্ষণ করতে হবে। একটি প্ল্যান হল নির্ভরতার একটি ডাইরেক্টেড অ্যাসাইক্লিক গ্রাফ (DAG), যেখানে প্রতিটি নোড একটি লজিক্যাল ধাপ বা প্রয়োজনীয়তা উপস্থাপন করে। এই প্ল্যান থেকে প্রাপ্ত একটি ক্রিয়া কেবল তখনই বৈধ হয় যদি সেই প্ল্যানের সমস্ত আপস্ট্রিম ডেটা নির্ভরতা এক্সিকিউশনের সময় বিশ্বের অবস্থার সাথে সামঞ্জস্যপূর্ণ থাকে। প্ল্যানফেন্স একটি ডিপেন্ডেন্সি-স্কোপড অ্যাকশন-ভ্যালিডেশন প্রোটোকল চালু করে এটি আনুষ্ঠানিকভাবে সংজ্ঞায়িত করে। কেবল ডেটা সতেজতা পরীক্ষা করার পরিবর্তে, একটি এক্সিকিউটর সেই নির্দিষ্ট পাবলিক রেকর্ডগুলি (ডেটা পয়েন্ট) যাচাই করে যা প্ল্যানটি উদ্ধৃত করেছে, সেগুলি এখনও এমন অবস্থায় আছে যা প্ল্যানটি প্রাথমিকভাবে তৈরি হওয়ার সময় একই সিদ্ধান্তের দিকে নিয়ে যেত (বা একটি নিয়ন্ত্রিত রি-প্ল্যানিং)। এর মধ্যে প্ল্যানের উৎস তার নির্দিষ্ট ডেটা ইনপুটগুলিতে ট্রেস করা এবং কেবল শেয়ার করা তথ্যের সবচেয়ে সাম্প্রতিক সামগ্রিক অবস্থার পরিবর্তে, সেই নির্দিষ্ট ইনপুটগুলির বর্তমান অবস্থার সাথে যাচাইকরণ অন্তর্ভুক্ত।

গবেষণা অগ্রগতি এবং অভিজ্ঞতামূলক বিশ্লেষণ

এই গবেষণা প্ল্যানফেন্স প্রোটোকলটি প্রবর্তন করে এবং পরীক্ষামূলকভাবে যাচাই করে। মূল উদ্ভাবন হল এর 'ডিপেন্ডেন্সি-স্কোপড অ্যাকশন-ভ্যালিডেশন' মেকানিজম। সর্বশেষ শেয়ার করা তথ্যের টাইমস্ট্যাম্পের উপর শুধুমাত্র নির্ভর করা ঐতিহ্যবাহী পদ্ধতির বিপরীতে, প্ল্যানফেন্সের জন্য প্ল্যানগুলিকে যে নির্দিষ্ট পাবলিক রেকর্ডগুলিতে (ডেটা সংস্করণ) তারা ভিত্তি করে তৈরি, তা স্পষ্টভাবে উল্লেখ করতে হবে। যখন একজন এক্সিকিউটর এজেন্টকে একটি প্ল্যান থেকে প্রাপ্ত ক্রিয়ার দায়িত্ব দেওয়া হয়, তখন এটি প্রথমে সেই নির্দিষ্ট রেকর্ডগুলি সনাক্ত করে যা প্ল্যানটির উদ্ভবকে প্রভাবিত করেছিল। তারপরে এটি একটি লক্ষ্যযুক্ত বৈধতা সম্পাদন করে: এই গুরুত্বপূর্ণ রেকর্ডগুলি এবং তাদের সম্পর্কগুলি বর্তমান শেয়ার করা অবস্থার সাথে সামঞ্জস্যপূর্ণ কিনা যা মূল প্ল্যানটিকে সমর্থন করবে কিনা তা পরীক্ষা করে। যদি বৈধতা অসম্পূর্ণ হয় (যেমন, (e.g.

சுருக்கம் & நிர்வாகச் சுருக்கம்

• முக்கிய அறிவியல் கண்டுபிடிப்பு: PlanFence-ன் அறிமுகம், இது விநியோகிக்கப்பட்ட பெரிய மொழி மாதிரி (LLM) முகவர் குழுக்களில் 'காலாவதியான திட்டச் செயலாக்கம்' என்ற முக்கியமான சிக்கலைத் தீர்க்கும் ஒரு புதிய நெறிமுறையாகும், இது செயல்கள் தற்போது செல்லுபடியாகும் திட்டங்களால் அங்கீகரிக்கப்படுவதை உறுதி செய்கிறது.
• பரிசோதனை முறை & அளவுகோல் தரவுத்தொகுப்பு: திட்டத்திற்குப் பிந்தைய திருத்தங்களுடன் 30 கட்டுப்படுத்தப்பட்ட நேரடி பணிப்பாய்வுகளில் மதிப்பீடு நடத்தப்பட்டது, 'புதிதானது மட்டும்' செயலியையும் PlanFence நெறிமுறையையும் ஒப்பிட்டு, PlanFence-க்கு செல்லுபடியற்ற செயல்கள் இல்லாமல் முழுமையான பணி நிறைவை நிரூபித்தது.
• கோட்பாட்டு முக்கியத்துவம்: ஒருங்கிணைந்த பணிகளை நிறைவேற்ற தனிப்பட்ட முகவர்களுக்கான தரவின் புதிய தன்மை மட்டும் போதாது என்பதை இது நிறுவுகிறது; குறிப்பிட்ட தரவு சார்புகளை அடிப்படையாகக் கொண்டு, அடிப்படை திட்டத்தின் செல்லுபடியாகும் தன்மையும் தொடர்ந்து சரிபார்க்கப்பட வேண்டும்.
• குடிமைப் பணி விண்ணப்பதாரர்களுக்கான முதன்மை உத்திசார்ந்த புரிதல்: வளர்ந்து வரும் தொழில்நுட்பத் துறைகளில் பயனுள்ள கொள்கை உருவாக்கத்திற்கு அதிநவீன AI ஒருங்கிணைப்பு நெறிமுறைகளைப் புரிந்துகொள்வது முக்கியமானது, இது தேசிய பாதுகாப்பு மற்றும் AI அமைப்புகளின் நெறிமுறைப் பயன்பாட்டை உறுதி செய்கிறது.

கோட்பாட்டு அடித்தளம் & அடிப்படை கோட்பாடுகள்

விநியோகிக்கப்பட்ட AI முகவர் அமைப்புகளின் செயல்பாடு, குறிப்பாக பெரிய மொழி மாதிரிகளை (LLMs) பயன்படுத்தும் அமைப்புகள், மாறும் சூழல்களில் பயனுள்ள ஒருங்கிணைப்பு மற்றும் முடிவெடுப்பதைப் பொறுத்தது. பல முகவர்கள், அரை-தன்னாட்சியாக செயல்படும்போது, பகிரப்பட்ட, உருவாகும் தகவல்களிலிருந்து பெறப்பட்ட திட்டங்களைச் செயல்படுத்த வேண்டியிருக்கும் போது ஒரு முக்கிய சவால் எழுகிறது. முகவர் A, பகிரப்பட்ட உண்மை தரவுத்தளத்தின் (DB v1.0) ஒரு குறிப்பிட்ட பதிப்பிலிருந்து பெற்ற தேவை ($r_3$) அடிப்படையில் ஒரு திட்டத்தை (திட்டம் X) பெறுகிறது என்று வைத்துக்கொள்வோம். அதே நேரத்தில், முகவர் B தரவுத்தளத்தை (DB v1.1 க்கு) புதுப்பித்து ஒரு புதிய தேவையை ($r_4$) சமர்ப்பிக்கலாம், இது ஒரு புதிய திட்டத்திற்கு (திட்டம் Y) வழிவகுக்கும். செயல்களைச் செயல்படுத்தப் பணிக்கப்பட்ட ஒரு செயலி முகவர், DB v1.0 இன் அடிப்படையில் திட்டம் X ஐப் பெறலாம். இருப்பினும், செயலி தற்போதைய பகிரப்பட்ட உண்மைகளின் *புதிய தன்மையை* மட்டும் சரிபார்த்தால் (அதாவது, அது DB v1.1 ஐப் பார்க்கிறது), அது *காலாவதியான* DB v1.0 நிலையிலிருந்து பெறப்பட்ட திட்டம் X இன்னும் செல்லுபடியாகும் என்று தவறாகக் கருதலாம். இது 'காலாவதியான திட்டச் செயலாக்கம்' என்று அழைக்கப்படுகிறது. இங்கு மீறப்படும் அடிப்படைக் கோட்பாடு என்னவென்றால், ஒரு திட்டத்தை உருவாக்கப் பயன்படுத்தப்பட்ட தரவுக்கும் அந்தத் திட்டத்திலிருந்து பெறப்பட்ட செயலுக்கும் இடையிலான *காரணத் தொடர்பு* பாதுகாக்கப்பட வேண்டும். ஒரு திட்டம் என்பது சார்புகளின் ஒரு நேரடிச் சுழற்சியற்ற வரைபடம் (DAG) ஆகும், அங்கு ஒவ்வொரு முனையும் ஒரு தர்க்கரீதியான படி அல்லது தேவையை குறிக்கிறது. இந்தத் திட்டத்திலிருந்து பெறப்பட்ட ஒரு செயல், அந்தத் திட்டத்தின் அனைத்து மேல்நிலை தரவுச் சார்புகளும் செயலாக்க நேரத்தில் உலகின் நிலையுடன் ஒத்துப்போனால் மட்டுமே செல்லுபடியாகும். PlanFence ஒரு சார்பு-வரையறுக்கப்பட்ட செயல்-சரிபார்ப்பு நெறிமுறையை அறிமுகப்படுத்துவதன் மூலம் இதை முறைப்படுத்துகிறது. தரவுப் புதிய தன்மையைச் சரிபார்ப்பதற்குப் பதிலாக, ஒரு செயலி, திட்டத்தால் மேற்கோள் காட்டப்பட்ட குறிப்பிட்ட பொதுப் பதிவுகள் (தரவுப் புள்ளிகள்) இன்னும் திட்டமிடல் உருவாக்கப்பட்டபோது அதே முடிவுக்கு (அல்லது கட்டுப்படுத்தப்பட்ட மறுதிட்டமிடலுக்கு) இட்டுச் செல்லும் நிலையில் உள்ளதா என்பதைச் சரிபார்க்கிறது. இதில் திட்டத்தின் மூலத்தை அதன் துல்லியமான தரவு உள்ளீடுகளுக்குப் பின்தொடர்வது மற்றும் பகிரப்பட்ட தகவலின் சமீபத்திய ஒட்டுமொத்த நிலைக்குப் பதிலாக, அந்த குறிப்பிட்ட உள்ளீடுகளை தற்போதைய நிலையுடன் சரிபார்ப்பது ஆகியவை அடங்கும்.

ஆராய்ச்சி முன்னேற்றம் & அனுபவப் பகுப்பாய்வு

இந்த ஆராய்ச்சி PlanFence நெறிமுறையை அறிமுகப்படுத்தி, அனுபவப்பூர்வமாகச் சரிபார்க்கிறது. முக்கிய புதுமை அதன் 'சார்பு-வரையறுக்கப்பட்ட செயல்-சரிபார்ப்பு' பொறிமுறையில் உள்ளது. சமீபத்திய பகிரப்பட்ட உண்மைகளின் நேரமுத்திரையை மட்டும் நம்பியிருக்கும் பாரம்பரிய அணுகுமுறைகளைப் போலல்லாமல், PlanFence-க்கு திட்டங்கள் எந்த குறிப்பிட்ட பொதுப் பதிவுகளில் (தரவு பதிப்புகள்) அவை அடிப்படையாகக் கொண்டதோ அதை வெளிப்படையாக மேற்கோள் காட்ட வேண்டும். ஒரு செயலி முகவர் ஒரு திட்டத்திலிருந்து பெறப்பட்ட ஒரு செயலைச் செய்யப் பணிக்கப்படும்போது, அது முதலில் அந்தத் திட்டத்தின் உருவாக்கத்தைப் பாதித்த குறிப்பிட்ட பதிவுகளை அடையாளம் காட்டுகிறது. பின்னர் அது ஒரு இலக்கு சரிபார்ப்பைச் செய்கிறது: இந்த முக்கியமான பதிவுகள் மற்றும் அவற்றின் உறவுகள் அசல் திட்டத்தை இன்னும் ஆதரிக்கும் வகையில் தற்போதைய பகிரப்பட்ட நிலையுடன் ஒத்துப்போகிறதா என்பதைச் சரிபார்க்கிறது. சரிபார்ப்பு முழுமையடையாமல் இருந்தால் (எ.கா., (e.g.

సారాంశం & కార్యనిర్వాహక సారాంశం

• ప్రధాన శాస్త్రీయ ఆవిష్కరణ: PlanFence ప్రవేశపెట్టడం, ఇది పంపిణీ చేయబడిన లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) ఏజెంట్ బృందాలలో 'స్టేల్-ప్లాన్ ఎగ్జిక్యూషన్' యొక్క కీలక సమస్యను పరిష్కరించే ఒక నవల ప్రోటోకాల్, చర్యలు ప్రస్తుతం చెల్లుబాటు అయ్యే ప్రణాళికల ద్వారా అధికారం పొందేలా చూస్తుంది.
• ప్రయోగాత్మక పద్దతి & బెంచ్‌మార్క్ డేటాసెట్: ప్లాన్-తరువాత సవరణలతో 30 నియంత్రిత ప్రత్యక్ష వర్క్‌ఫ్లోలపై మూల్యాంకనం నిర్వహించబడింది, 'ఫ్రెష్‌నెస్-మాత్రమే' ఎగ్జిక్యూటర్‌ను PlanFence ప్రోటోకాల్‌తో పోల్చడం, PlanFence కోసం చెల్లని చర్యలు లేకుండా పూర్తి టాస్క్ కంప్లీషన్‌ను ప్రదర్శిస్తుంది.
• సైద్ధాంతిక ప్రాముఖ్యత: వ్యక్తిగత ఏజెంట్లకు డేటా ఫ్రెష్‌నెస్ మాత్రమే సమన్వయంతో కూడిన పని అమలుకు సరిపోదని ఇది స్థాపిస్తుంది; నిర్దిష్ట డేటా డిపెండెన్సీల ఆధారంగా, అంతర్లీన ప్రణాళిక యొక్క చెల్లుబాటు నిరంతరం ధృవీకరించబడాలి.
• సివిల్ సర్వీసెస్ ఆకాంక్షుల కోసం ప్రాథమిక వ్యూహాత్మక పాఠం: వర్ధమాన సాంకేతిక రంగాలలో సమర్థవంతమైన విధాన రూపకల్పనకు అధునాతన AI సమన్వయ ప్రోటోకాల్‌లను అర్థం చేసుకోవడం చాలా ముఖ్యం, ఇది జాతీయ భద్రత మరియు AI వ్యవస్థల యొక్క నైతిక విస్తరణను నిర్ధారిస్తుంది.

సైద్ధాంతిక పునాది & ప్రాథమిక సూత్రాలు

పంపిణీ చేయబడిన AI ఏజెంట్ సిస్టమ్‌ల ఆపరేషన్, ముఖ్యంగా లార్జ్ లాంగ్వేజ్ మోడల్స్ (LLMs) ను ఉపయోగించేవి, డైనమిక్ వాతావరణాలలో సమర్థవంతమైన సమన్వయం మరియు నిర్ణయం తీసుకోవడంపై ఆధారపడి ఉంటుంది. బహుళ ఏజెంట్లు, పాక్షిక-స్వయంప్రతిపత్తితో పనిచేస్తున్నప్పుడు, భాగస్వామ్య, అభివృద్ధి చెందుతున్న సమాచారం నుండి ఉత్పన్నమయ్యే ప్రణాళికలను అమలు చేయవలసి వచ్చినప్పుడు ఒక ప్రధాన సవాలు తలెత్తుతుంది. ఏజెంట్ A, భాగస్వామ్య వాస్తవ డేటాబేస్ (DB v1.0) యొక్క నిర్దిష్ట వెర్షన్ నుండి వచ్చిన అవసరం ($r_3$) ఆధారంగా ఒక ప్రణాళికను (ప్లాన్ X) పొందుతుందని పరిగణించండి. ఏకకాలంలో, ఏజెంట్ B డేటాబేస్‌ను (DB v1.1 కి) అప్‌డేట్ చేయవచ్చు మరియు కొత్త అవసరం ($r_4$)ను కమిట్ చేయవచ్చు, ఇది కొత్త ప్రణాళికకు (ప్లాన్ Y) దారితీస్తుంది. చర్యలను అమలు చేసే పనిలో ఉన్న ఒక ఎగ్జిక్యూటర్ ఏజెంట్, DB v1.0 ఆధారంగా ప్లాన్ X ను పొందవచ్చు. అయితే, ఎగ్జిక్యూటర్ కేవలం ప్రస్తుత భాగస్వామ్య వాస్తవాల *ఫ్రెష్‌నెస్* (అంటే, అది DB v1.1 చూస్తుంది) ను మాత్రమే తనిఖీ చేస్తే, అది *వాడుకలో లేని* DB v1.0 స్థితి నుండి ఉత్పన్నమైన ప్లాన్ X ఇంకా చెల్లుబాటులో ఉందని తప్పుగా భావించవచ్చు. దీనిని 'స్టేల్-ప్లాన్ ఎగ్జిక్యూషన్' అంటారు. ఇక్కడ ఉల్లంఘించబడిన ప్రాథమిక సూత్రం ఏమిటంటే, ప్రణాళికను రూపొందించడానికి ఉపయోగించిన డేటా మరియు ఆ ప్రణాళిక నుండి ఉత్పన్నమైన చర్య మధ్య *కారణ సంబంధం* సంరక్షించబడాలి. ఒక ప్రణాళిక అనేది డిపెండెన్సీల యొక్క డైరెక్టెడ్ ఎసైక్లిక్ గ్రాఫ్ (DAG), ఇక్కడ ప్రతి నోడ్ ఒక లాజికల్ దశ లేదా అవసరాన్ని సూచిస్తుంది. ఈ ప్రణాళిక నుండి ఉత్పన్నమైన చర్య, ఆ ప్రణాళిక యొక్క అన్ని అప్‌స్ట్రీమ్ డేటా డిపెండెన్సీలు అమలు సమయంలో ప్రపంచం యొక్క స్థితితో స్థిరంగా ఉంటే మాత్రమే చెల్లుబాటు అవుతుంది. PlanFence డిపెండెన్సీ-స్కోప్డ్ యాక్షన్-వాలిడేషన్ ప్రోటోకాల్‌ను పరిచయం చేయడం ద్వారా దీనిని అధికారికం చేస్తుంది. కేవలం డేటా ఫ్రెష్‌నెస్‌ను తనిఖీ చేయడానికి బదులుగా, ఒక ఎగ్జిక్యూటర్, ప్రణాళిక ఉదహరించిన నిర్దిష్ట పబ్లిక్ రికార్డులు (డేటా పాయింట్లు) ఇంకా ప్రణాళిక మొదట రూపొందించబడినప్పుడు అదే నిర్ణయానికి (లేదా నియంత్రిత పునః ప్రణాళిక) మద్దతు ఇచ్చే స్థితిలో ఉన్నాయో లేదో ధృవీకరిస్తుంది. ఇందులో ప్రణాళిక యొక్క మూలాన్ని దాని ఖచ్చితమైన డేటా ఇన్‌పుట్‌లకు ట్రేస్ చేయడం మరియు కేవలం అత్యంత ఇటీవలి మొత్తం భాగస్వామ్య సమాచార స్థితికి బదులుగా, ఆ నిర్దిష్ట ఇన్‌పుట్‌లను ప్రస్తుత స్థితితో ధృవీకరించడం జరుగుతుంది.

పరిశోధన పురోగతి & అనుభావిక విశ్లేషణ

ఈ పరిశోధన PlanFence ప్రోటోకాల్‌ను పరిచయం చేసి, అనుభావికంగా ధృవీకరిస్తుంది. ప్రధాన ఆవిష్కరణ దాని 'డిపెండెన్సీ-స్కోప్డ్ యాక్షన్-వాలిడేషన్' మెకానిజం. తాజా భాగస్వామ్య వాస్తవాల టైమ్‌స్టాంప్‌పై మాత్రమే ఆధారపడే సాంప్రదాయ విధానాల వలె కాకుండా, PlanFenceకి ప్రణాళికలు అవి ఆధారపడిన నిర్దిష్ట పబ్లిక్ రికార్డులను (డేటా వెర్షన్లు) స్పష్టంగా ఉదహరించడం అవసరం. ఒక ఎగ్జిక్యూటర్ ఏజెంట్‌కు ఒక ప్రణాళిక నుండి ఉత్పన్నమైన చర్యను చేసే పని అప్పగించబడినప్పుడు, అది మొదట ఆ ప్రణాళిక యొక్క ఉత్పన్నంపై ప్రభావం చూపిన నిర్దిష్ట రికార్డులను గుర్తిస్తుంది. అప్పుడు అది ఒక లక్ష్యిత ధృవీకరణను నిర్వహిస్తుంది: ఈ కీలక రికార్డులు మరియు వాటి సంబంధాలు అసలు ప్రణాళికకు ఇంకా మద్దతు ఇచ్చే విధంగా ప్రస్తుత భాగస్వామ్య స్థితితో స్థిరంగా ఉన్నాయో లేదో తనిఖీ చేస్తుంది. ధృవీకరణ అసంపూర్ణంగా ఉంటే (ఉదా., (e.g

અમૂર્ત અને કાર્યકારી સારાંશ

• મુખ્ય વૈજ્ઞાનિક શોધ: PlanFenceનો પરિચય, એક નવીન પ્રોટોકોલ જે વિતરિત લાર્જ લેંગ્વેજ મોડેલ (LLM) એજન્ટ ટીમોમાં 'સ્ટેલ-પ્લાન એક્ઝિક્યુશન'ની ગંભીર સમસ્યાનું નિરાકરણ લાવે છે, જે ખાતરી આપે છે કે ક્રિયાઓ હાલની માન્ય યોજનાઓ દ્વારા અધિકૃત છે.
• પ્રાયોગિક પદ્ધતિ અને બેન્ચમાર્ક ડેટાસેટ: 30 નિયંત્રિત લાઇવ વર્કફ્લો પર યોજના-પછીના સુધારાઓ સાથે મૂલ્યાંકન હાથ ધરવામાં આવ્યું હતું, જે 'ફ્રેશનેસ-ઓન્લી' એક્ઝિક્યુટરની PlanFence પ્રોટોકોલ સાથે સરખામણી કરે છે, PlanFence માટે અમાન્ય ક્રિયાઓ વિના સંપૂર્ણ કાર્ય પૂર્ણતા દર્શાવે છે.
• સૈદ્ધાંતિક મહત્વ: તે સ્થાપિત કરે છે કે ફક્ત વ્યક્તિગત એજન્ટો માટે ડેટા ફ્રેશનેસ સંકલિત કાર્ય અમલીકરણ માટે અપૂરતી છે; ચોક્કસ ડેટા નિર્ભરતા પર આધારિત, અંતર્ગત યોજનાની માન્યતા સતત માન્ય કરવી આવશ્યક છે.
• નાગરિક સેવા ઉમેદવારો માટે પ્રાથમિક વ્યૂહાત્મક ટેકવે: ઉભરતી ટેકનોલોજી ડોમેન્સમાં અસરકારક નીતિ ઘડતર માટે અત્યાધુનિક AI સંકલન પ્રોટોકોલ્સને સમજવું મહત્વપૂર્ણ છે, જે રાષ્ટ્રીય સુરક્ષા અને AI સિસ્ટમ્સના નૈતિક ઉપયોગની ખાતરી આપે છે.

સૈદ્ધાંતિક પાયો અને મૂળભૂત સિદ્ધાંતો

વિતરિત AI એજન્ટ સિસ્ટમ્સની કામગીરી, ખાસ કરીને લાર્જ લેંગ્વેજ મોડેલ્સ (LLMs) નો ઉપયોગ કરતી, ગતિશીલ વાતાવરણમાં અસરકારક સંકલન અને નિર્ણય લેવા પર આધાર રાખે છે. જ્યારે બહુવિધ એજન્ટો, અર્ધ-સ્વાયત્ત રીતે કાર્યરત હોય, ત્યારે શેર કરેલી, વિકસિત માહિતીમાંથી મેળવેલી યોજનાઓનો અમલ કરવો પડે ત્યારે એક મુખ્ય પડકાર ઊભો થાય છે. એક દૃશ્ય ધ્યાનમાં લો જ્યાં એજન્ટ A, શેર કરેલા હકીકત ડેટાબેઝ (DB v1.0) ના ચોક્કસ સંસ્કરણમાંથી મેળવેલ જરૂરિયાત ($r_3$) પર આધારિત યોજના (પ્લાન X) મેળવે છે. તે જ સમયે, એજન્ટ B ડેટાબેઝને (DB v1.1 પર) અપડેટ કરી શકે છે અને નવી જરૂરિયાત ($r_4$) કમિટ કરી શકે છે, જેનાથી નવી યોજના (પ્લાન Y) બને છે. ક્રિયાઓનું અમલ કરવાનું કાર્ય સોંપેલ એક્ઝિક્યુટર એજન્ટ, DB v1.0 પર આધારિત પ્લાન X પ્રાપ્ત કરી શકે છે. જો કે, જો એક્ઝિક્યુટર ફક્ત વર્તમાન શેર કરેલા તથ્યોની *ફ્રેશનેસ* (એટલે ​​કે, તે DB v1.1 જુએ છે) તપાસે, તો તે ભૂલથી માની શકે છે કે *જૂની* DB v1.0 સ્થિતિમાંથી મેળવેલ પ્લાન X હજુ પણ માન્ય છે. આને 'સ્ટેલ-પ્લાન એક્ઝિક્યુશન' કહેવામાં આવે છે. અહીં ઉલ્લંઘન થયેલ મૂળભૂત સિદ્ધાંત એ છે કે યોજના બનાવવા માટે ઉપયોગમાં લેવાતો ડેટા અને તે યોજનામાંથી મેળવેલી ક્રિયા વચ્ચેનો *કારણભૂત સંબંધ* જાળવવો આવશ્યક છે. યોજના એ નિર્ભરતાઓનો નિર્દેશિત અચક્રીય ગ્રાફ (DAG) છે, જ્યાં દરેક નોડ એક તાર્કિક પગલું અથવા જરૂરિયાત રજૂ કરે છે. આ યોજનામાંથી મેળવેલી ક્રિયા ફક્ત ત્યારે જ માન્ય છે જો તે યોજનાની તમામ અપસ્ટ્રીમ ડેટા નિર્ભરતાઓ અમલ સમયે વિશ્વની સ્થિતિ સાથે સુસંગત રહે. PlanFence ડિપેન્ડન્સી-સ્કોપ્ડ એક્શન-વેલિડેશન પ્રોટોકોલ રજૂ કરીને આને ઔપચારિક બનાવે છે. ફક્ત ડેટા ફ્રેશનેસ તપાસવાને બદલે, એક એક્ઝિક્યુટર તે ચોક્કસ જાહેર રેકોર્ડ્સ (ડેટા પોઈન્ટ્સ)ને માન્ય કરે છે જે યોજના દ્વારા ટાંકવામાં આવ્યા છે, તે હજુ પણ એવી સ્થિતિમાં છે કે જે યોજના મૂળ રૂપે ઘડવામાં આવી હતી તે જ નિર્ણય (અથવા નિયંત્રિત રિપ્લાનિંગ)ને સમર્થન આપશે. આમાં યોજનાના મૂળને તેના ચોક્કસ ડેટા ઇનપુટ્સ સુધી ટ્રેસ કરવું અને ફક્ત શેર કરેલી માહિતીની સૌથી તાજેતરની એકંદર સ્થિતિને બદલે, તે ચોક્કસ ઇનપુટ્સની વર્તમાન સ્થિતિ સાથે માન્યતાનો સમાવેશ થાય છે.

સંશોધન સફળતા અને પ્રયોગમૂલક વિશ્લેષણ

આ સંશોધન PlanFence પ્રોટોકોલ રજૂ કરે છે અને પ્રયોગાત્મક રીતે તેને માન્ય કરે છે. મુખ્ય નવીનતા તેની 'ડિપેન્ડન્સી-સ્કોપ્ડ એક્શન-વેલિડેશન' મિકેનિઝમમાં રહેલી છે. ફક્ત તાજેતરના શેર કરેલા તથ્યોના ટાઇમસ્ટેમ્પ પર આધાર રાખતી પરંપરાગત પદ્ધતિઓથી વિપરીત, PlanFence માટે યોજનાઓએ સ્પષ્ટપણે તે ચોક્કસ જાહેર રેકોર્ડ્સ (ડેટા સંસ્કરણો) ટાંકવાની જરૂર છે જેના પર તેઓ આધાર રાખે છે. જ્યારે એક્ઝિક્યુટર એજન્ટને યોજનામાંથી મેળવેલી ક્રિયા કરવા માટે કાર્ય સોંપવામાં આવે છે, ત્યારે તે સૌ પ્રથમ તે ચોક્કસ રેકોર્ડ્સને ઓળખે છે જેણે યોજનાના ઉદ્ભવને પ્રભાવિત કર્યો હતો. પછી તે એક લક્ષિત માન્યતા કરે છે: આ નિર્ણાયક રેકોર્ડ્સ અને તેમના સંબંધો હાલની શેર કરેલી સ્થિતિ સાથે એવી રીતે સુસંગત છે કે જે મૂળ યોજનાને સમર્થન આપશે કે કેમ તે તપાસે છે. જો માન્યતા અધૂરી હોય (દા.ત., (e.g

ਸਾਰ ਅਤੇ ਕਾਰਜਕਾਰੀ ਸਾਰ

• ਮੁੱਖ ਵਿਗਿਆਨਕ ਖੋਜ: ਪਲਾਨਫੈਂਸ (PlanFence) ਦੀ ਸ਼ੁਰੂਆਤ, ਇੱਕ ਨਵੀਨ ਪ੍ਰੋਟੋਕੋਲ ਜੋ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (LLM) ਏਜੰਟ ਟੀਮਾਂ ਵਿੱਚ 'ਸਟੇਲ-ਪਲਾਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ' ਦੀ ਗੰਭੀਰ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਕਾਰਵਾਈਆਂ ਮੌਜੂਦਾ ਯੋਗ ਯੋਜਨਾਵਾਂ ਦੁਆਰਾ ਅਧਿਕਾਰਤ ਹਨ।
• ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਧੀ ਅਤੇ ਬੈਂਚਮਾਰਕ ਡਾਟਾਸੈੱਟ: 30 ਨਿਯੰਤਰਿਤ ਲਾਈਵ ਵਰਕਫਲੋਜ਼ 'ਤੇ ਪੋਸਟ-ਪਲਾਨ ਸੋਧਾਂ ਦੇ ਨਾਲ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ, ਜਿਸ ਵਿੱਚ 'ਫਰੈਸ਼ਨੈੱਸ-ਓਨਲੀ' ਐਗਜ਼ੀਕਿਊਟਰ ਦੀ ਪਲਾਨਫੈਂਸ ਪ੍ਰੋਟੋਕੋਲ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ ਗਈ, ਜਿਸ ਨਾਲ ਪਲਾਨਫੈਂਸ ਲਈ ਕੋਈ ਗੈਰ-ਯੋਗ ਕਾਰਵਾਈਆਂ ਤੋਂ ਬਿਨਾਂ ਕਾਰਜ ਪੂਰਾ ਹੋਇਆ।
• ਸਿਧਾਂਤਕ ਮਹੱਤਤਾ: ਇਹ ਸਥਾਪਿਤ ਕਰਦਾ ਹੈ ਕਿ ਸਿਰਫ਼ ਵਿਅਕਤੀਗਤ ਏਜੰਟਾਂ ਲਈ ਡਾਟਾ ਫਰੈਸ਼ਨੈੱਸ ਤਾਲਮੇਲ ਕਾਰਜ ਲਾਗੂ ਕਰਨ ਲਈ ਨਾਕਾਫ਼ੀ ਹੈ; ਖਾਸ ਡਾਟਾ ਨਿਰਭਰਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਅੰਡਰਲਾਈੰਗ ਯੋਜਨਾ ਦੀ ਵੈਧਤਾ ਨੂੰ ਲਗਾਤਾਰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਸਿਵਲ ਸੇਵਾ ਉਮੀਦਵਾਰਾਂ ਲਈ ਮੁੱਖ ਰਣਨੀਤਕ ਸਿੱਖ: ਉਭਰ ਰਹੀਆਂ ਤਕਨਾਲੋਜੀ ਡੋਮੇਨਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨੀਤੀ ਨਿਰਮਾਣ ਲਈ ਉੱਨਤ AI ਤਾਲਮੇਲ ਪ੍ਰੋਟੋਕੋਲਾਂ ਨੂੰ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜੋ ਰਾਸ਼ਟਰੀ ਸੁਰੱਖਿਆ ਅਤੇ AI ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਨੈਤਿਕ ਵਰਤੋਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ।

ਸਿਧਾਂਤਕ ਨੀਂਹ ਅਤੇ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ

ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ AI ਏਜੰਟ ਸਿਸਟਮਾਂ ਦਾ ਸੰਚਾਲਨ, ਖਾਸ ਕਰਕੇ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (LLMs) ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ, ਗਤੀਸ਼ੀਲ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਾਲਮੇਲ ਅਤੇ ਫੈਸਲੇ ਲੈਣ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕਈ ਏਜੰਟ, ਅਰਧ-ਖੁਦਮੁਖਤਿਆਰ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹੋਏ, ਸਾਂਝੀ, ਵਿਕਸਿਤ ਹੋ ਰਹੀ ਜਾਣਕਾਰੀ ਤੋਂ ਪ੍ਰਾਪਤ ਯੋਜਨਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਤਾਂ ਇੱਕ ਮੁੱਖ ਚੁਣੌਤੀ ਪੈਦਾ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਦ੍ਰਿਸ਼ਟਾਂਤ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਜਿੱਥੇ ਏਜੰਟ A, ਸਾਂਝੇ ਤੱਥ ਡੇਟਾਬੇਸ (DB v1.0) ਦੇ ਇੱਕ ਖਾਸ ਸੰਸਕਰਣ ਤੋਂ ਪ੍ਰਾਪਤ ਲੋੜ ($r_3$) ਦੇ ਆਧਾਰ 'ਤੇ ਇੱਕ ਯੋਜਨਾ (ਯੋਜਨਾ X) ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਉਸੇ ਸਮੇਂ, ਏਜੰਟ B ਡਾਟਾਬੇਸ ਨੂੰ (DB v1.1 ਤੱਕ) ਅੱਪਡੇਟ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇੱਕ ਨਵੀਂ ਲੋੜ ($r_4$) ਕਮਿਟ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਨਵੀਂ ਯੋਜਨਾ (ਯੋਜਨਾ Y) ਬਣ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਕਾਰਜਕਾਰੀ ਏਜੰਟ, ਜਿਸਨੂੰ ਕਾਰਵਾਈਆਂ ਲਾਗੂ ਕਰਨ ਦਾ ਕੰਮ ਸੌਂਪਿਆ ਗਿਆ ਹੈ, DB v1.0 ਦੇ ਆਧਾਰ 'ਤੇ ਯੋਜਨਾ X ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਜੇਕਰ ਕਾਰਜਕਾਰੀ ਸਿਰਫ ਮੌਜੂਦਾ ਸਾਂਝੇ ਤੱਥਾਂ ਦੀ *ਫਰੈਸ਼ਨੈੱਸ* (ਭਾਵ, ਇਹ DB v1.1 ਦੇਖਦਾ ਹੈ) ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਗਲਤੀ ਨਾਲ ਮੰਨ ਸਕਦਾ ਹੈ ਕਿ *ਪੁਰਾਣੀ* DB v1.0 ਸਥਿਤੀ ਤੋਂ ਪ੍ਰਾਪਤ ਯੋਜਨਾ X ਅਜੇ ਵੀ ਯੋਗ ਹੈ। ਇਸਨੂੰ 'ਸਟੇਲ-ਪਲਾਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ' ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇੱਥੇ ਉਲੰਘਣ ਕੀਤਾ ਗਿਆ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਇਹ ਹੈ ਕਿ ਯੋਜਨਾ ਬਣਾਉਣ ਲਈ ਵਰਤੇ ਗਏ ਡੇਟਾ ਅਤੇ ਉਸ ਯੋਜਨਾ ਤੋਂ ਪ੍ਰਾਪਤ ਕਾਰਵਾਈ ਦੇ ਵਿਚਕਾਰ *ਕਾਰਨ ਸੰਬੰਧ* ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਯੋਜਨਾ ਨਿਰਭਰਤਾਵਾਂ ਦਾ ਇੱਕ ਡਾਇਰੈਕਟਡ ਏਸਾਈਕਲਿਕ ਗ੍ਰਾਫ (DAG) ਹੈ, ਜਿੱਥੇ ਹਰ ਨੋਡ ਇੱਕ ਤਰਕਪੂਰਨ ਕਦਮ ਜਾਂ ਲੋੜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਸ ਯੋਜਨਾ ਤੋਂ ਪ੍ਰਾਪਤ ਕਾਰਵਾਈ ਸਿਰਫ ਤਾਂ ਹੀ ਯੋਗ ਹੁੰਦੀ ਹੈ ਜੇਕਰ ਉਸ ਯੋਜਨਾ ਦੀਆਂ ਸਾਰੀਆਂ ਅਪਸਟ੍ਰੀਮ ਡਾਟਾ ਨਿਰਭਰਤਾਵਾਂ ਲਾਗੂ ਹੋਣ ਦੇ ਸਮੇਂ ਸੰਸਾਰ ਦੀ ਸਥਿਤੀ ਨਾਲ ਇਕਸਾਰ ਰਹਿਣ। ਪਲਾਨਫੈਂਸ ਇਸਨੂੰ ਨਿਰਭਰਤਾ-ਸਕੋਪਡ ਕਾਰਜ-ਪ੍ਰਮਾਣਿਤ ਪ੍ਰੋਟੋਕੋਲ ਪੇਸ਼ ਕਰਕੇ ਰਸਮੀ ਬਣਾਉਂਦਾ ਹੈ। ਸਿਰਫ਼ ਡਾਟਾ ਫਰੈਸ਼ਨੈੱਸ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਬਜਾਏ, ਇੱਕ ਕਾਰਜਕਾਰੀ ਉਹਨਾਂ ਖਾਸ ਜਨਤਕ ਰਿਕਾਰਡਾਂ (ਡਾਟਾ ਪੁਆਇੰਟਾਂ) ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਯੋਜਨਾ ਦੁਆਰਾ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਹਨ ਜੋ ਅਜੇ ਵੀ ਉਸੇ ਫੈਸਲੇ (ਜਾਂ ਇੱਕ ਨਿਯੰਤਰਿਤ ਰੀ-ਪਲਾਨਿੰਗ) ਦਾ ਸਮਰਥਨ ਕਰਨਗੀਆਂ ਜਿਵੇਂ ਕਿ ਜਦੋਂ ਯੋਜਨਾ ਅਸਲ ਵਿੱਚ ਬਣਾਈ ਗਈ ਸੀ। ਇਸ ਵਿੱਚ ਯੋਜਨਾ ਦੇ ਮੂਲ ਨੂੰ ਇਸਦੇ ਸਹੀ ਡਾਟਾ ਇਨਪੁਟਸ ਤੱਕ ਟ੍ਰੇਸ ਕਰਨਾ ਅਤੇ ਸਿਰਫ ਸਾਂਝੀ ਜਾਣਕਾਰੀ ਦੀ ਸਭ ਤੋਂ ਨਵੀਨਤਮ ਸਮੁੱਚੀ ਸਥਿਤੀ ਦੀ ਬਜਾਏ, ਇਹਨਾਂ ਖਾਸ ਇਨਪੁਟਸ ਨੂੰ ਮੌਜੂਦਾ ਸਥਿਤੀ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।

ਖੋਜ ਸਫਲਤਾ ਅਤੇ ਅਨੁਭਵੀ ਵਿਸ਼ਲੇਸ਼ਣ

ਇਹ ਖੋਜ ਪਲਾਨਫੈਂਸ ਪ੍ਰੋਟੋਕੋਲ ਨੂੰ ਪੇਸ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਅਨੁਭਵੀ ਤੌਰ 'ਤੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ। ਮੁੱਖ ਨਵੀਨਤਾ ਇਸਦੇ 'ਡਿਪੈਂਡੈਂਸੀ-ਸਕੋਪਡ ਐਕਸ਼ਨ-ਵੈਲੀਡੇਸ਼ਨ' ਮਕੈਨਿਜ਼ਮ ਵਿੱਚ ਹੈ। ਹਾਲ ਹੀ ਦੇ ਸਾਂਝੇ ਤੱਥਾਂ ਦੇ ਟਾਈਮਸਟੈਂਪ 'ਤੇ ਨਿਰਭਰ ਕਰਨ ਵਾਲੇ ਰਵਾਇਤੀ ਪਹੁੰਚਾਂ ਦੇ ਉਲਟ, ਪਲਾਨਫੈਂਸ ਲਈ ਯੋਜਨਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਖਾਸ ਜਨਤਕ ਰਿਕਾਰਡਾਂ (ਡਾਟਾ ਸੰਸਕਰਣਾਂ) ਦਾ ਹਵਾਲਾ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ 'ਤੇ ਉਹ ਅਧਾਰਤ ਹਨ। ਜਦੋਂ ਇੱਕ ਕਾਰਜਕਾਰੀ ਏਜੰਟ ਨੂੰ ਇੱਕ ਯੋਜਨਾ ਤੋਂ ਪ੍ਰਾਪਤ ਕਾਰਵਾਈ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਕੰਮ ਸੌਂਪਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਪਹਿਲਾਂ ਉਹਨਾਂ ਖਾਸ ਰਿਕਾਰਡਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਯੋਜਨਾ ਦੇ ਨਿਰਧਾਰਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਸੀ। ਫਿਰ ਇਹ ਇੱਕ ਨਿਸ਼ਾਨਾ ਪ੍ਰਮਾਣਿਕਤਾ ਕਰਦਾ ਹੈ: ਇਹ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਮਹੱਤਵਪੂਰਨ ਰਿਕਾਰਡ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਬੰਧ, ਮੌਜੂਦਾ ਸਾਂਝੀ ਸਥਿਤੀ ਦੇ ਨਾਲ ਇਸ ਤਰੀਕੇ ਨਾਲ ਇਕਸਾਰ ਹਨ ਕਿ ਅਜੇ ਵੀ ਅਸਲ ਯੋਜਨਾ ਦਾ ਸਮਰਥਨ ਕਰਨਗੇ। ਜੇਕਰ ਪ੍ਰਮਾਣਿਕਤਾ ਅਧੂਰੀ ਹੈ (ਉਦਾ., (e.g