AI · इलेक्ट्रॉनिक्स रिपेयर
बोर्ड रिपेयर के लिए AI, बिना हैल्युसिनेशन के।
किसी जनरल-पर्पस चैटबॉट से ऐसी बोर्ड पर इनपुट फ्यूज़ कहाँ है पूछिए जो उसने कभी देखी ही नहीं: वह फिर भी जवाब दे देगा। WrenchBoard इसका उल्टा रुख अपनाता है: एक AI एजेंट जो असली स्कीमैटिक, असली Boardview और ऑडिट किए गए फेलियर रूल्स से बंधा है। वह सिर्फ़ वही cite करता है जो आपके बोर्ड पर साबित कर सके।
एक रिपेयर शॉप में AI असल में क्या बदलती है
रोज़मर्रा की कंपोनेंट-लेवल रिपेयर सोल्डरिंग के हुनर से सीमित नहीं होती: यह नॉलेज तक पहुँच से सीमित होती है। जानकारी मौजूद तो है: सैकड़ों पन्नों के PDF स्कीमैटिक, boardviews, फ़ोरम थ्रेड जहाँ जवाब post 47 में दबा है, और सीनियर का तजुर्बा जो उसके साथ ही रिटायर हो जाता है। कोई सर्च इंजन इन पर रीज़न नहीं करता।
ठीक यही काम एक लैंग्वेज मॉडल अच्छा करता है: विषम स्रोतों को पढ़ना, उन्हें आपस में जोड़ना, और सादी भाषा में उन पर रीज़न करना। एक शर्त पर: कि उसके जवाब आपके बेंच पर रखी बोर्ड पर टिके हों, न कि उसने ट्रेनिंग में जो पढ़ा उसके किसी सांख्यिकीय औसत पर।
आर्किटेक्चर: एक बंधा हुआ एजेंट, न कि एक augmented चैटबॉट
WrenchBoard किसी viewer पर chat box चिपका नहीं देता। डायग्नोस्टिक एजेंट टूल के भीतर बना है, 43 स्पेशलाइज़्ड tools के साथ जिन्हें वह रीज़न करते समय कॉल करता है:
- बोर्ड पढ़ना: स्कीमैटिक से कंपाइल किए गए इलेक्ट्रिकल ग्राफ को query करना, किसी कंपोनेंट को देखना, लक्षणों से मेल खाते फेलियर रूल्स की सूची बनाना।
- Boardview चलाना: highlight, zoom, dim, किसी pin पर इशारा, और एक मेज़रमेंट प्रोटोकॉल प्रस्तावित करना जिसे view स्टेप-दर-स्टेप फ़ॉलो करता है।
- रिपेयर जर्नल: हर मेज़रमेंट लॉग करना, before/after तुलना करना, सेशन के अंत में पुष्ट कारण दर्ज करना।
- Sensors: जब रीज़निंग को बोर्ड देखने की ज़रूरत हो तो शॉप के माइक्रोस्कोप से एक फ़्रेम माँगना।
हर जवाब एक sanitizer से गुज़रता है: जिस refdes को पार्सर नहीं जानता उसे flag किया जाता है, दावा नहीं किया जाता। Hypotheses अपनी प्रोबेबिलिटी के साथ निकलती हैं, जो डिवाइस के ऑडिट किए गए रूल्स से आती हैं, और जब एजेंट रूल्स से आगे जाकर सिर्फ़ स्कीमैटिक टोपोलॉजी पर रीज़न करता है, तो वह यह बता देता है।
स्तरबद्ध मेमोरी, एक टीम की तरह
एक सीनियर टेक की कीमत उसका जमा किया हुआ तजुर्बा है। WrenchBoard एजेंट इसी ढाँचे की नक़ल चार अलग मेमोरी स्टोर के साथ करता है: क्रॉस-डिवाइस फेलियर पैटर्न और डायग्नोस्टिक playbooks (साझा, read-only), मौजूदा डिवाइस का नॉलेज पैक (read-only, offline बनाया और ऑडिट किया हुआ), और सक्रिय रिपेयर की notebook (read-write, हर सेशन resume पर दोबारा पढ़ी जाती है)।
नतीजा: नॉलेज सही दिशा में बहती है। जो डायग्नोसिस पुष्ट करता है वह बेस को समृद्ध करता है; जो बेस में है वह traceable और auditable है; कुछ भी मॉडल की अनिश्चित मेमोरी पर नहीं टिकता।
रीज़निंग की गहराई चुनना
हर फॉल्ट को एक जैसा compute नहीं चाहिए। सेशन खोलते समय आप मॉडल tier चुनते हैं: जानी-पहचानी फॉल्ट पर तेज़ डायग्नोसिस के लिए Haiku, रोज़मर्रा के काम के लिए Sonnet, और उन कठिन बोर्ड के लिए Opus जहाँ ग्राफ पर लंबी रीज़निंग रंग लाती है। वही workflow, जो motherboard diagnostics पेज पर विस्तार से दिया है, हर tier पर लागू होता है।
शॉप AI, डेमो AI नहीं
WrenchBoard का दाँव: जो AI रिपेयर में मदद करती है वह नहीं जो डेमो में प्रभावित करती है, बल्कि वह जो बेंच पर सबसे कम ग़लत होती है। इसीलिए पूरा ढाँचा, संपूर्ण microsoldering software से लेकर एक अकेले Boardview highlight तक, सत्यापनीयता के इर्द-गिर्द बना है। किसी कवर्ड डिवाइस पर एक सेशन आज़माइए: फ्री प्लान ख़ुद परखने के लिए काफ़ी है।
FAQ
अक्सर पूछे जाने वाले सवाल
यह सीधे ChatGPT या Claude से पूछने से कैसे अलग है?
एक जनरल-पर्पस चैटबॉट रटी हुई जानकारी से रीज़न करता है, आपके बोर्ड तक उसकी कोई पहुँच नहीं होती: वह कोई refdes गढ़ सकता है या किसी दूसरे मॉडल का स्कीमैटिक quote कर सकता है। WrenchBoard एजेंट असल में पार्स की गई बोर्ड (Boardview, स्कीमैटिक का इलेक्ट्रिकल ग्राफ, डिवाइस के फेलियर रूल्स) से जुड़ा होता है, और वह जो भी रेफरेंस cite करता है उसे दिखाने से पहले उसी डेटा के विरुद्ध वैलिडेट किया जाता है।
एजेंट को कौन सा AI मॉडल चलाता है?
Anthropic के Claude मॉडल, सेशन खोलते समय tier के हिसाब से चुने जा सकते हैं (Haiku, Sonnet, Opus) इस पर निर्भर करते हुए कि आपको कितनी गहरी रीज़निंग चाहिए। इस प्रोजेक्ट ने Anthropic के "Built with Opus 4.7" hackathon में दूसरा स्थान हासिल किया।
"एंटी-हैल्युसिनेशन" का ठोस मतलब क्या है?
एजेंट का हर जवाब एक sanitizer से गुज़रता है: cite किए गए refdes को पार्स किए गए Boardview में असल में मौजूद कंपोनेंट्स के विरुद्ध जाँचा जाता है (टाइपो की छूट के साथ), और प्रस्तावित कारण डिवाइस के रूल्स या कंपाइल किए गए इलेक्ट्रिकल ग्राफ से ही आने चाहिए। जो रेफरेंस सत्यापित नहीं हो सकता उसे वैसा ही flag किया जाता है, कभी तथ्य की तरह पेश नहीं किया जाता।
क्या AI मेरे लिए मेज़रमेंट ले लेता है?
नहीं, यह न आपकी प्रोब की जगह लेता है न आपके फ़ैसले की। यह लूप को structure करता है: प्रोबेबिलिटी से रैंक की गई hypothesis, स्टेप-बाय-स्टेप मेज़रमेंट प्रोटोकॉल, और आपकी रिपोर्ट की गई वैल्यूज़ की व्याख्या। यह बोर्ड के किसी हिस्से को देखने के लिए आपके माइक्रोस्कोप से एक फ़्रेम भी माँग सकता है।
क्या मेरा रिपेयर डेटा मॉडल को train करने में इस्तेमाल होता है?
नहीं। सेशन प्लेटफ़ॉर्म की डायग्नोस्टिक मेमोरी (मेज़रमेंट, पुष्ट कारण, playbooks) को भरते हैं, न कि लैंग्वेज-मॉडल की ट्रेनिंग को। और इंजन source-available है: कोई शॉप इसे सेल्फ-होस्ट कर सकता है और अपना सारा डेटा लोकल रख सकता है।
शुरू करें
Wrench Board ट्राय करें फ्री, अपने ब्राउज़र में।
फ्री प्लान, कोई कार्ड ज़रूरी नहीं। ऐप खोलें, कवर किया गया डिवाइस चुनें, और एजेंट के साथ डायग्नोस्टिक सेशन शुरू करें।