📋 धडा 01 — agent म्हणजे काय: उत्तरे विरुद्ध परिणाम

📍 तुम्ही इथे आहात: 8 पैकी धडा 01 · पुढे: lesson-02-the-loop

📦 या ब्रँचमध्ये काय आहे

संपूर्ण course ज्या एका फरकावर उभा आहे तो — chatbots उत्तर देतात; agents काम पूर्ण करतात — आणि आत्ताच चालवता येईल असा एक खरा agent: agent/agent.py.

🧒 5 वर्षांच्या मुलाला समजावल्यासारखे

दोन विद्यार्थी, मेंदू सारखाच, काम वेगळे:

पाठ म्हणणारा 🗣️ (chatbot): "सहलीसाठी किती pizzas लागतील?" असे विचारा आणि तो डोक्यातून उत्तर देतो — लगेच, अस्खलित… पण या वर्षी किती मुले येणार आहेत ते त्याला खरे तर माहीतच नसते. तुम्हाला मिळतात शब्द.
कर्ता 📋 (agent): त्याला GOAL द्या — "pizzas चा हिशोब कर आणि योजना साठव" — सोबत कामांच्या यादीची सवय आणि एक hall pass 🎫 (जाऊन गोष्टी तपासण्याची परवानगी). तो office मध्ये जातो, वर्ग मोजतो, pizza चा नियम वाचतो, गणित करतो, note लिहितो आणि काम पूर्ण करून परत येतो. तुम्हाला मिळतो परिणाम.

फरक बुद्धिमत्तेचा नाही — तो आहे loop आणि pass चा: कृती करण्याची, काय घडले ते पाहण्याची आणि पुन्हा कृती करण्याची परवानगी. chatbot चालवणारे तेच model, त्या loop मध्ये गुंडाळताच agent बनते (या repo च्या ~130 ओळी नेमके हेच करतात).

🗺️ आकृती

flowchart LR
    q["❓ 'how many pizzas?'"]
    subgraph chatbot["🗣️ chatbot - answers"]
        m1["🧠 model"] --> a1["'probably 6-8?'<br/>words, from memory"]
    end
    subgraph agent["📋 agent - outcomes"]
        m2["🧠 model in a LOOP"] --> t["🧰 tools: lookup, calc, write"]
        t --> m2
        m2 --> a2["✅ 8 pizzas — counted,<br/>computed, plan SAVED"]
    end
    q --> chatbot
    q --> agent

❓ काय

Agent = model + tools + loop + goal (AI course L11 चे सूत्र — ही संपूर्ण शाळा ते एकेका शब्दाने उलगडते).
interface मधला बदल: chatbots प्रश्न घेतात, agents goals घेतात. goals ना तुकडे करणे, tools आणि पडताळणी लागते — तेच धडे 02–06 आहेत.
प्रत्यक्ष जगात ओळखा: edit करून test करणारे coding assistants, खरोखर तुमची order शोधणारे support bots, browse करून माहिती गोळा करणारी research tools. loop तोच, tools वेगळी.
पहिल्या दिवसापासून प्रामाणिकपणा: loop चुकाही वाढवतो (धडा 06) आणि जगावर कृती करतो (धडा 05 चे guardrails). शक्ती आणि धोका एकत्रच येतात.

🤔 का

"Agent" हा AI marketing मधला सर्वात जास्त गैरवापर होणारा शब्द आहे. हा course झाल्यावर तुम्ही या buzzword ऐवजी एक checklist वापरू शकता: goal काय आहे? कोणती tools? कोणता loop? कोणते guardrails? जर एखादे product यांची उत्तरे देऊ शकत नसेल, तर तो trench coat घातलेला chatbot आहे. 🕵️

🧪 करून पाहा (60 सेकंद)

python3 agent/agent.py

एक goal सहा steps मध्ये परिणाम बनताना पाहा: तीन lookups, एक गणना, एक (gated!) file write, एक done. तो printout हाच या course चा संपूर्ण विषय आहे — धडा 07 पर्यंत तुम्ही तो तयार करणारी प्रत्येक ओळ वाचलेली असेल.

⏭️ पुढे

इंजिन स्वतः: think → act → observe, आणि ते छोटेसे चक्रच संपूर्ण युक्ती का आहे.

git checkout lesson-02-the-loop

📋 Lesson 01 — What is an agent: answers vs outcomes

📍 You are here: Lesson 01 of 8 · Next: lesson-02-the-loop

📦 What's in this branch

The one distinction the whole course builds on — chatbots answer; agents achieve — and a real agent you can run right now: agent/agent.py.

🧒 Explain like I'm 5

Two students, same brain, different jobs:

The reciter 🗣️ (a chatbot): ask "how many pizzas for the picnic?" and it answers from its head — instantly, fluently… and it doesn't actually know how many kids are coming this year. You get words.
The doer 📋 (an agent): give it the GOAL — "figure out the pizzas AND save the plan" — plus a to-do list mindset and a hall pass 🎫 (permission to go check things). It walks to the office, counts the classes, reads the pizza rule, does the math, writes the note, and comes back with the job DONE. You get an outcome.

The difference is not intelligence — it's the loop and the pass: permission to act, look at what happened, and act again. Same model that powers a chatbot becomes an agent the moment you wrap it in that loop (which is exactly what this repo's ~130 lines do).

🗺️ Diagram

flowchart LR
    q["❓ 'how many pizzas?'"]
    subgraph chatbot["🗣️ chatbot - answers"]
        m1["🧠 model"] --> a1["'probably 6-8?'<br/>words, from memory"]
    end
    subgraph agent["📋 agent - outcomes"]
        m2["🧠 model in a LOOP"] --> t["🧰 tools: lookup, calc, write"]
        t --> m2
        m2 --> a2["✅ 8 pizzas — counted,<br/>computed, plan SAVED"]
    end
    q --> chatbot
    q --> agent

❓ What

Agent = model + tools + loop + goal (AI course L11's formula — this whole school unpacks it term by term).
The interface shift: chatbots take questions, agents take goals. Goals need decomposition, tools, and verification — that's lessons 02–06.
Spot them in the wild: coding assistants that edit-and-test, support bots that actually look up your order, research tools that browse and compile. Same loop, different tools.
Honesty from day one: the loop also compounds mistakes (lesson 06) and acts on the world (lesson 05's guardrails). Power and risk arrive together.

🤔 Why

"Agent" is the most-abused word in AI marketing. After this course you can replace the buzzword with a checklist: what's the goal? which tools? what loop? which guardrails? If a product can't answer those, it's a chatbot in a trench coat. 🕵️

🧪 Try it (60 seconds)

python3 agent/agent.py

Watch a goal become an outcome in six steps: three lookups, one calculation, one (gated!) file write, one done. That printout is the entire subject of this course — by lesson 07 you'll have read every line that produced it.

⏭️ Next

The engine itself: think → act → observe, and why that tiny cycle is the whole trick.

git checkout lesson-02-the-loop

This page is the lesson's README from the lesson-01-what-is-an-agent branch, shown here so the whole School stays on one site. Code files open on GitHub at the same branch.