প্রতিদিন সকালে, লক্ষ লক্ষ মানুষ একই জিনিসের জন্য তাদের ফোন খুলে দেয়: শিরোনামের একটি বন্যা। গ্লোবাল রাজনীতি, প্রযুক্তি বিজ্ঞপ্তি, বাজারের পরিবর্তন এবং স্থানীয় গল্পগুলি সব মনোযোগের জন্য প্রতিযোগিতা করে। আপনি যা প্রয়োজন তা হল শক্তিশালী ভিত্তিগুলির সাথে ভাল ডিজাইন করা সরঞ্জামগুলি: সিস্টেমগুলি যা তথ্য সংগ্রহ করতে পারে, এটি প্রক্রিয়াকরণ করতে পারে, কাঠামো দিয়ে এটি সমৃদ্ধ করতে পারে এবং এটি আপনার কাঠামোতে উপযুক্ত উপায়ে সরবরাহ করতে পারে। এজেন্টদের একটি এজেন্ট শুধুমাত্র এমন একটি সরঞ্জাম যা কয়েকটি পয়েন্ট সংযুক্ত করে। এমন সহজ ফাংশনগুলি চিন্তা করুন যা RPC / API কল করতে পারে, একটি উত্স থেকে ডেটা পুনরুদ্ধার করতে পারে, এটি প্রক্রিয়াকরণ করতে পারে এবং অথবা এটি একটি LLM-এ পাঠাতে পারে অথবা এটি আরও প্রক্রিয়াকরণের জন্য অন্যান্য এজেন্টদের পাঠাতে পারে। In the context of large language models, an agent usually: অনুসন্ধানের ফলাফল, এপিআই বা ব্যবহারকারীর নির্দেশাবলী হিসাবে ইনপুটের মাধ্যমে অনুভব করে। একটি এলএলএম এর সাহায্যে কারণ, কোনটি অগ্রাধিকার দেওয়ার সিদ্ধান্ত নিন। সরঞ্জামগুলি কল করে, কোড চালান বা ফলাফল উপস্থাপন করে। যদি আপনি কখনও একটি সিস্টেম ডিজাইন সাক্ষাৎকারের জন্য প্রস্তুত হন, তাহলে আপনি জানতে পারবেন ফিড ডিজাইন সবসময় প্রদর্শিত হয়: ফেসবুক নিউজ ফিড, টুইটার টাইমলাইন, বা (যদি আপনি একটি 90s শিশু) RSS পাঠক. এটি একই চ্যালেঞ্জ, LLMs জন্য পুনর্নির্মিত। সহজ ব্যক্তিগত সংবাদ এজেন্ট কল্পনা করুন আপনি এজেন্টকে বলছেন যে আপনি নির্দিষ্ট ট্যাগগুলির বিষয়ে আগ্রহী: এটি তিনটি জিনিস করে: এআই, অ্যাপল এবং বেই অঞ্চলের গল্প ওয়েবসাইট থেকে শীর্ষ খবর তুলুন। ফিল্টার ফলাফলগুলি এই কীওয়ার্ড দ্বারা ফিল্টার করুন। এগুলোকে দ্রুত ডায়াবেটিসে তুলে ধরুন। একদিন সে আপনাকে দিতে পারে: অ্যাপল সিরি এবং আইওএস অ্যাপ্লিকেশনের জন্য নতুন এআই মডেল প্রকাশ করেছে। বেলজিয়াম রেলওয়ে প্রসারিত প্রকল্পটি অর্থায়ন নিশ্চিত করেছে। গত চতুর্থাংশের বৃদ্ধির পর এআই চিপের চাহিদা কমে যাওয়ার কারণে বাজারগুলি ঠান্ডা হয়। এটি ইতিমধ্যে সাহায্য করে। ফায়ারহুসটি একটি পরিচালিত তালিকাতে হ্রাস করা হয়. কিন্তু এটি ফ্ল্যাট. আপনি জানেন না কেন একটি গল্পটি গুরুত্বপূর্ণ, বা এটি অন্যদের সাথে কীভাবে সংযুক্ত। একাধিক এজেন্ট প্রবর্তন একটি monolithic এজেন্টের উপর নির্ভর করার পরিবর্তে যা সবকিছু শেষ পর্যন্ত করে তুলতে পারে, আমরা কাজের ফ্লোকে বিভক্ত করতে পারি এটি একটি সংবাদ রুমের মতো একই নীতি: সাংবাদিকরা কাঁচামাল সংগ্রহ করে, গবেষকরা এটি উল্লেখ করে, বিশ্লেষকরা প্রাসঙ্গিকতা সরবরাহ করে এবং সম্পাদকরা এটি পাঠকদের জন্য প্যাকেজ করে। specialist agents আমাদের সংবাদ পাইপলাইনে, এটি এই রকম দেখায়: Fetcher Agent - ফিড বা API থেকে সম্পূর্ণ সংবাদ নিবন্ধগুলি পুনরুদ্ধার করে। পাসওয়ার্ড এক্সট্র্যাক্টর এজেন্ট - প্রতিটি নিবন্ধের সবচেয়ে প্রাসঙ্গিক বিভাগগুলি উন্মুক্ত করে। নামকরণ করা সংস্থা এক্সট্র্যাক্টর এজেন্ট - উল্লিখিত মানুষ, কোম্পানি, জায়গা এবং পণ্য বের করে। Entity Disambiguation Agent - নিশ্চিত করে যে "অ্যাপল" অ্যাপল অ্যাকাউন্ট, ফল নয়। এন্টিটি ট্যাগার এজেন্ট – কাঠামোগত ট্যাগ নির্ধারণ করে (উদাহরণস্বরূপ, প্রতিষ্ঠান: অ্যাপল, পণ্য: আইফোন)। থিম ক্লাসিফাইর এজেন্ট - যেমন AI, ফাইন্যান্স, বেই অঞ্চল মত বৃহত্তর থিমগুলি চিহ্নিত করে। Sentiment & Stance Agent - নির্ধারণ করে যে কভারটি ইতিবাচক, নেতিবাচক বা নিরপেক্ষ। ট্যাগ সংক্ষিপ্তকারী এজেন্ট - বৈশিষ্ট্য, বিষয় এবং অনুভূতিগুলি থিম বিভাগে একত্রিত করে। Fact-Checker এজেন্ট – নির্ভরযোগ্য উৎসগুলির বিরুদ্ধে দাবিগুলি যাচাই করে। ব্যক্তিগতকরণ এবং র্যাংকিং এজেন্ট - আপনার আগ্রহ এবং ইতিহাসের সাথে সামঞ্জস্যপূর্ণ গল্পগুলি অগ্রাধিকার দেয়। ডেগেস্ট কম্পাইলার এজেন্ট - একটি পাঠক বন্ধুত্বপূর্ণ ফরম্যাটে পাতলা ডেগেস্ট সংগ্রহ করে। দৈনন্দিন ডেগেস্ট এজেন্ট - চূড়ান্ত প্যাকেজটি সরবরাহ করে (আপনার ইনবক্স, Slack বা অ্যাপ্লিকেশনে)। এদের কয়েকজনই কাজ করছে। (উদাহরণস্বরূপ, অনিশ্চয়তা অন্তর্ভুক্ত করা উচিত), অন্যরা চলতে পারে (টোমেটিক শ্রেণীকরণ, অনুভূতি বিশ্লেষণ এবং অন্তর্ভুক্ত অন্তর্ভুক্ত সব একই পাসপোর্টে একই সময়ে কাজ করতে পারে) ফলাফল বিশেষজ্ঞদের একটি সমন্বিত পাইপলাইন, যা কোনও একক এজেন্টের চেয়ে অনেক বেশি সমৃদ্ধ এবং আরো গঠিত ডিজেস তৈরি করে। sequentially in parallel কি আসে এবং কি বেরিয়ে যায় - এজেন্ট ইন্টারফেস নিম্নলিখিত টেবিলটি প্রতিটি এজেন্ট কী আশা করবে এবং এটি কী ফেরত দেবে তা সংক্ষেপ করে। Agent Inputs Outputs LLM Needed? Fetcher News feed URL, RSS, API query Full article text, metadata (title, URL, timestamp, source) ❌ No — HTTP/API call Passage Extractor Full article text Key passages, passage embeddings ✅ Optional — LLM for salience, or embeddings/TF-IDF Named Entity Extractor Passages Entity list, spans, embeddings ❌/✅ — NER models are faster, LLM can catch novel entities Entity Disambiguation Entity list, context embeddings Resolved entities with canonical IDs (e.g., Wikidata Q312) ✅ Yes — reasoning helps resolve ambiguous names Entity Tagger Disambiguated entities Entities with categories (Org, Person, Product, Location) ❌ No — deterministic classification Topic Classifier Passages, embeddings Topic labels (AI, Finance, Bay Area) ❌/✅ — embeddings + clustering or LLM for nuance Sentiment & Stance Analyzer Passages, entities Sentiment score, stance (supportive/critical/neutral) ✅ Optional — LLM for nuance, or sentiment models for speed Tag Summarizer Tagged entities, topics, sentiment Structured summaries grouped by tag ✅ Yes — summarization requires LLM Fact-Checker Summaries, claims Verified/Unverified claims, supporting references ✅ Yes — requires claim extraction + retrieval reasoning Personalization & Ranking Validated summaries, user profile Ranked/weighted story list ❌ No — ML heuristics suffice Digest Compiler Ranked summaries Final formatted digest (Markdown, HTML, JSON) ❌/✅ — deterministic formatting, LLM optional for tone Daily Digest Compiled digest Delivery package (email, Slack, app notification) ❌ No — just delivery Fetcher সংবাদ ফিড URL, RSS, API চাহিদা সম্পূর্ণ নিবন্ধ টেক্সট, মেটাডেটা (টাইটেল, URL, টাইমস্ট্যাম্প, উৎস) HTTP / API কল Passage Extractor সম্পূর্ণ নিবন্ধ পাসওয়ার্ড, পাসওয়ার্ড পাসওয়ার্ড ✅ পছন্দসই — উচ্চতা জন্য LLM, অথবা embeddings / TF-IDF Named Entity Extractor পাসওয়ার্ড অন্তর্ভুক্ত তালিকা, spans, embeddings /✅ — NER মডেলগুলি দ্রুত, এলএলএম নতুন সংস্থাগুলি ধরা দিতে পারে Entity Disambiguation অন্তর্নির্মিত তালিকা, context embeddings ক্যাননিক আইডিগুলির সাথে সমাধান করা সত্তা (উদাহরণস্বরূপ, উইকিপিডিয়া Q312) ✅ হ্যাঁ - যুক্তি দ্বিমত নাম সমাধান করতে সাহায্য করে Entity Tagger অনিশ্চিত সংস্থা বিভাগের সাথে সংস্থাগুলি (অর্গ, ব্যক্তি, পণ্য, অবস্থান) No - Deterministic শ্রেণীকরণ Topic Classifier পাসওয়ার্ড, Embeddings বিষয় ট্যাগ (আই, অর্থনীতি, বেই অঞ্চল) /✅ — embeddings + clustering অথবা LLM নমুনা জন্য Sentiment & Stance Analyzer পাসওয়ার্ড, সংস্থা অনুভূতি, দৃষ্টিভঙ্গি (সমর্থনীয় / সমালোচনামূলক / নিরপেক্ষ) ✅ পছন্দসই - নমুনা জন্য LLM, বা গতি জন্য অনুভূতি মডেল Tag Summarizer ট্যাগ entities, topics, sentiment ট্যাগ অনুযায়ী সংগৃহীত সংক্ষিপ্ত হ্যাঁ - সংক্ষিপ্তকরণ LLM প্রয়োজন Fact-Checker দাবি, দাবি নিখুঁত / নিখুঁত দাবি, সমর্থনযোগ্য রেফারেন্স ✅ হ্যাঁ - দাবি অপসারণ + পুনরুদ্ধার যুক্তি প্রয়োজন Personalization & Ranking সনাক্তকরণ, ব্যবহারকারীর প্রোফাইল র ্যাঙ্কড / ওজনিত গল্প তালিকা না - এমএল হুইরিস্টিক যথেষ্ট Digest Compiler সংক্ষিপ্ত র ্যাঙ্কিং চূড়ান্ত ফরম্যাট ডেগেস্ট (মার্কডাউন, HTML, JSON) /✅ — ডার্মেন্টিস্টিক ফরম্যাটিং, টোনের জন্য অ্যাপ্লিকেশন LLM Daily Digest ডিজিটাল ডিজিটাল ডেলিভারি প্যাকেজ (ইমেইল, Slack, অ্যাপ নোটিশ) না - শুধু ডেলিভারি কিছু এজেন্টগুলি এলএলএম পর্যালোচনা প্রয়োজন, অন্যরা হালকা এবং নির্দোষ। এই বিভাজনটি গুরুত্বপূর্ণ: উৎপাদনের জন্য, আপনি যতটা সম্ভব কম LLM কলগুলি চান (মূল্য এবং দীর্ঘস্থায়ীতা সংরক্ষণ করার জন্য), যেমন বিভাজন, সংক্ষিপ্তকরণ এবং সত্যতা চেক হিসাবে কঠোর পর্যালোচনাগুলির জন্য তাদের সংরক্ষণ করেছি। উদাহরণস্বরূপ: বায়ু ভূমিকম্প আসুন আমরা আমাদের পাইপলাইনের মাধ্যমে একটি বাস্তব নিবন্ধ পরিচালনা করি। Title: প্লেসান্টনের কাছাকাছি ৩.২ মাত্রার ভূমিকম্প প্লেসান্টনের কাছাকাছি ৩.২ মাত্রার ভূমিকম্প সিবিএস বে অঞ্চল, সেপ্টেম্বর 7, 2025 Source: Snippet: মার্কিন জিওলজিক্যাল সার্ভিসের মতে, রবিবার সকালে প্লেসান্টনের কাছাকাছি ৩.২ মাত্রার ভূমিকম্পটি ঘটেছে, সকাল ১০টার পর, প্লেসান্টন থেকে ৩ মাইল উত্তরে। এজেন্টদের প্রতিটি দায়িত্ব নিচে সংক্ষিপ্ত করা হয়েছে: ফেটার এজেন্ট: নিবন্ধের টেক্সট আঁকুন। Passage Extractor: ভূমিকম্পের মাত্রা, সময়, অবস্থান এবং চাপ উন্মোচন করে। Entity Extractor: চিহ্নিত করে Pleasanton, USGS, East Bay। Entity Disambiguation: Pleasanton, CA, এবং মার্কিন যুক্তরাষ্ট্র জিওলজিক্যাল সার্ভিসের জন্য সমাধান। এন্টিটি ট্যাগার: Pleasanton → অবস্থান শ্রেণীকরণ; USGS → সংস্থা। বিষয় শ্রেণীকরণ: ট্যাগ যেমন প্রাকৃতিক দুর্যোগ, স্থানীয় সংবাদ, ভূমিকম্প। অনুভূতি এবং দৃষ্টিভঙ্গি: নিরপেক্ষ, তথ্যগত। Tag Summarizer: : “A 3.2-magnitude quake hit Pleasanton; residents felt weak shaking.” Local News : “USGS confirmed the quake’s magnitude; no damage reported.” Natural Disaster Fact-Checker: USGS এর মাধ্যমে মাত্রা নিশ্চিত করে এবং Patch এর মাধ্যমে শক রিপোর্ট। ব্যক্তিগতকরণ এবং র্যাঙ্কিং: স্থানীয় সংবাদ (ব্যবহারকারী প্রোফাইল বেই অঞ্চলের সাথে ওজন করা হয়)। ডেগেস্ট কম্পাইলার + ডেলিভারি: "আপনার বে অঞ্চল আপডেট - ভূমিকম্প সতর্কতা" বিষয় সঙ্গে একটি ইমেল পাঠায়। একটি কাঁচা শিরোনাম হিসাবে যা শুরু হয়েছিল একটি গঠিত, র ্যাঙ্কড, সত্য চেক ডেগেস্ট হয়ে ওঠে। খবরের বাইরে: অন্যান্য ফিডে জেনারেল করা এই এজেন্ট পাইপলাইন সম্পর্কে শক্তিশালী যে এটি কেবলমাত্র খবরের সাথে সংযুক্ত নয়। . framework for taking any content feed → extracting structure → producing a personalized digest আরেকটি উদাহরণ নেওয়া যাক: . arXiv papers প্রতিদিন, শত শত গবেষণামূলক কাগজ যেমন মেশিন লার্নিং, কম্পিউটার ভিশন, বা কোয়ান্টাম কম্পিউটিং এর মতো বিভাগগুলিতে পড়ে। কিভাবে একই এজেন্ট প্রয়োগ Fetcher Agent ইনপুট: arXiv RSS ফিড বা API চাহিদা। আউটপুট: কাগজের মেটাডেটা (টাইটেল, লেখক, বর্ণনা, বিভাগ)। Passage Extractor Agent বিষয়শ্রেণী : Abstract Text আউটপুট: Key sentences (Problem statement, method, result) Named Entity Extractor Agent ট্যাগঃ abstract আউটপুট: যেমন “ট্রান্সফরমার”, “ফেডারেট এলার্মিং”, “TPU v5e”। Entity Disambiguation Agent ইনপুট: এন্টিটি + কন্টেন্ট। আউটপুট: ক্যাননিক আইডিগুলির লিঙ্কগুলি (উদাহরণস্বরূপ, arXiv বিষয় কোড, উইকিপিডিয়া নিবন্ধ)। Entity Tagger Agent ইনপুট: সমাধান করা সংস্থা। আউটপুট: বিভাগ: অ্যালগরিদম, ডাটা সেট, হার্ডওয়্যার, ডোমেইন। Topic Classifier Agent ট্যাগঃ abstract embeddings Output: ট্যাগ যেমন {Deep Learning, Reinforcement Learning, Distributed Systems}। Sentiment & Stance Agent ট্যাগঃ abstract আউটপুট: “পতিতামূলক ফলাফল” (model beats SOTA by 2%), “critical” (paper refutes previous claim). Tag Summarizer Agent বিষয়শ্রেণী + বিষয়শ্রেণী। Output: : “New optimizer reduces GPU communication overhead by 30%.” Distributed Training : “Transformer variant improves long-context understanding.” NLP Fact-Checker Agent প্রচ্ছদ » আবিষ্কৃত দাবি আউটপুট: উল্লেখযোগ্য রেফারেলগুলির বিরুদ্ধে মৌলিক সনাক্তকরণ, পূর্ববর্তী arXiv কাগজ। Personalization & Ranking Agent ইনপুট: সংক্ষিপ্ত + ব্যবহারকারী প্রোফাইল। আউটপুট: ওজনিত তালিকা - উদাহরণস্বরূপ, ML (0.9), সিস্টেম (0.7), তত্ত্ব (0.2)। Digest Compiler Agent আউটপুট: একটি দৈনিক "Research Digest" আপনি আগ্রহী থিম দ্বারা গ্রুপ করা। Daily Digest Agent আউটপুট: ইমেল / Slack বার্তা "আপনার গবেষণা আপডেট - সেপ্টেম্বর 7, 2025" নামে। উদাহরণ উৎপাদন Machine Learning "Distributed Training জন্য একটি নতুন অপ্টিমাইজার 30% GPU যোগাযোগ ওভারহেড হ্রাস করে। ট্রান্সফরমার সংস্করণ দীর্ঘস্থায়ী বোঝার উন্নতি করে। Systems TPU ওয়ার্ক লোডের জন্য নতুন চেকপয়েন্টিং পদ্ধতি নির্ভরযোগ্যতা উন্নত করে। Theory "প্যাপার উচ্চ মাত্রার সেটিংসগুলিতে বিরল পুনরুদ্ধারের পূর্ববর্তী সীমাবদ্ধতা অস্বীকার করে। সাধারণ নীতি এটা যাই হোক না কেন: সংবাদ নিবন্ধ (রাজনীতি, অর্থনীতি, উপসাগরীয় এলাকা স্থানীয় আপডেট), একাডেমিক কাগজপত্র (arXiv, PubMed) অভ্যন্তরীণ কোম্পানির রিপোর্ট (লগ, মেট্রিক্স ড্যাশবোর্ড), একই . agent pipeline applies আপনি সবসময় করছেন: ফিটনেস কন্টেন্ট অতিরিক্ত পাসওয়ার্ড সংগঠনগুলি চিহ্নিত করুন, তাদের অনিশ্চিত করুন। Tag এবং classify সংক্ষিপ্ত এবং fact-check ব্যবহারকারীর প্রোফাইলের উপর ভিত্তি করে র্যাংকিং। ডিজিটাল হিসাবে সরবরাহ করুন। এটাই সেই এবং এজেন্টগুলি এটি বাস্তবায়নের একটি প্রাকৃতিক উপায়। feed-to-digest pattern MCP: প্রোটোকল যা এজেন্টদের কথা বলতে দেয় যখন আপনি একাধিক এজেন্টকে একসঙ্গে চেইন করেন, তখন দুটি বড় চ্যালেঞ্জ আসে: — How does the Passage Extractor know how to hand results to the Entity Disambiguation Agent? Inter-agent communication — How do agents fetch data from APIs (like arXiv, USGS, or RSS feeds) without each agent reinventing its own protocol? External integrations এখানেই যেখানে ভেতরে আসে। MCP (Model Context Protocol) MCP কি? এমপিপিকে ভাবুন যেমন . USB standard for AI agents এটি সরঞ্জাম এবং পরিষেবাগুলির জন্য ইন্টারফেস সংজ্ঞায়িত করে। এটি কীভাবে এজেন্টগুলি контекст (ইনপুট, আউটপুট, মেটাডাটা) পাস করে তা নির্ধারণ করে। এটি সামঞ্জস্যপূর্ণতা অনুমোদন করে - যা মানে আপনি পাইপলাইন ভেঙে ছাড়া অন্য এক এজেন্টের জন্য বিনিময় করতে পারেন। MCP এর সাথে, পাসওয়ার্ড এক্সট্র্যাক্টরকে এন্টিটি ট্যাগার এর বাস্তবায়ন বিস্তারিত জানার দরকার নেই. এটি কেবলমাত্র একটি ফরম্যাটে গঠিত ডেটা (টেক্সট + অন্তর্ভুক্ত + ট্যাগ) পাঠায় যা এমসিপি বুঝে। অভ্যন্তরীণ যোগাযোগ আমাদের পাইপলাইনের ভেতরে: ফ্যাশার এজেন্ট {title, body, url, timestamp} MCP ফরম্যাটে আউটপুট করে। পাসওয়ার্ড ফেরত দেয় এবং পাসওয়ার্ড ফেরত দেয়। অর্থাৎ বস্তু উৎপাদন করে এবং উৎপাদন করে। অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ অর্থাৎ MCP এর মাধ্যমে প্রতিটি এজেন্ট একই "ভাষা" কথা বলে। বহিরাগত যোগাযোগ MCP এছাড়াও বাইরে কাজ করে. উদাহরণস্বরূপ: Fetcher এজেন্ট একটি arXiv API বা একটি RSS ফিড কল করার জন্য MCP ব্যবহার করে। ফ্যাক্ট-চেকার এজেন্টটি উইকিপিডিয়া বা একটি নিউজ ডেটাবেসের জন্য MCP ব্যবহার করে। দৈনিক ডেগেস্ট এজেন্টটি ইমেল বা স্লাক মাধ্যমে ফলাফল সরবরাহ করতে MCP ব্যবহার করে। সুবিধা হল এজেন্টরা একত্রিত হতে পারে। as long as that tool speaks MCP, just like plugging any USB device into your laptop. any external tool কেন বিষয়টি এমসিপি ছাড়া, প্রতিটি এজেন্টকে কাস্টম অ্যাডাপ্টারগুলি প্রয়োজন হবে - একবারের ইন্টিগ্রেশনগুলির একটি তীব্র ঝামেলা। প্রতিটি এজেন্টের ইনপুট / আউটপুট পূর্বাভাসযোগ্য। প্লাগ-আন্ড-প্লে আর্কাইভিং → আপনি শান্তির এজেন্টকে কালকে আরও ভাল একটি দিয়ে প্রতিস্থাপন করতে পারেন। কয়েক ডজন এজেন্ট স্প্যাগেটি কোড ছাড়াই সমন্বয় করতে পারে। অন্য কথায়, MCP একটি স্ক্রিপ্ট সংগ্রহকে একটি . modular, extensible agent platform চিন্তা বন্ধ একটি ফ্ল্যাট, কীওয়ার্ড ভিত্তিক ফিড থেকে → এজেন্টদের একটি সংবাদ রুম থেকে → একটি সাধারণ ডিজিটেশন প্ল্যাটফর্মের পথটি সফ্টওয়্যার কিভাবে বিবর্তিত হয় তা প্রদর্শন করে: স্ক্রিপ্ট থেকে সিস্টেমগুলি থেকে ইকো সিস্টেমগুলিতে। খবর আজ, arXiv আগামীকাল, লগ এবং ড্যাশবোর্ড পরের দিন. প্যাটার্ন একই: এবং MCP-এর সাথে লিভারেজ সরবরাহ করে, এই এজেন্টগুলি আলাদা হ্যাক হতে থাকে এবং একটি বৃহত্তর, ইন্টারপোকারি সিস্টেমের অংশ হিসাবে কাজ শুরু করে। feed-to-digest, powered by agents. "এজেন্টিক এআই" হাইপে ধরা পড়বেন না - শক্তিশালী ভিত্তিগুলির সাথে ভাল সরঞ্জামগুলি লিখুন, এবং এলএলএমগুলি যেখানে তারা মূল্য যোগ করে: উন্নত করতে, সংক্ষিপ্ত করতে এবং পুনরাবৃত্তি করতে। পরবর্তী অংশে, আমি কীভাবে আপনি MCP সঙ্গে মাল্টি এজেন্ট সিস্টেমগুলি বাস্তবায়ন করতে পারেন তা জানাব।
