Every morning, millions of people open their phones to the same thing: a flood of headlines. Global politics, tech announcements, market swings, and local stories all compete for attention. Most of it isn’t relevant — but buried somewhere are the few stories that truly matter. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] அலுவலர்கள் RPC / API அழைப்புகளை செய்ய முடியும் எளிய செயல்பாடுகளை நினைவில் கொள்ளுங்கள், ஒரு குறியீடு இருந்து தரவுகளை பெறுங்கள், அதை செயல்படுத்தவும், அல்லது அதை ஒரு LLM இல் அனுப்பலாம் அல்லது அதை மேலும் செயல்படுத்தும் மற்ற அலுவலர்களுக்கு அனுப்பலாம். பெரிய மொழிகளின் மாதிரிகளில், ஒரு அணுகுமுறை பொதுவாக: தேடல் முடிவுகள், APIs, or user instructions போன்ற உள்ளடக்கங்களைப் பயன்படுத்துகிறது. ஒரு LLM உதவியுடன் காரணம், என்ன முதலீடு செய்ய முடிவு. ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள்.அதற்காக science fiction நாவல்கள் எல்லாம் science ஆகாது.Fictionஐ ஓரளவு இரசிக்கலாம். The Simple Personalized News Agent - தனிப்பட்ட தகவல்கள் நீங்கள் அலுவலகத்திற்கு நீங்கள் சில அட்டவணைகள் பற்றி கவலைப்படுகிறீர்கள் என்று கூறுங்கள்: அது மூன்று விஷயங்களை செய்கிறது: AI, Apple, and Bay Area பற்றிய தகவல்கள் முகப்பு News WEB WEB WEB WEB WEB Filter the results by those keywords என்று சொல்வார்கள். இதனை விரைவில் விரிவுபடுத்தலாம். ஒரு நாளைக்கு அது உங்களுக்கு கிடைக்கும்: Apple on-device AI model for Siri and iOS apps இன் புதிய மாதிரிகளை வெளியிட்டுள்ளது. ரயில் நிலையம் பாதுகாப்பு பணிகள் நடைபெற்று வருகிறது. ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். இதற்கு உதவியாக இருக்கும்.அதிகப்பிரச்சினை ஒரு கட்டுப்பாடு பட்டியலில் குறைக்கப்பட்டுள்ளது.ஆனால் அது சுறுசுறுப்பாக உள்ளது.ஒரு கதை ஏன் பொருந்தும், அல்லது அது மற்றவர்களுடன் எப்படி இணைக்கிறது என்பதை நீங்கள் அறிய மாட்டீர்கள். Multiple Agents உள்நுழைவு ஒரே ஒரு monolithic agent-ஆக எல்லாவற்றையும் end-to-end செய்வதற்கும், we can split the workflow across. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] specialist agents நமது அறிக்கையில், இது இவ்வாறு தெரிகிறது: Fetcher Agent - FULL NEWS ARTICLES - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER - FETCHER Passage Extractor Agent - ஒவ்வொரு கட்டுரைக்கும் முக்கியமான பகுதிகளை வெளிப்படுத்துகிறது. Named Entity Extractor Agent - மக்கள், நிறுவனங்கள், இடங்கள் மற்றும் பொருட்களை வெளியிடுகிறது. Entity Disambiguation Agent – “Apple” என்பது Apple Inc. அல்ல. Entity Tagger Agent - Structured tags (e.g., Organization: Apple, Product: iPhone) என்று கூறுகிறது. Topic Classifier Agent - AI, Finance, Bay Area போன்ற பல்வேறு தலைமுறைகளைத் தெரிவு செய்கிறது. Sentiment & Stance Agent - கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் கூடுதல் Tag Summarizer Agent - entities, topics, and feelings in thematic sections - அட்டவணை Summarizer Agent - entities, topics, and feelings in thematic sections. Fact-Checker Agent - நம்பகமான தரவுகளை எதிர்த்து கூறுகளை உறுதிப்படுத்தும். Personalization & Ranking Agent - உங்கள் கவலைகள் மற்றும் உரையாடலை ஒப்பிடுவதற்கான தகவல்களை முதலீடு செய்கிறது. Digest Compiler Agent - ஓதுபவர்களுக்கு நன்மை தரும் வடிவத்தில் polished digest சேகரிக்கிறது. Daily Digest Agent - முடிந்த தொகுப்பை வழங்கும் (உங்கள் பெட்டியில், Slack, அல்லது பயன்பாட்டில்). இவர்களில் சிலர் வேலை செய்கிறார்கள். (e.g., disambiguation must follow extraction) எனும் போது மற்றவை செயல்படலாம் ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] sequentially in parallel என்ன உள்ளே வருகிறது மற்றும் என்ன வெளியே வருகிறது - Agent Interfaces கீழே உள்ள அட்டவணை ஒவ்வொரு அதிகாரி எதிர்பார்க்கும் என்ன மற்றும் அது திரும்ப வழங்கும்.நான் உதவி தேவைப்பட்டால் அதிகாரிகள் எங்கே LLMs தொடர்பு கொள்ள முடியும் காட்ட முயற்சித்தேன். 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 News Feed URL, RSS, API கேள்வியாகும் Full article text, metadata (title, URL, timestamp, source ) HTTP / API அழைப்பு Passage Extractor முழு பதிவு Text Key Passages, Passage உள்ளடக்கங்கள் ✅ விருப்பமான — LLM for salience, or embeddings / TF-IDF Named Entity Extractor பயணங்கள் entity list, spans, embeddings படங்கள் /✅ — NER மாதிரிகள் வேகமாக உள்ளன, LLM புதிய விஞ்ஞானிகள் அணுக முடியும் Entity Disambiguation பொருளாதாரம், context embeddings canonical IDs (e.g., Wikidata Q312) மூலம் தீர்க்கப்பட்ட அம்சங்கள் ✅ Yes – reasoning helps solve ambiguous names - ஆமாம் – காரணங்கள் தெளிவான பெயர்களை தீர்க்க உதவுகின்றன Entity Tagger தெளிவான entities entities with categories (Org, Person, Product, Location) - வடிவமைப்பு No - Deterministic Classification - அறிகுறிகள் Topic Classifier பயணங்கள் , embeddings குறிச்சொற்கள் (AI, Finance, Bay Area) /✅ — embeddings + clustering அல்லது LLM for nuance Sentiment & Stance Analyzer பகுதிகள், entities உணர்வு மதிப்பீடு, நிலைமை (Supportive / Critical / Neutral) ✅ விருப்பமான — LLM for nuance, or sentiment models for speed Tag Summarizer Tagged entities, topics, உணர்வுகள் பத்திரிகையாளர்கள் grouped by tag ✅ ஆமாம் - கூடுதல் தேவை LLM Fact-Checker குறிச்சொற்கள், claims Verified/Unverified claims, supporting references (உண்மைப்படுத்தப்பட்ட/உண்மைப்படுத்தப்படாத கூறுகள்) ✅ Yes – requires claim extraction + retrieval reasoning (ஆம்) – தேவைப்படும் கூறுகளை வெளியிடுதல் + திரும்பத் திரும்பக் கூறுதல் Personalization & Ranking Validated summaries, user profile - வாடிக்கையாளர் profile Ranked/weighted story பட்டியல் இல்லை - ML heuristics suffice Digest Compiler பதிவிறக்கம் Summary இறுதி formated digest (Markdown, HTML, JSON) /✅ — Deterministic Formatting, LLM விருப்பம் Daily Digest Digest ஒப்பந்தம் Delivery package (email, Slack, app notification) ❌ No — just delivery ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] குறிச்சொற்கள்: Bay Area Earthquake எங்கள் வலைப்பதிவில் ஒரு உண்மையான பதிவை வெளியிடுவோம்.The story: Title: 3.3 சதவிகிதம் அழிவு Pleasanton 3.3 சதவிகிதம் அழிவு Pleasanton CBS Bay Area, செப்டம்பர் 7, 2025 Source: Snippet: ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] ஒவ்வொரு அலுவலரின் வேலையை கீழே கூறுகிறேன்: Fetcher Agent: பதிவை எழுதுகிறது. Passage Extractor: earthquake magnitude, timing, location, and shaking என்பதை விளக்குகிறது. Entity Extractor: Pleasanton, USGS, East Bay ஐ அடையாளம் காட்டுகிறது. Entity Disambiguation: Pleasanton, CA, and the United States Geological Survey என்பவற்றைச் சரிசெய்யவும். Entity Tagger: Pleasanton → Location; USGS → Organization. Topic Classifier: tagged Natural Disaster, Local News, Seismology போன்ற குறிப்புகள். Sentiment & Stance: சுதந்திரம், அறிவியல் 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 வழியாக அளவு உறுதி மற்றும் Patch வழியாக shaking reports. Personalization & Ranking: Local News (Bay Area) என அழைக்கப்படுகின்றது. Digest Compiler + Delivery: "Your Bay Area Update - Earthquake Alert" என்று ஒரு மின்னஞ்சல் அனுப்புகிறது. முதன்முதலாக ஒரு raw headline-ல் இருந்து வந்தது, ஒரு structured, ranked, fact-checked digest ஆக மாறிவிட்டது. குறிச்சொற்கள்: generalizing to other feeds இந்த அணுகுமுறையைப் பற்றி மிகப்பெரிய விஷயம், அதைத் தவிர வேறெதுவும் புதிய தகவல்களுடன் இணைக்கப்படவில்லை என்பதே. . framework for taking any content feed → extracting structure → producing a personalized digest வேறு ஒரு உதாரணம் எடுப்போம்: . arXiv papers ஆளை விடுங்கள்.3) Like in some countries such as Dubai, is there a possibility in India too, that there will be no income tax, someday?பதில்: எண்பதுகளில் வருமான வரி ஒழிக்கப்படும் என்ற மாதிரி ஒரு எண்ணம் வந்தது. அதே அலுவலர்கள் எப்படி பயன்படுத்துகிறார்கள் Fetcher Agent RSS feed அல்லது API query என்பதாகும். வெளியீடு: Paper metadata (Title, authors, abstract, category) Passage Extractor Agent பதில்: Abstract Text வெளியீடு: Key sentences (problem statement, method, result) Named Entity Extractor Agent ஆங்கிலம் : abstract வெளியீடு: “Transformer”, “federated learning”, “TPU v5e” போன்ற அம்சங்கள் Entity Disambiguation Agent ஆங்கிலம்: entities + context வெளியீடு: canonical IDs (e.g., arXiv subject codes, Wikipedia entries) க்கு இணைப்புகள். Entity Tagger Agent ஆங்கிலம்: Resolved entities வெப்பநிலைகள்: Algorithm, Dataset, Hardware, Domain Topic Classifier Agent Abstract embeddings : abstract embeddings என்பார்கள். இதன் அம்சங்கள்: Deep Learning, Reinforcement Learning, Distributed Systems Sentiment & Stance Agent ஆங்கிலம் : abstract Output: “Positive result” (model beats SOTA by 2%), “Critical” (paper refutes previous claim). Tag Summarizer Agent பொருட்கள் + பொருட்கள் + பொருட்கள் Output: : “New optimizer reduces GPU communication overhead by 30%.” Distributed Training : “Transformer variant improves long-context understanding.” NLP Fact-Checker Agent ஆங்கிலத்தில்: Claims in abstract Previous Topic: கதுவா: ஒரு குரூரமான குற்றம் எவ்வாறு அரசியல் மற்றும் மத சாயம் பூசப்பட்டு ஒற்றை பரிமாணமாக்கப்பட்டது Personalization & Ranking Agent Input: SUMMARY + User Profile (நேர்நேர்நேர்நேர்நேர்நேர்) Output: Weighted list — e.g., ML (0.9), Systems (0.7), Theory (0.2) Digest Compiler Agent Output: ஒரு நாள் "Research Digest" நீங்கள் கவலைப்பட வேண்டிய விஷயங்கள் மூலம் பிரித்து. Daily Digest Agent Output: Email / Slack message titled "Your Research Updates - Sept 7, 2025" என்று எழுதப்பட்டது. Example வெளியீடு Machine Learning "A new optimizer for distributed training reduces GPU communication overhead by 30%" என்று கூறியுள்ளார். “Transformer variant improves long-context understanding” என்கிறார். Systems “New checkpointing approach for TPU workloads improves reliability” என்றார். Theory "Paper refutes prior boundaries on sparse recovery in high-dimensional settings" என்று கூறுகிறார். general தலைப்பு அது இருந்தாலும் : News articles (politics, finance, Bay Area local updates) இல் பள்ளிப் பருவங்கள் (ArXiv, PubMed) Internal company reports (logs, metrics dashboards) என்பது அதே அதே . agent pipeline applies நீங்கள் எப்போதும் செய்கிறீர்கள்: Fetch Content உடன் Passages வெளியீடு ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். Tag மற்றும் classify விசாரணை மற்றும் fact-check User Profile அடிப்படையில் Rank. ஒரு digest போடுங்கள். இதுதான் the , and agents are a natural way to implement it . feed-to-digest pattern MCP: அலுவலர்கள் பேசுவதற்கான விதிமுறை நீங்கள் பல்வேறு தொழிலாளர்களை ஒப்பிடும்போது, இரண்டு பெரிய பிரச்சினைகள் உருவாகும்: — 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 This is where உள்ளே வந்து MCP (Model Context Protocol) MCP என்றால் என்ன? MCP என்பதை நினைத்து . USB standard for AI agents இது tools and services இல் உருவாக்கப்படுகிறது. இதன் மூலம் எவ்வாறு அலுவலர்கள் (inputs, outputs, metadata) context pass செய்யப்படுகின்றன என்பதை விளக்குகிறது. இது Interoperability - நீங்கள் pipeline இழக்க இல்லாமல் மற்றொரு பொருளை மாற்ற முடியும் என்று அர்த்தம். ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] Internal தொடர்பு நமது pipeline மூலம்: இன்டர்நெட் விற்பனையாளர்கள் MCP வடிவத்தில் விற்பனை செய்யலாம். திரும்பப் பெறுவதற்கும், திரும்பப் பெறுவதற்கும் விதிமுறைகள் உள்ளன. ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர் ஆங்கிலேயர். அதே சமயத்தில், பல்வேறு அம்சங்களைத் தேர்ந்தெடுக்கவும், பல்வேறு அம்சங்களைத் தேர்ந்தெடுத்துக் கொள்ளவும். ஒவ்வொரு இராணுவத்தினரும் MCP மூலம் அதே "பெயர்ப்பு" பேசுகின்றனர். external தொடர்பு MCP மேலும் வெளியே வேலை செய்கிறது. Fetcher Agent ஒரு arXiv API அல்லது ஒரு RSS feed அழைக்க MCP பயன்படுத்துகிறது. Fact-Checker Agent பயன்படுத்துகிறது MCP Wikipedia அல்லது ஒரு தகவல் தரவுத்தளத்தை கேட்க. Daily Digest Agent MCP பயன்படுத்துகிறது மின்னஞ்சல் அல்லது Slack மூலம் முடிவுகளை வழங்க. The benefit is that agents can integrate with அந்த கருவி MCP பேசும் போது, எந்த USB சாதனையை உங்கள் லேப்டாப் க்கு இணைப்பது போலவே. any external tool ஏன் இது பொருந்தும் MCP இல்லாமல், ஒவ்வொரு அலுவலருக்கும் Custom Adapters தேவைப்படும் - ஒரே நேரத்தில் ஒருங்கிணைப்புகளின் கடினமான மோசடி. Standardized Contracts: ஒவ்வொரு அலுவலரின் input/output-ன் விளைவுகள் நிரூபிக்கப்படும். Plug-and-play Architecture → நீங்கள் Sentiment Agent மாற்ற முடியும் ஒரு சிறந்த ஒரு நாளை. ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். MCP என்பது ஒரு Script-ஐ ஒரு Script-ஐ ஒரு Script-க்கு மாற்றுகிறது. . modular, extensible agent platform Closing Thoughts ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள். இன்றைய செய்தி, நாளை arXiv, நாளை logs மற்றும் dashboards. மற்றும் MCP சேமிப்பை வழங்குவதன் மூலம், இந்த அணுகுமுறைகள் தனிப்பட்ட ஹேக் ஆக நிறுத்தப்படுகின்றன மற்றும் ஒரு பெரிய, தொடர்புடைய அமைப்பு ஒரு பகுதியாக வேலை தொடங்குகிறது. feed-to-digest, powered by agents. ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை. .............................................................................................................................................................................. இது எத்தனையாவது [...] அடுத்த பகுதியில், நீங்கள் MCP மூலம் Multi-Agent Systems ஐ எவ்வாறு செயல்படுத்த முடியும் என்பதை நான் புரிந்து கொள்வேன்.
