Anthropic பொறியாளர்கள் புதிய ஏஜென்ட்களை உருவாக்குவதை ஏன் நிறுத்தினர்: AI Skills-இன் ஆற்றல்

Anthropic பொறியாளர்கள் சமீபத்தில் தங்களது உள்நாட்டு ஆராய்ச்சியில் இருந்து ஒரு ஆச்சரியமான பாடத்தைப் பகிர்ந்து கொண்டனர்: அவர்கள் ஒவ்வொரு தனிப்பட்ட பணிக்கும் ஒரு புதிய தன்னாட்சி ஏஜென்ட்டை (autonomous agent) உருவாக்குவதை நிறுத்திவிட்டனர். பிரத்யேக ஏஜென்ட்களின் ஒரு பெரும் படையை நிலைநிறுத்துவதற்குப் பதிலாக, ஒற்றை திறமையான ஏஜென்ட்டிற்கான மட்டுப்படுத்தப்பட்ட (modular) AI skills-களை உருவாக்குவதில் தங்கள் கவனத்தைத் திருப்பினர்.

இன்று அக்டோபர் 8, 2026. மென்பொருள் உருவாக்கம், ஆராய்ச்சி மற்றும் வணிகச் செயல்பாடுகள் முழுவதும் தன்னாட்சி அமைப்புகள் பயன்பாட்டிற்கு வரும் நிலையில், multi-agent போக்கு சிக்கலான ஒரு சுவரை எதிர்கொள்கிறது. எழுதுதல், code review, தரவு பிரித்தெடுத்தல் மற்றும் வாடிக்கையாளர் ஆதரவு ஆகியவற்றிற்காக தனித்தனி ஏஜென்ட்களை உருவாக்கிய குழுக்கள், வேலையை முடிப்பதை விட ஒருங்கிணைப்புத் தோல்விகளைச் சரிசெய்வதிலேயே அதிக நேரத்தைச் செலவிடுகின்றன. இந்தத் தடையை AI skills எவ்வாறு தீர்க்கிறது என்பதைப் புரிந்துகொள்வது, நீங்கள் தானியங்கு பணிப்பாய்வுகளை (automated workflows) வடிவமைக்கும் முறையையே மாற்றுகிறது.

Multi-Agent சிக்கல் பொறி

டெவலப்பர்கள் முதன்முதலில் agentic ஆட்டோமேஷனை ஆராயும்போது, இயல்பான உள்ளுணர்வு உழைப்புப் பிரிவினையாகவே இருக்கும். நீங்கள் ஆராய்ச்சிக்காக ஒரு ஏஜென்ட், உள்ளடக்கத்தை வரைவு செய்ய ஒரு ஏஜென்ட், மின்னஞ்சல்களை அனுப்ப ஒரு ஏஜென்ட் மற்றும் இவை அனைத்தையும் ஒருங்கிணைக்க ஒரு மேற்பார்வையாளர் (supervisor) ஏஜென்ட்டை உருவாக்குகிறீர்கள்.

கோட்பாட்டளவில், பிரத்யேக ஏஜென்ட்கள் நேர்த்தியாகத் தோன்றுகின்றன. நடைமுறையில், இந்த முறை கடுமையான செயல்பாட்டு உராய்வை ஏற்படுத்துகிறது:

• State synchronization கூடுதல் சுமை: ஒவ்வொரு ஏஜென்ட்டும் அதன் சொந்த உரையாடல் வரலாறு, memory buffer மற்றும் prompt engineering வழிமுறைகளைப் பராமரிக்கிறது. ஏஜென்ட்களுக்கு இடையே state-ஐ நம்பகத்தன்மையுடன் அனுப்புவதற்கு விரிவான glue code மற்றும் error handling தேவைப்படுகிறது.
• கூட்டுத் தோல்வி விகிதங்கள்: ஒவ்வொரு ஏஜென்ட்டும் தொண்ணூறு சதவீத வெற்றி விகிதத்தைக் கொண்டிருந்தால், நான்கு ஏஜென்ட்களை ஒன்றாக இணைப்பது ஒட்டுமொத்த பணி வெற்றி விகிதத்தை அறுபத்தாறு சதவீதத்திற்கும் குறைவாகக் குறைக்கிறது.
• பராமரிப்பு சோர்வு: பகிரப்பட்ட வணிக விதியை (business rule) புதுப்பிப்பதற்கு ஒவ்வொரு ஏஜென்ட்டின் system prompt-ஐயும் தனித்தனியாகத் தணிக்கை செய்ய வேண்டும்.

உங்கள் ஸ்மார்ட்போனைப் பற்றி யோசித்துப் பாருங்கள். அடிப்படையான ஹார்டுவேர் என்பது செயலி (processor), agent loop என்பது ஆப்பரேட்டிங் சிஸ்டம், மற்றும் skills என்பது பயன்பாடுகள் (applications) ஆகும். உங்கள் தொலைபேசியில் ஒரு புதிய திறன் தேவைப்படும்போது, நீங்கள் மற்றொரு தொலைபேசியை வாங்குவதில்லை; ஒரு பயன்பாட்டை நிறுவுகிறீர்கள். AI skills இந்த துல்லியமான கொள்கையை ஏஜென்ட் கட்டமைப்பில் (agent architecture) செயல்படுத்துகிறது.

AI Skill என்றால் என்ன?

மிக எளிமையாகக் கூறின், AI skill என்பது வழிகாட்டுதல் கோப்பைக் கொண்ட கட்டமைக்கப்பட்ட கோப்பகமாகும்; இது வழக்கமாக skill.md என்று பெயரிடப்பட்டிருக்கும் அல்லது நிலையான metadata-வுடன் வரையறுக்கப்பட்டிருக்கும். இது ஒரு குறிப்பிட்ட பணியை முடிக்கத் தேவையான domain knowledge, செயல்பாட்டுக் கட்டுப்பாடுகள் மற்றும் பணிப்பாய்வு படிகளை உள்ளடக்கியுள்ளது.

ஒரு நிலையான skill கோப்பு இரண்டு முதன்மை கூறுகளைக் கொண்டுள்ளது:

1. Frontmatter metadata: ஒரு தெளிவான பெயர் மற்றும் சுருக்கமான விளக்கம். இந்த விளக்கம் மொழி மாதிரிக்காகவே (language model) பிரத்யேகமாக எழுதப்பட்டு, எந்தச் சூழ்நிலைகளில் இந்த skill செயல்பட வேண்டும் என்பதை விளக்குகிறது.
2. செயல்முறை வழிமுறைகள்: பணியை எவ்வாறு செய்வது, எந்தக் கருவிகளைப் பயன்படுத்துவது மற்றும் என்ன வெளியீட்டு அமைப்பை (output structure) உருவாக்குவது என்பதை விவரிக்கும் எளிய ஆங்கிலத்திலான தெளிவான, படிப்படியான வழிகாட்டுதல்.

ஒரு skill உங்கள் திட்டம் அல்லது பயனர் உள்ளமைவுடன் (user configuration) எளிய உரையாக (plain text) சேமிக்கப்படுவதால், skills-ஐ பதிப்பு செய்தல் (versioning), மதிப்பாய்வு செய்தல் மற்றும் புதுப்பித்தல் ஆகியவை சாதாரண குறியீட்டிற்கு நீங்கள் பயன்படுத்தும் அதே version control கருவிகளையே பயன்படுத்துகின்றன.

Progressive Disclosure-இன் கட்டமைப்பு

Skills-க்குப் பின்னால் உள்ள உண்மையான தொழில்நுட்ப திருப்புமுனை பின்வருமாறு அழைக்கப்படும் ஒரு கட்டடக்கலை வடிவமைப்பு ஆகும்: progressive disclosure.

ஒவ்வொரு அமர்வின் தொடக்கத்திலும் ஒரு ஏஜென்ட் ஐம்பது வெவ்வேறு skills-இன் முழு உரையையும் அதன் context window-வில் ஏற்றினால், நீங்கள் ஒரு வினவலை (query) தட்டச்சு செய்வதற்கு முன்பே அது பல்லாயிரக்கணக்கான டோக்கன்களைப் பயன்படுத்தியிருக்கும். இந்த token bloat தாமதத்தை (latency) அதிகரிக்கிறது, API செலவுகளை உயர்த்துகிறது, மற்றும் தேவையற்ற வழிமுறைகளில் மாதிரியின் கவனத்தை சிதறடிக்கிறது.

Progressive disclosure இதனை நேர்த்தியாகத் தீர்க்கிறது:

1. எடை குறைந்த கண்டறிதல்: தொடக்கத்தில், ஏஜென்ட் கிடைக்கக்கூடிய அனைத்து skills-இன் பெயர்களையும் சிறிய விளக்கங்களையும் மட்டுமே படிக்கிறது. இந்தச் சுருக்கம் context window-வின் மிகச் சிறிய பகுதியையே பயன்படுத்துகிறது.
2. நோக்கம் பொருத்துதல் (Intent matching): நீங்கள் ஒரு கோரிக்கையைச் சமர்ப்பிக்கும் போது, ஏஜென்ட் உங்கள் prompt-ஐ அதன் skill பட்டியலில் ஒப்பிட்டுப் பார்க்கிறது.
3. தேவைக்கேற்ப செயல்படுத்துதல் (On-demand activation): ஒரு skill உங்கள் கோரிக்கையுடன் பொருந்தும்போது மட்டுமே ஏஜென்ட் முழுமையான skill.md கோப்பை செயலில் உள்ள நினைவகத்தில் (active memory) படித்து, விரிவான படிகளை துல்லியமாக செயல்படுத்துகிறது.

குறிப்பிட்ட கருவி தேவைப்படும் வரை டூல்பாக்ஸ் மூடியே இருக்கும்; இது ஏஜென்ட்டை வேகமாகவும், துல்லியமாகவும், செலவு குறைந்ததாகவும் வைத்திருக்கிறது.

படிப்படியாக ஒரு AI Skill-ஐ எவ்வாறு உருவாக்குவது

ஒரு AI skill-ஐ உருவாக்க சிக்கலான Python ஒருங்கிணைப்புகளை (orchestrations) எழுதவோ அல்லது விநியோகிக்கப்பட்ட வரிசைகளை (distributed queues) நிர்வகிக்கவோ தேவையில்லை. நேரடி கையேடு உருவாக்கம் முதல் தானியங்கு பணிப்பாய்வு பிடிப்பு வரை, தயாரிப்புக்குத் தயாரான (production-ready) ஒரு skill-ஐ உருவாக்க மூன்று முதன்மை முறைகள் உள்ளன.

படி 1: Skill கட்டமைப்பை கைமுறையாக உருவாக்குதல்

ஒரு skill-ஐ கைமுறையாக எழுதுவதே அதன் உள் செயல்பாடுகளைப் புரிந்துகொள்வதற்கான சிறந்த வழியாகும். எல்லை நிபந்தனைகள், trigger விதிகள் மற்றும் செயல்பாட்டு பணிப்பாய்வு ஆகியவற்றை நீங்கள் நேரடியாக வரையறுக்கிறீர்கள்.

உங்கள் skill-க்கு ஒரு கோப்புறையை (folder) உருவாக்கி, skill.md கோப்பை எழுதுங்கள்:

---
name: youtube-researcher
description: Identifies viral content themes and outlier videos in a specified niche. Use when asked to find YouTube trends, viral topics, or video ideas.
---

### Workflow Instructions
1. Search the target niche on the video database.
2. Filter for uploads published within the last 30 days.
3. Identify videos with an outlier multiplier of at least 2x average channel views.
4. Group the top results into distinct thematic patterns.
5. Provide actionable title structures based on the top performers.

இந்த அமைப்பில், intent classification-இன் போது பொருத்தத்தை தீர்மானிக்க உங்கள் ஏஜென்ட் பயன்படுத்தும் துல்லியமான சொற்பொருள் நங்கூரங்களை (semantic anchors) இந்த விளக்கம் வழங்குகிறது.

படி 2: ஊடாடும் ஏஜென்ட் உதவியுடனான உருவாக்கத்தைப் பயன்படுத்துதல்

மிகவும் நடைமுறைக்குரிய அன்றாட அணுகுமுறை என்னவென்றால், skill-ஐ உருவாக்க உங்கள் ஏஜென்ட் உங்களை நேர்காணல் செய்ய அனுமதிப்பதாகும். ஆவணங்களை ஆரம்பத்திலிருந்தே எழுதுவதற்குப் பதிலாக, உங்கள் வழக்கமான பணிகளை உரையாடலில் விவரிக்கிறீர்கள், மற்றும் ஏஜென்ட் கட்டமைக்கப்பட்ட விளக்கக் கேள்விகளைக் கேட்கிறது.

ஒரு குறிப்பிட்ட prompt மூலம் இந்த பணிப்பாய்வைத் தொடங்கலாம்:

I want to turn my repetitive task into a reusable AI skill. Ask me detailed questions one by one about my inputs, edge cases, tool dependencies, and desired output formats until you have enough information to write a comprehensive skill.md file.

ஏஜென்ட் முறையாக பின்வருவனவற்றை தெளிவுபடுத்தும்:

• என்னென்ன API-கள் அல்லது கட்டளை வரி கருவிகள் (command-line tools) தேவைப்படுகின்றன.
• எதிர்பாராத பிழைகள் அல்லது வெற்று தேடல் முடிவுகள் எவ்வாறு கையாளப்பட வேண்டும்.
• இறுதி வெளியீடு என்ன வடிவமைப்பு பாணி (formatting style) அல்லது schemas-ஐப் பின்பற்ற வேண்டும்.

உரையாடல் முடிந்ததும், ஏஜென்ட் பதில்களைத் தொகுத்து, பயன்பாட்டிற்குத் தயாரான இறுதி skill கோப்பாக மாற்றுகிறது.

படி 3: கைமுறை பணிப்பாய்வுகளைப் பதிவுசெய்து தானியக்கமாக்குதல்

மூன்றாவது முறை திரைப்பதிவு (screen recording) மற்றும் உலாவி தானியக்கத்தைப் (browser automation) பயன்படுத்துகிறது. வார்த்தைகளால் விவரிக்க கடினமாக உள்ள தரவு உள்ளீடு, போர்டல் வழிசெலுத்தல் அல்லது கோப்பு செயலாக்கப் பணிகளுக்கு, நீங்கள் அந்தப் பணியைச் செய்வதைப் பதிவு செய்கிறீர்கள்.

ஏஜென்ட் பயனர் செயல்களின் வரிசையை பகுப்பாய்வு செய்கிறது:

• எந்த அடைவுகள் (directories) திறக்கப்பட்டன என்பதைக் கண்டறிதல்.
• உருவாக்கப்பட்ட கோப்புகளுக்குப் பயன்படுத்தப்பட்ட பெயரிடல் மரபுகளைப் (naming conventions) பிரித்தெடுத்தல்.
• நிறுவன வலை படிவங்களுக்கு இடையே நகலெடுக்கப்பட்ட துல்லியமான அளவுருக்களைக் (parameters) கண்டறிதல்.

ஏஜென்ட் இந்த கவனிக்கப்பட்ட தொடர்புகளை தீர்க்கமான shell கட்டளைகளாகவும் சரிபார்ப்பு படிகளாகவும் மொழிபெயர்த்து, உங்கள் துல்லியமான செயல்பாட்டு வழக்கத்தைப் பிரதிபலிக்கும் ஒரு skill-ஐ உருவாக்குகிறது.

Community Skills-ஐக் கண்டறிதல், பகிர்தல் மற்றும் பாதுகாத்தல்

நவீன AI skill சுற்றுச்சூழல் அமைப்பு திறந்த தரநிலைகளைப் பயன்படுத்துவதால், ஒற்றை skill கோப்புறையை Claude, Cursor, Hermes மற்றும் தனிப்பயன் ஏஜென்ட் இயக்க நேரங்கள் (agent runtimes) உட்பட பல ஏஜென்ட் தளங்களில் பகிர முடியும்.

GitHub-இல் உள்ள சமூகக் களஞ்சியங்கள் (community repositories) மற்றும் நிர்வகிக்கப்பட்ட skill சந்தைகள், API ஆவணங்களை உருவாக்குதல், pull requests-ஐ தணிக்கை செய்தல் மற்றும் கிளவுட் உள்கட்டமைப்பை ஆய்வு செய்தல் போன்ற பொதுவான பொறியியல் பணிகளுக்காக முன்பே உருவாக்கப்பட்ட skills-ஐ வழங்குகின்றன.

இருப்பினும், மூன்றாம் தரப்பு skills-ஐ இணைப்பது பாதுகாப்புப் பொறுப்புகளை ஏற்படுத்துகிறது:

• ஸ்கிரிப்ட் செயல்படுத்தல் அபாயங்கள் (Script execution risks): Skills உள்ளூர் shell கட்டளைகளை இயக்கலாம், பிணைய சார்புகளைப் (network dependencies) பெறலாம் அல்லது உள்ளூர் உள்ளமைவுக் கோப்புகளைப் படிக்கலாம்.
• தீங்கிழைக்கும் prompt injection: மோசமாக உருவாக்கப்பட்ட அல்லது விரோதமான skill ஒன்று சூழல் மாறிகள் (environment variables) அல்லது தனிப்பட்ட API விசைகளை வெளியேற்ற (exfiltrate) முயற்சிக்கலாம்.
• கட்டாயத் தணிக்கை (Mandatory auditing): பதிவிறக்கம் செய்யப்பட்ட எந்தவொரு skill-ஐயும் செயல்படுத்துவதற்கு முன், உரையை முழுமையாக ஆய்வு செய்யுங்கள் அல்லது சந்தேகத்திற்கிடமான நெட்வொர்க் அழைப்புகள், சான்றுகள் அணுகல் அல்லது shell மாற்றீடுகள் உள்ளதா என skill கோப்பை ஸ்கேன் செய்ய உங்கள் உள்ளூர் உதவியாளருக்கு அறிவுறுத்துங்கள்.

முடிவுரை

Multi-agent முன்னுதாரணம் என்பது AI தன்னாட்சியை நோக்கிய உள்ளுணர்வுமிக்க முதல் படியாகும், ஆனால் மட்டுப்படுத்தப்பட்ட (modular) skills மிகவும் நம்பகமான பொறியியல் அடித்தளத்தை வழங்குகின்றன. திறன்களை மீண்டும் பயன்படுத்தக்கூடிய உரை அடிப்படையிலான வழிமுறைகளாக ஒருங்கிணைத்து, progressive disclosure மூலம் அவற்றை ஏற்றுவதன் மூலம், டெவலப்பர்கள் கட்டமைப்பு சிக்கலை அதிகரிக்காமல் காலப்போக்கில் தங்கள் திறன்களை விரிவுபடுத்தும் நெகிழ்வான, செலவு குறைந்த உதவியாளர்களை உருவாக்க முடியும்.

நன்மைகள்

• பல பலவீனமான துணை ஏஜென்ட்களுக்குப் பதிலாக, கணினி பராமரிப்பை ஒற்றை முதன்மை ஏஜென்ட்டாக ஒருங்கிணைக்கிறது.
• Progressive disclosure மற்றும் தேவைக்கேற்ப ஏற்றுதல் மூலம் context window பயன்பாட்டைக் குறைக்கிறது.
• செயல்முறைகளை எளிய markdown உரையாகச் சேமிப்பதன் மூலம் version control மற்றும் சக மதிப்பாய்வை (peer review) எளிதாக்குகிறது.
• நவீன ஏஜென்ட் சூழல்களில் தடையற்ற குறுக்கு-தள (cross-platform) skill பெயர்வுத்திறனை செயல்படுத்துகிறது.
• தேவையற்ற ஏஜென்ட்களுக்கு இடையேயான உரையாடல்களைத் தவிர்ப்பதன் மூலம் செயல்பாட்டு API செலவுகளையும் தாமதத்தையும் (latency) குறைக்கிறது.

குறைபாடுகள்

• சிக்கலான பல-படி பகுத்தறிவுக்கு (multi-step reasoning) இன்னும் skill கோப்பிற்குள் கவனமான instruction engineering தேவைப்படுகிறது.
• மோசமாக வரையறுக்கப்பட்ட skill விளக்கங்கள் தவறான-நேர்மறை (false-positive) செயல்பாடுகள் அல்லது விடுபட்ட தூண்டுதல்களுக்கு வழிவகுக்கும்.
• தணிக்கை செய்யப்படாமல் இயங்கக்கூடிய ஸ்கிரிப்ட்கள் சேர்க்கப்பட்டால், மூன்றாம் தரப்பு skills சாத்தியமான பாதுகாப்பு அபாயங்களை ஏற்படுத்துகின்றன.
• ஒற்றை prompt ஒரே நேரத்தில் பல ஒன்றுடன் ஒன்றுடன் தொடர்புடைய skills-ஐத் தூண்டினால், மோனோலிதிக் agent loops திணறக்கூடும்.

எச்சரிக்கை

இந்தக் கட்டுரை கல்வி நோக்கங்களுக்காக மட்டுமே. செயல்முறைகள், குறியீட்டு மாதிரிகள் மற்றும் ஒதுக்கிட உள்ளமைவுகள் (placeholder configurations) உங்கள் குறிப்பிட்ட சூழல் மற்றும் பாதுகாப்புக் கொள்கைகளுக்கு ஏற்ப மாற்றியமைக்கப்பட வேண்டும். தயாரிப்புத் தரவு (production data) அல்லது தனிப்பட்ட சான்றுகளுக்கான அணுகலைக் கொண்ட கணினிகளில் வரிசைப்படுத்துவதற்கு முன் எப்போதும் மூன்றாம் தரப்பு AI skills-ஐ ஆய்வு செய்து தணிக்கை செய்யுங்கள்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• பொறியாளர்கள் ஏன் multi-agent அமைப்புகளிலிருந்து விலகிச் செல்கின்றனர்? — மட்டுப்படுத்தப்பட்ட skills-ஐக் கொண்ட ஒற்றை ஏஜென்ட்டுடன் ஒப்பிடும்போது, multi-agent அமைப்புகள் பெரும்பாலும் அதிக ஒருங்கிணைப்புச் சுமை, கூட்டுத் தோல்வி விகிதங்கள் மற்றும் கடினமான state மேலாண்மை ஆகியவற்றை ஏற்படுத்துகின்றன.
• AI skill என்றால் என்ன? — AI skill என்பது பொதுவாக ஒரு markdown கோப்பில் உள்ள வழிமுறைகளைக் கொண்ட ஒரு கட்டமைக்கப்பட்ட கோப்புறையாகும், இது ஒரு குறிப்பிட்ட பணியை எவ்வாறு, எப்போது செயல்படுத்த வேண்டும் என்பதை ஒரு ஏஜென்ட்டுக்குக் கற்பிக்கிறது.
• AI ஏஜென்ட்களில் progressive disclosure என்றால் என்ன? — Progressive disclosure என்பது ஒரு வடிவமைப்பு அமைப்பாகும், இதில் ஒரு ஏஜென்ட் ஆரம்பத்தில் skill பெயர்கள் மற்றும் விளக்கங்களை மட்டுமே ஏற்றுகிறது, ஒரு பணி பொருந்தும்போது மட்டுமே முழுமையான வழிமுறைகளை ஏற்றுகிறது.
• எந்த skill-ஐப் பயன்படுத்த வேண்டும் என்பதை ஒரு ஏஜென்ட் எவ்வாறு அறிந்துகொள்கிறது? — பொருத்தமான கருவியைத் தேர்ந்தெடுக்க, ஏஜென்ட் பயனர் prompt-ஐ அதன் skill பட்டியலில் உள்ள சொற்பொருள் விளக்கங்களுடன் ஒப்பிடுகிறது.
• AI skills குறியீட்டை இயக்க முடியுமா? — ஆம், ஏஜென்ட்டுக்கு வழங்கப்பட்ட அனுமதிகளைப் பொறுத்து shell கட்டளைகள், கட்டளை வரி ஸ்கிரிப்ட்கள் அல்லது வெளிப்புற API-களை இயக்குவதற்கான வழிமுறைகளை skills கொண்டிருக்கலாம்.
• Community skills-ஐ நிறுவுவது பாதுகாப்பானதா? — Community skills பயன்படுத்தப்படுவதற்கு முன்பு எப்போதும் தணிக்கை செய்யப்பட வேண்டும், ஏனெனில் சரிபார்க்கப்படாவிட்டால் அவை அங்கீகரிக்கப்படாத ஸ்கிரிப்ட்களை இயக்கலாம் அல்லது முக்கியமான கோப்புகளை அணுகலாம்.
• வெவ்வேறு AI கருவிகளில் AI skills செயல்படுமா? — ஆம், திறந்த skill விவரக்குறிப்புகள் Claude, Cursor, Antigravity மற்றும் பிற நவீன ஏஜென்ட் கட்டமைப்புகள் போன்ற கருவிகளில் இணக்கமான markdown skills செயல்பட அனுமதிக்கின்றன.

குறிச்சொற்கள்

#aiagents #anthropic #softwareengineering #promptengineering #automation #artificialintelligence #developers #aiarchitecture #llm #techguide