Generative AI ରେ Agent ମାନଙ୍କୁ ବୁଝିବା: ଏକ Class ଏବଂ Instance ସଂଜ୍ଞା

Generative AI ଏବଂ Large Language Models (LLMs) ର ଦୁନିଆରେ, "agent" ଶବ୍ଦଟି ଅଧିକରୁ ଅଧିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ହେବାରେ ଲାଗିଛି। ଆଜି, ଜୁଲାଇ 28, 2026 ସୁଦ୍ଧା, ଦୁଇଟି ପ୍ରମୁଖ ମାନକ AI ସିଷ୍ଟମରେ ଆମେ କିପରି agent ଗୁଡ଼ିକୁ ବୁଝୁ ଏବଂ କାର୍ଯ୍ୟକାରୀ କରୁ ତାହାକୁ ରୂପ ଦେଉଛନ୍ତି। ଏହି ପ୍ରବନ୍ଧଟି agent କ'ଣ, ଏହା କିପରି କାର୍ଯ୍ୟ କରେ, ଏବଂ ବର୍ତ୍ତମାନର ଟେକ୍ ପରିବେଶରେ ଏହା କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ତାହା ବିଶ୍ଳେଷଣ କରିବ।

Agent କ'ଣ?

AI ପ୍ରସଙ୍ଗରେ ଏକ agent ହେଉଛି ଏକ ସିଷ୍ଟମ ଯାହା ଟୁଲ୍ସ ବ୍ୟବହାର କରି ଏବଂ ଏହାର ପରିବେଶ ସହିତ ଆଲୋଚନା କରି ସ୍ୱାଧୀନଭାବରେ କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିପାରିବ। ତଥାପି, ପ୍ରକୃତରେ ଏକ agent କ'ଣ ତାହା ସଂଜ୍ଞାୟିତ କରିବା ସହଜ ନୁହେଁ। ଏହି ବୁଝାମଣାକୁ ମାର୍ଗଦର୍ଶନ କରିବା ପାଇଁ ଦୁଇଟି ମୁଖ୍ୟ protocol ଆବିର୍ଭୂତ ହୋଇଛି:

1. A2A (Agent-to-Agent) Protocol v1.0: Linux Foundation ଦ୍ୱାରା ବିକଶିତ ଏହି ମାନକ, agent ମାନେ କିପରି ପରସ୍ପର ସହିତ ଯୋଗାଯୋଗ ଏବଂ ଏକତ୍ରିତ ହୁଅନ୍ତି ତାହା ଉପରେ ଧ୍ୟାନ ଦିଏ। ଏହା ଏକ agent ର interface ନିର୍ଦ୍ଦିଷ୍ଟ କରେ କିନ୍ତୁ ବାସ୍ତବରେ ଏକ agent କ'ଣ ତାହା ସଂଜ୍ଞାୟିତ କରେ ନାହିଁ।
2. MCP (Model Context Protocol): ଆଜି ଚୂଡ଼ାନ୍ତ ହୋଇଥିବା MCP, ଏକ agent କିପରି ଟୁଲ୍ସ ବ୍ୟବହାର କରେ ତାହା ବର୍ଣ୍ଣନା କରେ। ଏହା ଏକ agent ର ଆଭ୍ୟନ୍ତରୀଣ କାର୍ଯ୍ୟକାରିତାକୁ ବିସ୍ତୃତ ଭାବରେ ବର୍ଣ୍ଣନା କରେ କିନ୍ତୁ, A2A ଭଳି, ନିଜେ agent କୁ ସଂଜ୍ଞାୟିତ କରେ ନାହିଁ।

ଉଭୟ protocol ଆମ ବୁଝାମଣାରେ ଏକ ଫାଙ୍କା ସ୍ଥାନକୁ ଦର୍ଶାନ୍ତି: କୌଣସିଟି ବି ପ୍ରକୃତରେ agent କ'ଣ ତାହା ସ୍ପଷ୍ଟ ଭାବରେ ସଂଜ୍ଞାୟିତ କରନ୍ତି ନାହିଁ। ଏହି ପ୍ରବନ୍ଧଟି ଏକ ସଂରଚିତ ସଂଜ୍ଞା ପ୍ରଦାନ କରି ସେହି ଫାଙ୍କା ସ୍ଥାନକୁ ପୂରଣ କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି।

Agent ଗୁଡ଼ିକୁ ସଂଜ୍ଞାୟିତ କରିବା ପାଇଁ Framework

ଏକ ବ୍ୟାପକ ସଂଜ୍ଞା ସୃଷ୍ଟି କରିବା ପାଇଁ, ଆମେ agent ଗୁଡ଼ିକୁ ଦୁଇଟି ଭାଗରେ ଚିନ୍ତା କରିପାରିବା: class ଏବଂ instance। class ଏକ agent ର ସଂଜ୍ଞାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଯେତେବେଳେ କି instance ହେଉଛି ସେହି class ର ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବାସ୍ତବ ରୂପ।

Agent ସଂଜ୍ଞା (Class)

ଏକ agent ର class ରେ କେତେକ ମୁଖ୍ୟ ଉପାଦାନ ଅନ୍ତର୍ଭୁକ୍ତ:

• Host Loop: ଏହା ହେଉଛି ସେହି ମୁଖ୍ୟ ପ୍ରକ୍ରିୟା ଯେଉଁଠାରେ LLM (Large Language Model) କାର୍ଯ୍ୟ ନିଷ୍ପତ୍ତି ନିଏ, ଫଳାଫଳ ପର୍ଯ୍ୟବେକ୍ଷଣ କରେ, ଏବଂ ଏହାର କାର୍ଯ୍ୟଗୁଡ଼ିକ ଉପରେ ପୁନରାବୃତ୍ତି କରେ। ଏହି loop ବିନା, ଆପଣଙ୍କ ପାଖରେ କେବଳ ଟୁଲ୍ସ ବ୍ୟବହାର କରିପାରୁଥିବା ଏକ chatbot ଥାଏ, ଏକ ପ୍ରକୃତ agent ନୁହେଁ।
• System Context: ଏଥିରେ persona ଏବଂ ନିର୍ଦ୍ଦେଶାବଳୀ ଭଳି static ଉପାଦାନଗୁଡ଼ିକ ଅନ୍ତର୍ଭୁକ୍ତ ଯାହା agent ର ବ୍ୟବହାରକୁ ମାର୍ଗଦର୍ଶନ କରେ।
• MCP Server Set: ଏହା ନିର୍ଦ୍ଧାରଣ କରେ ଯେ agent କେଉଁ MCP server ଗୁଡ଼ିକ ସହିତ ଆଲୋଚନା କରିପାରିବ।
• Capability Boundary/Tool Policy: ଏହା ସେହି ସର୍ତ୍ତଗୁଡ଼ିକୁ ବର୍ଣ୍ଣନା କରେ ଯାହା ଅଧୀନରେ agent କେତେକ server ଏବଂ tool ବ୍ୟବହାର କରିପାରିବ।
• LLM: ନିର୍ଦ୍ଦିଷ୍ଟ model ଯାହାକୁ agent ବ୍ୟବହାର କରେ।
• Termination Limits: ଏଗୁଡ଼ିକ ହେଉଛି maximum iterations ଏବଂ token budgets ଭଳି ପ୍ରତିବନ୍ଧକ ଯାହା agent ର କାର୍ଯ୍ୟକୁ ନିୟନ୍ତ୍ରଣ କରେ।
• Task Contract: ଏକ schema ଯାହା agent କେଉଁ inputs ଗ୍ରହଣ କରେ ଏବଂ କେଉଁ outputs ଫେରାଇବା ଆବଶ୍ୟକ ତାହା ବିସ୍ତୃତ ଭାବରେ ଦର୍ଶାଏ।
• Context-Size Strategy: ଏହା ବର୍ଣ୍ଣନା କରେ ଯେ agent କିପରି ଏହାର context size ପରିଚାଳନା କରେ, ଯେଉଁଥିରେ compaction କିମ୍ବା top-x selection ଭଳି ପଦ୍ଧତି ଅନ୍ତର୍ଭୁକ୍ତ।

Agent Instance (Object)

ଏକ agent ର instance ନିମ୍ନଲିଖିତ ଦ୍ୱାରା ସଂଜ୍ଞାୟିତ:

• Goal: ବ୍ୟବହାରକାରୀଙ୍କ ଦ୍ୱାରା ଆରମ୍ଭ କରାଯାଇଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ କିମ୍ବା query।
• Working Context Window: ଏଥିରେ ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟ ସହିତ ପ୍ରାସଙ୍ଗିକ ଥିବା conversation history ଏବଂ tools ରୁ ମିଳିଥିବା ଫଳାଫଳ ଅନ୍ତର୍ଭୁକ୍ତ।
• Credentials: Authentication details, ଯେପରିକି OAuth tokens, ଯାହା ବ୍ୟବହାରକାରୀଙ୍କ ପରିଚୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ।
• Consumed Budget: କାର୍ଯ୍ୟ ସମୟରେ ବ୍ୟବହୃତ ହୋଇଥିବା elapsed iterations ଏବଂ tokens କୁ ଟ୍ରାକ୍ କରୁଥିବା metrics।

2026 MCP Specification

ନୂତନ MCP specification ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପରିବର୍ତ୍ତନଗୁଡ଼ିକୁ ଆଣିଛି, ବିଶେଷ କରି state କିପରି ପରିଚାଳିତ ହୁଏ ସେ ସମ୍ବନ୍ଧରେ। ପୂର୍ବରୁ, server ଗୁଡ଼ିକ session ମନେ ରଖୁଥିଲେ, କିନ୍ତୁ ବର୍ତ୍ତମାନ, ପ୍ରତ୍ୟେକ call ହେଉଛି stateless। ଏହାର ଅର୍ଥ ହେଉଛି ଯେ ସମସ୍ତ ଆବଶ୍ୟକୀୟ ସୂଚନା explicit handles ସହିତ ଯାତ୍ରା କରେ ଯାହାକୁ model ଦେଖିପାରିବ।

ଏହି ପରିବର୍ତ୍ତନ ଆମେ working context window କୁ କିପରି ସଂଜ୍ଞାୟିତ କରୁ ତାହାକୁ ପ୍ରଭାବିତ କରେ। instance state ରେ ଏବେ goal, context, handles, credentials, ଏବଂ consumed budget ଅନ୍ତର୍ଭୁକ୍ତ। ଫଳସ୍ୱରୂପ, ଏକ agent କୁ ଏକ serializable value ଭାବରେ ବିବେଚନା କରାଯାଇପାରିବ, ଯାହା ଏହାକୁ ବିଭିନ୍ନ process ରେ suspended, persisted, ଏବଂ resumed କରିବାକୁ ଅନୁମତି ଦିଏ।

ନିଷ୍କର୍ଷ

AI ର ଦ୍ରୁତ ବିକାଶଶୀଳ କ୍ଷେତ୍ରରେ ଏକ agent କ'ଣ ଏବଂ ଏହା କିପରି କାର୍ଯ୍ୟ କରେ ତାହା ବୁଝିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ। ଏକ agent ର class ଏବଂ instance ମଧ୍ୟରେ ପ୍ରଭେଦ କରି, ଡେଭଲପରମାନେ ଅଧିକ ପ୍ରଭାବଶାଳୀ ଏବଂ ଅନୁକୂଳ AI ସିଷ୍ଟମ ସୃଷ୍ଟି କରିପାରିବେ।

Merits

• AI ରେ agent ଗୁଡ଼ିକୁ ସଂଜ୍ଞାୟିତ କରିବା ପାଇଁ ସ୍ପଷ୍ଟ framework।
• ବିଭିନ୍ନ AI ସିଷ୍ଟମ ମଧ୍ୟରେ interoperability କୁ ସୁଗମ କରେ।
• ମଜବୁତ agent architectures ର ବିକାଶକୁ ସମର୍ଥନ କରେ।

Demerits

• ବର୍ତ୍ତମାନର ସଂଜ୍ଞାଗୁଡ଼ିକ ସମସ୍ତ ବାସ୍ତବ ଦୁନିଆର ପରିସ୍ଥିତିକୁ ଆଚ୍ଛାଦିତ ନକରିପାରେ।
• ବିଭିନ୍ନ platform ଏବଂ use case ରେ କାର୍ଯ୍ୟକାରିତା ଭିନ୍ନ ହୋଇପାରେ।

ସାବଧାନତା

ଏହି ପ୍ରବନ୍ଧଟି ଶିକ୍ଷାଗତ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ଅଭିପ୍ରେତ। ଉଲ୍ଲେଖ କରାଯାଇଥିବା କୌଣସି placeholder values ଅଭ୍ୟାସରେ ପ୍ରକୃତ ଡାଟା ସହିତ ପରିବର୍ତ୍ତନ କରାଯିବା ଉଚିତ। ପାଠକମାନେ ନିର୍ଭର କରିବା ପୂର୍ବରୁ ମୂଳ ଉତ୍ସ ସହିତ ଦାବିଗୁଡ଼ିକୁ ଯାଞଚ କରିବା ଉଚିତ।

Frequently asked questions

• AI ରେ agent କ'ଣ? — ଏକ agent ହେଉଛି ଏକ ସିଷ୍ଟମ ଯାହା ଟୁଲ୍ସ ବ୍ୟବହାର କରି ଏବଂ ଏହାର ପରିବେଶ ସହିତ ଆଲୋଚନା କରି ସ୍ୱାଧୀନଭାବରେ କାର୍ଯ୍ୟ ସମ୍ପାଦନ କରିପାରିବ।
• A2A ଏବଂ MCP protocol ଗୁଡ଼ିକ କ'ଣ? — A2A agent ମାନେ କିପରି ଯୋଗାଯୋଗ କରନ୍ତି ତାହା ସଂଜ୍ଞାୟିତ କରେ, ଯେତେବେଳେ କି MCP ସେମାନେ କିପରି ଟୁଲ୍ସ ବ୍ୟବହାର କରନ୍ତି ତାହା ବର୍ଣ୍ଣନା କରେ, କିନ୍ତୁ କୌଣସିଟି agent କ'ଣ ତାହା ସଂଜ୍ଞାୟିତ କରେ ନାହିଁ।
• ଏକ agent ରେ host loop କ'ଣ? — Host loop ହେଉଛି ସେହି ମୁଖ୍ୟ ପ୍ରକ୍ରିୟା ଯେଉଁଠାରେ LLM କାର୍ଯ୍ୟ ନିଷ୍ପତ୍ତି ନିଏ ଏବଂ କାର୍ଯ୍ୟଗୁଡ଼ିକ ଉପରେ ପୁନରାବୃତ୍ତି କରେ।
• 2026 MCP specification ର ଗୁରୁତ୍ୱ କ'ଣ? — ଏହା agent ର ଆଲୋଚନା ପରିଚାଳନା ପାଇଁ ଏକ stateless model ପ୍ରବର୍ତ୍ତନ କରେ, ଯାହା agent ମାନେ କିପରି context ବଜାୟ ରଖନ୍ତି ତାହାକୁ ପ୍ରଭାବିତ କରେ।
• Agent ଗୁଡ଼ିକ କିପରି context size ପରିଚାଳନା କରନ୍ତି? — Agent ଗୁଡ଼ିକ ସେମାନଙ୍କର context size କୁ ପ୍ରଭାବଶାଳୀ ଭାବରେ ପରିଚାଳନା କରିବା ପାଇଁ compaction କିମ୍ବା top-x selection ଭଳି କୌଶଳ ବ୍ୟବହାର କରନ୍ତି।
• Agent ଗୁଡ଼ିକୁ serialize କରାଯାଇପାରିବ କି? — ହଁ, ନୂତନ MCP spec agent ଗୁଡ଼ିକୁ serializable values ଭାବରେ ବିବେଚନା କରିବାକୁ ଅନୁମତି ଦିଏ, ଯାହା ସହଜ persistence ଏବଂ resumption କୁ ସକ୍ଷମ କରେ।

Tags

#agents #ai #mcp