AI एजेंट ढांचे: विश्वसनीय एजेंट्स का नियंत्रण plane

एआई एजेंट ढांचे की व्याख्या: ये सॉफ़्टवेयर प्लेटफ़ॉर्म हैं जो एक एआई एजेंट बनाने के पुन: प्रयोज्य भागों को पैकेज करते हैं, विशेष रूप से ऑर्केस्ट्रेशन, स्थिति, टूल कॉलिंग और अवलोकन। उद्देश्य मॉडल को "स्मार्टर" बनाना नहीं है, बल्कि यह सुनिश्चित करना है कि एजेंट का व्यवहार नियंत्रित और दोहराने योग्य हो जब कार्यप्रवाह लंबा, टूल-भारी और बहु-एजेंट हो।

मुख्य निष्कर्ष

• एआई एजेंटढांचे सॉफ़्टवेयर प्लेटफ़ॉर्म हैं जो पूर्व-निर्मित घटकों और अमूर्तताओं का उपयोग करके एआई एजेंट बनाने, तैनात करने और प्रबंधित करने को सरल बनाते हैं।
• वास्तविक विभेदक नियंत्रण विमान है: ऑर्केस्ट्रेशन मॉडल, स्पष्ट स्थिति प्रबंधन, और अवलोकन जब टूल कॉल और पुनः प्रयास विफल होने लगते हैं।
• अनुक्रमिक पाइपलाइनों को सहीता और ऑडिटेबिलिटी के लिए डिफ़ॉल्ट माना जाता है, जबकि असिंक्रोनस या इवेंट-चालित डिज़ाइन सरलता को समवर्तीता के लिए व्यापार करते हैं।
• ढांचों की तुलना अवसंरचना की तरह की जा सकती है, प्रतिक्रिया समय, टोकन उपयोग, और टूल उपयोगिता के लिए बेंचमार्क का उपयोग करके, न कि वाइब्स के लिए।

एजेंट ढांचे चैटबॉट्स से कैसे भिन्न होते हैं

एक चैटबॉट लूप आमतौर पर एक अनुरोध, एक मॉडल प्रतिक्रिया, और प्रॉम्प्ट फॉर्मेटिंग की एक पतली परत होती है। एजेंट सिस्टम एक नियंत्रण लूप जोड़ते हैं जो यह तय कर सकता है कि अगला क्या करना है, जिसमें टूल कॉल करना, काम को सौंपना, और चरणों के बीच संदर्भ को बनाए रखना शामिल है। यही कारण है कि "क्रिप्टो में एआई एजेंट क्या हैं" बातचीत प्रॉम्प्ट्स से दूर और सिस्टम डिज़ाइन की ओर बढ़ती रहती है। एक बार जब एक एआई एजेंट को कार्य करने की अनुमति दी जाती है, तो विफलता के तरीके "खराब शब्दावली" की तरह नहीं दिखते हैं और "गलत टूल, गलत समय, गलत स्थिति" की तरह दिखने लगते हैं।

माइक्रोसॉफ्ट के एआई एजेंट्स फॉर बिगिनर्स पाठ एआई एजेंट ढांचे को सॉफ़्टवेयर प्लेटफ़ॉर्म के रूप में फ्रेम करता है जो एजेंटों के निर्माण, तैनाती और प्रबंधन को सरल बनाता है, पूर्व-निर्मित घटकों, अमूर्तताओं और उपकरणों को प्रदान करके। यही पाठ एजेंट सहयोग और समन्वय, बहु-चरण कार्य स्वचालन और प्रबंधन, और संदर्भात्मक समझ और अनुकूलन को अलग करने वाली तीन क्षमताओं को उजागर करता है। ये विपणन विशेषण नहीं हैं। ये सीधे कोड और लॉग में दिखने वाली चीज़ों से मेल खाते हैं: कई अभिनेता, एक कार्य ग्राफ, और स्थिति जो एक से अधिक मॉडल कॉल से बचनी चाहिए।

यहाँ "एजेंट फ्रेमवर्क" सामान्य लेबल होना बंद करता है और एक ठोस विकल्प बन जाता है। पारंपरिक AI SDKs एक ऐप में अनुमान को समाहित करने में मदद करते हैं। एजेंट फ्रेमवर्क अनुमान के चारों ओर नियंत्रण विमान का निर्माण करते हैं: चरणों को कैसे अनुक्रमित किया जाता है, उपकरणों को कैसे पंजीकृत और लागू किया जाता है, मेमोरी को कैसे संग्रहीत किया जाता है, और सिस्टम को कैसे देखा जाता है। क्रिप्टो एजेंट स्टैक की शर्तों में, वह नियंत्रण विमान एक खिलौना बॉट और एक सिस्टम के बीच का अंतर है जो शोध कर सकता है, सत्यापित कर सकता है, और बिना चुपचाप विशिष्टता से भटकते हुए एक बहु-चरण कार्यप्रवाह को निष्पादित कर सकता है।

एजेंट सिस्टम के मुख्य निर्माण ब्लॉक

एक उपयोगकर्ता अनुरोध और एक समाप्त एजेंट आउटपुट के बीच तीन चीजें होती हैं, और उनमें से केवल एक है "मॉडल ने उत्तर दिया।" बाकी वह प्लंबिंग है जिसे फ्रेमवर्क मानकीकरण करते हैं ताकि टीमें इसे हर परियोजना में फिर से न बनाएं।

1. इनपुट को एक कार्य और संदर्भ में सामान्यीकृत किया जाता है। इनपुट एक उपयोगकर्ता संदेश, एक निर्धारित कार्य, या एक घटना हो सकता है। संदर्भ वह है जो सिस्टम आगे ले जाने का निर्णय लेता है, यही कारण है कि स्थिति डिजाइन एक प्रथम श्रेणी की चिंता बन जाती है। 2.

फ्रेमवर्क एक एजेंटिक कार्यप्रवाह चलाता है। वह कार्यप्रवाह वह ऑर्केस्ट्रेशन लॉजिक है जो तय करता है कि कौन सा एजेंट चलता है, कौन सा उपकरण बुलाया जा सकता है, और प्रत्येक चरण के बाद क्या होता है। यहीं अनुक्रमिक बनाम घटना-प्रेरित विकल्प रहते हैं। 3.

आउटपुट कलाकृतियों के रूप में उत्पन्न होते हैं। आउटपुट एक संदेश, एक फ़ाइल, एक डेटाबेस लिखाई, या एक उपकरण का साइड इफेक्ट हो सकता है। उत्पादन में, "आउटपुट" में ट्रेस, लॉग, और मीट्रिक भी शामिल होते हैं जो बताते हैं कि सिस्टम ने जो किया वह क्यों किया।

फ्रेमवर्क के बीच, प्राथमिकताएँ आमतौर पर समान होती हैं:

एजेंट: एक लक्ष्य-प्रेरित घटक जो अगले कार्य का निर्णय लेने के लिए अनुमान का उपयोग करता है। बहु-एजेंट सेटअप में, एजेंट अक्सर भूमिकाएँ और सीमाएँ रखते हैं।

उपकरण: कॉल करने योग्य कार्य याAPIजिसे एजेंट लागू कर सकता है। माइक्रोसॉफ्ट के एजेंट फ्रेमवर्क उदाहरण में, उपकरणों को एजेंट बनाने के समय पंजीकृत पायथन कार्यों के रूप में दिखाया गया है, और एजेंट उन्हें बातचीत के संदर्भ के आधार पर बुला सकता है।

मेमोरी और स्थिति: वह स्थायी संदर्भ जो बहु-चरण कार्य को सुसंगत रखता है। कुछ फ्रेमवर्क इसे "मेमोरी" के पीछे छिपाते हैं, जबकि अन्य इसे प्रवाह के माध्यम से पारित स्थिति के रूप में स्पष्ट बनाते हैं।

ऑर्केस्ट्रेशन: आदेश देने, हैंडऑफ़, पुनः प्रयास, और समाप्ति के लिए नियंत्रण लॉजिक। यहीं पर ढांचे दिन-प्रतिदिन की डिबगिंग में सबसे अधिक भिन्न होते हैं।

फीडबैक लूप: व्यवहार को सुधारने के लिए तंत्र, चाहे वह एक साधारण पुनः प्रयास नीति हो या एक अधिक संरचित मूल्यांकन चरण। कुंजी यह है कि लूप प्रणाली का हिस्सा है, न कि एक मानव द्वारा प्रॉम्प्ट को फिर से चलाना।

एकल और बहु-एजेंट के लिए ऑर्केस्ट्रेशन पैटर्न

क्रमबद्ध ऑर्केस्ट्रेशन साफ़ डिफ़ॉल्ट है क्योंकि इसे समझना आसान है और इसे करना भी आसान है।ऑडिटCrewAI का रिपॉजिटरी अपने उदाहरण क्रू कॉन्फ़िगरेशन में सीधे एक अनुक्रमिक विकल्प दिखाता है, जिसका उपयोग `process=Process.sequential` करके किया गया है। यह "एक समय में एक चीज़ होती है" मॉडल है। यह उबाऊ है, और जब सिस्टम को समझाया जाना चाहिए तो उबाऊ होना एक विशेषता है।

भूमिका-आधारित सहयोग उस अनुक्रमण के शीर्ष पर स्थित है। CrewAI के मुख्य निर्माण विभाजन को स्पष्ट बनाते हैं: "क्रू" टीमों के होते हैं।स्वायत्त एजेंटभूमिकाओं के माध्यम से सहयोग करते हुए, जबकि "फ्लोज़" उत्पादन-तैयार, इवेंट-चालित कार्यप्रवाह हैं जिनमें बारीक नियंत्रण और स्थिति प्रबंधन होता है। यह संयोजन एक उपयोगी मानसिक मॉडल है, यहां तक कि CrewAI के बाहर भी। क्रू यह उत्तर देते हैं "काम कौन करता है," जबकि फ्लोज़ यह उत्तर देते हैं "काम कैसे चलता है।"

असिंक्रोनस और इवेंट-ड्रिवेन ऑर्केस्ट्रेशन दूसरा ध्रुव है। वेंचरबीट की माइक्रोसॉफ्ट ऑटो-जेन v0.4 की कवरेज एक असिंक्रोनस, इवेंट-ड्रिवेन आर्किटेक्चर की ओर एक बदलाव का वर्णन करती है जो एजेंटों को एक साथ काम करने की अनुमति देती है बजाय इसके कि वे एक सख्त अनुक्रमिक प्रक्रिया के समाप्त होने की प्रतीक्षा करें। समवर्तीता का लाभ स्पष्ट है उन कार्यभारों में जिनमें समानांतर अनुसंधान, मल्टी-टूल I/O, या कई स्वतंत्र उप-कार्य शामिल हैं। लागत यह है कि अब सिस्टम को रेस कंडीशंस, साझा संदर्भ टकराव, और आंशिक विफलताओं को संभालना होगा जो एक रैखिक कथा में फिट नहीं होते।

यह नियंत्रण-प्लेन सिद्धांत का ठोस रूप है। यदि ऑर्केस्ट्रेशन मॉडल स्पष्ट नहीं है, तो ढांचे का चयन एक डिबगिंग विकल्प बन जाता है। अनुक्रमिक सिस्टम जोर से और स्थानीय रूप से विफल होने की प्रवृत्ति रखते हैं। इवेंट-चालित सिस्टम चुपचाप और वैश्विक रूप से विफल हो सकते हैं, क्योंकि "क्यों" घटनाओं, हैंडलरों और स्थिति संक्रमणों में वितरित होता है। उस दुनिया में अवलोकनीयता एक आवश्यक चीज़ नहीं है। यह यह पुनर्निर्माण करने का एकमात्र तरीका है कि क्या हुआ।

लोकप्रिय ढांचों से ठोस उदाहरण

CrewAI एक साफ उदाहरण है जो एक ढांचे को उच्च-स्तरीय ऑन-रैंप और निम्न-स्तरीय नियंत्रण दोनों देने की कोशिश करता है। इसका भंडार इसे शून्य से निर्मित और LangChain या अन्य एजेंट ढांचों से स्वतंत्र के रूप में स्थित करता है। त्वरित प्रारंभ शैली के ढांचे में, डेवलपर्स YAML में एजेंटों और कार्यों को परिभाषित करते हैं, फिर उन्हें Python में कनेक्ट करते हैं। उदाहरण कोड में एक क्रू फैक्ट्री विधि शामिल है जिसमें डॉकस्टिंग है "लेटेस्टएआईडेवलपमेंट क्रू बनाता है," और लौटाया गया ऑब्जेक्ट स्पष्ट रूप से अनुक्रमिक ऑर्केस्ट्रेशन को दिखाता है: `return Crew( agents=self.agents, ... tasks=self.tasks, ... process=Process.sequential, verbose=True, )`। महत्वपूर्ण भाग यह नहीं है कि वाक्यविन्यास क्या है। यह है कि निष्पादन पथ नामित और निरीक्षण योग्य है।

Microsoft एजेंट ढांचा एक विपरीत उदाहरण है जहाँ उपकरण कॉलिंग और उद्यम एकीकरण सबसे आगे हैं। शुरुआती लोगों के लिए AI एजेंट्स पाठ में दिखाया गया है `AzureAIProjectAgentProvider` एक एजेंट बनाता है जिसे एक नाम, निर्देश और उपकरणों के साथ कॉन्फ़िगर किया गया है, जहाँ उपकरण Python कार्य हैं। फिर एजेंट एक उपयोगकर्ता संदेश के खिलाफ चलता है और बातचीत के संदर्भ के आधार पर एक उपकरण को सक्रिय कर सकता है। यह एक बहुत विशिष्ट सीमा है: उपकरण निर्माण के समय पंजीकृत होते हैं, और एजेंट की स्वायत्तता उस उपकरण बेल्ट तक सीमित होती है।

AutoGen v0.4, जैसा कि VentureBeat के जनवरी 2025 के कवरेज में वर्णित है, वह उदाहरण है जिसे ध्यान में रखना चाहिए जब समवर्तीता की आवश्यकता हो। लेख समवर्ती एजेंट कार्य और बहु-एजेंट सिस्टम के लिए बेहतर संसाधन उपयोग की अनुमति देने के रूप में असिंक्रोनस, इवेंट-चालित आर्किटेक्चर की ओर बढ़ने का ढांचा तैयार करता है। यह "एक क्रू कार्यों को क्रम में चलाता है" से एक अलग मानसिक मॉडल है। यह एक इवेंट बस के करीब है जिसमें एजेंट श्रमिक होते हैं।

निर्माताओं के लिए जो व्यापक पारिस्थितिकी तंत्र में एजेंट ढांचे की तुलना कर रहे हैं, ai-agents-frameworks भंडार एक व्यावहारिक मानचित्र है। यह कई ढांचों की सूची देता है, जिसमें AutoGen, CrewAI, LangChain, LangGraph, LlamaIndex, OpenAI एजेंट SDK, Pydantic-AI, smolagents, Google ADK, और Microsoft एजेंट ढांचा शामिल है, और यह प्रत्येक ढांचे के लिए व्यावहारिक उदाहरण शामिल करता है। यह महत्वपूर्ण है क्योंकि "ढांचे की विशेषताएँ" अक्सर समान मूलभूत तत्वों के लिए बस अलग-अलग नाम होते हैं। उदाहरण दिखाते हैं कि वास्तव में क्या स्पष्ट है: उपकरण, स्थिति, ऑर्केस्ट्रेशन, और ट्रेस।

क्रिप्टो पाठकों के लिए एक त्वरित नोट: "elizaos explained" अक्सर एक एकल उत्पाद प्रश्न की तरह माना जाता है, लेकिन उपयोगी दृष्टिकोण अभी भी वही है। चाहे स्टैक सामाजिक एजेंटों, व्यापार एजेंटों, या संचालन स्वचालन के लिए लक्षित हो, उत्पादन सीमा उपकरण कॉलिंग और स्थिति है। बाकी पैकेजिंग है।

एक एजेंट ढांचे का चयन कैसे करें

ढांचे का चयन ऑर्केस्ट्रेशन से शुरू होता है, लोकप्रियता से नहीं। यदि आवश्यकता है "ऑडिटेबल और पर्याप्त निर्धारणीय होना चाहिए ताकि समझा जा सके," तो अनुक्रमिक ऑर्केस्ट्रेशन आधार रेखा है। CrewAI का स्पष्ट `Process.sequential` कॉन्फ़िगरेशन वह प्रकार का संकेत है जो निष्पादन पथों को स्पष्ट बनाता है। यदि आवश्यकता है "समवर्ती उपकार्य चलाना और घटनाओं पर प्रतिक्रिया करना चाहिए," तो AutoGen v0.4 के लिए वर्णित असिंक्रोनस, इवेंट-चालित मॉडल सही दिशा है, यह अपेक्षा के साथ कि स्थिति और अवलोकनीयता का कार्य भारी हो जाता है।

उपकरण कॉलिंग अगला फ़िल्टर है क्योंकि यहीं स्वायत्तता कार्यात्मक जोखिम बन जाती है। Microsoft एजेंट ढांचे का पैटर्न नाम, निर्देश, और घोषित उपकरणों की सूची के साथ एजेंट बनाने का एक अच्छा उदाहरण है। ढांचे जो उपकरण परिभाषाएँ और सक्रियण पथों को दृश्य बनाते हैं, उन्हें सीमित करना, परीक्षण करना और समीक्षा करना आसान होता है।

फिर माप आता है। ai-agents-frameworks रिपॉजिटरी में प्रदर्शन बेंचमार्क के साथ तुलना स्क्रिप्ट और उपयोगिताएँ शामिल हैं जो प्रतिक्रिया समय, टोकन उपयोग और उपकरण उपयोग को मापती हैं, साथ ही वास्तविक समय की तुलना के लिए एक Streamlit UI भी है। ये तीन मेट्रिक्स एक डेस्क द्वारा निष्पादन स्टैक का मूल्यांकन करने के तरीके से साफ-सुथरे तरीके से मेल खाते हैं: विलंबता, लागत, और “फिल गुणवत्ता।” यदि कोई ढांचा एक ट्यूटोरियल में शानदार दिखता है लेकिन एजेंटों के बीच अधिक बातचीत के कारण टोकन जलाता है, तो बेंचमार्क इसे दिखाएगा।

एक सरल मूल्यांकन लूप ढांचे के पछतावे से बचने के लिए पर्याप्त है:

1. 3–5 प्रतिनिधि कार्य चुनें। कम से कम एक उपकरण-भारी कार्यप्रवाह और एक बहु-चरण कार्यप्रवाह शामिल करें। 2. एक सुसंगत मॉडल और उपकरण सेट का उपयोग करते हुए दो ढांचों में समान कार्य चलाएँ। 3. प्रतिक्रिया समय, टोकन उपयोग, और उपकरण उपयोग की तुलना करें, फिर विफलताओं के समूह को देखने के लिए ट्रेस की जांच करें।

अंत में, पारिस्थितिकी तंत्र की उपयुक्तता महत्वपूर्ण है, लेकिन यह अंतिम कदम होना चाहिए, पहला नहीं। VentureBeat की कवरेज AutoGen के भिन्नता को Azure के साथ तंग एकीकरण और उद्यम-केंद्रित डिज़ाइन के रूप में फ्रेम करती है, जबकि यह भी नोट करती है कि कई डेवलपर्स ढांचों में प्रोटोटाइप करते हैं और बाद में तैनाती के लिए कस्टम वातावरण में पोर्ट करते हैं। यह ढांचों पर एक नकारात्मक टिप्पणी नहीं है। यह एक याद दिलाने वाला है कि आप आज जो नियंत्रण विमान चुनते हैं, वह कल आपके साथ रहने वाली डिबगिंग सतह बन जाती है।

क्रिप्टो एजेंट अब एक वास्तविक श्रेणी हैं, कोई मीम नहीं। क्रिप्टो एजेंटों का पारिस्थितिकी तंत्र नए wrappers और नए “दिमाग” भेजना जारी रखेगा, लेकिन स्थायी निर्णय वही रहेगा: उस ऑर्केस्ट्रेशन मॉडल और उपकरण का चयन करें जो तब भी समझ में आएगा जब एजेंट बिना देखरेख के चल रहा हो।

AI एजेंट ढांचों के बारे में सामान्य भ्रांतियाँ

“एजेंट ढांचे केवल प्रॉम्प्ट wrappers हैं।” स्रोत दूसरी ओर इशारा करते हैं। Microsoft की परिभाषा निर्माण, तैनाती, और प्रबंधित करने पर जोर देती है जिसमें पूर्व-निर्मित घटक और अमूर्तताएँ शामिल हैं, और यह सहयोग, कार्य प्रबंधन, और संदर्भ अनुकूलन को उजागर करती है। ये प्रणाली की क्षमताएँ हैं, प्रॉम्प्ट कॉस्मेटिक्स नहीं। प्रॉम्प्टिंग महत्वपूर्ण है, लेकिन ढांचे का मूल्य प्रॉम्प्ट के चारों ओर का नियंत्रण विमान है।

“बहु-एजेंट का मतलब बेहतर परिणाम है।” बहु-एजेंट प्रणाली एक समन्वय समस्या हैं इससे पहले कि वे एक मॉडल समस्या हों। CrewAI का भूमिका-आधारित Crews और उत्पादन Flows के बीच विभाजन इस बात का स्वीकार है कि टीमों को भूमिकाओं, हस्तांतरणों, और स्थिति के लिए प्राथमिकताओं की आवश्यकता होती है। बिना इनके, एजेंटों को जोड़ना अक्सर केवल टोकन उपयोग को बढ़ाता है और विफलताओं को श्रेय देना कठिन बनाता है।

“सबसे लोकप्रिय ढांचा चुनें और आप सुरक्षित हैं।” लोकप्रियता एक रनटाइम गारंटी नहीं है। VentureBeat का लेख तर्क करता है कि प्रमुख ढांचे तकनीकी रूप से बहुत अलग नहीं हैं, और कि चुनाव अक्सर पारिस्थितिकी तंत्र की उपयुक्तता और उपयोगिता पर निर्भर करता है। यही कारण है कि बेंचमार्किंग महत्वपूर्ण है। दो ढांचे समान आउटपुट उत्पन्न कर सकते हैं जबकि प्रतिक्रिया समय, टोकन उपयोग, और उपकरण उपयोग पर तेज़ी से भिन्न होते हैं।

“इवेंट-ड्रिवन हमेशा अनुक्रमिक से बेहतर है।” AutoGen v0.4 की इवेंट-ड्रिवन आर्किटेक्चर को एक समवर्ती अनलॉक के रूप में रखा गया है, न कि एक सार्वभौमिक अपग्रेड के रूप में। अनुक्रमिक पाइपलाइनों को एक समर्थित और सामान्य पैटर्न के रूप में रखा गया है, और इन्हें ऑडिट करना आसान होता है। इवेंट-ड्रिवन सिस्टम तब अपनी जगह बनाते हैं जब समवर्ती जीत वास्तविक हो और टीम साझा स्थिति के बारे में तर्क करने के लिए तैयार हो।

“Eliza फ्रेमवर्क एजेंट है।” एलिज़ा फ्रेमवर्क, किसी अन्य फ्रेमवर्क की तरह, एक ढांचा है। एजेंट का व्यवहार ऑर्केस्ट्रेशन, टूल बेल्ट, राज्य डिज़ाइन, और अवलोकनशीलता से आता है जो एक टीम को यह देखने की अनुमति देता है कि जब एजेंट स्क्रिप्ट से बाहर जाता है तो क्या हुआ।

लेना

मैंने देखा है कि टीमें "एजेंट फ्रेमवर्क" को एक ब्रांडिंग निर्णय की तरह मानती हैं और फिर उबाऊ चीजों में हफ्तों को खो देती हैं: राज्य कहाँ रहता है, टूल कॉल कैसे सीमित होते हैं, और लॉग से निष्पादन पथ को फिर से कैसे बनाना है। यही कारण है कि मुझे OMS/EMS उपमा पसंद है। एजेंट नहीं है। यह नियंत्रण Plane है जो व्यवहार को दोहराने योग्य बनाता है।

यदि ऑर्केस्ट्रेशन की आवश्यकता एक वाक्य में नहीं बताई जा सकती है, तो फ्रेमवर्क का चयन वास्तव में डिबगिंग अनुभव का चयन है। मैंने देखा है कि अनुक्रमिक पाइपलाइनों ने परियोजनाओं को बचाया है क्योंकि ट्रेस एक सीधी रेखा है, और मैंने देखा है कि असिंक्रोनस, इवेंट-ड्रिवन बिल्ड एक रहस्य बन गए क्योंकि तीन एजेंट साझा संदर्भ पर दौड़ रहे थे। प्रतिक्रिया समय, टोकन उपयोग, और टूल उपयोग को जल्दी मापें, फिर उस स्टैक का चयन करें जो टूटने पर स्पष्ट रहता है।

स्रोत

• Microsoft (ai-agents-for-beginners GitHub)
• CrewAI (GitHub भंडार)
• martimfasantos/ai-agents-frameworks (GitHub भंडार)
• VentureBeat