মুখ্য সামগ্ৰীৰ পৰা এৰাই চাওক
শব্দকোষ

AI এজেণ্ট ট্ৰাফিক

Toshendra Sharma

দ্বাৰা Toshendra SharmaFounder & CEO, AgentCredia · Updated November 13, 2026

এজন ব্যক্তি বা সংস্থাৰ হৈ কাম কৰা AI-চালিত ছফ্টৱেৰ এজেণ্টে প্ৰত্যক্ষভাৱে নহয়, এটা application লৈ কৰা অনুৰোধসমূহ।

সংজ্ঞা

AI এজেণ্ট ট্ৰাফিক হৈছে সেই অনুৰোধসমূহৰ সমষ্টি যি এটা application-এ AI models ব্যৱহাৰ কৰি কি কৰিব সেইটো সিদ্ধান্ত লোৱা software agents ৰ পৰা পায়। এই এজেণ্টসমূহে pages browse কৰে, APIs call কৰে, forms পূৰণ কৰে আৰু Model Context Protocol(https://modelcontextprotocol.io/specification/2026-07-28) (MCP) servers ত tools invoke কৰে, সাধাৰণতে এজন ব্যক্তি বা এটা company ৰ হৈ। নিৰ্ণায়ক বৈশিষ্ট্যটো হ’ল, task-ৰ ভিতৰত পৰৱৰ্তী action কোনটো হ’ব সেইটো model এ নিৰ্বাচন কৰে, ব্যক্তি এ নহয়।

AI এজেণ্ট ট্ৰাফিক crawlers আৰু scriptsৰ দৰে পুৰণি ধৰণৰ automation ৰ সৈতে ওভাৰলেপ কৰে, কিন্তু ইয়াৰ আচৰণ বেলেগ। এজেণ্টসমূহে লক্ষ্য অনুসৰণ কৰে, যি পাই তাৰ লগত খাপ খুৱায়, আৰু বহু সময়ত application ৰ সেই অংশসমূহৰ সৈতে interaction কৰে যিবোৰ কেৱল মানুহৰ বাবে ডিজাইন কৰা হৈছিল।

ই ক’ত দেখা যায়

  • Websites and SaaS apps: documentation পঢ়ি থকা, pricing pages তুলনা কৰি থকা বা signed-in session-ৰ ভিতৰত multi-step workflows সম্পূৰ্ণ কৰি থকা সহায়কসমূহ। AI operators এ এই traffic ৰ কিছু অংশ নথিভুক্ত কৰিছে: OpenAI's ChatGPT-User(https://developers.openai.com/api/docs/bots) আৰু Anthropic's Claude-User(https://support.claude.com/en/articles/8896518-does-anthropic-crawl-data-from-the-web-and-how-can-site-owners-block-the-crawler) এ এজন ব্যক্তি এ এটা প্ৰশ্ন কৰা সময়ত pages fetch কৰে।
  • APIs: agents এ API credentials ব্যৱহাৰ কৰি endpoints সোজাসুজি call কৰে, সাধাৰণতে মানুহ-চালিত integration ৰ তুলনাত বেলেগ pace আৰু pattern ৰে।
  • MCP servers: AI clients এ tools invoke কৰে, য’ত সংজ্ঞা অনুসৰি প্ৰতিটো call automated, আৰু প্ৰশ্নটো হ’ল কোন client এ call কৰিছে আৰু ই কি কৰিব পাৰে। MCP server চাওক।

ইয়াক কেনেকৈ চিনাক্ত কৰিব

এটা একক signal-এ agent traffic নিৰ্ভৰযোগ্যভাৱে চিনাক্ত কৰিব নোৱাৰে। Teams এ strength বেলেগ বেলেগ evidence একেলগে ব্যৱহাৰ কৰে, how to tell if website traffic comes from AI agents ত বৰ্ণনা কৰা দৰে:

Verified evidence

কিছুমান agent operator এ তেওঁলোকৰ অনুৰোধসমূহ HTTP message signatures (RFC 9421) ব্যৱহাৰ কৰি sign কৰে, আৰু তেওঁলোকৰ নিয়ন্ত্ৰণত থকা এটা domain-ৰ অধীনত keys প্ৰকাশ কৰে, IETF Web Bot Auth কাম অনুসৰণ কৰি। যি signature validate হয়, সেইটো কোন operator ৰ client এ request পঠিয়াইছিল তাৰ শক্তিশালী evidence।

Declared evidence

Clients এ নিজৰ বিষয়ে বৰ্ণনা কৰিব পাৰে: এটা user-agent string, এটা MCP client name, এটা header। এইবোৰ উপযোগী, কিন্তু সহজে নকল কৰিব পাৰি, সেইকাৰণে user-agent spoofing এটা স্থায়ী চিন্তা।

Inferred evidence

Request-ৰ timing, navigation patterns, browser context-ৰ অভাৱ আৰু protocol details এ automation ইংগিত দিব পাৰে। Inference ভুলো হ’ব পাৰে, সেয়েহে সেইবোৰক সদায় inference হিচাপেই label কৰিব লাগে।

যেতিয়া এইবোৰৰ কোনোটোৱেই নিৰ্ণয়ৰ সমৰ্থন নকৰে, তেতিয়া সৎ ফলাফলটো হৈছে Unknown।

ইয়াৰ গুৰুত্ব কি

Agent traffic স্বাভাৱিকতে ভাল বা বেয়া নহয়। Plans তুলনা কৰা shopping assistant, records sync কৰা internal agent, আৰু আপোনাৰ terms উপেক্ষা কৰা scraper, network level-ত একেধৰণৰ লাগিব পাৰে। সলনি হয় আপোনাৰ application-এ কি কৰা উচিত:

  • আপুনি serve কৰিব খোজা agents-ৰ বাবে structured response বা API আগবঢ়াওক।
  • automated volume এ resources ওপৰত চাপ দিব পৰা route-level limits প্ৰয়োগ কৰক।
  • উচ্চ-প্ৰভাৱৰ actions-ৰ আগতে অধিক শক্তিশালী credentials বিচাৰক।
  • মানুহৰ experience টো দ্ৰুত আৰু সুশৃঙ্খল ৰাখক।

সকলো automation-ক abuse বুলি ধৰি ল’লে legitimate integrations ভাঙি যায়। ইয়াক উপেক্ষা কৰিলে team এ ধৰি লোৱা context নোহোৱাকৈ sensitive actions চলিব পাৰে।

সাধাৰণ ভুল ধাৰণা

"Agents সদায় নিজৰ পৰিচয় দিয়ে." বহুতে দিয়া নকৰে, আৰু declaration মিছাও হ’ব পাৰে।

"Signed agent মানেই trusted agent." Signature এ কোন key এ request sign কৰিলে সেইটো দেখুৱায়। ই action authorized বা safe নে নহয় সেইটো দেখুৱায় নে। agent authorization চাওক।

"Automation ব্লক কৰিলে app সুৰক্ষিত হয়." সাধাৰণতে ই গ্ৰাহকে নিৰ্ভৰ কৰা integrations ব্লক কৰে, আনহাতে সংকল্পবদ্ধ bad actors এ খাপ খুৱায়।

Proof of Actor agent traffic কেনেকৈ handle কৰে

Proof of Actor এ প্ৰতিটো interaction Human, Human + AI, Agent বা Unknown হিচাপে classify কৰে (এই taxonomy ইয়াত ব্যাখ্যা কৰা হৈছে), আৰু result টো verified, declared বা inferred নে সেইটো কয়। Teams এ প্ৰথমে observe কৰে, তাৰ পাছত নিজৰ policies ৰে agent traffic route কৰে। How It Works চাওক বা apply for early access কৰক।

উৎসসমূহ

আপোনাৰ নিজৰ app-ত actor intelligence চাওক।

আগতে কথা পাতিবলৈ পচন্দ কৰেনে? Founding team-ৰ সৈতে কথা পাতক