কাৰ্যকৰ্তা প্ৰমাণৰ অৰ্থ কি
কাৰ্যকৰ্তা প্ৰমাণ হৈছে সেই product যি AgentCredia তেওঁলোকৰ বাবে নিৰ্মাণ কৰে যিসকল দল application, website, API আৰু MCP server চলায়। ই এটা প্ৰশ্নৰ উত্তৰ দিয়ে, যিটো কেৱল account login-এ নিদিয়ে: এই মুহূৰ্তত এই interaction-ত কোনে বা কি কাম কৰি আছে? signed-in account এটা interface-ত click কৰি থকা এটা ব্যক্তি, AI assistant-ৰ সৈতে একেলগে কাম কৰা এটা ব্যক্তি, অথবা নিজে নিজে চলা autonomous agent-এ নিয়ন্ত্ৰিত হ’ব পাৰে। Proof of Actor-এ application-ক এইবোৰৰ কোনটো সন্মুখত আছে তাৰ evidence দিয়ে, আৰু response-টো application-ৰ ওপৰতে এৰি দিয়ে.
এই product টো তিনিটা capability-ৰ চাৰিওফালে সংগঠিত:
- Detect-এ integration-ত উপলব্ধ actor signal সংগ্ৰহ কৰে আৰু verified assertion-সমূহক behavioral inference-ৰ পৰা পৃথক কৰে।
- Understand-এ সেই ফলাফলবোৰক analytics-লৈ ৰূপান্তৰ কৰে: route অনুসৰি actor mix, সময়ৰ সৈতে trend, আৰু প্ৰতিটো classification-ৰ পিছে থকা evidence।
- Route-এ application-এ নিজৰ policy প্রয়োগ কৰি নিৰ্দিষ্ট interaction-সমূহ allow, adapt, challenge, review বা limit কৰিবলৈ দিয়ে.
ই কিয় গুৰুত্বপূর্ণ
Applications-সমূহ এই অনুমানত নিৰ্মিত হৈছিল যে প্ৰতিটো session-ৰ পিছফালে এজন human আছে। সেই অনুমান এতিয়া সঠিক নহয়। AI agent traffic এতিয়া product page, API আৰু tool server-লৈ আহে, আৰু মানুহেও app-ৰ ভিতৰত কাম কৰাৰ সময়ত AI assistance বেছি ব্যৱহাৰ কৰিছে। এই সকলোকে একে ধৰণে ধৰা মানে দুটা বেয়া ফল হয়: abuse ৰ বাবে ডিজাইন কৰা defense-এ legitimate automation block কৰে, আৰু sensitive action team-এ ধৰি লোৱাৰ তুলনাত কম context-সহ সম্পন্ন হয়.
কাৰ্যকৰ্তা প্ৰমাণে product, platform আৰু security team-সমূহক আচলতে কি ঘটিছে তাৰ এটা shared view দিয়ে, যাতে decision guesswork-ৰ পৰিৱৰ্তে evidence-ৰ ওপৰত ভিত্তি কৰি হয়.
ই কেনেকৈ কাম কৰে
এটা supported integration-ৰ মাজেৰে যোৱা প্ৰতিটো interaction-এ দুটা অংশসহ এটা result পায়:
- এটা class: Human, Human + AI, Agent বা Unknown.
- এটা basis: verified, declared, inferred বা unknown, যি class-টো কিহৰ ওপৰত দাঁড়িছে সেয়া দেখুৱায়। evidence basis চাওক.
এটা valid HTTP message signature (RFC 9421) বহন কৰা request এটা verified agent identity। নিজকে agent বুলি নাম দিয়া client এটা declaration। keyboard-ত বহি থকা মানুহৰ সৈতে সামঞ্জস্যপূর্ণ interaction pattern এটা inference। যেতিয়া evidence-এ কোনো determination সমৰ্থন নকৰে, তেতিয়া result-টো Unknown হয়, আৰু ই Unknown হৈয়েই থাকে। এই চাৰিটা class Human, AI-assisted or agent: a practical taxonomy for application traffic-ত ব্যাখ্যা কৰা হৈছে.
Team-সমূহে observation mode-ত আৰম্ভ কৰে। Result-সমূহ record আৰু real outcome-ৰ সৈতে review কৰা হয়, আৰু application-ৰ behavior-ত একোৱেই সলনি নহয়। যেতিয়া কোনো team-এ নিশ্চিত হয় যে এটা policy এটা workflow-ৰ সৈতে খাপ খায়, তেতিয়া ই নিজৰ code-ত সেই policy enable কৰে। সম্পূর্ণ flow How It Works-ত বৰ্ণনা কৰা হৈছে.
সাধাৰণ ভুল ধাৰণা
এয়া bot blocker নহয়। Proof of Actor default-ভাৱে একো block নকৰে। বহু agent-কে স্বাগত অংশগ্ৰহণকাৰী হিচাপে ধৰা হয়, আৰু তেওঁলোকৰ বাবে সঠিক response অনেক সময়ত challenge page-ৰ পৰিৱৰ্তে এটা structured API হয়.
এয়া identity verification নহয়। Human result-ৰ অৰ্থ হৈছে observable signal-সমূহে human-directed interaction সূচায়। ই ব্যক্তিজনক চিনাক্ত নকৰে.
Signed agent মানেই authorized agent নহয়। Valid signature-এ প্ৰমাণ কৰে যে request এটা published identifier-ৰ সৈতে সংযুক্ত key ব্যৱহাৰ কৰি sign কৰা হৈছিল। সেই operator-এ আপোনাৰ application-ত কোনো action কৰিব পাৰে নে নোৱাৰে, সেয়া আপোনাৰ app-এ লোৱা authorization decision.
Proof of Actor আপোনাৰ stack-ৰ সৈতে কেনেকৈ খাপ খায়
Proof of Actor আপোনাৰ existing authentication আৰু authorization-ৰ কাষে থাকে। ই actor context যোগ কৰে; আপোনাৰ login, permission model বা risk-সম্পৰ্কীয় বিচাৰক ই প্ৰতিস্থাপন নকৰে। Application owner-এ route-অনুসৰি enforcement সিদ্ধান্ত লয়, আৰু Unknown result আৰু timeout-ৰ বাবে স্পষ্ট fallback থাকে.
product overview পঢ়ক, the evidence can and cannot establish পৰ্যালোচনা কৰক, অথবা founding developer program-ত যোগদান কৰিবলৈ apply for early access কৰক.
উৎস
- RFC 9421: HTTP Message Signatures: verified agent identity-ৰ আধাৰত থকা standard