AI এজেণ্ট ট্ৰেফিক অ্যানালিটিক্স

আপোনাৰ app আৰু API-ৰ বাবে AI এজেণ্ট ট্ৰেফিক অ্যানালিটিক্স

মানুহ, AI-assisted ব্যৱহাৰকাৰী আৰু autonomous agent-সকলে আপোনাৰ application কেনেকৈ ব্যৱহাৰ কৰে সেয়া route অনুসৰি বুজক, আৰু প্ৰতিটো classification দৃশ্যমান evidence-ৰ দ্বাৰা সমৰ্থিত।

Early Access লওক ই কেনেকৈ কাম কৰে অন্বেষণ কৰক

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

আপোনাৰ dashboard-সমূহে সলনি হৈ যোৱা এখন জগত গণনা কৰি আছে

বেছি সংখ্যক analytics stack এটা প্ৰশ্নৰ উত্তৰ দিবলৈ নিৰ্মিত হৈছিল: মোৰ site-ত মানুহে কি কৰি আছে? Session, page view, funnel আৰু campaign-সমূহে প্ৰতিটো interaction-ৰ পিচত এজন মানুহ আছে বুলি ধৰি লয়।

এই অনুমান এতিয়া প্ৰতিটো interaction-ৰ বাবে সত্য নহয়। AI assistant-এ ব্যৱহাৰকাৰীৰ হৈ page খোলে; OpenAI-এ, উদাহৰণস্বৰূপে, এটা ChatGPT-User agent নথিভুক্ত কৰিছে যি user-এ ChatGPT-লৈ এটা প্ৰশ্ন কৰোঁতে page ভ্ৰমণ কৰে (OpenAI crawler documentation). Autonomous agent-এ task সম্পূৰ্ণ কৰিবলৈ API আৰু MCP tool কল কৰে। মানুহে একেটা session-ত AI-ৰ সৈতে একেলগে কাম কৰে, কেতিয়াবা তাক ঘোষণা কৰি, কেতিয়াবা নকৰি। Crawler আৰু script-এ যিমান পাৰে সকলো পঢ়ি থাকে।

ফলস্বৰূপে আপোনাৰ team-এ ভৰসা কৰা সংখ্যাবোৰে নীৰৱে বিকৃতি লাভ কৰে। Conversion rate এনে কাৰণত সলনি হয় যি কাকো ব্যাখ্যা কৰিব নোৱাৰে। এটা জনপ্ৰিয় API route দেখা যায় যে কেইটামান automated client-এ চালিত কৰিছে। Marketing win যেন দেখাইছিল, সেয়া আচলতে agent-এ documentation পঢ়া আছিল। Actor context অবিহনে, প্ৰতিটো chart-এ একেখন line-ত সম্পূৰ্ণ ভিন্ন আচৰণ মিশ্ৰিত কৰি পেলায়। কিছুমান tool-এ আপুনি দেখাৰ আগতেই ছবিৰ এটা অংশ আঁতৰাইও দিয়ে: Google-এ কৈছে যে Google Analytics-এ known bot আৰু spider-ৰ traffic স্বয়ংক্ৰিয়ভাৱে বাদ দিয়ে, আৰু কিমান বাদ দিয়া হ’ল সেয়া আপুনি দেখিব নোৱাৰে (Google Analytics: known bot-traffic exclusion).

AI agent traffic analytics-এ এই সমস্যা সমাধান কৰে প্ৰতিটো interaction-ত এটা নতুন dimension যোগ কৰি: কোন বা কি act কৰি আছে, আৰু আপুনি কিমান নিশ্চিত হ’ব পাৰে। website traffic AI agents-ৰ পৰা আহিছে নে নাই কেনেকৈ জানিব শীৰ্ষক blog post-এ সেই dimension-ৰ পিচৰ signal-সমূহ কভার কৰে, আৰু websites use case-এ ইয়াক production site-ত কেনেকৈ প্ৰয়োগ কৰা হয় সেয়া দেখুৱায়।

actor-aware analytics-এ আপোনাক কি দেখুৱায়

Proof of Actor-এ আপোনাৰ traffic-ক চাৰিটা class-ত সংগঠিত কৰে, যি Human, AI-assisted or agent: a taxonomy for app traffic-ত ব্যাখ্যা কৰা হৈছে, আৰু প্ৰতিটোৰ সৈতে evidence সংযুক্ত ৰাখে।

মানুহ: য’ত observable signal-এ মানুহৰ দিশনির্দেশনা সূচায় সেই interaction।
মানুহ + AI: য’ত AI assistance ঘোষণা কৰা হৈছিল বা supported integration-ৰ জৰিয়তে লক্ষ্য কৰা হৈছিল সেই interaction।
Agent: automated বা agent-origin interaction, verifiable identity বা সাৱধানে সীমাবদ্ধ কৰা inference-ৰ দ্বাৰা সমৰ্থিত।
Unknown: য’ত evidence-এ নিৰ্ভৰযোগ্য নির্ণয় সমৰ্থন নকৰে সেই interaction।

প্ৰতিটো result-এ এটা basisও বহন কৰে: verified, declared, inferred বা unknown. এই দ্বিতীয় dimension-এ analytics-টোক বিশ্বাসযোগ্য কৰে। এটা dashboard-এ যদি কয় যে আপোনাৰ API traffic-ৰ এক-তৃতীয়াংশ agent, সেয়া সম্পূৰ্ণ ভিন্ন কথা হয় এই result-সমূহ verified signature নে request pattern-ৰ inference তাৰ ওপৰত নিৰ্ভৰ কৰি। Proof of Actor-ৰ সৈতে আপুনি দুয়োটাই দেখিব পাৰে, আৰু যিকোনো এটাৰ ভিত্তিত filter কৰিব পাৰে।

route আৰু workflow অনুসৰি

Actor mix এটা application-ত অতি বেছি ভিন্ন হয়। Public documentation, pricing আৰু catalog page-এ প্ৰায়েই agent আৰু assistant আকৰ্ষণ কৰে। Signup, checkout আৰু account setting-এ কম agent আকৰ্ষণ কৰে, কিন্তু দেখা দিলে সিহঁত অধিক গুৰুত্বপূর্ণ। API route আৰু MCP tool-সমূহ automated client-ৰ দ্বাৰা আধিপত্য বিস্তাৰ কৰিব পাৰে। Proof of Actor-এ ফলাফল route আৰু workflow অনুসৰি ভাগ কৰে, যাতে প্ৰতিটো team-এ নিজৰ অংশ দেখে।

সময়ৰ সৈতে

Trend-এ আপোনাৰ product ক’লৈ গৈ আছে সেয়া কয়। Agent আৰু AI-assisted activity-ৰ অংশীদাৰী যিবোৰ route-ত গুৰুত্বপূর্ণ সিহঁতৰ ওপৰত কেনেকৈ সলনি হৈছে সেয়া লক্ষ্য কৰক, কেতিয়া নতুন agent operator-এ আপোনাৰ content পঢ়িবলৈ আৰম্ভ কৰে দেখক, আৰু অধিক client-এ নিজৰ request-ত sign কৰাৰ লগে লগে Unknown-ৰ পৰা verified-লৈ কিমান traffic সৰিছে সেয়া অনুসৰণ কৰক।

ব্যাখ্যাসহ

Dashboard-ৰ যিকোনো সংখ্যাক individual interaction-লৈ খুলি চাব পাৰি। প্ৰতিটোৰ বাবে আপুনি class, basis, কি জানা আছে, কি অজানা, আৰু কোন policy output প্ৰযোজ্য হ’ব সেয়া দেখিব। এইটোৱেই chart-এ আপোনাৰ product, platform আৰু security team-এ একেলগে কাৰ্যকৰী কৰিব পৰা বস্তুত পৰিণত কৰে।

ই কেনেকৈ কাম কৰে

Proof of Actor-এ evidence-first পথ অনুসৰণ কৰে। সম্পূৰ্ণ বিৱৰণ আপুনি How It Works-ত পঢ়িব পাৰে।

আপোনাৰ application-এ এটা request বা event লাভ কৰে: এটা page view, এটা API call, এটা MCP tool call বা app-ৰ ভিতৰৰ action।
আপোনাৰ integration-এ সেই context-ত উপলব্ধ signal সংগ্ৰহ কৰে: server-ত request context আৰু signature, collector চলা browser-ত interaction signal, client-ৰ পৰা আৰু আপোনাৰ নিজৰ application-ৰ পৰা ঘোষণা।
Signal-সমূহ পৰীক্ষা কৰা হয়, basis অনুসৰি label দিয়া হয় আৰু একেলগ কৰা হয় এটা classification-লৈ।
Result-টো record কৰা হয় তাৰ basis আৰু evidence summary-সহ আৰু আপোনাৰ analytics-লৈ প্ৰবাহিত হয়।
আপোনাৰ application-এ নিৰ্ণয় কৰে কেৱল observe কৰিব নে policy প্ৰয়োগ কৰিব।

Analytics আৰু decision-এ যিহেতু একেটা result ব্যৱহাৰ কৰে, আপুনি অধ্যয়ন কৰা সংখ্যাবোৰেই ঠিক সেই সংখ্যাবোৰ যিবোৰত আপোনাৰ policy-সমূহে কাৰ্য কৰিব। Dashboard-এ কি কয় আৰু application-এ কি কৰে তাৰ মাজত কোনো ফাঁক নাই।

Detect, Understand, Route

AI agent traffic analytics Proof of Actor-ৰ তিনিটা capability-ৰ মাজৰ কেন্দ্ৰত থাকে।

Detect

প্ৰতিটো integration-ৰ বাবে উপলব্ধ actor signal সংগ্ৰহ কৰক আৰু verified assertion-সমূহক behavioral inference-ৰ পৰা পৃথক কৰক। Unknown নিজৰ class হিচাপে দৃশ্যমান থাকে, সেয়ে coverage gap কেতিয়াও আন কোনো সংখ্যাৰ ভিতৰত লুকাই নাথাকে।

Understand

এইটো analytics layer: actor breakdown, interaction trend, route-level view আৰু explainable classification। Team-এ ইয়াক ব্যৱহাৰ কৰে এনে প্ৰশ্নৰ উত্তৰ দিবলৈ যেনে কোন route-ত agent-এ নিৰ্ভৰ কৰে, কোনো workflow-এ কিমান AI-assisted activity দেখে, আৰু ক’ত evidence policy সমৰ্থনৰ বাবে যথেষ্ট শক্তিশালী।

Route

যেতিয়া analytics-এ এটা স্পষ্ট pattern দেখুৱায়, আপোনাৰ নিজৰ নিয়মেৰে তাৰ ওপৰত action লওক। যি content তেওঁলোকে বেছি পঢ়ে, verified agent-লৈ তাৰ বাবে এটা structured path দিয়ক। মানুহে চালিত session-ৰ বাবে standard experience বজাই ৰাখক। আপোনাৰ নিজৰ condition-এ ন্যায্যতা প্ৰদান কৰিলেহে sensitive action-ত review যোগ কৰক। Unknown আৰু timeout-ৰ বাবে স্পষ্ট fallback স্থাপন কৰক।

app, API আৰু MCP server-ৰ বাবে নিৰ্মিত

Agent activity তাতেই সঘনে কেন্দ্রীভূত হয় য’ত machine-সমূহ স্বাগতম: API, documentation, catalog আৰু tool। সেইকাৰণেই Proof of Actor page view-ত সীমাবদ্ধ নহয়।

SaaS app আৰু website-এ browser session আৰু সিহঁতৰ পিছৰ server route-ৰ বাবে actor context দেখে। SaaS Apps & Websites-ত আৰু পঢ়ক।
API-সমূহে request-level context পায়, যি signed client identity-ক API credential আৰু authorization-ৰ পৰা পৃথক কৰে। APIs-ত আৰু পঢ়ক।
MCP server-সমূহে প্ৰতিটো tool call-ৰ বাবে actor context পায়, যাতে আপুনি কোন client-এ কোন tool ব্যৱহাৰ কৰিছে সেয়া দেখিব পাৰে। MCP Servers-ত আৰু পঢ়ক।

Founding team-এ আমাৰ engineer-ৰ প্ৰত্যক্ষ সহায়ত integrate কৰে। Node.js app-ত actor context যোগ কৰা শীৰ্ষক guide-এ দেখুৱায় এটা সাধাৰণ request handler-ত integration ক’ত থাকে।

কিয় evidence volume-তকৈ অধিক গুৰুত্বপূর্ণ

Agent traffic-ৰ বাবে এটা ডাঙৰ সংখ্যা সৃষ্টি কৰা সহজ। Browser fingerprint অবিহনে প্ৰতিটো request গণনা কৰি তাক automation বুলি কোৱা। অসুবিধাটো হ’ল এনে সংখ্যাই এটা সিদ্ধান্ত সমৰ্থন কৰিব নোৱাৰে, কাৰণ কিমান অংশ বাস্তৱ সেয়া কাকোৱেই নাজানে।

Proof of Actor এনে ধৰণে নিৰ্মিত যে প্ৰতিটো সংখ্যাই প্ৰতিৰক্ষা কৰিব পৰা যায়। Verified result-সমূহ সেই check-ৰ পৰা আহে যি সঁচাকৈয়ে পাশ কৰিছে। Declaration-সমূহ declaration হিচাপেই label কৰা হয়। Inference-সমূহ inference হিচাপে label কৰা হয়। Unknown-এ Unknown হিচাপেই প্রতিবেদন কৰা হয়। আপুনি আপোনাৰ leadership, security team বা customer-লৈ agent traffic উপস্থাপন কৰোঁতে প্ৰতিটো সংখ্যা ক’ৰ পৰা আহিছে সেয়া স্পষ্টভাৱে ব্যাখ্যা কৰিব পাৰে।

ইয়াৰ ফলত analytics সময়ৰ সৈতে অধিক উপযোগী হৈ পৰে। Agent operator-এ RFC 9421 HTTP Message Signatures-ৰ ওপৰত ভিত্তি কৰি signed request গ্ৰহণ কৰাৰ লগে লগে, আৰু Web Bot Auth-ৰ দৰে standard work IETF webbotauth working group-ত আগবাঢ়ি যোৱাৰ লগে লগে, আপোনাৰ traffic-ৰ অধিক অংশ verified basis-লৈ সৰিব। আপুনি তাক কেনেকৈ পঢ়ে সেয়া সলনি নকৰাকৈয়ে আপোনাৰ chart অধিক স্পষ্ট হয়।

প্ৰথমে observation, তাৰ পাছত সিদ্ধান্ত

প্ৰতিটো Proof of Actor deployment observation mode-ত আৰম্ভ হয়। Result record কৰা হয়, analytics পূৰ্ণ হয়, আৰু আপোনাৰ application-এ আগৰ দৰে একেবাৰে সেই একে ধৰণে respond কৰি থাকে। সেই সময়ছোৱা আপোনাৰ team-এ baseline নিৰ্মাণ কৰিবলৈ, ইতিমধ্যে জনা outcome-ৰ সৈতে result তুলনা কৰিবলৈ, আৰু প্ৰথম সেই route-সমূহ চিনাক্ত কৰিবলৈ ব্যৱহাৰ কৰে য’ত policy-এ সঁচাকৈয়ে সহায় কৰিব।

আপুনি সাজু হ’লে এটা workflow-ৰ বাবে policy enable কৰে, effect মাপি চায়, আৰু তাৰ পৰা বিস্তাৰ কৰে। Proof of Actor স্থাপন কৰাৰ বাবে একো block নহয়। প্ৰতিটো enforcement decision আপোনাৰ।

founding developer program-ত যোগদান কৰক

Proof of Actor private beta-ত আছে। নিৰ্বাচিত founding developer team-এ agreed usage limits-ৰ ভিতৰত hands-on product feedback-ৰ বিনিময়ত 12 months পৰ্যন্ত free access পাব পাৰে। আপুনি direct integration support, নতুন capability-লৈ early access, আৰু roadmap-ত প্রভাব পায়।

যদি আপুনি এনে AI agent traffic analytics বিচাৰে য’ত আপোনাৰ সম্পূৰ্ণ team-এ ভৰসা কৰিব পাৰে, early access-ৰ বাবে আবেদন কৰক. আপোনাৰ application, আপোনাৰ বাবে সৰ্বাধিক গুৰুত্বপূর্ণ route আৰু আপোনাৰ analytics-এ কোন প্ৰশ্নৰ উত্তৰ দিয়া উচিত সেয়া আমাক কওক।

Proof of Actor অন্বেষণ কৰক, ই কেনেকৈ কাম কৰে চাওক, বা evidence কি স্থাপন কৰিব পাৰে পঢ়ক।

উৎস

OpenAI crawler-ৰ overview, OpenAI.
Known bot-traffic exclusion, Google Analytics Help.
RFC 9421: HTTP Message Signatures, IETF, February 2024.
Web Bot Auth (webbotauth) working group charter, IETF.

ডেভেলপারসকলৰ বাবে

What your code receives

Every interaction resolves to one result record. Your application reads the class and the basis and applies its own policy.

Result record

{
  "route": "GET /api/v1/catalog",
  "class": "agent",
  "basis": "verified",
  "evidence": [
    { "signal": "http_message_signature", "result": "valid", "keyid": "assistant.example" },
    { "signal": "client_declaration", "value": "assistant.example" }
  ],
  "observed_at": "2026-11-13T10:42:07Z"
}

class: Human, Human + AI, Agent বা Unknown।
basis: প্ৰমাণ কিমান শক্তিশালী: verified, declared, inferred বা unknown।
evidence: ফলাফলৰ পিছৰ signal, যাতে আপোনাৰ দলক কাৰণ দেখা যায়।

observation mode-ত আৰম্ভ কৰক: আপোনাৰ log-ৰ কাষে ফলাফল record কৰক আৰু আপুনি policy বাছি নলৈকে একো সলনি নকৰিব। Node.js integration guide পঢ়ক

সঘনাই সোধা প্ৰশ্নসমূহ

AI agent traffic analytics কি?

ই হৈছে আপোনাৰ application-ৰ activity-ৰ কিমান অংশ মানুহ, AI-ৰ সৈতে কাম কৰা মানুহ, autonomous agent আৰু unidentified source-ৰ পৰা আহে সেয়া route, workflow আৰু সময় অনুসৰি ভাগ কৰি মাপাৰ প্ৰক্ৰিয়া।

ই মোৰ web analytics tool-ৰ পৰা কেনেকৈ পৃথক?

Web analytics tool মানুহৰ visit আৰু campaign গণনা কৰিবলৈ নিৰ্মিত। Proof of Actor-এ প্ৰতিটো interaction-ত কোন বা কি act কৰি আছে সেয়া শ্রেণীবদ্ধ কৰে, ফলাফৰৰ পিচৰ evidence দেখুৱায়, আৰু page-ৰ লগতে API আৰু MCP server-কো সামৰি লয়।

ই API আৰু MCP traffic অন্তর্ভুক্ত কৰে নেকি?

হয়। Server-side আৰু MCP integration-এ API call আৰু tool call-লৈ actor context আনে, য’ত প্ৰায়েই agent activity সৰ্বাধিক থাকে।

সংখ্যাবোৰ অনুমানৰ ওপৰত আধাৰিত নেকি?

প্ৰতিটো classification-এ তাৰ ভিত্তি দেখুৱায়: verified, declared, inferred বা unknown। আপুনি basis অনুসৰি আপোনাৰ analytics filter কৰিব পাৰে, সেয়ে verified agent traffic আৰু inferred agent traffic কেতিয়াও একেলগে মিশ্ৰিত নহয়।

ই মোৰ app-এ কেনেকৈ respond কৰে সেয়া সলনি কৰে নেকি?

ডিফল্টভাৱে নহয়। Analytics observation mode-ত চলে। আপোনাৰ team-এ policy enable কৰাৰ পিছতহে আপোনাৰ app-এ আচৰণ সলনি কৰে।

মই access কেনেকৈ পাম?

Early access-ৰ বাবে আবেদন কৰক। নিৰ্বাচিত founding developer team-এ agreed usage limits-ৰ ভিতৰত 12 months পৰ্যন্ত free access পাব পাৰে।

আপোনাৰ app ক কোনে ব্যৱহাৰ কৰিছে জানক।

এটা সৰু founding developer দলৰ বাবে private beta।

Early Access লওক মূল্য তালিকা চাওক

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