মুখ্য সামগ্ৰীৰ পৰা এৰাই চাওক
তুলনা

Proof of Actor বনাম Mixpanel: product analytics আৰু actor evidence, একেলগে

Mixpanel-এ দলসমূহক বুজিবলৈ সহায় কৰে যে user-এ কেনেকৈ তেওঁলোকৰ product গ্ৰহণ কৰে আৰু ধরে ৰাখে। Proof of Actor-এ আপোনাৰ application-ক প্ৰতিটো interaction-ত কোন বা কি acting কৰিছে সেয়া কয়, তাৰ evidence সহ, আৰু আপোনাৰ code-কে কি কৰিব সেইটো নির্ধাৰণ কৰিবলৈ দিয়ে। এয়া কেনেকৈ তুলনা হয় আৰু কেনেকৈ একেলগে কাম কৰে, তলত দিয়া হৈছে।

Early Access লওকই কেনেকৈ কাম কৰে অন্বেষণ কৰক
Toshendra Sharma

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

Mixpanel এটা product analytics platform। দলসমূহে ইয়াক ব্যৱহাৰ কৰে কোন feature মানুহে গ্রহণ কৰে, funnel-ৰ ক’ত তেওঁলোকে বাদ যায়, আৰু কোনে পিছৰ সপ্তাহত পুনৰ আহে সেয়া জানিবলৈ। এই কামৰ বাবে ই উৎকৃষ্ট, আৰু বহু product team-ৰ বাবে user behavior-সম্পৰ্কীয় প্ৰশ্নৰ উত্তৰ য’ত পোৱা যায় সেই ঠাই ই।

এতিয়া এইবোৰৰ কাষতে এটা নতুন প্ৰশ্নো আছে। আপোনাৰ product-ৰ কিছুমান event এতিয়া আৰু কেৱল মানুহে click কৰাৰ ফল নহয়। সেয়া AI agent-ৰ পৰা আহে যি বাস্তৱ customer-ৰ হৈ কাম কৰিছে, AI assistant-ৰ সৈতে কাম কৰা মানুহৰ পৰা, আৰু এতিয়াও আপুনি ব্যাখ্যা কৰিব নোৱাৰা automation-ৰ পৰা। funnel পঢ়াৰ আগতে, তাত event সৃষ্টি কৰিল কে বা কি সেয়া অধিকাংশ সময়ত জানিব লাগিছে, আৰু আপোনাৰ application-এও সেই একে কথা সেই মুহূৰ্ততে জানিব লাগিছে যাতে সঁহাৰি দিব পাৰে। সেইটোৱেই AgentCredia-ৰ Proof of Actor-ৰ উদ্দেশ্য।

এই পৃষ্ঠাই দুয়োটাক ন্যায়সঙ্গতভাৱে তুলনা কৰিছে। তলৰ Mixpanel-ৰ তথ্য November 2026লৈকে Mixpanel-ৰ নিজৰ documentation-ৰ পৰা লোৱা হৈছে।

সংক্ষিপ্ত সংস্কৰণ

Mixpanel Proof of Actor
Main question user-সকলে কেনেকৈ adopt, convert আৰু retain কৰে? এই interaction-ত কোন বা কি acting কৰিছে, আৰু evidence কি?
Where it collects Client আৰু server SDK plus ingestion API; সম্ভৱ হলে server-side tracking কৰিবলৈ Mixpanel-এ পৰামৰ্শ দিয়ে Server middleware, edge, HTTP API, MCP server, আৰু approved browser collector
Agent and bot labels $mp_actor_type of agent, bot or none, user agent-ৰ পৰা classify কৰা Human, Human + AI, Agent বা Unknown, stated basis সহ
Verified agent identity Mixpanel-ৰ bot traffic documentation-ত বৰ্ণনা কৰা নাই Request signature published key-ৰ সৈতে মিলিলে Verified basis
AI-assisted people পৃথক class হিচাপে বৰ্ণনা কৰা নাই প্ৰথম শ্রেণীৰ result: Human + AI
Unclear traffic কোনো agent বা bot match নাপালে none label কৰা হয় Unknown হিচাপে report কৰা হয়, আৰু আপোনাৰ chosen fallback থাকে
Acts on traffic নহয়, ই event analyze কৰে Observation-ৰ পিছত আপোনাৰ নিজৰ code-ত আপোনাৰ policy অনুসৰি route কৰে

এই পৃষ্ঠাৰ বাকী অংশত প্ৰতিটো row বৰ্ণনা কৰা হৈছে।

Mixpanel-ৰ event model কিহৰ বাবে নিৰ্মিত

Mixpanel events আৰু সেইবোৰৰ সৈতে সংযুক্ত properties-ৰ ওপৰত নিৰ্মিত। আপুনি sign up, create project বা invite teammate-ৰ দৰে action instrument কৰে, plan বা platform-ৰ দৰে property যোগ কৰে, আৰু তাৰ পিছত সেই property-সমূহৰ ভিত্তিত funnel, retention curve, flow আৰু cohort নিৰ্মাণ কৰে। Mixpanel-ৰ প্ৰতিটো analysis question শেষত এই প্ৰশ্নলৈ আহে যে কোন event ঘটিল, কাকলৈ, আৰু কোন property value-সহ।

এই model-টোৱেই ঠিক সেই কাৰণ যে actor context তাত ইমান ভালকৈ fit হয়। actor label এটা কেৱল আন এটা property, আৰু ই আপোনাৰ event-ত সোমাই পৰিলেই প্ৰতিটো funnel আৰু retention chart তাক অনুসৰি ভাগ কৰিব পাৰি। Mixpanel-এ ইতিমধ্যে নিজৰ actor labelling-ৰ সৈতে এই দিশে আগবাঢ়িছে। খোলা প্ৰশ্নটো হৈছে সেই property-টোৰ ভিত্তি কি, আৰু request এতিয়াও handle হৈ থাকোঁতেই আপোনাৰ application-এ একে উত্তৰ ব্যৱহাৰ কৰিব পাৰিব নে নোৱাৰে।

Proof of Actor সেই উত্তৰ request path-তেই উৎপন্ন কৰে। প্ৰতিটো interaction-এ চাৰি class-ৰ এটাত পৰে: signals-এ যদি মানুহক সূচিত কৰে তেন্তে Human, কোনো supported integration-ৰ জৰিয়তে declared বা observed হোৱা AI assistance-সহ মানুহে কাম কৰিলে Human + AI, automated বা agent-origin interaction-ৰ বাবে Agent, আৰু evidence-এ বিশ্বাসযোগ্য determination সমর্থন নকৰিলে Unknown। প্ৰতিটো result-এ নিজৰ evidence basis উল্লেখ কৰে, verified, declared, inferred বা unknown, যাৰ ফলত property-টো label-ৰ পৰা stated strength থকা label-লৈ ৰূপান্তৰিত হয়।

প্ৰতিটো ক’ত চলে

Mixpanel client-side আৰু server-side tracking দুয়োটা দিয়ে। তাৰ choosing a tracking method documentation-এ সম্ভৱ হ’লে আপোনাৰ server-ৰ পৰা অধিকতম tracking কৰিবলৈ আৰু প্রয়োজন হলে client-side tracking যোগ কৰিবলৈ পৰামৰ্শ দিয়ে, আৰু কয় যে client-side tracking ad blocker-ৰ দ্বাৰা প্ৰভাবিত হয়।

Proof of Actor-ও server-side চলে, কিন্তু তাৰ স্থিতি বেলেগ। ই আপোনাৰ application-ৰ request path-ত থাকে: Node.js middleware, Next.js, আপুনি নিয়ন্ত্ৰণ কৰা edge layer, generic HTTP API বা আপোনাৰ MCP server-ত, approved page-সমূহত optional browser collector সহ। ইয়াৰ ফলত ই request-ৰ মুহূর্ততে signal দেখিব পাৰে, যেনে client-এ signature present কৰিছিল নে, client-এ নিজকে declare কৰিছিল নে, আৰু আপোনাৰ নিজৰ assistant-এ action লৈছিল নে। সম্পূৰ্ণ list-ৰ বাবে integrations page চাওক।

Mixpanel-এ bot আৰু AI agent কেনেকৈ handle কৰে

Mixpanel-এ এই ক্ষেত্ৰত বাস্তৱ support যোগ কৰিছে, আৰু সেই স্বীকৃতি পোৱাৰ যোগ্য। তাৰ bot traffic documentation অনুসৰি:

  • Mixpanel JavaScript library-এ default-তে known crawler-ৰ এটা সংক্ষিপ্ত তালিকা filter কৰে, য’ত Googlebot আৰু Bingbot অন্তর্ভুক্ত।
  • $ignore property set কৰি পঠোৱা যিকোনো event ingestion-ত drop হয়, সেয়ে আপুনি আপোনাৰ নিজৰ filtering logic লিখিব পাৰে।
  • Mixpanel-ৰ ingestion API-সমূহে প্ৰতিটো event-ৰ user agent classify কৰে আৰু $mp_actor_type (Actor Type) কে agent হিচাপে set কৰে যদি এটা LLM মানুহৰ হৈ কাম কৰিছে, bot হিচাপে generic automated traffic-ৰ বাবে যেনে crawler আৰু search indexer, বা none হিচাপে যেতিয়া কোনোটোৱেই খাটে নকৰে। যেতিয়া type agent বা bot হয়, $mp_actor_name (Actor Name)-এ classified identity ধৰি ৰাখে, যেনে GPTBot বা ClaudeBot।
  • Server-side tracking-ত classification Mixpanel-লৈ যোৱা request-ৰ user agent-ৰ ওপৰত ভিত্তি কৰে, যি আপোনাৰ server-ৰ HTTP library, যদিহে আপুনি end user-ৰ user agent forward নকৰে, উদাহৰণস্বৰূপে $mp_raw_user_agent-ত। Mixpanel-এ কয় যে অন্যথা classification ভুল হ’ব পাৰে।
  • Mixpanel-ৰ event immutable, সেয়ে ইতিমধ্যে record হোৱা bot event-সমূহ delete কৰাৰ সলনি analysis-ৰ পৰা বাদ দি handle কৰা হয়।

এইটো এটা উপযোগী reporting label। কিন্তু design অনুসৰি ই user agent string-ৰ পৰা আহৰণ কৰা label। User agent string self-reported আৰু নকল কৰা সহজ, যাৰ বিষয়ে user agent spoofing entry-ত আলোচনা কৰা হৈছে। আৰু documentation-এ AI assistance-সহ মানুহৰ বাবে কোনো class বা evidence অতি দুৰ্বল বুলি ক’ব পৰা কোনো উপায় বৰ্ণনা নকৰে।

$mp_actor_type আৰু Proof of Actor class, একেলগে

কাৰণ দুয়োটা result একেটা Mixpanel event-ত থাকিব পাৰে, সেয়ে সিহঁতৰ সম্পৰ্ক কেমন সেয়া দেখা সহায়ক:

$mp_actor_type ই কিহৰ ওপৰত ভিত্তি কৰে Proof of Actor class-এ কি যোগ কৰিব পাৰে
agent User-ৰ হৈ কাম কৰা LLM-ৰ বাবে user agent match Request-এ valid signature বহন কৰিলে verified basis-সহ Agent, বা অন্যথা declared বা inferred basis
bot Crawler আৰু indexer-ৰ বাবে user agent match Evidence-এ সমর্থন কৰিলে Agent, বা crawler-style user agent-টো অন্য কিবা-য়ে সমর্থন নকৰিলে Unknown
none User agent-ত কোনো agent বা bot match নহয় Human, Human + AI বা Unknown, যাতে assisted মানুহ আৰু unexplained traffic একেটা bucket-ত লুকাই নাথাকে

মূল পাৰ্থক্যবোৰ এই কথা পৰা আহে যে প্ৰতিটো উত্তৰ ক’ত উৎপন্ন হয়।

User agent string-ৰ বাহিৰৰ evidence। $mp_actor_type user agent-ৰ পৰা derive কৰা হয়, যি self-reported আৰু নকল কৰিবলৈ সহজ, user agent spoofing entry-এ যি ব্যাখ্যা কৰে। Verified Proof of Actor result-ৰ অৰ্থ হৈছে request signature এটা published key-ৰ সৈতে মিলাই চোৱা হৈছিল, HTTP Message Signatures ব্যৱহাৰ কৰি যি RFC 9421-ত সংজ্ঞায়িত আৰু Web Bot Auth-ত ব্যৱহৃত।

AI-assisted মানুহৰ বাবে এটা class। $mp_actor_type-ৰ অধীনত, assistant-ৰ সৈতে draft কৰা ব্যক্তি none-ত আন সকলো user-ৰ সৈতে একেলগে পৰে। Proof of Actor-এ Human + AI report কৰে যেতিয়া assistance supported integration-ৰ জৰিয়তে declared বা observed হয়, সেয়ে Mixpanel funnel-এ দেখুৱাব পাৰে AI-assisted user-সকলে তাড়াতাড়ি activate কৰে নে বেলেগ ঠাইত stall কৰে।

none-ৰ সলনি Unknown। none-ৰ অৰ্থ match পোৱা নগ'ল। Unknown-ৰ অৰ্থ evidence call কৰিবলৈ যথেষ্ট শক্তিশালী নাছিল, যি এটা বেলেগ আৰু অধিক উপযোগী statement। আপুনি route অনুসৰি Unknown rate track কৰিব পাৰে, আৰু handling Unknown traffic guide-এ fallback pattern-সমূহ আলোচনা কৰে।

আপোনাৰ tracking-ৰ মাজেৰে নোযোৱা event। Agent-সকলে UI-ৰ মাজেৰে click কৰাৰ সলনি প্ৰায়ে API আৰু MCP server কল কৰে। Proof of Actor-এ সেই interaction-সমূহ সেইখিনিতে classify কৰে, MCP tool call সহ; MCP servers use case চাওক।

Request time-ত এটা সিদ্ধান্ত। Mixpanel event-সমূহ immutable আৰু পিছৰ পৰা analyze কৰা হয়, যি analytics-ৰ বাবে সঠিক। Proof of Actor-এ আপোনাৰ application-ক route, class আৰু basis অনুসৰি allow, adapt, challenge, review-লৈ পঠাবলৈ বা rate-limit কৰিবলৈও দিয়ে। ই observation mode-ত আৰম্ভ হয়, সেয়ে আপুনি enforce কৰিবলৈ বাছনি নকৰালৈকে একো সলনি নহয়।

Mixpanel আৰু Proof of Actor একেলগে ব্যৱহাৰ কৰা

  1. Request-তে classify কৰক। Proof of Actor-এ আপোনাৰ application, API বা MCP server-ৰ প্ৰতিটো interaction-ৰ বাবে class আৰু basis return কৰে।
  2. দুটা event property যোগ কৰক। ইতিমধ্যে আপুনি পঠোৱা Mixpanel event-সমূহত class আৰু basis-কে property হিচাপে সংযুক্ত কৰক, উদাহৰণস্বৰূপে আপুনি actor_class আৰু actor_basis বুলি নাম দিয়া property। Server-side tracking-এ এইটো সহজ কৰে কাৰণ আপোনাৰ application-ত result থাকে।
  3. $mp_actor_type ও ৰাখক। End user-ৰ user agent forward কৰক যাতে Mixpanel-ৰ নিজৰ label সঠিক থাকে, আৰু দুয়োটা property তুলনা কৰক। য’ত সিহঁতৰ মতভেদ হয়, তাত কোন evidence-ত বিশ্বাস কৰিব লাগে Proof of Actor basis-এ কয়।
  4. আপুনি ইতিমধ্যে ব্যৱহাৰ কৰা report-সমূহ ভাগ কৰক। Funnel, retention আৰু flow actor class-অনুসৰি ভাগ কৰি চাওক যে agent-driven sign up-এ human-ৰ দৰে retain কৰে নে, বা AI-assisted user-সকলে তাড়াতাড়ি activation-ত উপনীত হয় নে। SaaS apps use case-এ দেখুৱায় যে এইটো ক’ত আটাইতকৈ গুৰুত্বপূর্ণ।
  5. য’ত গুৰুত্ব আছে তাত act কৰক। যি route-ত actor class-এ experience সলনি কৰিব লাগে সেইবোৰৰ বাবে policy লিখক। rolling out actor-aware policies safely guide-এ প্ৰক্ৰিয়াটো আলোচনা কৰে।

কেতিয়া কোনটো বাছিব

যেতিয়া আপোনাৰ প্ৰশ্ন product behavior-সম্পৰ্কীয় হয় তেতিয়া Mixpanel বাছক: activation, conversion, retention, feature adoption আৰু user-সকলে লোৱা path। তাৰ $mp_actor_type label analysis-ৰ ভিতৰত agent আৰু bot পৃথক কৰিবলৈ এটা ভাল প্ৰথম cut।

যেতিয়া আপোনাক সেই label-ত evidence লাগিব, AI-assisted user আপোনাৰ product-ৰ বাবে গুৰুত্বপূর্ণ হয়, আপোনাৰ agent traffic-ৰ বহু অংশ API বা MCP server-ৰ মাজেৰে আহে, বা আপোনাৰ application-এ report-ত নহয়, request time-তে সঁহাৰি দিব লাগিছে তেতিয়া Proof of Actor যোগ কৰক। Mixpanel-এ আপোনাক কয় আপোনাৰ product কেনেকৈ ব্যৱহৃত হয়। Proof of Actor-এ আপোনাক কয় প্ৰতিটো interaction-ত কোনে ব্যৱহাৰ কৰিছে, evidence সহ, আৰু আপোনাৰ code-কে তাৰ ওপৰত act কৰিবলৈ এটা উপায় দিয়ে।

আৰম্ভ কৰক

Proof of Actor private beta-ত আছে। founding developer program-ৰ জৰিয়তে, নিৰ্বাচিত দলসমূহে agreed usage limit-ৰ ভিতৰত 12 months পৰ্যন্ত বিনামূলীয়া access পেতে পাৰে, automatic billing নোহোৱাকৈ। early access-ৰ বাবে আবেদন কৰক আৰু আপোনাৰ product আৰু বুজিব বিচৰা interaction-সমূহৰ বিষয়ে আমাক কওক।

Mixpanel হৈছে Mixpanel, Inc.-ৰ এটা trademark.

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

Proof of Actor-ৰ বাবে মোক Mixpanel সলনি কৰিব লাগিব নেকি?

নহয়। funnel, retention আৰু product event analysis-ৰ বাবে Mixpanel এতিয়াও সঠিক tool। Proof of Actor-এ প্ৰতিটো interaction-ত evidence basis সহ actor classification যোগ কৰে আৰু আপোনাৰ application-ক তাৰ ওপৰত route কৰিবলৈ দিয়ে। অধিকাংশ দল Mixpanel ৰাখে আৰু Proof of Actor যোগ কৰে.

মই actor class-সমূহ Mixpanel-লৈ পঠাব পাৰিম নেকি?

হয়। আপোনাৰ application-এ Proof of Actor-ৰ প্ৰতিটো result গ্ৰহণ কৰে, সেয়ে আপুনি actor class আৰু basis-কে আপোনাৰ ইতিমধ্যে track কৰা event-সমূহৰ event বা user property হিচাপে যোগ কৰিব পাৰে। তাৰ পিছত আপুনি Mixpanel funnel আৰু retention-কে Human, Human + AI, Agent আৰু Unknown অনুসাৰে ভাগ কৰিব পাৰে.

Mixpanel-এ ইতিমধ্যে agent label কৰে। তেতিয়া Proof of Actor কিয় যোগ কৰিব লাগে?

Mixpanel-ৰ documentation অনুসৰি, November 2026লৈকে, তাৰ Actor Type property user agent-ৰ পৰা classify কৰা হয়। Proof of Actor-এ প্ৰতিটো result-ৰ basis উল্লেখ কৰে, HTTP Message Signatures ব্যৱহাৰ কৰি agent identity verify কৰিব পাৰে, AI-assisted মানুহক Human + AI হিচাপে report কৰে, evidence অতি পাতল হলে Unknown return কৰে, আৰু আপোনাৰ code-কে result-টোৰ ওপৰত act কৰিবলৈ policy দিয়ে.

Mixpanel-এ default-তে bot filter কৰে নেকি?

Mixpanel-ৰ documentation অনুসৰি, তাৰ JavaScript library-এ default-তে known crawler-ৰ এটা সংক্ষিপ্ত তালিকা filter কৰে, আৰু আপুনি $ignore property set কৰি অন্য event বাদ দিব পাৰে। তাৰ ingestion API-সমূহেও প্ৰতিটো event-ৰ বাবে agent, bot বা none হিচাপে Actor Type যোগ কৰে, যি আপুনি report-ত filter কৰিব পাৰে.

Proof of Actor-এ কিবা block কৰে নেকি?

নহয়। ই observation mode-ত আৰম্ভ হয় আৰু install কৰাৰ লগে লগে একো সলনি নকৰে। আপুনি real traffic-ৰ বিপৰীতে policy preview কৰে আৰু আপোনাৰ নিজৰ code-ত route by route enforce কৰে.

Proof of Actor server-side tracking-ৰ সৈতে কাম কৰে নেকি?

হয়। Proof of Actor Node.js middleware, Next.js, edge, generic HTTP API আৰু MCP server-সমূহত চলে, সেয়ে ই সেই interaction-সমূহ classify কৰে যি browser-লৈকে নাযায়.

আপোনাৰ app ক কোনে ব্যৱহাৰ কৰিছে জানক।

এটা সৰু founding developer দলৰ বাবে private beta।

Early Access লওকমূল্য তালিকা চাওক

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