ai-agents-for-beginners

Using Agentic Protocols (MCP, A2A and NLWeb)

(ਉਪਰ ਦਿੱਤੀ ਚਿੱਤਰ ਨੂੰ ਕਲਿੱਕ ਕਰਕੇ ਇਸ ਪਾਠ ਦਾ ਵੀਡੀਓ ਵੇਖੋ)

ਜਿਵੇਂ-ਜਿਵੇਂ AI ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਵਧ ਰਹੀ ਹੈ, ਓਸੇ ਤਰ੍ਹਾਂ ਸਟੈਂਡਰਡਾਈਜੇਸ਼ਨ, ਸੁਰੱਖਿਆ ਅਤੇ ਖੁੱਲ੍ਹੇ ਨਵੋਨਮ ਖਿਆਲ ਲਈ ਪ੍ਰੋਟੋਕੋਲਾਂ ਦੀ ਲੋੜ ਵੀ ਵੱਧ ਰਹੀ ਹੈ। ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ 3 ਪ੍ਰੋਟੋਕੋਲਾਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ ਜੋ ਇਸ ਲੋੜ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ - Model Context Protocol (MCP), Agent to Agent (A2A) ਅਤੇ Natural Language Web (NLWeb).

Introduction

ਇਸ ਪਾਠ ਵਿੱਚ, ਅਸੀਂ ਇਹ ਕਵਰ ਕਰਾਂਗੇ:

• ਕਿਸ ਤਰ੍ਹਾਂ MCP AI ਏਜੰਟਾਂ ਨੂੰ ਬਾਹਰੀ ਟੂਲਾਂ ਅਤੇ ਡੇਟਾ ਤੱਕ ਐਕਸੈਸ ਦਿੰਦਾ ਹੈ ਤਾਂ ਜੋ ਉਪਭੋਗਤਾ ਦੇ ਕਾਰਜ ਪੂਰੇ ਹੋ ਸਕਣ।

• ਕਿਸ ਤਰ੍ਹਾਂ A2A ਵੱਖ-ਵੱਖ AI ਏਜੰਟਾਂ ਵਿਚਕਾਰ ਸੰਚਾਰ ਅਤੇ ਸਹਿਯੋਗ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

• ਕਿਵੇਂ NLWeb ਕਿਸੇ ਵੀ ਵੈਬਸਾਈਟ ਵਿੱਚ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਇੰਟਰਫੇਸ ਲਿਆਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ AI ਏਜੰਟ ਸਮੱਗਰੀ ਦੀ ਖੋਜ ਅਤੇ ਉਸ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰ ਸਕਦੇ ਹਨ।

Learning Goals

• ਪਛਾਣੋ MCP, A2A, ਅਤੇ NLWeb ਦੇ ਮੂਲ ਉਦੇਸ਼ ਅਤੇ ਲਾਭ AI ਏਜੰਟਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ।

• ਵੇਖਾਓ ਕਿ ਹਰ ਪ੍ਰੋਟੋਕੋਲ LLMs, ਟੂਲਾਂ, ਅਤੇ ਹੋਰ ਏਜੰਟਾਂ ਵਿਚਕਾਰ ਸੰਚਾਰ ਅਤੇ ਇੰਟਰੈਕਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਸੁਗਮ ਬਣਾਉਂਦਾ ਹੈ।

• ਪਛਾਣੋ ਕਿ ਜਟਿਲ ਏਜੈਂਟਿਕ ਸਿਸਟਮ ਬਣਾਉਣ ਵਿੱਚ ਹਰ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਅਲੱਗ ਭੂਮਿਕਾ ਕੀ ਹੈ।

Model Context Protocol

Model Context Protocol (MCP) ਇੱਕ ਖੁਲਾ ਮਿਆਰ ਹੈ ਜੋ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ LLMs ਨੂੰ ਸੰਦਰਭ ਅਤੇ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਨ ਦਾ ਇੱਕ ਸਟੈਂਡਰਡ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ “ਯੂਨੀਵਰਸਲ ਐਡੈਪਟਰ” ਨੂੰ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਸੋਤਰਾਂ ਅਤੇ ਟੂਲਾਂ ਨਾਲ ਇੱਕ ਸੁਸੰਗਤ ਤਰੀਕੇ ਨਾਲ ਜੁੜਨ ਯੋਗ ਬਣਾਂਦਾ ਹੈ ਜਿਸਨੂੰ AI ਏਜੰਟ ਜੋੜ ਸਕਦੇ ਹਨ।

ਅਸੀਂ MCP ਦੇ घटਕਾਂ, ਡਾਇਰੈਕਟ API ਵਰਤੋਂ ਨਾਲ ਤੁਲਨਾ ਕਰਦਿਆਂ ਲਾਭ, ਅਤੇ ਇਕ ਉਦਾਹਰਨ ਵੇਖਾਂਗੇ ਕਿ ਕਿਵੇਂ AI ਏਜੰਟ ਇੱਕ MCP ਸਰਵਰ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ।

MCP Core Components

MCP ਇੱਕ ਕਲਾਇੰਟ-ਸਰਵਰ ਆਰਕੀਟੈਕਚਰ ‘ਤੇ ਚਲਦਾ ਹੈ ਅਤੇ ਮੁੱਖ ਘਟਕ ਹਨ:

• Hosts ਉਹ LLM ਐਪਲੀਕੇਸ਼ਨ ਹਨ (ਉਦਾਹਰਨ ਲਈ ਇੱਕ ਕੋਡ ਸੰਪਾਦਕ ਜਿਵੇਂ VSCode) ਜੋ MCP ਸਰਵਰ ਨਾਲ ਕਨੈਕਸ਼ਨ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ।

• Clients ਹੋਸਟ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਅੰਦਰ ਕੰਪੋਨੈਂਟ ਹਨ ਜੋ ਸਰਵਰਾਂ ਨਾਲ ਇੱਕ-ਇੱਕ ਸੰਬੰਧ ਬਣਾਈ ਰੱਖਦੇ ਹਨ।

• Servers ਹਲਕੇ-ਫੁਲਕੇ ਪ੍ਰੋਗ੍ਰਾਮ ਹਨ ਜੋ ਖਾਸ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਪ੍ਰਕਟ ਕਰਦੇ ਹਨ।

ਪ੍ਰੋਟੋਕੋਲ ਵਿੱਚ ਤਿੰਨ ਮੁੱਖ ਪਰਿਮਾਨਕ ਸ਼ਾਮਲ ਹਨ ਜੋ MCP ਸਰਵਰ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਹਨ:

• Tools: ਇਹ ਵਿਲੱਖਣ ਕਾਰਵਾਈਆਂ ਜਾਂ ਫੰਕਸ਼ਨ ਹਨ ਜੋ ਇੱਕ AI ਏਜੰਟ ਕਿਸੇ ਕਾਰਜ ਨੂੰ ਕਰਨ ਲਈ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਮੌਸਮ ਸੇਵਾ “get weather” ਟੂਲ ਪ੍ਰਕਟ ਕਰ ਸਕਦੀ ਹੈ, ਜਾਂ ਇੱਕ ਈ-ਕਾਮਰਸ ਸਰਵਰ “purchase product” ਟੂਲ ਪ੍ਰਕਟ ਕਰ ਸਕਦਾ ਹੈ। MCP ਸਰਵਰ ਆਪਣੇ ਸਮਰੱਥਾਵਾਂ ਦੀ ਲਿਸਟ ਵਿੱਚ ਹਰ ਟੂਲ ਦਾ ਨਾਮ, ਵਰਣਨ, ਅਤੇ ਇਨਪੁੱਟ/ਆਉਟਪੁੱਟ ਸਕੀਮਾ ਪ੍ਰਚਾਰਿਤ ਕਰਦੇ ਹਨ।

• Resources: ਇਹ ਪੜ੍ਹਨ-ਕੇਵਲ ਡੇਟਾ ਆਈਟਮ ਜਾਂ ਦਸਤਾਵੇਜ਼ ਹਨ ਜੋ ਇੱਕ MCP ਸਰਵਰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਕਲਾਇੰਟ ਉਹਨਾਂ ਨੂੰ ਮੰਗ ‘ਤੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਫਾਇਲ ਸਮੱਗਰੀ, ਡੇਟਾਬੇਸ ਰਿਕਾਰਡ, ਜਾਂ ਲੌਗ ਫਾਇਲਾਂ ਸ਼ਾਮਲ ਹਨ। Resources ਲਿਖਤੀ ਹੋ ਸਕਦੀਆਂ ਹਨ (ਜਿਵੇਂ ਕੋਡ ਜਾਂ JSON) ਜਾਂ ਬਾਈਨਰੀ (ਜਿਵੇਂ ਚਿੱਤਰ ਜਾਂ PDF)।

• Prompts: ਇਹ ਪ੍ਰੀ-ਪਰਿਭਾਸ਼ਿਤ ਟੈਮਪਲੇਟ ਹਨ ਜੋ ਸੰਕੇਤਿਤ ਪ੍ਰੌਂਪਟ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨਾਲ ਵਧੇਰੇ ਜਟਿਲ ਵਰਕਫਲੋਆਂ ਲਈ ਸਹੂਲਤ ਹੁੰਦੀ ਹੈ।

Benefits of MCP

MCP AI ਏਜੰਟਾਂ ਲਈ ਖਾਸ ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ:

• Dynamic Tool Discovery: ਏਜੰਟ ਸਰਵਰ ਤੋਂ ਉਪਲਬਧ ਟੂਲਾਂ ਦੀ ਸੂਚੀ ਗਤੀਸ਼ੀਲ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ ਨਾਲ ਹੀ ਉਹਨਾਂ ਦੇ ਵਰਣਨਾਂ ਦੇ। ਇਹ ਪਾਰੰਪਰਿਕ APIs ਨਾਲ ਵੱਖ-ਵੱਖ ਹੈ, ਜਿਹੜੇ अक्सर ਇੰਟਿਗ੍ਰੇਸ਼ਨਾਂ ਲਈ ਸਥਿਰ ਕੋਡਿੰਗ ਦੀ ਲੋੜ ਰੱਖਦੇ ਹਨ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ ਕਿਸੇ ਵੀ API ਬਦਲਾਅ ਲਈ ਕੋਡ ਅਪਡੇਟ ਕਰਨੇ ਪੈਂਦੇ ਹਨ। MCP “ਇੱਕ ਵਾਰੀ ਇੰਟਿਗ੍ਰੇਟ ਕਰੋ” ਨਜ਼ਰੀਏ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵੱਧ ਢਲਨਸ਼ੀਲਤਾ ਮਿਲਦੀ ਹੈ।

• Interoperability Across LLMs: MCP ਵੱਖ-ਵੱਖ LLMs ‘ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਜੋ ਮੁੱਖ ਮਾਡਲ ਬਦਲਣ ਦੀ ਲਚੀਲਾਪਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਸਕੇ।

• Standardized Security: MCP ਇੱਕ ਸਟੈਂਡਰਡ ਪ੍ਰਮਾਣੀਕਰਨ ਵਿਧੀ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ, ਜੋ ਵੱਖ-ਵੱਖ MCP ਸਰਵਰਾਂ ਵਿੱਚ ਐਕਸੈਸ ਜੋੜਦੇ ਸਮੇਂ ਸਕੇਲਬਿਲਟੀ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ। ਇਹ ਤਰਾਂ-ਤਰਾਂ ਦੀਆਂ ਕੀਜ਼ ਅਤੇ ਪ੍ਰਮਾਣੀਕਰਨ ਕਿਸਮਾਂ ਨੂੰ ਪ੍ਰਬੰਧ ਕਰਨ ਨਾਲੋਂ ਸਧਾਰਣ ਹੈ ਜੋ ਪਾਰੰਪਰਿਕ APIs ਲਈ ਲੋੜੀਂਦੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।

MCP Example

ਕਲਪਨਾ ਕਰੋ ਕਿ ਇੱਕ ਉਪਭੋਗਤਾ MCP ਨਾਲ ਚੱਲਦੇ AI ਸਹਾਇਕ ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਇੱਕ ਉਡਾਣ ਬੁੱਕ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ।

1. Connection: AI ਸਹਾਇਕ (MCP ਕਲਾਇੰਟ) ਇੱਕ ਏਅਰਲਾਈਨ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ MCP ਸਰਵਰ ਨਾਲ ਜੁੜਦਾ ਹੈ।

2. Tool Discovery: ਕਲਾਇੰਟ ਏਅਰਲਾਈਨ ਦੇ MCP ਸਰਵਰ ਤੋਂ ਪੁੱਛਦਾ ਹੈ, “ਤੁਹਾਡੇ ਕੋਲ ਕਿਹੜੇ ਟੂਲ ਉਪਲਬਧ ਹਨ?” ਸਰਵਰ “search flights” ਅਤੇ “book flights” ਜਿਹੇ ਟੂਲਾਂ ਨਾਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।

3. Tool Invocation: ਤੁਸੀਂ ਫਿਰ AI ਸਹਾਇਕ ਨੂੰ ਕਹਿੰਦੇ ਹੋ, “ਕਿਰਪਾ ਕਰਕੇ Portland ਤੋਂ Honolulu ਲਈ ਇੱਕ ਉਡਾਣ ਖੋਜੋ।” AI ਸਹਾਇਕ ਆਪਣੀ LLM ਦੀ ਵਰਤੋਂ ਕਰਦਿਆਂ ਪਹਿਚਾਣਦਾ ਹੈ ਕਿ ਉਸਨੂੰ “search flights” ਟੂਲ ਕਾਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਪ੍ਰਸੰਗਿਕ ਪੈਰਾਮੀਟਰ (origin, destination) MCP ਸਰਵਰ ਨੂੰ ਭੇਜਦਾ ਹੈ।

4. Execution and Response: MCP ਸਰਵਰ, ਜੋ ਇੱਕ ਰੈਪਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਸਲ ਵਿੱਚ ਏਅਰਲਾਈਨ ਦੇ ਅੰਦਰੂਨੀ ਬੁਕਿੰਗ API ਨੂੰ ਕਾਲ ਕਰਦਾ ਹੈ। ਫਿਰ ਇਹ ਉਡਾਣ ਜਾਣਕਾਰੀ (ਉਦਾਹਰਨ ਲਈ JSON ਡੇਟਾ) ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ AI ਸਹਾਇਕ ਨੂੰ ਵਾਪਸ ਭੇਜਦਾ ਹੈ।

5. Further Interaction: AI ਸਹਾਇਕ ਉਡਾਣਾਂ ਦੇ ਵਿਕਲਪ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਉਡਾਣ ਚੁਣ ਲੈਂਦੇ ਹੋ, ਸਹਾਇਕ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹੀ MCP ਸਰਵਰ ‘ਤੇ “book flight” ਟੂਲ ਨੂੰ ਕਾਲ ਕਰੇ ਅਤੇ ਬੁਕਿੰਗ ਪੂਰੀ ਕਰੇ।

Agent-to-Agent Protocol (A2A)

ਜਿੱਥੇ MCP LLMs ਨੂੰ ਟੂਲਾਂ ਨਾਲ ਜੋੜਨ ‘ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ, ਉੱਥੇ Agent-to-Agent (A2A) protocol ਇੱਕ ਕਦਮ ਅੱਗੇ ਜਾਂਦਾ ਹੈ ਅਤੇ ਵੱਖ-ਵੱਖ AI ਏਜੰਟਾਂ ਵਿਚਕਾਰ ਸੰਚਾਰ ਅਤੇ ਸਹਿਯੋਗ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। A2A ਵੱਖ-ਵੱਖ ਸੰਸਥਾਵਾਂ, ਵਾਤਾਵਰਨਾਂ ਅਤੇ ਟੈਕ ਸਟੈਕਸ ਵਿੱਚ AI ਏਜੰਟਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਤਾਂ ਜੋ ਇੱਕ ਸਾਂਝਾ ਕਾਰਜ ਪੂਰਾ ਕੀਤਾ ਜਾ ਸਕੇ।

ਅਸੀਂ A2A ਦੇ ਘਟਕ ਅਤੇ ਲਾਭਾਂ ਦੀ ਜਾਂਚ ਕਰਾਂਗੇ, ਨਾਲ ਹੀ ਇਸਦਾ ਇਕ ਉਦਾਹਰਨ ਜੋ ਅਸੀਂ ਆਪਣੀ ਯਾਤਰਾ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ।

A2A Core Components

A2A ਏਜੰਟਾਂ ਵਿਚਕਾਰ ਸੰਚਾਰ ਯੋਗ ਬਣਾਉਣ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਉਪਭੋਗਤਾ ਦੇ ਉਪ-ਕਾਰਜ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਯੋਗ ਬਨਾਉਣ ‘ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ। ਪ੍ਰੋਟੋਕੋਲ ਦਾ ਹਰ ਘਟਕ ਇਸ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ:

Agent Card

ਜਿਵੇਂ MCP ਸਰਵਰ ਟੂਲਾਂ ਦੀ ਸੂਚੀ ਸਾਂਝੀ ਕਰਦਾ ਹੈ, ਇੱਕ Agent Card ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ:

• ਏਜੰਟ ਦਾ ਨਾਂ।
• ਇਹ ਜੋ ਆਮ ਕਾਰਜ ਪੂਰੇ ਕਰਦਾ ਹੈ ਦਾ ਵੇਰਵਾ।
• ਹੋਰ ਏਜੰਟਾਂ (ਜਾਂ ਇਨਸਾਨ ਉਪਭੋਗਤਾਵਾਂ) ਨੂੰ ਸਮਝਾਉਣ ਲਈ ਨਿਰਧਾਰਤ ਹੁਨਰਾਂ ਦੀ ਸੂਚੀ ਜਿਸ ਨਾਲ ਉਹ ਜਾਣ ਸਕਣ ਕਿ ਕਦੋਂ ਅਤੇ ਕਿਉਂ ਉਹ ਏਜੰਟ ਨੂੰ ਕਾਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
• ਏਜੰਟ ਦਾ ਮੌਜੂਦਾ Endpoint URL
• ਏਜੰਟ ਦਾ ਵਰਜ਼ਨ ਅਤੇ ਸਮਰੱਥਾਵਾਂ ਜਿਵੇਂ streaming responses ਅਤੇ push notifications।

Agent Executor

Agent Executor ਦੀ ਜਿੰਮੇਵਾਰੀ ਹੈ ਉਪਭੋਗਤਾ ਚੈਟ ਦਾ ਪ੍ਰਸੰਗ ਦੂਰੇ ਏਜੰਟ ਨੂੰ ਭੇਜਣਾ, ਦੂਰੇ ਏਜੰਟ ਨੂੰ ਇਹ ਸਮਝਣ ਲਈ ਲੋੜੀਂਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਕਾਰਜ ਪੂਰਾ ਕਰਨਾ ਹੈ। ਇੱਕ A2A ਸਰਵਰ ਵਿੱਚ, ਇੱਕ ਏਜੰਟ ਆਪਣੀ ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ (LLM) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਆਉਣ ਵਾਲੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਪਾਰਸ ਕਰਦਾ ਹੈ ਅਤੇ ਆਪਣੇ ਅੰਦਰੂਨੀ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਰਜਾਂ ਨੂੰ ਅੰਜਾਮ ਦਿੰਦਾ ਹੈ।

Artifact

ਜਦੋਂ ਦੂਰਾ ਏਜੰਟ ਮੰਗਿਆ ਗਿਆ ਕਾਰਜ مکمل ਕਰ ਲੈਂਦਾ ਹੈ, ਉਸਦੀ ਕਾਰਜ ਉਤਪਾਦ ਇੱਕ artifact ਵਜੋਂ ਬਣਾਈ ਜਾਂਦੀ ਹੈ। ਇੱਕ artifact ਵਿੱਚ ਏਜੰਟ ਦੇ ਕੰਮ ਦਾ ਨਤੀਜਾ, ਕੀ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਇਸਦਾ ਵਰਣਨ, ਅਤੇ ਪ੍ਰੋਟੋਕੋਲ ਰਾਹੀਂ ਭੇਜਿਆ ਗਿਆ ਟੈਕਸਟ ਸੰਦਰਭ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। Artifact ਭੇਜੇ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਦੂਰੇ ਏਜੰਟ ਨਾਲ ਸੰਪਰਕ ਬੰਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜਦ ਤੱਕ ਦੁਬਾਰਾ ਲੋੜ ਨਾ ਪਏ।

Event Queue

ਇਹ ਘਟਕ ਅਪਡੇਟਸ ਨੂੰ ਸੰਭਾਲਣ ਅਤੇ ਸੁਨੇਹੇ ਭੇਜਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਏਜੈਂਟਿਕ ਸਿਸਟਮਾਂ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ ਤੇ ਮਹੱਤਵਪੂਰਨ ਹੈ ਤਾਂ ਕਿ ਕੰਮ ਪੂਰਾ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਏਜੰਟਾਂ ਵਿਚਕਾਰ ਕਨੈਕਸ਼ਨ ਬੰਦ ਨਾ ਹੋਵੇ, ਖ਼ਾਸਕਰ ਜਦੋਂ ਕੰਮ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਵੱਧ ਸਮਾਂ ਲੱਗ ਸਕਦਾ ਹੈ।

Benefits of A2A

• ਵਧੀਕ ਸਹਿਯੋਗ: ਇਹ ਵਿਭਿੰਨ ਵਿਕਰੇਤਾ ਅਤੇ ਪਲੇਟਫਾਰਮਾਂ ਦੇ ਏਜੰਟਾਂ ਨੂੰ ਇੰਟਰੈਕਟ ਕਰਨ, ਪ੍ਰਸੰਗ ਸਾਂਝਾ ਕਰਨ, ਅਤੇ ਇਕੱਠੇ ਕੰਮ ਕਰਨ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਰਵਾਇਤੀ ਤੌਰ ‘ਤੇ ਅਲੱਗ ਸਿਸਟਮਾਂ ਵਿੱਚ ਬੇਹਿਬਾਨ ਏਕਤਾ ਸਹੂਲਤ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

• ਮਾਡਲ ਚੋਣ ਦੀ ਲਚੀਲਾਪਣ: ਹਰ A2A ਏਜੰਟ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਆਪਣੇ ਨਿਵੇਦਨਾਂ ਦੀ ਸਰਵਿਸ ਕਰਨ ਲਈ ਕਿਹੜਾ LLM ਵਰਤੇ, ਜਿਸ ਨਾਲ ਪ੍ਰਤੀ ਏਜੰਟ ਲਈ ਅਪਟੀਮਾਈਜ਼ ਕੀਤੇ ਜਾਂ ਫਾਈਨ-ਟਿਊਨ ਕੀਤੇ ਮਾਡਲ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਬਜਾਏ ਕਿ ਕੁਝ MCP ਪਰਿਸਥਿਤੀਆਂ ਵਿੱਚ ਇੱਕੋ LLM ਕਨੈਕਸ਼ਨ ਹੋਣ ਦੇ।

• ਬਿਲਟ-ਇਨ ਪ੍ਰਮਾਣੀਕਰਨ: ਪ੍ਰਮਾਣੀਕਰਨ ਸਿੱਧਾ A2A ਪ੍ਰੋਟੋਕੋਲ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ, ਜੋ ਏਜੰਟ ਇੰਟਰੈਕਸ਼ਨਾਂ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਸੁਰੱਖਿਆ ਫਰੇਮਵਰਕ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।

A2A Example

ਆਓ ਆਪਣੀ ਯਾਤਰਾ ਬੁਕਿੰਗ ਸਨੇਰੀਓ ਨੂੰ ਵਿਸਥਾਰ ਕਰੀਏ, ਪਰ ਇਸ ਵਾਰੀ A2A ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ।

1. User Request to Multi-Agent: ਇੱਕ ਉਪਭੋਗਤਾ “Travel Agent” A2A ਕਲਾਇੰਟ/ਏਜੰਟ ਨਾਲ ਇੰਟਰਾਖਟ ਕਰਦਾ ਹੈ, ਸੰਭਵਤ: “ਅਗਲੇ ਹਫਤੇ ਲਈ Honolulu ਲਈ ਪੂਰਾ ਟ੍ਰਿਪ ਬੁਕ ਕਰੋ, ਜਿਸ ਵਿੱਚ ਉਡਾਣਾਂ, ਇੱਕ ਹੋਟਲ, ਅਤੇ ਇੱਕ ਕਿਰਾਏ ਦੀ ਕਾਰ ਸ਼ਾਮਲ ਹੋਵੇ”।

2. Orchestration by Travel Agent: Travel Agent ਇਸ ਜਟਿਲ ਬੇਨਤੀ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਹ ਆਪਣੇ LLM ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਰਜ ਬਾਰੇ ਤਰਕ ਕਰਦਾ ਹੈ ਅਤੇ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਹੋਰ ਵਿਸ਼ੇਸ਼ ਏਜੰਟਾਂ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

3. Inter-Agent Communication: Travel Agent ਫਿਰ A2A ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਡਾਊਨਸਟ੍ਰੀਮ ਏਜੰਟਾਂ ਨਾਲ ਜੁੜਦਾ ਹੈ, ਜਿਵੇਂ “Airline Agent”, “Hotel Agent”, ਅਤੇ “Car Rental Agent” ਜੋ ਵੱਖ-ਵੱਖ ਕੰਪਨੀਆਂ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਹਨ।

4. Delegated Task Execution: Travel Agent ਇਹ ਨਿਰਧਾਰਿਤ ਟਾਸਕ ਇਨ੍ਹਾਂ ਵਿਸ਼ੇਸ਼ ਏਜੰਟਾਂ ਨੂੰ ਭੇਜਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ, “Find flights to Honolulu,” “Book a hotel,” “Rent a car”)। ਹਰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਏਜੰਟ ਆਪਣੇ-ਆਪਣੇ LLMs ਅਤੇ ਆਪਣੇ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ (ਜੋ ਸਵੈ-ਤੌਰ ‘ਤੇ MCP ਸਰਵਰ ਹੋ ਸਕਦੇ ਹਨ) ਬੁਕਿੰਗ ਦਾ अपना ਹਿੱਸਾ ਨਿਭਾਉਂਦਾ ਹੈ।

5. Consolidated Response: ਜਦੋਂ ਸਾਰੇ ਡਾਊਨਸਟ੍ਰੀਮ ਏਜੰਟ ਆਪਣੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਪੂਰੀਆਂ ਕਰ ਲੈਂਦੇ ਹਨ, Travel Agent ਨਤੀਜਿਆਂ (ਉਡਾਣ ਵੇਰਵੇ, ਹੋਟਲ ਪੁਸ਼ਟੀ, ਕਾਰ ਕਿਰਾਏ ਦੀ ਬੁਕਿੰਗ) ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਨੂੰ ਇੱਕ ਸੰਪੂਰਨ, ਚੈਟ-ਸਟਾਈਲ ਜਵਾਬ ਭੇਜਦਾ ਹੈ।

Natural Language Web (NLWeb)

ਵੈੱਬਸਾਈਟਾਂ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਇੰਟਰਨੈਟ ‘ਤੇ ਜਾਣਕਾਰੀ ਅਤੇ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਨ ਦਾ ਪ੍ਰਮੁੱਖ ਤਰੀਕਾ ਰਹੀਆਂ ਹਨ।

ਆਓ NLWeb ਦੇ ਵੱਖ-ਵੱਖ ਘਟਕਾਂ, NLWeb ਦੇ ਲਾਭ ਅਤੇ ਆਪਣੀ ਯਾਤਰਾ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਮਿਸਾਲ ਦੇ ਰਾਹੀਂ ਵੇਖੀਏ ਕਿ NLWeb ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।

Components of NLWeb

• NLWeb Application (Core Service Code): ਉਹ ਸਿਸਟਮ ਜੋ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਦੇ ਸਵਾਲਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦਾ ਹੈ। ਇਹ ਪਲੇਟਫਾਰਮ ਦੇ ਵੱਖ-ਵੱਖ ਹਿੱਸਿਆਂ ਨੂੰ ਜੁੜਦਾ ਹੈ ਤਾਂ ਜੋ ਜਵਾਬ ਬਣਾਏ ਜਾ ਸਕਣ। ਤੁਸੀਂ ਇਸਨੂੰ ਇੱਕ ਇੰਜਣ ਵਜੋਂ ਸੋਚ ਸਕਦੇ ਹੋ ਜੋ ਵੈਬਸਾਈਟ ਦੀਆਂ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ।

• NLWeb Protocol: ਇਹ ਵੈਬਸਾਈਟ ਨਾਲ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਇੰਟਰੈਕਸ਼ਨ ਲਈ ਇੱਕ ਮੂਲ ਨਿਯਮਾਂ ਦਾ ਸੈੱਟ ਹੈ। ਇਹ ਆਮ ਤੌਰ ‘ਤੇ JSON ਫਾਰਮੈਟ (ਅਕਸਰ Schema.org ਵਰਤ ਕੇ) ਵਿੱਚ ਜਵਾਬ ਭੇਜਦਾ ਹੈ। ਇਸਦਾ ਮਕਸਦ “AI Web” ਲਈ ਇੱਕ ਸਧਾਰਨ ਬੁਨਿਆਦ ਬਣਾਉਣਾ ਹੈ, ਜਿਸੇ ਤਰ੍ਹਾਂ HTML ਨੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਆਨਲਾਈਨ ਸਾਂਝਾ ਕਰਨ ਯੋਗ ਬਣਾਇਆ।

• MCP Server (Model Context Protocol Endpoint): ਹਰ NLWeb ਸੈੱਟਅੱਪ ਵੀ ਇੱਕ MCP ਸਰਵਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਸਦਾ ਅਰਥ ਇਹ ਹੈ ਕਿ ਇਹ ਹੋਰ AI ਸਿਸਟਮਾਂ ਨਾਲ ਟੂਲਾਂ (ਜਿਵੇਂ “ask” ਮੈਥਡ) ਅਤੇ ਡੇਟਾ ਸਾਂਝਾ ਕਰ ਸਕਦਾ ਹੈ। ਅਮਲ ਵਿੱਚ, ਇਹ ਵੈਬਸਾਈਟ ਦੀ ਸਮੱਗਰੀ ਅਤੇ ਸਮਰੱਥਾਵਾਂ ਨੂੰ AI ਏਜੰਟਾਂ ਲਈ ਉਪਯੋਗਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਾਈਟ “ਏਜੰਟ ਇਕੋਸਿਸਟਮ” ਦਾ ਹਿੱਸਾ ਬਣ ਸਕਦੀ ਹੈ।

• Embedding Models: ਇਹ ਮਾਡਲ ਵੈਬਸਾਈਟ ਸਮੱਗਰੀ ਨੂੰ ਨੰਬਰਾਤਮਕ ਪ੍ਰਤਿਨਿਧਤਵਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ vectors (embeddings) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ vectors ਮਸੀਨਾਂ ਲਈ ਮਿਲਾਪ ਅਤੇ ਖੋਜ ਕਰਨ ਯੋਗ ਅਰਥ ਸਮੇਤਦੇ ਹਨ। ਇਹਨਾਂ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਯੂਜ਼ਰ ਚੁਣ ਸਕਦੇ ਹਨ ਕਿ ਉਹ ਕਿਹੜਾ embedding ਮਾਡਲ ਵਰਤਣਾ ਚਾਹੁੰਦੇ ਹਨ।

• Vector Database (Retrieval Mechanism): ਇਹ ਡੇਟਾਬੇਸ ਵੈਬਸਾਈਟ ਸਮੱਗਰੀ ਦੇ embeddings ਨੂੰ ਸਟੋਰ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਕੋਈ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ, NLWeb ਤੇਜ਼ੀ ਨਾਲ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਜਾਣਕਾਰੀ ਲੱਭਣ ਲਈ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਇਹ ਸਮਾਨਤਾ ਅਧਾਰ ‘ਤੇ ਸੰਭਵ ਉੱਤਰਾਂ ਦੀ ਇੱਕ ਤੇਜ਼ ਸੂਚੀ ਦਿੰਦਾ ਹੈ। NLWeb ਵੱਖ-ਵੱਖ ਵੈਕਟਰ ਸਟੋਰੇਜ ਸਿਸਟਮਾਂ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ ਜਿਵੇਂ Qdrant, Snowflake, Milvus, Azure AI Search, ਅਤੇ Elasticsearch।

NLWeb by Example

ਫਿਰੋਂ ਆਪਣੇ ਯਾਤਰਾ ਬੁਕਿੰਗ ਵੈਬਸਾਈਟ ਨੂੰ ਦਿਖੋ, ਪਰ ਇਸ ਵਾਰੀ ਇਹ NLWeb ਨਾਲ ਚਲ ਰਹੀ ਹੈ।

1. Data Ingestion: ਯਾਤਰਾ ਵੈਬਸਾਈਟ ਦੇ ਮੌਜੂਦਾ ਪ੍ਰੋਡਕਟ ਕੈਟਲੌਗ (ਉਦਾਹਰਨ ਲਈ ਉਡਾਣ ਲਿਸਟਿੰਗ, ਹੋਟਲ ਵਰਣਨਾਂ, ਟੂਰ ਪੈਕੇਜ) Schema.org ਉਪਯੋਗ ਕਰਕੇ ਫਾਰਮੈਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਜਾਂ RSS ਫੀਡਾਂ ਰਾਹੀਂ ਲੋਡ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। NLWeb ਦੇ ਟੂਲ ਇਹ ਸੰਰਚਿਤ ਡੇਟਾ ਸੰਗ੍ਰਹਿ ਕਰਦੇ ਹਨ, embeddings ਬਣਾਉਂਦੇ ਹਨ, ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਲੋਕਲ ਜਾਂ ਰਿਮੋਟ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਟੋਰ ਕਰਦੇ ਹਨ।

2. Natural Language Query (Human): ਇੱਕ ਉਪਭੋਗਤਾ ਵੈਬਸਾਈਟ ‘ਤੇ ਆਉਂਦਾ ਹੈ ਅਤੇ ਮੈਨੂਜ਼ ਨੈਵੀਗੇਟ ਕਰਨ ਦੀ ਥਾਂ ਚੈਟ ਇੰਟਰਫੇਸ ਵਿੱਚ ਲਿਖਦਾ ਹੈ: “ਅਗਲੇ ਹਫਤੇ ਲਈ Honolulu ਵਿੱਚ ਤਲਾਬ ਵਾਲਾ ਪਰਿਵਾਰ-ਮਿੱਤਰ ਹੋਟਲ ਲੱਭੋ”।

3. NLWeb Processing: NLWeb ਐਪਲੀਕੇਸ਼ਨ ਇਹ ਪ੍ਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਇਹ ਸਮਝਣ ਲਈ ਪ੍ਰਸ਼ਨ ਨੂੰ ਇੱਕ LLM ਨੂੰ ਭੇਜਦਾ ਹੈ ਅਤੇ ਇਕੱਠੇ ਸਮੇਂ ਆਪਣੇ ਵੈਕਟਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸੰਬੰਧਿਤ ਹੋਟਲ ਲਿਸਟਿੰਗਾਂ ਲਈ ਖੋਜ ਕਰਦਾ ਹੈ।

4. Accurate Results: LLM ਡੇਟਾਬੇਸ ਤੋਂ ਮਿਲੇ ਖੋਜ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, “family-friendly,” “pool,” ਅਤੇ “Honolulu” ਮਾਪਦੰਡਾਂ ਦੇ ਆਧਾਰ ‘ਤੇ ਸਭ ਤੋਂ ਵਧੀਆ ਮੇਲ ਪਛਾਣ ਕੇ, ਇੱਕ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਜਵਾਬ ਫਾਰਮੈਟ ਕਰਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਜਵਾਬ ਵੈਬਸਾਈਟ ਦੇ ਐਕਚੁਅਲ ਹੋਟਲਾਂ ਦਾ ਹਵਾਲਾ ਦੇਂਦਾ ਹੈ, ਬਣਾਏ ਹੋਏ ਜਾਣਕਾਰੀਆਂ ਤੋਂ ਬਚਦਾ ਹੈ।

5. AI Agent Interaction: ਕਿਉਂਕਿ NLWeb ਇੱਕ MCP ਸਰਵਰ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਇੱਕ ਬਾਹਰੀ AI ਯਾਤਰਾ ਏਜੰਟ ਵੀ ਇਸ ਵੈਬਸਾਈਟ ਦੀ NLWeb ਇੰਸਟੈਂਸ ਨਾਲ ਜੁੜ ਸਕਦਾ ਹੈ। AI ਏਜੰਟ ਫਿਰ ਸਿੱਧਾ ਵੈਬਸਾਈਟ ਨੂੰ ask MCP ਮੈਥਡ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੁੱਛ ਸਕਦਾ ਹੈ: ask("Are there any vegan-friendly restaurants in the Honolulu area recommended by the hotel?"). NLWeb ਇੰਸਟੈਂਸ ਇਹ ਪ੍ਰੋਸੈਸ ਕਰੇਗਾ, ਆਪਣੀ ਰੈਸਟੋਰੈਂਟ ਜਾਣਕਾਰੀ ਦੀ ਡੇਟਾਬੇਸ (ਜੇ ਲੋਡ ਕੀਤੀ ਹੋਈ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਅਤੇ ਇੱਕ ਢਾਂਚਾਬੱਧ JSON ਜਵਾਬ ਵਾਪਸ ਕਰੇਗਾ।

Got More Questions about MCP/A2A/NLWeb?

Join the Microsoft Foundry Discord to meet with other learners, attend office hours and get your AI Agents questions answered.

Resources

• MCP for Beginners
• MCP Documentation
• NLWeb Repo
• Microsoft Agent Framework

---

ਜ਼ਿੰਮੇਵਾਰੀ ਤੋਂ ਇਨਕਾਰ: ਇਸ ਦਸਤਾਵੇਜ਼ ਦਾ ਅਨੁਵਾਦ ਏ.ਆਈ. ਅਨੁਵਾਦ ਸੇਵਾ Co-op Translator (https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਅਸੀਂ ਸ਼ੁੱਧਤਾ ਲਈ ਯਤਨ ਕਰਦੇ ਹਾਂ, ਪਰ ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਰੱਖੋ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਣਸਹੀਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਮੌਜੂਦ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਅਧਿਕਾਰਿਕ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਕਾਰਨ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਕਿਸੇ ਵੀ ਗਲਤਫਹਮੀਆਂ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ।

This site is open source. Improve this page.