🤖 AI

Agentization of Digital Assets for the Agentic Web: Concepts, Techniques, and Benchmark

यह शोध पत्र A2A-एजेंटाइजेशन (A2A-Agentization) प्रक्रिया को औपचारिक रूप देकर, डिजिटल संपत्तियों को स्वायत्त एजेंटों में बदलने के लिए एक एजेंटाइजेशन एजेंट (Agentization Agent) विकसित करके, और इस रूपांतरण की निष्ठा एवं अंतर-संचालनीयता का कड़ाई से मूल्यांकन करने के लिए A2A-एजेंटाइजेशन बेंच (A2A-Agentization Bench) प्रस्तुत करके एजेंटिक वेब (Agentic Web) के लिए स्वचालित कार्यप्रणालियों की कमी को संबोधित करता है।

मूल लेखक: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zh

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zhang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: एक लाइब्रेरी से लेकर श्रमिकों की एक टीम तक

कल्पना कीजिए कि आज का इंटरनेट एक विशाल, अराजक लाइब्रेरी (पुस्तकालय) है। यह किताबों, औजारों, ब्लूप्रिंट और रेसिपी (ये हमारे डिजिटल एसेट्स/डिजिटल संपत्तियां हैं) से भरा हुआ है। अभी, यदि आप इस लाइब्रेरी से किसी विशिष्ट औजार का उपयोग करना चाहते हैं, तो एक इंसान को वहां जाना पड़ता है, उसे ढूंढना पड़ता है, उसका मैनुअल पढ़ना पड़ता है, उसे सेटअप करना पड़ता है और यह समझना पड़ता है कि इसका उपयोग कैसे किया जाए।

एजेंटिक वेब (Agentic Web) भविष्य का एक दृष्टिकोण है जहाँ इंटरनेट केवल स्थिर चीजों की लाइब्रेरी नहीं होगा, बल्कि एक हलचल भरा कार्यस्थल (workplace) होगा जो स्वायत्त श्रमिकों (AI Agents) से भरा होगा जो बिना मानवीय मदद के एक-दूसरे से बात कर सकते हैं, योजना बना सकते हैं और काम पूरा कर सकते हैं।

समस्या:
हमारे पास इन "औजारों" (कोड रिपॉजिटरी, दस्तावेज़, सॉफ़्टवेयर) के लाखों उदाहरण हैं जो यहाँ रखे हुए हैं। वे शक्तिशाली हैं, लेकिन वे "मूर्ख" (dumb) हैं। वे नए AI श्रमिकों से बात नहीं कर सकते। उन्हें काम पर लगाने के लिए, हमें वर्तमान में एक मानव प्रोग्रामर को नियुक्त करना पड़ता है जो पुराने टूल और नए AI के बीच मैन्युअल रूप से एक पुल बनाने के लिए काम करता है। यह धीमा, महंगा और बड़े पैमाने पर करना असंभव है।

समाधान (एजेंटाइजेशन - Agentization):
यह पेपर एजेंटाइजेशन (Agentization) नामक एक प्रक्रिया पेश करता है। इसे एक रोबोटिक फैक्ट्री के रूप में सोचें जो लाइब्रेरी से एक स्थिर, धूल भरे औजार को लेती है और उसे तुरंत एक आधुनिक, बात करने वाले AI कार्यकर्ता में अपग्रेड कर देती है जो टीम में शामिल हो सके।

तीन बड़ी बाधाएं ("यह कठिन क्यों है" वाला हिस्सा)

लेखक बताते हैं कि एक स्थिर टूल को स्मार्ट वर्कर में बदलना एक बर्फ के जमे हुए टुकड़े को तैरने वाली मछली में बदलने जैसा है। यह केवल उसे पिघलाने के बारे में नहीं है; आपको उसमें जीवन फूंकना होगा। उन्होंने तीन मुख्य समस्याओं की पहचान की है:

"खोई हुई चाबियों" की समस्या (असंगत वातावरण - Inconsistent Environments):
- उपमा: कल्पना कीजिए कि आपने एक शानदार कॉफी मशीन खरीदी, लेकिन जब आप इसे प्लग करते हैं, तो यह काम नहीं करती क्योंकि आपके पास सही वोल्टेज एडॉप्टर नहीं है, पानी का फिल्टर गायब है, या पावर आउटलेट टूटा हुआ है।
- पेपर में: पुराने सॉफ़्टवेयर को चलाने के लिए अक्सर विशिष्ट, जटिल सेटअप की आवश्यकता होती है। यदि AI कार्यकर्ता टूल का उपयोग करने की कोशिश करता है लेकिन "वातावरण" (environment) ठीक से सेट नहीं है, तो टूल क्रैश हो जाता है।
"सीक्रेट सॉस" की समस्या (असंरचित कौशल - Unstructured Skills):
- उपमा: आपके पास एक कुकबुक है, लेकिन रेसिपी गुप्त कोड में लिखी गई हैं, अलग-अलग पन्नों पर बिखरी हुई हैं और कुछ सामग्रियां हाशिए (margins) में छिपी हुई हैं। आप खाना पकाने के लिए बस किताब को "पढ़" नहीं सकते; आपको पहले उसे डिकोड करना होगा।
- पेपर में: सॉफ़्टवेयर के उपयोगी हिस्से उलझे हुए कोड में दबे होते हैं। AI को "अच्छी चीजों" को खोजना, उन्हें करीने से पैक करना और लेबल करना होता है ताकि अन्य AI कार्यकर्ता जान सकें कि उनका उपयोग कैसे करना है।
"नाम टैग" की समस्या (सिमेंटिक गैप - Semantic Gap):
- उपमा: आपके पास एक कमरे में एक शानदार मैकेनिक है, लेकिन वे नाम का टैग नहीं पहने हुए हैं। यदि आपको एक मैकेनिक की आवश्यकता है, तो आप उनके पास से गुजर जाते हैं क्योंकि आपको पता ही नहीं चलता कि वे वहां हैं।
- पेपर में: भले ही टूल काम करता हो, अन्य AI कार्यकर्ताओं को एक स्पष्ट "ID कार्ड" (जिसे एजेंट कार्ड कहा जाता है) की आवश्यकता होती है जो कहता है, "मैं एक वीडियो एडिटर हूँ," या "मैं एक फाइनेंस कैलकुलेटर हूँ।" इसके बिना, टूल्स सहयोग करने के लिए एक-दूसरे को नहीं ढूंढ पाते।

"एजेंटाइजेशन एजेंट": जादुई फैक्ट्री

इसे हल करने के लिए, लेखकों ने एक विशेष AI बनाया है जिसे एजेंटाइजेशन एजेंट (Agentization Agent) कहा जाता है। इस एजेंट को हमारी फैक्ट्री में एक सुपर-इंटेलिजेंट फोरमैन (सुपरवाइजर) के रूप में सोचें।

जब आप इसे एक सॉफ़्टवेयर (जैसे एक कोड रिपॉजिटरी) देते हैं, तो यह चार चरणों में काम करता है:

वर्कशॉप सेटअप करना: यह एक आदर्श वातावरण बनाता है ताकि सॉफ़्टवेयर बिना क्रैश हुए चल सके।
कौशल निकालना (Extracting Skills): यह उलझे हुए कोड को पढ़ता है, उपयोगी फंक्शन्स को ढूंढता है, और उन्हें साफ, पुन: प्रयोज्य (reusable) "टूल्स" में बदल देता है।
वर्कर को काम पर रखना: यह एक दिमाग (एक आंतरिक एजेंट) बनाता है जो समस्याओं को हल करने के लिए उन टूल्स का उपयोग करना जानता है।
ID कार्ड प्रिंट करना: यह एक स्पष्ट, मानकीकृत प्रोफाइल (एजेंट कार्ड) बनाता है ताकि अन्य AI कार्यकर्ता इस काम को ढूंढ सकें और काम पर रख सकें।

"एजेंटाइजेशन बेंच": ड्राइविंग टेस्ट

हमें कैसे पता चलेगा कि यह फैक्ट्री वास्तव में काम करती है? आप केवल यह नहीं कह सकते कि "यह अच्छा दिखता है।" आपको एक परीक्षण की आवश्यकता है।

लेखकों ने एक बेंचमार्क (मानकीकृत परीक्षण) बनाया है जिसे A2A-Agentization Bench कहा जाता है।

टेस्ट ट्रैक: उन्होंने 35 अलग-अलग "टूल्स" (जैसे वीडियो एडिटर, केमिस्ट्री कैलकुलेटर और वेब स्क्रेपर्स) को इकट्ठा किया और 500+ विशिष्ट कार्य बनाए।
दो ग्रेड:
1. फिडेलिटी (Fidelity - क्या यह काम कर गया?): क्या नए AI कार्यकर्ता ने वास्तव में कार्य को सही ढंग से पूरा किया? (जैसे, क्या उसने वास्तव में वीडियो एडिट किया?)
2. इंटरऑपरेबिलिटी (Interoperability - क्या यह फिट बैठा?): क्या अन्य AI कार्यकर्ता इस नए कार्यकर्ता को ढूंढ सके और मदद के लिए पूछ सके? (जैसे, क्या फाइनेंस AI ने रिपोर्ट बनाने के लिए वीडियो एडिटर को सफलतापूर्वक काम पर रखा?)

परिणाम: अच्छी खबर, बुरी खबर

लेखकों ने अपने फैक्ट्री का परीक्षण अन्य शीर्ष AI कोडिंग टूल्स के विरुद्ध किया।

अच्छी खबर: यह संभव है! सिस्टम ने सफलतापूर्वक स्थिर कोड को काम करने वाले, बात करने वाले AI एजेंटों में बदल दिया।
बुरी खबर: यह अभी भी कठिन है।
- कभी-कभी "वर्कशॉप सेटअप" विफल हो जाता है (टूल चलता ही नहीं है)।
- कभी-कभी "सीक्रेट सॉस" एक्सट्रैक्शन गलत होता है (AI ऐसी विशेषताएं बना देता है जो मौजूद ही नहीं हैं)।
- कभी-कभी "नाम टैग" बहुत अस्पष्ट होता है (अन्य AI समझ नहीं पाते कि टूल क्या करता है)।

यह क्यों महत्वपूर्ण है

यह पेपर भविष्य का एक रोडमैप है। यह हमें दिखाता है कि हम पहले से मौजूद अरबों सॉफ़्टवेयर टूल्स को कैसे ले सकते हैं और उन्हें स्वचालित रूप से अपग्रेड करके AI वर्कफोर्स में शामिल कर सकते हैं।

यदि हम सफल होते हैं, तो इंटरनेट केवल एक ऐसी जगह नहीं रह जाएगा जहाँ इंसान जानकारी खोजने जाते हैं। यह एक विशाल, स्व-संगठित अर्थव्यवस्था बन जाएगा जहाँ AI एजेंट एक-दूसरे को ढूंढते हैं, अपने कौशल को मिलाते हैं, और पूरी तरह से अपने आप जटिल समस्याओं (जैसे यात्रा की योजना बनाना, शेयर बाजार की गिरावट का विश्लेषण करना, या नई दवा डिजाइन करना) को हल करते हैं।

संक्षेप में: यह पेपर हमें सिखाता है कि अतीत के "मृत" टूल्स को भविष्य के "जीवित" श्रमिकों में कैसे बदला जाए।

यहाँ शोध पत्र "Agentization of Digital Assets for the Agentic Web: Concepts, Techniques, and Benchmark" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

एजेंटिक वेब (Agentic Web) एक ऐसे विकेंद्रीकृत पारिस्थितिकी तंत्र की कल्पना करता है जहाँ स्वायत्त एजेंट जटिल कार्यों को हल करने के लिए सहयोग करते हैं। हालाँकि, इस पारिस्थितिकी तंत्र की स्केलेबिलिटी वर्तमान में डोमेन-विशेष एजेंटों की निरंतर आपूर्ति के लिए एक स्केलेबल विधि के अभाव के कारण बाधित है। मैन्युअल एजेंट निर्माण महंगा, धीमा और विविधता लाने में कठिन है।

जबकि बड़ी मात्रा में डिजिटल एसेट्स (जैसे कोड रिपॉजिटरी, दस्तावेज़, सेवाएँ) मूल्यवान ज्ञान और कार्यक्षमता के वाहक के रूप में मौजूद हैं, वे स्थिर "डेटा आइलैंड्स" (data islands) बने हुए हैं। मुख्य चुनौती एजेंटाइजेशन (Agentization) है: इन स्थिर संपत्तियों को इंटरऑपरेबल, A2A (एजेंट-टू-एजेंट) प्रोटोकॉल-अनुपालन वाले एजेंटों में बदलने की स्वचालित प्रक्रिया।

लेखक इस प्रक्रिया को स्वचालित करने में, विशेष रूप से कोड रिपॉजिटरी के लिए, तीन प्राथमिक तकनीकी बाधाओं की पहचान करते हैं:

असंगत वातावरण (Inconsistent Environments): निर्भरताएँ (dependencies) अक्सर संघर्ष करती हैं, जिससे निष्पादन वातावरण (execution environment) को पुनरुत्पादित करना कठिन हो जाता है।
असंरचित कौशल (Unstructured Skills): मूल्यवान क्षमताएं बिना दस्तावेजीकृत कोड में छिपी होती हैं और उन्हें परमाणु (atomic), पुन: प्रयोज्य क्रियाओं में निकाला जाना चाहिए।
सिमेंटिक गैप (Semantic Gap): भले ही कोड चलता है, लेकिन इसमें स्पष्ट, खोज योग्य इंटरफेस (जैसे, एजेंट कार्ड) की कमी होती है जो अन्य एजेंटों द्वारा इसे समझने और कॉल करने के लिए आवश्यक हैं।

2. कार्यप्रणाली (Methodology)

A. एजेंटाइजेशन फ्रेमवर्क (The Agentization Framework)

यह शोध पत्र A2A-एजेंटाइजेशन प्रक्रिया को एक चार-चरणीय पाइपलाइन के रूप में औपचारिक रूप देता है जो एक रॉ रिपॉजिटरी ( $D_{repo}$ ) को एक अनुपालन एजेंट ( $A$ ) में बदल देती है:

एनवायरनमेंट सेटअप ( $E$ ): एक पुनरुत्पादित वातावरण (जैसे, कंटेनर इमेज, डिपेंडेंसी रेजोल्यूशन) का संश्लेषण करना ताकि संपत्ति का तर्क (logic) नियत रूप से (deterministically) चल सके।
- $E = G_{env}(W_{dep}, W_{conf})$
टूल्स के रूप में स्किल एक्सट्रैक्शन ( $T$ ): कोडबेस से कार्यात्मक इकाइयों को पहचानना, उन्हें लपेटना (wrap) और निष्पादन योग्य टूल्स के रूप में मान्य करना।
- $T = G_{tool}(D_{repo}, E)$
इनर एजेंट इंस्टेंशिएशन ( $A_{in}$ ): एजेंट के संज्ञानात्मक आर्किटेक्चर (जैसे, एक ReAct लूप) का निर्माण करना जो कार्यों की योजना बनाने और निष्पादित करने के लिए निकाले गए टूल्स को एकीकृत करता है।
- $A_{in} = G_{inner}(D_{repo}, E, T)$
फाइनल एजेंटाइजेशन (एजेंट कार्ड $C$ ): एक स्व-विवरण रजिस्ट्री (एजेंट कार्ड) उत्पन्न करना जो एजेंट की पहचान और उपलब्ध टूल्स का विवरण देता है, जिससे ऑर्केस्ट्रेटर द्वारा खोज संभव हो सके।
- $C = G_{card}(D_{repo}, T)$
- फाइनल एजेंट: $A = \{A_{in}, C\}$

B. द ए टू ए-एजेंटाइजेशन एजेंट (The Agentization Agent)

इस फ्रेमवर्क को निष्पादित करने के लिए, लेखक A2A-एजेंटाइजेशन एजेंट का प्रस्ताव करते हैं, जो एक स्वायत्त प्रणाली है जिसे तीन तकनीकी बाधाओं को हल करने के लिए डिज़ाइन किया गया है। यह एंड-टू-एंड रिपॉजिटरी विकास करता है, स्थिर कोड को एक सक्रिय, A2A-अनुपालन एजेंट में बदल देता है।

C. बेंचमार्क: A2A-एजेंटाइजेशन बेंच (The Benchmark: A2A-Agentization Bench)

इस क्षमता का कठोरता से मूल्यांकन करने के लिए, लेखक A2A-एजेंटाइजेशन बेंच पेश करते हैं, जो विशेष रूप से इस डोमेन के लिए डिज़ाइन किया गया पहला बेंचमार्क है।

डेटासेट: 9 डोमेन (जैसे, विजुअल प्रोसेसिंग, डॉक्यूमेंट ऑटोमेशन, केमिस्ट्री, फाइनेंस) में 35 विविध GitHub रिपॉजिटरी से क्यूरेट किया गया, जिसमें 522 मूल्यांकन उदाहरण शामिल हैं।
कार्य प्रकार (Task Types):
- सिंगल-रिपो टास्क: कैपेबिलिटी इनहेरिटेंस (fidelity) का मूल्यांकन करते हैं। क्या एजेंट रिपॉजिटरी से निकाले गए विशिष्ट कौशलों को सही ढंग से निष्पादित कर सकता है?
- मल्टी-रिपो टास्क: कोलेबोरेटिव एक्जीक्यूशन (interoperability) का मूल्यांकन करते हैं। क्या कई अलग-अलग एजेंटों की आवश्यकता वाले वर्कफ़्लो को हल करने के लिए एजेंटों को ऑर्केस्ट्रेट किया जा सकता है?
मूल्यांकन मेट्रिक्स:
- फिडेलिटी (Fidelity): सिंगल-रिपो टास्क पर निष्पादन सफलता दर (SR) द्वारा मापा जाता है।
- इंटरऑपरेबिलिटी (Interoperability): स्पेसिफिकेशन क्वालिटी (ग्राउंड ट्रुथ के साथ स्किल F1-स्कोर की तुलना करके) और ऑर्केस्ट्रेशन सफलता दर (एक समन्वयक द्वारा कार्यों को सही ढंग से रूट करने की क्षमता) द्वारा मापा जाता है।

3. प्रमुख योगदान (Key Contributions)

वैचारिक औपचारिकता (Conceptual Formalization): "डिजिटल एसेट्स के एजेंटाइजेशन" को एक रिपॉजिटरी-स्तरीय स्वायत्त विकास कार्य के रूप में परिभाषित किया, जो स्थिर डेटा से A2A-अनुपालन एजेंटों में परिवर्तन को औपचारिक रूप देता है।
A2A-एजेंटाइजेशन एजेंट: एक पूर्णतः स्वचालित फ्रेमवर्क प्रस्तावित किया जो व्यवस्थित रूप से एनवायरनमेंट सेटअप, स्किल एक्सट्रैक्शन और सिमेंटिक डिस्क्रिप्शन जनरेशन को संभालता है।
A2A-एजेंटाइजेशन बेंच: 35 रिपॉजिटरी और 522 कार्यों के साथ एक व्यापक बेंचमार्क बनाया, जो स्वचालित एजेंट जनरेशन की फिडेलिटी और इंटरऑपरेबिलिटी के मूल्यांकन के लिए पहला मानक स्थापित करता है।
अनुभवजन्य विश्लेषण (Empirical Analysis): इस नए संदर्भ में अत्याधुनिक कोडिंग एजेंटों (Claude Code, Codex, OpenHands, EnvX) का कठोर मूल्यांकन किया, और विशिष्ट विफलता मोड की पहचान की।

4. प्रयोगात्मक परिणाम और विश्लेषण (Experimental Results & Analysis)

लेखकों ने बेंचमार्क का उपयोग करके चार फ्रेमवर्क (Claude Code, Codex CLI, OpenHands, EnvX) का मूल्यांकन किया।

चरण 1 (प्रक्रिया सफलता): Claude Code और EnvX ने 100% एजेंटाइजेशन सफलता दर (Pass@1) प्राप्त की, सफलतापूर्वक वैध स्कीमा के साथ एजेंट तैनात किए। अन्य बेसलाइन संघर्ष करते रहे, जिन्हें एनवायरनमेंट कॉन्फ़िगरेशन के लिए कई प्रयासों की आवश्यकता पड़ी।
चरणक 2 (कैपेबिलिटी इनहेरिटेंस): Claude Code ने उच्चतम समग्र निष्पादन सफलता दर (36.9%) प्राप्त की, जिसके बाद बारीकी से EnvX (35.1%) आया। यह रेखांकित करता है कि निष्पादन फिडेलिटी के लिए मजबूत एनवायरनमेंट सेटअप (EnvX की ताकत) महत्वपूर्ण है।
चरण 3 (कोलेबोरेटिव एक्जीक्यूशन):
- स्पेसिफिकेशन क्वालिटी: EnvX और Claude Code ने उच्चतम स्किल F1-स्कोर (~66% और ~63%) प्राप्त किया, जो बेहतर स्व-विवरण क्षमताओं को दर्शाता है।
- ऑर्केस्ट्रेशन: उच्च स्पेसिफिकेशन क्वालिटी का बेहतर ऑर्केस्ट्रेशन सफलता के साथ सहसंबंध था। हालांकि, मल्टी-एजेंट परिदृश्यों में OpenHands ने निम्न ऑर्केस्ट्रेशन स्कोर के बावजूद उच्चतम फाइनल एक्जीक्यूशन सक्सेस रेट (46.2%) प्राप्त किया, जो सुझाव देता है कि इसका निष्पादन इंजन अत्यधिक मजबूत है, भले ही टास्क रूटिंग अपूर्ण हो।

पहचाने गए महत्वपूर्ण विफलता मोड (Critical Failure Modes):

एनवायरनमेंट प्री-कॉन्फ़िगरेशन: विफलताएं अक्सर अनसुलझी सिस्टम डिपेंडेंसी से उत्पन्न होती हैं, जिससे "स्टार्टअप फेलियर" या "अनयूजेबल स्किल्स" होते हैं। यह एजेंटों को महंगे रनटाइम डिबगिंग लूप (जैसे, मैन्युअल रूप से पाथ पैच करना या 150+ पैकेज फिर से इंस्टॉल करना) में धकेल देता है।
स्किल कंस्ट्रक्शन: एजेंट अक्सर API का भ्रम (hallucinate) पैदा करते हैं या गलत फंक्शन सिग्नेचर (जैसे, टाइप मिसमैच) उत्पन्न करते हैं, जिससे वैध सिमेंटिक इनपुट भी अस्वीकार हो जाते हैं।
कैपेबिलिटी स्पेसिफिकेशन: खराब एजेंट कार्ड (अस्पष्ट विवरण या जेनेरिक लेबल) ऑर्केस्ट्रेटर्स को विशिष्ट एजेंट भूमिकाओं के बीच अंतर करने से रोकते हैं, जिससे डिस्पैच विफलता होती है।

5. महत्व (Significance)

यह कार्य आइसोलेटेड सॉफ्टवेयर टूल्स और पूरी तरह से जुड़े हुए एजेंटिक वेब के बीच के अंतर को पाटता है। यह प्रदर्शित करके कि डिजिटल एसेट्स को व्यवस्थित रूप से इंटरऑपरेबल एजेंटों में बदला जा सकता है, यह शोध पत्र एजेंटिक वेब के लिए एक स्केलेबल सप्लाई-साइड समाधान प्रदान करता है।

निष्कर्ष बताते हैं कि जबकि स्वचालित एजेंटाइजेशन संभव है, भविष्य के अनुसंधान को प्राथमिकता देनी चाहिए:

मजबूत एनवायरनमेंट प्री-कॉन्फ़िगरेशन को, ताकि रनटाइम डिबगिंग ओवरहेड को समाप्त किया जा सके।
विश्वसनीय स्किल कंस्ट्रक्शन को, ताकि निकाले गए टूल्स वास्तविक रिपॉजिटरी कार्यान्वयन से मेल खा सकें।
स्पष्ट स्व-विवरण (एजेंट कार्ड) को, ताकि प्रभावी मल्टी-एजेंट सहयोग और खोज को सक्षम किया जा सके।

A2A-एजेंटाइजेशन बेंच की शुरुआत न केवल यह मूल्यांकन करने के लिए एक नया मानक स्थापित करती है कि एक एजेंट टूल्स का कितनी अच्छी तरह उपयोग करता है, बल्कि यह भी कि मौजूदा कोडबेस से मौजूदा एजेंटों को एजेंटिक इकोसिस्टम में शामिल होने के लिए कितनी अच्छी तरह बनाया जा सकता है।