এআই কাজের দক্ষতা রাডার | 2026-06-25

সবচেয়ে সুস্পষ্ট সংকেত আজ কতগুলি “স্মার্ট চ্যাটবট” পপ আপ হচ্ছে তা নয়, তবে পরিকাঠামোর আশেপাশের এজেন্টগুলি সম্পূরক হতে শুরু করেছে: দীর্ঘমেয়াদী মেমরি, সেশন পুনরুদ্ধার, সমান্তরাল সম্পাদন এবং কোড পর্যালোচনা, এগুলি সমস্তই এমন সরঞ্জাম হয়ে উঠছে যা সরাসরি কর্মপ্রবাহের সাথে সংযুক্ত হতে পারে৷ Another line is also very clear. MCP is still one of the main interfaces connecting models and external capabilities, and related projects have begun to move from “able to run” to “able to be managed, checked, and closed.”

##আইকারাস/ড্রাগন-ব্রেন

Dragon Brain is a project that provides persistent long-term memory for AI agents through MCP. নীচের স্তরটি জ্ঞান গ্রাফ, ভেক্টর পুনরুদ্ধার এবং GPU এম্বেডিংকে একত্রিত করে এবং দাবি করে যে সাধারণ প্রবেশদ্বার যেমন ক্লাউড, জেমিনি সিএলআই, কার্সার, উইন্ডসার্ফ এবং ভিএস কোড কপিলটের সাথে সংযোগ করতে সক্ষম হবে। এটি এখন দেখার মতো কারণ অনেক এজেন্ট ডেমো “এইবার কথা বলার পরে এটি ভুলে যান” এ আটকে আছে, যা সরাসরি দীর্ঘমেয়াদী প্রসঙ্গ এবং পুনরায় ব্যবহারযোগ্য জ্ঞান স্তরকে লক্ষ্য করে।

উন্নয়ন দলের জন্য, এটি প্রকল্পের সিদ্ধান্ত রেকর্ড করার জন্য উপযুক্ত হতে পারে, পুনরাবৃত্ত ত্রুটির সমস্যা সমাধান এবং দলের জ্ঞান সংগ্রহের জন্য উপযুক্ত হতে পারে; এটি ডেটা সংস্থার জন্যও উপযোগী, বিশেষ করে নথি, নোট এবং চ্যাটে ছড়িয়ে ছিটিয়ে থাকা তথ্য একত্রিত করার জন্য। ঝুঁকি হল যে সিস্টেম লিঙ্কগুলি ছোট নয়। জ্ঞান গ্রাফ, ভেক্টর লাইব্রেরি এবং এম্বেডিংয়ের মতো আরও উপাদান থাকলে, রক্ষণাবেক্ষণের খরচ এবং ডেটা পরিচালনার সমস্যাগুলিও বৃদ্ধি পাবে। এটি একটি লাইটওয়েট টুল মত নয়.

আসল লিঙ্ক: https://github.com/iikarus/Dragon-Brain

khoj-ai/khoj

Khoj is a self-hosted “AI second brain” that can find answers from web pages and local documents, and can also create custom agents, scheduled automation, and in-depth research tasks. The reason why it is worth watching is because what is really useful in such tools is often not chat, but whether the three things of “retrieval + task + scheduling” can be put together. এ ব্যাপারে খোজ তুলনামূলকভাবে সম্পূর্ণ বলে মনে হয়।

স্বতন্ত্র বিকাশকারীদের জন্য, এটি স্থানীয় জ্ঞানের ভিত্তি, তথ্য প্রশ্নোত্তর এবং প্রকল্পের পটভূমি পুনরুদ্ধারের জন্য উপযুক্ত; দলগুলির জন্য, এটি একটি জ্ঞান পোর্টালের মতো যা ধীরে ধীরে অভ্যন্তরীণ নথি এবং কর্মপ্রবাহের সাথে সংযোগ করতে পারে। The risk is that self-hosting will bring additional costs for deployment, indexing and model selection, especially if the document quality is average, the quality of the answers will also be significantly affected.

Original link: https://github.com/khoj-ai/khoj

wrtnlabs/autobe

autobe is an AI coding agent for TS backend. প্রকল্পের বিবরণ কম্পাইলার দক্ষতা এবং “ওয়ার্কিং কোড তৈরি করার” ক্ষমতার উপর জোর দেয়। It’s worth watching now, not because it’s another agent that “can write code”, but because it focuses on back-end services and compiler constraints, and the direction is more pragmatic than pure chat-style code generation.

If it is to be used in a workflow, it is more like a candidate tool for tasks such as back-end scaffolding, repetitive module generation, and interface layer templating. কোডিং এজেন্ট ডিজাইনে “দক্ষতা/কম্পাইলার প্রতিক্রিয়া” কীভাবে প্রবেশ করে তা পর্যবেক্ষণের জন্যও এটি উপযুক্ত হতে পারে। The risk is also very direct: the project’s slogan is very satisfying, but the actual effect depends on the specific code base and constraints. বিশেষ করে, উৎপন্ন ফলাফলকে সরাসরি লঞ্চযোগ্য কোড হিসেবে বিবেচনা করবেন না।

আসল লিঙ্ক: https://github.com/wrtnlabs/autobe

মিক্সপিক/অ্যামুক্স

amux হল একটি ওপেন সোর্স ক্লড কোড এজেন্ট মাল্টিপ্লেক্সার। Its core selling point is to use tmux to run many parallel AI coding agents in batches. এটি এখন দেখার মতো কারণ “মাল্টি-এজেন্ট প্যারালাল টেস্ট রান” অবশেষে একটি ধারণা থেকে একটি খুব নির্দিষ্ট এক্সিকিউশন লেয়ার টুলে পরিবর্তিত হয়েছে, যা পৃথক অনুসন্ধান, তুলনা এবং ব্যাচ প্রক্রিয়াকরণের জন্য উপযুক্ত।

উন্নয়ন এবং অটোমেশন কাজের জন্য, এটি সমান্তরালভাবে বিভিন্ন বাস্তবায়ন ধারণা যাচাই করতে, ব্যাচগুলিতে রিফ্যাক্টরিং সমাধান চালাতে এবং একই সময়ে একাধিক গুদামে পুনরাবৃত্তিমূলক কাজগুলি পরিচালনা করতে ব্যবহার করা যেতে পারে; এটি দলের সহযোগিতার জন্যও মূল্যবান, অন্তত এটি ম্যানুয়াল হাত থেকে কিছু কম-ঝুঁকিপূর্ণ কিন্তু সময়সাপেক্ষ পরীক্ষাগুলি কেড়ে নিতে পারে। ঝুঁকি হল সমান্তরাল প্রক্রিয়ার সংখ্যা বাড়ার সাথে সাথে খরচ, দ্বন্দ্ব এবং ফলাফল স্ক্রীনিং চাপ বৃদ্ধি পাবে। In the end, instead of saving time, the review pressure may be shifted back.

আসল লিঙ্ক: https://github.com/mixpeek/amux

ডিকলসওয়ার্থস্টোন/কোডিং_এজেন্ট_সেশন_সার্চ

এটি একটি ইউনিফাইড TUI এবং CLI টুল যা স্থানীয় কোডিং এজেন্টদের সেশন ইতিহাসের সূচীকরণ এবং অনুসন্ধান করার জন্য, কোডেক্স, ক্লাউড, জেমিনি, কার্সার, এইডার, ইত্যাদি সহ 11+ প্রদানকারীকে কভার করে৷ এটির মনোযোগ পাওয়ার কারণটি সহজ: এজেন্ট যত বেশি ব্যবহার করা হবে, ইতিহাস তত বেশি খণ্ডিত হবে৷ আপনি যদি শেষ কার্যকর প্রম্পট শব্দ, সঠিক ধারণা বা ব্যর্থ প্রচেষ্টা খুঁজে না পান তবে এটি সরাসরি কার্যকারিতা কমিয়ে দেবে।

For developers, it is suitable for prompt reuse, problem backtracking, and cross-tool handover; এটি ডেটা সংস্থার জন্যও সহায়ক, কারণ প্রকৃতপক্ষে অনেক মূল্যবান জ্ঞান আসলে এজেন্ট কথোপকথনে লুকিয়ে থাকে। ঝুঁকি হল যে এটি বেশ সংবেদনশীল স্থানীয় সেশন ডেটার সম্মুখীন হবে, সূচীকরণ, অনুমতি এবং ধারণ নীতিগুলি অবশ্যই নিজের দ্বারা পরিচালিত হবে এবং সরঞ্জাম পরিবর্তনের সাথে সাথে প্রদানকারীর অভিযোজনও ব্যর্থ হতে পারে।

Original link: https://github.com/Dicklesworthstone/coding_agent_session_search

zgsm-ai/costrict

Costrict একটি “এন্টারপ্রাইজগুলির জন্য কঠোর AI কোডার” হিসাবে অবস্থান করে এবং AI এজেন্ট, AI কোডরিভিউ এবং AI সমাপ্তি কভার করে। এটি স্পষ্টতই বিশুদ্ধ গতির চেয়ে গুণমান এবং স্পেসিফিকেশন নিয়ন্ত্রণের উপর বেশি দৃষ্টি নিবদ্ধ করে। এটি এখন দেখার মতো কারণ অনেক দলে কোড লিখতে পারে এমন একটি মডেলের আর অভাব নেই, তবে একটি ইঞ্জিনিয়ারিং শেল যা প্রজন্ম, পর্যালোচনা এবং সীমাবদ্ধতাকে একত্রিত করতে পারে।

If put into the team workflow, it may be suitable for code review assistance, intra-enterprise code generation constraints, and pre-checking before quality gate control; ব্যক্তিগত উন্নয়নে স্থাপন করা হলে, এটি “আরও রক্ষণশীল কোডিং এজেন্ট” এর জন্য একটি রেফারেন্স হিসাবে ব্যবহার করা যেতে পারে। ঝুঁকি হল যে এন্টারপ্রাইজ ওরিয়েন্টেশন মানে সাধারণত আরও নিয়ম, আরও কনফিগারেশন এবং আরও অনুমান। আপনি যদি এটির ভাল ব্যবহার করতে চান, তবে আপনাকে এখনও এটিকে বাস্তব গুদাম এবং বাস্তব নির্দিষ্টকরণের সাথে পরীক্ষা করতে হবে, অন্যথায় এটি প্রদর্শনের স্তরে থাকা সহজ হবে।

Original link: https://github.com/zgsm-ai/costrict

The most worthy direction to follow up on today is “making the agent manageable” rather than “making the agent more talkative”: long-term memory, session retrieval, parallel execution, code review and MCP access. একবার এই জিনিসগুলি একত্রিত হয়ে গেলে, এগুলি এমন জিনিসগুলির মতো হবে যা দৈনন্দিন বিকাশ এবং ডেটা পরিচালনার প্রক্রিয়াতে প্রবেশ করতে পারে।