ওয়ার্প, যা AI-চালিত টার্মিনাল এবং ডেভেলপমেন্ট পরিবেশ, ক্লাউড প্ল্যাটফর্মে স্বয়ংক্রিয়ভাবে উন্নত এজেন্ট আর্কিটেকচার নির্মাণ করেছে পুনরাবৃত্ত টাস্ক রিলিয়াবিলিটি সমস্যাগুলি সমাধান করতে। 2020 সালে Zach Lloyd কর্তৃ স্থাপিত ওয়ার্প এমন একটি সাধারণ সমস্যার মুখোমুখি যেখানে প্রথম প্রচেষ্টার একটি প্রম্পট যা টাস্কের 80% সঠিকতা অর্জন করে তা গোপন ব্যবহারকারীর অভিজ্ঞতা সৃষ্টি করে। দলটি প্রাথমিকভাবে ম্যানুয়ালি প্রম্পট পুনর্লিখন এবং উন্নত কন্টেক্স্ট ফাইলগুলি করার চেষ্টা করেছে, কিন্তু এটি পায় যে এই সমাধানগুলি স্কেল করতে পারে না। মূল সমস্যাটি ছিল যে এজেন্টদের প্রতিক্রিয়া সাধারণত সেশন শেষ হওয়ার সঙ্গে সঙ্গে গায়ব হয়, যা এজেন্ট লুপ থেকে গুরুত্বপূর্ণ প্রেক্ষাপট মুছে দেয়। ওয়ার্পের সমাধান হল একটি Agent Skills-ভিত্তিক ফ্রেমওয়ার্ক যেখানে প্রতিক্রিয়া সময়ের সাথে সঞ্চয়িত হয় এজেন্টের আউটপুট উন্নত করতে। আর্কিটেকচারটি দুটি ধরনের দক্ষতা থেকে গঠন: একটি অভ্যন্তরীণ/ভিত্তি দক্ষতা যা কার্যাত্মক ডোমেইন জ্ঞান এবং নির্দেশনাগুলি ধরে রাখে, এবং একটি বাহ্যিক/উন্নতিকর্তা দক্ষতা যা একজন পর্যবেক্ষক এজেন্ট হিসাবে কাজ করে। উন্নতিকর্তা একটি নির্ধারিত সময়সূচি অনুসারে চালিত হয়, জমে ওঠা মানব প্রতিক্রিয়া বের করে এবং এজেন্টের প্রস্তাবনাগুলি মানব প্রতিক্রিয়ার সাথে তুলনা করে ভিত্তি দক্ষতায় নির্দিষ্ট এডিট প্রস্তাব করে। যেহেতু দক্ষতাগুলি সাধারণ ফাইল, আপডেটগুলি পর্যালোচনা করা যায়, অনুমোদন করা যায় এবং স্বাভাবিক PR কর্মপ্রবাহের মাধ্যমে মার্জ করা যায়। একবার মার্জ করা হয়ে গেলে, অভ্যন্তরীণ দক্ষতার পরবর্তী চালনা উন্নতিটি উত্তরাধিকার সূত্রে পায়। ওয়ার্প এখন এই প্যাটার্নটি তার সম্পূর্ণ ওয়েট-সোর্স রেপোজিটরিতে চালাচ্ছে স্পেক রাইটিং, রিভিউ এবং ট্রায়েজ এজেন্টগুলি আলাদাভাবে, প্রতিটির নিজস্ব স্বয়ং-উন্নয়ন লুপ রয়েছে। এই ফ্রেমওয়ার্কটি সময়ের সাথে সঞ্চয়িত উন্নয়ন অনুমতি দেয় যা অপরিষ্কৃত প্রম্পটকে দূষিত করে না, যা আরও বিশ্বসনীয় AI-সহায়ত বিকাশের দিকে একটি টেকসই পথ তৈরি করে।