What is the Model Context Protocol in AI?

The Model Context Protocol is an open standard that defines how AI models access external tools and data through a consistent interface. It decouples model behavior from bespoke integrations, enabling reusable servers and portable tool access across apps and models.

How does MCP compare to OpenAI function calling?

OpenAI function calling is vendor-specific and great for quick integrations with a single provider. MCP is model-agnostic and standardizes tool access across environments, making it better for multi-model or multi-surface copilots.

Is the Model Context Protocol production-ready for enterprises?

It’s promising but still maturing. Enterprises can adopt MCP with layered security—auth, permissions, observability, and governance—while monitoring ecosystem best practices and server registries.

Can MCP replace LangChain or agent frameworks?

No. MCP standardizes the tool and resource plane, while frameworks like LangChain, AutoGen, or Semantic Kernel handle planning and orchestration. They are complementary: use MCP to expose tools to your chosen framework.

What are practical use cases for the Model Context Protocol?

Common use cases include IDE copilots with safe file access, enterprise copilots reading from CRMs and knowledge bases, retrieval over approved content, and ops automations like ticket triage or runbook execution.

क्या Model Context Protocol AI एजंटसाठी गहाळ साखळी आहे? एक थेट पुनरावलोकन

जर तुम्ही 2024-2025 मध्ये LLMs सोबत काम करत असाल, तर तुम्हाला नक्कीच अडचण आली असेल: मॉडेल्सना टूल्स, डेटाबेस आणि रिअल-टाइम सिस्टम्सशी जोडणे प्रत्येकवेळी नवीन काहीतरी शोधण्यासारखे वाटते. इथे येतो Model Context Protocol (MCP), एक खुला प्रोटोकॉल जो मॉडेल्सना टूल-वेअर, संदर्भ-समृद्ध आणि अ‍ॅप्स व रनटाइम्सदरम्यान परस्परसंवादाची क्षमता देतो. पण हे खरोखरच एआयला प्रत्यक्ष जगाशी जोडण्याचा मानक तयार करायला तयार आहे का, किंवा फक्त आणखी एक मॉझ आहे?

या विश्लेषणात्मक व धोरणात्मक पुनरावलोकनात, आपण MCP काय आहे, त्याची ताकद काय, त्यातील कमतरता आणि LangChain टूल अभिव abstractions, OpenAI फंक्शन कॉलिंग, आणि एजंट फ्रेमवर्क्सशी तुलना कशी होते हे पाहणार आहोत. आपण स्वीकारण्याचे निर्देश, सुरक्षा बाबी आणि आजच वापरता येतील असे व्यवहार्य प्रकरणे देखील पाहणार आहोत.

शेवटी, तुम्हाला कळेल की MCP तुमच्या संकलनामध्ये असावा का व मानक विकसित होत असताना कोणत्या बाबींकडे लक्ष द्यावे.

Model Context Protocol म्हणजे काय? (सोप्या भाषेत)

Model Context Protocol हा एक खुला मानक आहे जो AI मॉडेल्सना बाह्य टूल्स, डेटा आणि सिस्टम्सशी सातत्यपूर्ण इंटरफेसने जोडतो. प्रत्येक पुरवठादारासाठी वेगळे फंक्शन्स कडक कोड करण्याऐवजी, MCP एक सामायिक भाषा सुचवतो: सर्व्हर क्षमता (टूल्स, संसाधने, प्रॉम्प्ट्स) प्रदर्शित करतात; ग्राहक (IDE, अ‍ॅप्स, एजंट रनटाइम्स) त्यांना विचारतात; मॉडेल्सना संरचित संदर्भ व क्रिया मिळतात.

मुळ कल्पना: मॉडेल इंटरॅक्शनना विक्रेता लॉक-इन आणि खास API कडून वेगळे करणे.

व्यावहारिक वचनबद्धता: एकसारखे टूलिंग जेणेकरून एजंट एकाच प्रोटोकॉलने सर्च API कॉल करू शकेल, डेटाबेस क्वेरी करू शकेल, फाइल उघडू शकेल किंवा जॉब चालवू शकेल.

Thoughtworks चा विश्लेषण असा म्हणतो: MCP विकसकांना मॉडेल्सना जगाशी जोडण्याच्या पद्धतीला स्थिर करायचा प्रयत्न करतो, जो अनेक वेळा पुन्हा तयार केले जाणाऱ्या प्लंबिंगच्या स्तराला औपचारिक बनवतो.

एक स्वतंत्र गंभीर पुनरावलोकन थेट म्हणते: MCP आकर्षक आहे, पण त्याचा खरा फायदा स्पष्ट स्वीकार्यता वाटा, डेमो साठी बाहेर परस्परसंवाद आणि सुरक्षा, व जीवनचक्र व्यवस्थापनाच्या जवाबदाऱ्या यावर अवलंबून आहे.

समुदायाची भावना व्यावहारिक मध्यम मार्ग दाखवते: विकसकांना MCP "अत्यंत उपयुक्त" वाटते जेव्हा ते एजंटना सूचित टूल सर्व्हरशी जोडतात, विशेषतः पुनरावृत्तीयोग्य एकत्रीकरणांसाठी—तरीही सर्वत्र स्वीकारायला अजून वेळ लागेल.

MCP सध्या का महत्त्वाचा आहे

सत्य हा आहे: तुमचे टूल प्रवेशासाठीचे पर्याय आज विभागलेले आहेत.

OpenAI फंक्शन कॉलिंग खूप काटेकोर आणि सोपे आहे—पण ते एका पुरवठादारासाठी खास आहे, ज्यात डेटा स्कीमा आणि वर्तणुकीत फरक आहे.

LangChain आणि तत्सम लायब्ररी तुम्हाला टूलचे अभिव abstractions देतात—पण ते फ्रेमवर्क-केंद्रित आहेत व सिस्टम्समध्ये वायर प्रोटोकॉल नाहीत.

एजंट फ्रेमवर्क्स वाढत आहेत—प्रत्येक टूल्स, प्रॉम्प्ट्स, मेमरी, संदर्भ संच यांची वेगवेगळी व्याख्या वापरतात.

MCP प्रोटोकॉल स्तरावर मानकीकरणाचा प्रयत्न करते जेणेकरून:

एक MCP क्लायंट अनेक MCP सर्व्हरशी (डेटाबेस, फाइल सिस्टम, API) संवाद करू शकेल.

टूल्स अ‍ॅप्स आणि मॉडेल्समध्ये पोर्टेबल होऊ शकतील.

IDE, टर्मिनल आणि चॅट अ‍ॅप्स बिना खास अ‍ॅडॉप्टर एकसारख्या क्षमता देऊ शकतात.

MCP काय देते (अंतर्गत तपशील)

MCP हे टूल वापरणारे (क्लायंट) आणि टूल/डेटा देणारे (सर्व्हर) यांच्यातील चांगले बांधलेले करार समजा:

टूल रजिस्ट्री: शोधता येणारे, प्रकारबद्ध टूल्स जे संरचित तर्कांसह कॉल करता येतात.

संसाधन प्रवेश: फाइल्स, दस्तऐवज, डेटाबेस रांग लोड करण्याचे मानकीकृत मार्ग.

प्रॉम्प्ट आणि संदर्भ पुरवठा: अ‍ॅप्समध्ये समान प्रॉम्प्ट/टेम्प्लेट्स.

सत्र अर्थशास्त्र: हैंडशेक, क्षमता वाटाघाटी आणि सतत मेसेज एक्सचेंज.

यामुळे शक्य होते:

एकदाच तयार करा, अनेकदा वापरा: "सर्च सर्व्हर" किंवा "CRM सर्व्हर" लिहून अनेक प्रकल्पांमध्ये पुनर्वापर करा.

पुनरुत्पादनक्षम: टूल्स फक्त कोड नाहीत—ते मेटाडेटा, अधिकारांसह जाहिरात केलेल्या क्षमत आहेत.

IDE/एजंट अभिसरण: एकाच सर्व्हरने VS Code विस्तार आणि कस्टमर-फेसिंग कोपायलट चालवू शकतो.

Thoughtworks म्हणतो की MCP चा फायदा म्हणजे इंटरॅक्शन पृष्ठभाग निश्चित करणे, ज्याने लवकरच्या पिढीच्या AI प्रकल्पांतील ग्लू-कोड कर आकार कमी होतो.

MCP च्या सामर्थ्य व मर्यादा

ताकद

आंतरक्रियाशीलता: एकसारखा प्रोटोकॉल एकदाच जोडण्याचे प्रयत्न आणि विक्रेता लॉक-इन कमी करतो.

टूल जीवनचक्र: सर्व्हर्स आवृत्ती, चाचणी आणि मानकीकृत क्षमता म्हणून वितरण करता येतात.

अनेक पर्यावरणांपर्यंत पोहोच: एकाच सर्व्हरने CLI एजंट्स, चॅट UI, व IDE कोपायलट्स सेवा देऊ शकतो.

समुदाय-प्रेरित पर्यावरण: क्युरेटेड सर्व्हर सूची आणि उदाहरणे टीमस वेगाने रुजू होण्यास मदत करतात.

मर्यादा

सुरुवातीची प्रौढता: एंटरप्राइज-ग्रेड सुरक्षा, राजकारण व SLA अजून विकसित होत आहेत.

ऑपरेशनल गुंतागुंत: MCP सर्व्हर चालविणे व सुरक्षित करणे पूर्वाधिकार लावते.

मॉडेल-पुरवठादार फरक राहतो: MCP टूल बाजू मानकीकृत करते पण मॉडेलची वर्ती वेगळी असते.

पूर्ण एजंट फ्रेमवर्क नाही: नियोजन, स्मृती आणि समन्वय स्तर अजून आवश्यक आहेत.

MCP विरुद्ध पर्याय: केव्हा काय वापरावे

MCP विरुद्ध OpenAI फंक्शन कॉलिंग:

एकाच विक्रेता व जलद प्रोटोटायपिंगसाठी OpenAI फंक्शन्स निवडा, जिथे पोर्टेबिलिटी प्राथमिक नाही.

मल्टी-मॉडेल, मल्टी-पर्यावरण टूल प्रवेशासाठी आणि पुन्हा वापरायोग्य सर्व्हरसाठी MCP निवडा.

MCP विरुद्ध LangChain टूल्स:

LangChain फ्रेमवर्क-स्तरीय अभिव abstractions व समन्वय देते.

MCP हा एक प्रोटोकॉल आहे जो LangChain सोबत किंवा स्वतंत्रपणे वापरता येतो; हा एक साझा वायरिंगबद्दल आहे, नियोजनाचे स्थानापन्न नाही.

MCP विरुद्ध एजंट फ्रेमवर्क्स (AutoGen, CrewAI, Semantic Kernel):

एजंट फ्रेमवर्क्स नियोजन, भूमिका आणि समन्वय हाताळतात.

MCP त्यात मानकीकृत टूल्स/संसाधने पुरवतो जेने करून खास अ‍ॅडॉप्टर टाळता येतात.

MCP विरुद्ध रिअलटाइम API (उदा. स्ट्रीमिंग स्पीच, व्हिजन, इव्हेंट्स):

रिअलटाइम API कमी विलंब वाले मल्टीमोडल संवादावर लक्ष.

MCP बाह्य टूल्स आणि डेटाशी ब्रिज मानकीकृत करतो; आवाज एजंटसाठी दोन्ही वापरा.

सुरक्षा, शासन व अनुपालन: लक्षात घेतल्या जाणार्‍या बाबी

सुरक्षा ही एंटरप्राइझमध्ये प्रोटोकॉल जिवंत राहण्याचा किंवा मरायचा मुद्दा आहे. महत्त्वाच्या बाबी:

प्रमाणीकरण/अधिकाऱ्याचा अधिकार: क्लायंटना सर्व्हर व टूल्सशी योग्य अधिकार कसे मिळू शकतात? टोकन-आधारित प्रमाणपत्र, सेवा खाते, प्रति टूल धोरणे आवश्यक आहेत.

डेटा मर्यादा: फाइल्स व डेटाबेस प्रवेश कमीत कमी अधिकार व वातावरण पृथक्करण सुनिश्चित करा.

निरीक्षण: लॉगमध्ये इनपुट/आउटपुट टूल कॉलसाठी ठेवणे, पण रहस्ये लपवा.

दर मर्यादा व कोटा: MCP सर्व्हरने क्लायंटनिहाय बजेट काटेकोरपणे अंमलात आणावेत, दुरुपयोग टाळण्यासाठी.

शासन कार्यप्रवाह: सर्व्हर आवृत्ती, बदल पुनरावलोकन व खाजगी रजिस्ट्रीमधून प्रकाशन.

महत्त्वाच्या पुनरावलोकनांमध्ये अधिक प्रौढतेची गरज, बहुतेक संघांना स्वतःच्या सुरक्षा धोरणे तयार करावी लागतील तोपर्यंत पर्यावरणातील सर्वोत्तम पद्धती स्थिर होत नाहीत.

आजच वापरता येणाऱ्या व्यवहार्य प्रकरणे

वास्तविक फाइल व रेपो प्रवेश असलेले IDE कोपायलट्स: फाइल वाचन/लेखन, टेस्ट रनर व पॅकेज मॅनेजर MCP टूल म्हणून द्या जेणेकरून तुमचा कोडिंग सहाय्यक पुनर्लेखन, चाचण्या चालवणे, व गार्डरेळसह कमिट मसुदा तयार करू शकेल.

डेटा अनुपालन असलेले एंटरप्राइझ कोपायलट्स: MCP सर्व्हर्सद्वारे CRM/ERP/BI चे वाचन-फक्त दृष्य पुरवठा करा; रांग-स्तरीय परवानग्या व लेखा नोंदी सांगा.

नियंत्रित विषयांसाठी पुनर्प्राप्ती: MCP वापरून मान्यताप्राप्त ज्ञान भंडार व धोरणांच्या तुकड्यांना उघडा; मॉडेल कधीही थेट कच्च्या सिस्टममध्ये स्पर्श करत नाही.

ऑप्स ऑटोमेशन: तिकीट वर्गीकरण, अपघात रनबुक व तैनाती प्लेबुक्स टूल्स म्हणून—एजंट्सद्वारे स्पष्ट पावलांनी ट्रिगर करता येणारे.

विष्लेषण व SQL कार्यप्रवाह: डेटाबेस MCP सर्व्हर ज्यात परिमाणित क्वेरी व सुरक्षित परिणाम परीक्षण आहे.

समुदायाद्वारे क्युरेटेड MCP सर्व्हर सूची तुम्हाला लवकर सुरूवात करण्यास व तपासलेल्या एकत्रीकरणांसह मदत करतात.

विकसकांचा अनुभव: MCP सह बांधणी कशी आहे

सर्व्हर लेखक: टूल्सना नावे, इनपुट स्कीमा, आउटपुट स्वरूप, परवानग्या यांसह परिभाषित करा. हँडलर्स कार्यान्वित करा; MCP वाहतुकीतून प्रदर्शित करा.

स्थानिक चालवा, केंद्रीकृत तैनात करा: विकासासाठी स्थानिक सर्व्हरपासून प्रारंभ करा, मग संघांसाठी सामायिक वातावरणात तैनात करा.

ग्राहक कनेक्ट करा: तुमच्या चॅट UI, IDE प्लगइन किंवा MCP बोलणाऱ्या एजंट रनटाइमसह एकत्रीकरण करा.

करारांसह पुनरावृत्ती करा: तुमची टूल सूची व स्कीमा API प्रमाणे वागवा—आव्हाने संस्करण करा, चाचणी घ्या व प्रकाशन नोट्स तयार करा.

हे पध्दत मायक्रोसर्व्हिसेस अनुभवणाऱ्यांसाठी परिचित वाटते, पण यामुळे तुमचे "टूल सेवा" अनेक मॉडेल अनुभवांमध्ये पुनर्वापरयोग्य होतात.

स्वीकार्यता संकेत व पर्यावरणाची आरोग्य

प्रमुख सल्लागार कंपन्यांकडून विचारशील नेतृत्व सावधगिरीने आशावादी आहे, ज्याने फडफडपणपेक्षा व्यावहारिक फायद्यांवर भर दिला आहे.

स्वतंत्र विश्लेषक सुरक्षा, विश्वसनीयता, आणि मोठ्या प्रमाणावर सर्व्हर ऑपरेशनच्या खर्चाचा तपास करीत आहेत.

कार्यक्षम लोक सुरुवातीचे यशकथा व सर्व्हर निर्देशिका शेअर करतात, जे बांधकाम करणाऱ्यांमध्ये गाजत असलेल्या भूमितीची द्योतक आहे.

हे निश्चित नसले तरी, दिशा आशादायक आहे: मानक-चालित स्तर जो पुनरावृत्ती काम कमी करतो हा पर्यावरणासाठी नेमका गरज आहे.

2025 मध्ये MCP तुमच्या स्टॅकमध्ये कसे बसते

जर तुम्ही एकाच LLM विक्रेत्याशी जोडलेले एकल कोपायलट पाठवत असाल: स्थानिक फंक्शन कॉलिंगपासून सुरू करा; जिथे मल्टी-पर्यावरण पुनर्वापर दिसते तिथे MCP जोडा.

जर तुम्ही आंतरिक किंवा ग्राहक-समोर एक प्लॅटफॉर्म क्षमतांचे बांधणी करत असाल: खास अ‍ॅडॉप्टर टाळण्यासाठी लवकर MCP वापर कर; मुख्य सिस्टमसाठी आंतरिक सर्व्हर प्रकाशित करा.

जर तुम्ही एजंट फ्रेमवर्क्स चालवत असाल: MCP टूल प्लेन म्हणून वापरा; नियोजन/स्मृती तुमच्या आवडत्या फ्रेमवर्कसह ठेवा.

जर तुम्हाला कडक शासन आवश्यक असेल: MCP सर्व्हरवर एंटरप्राइझ प्रमाणीकरण, परवानगी, व लेखापरीक्षण थेट सुरुवातीपासून लागू करा.

तुमच्या संघाला ब्राउझरमध्ये प्रोटोटायपिंग करायची आहे आणि मॉडेल्सना वेब कंटेंट, PDF, व कोडिंग कार्यप्रवाहांशी जोडायचे आहे, हे लक्षात ठेवा की Sider.AI समोरच्या कोपायलटसारखे काम करू शकते आणि टूल प्रवेश मानकीकृत बॅकएंड्ससारखे MCP सर्व्हरवर सोपवते—याने UX व एकत्रीकरण स्तर वेगळे राहतात आणि मानक वाढत राहिल्याप्रमाणे लवचिकता टिकते.

व्यावहारिक रोलआउट योजना (90 दिवस)

1–2 आठवडे: दोन उच्च-मूल्य असलेले टूल्स (उदा. सर्च + DB वाचन) निवडा व स्कीमा तयार करा. प्रमाणपत्रांसहित मिनिमल MCP सर्व्हर तयार करा.

3–4 आठवडे: आंतरिक चॅट UI किंवा IDE प्लगइन कनेक्ट करा; 5–10 वापरकर्त्यांसह चाचणी करा. लॉग तयार करा व गार्डरेळ जोडा.

5–6 आठवडे: आणखी दोन टूल्स जोडा (उदा. तिकीट + फाइल लेखन पुनरावलोकन गेटसह). आवृत्तीकरण व SLA नोंदवा.

7–10 आठवडे: प्रत्यक्ष कार्यप्रवाहासह पायलट करा (समर्थन वर्गीकरण, विक्री Q&A किंवा कोड पुनर्लेखन). वेळ वाचवलेली व चुका मोजा.

11–12 आठवडे: उत्पादित करा: निरीक्षण, दर मर्यादा, रहस्य व्यवस्थापन, आपत्ती पुनर्प्राप्ती, व खाजगी सर्व्हर रजिस्ट्रि.

निष्कर्ष: तुम्ही MCP मध्ये पैज लावायला हवी का?

थोडक्यात: हो—जर तुम्हाला पोर्टेबिलिटी, शासन आणि मॉडेल व अ‍ॅप्समधील पुनर्वापर आवडत असेल. MCP तुमच्या एजंट लॉजिक किंवा पुरवठादार API ची जागा घेत नाही, पण ती तुम्हाला एकसारखे टूल प्लेन देते जे एकत्रीकरण कर कर आकार कमी करते व बहु-संपृष्ठ कोपायलटस वेगवान करते.

जिथे काळजी करावी: सुरक्षा व ऑपरेशन प्रौढता. जर तुम्ही नियंत्रित वातावरणात असाल, तर तुमचे नियंत्रण ठेवा आणि MCP सर्व्हरना मुख्य सेवांसारखे वागवा—साइडकार म्हणून नाही.

लक्ष द्यायची गोष्ट: खुल्या स्त्रोत सर्व्हरांचा वाढ, IDE/क्लायंट सपोर्ट, व प्रमाणीकरण व निरीक्षणासाठी स्पष्ट सर्वोत्तम पद्धती. जर हे जलद झाले तर MCP एआयला प्रत्यक्ष जगाशी जोडण्याचा मुख्य मार्ग बनेल.

मुख्य मुद्दे

Model Context Protocol मानकीकृत करतो की मॉडेल्स टूल्स व डेटाशी कसे प्रवेश मिळवतात, ग्लू कोड कमी करते व पोर्टेबिलिटी वाढवते.

हे सर्वात ताकदवान समान टूल प्लेन म्हणून आहे जे IDEs, चॅट अ‍ॅप्स व एजंट रनटाइममधील सामायिक उपयोगाला प्रोत्साहित करते; नियोजन फ्रेमवर्कचे स्थानापन्न नाही.

प्रारंभिक पर्यावरणातील अट्टळ आहे, पण एंटरप्रायझेसनी सुरक्षा, शासन व निरीक्षण जोडावे.

जर तुम्ही आधीच एजंट फ्रेमवर्क्स किंवा मल्टी-मॉडेल स्टॅक वापरत असाल, तर MCP नैसर्गिकरित्या बसतो आणि जलद फायदे देऊ शकतो.

शब्दकोश (सोप्या स्वरुपात)

MCP सर्व्हर: Model Context Protocol द्वारे टूल्स/संसाधने प्रदर्शित करणारी सेवा.

MCP क्लायंट: एक अ‍ॅप (IDE, चॅट UI, एजंट रनटाइम) जो सर्व्हर क्षमता शोधतो व कॉल करतो.

टूल: संरचित, प्रकारबद्ध क्रिया जी मॉडेल क्लायंटमार्फत वापरू शकतो.

संसाधन: बाह्य डेटा (फाइल्स, DB रांगा, दस्तऐवज) मानकीकृत इंटरफेसने उपलब्ध.

सामान्य प्रश्न

Q1: AI मधील Model Context Protocol काय आहे? Model Context Protocol हा एक खुला मानक आहे जो AI मॉडेल्सना बाह्य टूल्स व डेटाशी सातत्यपूर्ण इंटरफेसने प्रवेश कसा करावा हे परिभाषित करतो. तो मॉडेल वर्तनाला खास एकत्रीकरणांपासून वेगळे करतो, पुन्हा वापरता येणारे सर्व्हर व पोर्टेबल टूल प्रवेश सक्षम करतो.

Q2:MCP ची OpenAI फंक्शन कॉलिंगशी तुलना कशी आहे? OpenAI फंक्शन कॉलिंग ही विक्रेता-विशिष्ट आहे आणि एका पुरवठादारासाठी जलद एकत्रीकरणासाठी छान आहे. MCP मॉडेल-निरपेक्ष असून वातावरणांमधील टूल प्रवेश मानकीकृत करतो, ज्यामुळे मल्टी-मॉडेल किंवा मल्टी-संपृष्ठ कोपायलटसाठी हा उत्तम आहे.

Q3: Model Context Protocol एंटरप्राइझसाठी उत्पादन तयार आहे का? तो आशादायक आहे पण अजून प्रौढ होत आहे. एंटरप्राइझेस MCP स्वीकारू शकतात सुरक्षा, अधिकार, निरीक्षण व शासन स्तरांबरोबर, पर्यावरणातील सर्वोत्तम पद्धती व सर्व्हर रजिस्ट्रि निरीक्षण करत.

Q4: MCP LangChain किंवा एजंट फ्रेमवर्क्सची जागा घेऊ शकते का? नाही. MCP टूल व संसाधन स्तर मानकीकृत करतो, तर LangChain, AutoGen किंवा Semantic Kernel सारखे फ्रेमवर्क्स नियोजन व समन्वय सांभाळतात. ते पूरक आहेत: MCP वापरून निवडलेल्या फ्रेमवर्कसाठी टूल्स उघडा.

Q5: Model Context Protocol चे व्यवहार्य वापर काय आहेत? सामान्य वापरात येतात: सुरक्षित फाइल प्रवेश असलेले IDE कोपायलट्स, CRM व ज्ञान भांडारांमधून वाचणारे एंटरप्राइज कोपायलट्स, मान्यताप्राप्त विषयांवरून माहिती मिळवणे, व तिकीट वर्गीकरण, रनबुक अंमलबजावणी यांसारखी ऑप्स ऑटोमेशन.