एक AI एजेंट शक्तिशाली है। एक साथ काम करने वाले AI एजेंटों की टीम पूरी तरह से अलग श्रेणी है।
इसे सेव करें :)
6 मई, 2026 को, Anthropic ने अपने Code with Claude इवेंट में Claude Managed Agents के लिए मल्टी-एजेंट ऑर्केस्ट्रेशन की घोषणा की। अब आप एक ही कार्य पर समानांतर रूप से काम करने वाले 20 विशिष्ट एजेंटों को चला सकते हैं।
क्रमिक रूप से नहीं। समानांतर में। एक ही समय पर। प्रत्येक समस्या के एक अलग हिस्से को संभाल रहा है।
यह वही आर्किटेक्चर है जिसका उपयोग Netflix, Harvey (कानूनी AI कंपनी), और Shopify पहले से ही प्रोडक्शन में कर रहे हैं। Netflix इसका उपयोग सैकड़ों बिल्ड लॉग का एक साथ विश्लेषण करने के लिए करता है। Harvey इसका उपयोग कई दस्तावेज़ों में जटिल कानूनी कार्यों को समन्वित करने के लिए करता है। Shopify Q3 2026 तक 90% स्वायत्त कोडिंग की ओर बढ़ रहा है।
ये प्रयोग नहीं हैं। ये प्रोडक्शन सिस्टम हैं जो अभी स्केल पर चल रहे हैं।
और अपना खुद का बनाने के उपकरण सभी के लिए उपलब्ध हैं।
यहाँ बिल्कुल वैसा ही है कि शुरुआत से AI एजेंटों की एक टीम कैसे बनाएं, कौन से पैटर्न काम करते हैं, और किन गलतियों से बचना चाहिए।
मल्टी-एजेंट सिंगल-एजेंट से बेहतर क्यों है
एक सिंगल एजेंट एक कर्मचारी की तरह है। चाहे वे कितने भी प्रतिभाशाली क्यों न हों, वे एक समय में केवल एक ही काम कर सकते हैं। यदि कार्य के पाँच भाग हैं, तो वे उन्हें क्रमिक रूप से संभालते हैं: भाग एक, फिर भाग दो, फिर भाग तीन, फिर भाग चार, फिर भाग पाँच।
एक मल्टी-एजेंट सिस्टम एक टीम की तरह है। पाँच एजेंट, प्रत्येक कार्य के एक भाग में विशिष्ट, एक साथ काम कर रहे हैं। जो काम एक सिंगल एजेंट को 30 मिनट लगता है, वह पाँच एजेंटों की टीम को 6 मिनट लगता है।
लेकिन गति सबसे बड़ा लाभ भी नहीं है।
असली लाभ विशेषज्ञता है।
एक सिंगल एजेंट जिसे सब कुछ करने के लिए कहा जाता है — शोध, विश्लेषण, लेखन, कोडिंग, समीक्षा — हर मोर्चे पर औसत दर्जे के परिणाम देता है क्योंकि वह अपना ध्यान बहुत अधिक बिखेर रहा है।
विशिष्ट एजेंटों की एक टीम — एक शोधकर्ता, एक विश्लेषक, एक लेखक, एक कोडर, एक समीक्षक — हर मोर्चे पर उत्कृष्ट परिणाम देती है क्योंकि प्रत्येक एजेंट उस पर ध्यान केंद्रित करता है जो वह सबसे अच्छा करता है।
यही कारण है कि मानव टीमें जटिल परियोजनाओं पर व्यक्तियों से बेहतर प्रदर्शन करती हैं।
तीन मल्टी-एजेंट पैटर्न जो काम करते हैं
सभी मल्टी-एजेंट सेटअप एक जैसे नहीं बनाए जाते। कंपनियाँ इन प्रणालियों को कैसे तैनात कर रही हैं, इसका अध्ययन करने के बाद, तीन पैटर्न उभरे हैं जो लगातार काम करते हैं।
पैटर्न 1: पाइपलाइन
एजेंट क्रम में काम करते हैं, प्रत्येक अपना आउटपुट अगले को देता है।
शोध एजेंट → विश्लेषण एजेंट → लेखन एजेंट → समीक्षा एजेंट
यह सबसे अच्छा काम करता है जब प्रत्येक चरण में स्पष्ट इनपुट और आउटपुट होता है, और बाद के चरण पहले वाले पर निर्भर होते हैं। शोध एजेंट डेटा ढूँढता है। विश्लेषण एजेंट पैटर्न की पहचान करता है। लेखन एजेंट रिपोर्ट बनाता है। समीक्षा एजेंट त्रुटियों के लिए इसकी जाँच करता है।
प्रत्येक एजेंट अपने विशिष्ट कार्य के लिए एक केंद्रित सिस्टम प्रॉम्प्ट और प्रासंगिक टूल के साथ अनुकूलित होता है।
पैटर्न 2: फैन-आउट
एक कमांडर एजेंट एक बड़े कार्य को उप-कार्यों में तोड़ता है और उन्हें समानांतर में कई वर्कर एजेंटों को वितरित करता है।
कमांडर एजेंट असाइन करता है:
- वर्कर एजेंट 1 → दस्तावेज़ A का विश्लेषण करें
- वर्कर एजेंट 2 → दस्तावेज़ B का विश्लेषण करें
- वर्कर एजेंट 3 → दस्तावेज़ C का विश्लेषण करें
- वर्कर एजेंट 4 → दस्तावेज़ D का विश्लेषण करें
- वर्कर एजेंट 5 → दस्तावेज़ E का विश्लेषण करें
सभी पाँच वर्कर एक साथ चलते हैं। जब वे समाप्त करते हैं, तो उनके परिणाम एकत्र और संश्लेषित किए जाते हैं।
यह वह पैटर्न है जिसका उपयोग Netflix बिल्ड लॉग के विश्लेषण के लिए करता है। यह उन कार्यों के लिए आदर्श है जहाँ एक ही ऑपरेशन को कई वस्तुओं पर स्वतंत्र रूप से करने की आवश्यकता होती है।
पैटर्न 3: विशेषज्ञ टीम
विभिन्न विशेषज्ञताओं वाले कई एजेंट एक जटिल कार्य पर सहयोग करते हैं, प्रत्येक अपनी विशेषज्ञता का योगदान देता है।
एक उत्पाद लॉन्च के लिए, आपके पास हो सकता है:
- बाजार अनुसंधान एजेंट — प्रतिस्पर्धी डेटा और बाजार के रुझानों का विश्लेषण करता है
- तकनीकी एजेंट — व्यवहार्यता और आर्किटेक्चर विकल्पों का मूल्यांकन करता है
- वित्तीय एजेंट — लागत अनुमान और मूल्य निर्धारण मॉडल बनाता है
- कॉपी एजेंट — मार्केटिंग सामग्री और लैंडिंग पेज कॉपी लिखता है
- समीक्षा एजेंट — स्थिरता और गुणवत्ता के लिए सब कुछ जाँचता है
प्रत्येक एजेंट अपनी विशेषज्ञता के क्षेत्र में काम करता है। आउटपुट को एक व्यापक डिलिवरेबल में संयोजित किया जाता है।
यह वह पैटर्न है जिसका उपयोग Harvey कानूनी कार्यों के लिए करता है। विभिन्न एजेंट एक मामले के विभिन्न पहलुओं को संभालते हैं — शोध, मिसाल विश्लेषण, दस्तावेज़ प्रारूपण, अनुपालन जाँच — और परिणामों को एक पूर्ण कानूनी पैकेज में इकट्ठा किया जाता है।
चरण 1: अपनी टीम को परिभाषित करें
कुछ भी बनाने से पहले, इन सवालों के जवाब दें:
समग्र लक्ष्य क्या है? "साप्ताहिक प्रतिस्पर्धी विश्लेषण रिपोर्ट तैयार करना।"
अलग-अलग उप-कार्य क्या हैं? "प्रतिस्पर्धी वेबसाइटों पर शोध करना, मूल्य निर्धारण में बदलावों का विश्लेषण करना, उत्पाद लॉन्च की निगरानी करना, निष्कर्षों को संश्लेषित करना, रिपोर्ट लिखना।"
कौन से उप-कार्य समानांतर में चल सकते हैं? "शोध, मूल्य निर्धारण विश्लेषण, और उत्पाद निगरानी सभी एक साथ हो सकते हैं। संश्लेषण और लेखन को तब तक प्रतीक्षा करनी चाहिए जब तक वे पूरे न हो जाएँ।"
आप प्रत्येक उप-कार्य के लिए किस विशेषज्ञ को काम पर रखेंगे? "एक बाजार शोधकर्ता, एक मूल्य निर्धारण विश्लेषक, एक उत्पाद स्काउट, एक रणनीतिक विश्लेषक, और एक रिपोर्ट लेखक।"
प्रत्येक विशेषज्ञ अपने स्वयं के सिस्टम प्रॉम्प्ट, टूल और फोकस क्षेत्र के साथ एक एजेंट बन जाता है।
चरण 2: प्रत्येक एजेंट को डिज़ाइन करें
आपकी टीम में प्रत्येक एजेंट को तीन चीज़ों की आवश्यकता होती है:
एक स्पष्ट भूमिका। "आप एक प्रतिस्पर्धी मूल्य निर्धारण विश्लेषक हैं। आपका काम पाँच प्रतिस्पर्धी उत्पादों में मूल्य निर्धारण में बदलावों को ट्रैक करना और रुझानों की पहचान करना है।"
विशिष्ट उपकरण। मूल्य निर्धारण विश्लेषक को प्रतिस्पर्धी वेबसाइटों की जाँच करने के लिए वेब एक्सेस की आवश्यकता है। रिपोर्ट लेखक को दस्तावेज़ बनाने के लिए फ़ाइल एक्सेस की आवश्यकता है। बाजार शोधकर्ता को हाल की खबरें खोजने के लिए वेब सर्च की आवश्यकता है।
परिभाषित आउटपुट। "फ़ील्ड के साथ एक संरचित JSON फ़ाइल तैयार करें: competitor_name, product, old_price, new_price, date_changed, significance_rating।"
आउटपुट प्रारूप मायने रखता है क्योंकि यह वह तरीका है जिससे एजेंट संवाद करते हैं। यदि एजेंट A असंरचित टेक्स्ट तैयार करता है और एजेंट B को संरचित डेटा की आवश्यकता है, तो हैंडऑफ़ विफल हो जाता है।
एजेंटों में अपने आउटपुट प्रारूपों को मानकीकृत करें। यह सबसे महत्वपूर्ण तकनीकी निर्णय है जो आप करेंगे।
चरण 3: ऑर्केस्ट्रेशन बनाएँ
Claude Managed Agents के साथ, मल्टी-एजेंट ऑर्केस्ट्रेशन API में बनाया गया है। आप अपने एजेंटों, उनके संबंधों और वे कैसे संवाद करते हैं, इसे परिभाषित करते हैं — Anthropic बुनियादी ढाँचे को संभालता है।
मुख्य निर्णय:
कौन से एजेंट समानांतर में चलते हैं? जो एजेंट एक-दूसरे के आउटपुट पर निर्भर नहीं हैं, उन्हें गति को अधिकतम करने के लिए एक साथ चलना चाहिए।
कौन से एजेंट क्रमिक रूप से चलते हैं? जिन एजेंटों को किसी अन्य एजेंट के आउटपुट की आवश्यकता है, उन्हें तब तक प्रतीक्षा करनी चाहिए जब तक कि वह आउटपुट उपलब्ध न हो जाए।
एजेंट डेटा कैसे पास करते हैं? साझा वातावरण में फ़ाइलों के माध्यम से, संरचित आउटपुट प्रारूपों के माध्यम से, या सीधे एजेंट-टू-एजेंट संचार के माध्यम से।
जब कोई एजेंट विफल होता है तो क्या होता है? फ़ॉलबैक व्यवहार को परिभाषित करें। यदि मूल्य निर्धारण विश्लेषक किसी प्रतिस्पर्धी की वेबसाइट तक नहीं पहुँच सकता है, तो उसे विफलता को लॉग करना चाहिए और उपलब्ध डेटा के साथ जारी रखना चाहिए — पूरी पाइपलाइन को क्रैश नहीं करना चाहिए।
चरण 4: Dreaming के साथ मेमोरी जोड़ें
यह सबसे नई सुविधा है और यह दीर्घकालिक एजेंट प्रदर्शन के बारे में सब कुछ बदल देती है।
Dreaming एक शेड्यूल्ड बैकग्राउंड प्रक्रिया है जो एजेंट सत्रों के बीच चलती है। यह पिछले सत्रों की समीक्षा करती है, पैटर्न निकालती है, बार-बार होने वाली गलतियों की पहचान करती है, और एजेंट के मेमोरी स्टोर को क्यूरेट करती है।
व्यवहार में, इसका मतलब है कि आपकी एजेंट टीम समय के साथ स्मार्ट होती जाती है, बिना आपके मैन्युअल रूप से प्रॉम्प्ट अपडेट किए।
Harvey ने बताया कि अपने कानूनी एजेंटों पर Dreaming सक्षम करने से पूर्णता दर लगभग 6 गुना बढ़ गई। मॉडल बदलाव से नहीं — विशुद्ध रूप से एजेंटों द्वारा सत्रों में संस्थागत ज्ञान ले जाने से।
आपकी एजेंट टीम सचमुच अपने स्वयं के अनुभव से सीखती है।
Dreaming सक्षम करने के लिए, अपने Managed Agents सेटअप में एक ड्रीम शेड्यूल कॉन्फ़िगर करें। अधिकांश टीमों के लिए रात्रिकालीन कैडेंस अनुशंसित है।
चरण 5: परिणामों को परिभाषित करें
परिणाम एक नई सुविधा है जो आपको रूब्रिक-आधारित ग्रेडिंग सिस्टम का उपयोग करके यह परिभाषित करने देती है कि "सफलता" कैसी दिखती है।
यह उम्मीद करने के बजाय कि आपके एजेंट अच्छा आउटपुट तैयार करेंगे, आप विशिष्ट मानदंड परिभाषित करते हैं:
"रिपोर्ट में सभी पाँच प्रतिस्पर्धियों का मूल्य निर्धारण डेटा शामिल होना चाहिए। यदि कोई प्रतिस्पर्धी डेटा गायब है, तो पूर्णता स्कोर 80% से नीचे चला जाता है। विश्लेषण अनुभाग में कम से कम तीन विशिष्ट अंतर्दृष्टि शामिल होनी चाहिए, सामान्य अवलोकन नहीं। लेखन 2,000 शब्दों से कम होना चाहिए।"
Claude अपने स्वयं के आउटपुट का आपके रूब्रिक के विरुद्ध मूल्यांकन करता है और तब तक दोहराता है जब तक वह पास नहीं हो जाता। यह एक गुणवत्ता लूप बनाता है जो आपके आउटपुट को देखने से पहले ही त्रुटियों को पकड़ लेता है।
चरण 6: पहले सरल कार्यों के साथ परीक्षण करें
10-एजेंट सिस्टम बनाकर शुरू न करें।
एक सरल पाइपलाइन कार्य पर एक साथ काम करने वाले दो एजेंटों से शुरुआत करें। संचार को सही करें। आउटपुट प्रारूपों को सही करें। त्रुटि प्रबंधन को सही करें।
फिर तीसरा एजेंट जोड़ें। फिर चौथा। एकीकरण से पहले प्रत्येक जोड़ का स्वतंत्र रूप से परीक्षण किया जाना चाहिए।
जो टीमें महान मल्टी-एजेंट सिस्टम बनाती हैं, वे वे हैं जो वृद्धिशील रूप से निर्माण करती हैं, वे नहीं जो पहले दिन सही सिस्टम डिज़ाइन करने का प्रयास करती हैं।
चरण 7: निगरानी और पुनरावृत्ति करें
मल्टी-एजेंट सिस्टम सिंगल एजेंटों की तुलना में अधिक जटिल होते हैं। अधिक चीज़ें गलत हो सकती हैं। निगरानी वैकल्पिक नहीं है।
इन पर ध्यान दें:
हैंडऑफ़ विफलताएँ — एजेंट ऐसा आउटपुट तैयार कर रहे हैं जिसे अगला एजेंट पार्स नहीं कर सकता। आउटपुट प्रारूप विनिर्देशों को कस कर ठीक करें।
अनावश्यक कार्य — कई एजेंट बिना एहसास के एक ही काम कर रहे हैं। प्रत्येक एजेंट के दायरे को अत्यधिक विशिष्ट बनाकर ठीक करें।
गुणवत्ता में गिरावट — पाइपलाइन के लंबे होने पर आउटपुट गुणवत्ता गिर रही है। मुख्य जाँच बिंदुओं पर समीक्षा एजेंट जोड़कर ठीक करें।
टोकन ब्लोट — एजेंट अनावश्यक रूप से वर्बोज़ आउटपुट तैयार कर रहे हैं जो टोकन सीमा को खा जाता है। आउटपुट लंबाई पर बाधाएँ जोड़कर ठीक करें।
यह प्रोडक्शन में कैसा दिखता है
यहाँ एक वास्तविक मल्टी-एजेंट सेटअप है जो अभी प्रोडक्शन में चल रहा है:
साप्ताहिक बाजार खुफिया रिपोर्ट
एजेंट 1: वेब शोध एजेंट — लक्ष्य बाजार में हाल की खबरों, उत्पाद लॉन्च और फंडिंग राउंड की खोज करता है। समानांतर में चलता है।
एजेंट 2: प्रतिस्पर्धी मॉनिटर एजेंट — मूल्य निर्धारण, सुविधाओं और मैसेजिंग में बदलावों के लिए पाँच प्रतिस्पर्धी वेबसाइटों की जाँच करता है। समानांतर में चलता है।
एजेंट 3: सोशल लिसनर एजेंट — प्रासंगिक चर्चाओं, भावना और उभरते रुझानों के लिए X और LinkedIn को स्कैन करता है। समानांतर में चलता है।
एजेंट 4: विश्लेषण एजेंट — एजेंट 1-3 से डेटा प्राप्त करता है, पाँच सबसे महत्वपूर्ण विकासों की पहचान करता है, प्रभाव से प्रत्येक को रेट करता है।
एजेंट 5: रिपोर्ट लेखक एजेंट — विश्लेषण लेता है और सिफारिशों के साथ एक स्वरूपित कार्यकारी ब्रीफिंग तैयार करता है।
एजेंट 6: गुणवत्ता समीक्षा एजेंट — एक परिभाषित रूब्रिक के विरुद्ध रिपोर्ट की जाँच करता है, मुद्दों को फ़्लैग करता है, और लेखक से संशोधन का अनुरोध करता है।
कुल समय: 15 मिनट से कम। एक सिंगल एजेंट के साथ पिछला समय: एक घंटे से अधिक। मैन्युअल रूप से करने का पिछला समय: आधा दिन।
रिपोर्ट हर सोमवार सुबह 8 बजे Google Drive पर आती है। टीम इसे कॉफी के साथ पढ़ती है।
सामान्य मल्टी-एजेंट गलतियाँ और उनसे कैसे बचें
गलती 1: हर एजेंट को बहुत सामान्य बनाना। मल्टी-एजेंट का पूरा उद्देश्य विशेषज्ञता है। यदि आपका शोध एजेंट विश्लेषण और लेखन भी कर रहा है, तो आप उद्देश्य से चूक गए हैं। प्रत्येक एजेंट को एक काम बहुत अच्छी तरह से करना चाहिए। संकीर्ण शक्तिशाली है। व्यापक कमजोर है।
गलती 2: आउटपुट प्रारूपों को मानकीकृत नहीं करना। यदि आपका शोध एजेंट एक फ्री-फॉर्म पैराग्राफ तैयार करता है और आपका विश्लेषण एजेंट संरचित JSON की अपेक्षा करता है, तो हैंडऑफ़ टूट जाता है। कोई भी एजेंट बनाने से पहले, एजेंटों के बीच डेटा अनुबंध को परिभाषित करें। कौन से फ़ील्ड? क्या प्रारूप? यदि कोई फ़ील्ड खाली है तो क्या होता है?
गलती 3: बहुत जल्दी बहुत सारे एजेंटों को समानांतर में चलाना। एक सरल पाइपलाइन में दो एजेंटों से शुरुआत करें। संचार को काम करने दें। फिर तीसरा जोड़ें। फिर चौथा। प्रत्येक जोड़ जटिलता लाता है। इसे वृद्धिशील रूप से प्रबंधित करें।
गलती 4: एजेंटों के बीच कोई त्रुटि प्रबंधन नहीं। जब पाइपलाइन में एक एजेंट विफल होता है तो क्या होता है? क्या पूरा सिस्टम क्रैश हो जाता है? क्या अगले एजेंट को कचरा इनपुट मिलता है? स्पष्ट फ़ॉलबैक व्यवहार बनाएँ। "यदि मूल्य निर्धारण डेटा अनुपलब्ध है, तो ऐतिहासिक डेटा के साथ आगे बढ़ें और अंतिम रिपोर्ट में अंतर को फ़्लैग करें।"
गलती 5: टोकन लागतों को अनदेखा करना। मल्टी-एजेंट सेटअप सिंगल-एजेंट रन की तुलना में अधिक टोकन का उपयोग करते हैं। प्रत्येक एजेंट का अपना संदर्भ, अपना तर्क और अपना आउटपुट होता है। अपने उपयोग की निगरानी करें और आवश्यक विवरण खोए बिना संक्षिप्त होने के लिए प्रॉम्प्ट को अनुकूलित करें।
भविष्य मल्टी-एजेंट है
Anthropic मल्टी-एजेंट ऑर्केस्ट्रेशन को एक अच्छी-से-है सुविधा के रूप में नहीं बना रहा है। वे इसे मूलभूत आर्किटेक्चर के रूप में बना रहे हैं कि AI सिस्टम आगे कैसे काम करेंगे।
Code with Claude इवेंट में, Anthropic ने दिखाया कि उनका अपना Cowork उत्पाद इस आर्किटेक्चर का उपयोग करके बनाया गया था। जटिल कार्यों को संभालने के लिए कई विशिष्ट एजेंट सहयोग कर रहे हैं। जो उपकरण स्वायत्त रूप से चीज़ें बनाता है, वह स्वायत्त रूप से काम करने वाले उपकरणों द्वारा बनाया गया था।
Apple ने अभी घोषणा की है कि Claude को एक नए Extensions सिस्टम के माध्यम से अन्य AI सेवाओं के साथ iOS 27 में एकीकृत किया जाएगा। जैसे-जैसे Claude अधिक वर्कफ़्लो और अधिक उपकरणों में एम्बेडेड होता जाता है, मल्टी-एजेंट जटिल, क्रॉस-डोमेन कार्यों को संभालने का प्राकृतिक तरीका बन जाता है।
जो कंपनियाँ आज मल्टी-एजेंट बुनियादी ढाँचे में निवेश कर रही हैं — Netflix, Harvey, Shopify, Mercado Libre — वे मज़े के लिए ऐसा नहीं कर रही हैं। वे ऐसा इसलिए कर रही हैं क्योंकि सिंगल-एजेंट दृष्टिकोण उनकी वास्तविक दुनिया की समस्याओं की जटिलता तक स्केल नहीं कर सकते।
और जो व्यक्तिगत निर्माता अब इन पैटर्नों को सीखते हैं, उनके पास बहुत निकट भविष्य में ऐसे कौशल होंगे जो गंभीर पैसे के लायक हैं।
ईमानदार सच्चाई
मल्टी-एजेंट सिस्टम जादू नहीं हैं। वे AI पर लागू सॉफ़्टवेयर इंजीनियरिंग हैं।
मूल बातें किसी भी टीम-आधारित सिस्टम के निर्माण के समान हैं: स्पष्ट भूमिकाएँ, स्पष्ट संचार, परिभाषित इंटरफ़ेस, त्रुटि प्रबंधन, और पुनरावृत्ति।
अंतर यह है कि "टीम" की कीमत आपको छह वेतनों के बजाय एक Claude सब्सक्रिप्शन है, यह बिना ब्रेक के 24/7 काम करती है, और यह Dreaming के माध्यम से समय के साथ बेहतर होती जाती है।
हम मल्टी-एजेंट युग की शुरुआत में हैं। जो लोग अब — मई 2026 में — इन पैटर्नों का पता लगाते हैं, उन्हें भारी शुरुआत मिलेगी जब यह सभी AI सिस्टम के काम करने का डिफ़ॉल्ट तरीका बन जाएगा।
अधिकांश लोग इसे पढ़ेंगे और सोचेंगे कि मल्टी-एजेंट उनके लिए "बहुत उन्नत" है। जो लोग इस सप्ताह अपनी पहली दो-एजेंट पाइपलाइन बनाते हैं, उन्हें एहसास होगा कि यह उनकी अपेक्षा से कहीं अधिक सरल है।
अधिक AI कोर्स, टूल और वर्कफ़्लो के लिए मुझे @eng_khairallah1 पर फ़ॉलो करें। हर हफ्ते नई सामग्री।
उम्मीद है यह आपके लिए उपयोगी था, खैरल्लाह ❤️
