प्राकृतिक भाषा कमांड को Intent → Effect → Snapshot के रूप में चलाने वाला AI Task डेमो

नमस्ते।
मैं अपने द्वारा विकसित किए जा रहे open source लाइब्रेरी
"@manifesto-ai/core" को प्रदर्शित करने के लिए
AI-native task management डेमो (TaskFlow) साझा कर रहा हूँ।

TaskFlow एक पूर्ण प्रोडक्ट से अधिक,
"@manifesto-ai/core" में प्रस्तावित execution model
वास्तविक ऐप में कैसे काम करता है,
इसे दिखाने के लिए बनाया गया एक डेमो application है।

इस प्रोजेक्ट में परखे गए मुख्य स्ट्रक्चर इस प्रकार हैं।

• LLM केवल प्राकृतिक भाषा → Intent व्याख्या का काम करता है
• वास्तविक state change स्पष्ट Runtime rules (Effect) द्वारा किया जाता है
• सभी परिणाम Snapshot के रूप में रिकॉर्ड होते हैं, इसलिए उन्हें reproduce, verify और stream किया जा सकता है

यानी, यह "ऐसा agent जिसमें LLM सीधे state को manipulate करता है" नहीं है,
बल्कि LLM compiler की तरह काम करता है और execution सिस्टम संभालता है—इस संरचना को प्रमाणित करने का प्रयास किया गया है।

इस तरह की संरचना का प्रयोग क्यों किया

मौजूदा agent pattern में मुझे निम्न समस्याएँ दिखीं।

• state transition, LLM की आंतरिक reasoning में छिप जाता है
• execution result को reproduce करना कठिन होता है
• policy change या debugging मुश्किल हो जाती है

इसीलिए यह जाँचने के लिए कि meaning (Intent) और execution (Effect) को अलग करने वाला runtime-केंद्रित स्ट्रक्चर वास्तव में उपयोगी है या नहीं,
मैंने एक PoC बनाया।

डेमो में क्या देखा जा सकता है

• प्राकृतिक भाषा से task बनाना / संशोधित करना / देखना / View control जैसी सहज interaction
• Intent → Effect → Snapshot execution flow
• SSE आधारित streaming response
• React + Zustand आधारित UI projection

लिंक

• Demo: https://taskflow.manifesto-ai.dev
• Core (@manifesto-ai/core): https://github.com/manifesto-ai/core
• TaskFlow Repo: https://github.com/manifesto-ai/taskflow

यह अभी research/experiment चरण का प्रोजेक्ट है, इसलिए कई हिस्से अभी अधूरे हैं।
स्ट्रक्चर या दिशा पर feedback और आलोचना—दोनों का स्वागत है 🙇‍♂️