Wie wandeln Sie eine vage Geschäftsfrage über unordentliche CSV-, JSON- und Textordner in zuverlässigen Python-Code um, ohne dass ein menschlicher Analyst auf dem Laufenden ist? Google-Forscher stellen vor DS STAR (Knowledge Science Agent durch iterative Planung und Verifizierung), ein Multi-Agent-Framework, das offene datenwissenschaftliche Fragen in ausführbare Python-Skripte über heterogene Dateien umwandelt. Anstatt von einer sauberen SQL-Datenbank und einer einzelnen Abfrage auszugehen, behandelt DS STAR das Drawback wie folgt Textual content an Python und arbeitet direkt mit gemischten Formaten wie CSV, JSON, Markdown und unstrukturiertem Textual content.

Von Textual content zu Python über heterogene Daten

Bestehende Knowledge-Science-Agenten verlassen sich häufig auf Textual content-to-SQL statt auf relationale Datenbanken. Diese Einschränkung beschränkt sie auf strukturierte Tabellen und einfache Schemata, was nicht für viele Unternehmensumgebungen geeignet ist, in denen Daten über Dokumente, Tabellenkalkulationen und Protokolle verteilt sind.

DS STAR verändert die Abstraktion. Es generiert Python-Code, der alle vom Benchmark bereitgestellten Dateien lädt und kombiniert. Das System fasst zunächst jede Datei zusammen und verwendet dann diesen Kontext, um eine mehrstufige Lösung zu planen, umzusetzen und zu überprüfen. Dieses Design ermöglicht es DS STAR, an Benchmarks wie zu arbeiten DABStep, KramaBank Und DA-Codedie eine mehrstufige Analyse verschiedener Dateitypen erwarten und Antworten in strengen Formaten erfordern.

Stufe 1: Datendateianalyse mit Aanalyzer

In der ersten Part wird eine strukturierte Ansicht des Knowledge Lake erstellt. Für jede Datei (Dᵢ), die Ein Analysator Der Agent generiert ein Python-Skript (sᵢ_desc), das die Datei analysiert und wichtige Informationen wie Spaltennamen, Datentypen, Metadaten und Textzusammenfassungen ausgibt. DS STAR führt dieses Skript aus und erfasst die Ausgabe als prägnante Beschreibung (dᵢ).

Dieser Prozess funktioniert sowohl für strukturierte als auch für unstrukturierte Daten. CSV-Dateien liefern Statistiken und Beispiele auf Spaltenebene, während JSON- oder Textdateien strukturelle Zusammenfassungen und Schlüsselausschnitte liefern. Die Sammlung {dᵢ} wird zum gemeinsamen Kontext für alle späteren Agenten.

Stufe 2: Iterative Planung, Codierung und Überprüfung

Nach der Dateianalyse führt DS STAR eine iterative Schleife aus, die widerspiegelt, wie ein Mensch ein Pocket book verwendet.

1. Ein Planer erstellt anhand der Abfrage und der Dateibeschreibungen einen ersten ausführbaren Schritt (p₀), beispielsweise das Laden einer relevanten Tabelle.
2. Acoder wandelt den aktuellen Plan (p) in Python-Code(s) um. DS STAR führt diesen Code aus, um eine Beobachtung (r) zu erhalten.
3. Mittelwerter ist ein LLM-basierter Richter. Es empfängt den kumulativen Plan, die Abfrage, den aktuellen Code und sein Ausführungsergebnis und gibt eine binäre Entscheidung zurück, ausreichend oder unzureichend.
4. Wenn der Plan nicht ausreicht, Arouter entscheidet, wie es verfeinert wird. Es gibt entweder das Token aus Schritt hinzufügendas einen neuen Schritt oder einen Index eines fehlerhaften Schritts anhängt, der abgeschnitten und neu generiert werden soll.

Aplanner ist vom letzten Ausführungsergebnis (rₖ) abhängig, sodass jeder neue Schritt explizit auf das reagiert, was beim vorherigen Versuch schief gelaufen ist. Die Schleife aus Routing, Planung, Codierung, Ausführung und Überprüfung wird fortgesetzt, bis Averifier den Plan als ausreichend markiert oder das System maximal 20 Verfeinerungsrunden erreicht.

Um strenge Benchmark-Formate zu erfüllen, ist ein separates Ein Finalyzer Der Agent wandelt den endgültigen Plan in Lösungscode um, der Regeln wie Rundung und CSV-Ausgabe durchsetzt.

Robustheitsmodule, Adebugger und Retriever

Realistische Pipelines schlagen aufgrund von Schemadrift und fehlenden Spalten fehl. DS STAR fügt hinzu Adebugger um defekte Skripte zu reparieren. Wenn der Code fehlschlägt, erhält Adebugger das Skript, das Traceback und die Analysebeschreibungen {dᵢ}. Durch die Konditionierung aller drei Signale wird ein korrigiertes Skript generiert. Dies ist wichtig, da viele datenzentrische Fehler Kenntnisse über Spaltenüberschriften, Blattnamen oder Schemata und nicht nur über den Stack-Hint erfordern.

KramaBench stellt eine weitere Herausforderung dar: Tausende Kandidatendateien professional Area. DS STAR erledigt dies mit einem Retriever. Das System bettet die Benutzerabfrage und jede Beschreibung (dᵢ) mithilfe eines vorab trainierten Einbettungsmodells ein und wählt die 100 ähnlichsten Dateien für den Agentenkontext aus oder alle Dateien, wenn es weniger als 100 gibt. Bei der Implementierung verwendete das Forschungsteam Zwillinge Einbettung 001 zur Ähnlichkeitssuche.

Benchmark-Ergebnisse für DABStep, KramaBench und DA-Code

Alle Hauptexperimente laufen mit DS STAR Gemini 2.5 Professional als Foundation-LLM und ermöglicht bis zu 20 Verfeinerungsrunden professional Aufgabe.

An DABStepNur das Modell Gemini 2.5 Professional erreicht eine Genauigkeit von 12,70 Prozent auf hartem Niveau. DS STAR erreicht mit dem gleichen Modell 45,24 Prozent bei schweren Aufgaben und 87,50 Prozent bei leichten Aufgaben. Dies ist ein absoluter Zuwachs von mehr als 32 Prozentpunkten gegenüber der harten Aufteilung und übertrifft andere Agenten wie ReAct, AutoGen, Knowledge Interpreter, DA Agent und mehrere kommerzielle Systeme, die in der öffentlichen Bestenliste aufgeführt sind.

Das Google-Forschungsteam berichtet, dass DS STAR im Vergleich zum besten Alternativsystem bei jedem Benchmark die Gesamtgenauigkeit von 41,0 Prozent auf 45,2 Prozent bei DABStep, von 39,8 Prozent auf 44,7 Prozent bei KramaBench und von 37,0 Prozent auf 38,5 Prozent bei DA Code verbessert.

Für KramaBankwas das Abrufen relevanter Dateien aus großen domänenspezifischen Knowledge Lakes erfordert, erreichen DS STAR mit Retrieval und Gemini 2.5 Professional einen normalisierten Gesamtwert von 44,69. Die stärkste Basislinie, DA Agent mit demselben Modell, erreicht 39,79.

An DA-CodeDS STAR schlägt erneut DA Agent. Bei schwierigen Aufgaben erreicht DS STAR eine Genauigkeit von 37,1 Prozent gegenüber 32,0 Prozent für DA Agent, wenn beide Gemini 2.5 Professional verwenden.

Wichtige Erkenntnisse

1. DS STAR reformatiert Knowledge-Science-Agenten als Textual content-to-Python über heterogene Dateien wie CSV, JSON, Markdown und Textual content, statt nur Textual content-to-SQL über saubere relationale Tabellen.
2. Das System verwendet eine Multi-Agenten-Schleife mit Aanalyzer, Aplanner, Acoder, Averifier, Arouter und Afinalyzer, die Python-Code iterativ plant, ausführt und überprüft, bis der Verifizierer die Lösung als ausreichend markiert.
3. Adebugger und ein Retriever-Modul verbessern die Robustheit, indem sie fehlerhafte Skripte mithilfe umfangreicher Schemabeschreibungen reparieren und die 100 relevantesten Dateien aus großen domänenspezifischen Datenseen auswählen.
4. Mit Gemini 2.5 Professional und 20 Verfeinerungsrunden erzielt DS STAR große Fortschritte gegenüber früheren Agenten bei DABStep, KramaBench und DA Code, beispielsweise eine Erhöhung der DABStep-Laborious-Genauigkeit von 12,70 Prozent auf 45,24 Prozent.
5. Ablationen zeigen, dass Analyserbeschreibungen und Routing von entscheidender Bedeutung sind, und Experimente mit GPT 5 bestätigen, dass die DS STAR-Architektur modellunabhängig ist, während iterative Verfeinerung für die Lösung schwieriger mehrstufiger Analyseaufgaben unerlässlich ist.

DS STAR zeigt, dass die praktische Knowledge-Science-Automatisierung eine explizite Struktur rund um große Sprachmodelle und nicht nur bessere Eingabeaufforderungen erfordert. Die Kombination von Aanalyzer, Averifier, Arouter und Adebugger verwandelt Freiform-Datenseen in eine kontrollierte Textual content-zu-Python-Schleife, die auf DABStep, KramaBench und DA Code messbar und auf Gemini 2.5 Professional und GPT 5 portierbar ist. Diese Arbeit bewegt Datenagenten von Tabellendemos zu Benchmark-Finish-to-Finish-Analysesystemen.

Schauen Sie sich das an Papier Und Technische Particulars. Schauen Sie sich gerne bei uns um GitHub-Seite für Tutorials, Codes und Notebooks. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Asif Razzaq ist CEO von Marktechpost Media Inc.. Als visionärer Unternehmer und Ingenieur setzt sich Asif dafür ein, das Potenzial der künstlichen Intelligenz für das soziale Wohl zu nutzen. Sein jüngstes Unterfangen ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch eine ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die sowohl technisch fundiert als auch für ein breites Publikum leicht verständlich ist. Die Plattform verfügt über mehr als 2 Millionen monatliche Aufrufe, was ihre Beliebtheit beim Publikum verdeutlicht.

Folgen Sie MARKTECHPOST: Fügen Sie uns als bevorzugte Quelle bei Google hinzu.

Bild von Autor | Ideogramm

Stellen Sie sich Folgendes vor: Sie haben eine Idee für eine Geschwindigkeitslese -App. Anstatt Stunden damit zu verbringen, zu untersuchen, welche Python -Module und Bibliotheken verwendet werden sollen, die verschiedenen Komponenten codieren und Syntaxfehler debuggen, beschreiben Sie einfach, was Sie in einfachem Englisch wollen. Innerhalb von Minuten optimieren Sie Schriftgrößen und diskutieren Verbesserungen der Benutzererfahrung mit Ihrem KI -Codierungspartner.

Dies ist „Vibe -Codierung“ – ein kollaborativer Ansatz, bei dem natürliche Sprachanweisungen durch iterative Konversation zu funktionalen Anwendungen gelangen. Es geht nicht darum, traditionelle Codierungsfähigkeiten zu ersetzen, sondern darum, die Reise vom Konzept zum Arbeitsprototyp zu beschleunigen.

Heute werde ich Sie durch die Erstellung eines voll funktionsfähigen RSVP (Speedy Serial Visible Presentation) Pace ​​Studying App in nur 15 Minuten mit Python führen.

Hyperlink zur Geschwindigkeitslese-App auf GitHub

Von der Idee zur Implementierung gehen

Sagen Sie, Sie haben eine Idee und möchten sie starten. Wenn Sie bereits Chatgpt, Claude oder Gemini verwenden, können Sie dasselbe weiterhin verwenden. Ich empfehle Ihnen, diese Eingabeaufforderungen (oder bessere Versionen derselben) auszuprobieren, um zu sehen, was Sie erstellen können.

Schritt 1: Beschreiben Sie, was Sie bauen möchten

Sie können mit einer einfachen Anfrage öffnen:

„Ich möchte eine Befehlszeilengeschwindigkeits-Leseanwendung unter Verwendung von Python erstellen, die die RSVP-Technik (Speedy Serial Visible Presention) implementiert. Die App sollte auf Ubuntu ausgeführt werden, Wörter mit einstellbarer Geschwindigkeiten anmelden und grundlegende Steuerelemente basierend auf Tastatureingaben enthalten.

Keine technischen Spezifikationen. Keine detaillierten Anforderungen. Nur eine klare Absicht. Hier ist die Vibe -Codierung tremendous cool – Sie beginnen mit dem Wasnicht das Wie.

Dies gibt uns einen guten Ausgangspunkt. Aus dieser anfänglichen Eingabeaufforderung sollten Sie eine funktionale terminalbasierte Geschwindigkeits-Lese-Anwendung erhalten:

class RSVPReader:
    def __init__(self, textual content, wpm=250, chunk_size=1):
        self.textual content = textual content
        self.wpm = wpm
        self.phrases = self._prepare_text()
        self.current_index = 0
        self.is_paused = False
        self.delay = 60.0 / (wpm * chunk_size)

Die erste Implementierung umfasst:

• Textverarbeitung: Inhalt in lesbare Stücke aufteilen
• Geschwindigkeitsregelung: Konfigurierbare Wörter professional Minute
• Interaktive Steuerelemente: Pause, wieder aufnehmen, navigieren, Geschwindigkeitseinstellungen
• Fortschrittsverfolgung: visuelles Suggestions mit Fortschrittsbalken
• Dateiunterstützung: Lesen Sie aus Textdateien oder direkte Eingaben

Für die vollständige Implementierung der Klasse können Sie die überprüfen rsvp_reader.py Datei.

Schritt 2: Verbesserung der Benutzererfahrung

Bei der Anforderung von Verbesserungen verwendeten wir eine beschreibende, zielorientierte Sprache:

„Ich möchte die visuelle Präsentation verbessern, indem ich die Textanzeige im Terminalfenster zentrieren und die Schriftmerkmale für eine bessere Lesbarkeit erhöht. Können Sie den Code so ändern, dass der Zentrum des Terminals effektiver verwendet wird und gleichzeitig die saubere, professionelle Ausgabe aufrechterhält?“

Dies veranlasste eine Terminalmanipulation:

def _get_terminal_size(self):
	"""Get terminal dimensions for responsive structure"""
	attempt:
    import shutil
    cols, rows = shutil.get_terminal_size()
    return cols, rows
	besides OSError:
    	    return 80, 24  # Wise fallbacks

Jetzt funktioniert die Geschwindigkeitslese-App noch. Wir können jedoch einige endgültige Verbesserungen hinzufügen.

Schritt 3: Verfeinern Sie die Anforderungen an die Benutzeroberfläche nach Bedarf

Unsere endgültige Iterationsanfrage gibt die Anforderungen klar:

„Ich möchte das Schnittstellendesign mit diesen spezifischen Anforderungen verfeinern: 1) Textual content in der Mitte 40% des Terminalbildschirms anzeigen, 2) die Normal -Lesegeschwindigkeit für ein besseres Verständnis verringern, 3) Erstellen Sie eine statische Steuerschnittstelle, die nicht aktualisiert wird, wobei nur die Lesertext dynamisch aktualisiert wird, 4) saubere Grenzen um den aktiven Anzeigebereich halten.

Dies führte zu der folgenden terminalen Kontrolle:

def _get_display_area(self):
    """Get the 40% heart rectangle dimensions"""
    cols, rows = self._get_terminal_size()
    
    display_width = int(cols * 0.4)
    display_height = int(rows * 0.4)
    
    start_col = (cols - display_width) // 2
    start_row = (rows - display_height) // 2
    
    return start_col, start_row, display_width, display_height

def _draw_static_interface(self):
    """Draw the static interface"""
    # Controls keep mounted, solely phrases change

Ein Überblick über die technischen Einzelheiten

Wir haben Folgendes in der von uns erstellten RSVP -Geschwindigkeits -App.

Faden für reaktionsschnelle Steuerelemente

Diese Methode erfasst die Tastatureingabe in Echtzeit, ohne das Hauptprogramm durchzuhalten, indem das Terminal in den RAW-Modus umgestellt und nicht blockierende E/A-Umfragen verwendet wird:

def _get_keyboard_input(self):
    """Non-blocking keyboard enter handler"""
    old_settings = termios.tcgetattr(sys.stdin)
    attempt:
        tty.setraw(sys.stdin.fileno())
        whereas self.is_running:
            if choose.choose((sys.stdin), (), (), 0.1)(0):
                # Deal with real-time enter with out blocking

Good Terminal Positioning

Diese Methode positioniert den Textual content in exakten Koordinaten auf dem Terminalbildschirm unter Verwendung von ANSI -Escape -Sequenzen, wobei der Code den Cursor in eine bestimmte Zeile und Spalte verschiebt, bevor das Wort druckt:

def _display_word(self, phrase):
    # Use ANSI escape codes for exact positioning
    print(f'33({word_row};{word_start_col}H{large_word}')

Adaptive Geschwindigkeitskontrolle

Dies passt dynamisch die Lesegeschwindigkeit anhand der Wortlänge an und gibt den Benutzern 20% mehr Zeit für lange Wörter (8+ Zeichen) und 20% weniger Zeit für kurze Wörter (unter 4 Zeichen), um das Verständnis zu optimieren:

# Longer phrases get extra show time
word_delay = self.delay
if len(current_word) > 8:
    word_delay *= 1.2
elif len(current_word) < 4:
    word_delay *= 0.8

Additionally ja, Sie können die App ausführen und selbst sehen, wie sie funktioniert.

Erstens können Sie es so ausführbar machen. Stellen Sie sicher, dass Sie die Shebang -Linie oben im Skript hinzufügen können:

$ chmod +x rsvp_reader.py

Sie können es so ausführen wie so:

$ ./rsvp_reader.py pattern.txt

Weitere Particulars finden Sie unter dem Readme -Datei.

Abschluss

Unsere Vibe -Codierungssitzung erstellt:

• Eine voll funktionsfähige terminalbasierte Geschwindigkeits-Studying-App in Python
• Unterstützung für variable Lesegeschwindigkeiten (50-1000+ WPM)
• Echtzeit-Steuerelemente für Pause, Navigation und Geschwindigkeitsanpassung
• Anpassungsfähige Anzeige, die auf einer beliebigen Terminalgröße funktioniert
• Saubere, distraktionfreie Schnittstelle konzentriert sich auf den 40% -Vermittelbereich
• Good Phrase Timing basierend auf Länge und Komplexität

In 15 Minuten gingen wir von einer einfachen Idee zu einer funktionalen Anwendung, die jemand tatsächlich verwenden kann.

Bereit, sich selbst zu versuchen, selbst zu kodieren? Beginnen Sie mit einer einfachen Idee, beschreiben Sie es in einfachem Englisch und sehen Sie, wohin das Gespräch Sie führt. Der Code folgt.

Bala Priya c ist ein Entwickler und technischer Schriftsteller aus Indien. Sie arbeitet gern an der Schnittstelle zwischen Mathematik, Programmierung, Datenwissenschaft und Inhaltserstellung. Ihre Interessensgebiete und Fachgebiete umfassen DevOps, Knowledge Science und natürliche Sprachverarbeitung. Sie liest gerne, schreibt, codieren und Kaffee! Derzeit arbeitet sie daran, ihr Wissen mit der Entwicklergemeinschaft zu lernen und zu teilen, indem sie Tutorials, Anleitungen, Meinungsstücke und vieles mehr autorisiert. Bala erstellt auch ansprechende Ressourcenübersichten und Codierungs -Tutorials.

Codestral 25.01 ist da und es ist ein sinnvolles Improve für Entwickler. Aufbauend auf dem Erfolg von Codestral 2405 22B führt diese neueste Model eine effizientere Architektur und einen verbesserten Tokenizer ein, wodurch sie etwa doppelt so schnell ist. Unabhängig davon, ob Sie in Python, SQL oder anderen Sprachen arbeiten, liefert Codestral 25.01 schnellere und genauere Ergebnisse und hilft dabei, Aufgaben wie Codevervollständigung, Debugging und Testgenerierung zu rationalisieren. Dies ist ein praktischer Fortschritt für Entwickler, die intelligenter arbeiten und Zeit sparen möchten.

Was ist neu in Codestral 25.01?

Codestral 25.01 verfügt über eine überarbeitete Architektur und einen intelligenteren Tokenizer. Dieses Modell generiert und vervollständigt Code etwa zweimal schneller als sein Vorgänger. Egal, ob Sie mit Python, SQL oder sogar Bash arbeiten (ja, das beherrscht es auch), Codestral 25.01 bietet unübertroffene Geschwindigkeit und Genauigkeit. Es ist außerdem für Fill-in-the-Center-Aufgaben (FIM) optimiert und somit der ultimative Programmierbegleiter für Entwickler, die intelligenter und nicht härter arbeiten möchten.

Benchmarks: Codestral 25.01 vs. Die Konkurrenz

Kommen wir zum Element. Codestral 25.01 wurde mit den besten Sub-100B-Parametercodierungsmodellen verglichen und die Ergebnisse sprechen für sich:

• Python: 86,6 % bei HumanEval (denn wer liebt nicht eine gute Schlangenreferenz?)
• SQL: 66,5 % auf Spider (keine Webs hier, nur saubere Abfragen)
• Durchschnitt über mehrere Sprachen: 71,4 % (Polyglotte vom Feinsten)

Wenn es um FIM-Aufgaben geht, spielt Codestral 25.01 mit einer durchschnittlichen Punktzahl von 85,89 % für Python, Java und JavaScript in einer eigenen Liga. Sogar der GPT-3.5 Turbo von OpenAI bleibt zurück.

Aufführung professional Sprache: Ein mehrsprachiger Maestro

Codestral 25.01 ist nicht nur ein One-Trick-Pony. Es ist ein mehrsprachiges Kraftpaket, das in einer Vielzahl von Programmiersprachen brilliert. Hier ist ein kurzer Überblick über die HumanEval-Ergebnisse:

FIM: Die geheime Soße

Beim Fill-in-the-Center (FIM) glänzt Codestral 25.01 wirklich. Mit einer Cross@1-Charge von 95,3 % ist es so, als hätte man einen Programmierpartner, der immer weiß, was man denkt. Egal, ob Sie Fehler beheben, Assessments schreiben oder einfach nur versuchen, diese lästige Funktion fertigzustellen, Codestral 25.01 liefert blitzschnell präzise Vorschläge.

Lesen Sie auch: Satya Nadella hat gerade GitHub Copilot Workspace eingestellt – keine Wartelisten mehr

Wie bekomme ich Codestral 25.01?

Ab sofort wird Codestral 25.01 über IDE- und Plugin-Associate für Entwickler weltweit bereitgestellt. Egal, ob Sie allein programmieren oder Teil eines Unternehmensteams sind, dieses Modell ist bereit, Ihren Workflow zu beschleunigen. Für Unternehmen mit spezifischen Anforderungen an die Daten- und Modellresidenz kann Codestral 25.01 lokal oder innerhalb Ihrer VPC bereitgestellt werden.

Klicken Sie hier, um Codestral 25.01 zu erkunden.

Die Zukunft des Codierens ist da

Codestral 25.01 ist nicht nur ein Werkzeug; Es ist ein Sport-Changer. Es ist bereits auf Platz 1 der LMsys-Copilot-Area-Bestenliste eingestiegen, und Entwickler auf der ganzen Welt loben es. Egal, ob Sie ein erfahrener Profi oder ein Neuling sind, der noch nicht weiß, was „Rekursion“ bedeutet, Codestral 25.01 ist hier, um Ihr Programmierleben einfacher, schneller und vielleicht sogar ein bisschen unterhaltsamer zu machen.

Additionally, worauf warten Sie noch? Probieren Sie Codestral 25.01 aus und erleben Sie noch heute die Zukunft des Codierens. Und wer weiß? Vielleicht behebt es Ihren nächsten Syntaxfehler!

Bleiben Sie dran Analytics Vidhya Information für mehr so ​​tolle Inhalte!

Hallo, ich bin Abhishek, ein engagierter und leidenschaftlicher zertifizierter Karriereberater mit der Mission, Menschen dabei zu helfen, ihr volles Potenzial auszuschöpfen und ihre beruflichen Träume zu verwirklichen. Mit meiner dreijährigen Erfahrung in der Berufsberatung bin ich darauf spezialisiert, Kunden in verschiedenen Phasen ihrer Karriere zu unterstützen – egal, ob es sich um Studenten handelt, die ihren ersten Job planen, Berufstätige, die sich beruflich verändern möchten, oder Einzelpersonen, die in ihrem aktuellen Bereich vorankommen möchten.
Twitter – @Abhishekbais01