AI সিরিজ ইন্টারভিউ প্রশ্ন ৬: AI Agent-এর তিনটি মূল পদ্ধতি: ReAct, Plan-and-Solve এবং Reflection

AI Agent-এর তিনটি মূল পদ্ধতি: ReAct, Plan-and-Solve এবং Reflection

AI Agent হলো একটি বুদ্ধিমান সত্তা যা স্বায়ত্তশাসিতভাবে পরিবেশ উপলব্ধি করতে, সিদ্ধান্ত নিতে এবং কাজ সম্পাদন করতে পারে। এর মূল পদ্ধতি তিনটি: ReAct, Plan-and-Solve এবং Reflection। নিচে এগুলি ফ্লোচার্ট এবং কোড উদাহরণ সহ বর্ণনা করা হলো।

1. ReAct (Reasoning + Acting)

মূল ধারণা: যুক্তি (Reasoning) এবং কর্ম (Acting) একে অপরের সাথে মিশ্রিতভাবে সম্পাদন করা। Agent প্রতিটি ধাপে প্রথমে বর্তমান অবস্থা এবং পরবর্তী পরিকল্পনা নিয়ে চিন্তা করে (যুক্তি), তারপর একটি কাজ সম্পাদন করে (যেমন টুল কল করা, তথ্য অনুসন্ধান), এবং ফলাফলের ভিত্তিতে আবার যুক্তি প্রয়োগ করে।

ফ্লোচার্ট:

[প্রাথমিক অবস্থা] → [যুক্তি: পরবর্তী পদক্ষেপ চিন্তা] → [কর্ম: কাজ সম্পাদন] → [ফলাফল পর্যবেক্ষণ] → [যুক্তি: পরিকল্পনা আপডেট] → ... → [চূড়ান্ত উত্তর]

উদাহরণ কোড (সিউডো কোড):

def react_agent(question):
    context = []
    while not solved:
        # যুক্তি: চিন্তার ধাপ তৈরি
        thought = llm.generate_thought(question, context)
        # কর্ম: চিন্তার ভিত্তিতে কাজ নির্বাচন
        action = llm.choose_action(thought)
        # কাজ সম্পাদন, পর্যবেক্ষণ পাওয়া
        observation = execute_action(action)
        # চিন্তা, কর্ম, পর্যবেক্ষণ প্রসঙ্গে যোগ করা
        context.append((thought, action, observation))
    return final_answer

উদাহরণ:
- ব্যবহারকারী জিজ্ঞাসা: "আজ বেইজিংয়ের আবহাওয়া কেমন?"
- Agent যুক্তি: "আমার আবহাওয়া API কল করতে হবে, শহরের নাম এবং তারিখ প্রয়োজন।"
- কর্ম: আবহাওয়া API কল (প্যারামিটার: বেইজিং, আজ)
- পর্যবেক্ষণ: ফিরে আসে "পরিষ্কার, ২৫°C"
- যুক্তি: "তথ্য পাওয়া গেছে, উত্তর দিতে পারি।"
- আউটপুট: "বেইজিং আজ পরিষ্কার, ২৫°C।"

2. Plan-and-Solve

মূল ধারণা: প্রথমে সম্পূর্ণ পরিকল্পনা (Plan) তৈরি করা, তারপর ধাপে ধাপে সম্পাদন (Solve) করা। পরিকল্পনা পর্যায়ে জটিল কাজকে উপ-ধাপে বিভক্ত করা হয়, সম্পাদন পর্যায়ে ক্রমানুসারে সম্পন্ন করা হয়, এবং মাঝখানের ফলাফলের ভিত্তিতে পরিকল্পনা সামঞ্জস্য করা যেতে পারে।

ফ্লোচার্ট:

[কাজ] → [পরিকল্পনা তৈরি: উপ-ধাপে বিভক্ত] → [ধাপ ১ সম্পাদন] → [ধাপ ২ সম্পাদন] → ... → [ধাপ N সম্পাদন] → [চূড়ান্ত উত্তর]

উদাহরণ কোড:

def plan_and_solve(task):
    # পরিকল্পনা পর্যায়
    plan = llm.generate_plan(task)  # উদাহরণ: ["তথ্য অনুসন্ধান", "তথ্য সাজানো", "প্রতিবেদন লেখা"]
    context = {}
    for step in plan:
        # প্রতিটি ধাপ সম্পাদন
        result = execute_step(step, context)
        context[step] = result
    # ফলাফল একত্রিত করা
    final = llm.synthesize(context)
    return final

উদাহরণ:
- কাজ: "AI Agent নিয়ে একটি ব্লগ লেখা"
- পরিকল্পনা:
1. AI Agent-এর সংজ্ঞা এবং সর্বশেষ অগ্রগতি অনুসন্ধান
2. মূল পয়েন্ট পড়া এবং সাজানো
3. ব্লগের রূপরেখা তৈরি
4. বিষয়বস্তু পূরণ
5. প্রুফরিড এবং প্রকাশ
- সম্পাদন: প্রতিটি ধাপ ক্রমানুসারে সম্পন্ন করে, শেষে ব্লগ আউটপুট।

3. Reflection

মূল ধারণা: Agent কাজ সম্পাদনের সময় বা পরে নিজের আচরণের প্রতিফলন (Reflection) করে, ফলাফল মূল্যায়ন করে এবং পরবর্তী কাজ উন্নত করে। সাধারণত আত্ম-সমালোচনা, ত্রুটি সংশোধন বা কৌশল অপ্টিমাইজেশন অন্তর্ভুক্ত।

ফ্লোচার্ট:

[কর্ম] → [ফলাফল পর্যবেক্ষণ] → [প্রতিফলন: সাফল্য মূল্যায়ন] → [যদি ব্যর্থ: কৌশল সামঞ্জস্য] → [পুনরায় কর্ম] → ... → [সাফল্য]

উদাহরণ কোড:

def reflection_agent(task):
    max_attempts = 3
    for attempt in range(max_attempts):
        action = llm.generate_action(task)
        result = execute(action)
        # প্রতিফলন
        reflection = llm.reflect(task, action, result)
        if reflection['success']:
            return result
        else:
            # প্রতিফলনের ভিত্তিতে কাজ বা কৌশল সামঞ্জস্য
            task = reflection['improved_task']
    return None

উদাহরণ:
- কাজ: "১২৩৪ * ৫৬৭৮ গণনা করুন"
- কর্ম: সরাসরি গণনা, ফলাফল ৭০০৬৬৫২
- প্রতিফলন: গণনা প্রক্রিয়া পরীক্ষা, ক্যারি ত্রুটি পাওয়া
- সামঞ্জস্য: পুনরায় গণনা, সঠিক ফলাফল ৭০০৬৬৫২ (আসলে সঠিক)
- যদি এখনও ভুল হয়, সঠিক না হওয়া পর্যন্ত প্রতিফলন চালিয়ে যান।

সারসংক্ষেপ তুলনা

বাস্তব প্রয়োগে, প্রায়শই তিনটি একত্রিত করা হয়, যেমন ReAct-এ প্রতিফলন প্রক্রিয়া যোগ করা, বা Plan-and-Solve-এ প্রতিটি ধাপ সম্পাদনের পর প্রতিফলন।