Letta-তে প্রকৌশল সহকারী: স্বয়ং-হালনাগাদ স্মৃতি, আর্কাইভ অনুসন্ধান এবং স্থানান্তরযোগ্য ওয়ার্কফ্লো
এতে এমন একটি এজেন্ট তৈরির প্রক্রিয়া তুলে ধরা হয়েছে, যা নিজে থেকেই মেমরির মূল ব্লকগুলো পরিচালনা করে, ভেক্টর আর্কাইভে প্রবেশ করে এবং ডিটারমিনিস্টিক টুল ব্যবহার করে; পাশাপাশি একাধিক এজেন্টের শেয়ার করা অবস্থা, স্ট্রিমিং আউটপুট এবং ওয়ার্কফ্লোকে বহনযোগ্য ফাইলে এক্সপোর্ট করার বিষয়ও আলোচনা করা হয়েছে।

সহকারীর উদ্দেশ্য
এই টিউটোরিয়ালে Letta-তে অবস্থা সংরক্ষণকারী একটি ইঞ্জিনিয়ারিং সহকারী তৈরি করা হয়েছে। এজেন্টের বর্ণনা হলো “পরিদর্শনযোগ্য দীর্ঘমেয়াদি স্মৃতিসহ ইঞ্জিনিয়ারিং কোপাইলট”। স্থাপত্যে স্মৃতি, অনুসন্ধান, টুল, একাধিক এজেন্টের পারস্পরিক সহযোগিতা এবং কার্যসম্পাদনের ট্রেস একত্রিত করা হয়েছে।
মানদণ্ড: অবস্থা সংরক্ষণ এবং যাচাইযোগ্য দীর্ঘমেয়াদি স্মৃতিসহ ইঞ্জিনিয়ারিং কাজের জন্য সহকারীটি উপযুক্ত।
প্রধান স্মৃতির ব্লক ও স্বয়ংক্রিয় হালনাগাদ
প্রধান স্মৃতি চারটি যাচাইযোগ্য ব্লক নিয়ে গঠিত। এজেন্ট নিজে থেকেই সেগুলো হালনাগাদ করতে পারে।

কোডে ভিন্ন ভিন্ন ডিফল্ট মান ও সীমাসহ চারটি ব্লক নির্ধারণ করা হয়েছে।
| ব্লক | বিষয়বস্তু | ডিফল্ট মান | সীমা |
|---|---|---|---|
persona | “আমি Mnemo, একজন ইঞ্জিনিয়ারিং কোপাইলট। আমি সংক্ষিপ্ত ও সুনির্দিষ্ট; কখনো তথ্য বানিয়ে বলি না—কিছু না জানলে তা বলি, তারপর খুঁজে দেখি।” | — | 3000 |
human | ইঞ্জিনিয়ার সম্পর্কে স্থিতিশীল তথ্য: নাম, ভূমিকা, প্রযুক্তি স্ট্যাক, পছন্দ এবং কাজের ধরন। | এখনো অজানা। | 3000 |
project_state | প্রকল্পের বর্তমান অবস্থা: পর্যায়, প্রতিবন্ধকতা, সিদ্ধান্ত এবং সেগুলোর যুক্তি। | (খালি) | 5000 |
lessons | শেখা শিক্ষা ও এমন ভুল, যা আর করা উচিত নয়; প্রতি শিক্ষার জন্য একটি করে লাইন। | (খালি) | 2000 |
মানদণ্ড: ব্লকগুলো এজেন্টের ভূমিকা, ইঞ্জিনিয়ারের প্রোফাইল, প্রকল্পের অবস্থা এবং শেখা শিক্ষাকে আলাদা রাখে। সীমাগুলো প্রতিটি ব্লকের পরিসর নির্ধারণ করে।
এম্বেডিং, ট্যাগ ও মডেল কনফিগার করা
কোডে এজেন্টের জন্য openai/text-embedding-3-small এম্বেডিং নির্ধারণ করা হয়েছে। কোডে ["tutorial", "copilot"] ট্যাগ বরাদ্দ করা হয়েছে। কোডে পছন্দের মডেলগুলো তালিকাভুক্ত করা হয়েছে: openai/gpt-4.1, openai/gpt-4o-mini, anthropic/claude-sonnet-4-20250514। সিস্টেম তালিকা থেকে প্রথম উপলভ্য মডেলটি বেছে নেয়। কোনো মডেল পাওয়া না গেলে, সিস্টেম প্রাপ্ত মডেলগুলোর মধ্যে প্রথমটি ব্যবহার করে।
মানদণ্ড: তালিকার ক্রম অগ্রাধিকার নির্ধারণ করে। বিকল্প হিসেবে প্রাপ্ত মডেলগুলোর প্রথমটি ব্যবহৃত হয়।
প্রোগ্রামগত অ্যাক্সেস ও এজেন্টদের সহযোগিতা
ব্লকগুলোতে প্রোগ্রামগত অ্যাক্সেস দুটি কাজ সমাধান করে।
- অবস্থার সিঙ্ক্রোনাইজেশন;
- একাধিক এজেন্টের মধ্যে ভাগ করে ব্যবহার।
অ্যাক্সেস করা হয় প্রধান স্মৃতির ব্লকগুলোতে।
মানদণ্ড: এজেন্টদের মধ্যে অবস্থা সিঙ্ক্রোনাইজ করতে ব্লকগুলোতে যৌথ অ্যাক্সেস প্রয়োজন।
আর্কাইভাল স্মৃতি ও শব্দার্থিক অনুসন্ধান
আর্কাইভাল ভেক্টর স্মৃতি শব্দার্থিক অনুসন্ধানের কাজে ব্যবহৃত হয়। এটি সহকারীর স্থাপত্যের অংশ।
মানদণ্ড: জমা করা ডেটায় অর্থভিত্তিক অনুসন্ধানের জন্য আর্কাইভাল সার্চ প্রয়োজন।
ঝুঁকি মূল্যায়নের সার্ভার টুল ও স্ট্রিমিং এক্সিকিউশন
ব্যবহারকারী-নির্ধারিত সার্ভার টুলটি নির্ধারিত নিয়মে ঝুঁকি মূল্যায়ন করে। সহকারীর স্থাপত্যে এক্সিকিউশন স্ট্রিমিং অন্তর্ভুক্ত রয়েছে।
মানদণ্ড: ঝুঁকি মূল্যায়নের জন্য নির্ধারিত নিয়মে কাজ করা সার্ভার টুল প্রয়োজন। এক্সিকিউশনের জন্য স্ট্রিমিং প্রয়োজন।
সার্ভার-সাইড ইতিহাস ও বহনযোগ্য স্ক্রিপ্ট
সার্ভার-সাইড বার্তার ইতিহাস স্থায়ী কথোপকথন সমর্থন করে। .af এক্সপোর্ট স্ক্রিপ্ট বহনযোগ্য করে।
মানদণ্ড: স্থায়ী কথোপকথনের জন্য সার্ভার-সাইড ইতিহাস প্রয়োজন। স্ক্রিপ্ট স্থানান্তরের জন্য .af এক্সপোর্ট প্রয়োজন।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
ছবির হাইব্রিড অ্যানোটেশন: স্বয়ংক্রিয়করণ কম্পিউটার ভিশন মডেলের প্রশিক্ষণকে ত্বরান্বিত করে
নিবন্ধে বর্ণনা করা হয়েছে, অ্যালগরিদমের মাধ্যমে প্রাথমিক লেবেলিং কীভাবে হাতে করা কাজ কমায় এবং প্রশিক্ষণ ডেটাসেটের পরিচ্ছন্নতা বাড়ায়, পাশাপাশি কেন নির্বাচিতভাবে মানুষের যাচাই এখনও জরুরি। কঠিন শুটিং পরিস্থিতি এবং বিরল ধরনের বস্তুর ক্ষেত্রে এই পদ্ধতির সীমাবদ্ধতাগুলোও আলোচিত হয়েছে।
5 নভেম্বর 2026
ডিফিউশন ভাষা মডেল ফাইন-টিউন করার GoldiMask পদ্ধতি: প্রেক্ষাপট নির্বাচন ও লক্ষ্যগুলোর ওজন নির্ধারণ
এই কাজে GoldiMask উপস্থাপন করা হয়েছে—ডিসক্রিট ডিফিউশনযুক্ত ভাষা মডেলের জন্য সুপারভাইজড ফাইন-টিউনিংয়ের একটি পদ্ধতি, যা সাবমডুলার ফাংশনের আনুমানিক সর্বাধিকীকরণের মাধ্যমে দৃশ্যমান টোকেন নির্বাচন করে এবং অবশিষ্ট লক্ষ্যগুলোর প্রশিক্ষণ-উপযোগিতা অনুযায়ী তাদের ওজন নির্ধারণ করে। একাধিক মডেল ও ডেটাসেটে পরীক্ষায় গড় নির্ভুলতা বৃদ্ধি, যুক্তি ও প্রোগ্রামিংয়ের কাজে উন্নতি এবং কাছাকাছি মান বজায় রেখে GSM8K ও MATH-500-এ সমান্তরাল ডিকোডিংয়ের পুনরাবৃত্তি কমার প্রমাণ পাওয়া গেছে।
30 অক্টোবর 2026
Transformers Apple Silicon-এ কোয়ান্টাইজড GGUF মডেল চালানোর সুবিধা যোগ করেছে
নিবন্ধটিতে Transformers-এ llama.cpp-এর GGUF ফরম্যাট সংহত করার বিষয়টি তুলে ধরা হয়েছে: Mac-এ লোকাল ইনফারেন্স, লাইব্রেরির API-এর মাধ্যমে মডেল লোড করা এবং OpenAI-সামঞ্জস্যপূর্ণ সার্ভার চালু করা। Qwen3.5-4B-এর উদাহরণে দেখানো হয়েছে, কোয়ান্টাইজেশনের স্তর নির্বাচন কীভাবে ওজনের আকার ও মেমরির প্রয়োজনীয়তাকে প্রভাবিত করে।
18 অক্টোবর 2026