শূন্য থেকে AI agent শেখার ছয় ধাপ
AI agent শেখার ব্যবহারিক পথ: ধারণা থেকে নিজের loop, tools, memory, loop design ও safety পর্যন্ত ছয় ধাপে এগোন। প্রতিটি ধাপে একটি জিনিস নিজে তৈরি করুন।
ছয়টি পর্যায়ে শেখার পথ
AI agent শূন্য থেকে শিখতে ছয়টি পর্যায় ধারাবাহিকভাবে সম্পন্ন করুন: ধারণা, আপনার প্রথম loop, tools, memory, loop design এবং safety। প্রতিটি পর্যায়ে নিজের হাতে একটি জিনিস তৈরি করবেন। আগে এগিয়ে যাওয়া শেখার পথে থেমে যাওয়ার সবচেয়ে সাধারণ কারণ। কারণ framework ঠিক সেই অংশটি আড়াল করে, যা আপনার দেখা দরকার ছিল।
AI agent হলো এমন একটি language model-কে ঘিরে তৈরি loop, যেটি tools call করতে পারে। পুরো বিষয়টি এই একটি বাক্যেই বলা যায়। এরপরের সবকিছু হলো loop-এর মধ্যে কী থাকে, tools কোন কোন জিনিসে access করতে পারে এবং loop ভুলভাবে চললে কীভাবে সেটি থামাবেন—সেসবের বিস্তারিত। আপনি যদি অন্য কাউকে loop-টি ব্যাখ্যা করতে পারেন, তাহলে বিষয়টি শিখেছেন। আপনি যদি শুধু framework-এর নাম বলতে পারেন, তাহলে শেখা হয়নি।
নিচের পরিকল্পনাটি ধরে নেওয়া হয়েছে যে আপনি তৈরি করে শিখবেন। একটি পর্যায় পড়ুন, ছোট জিনিসটি তৈরি করুন, ইচ্ছাকৃতভাবে সেটিতে ত্রুটি ঘটান, তারপর পরবর্তী পর্যায়ে যান। যে পর্যায় আপনি শুধু পড়েছেন, সেটি আপনি সম্পন্ন করেননি।
ধাপ 1-এর আগে আপনার আসলে যা প্রয়োজন
বাস্তব prerequisite-এর তালিকা ছোট, এবং অধিকাংশ কোর্স পেজে যতটা বলা হয় তার চেয়েও ছোট।
- পঞ্চাশ লাইনের একটি script লেখার ও বোঝার পর্যায়ে আপনি Python বা TypeScript পড়তে ও লিখতে পারেন।
- Linux shell ব্যবহারে আপনি স্বচ্ছন্দ: একটি package install করা, একটি file edit করা এবং একটি log পড়া আপনার জানা আছে।
- আপনার কাছে একটি hosted model-এর API key আছে, অথবা এমন একটি machine আছে যেখানে একটি local model চালানো যায়।
এটাই সম্পূর্ণ তালিকা। আপনার machine learning theory জানা প্রয়োজন নেই, এবং কোনো model train করাও প্রয়োজন নেই। Agent নিয়ে কাজের কোনো অংশেই gradient বা training data লাগে না। আপনি নিজে model চালানোর সিদ্ধান্ত নিলেই কেবল graphics card গুরুত্বপূর্ণ; এটি আলাদা একটি দক্ষতা, যা পরে VPS-এ Ollama host করে নিজে LLM চালানো থেকে শিখে নিতে পারেন।
যে বিষয়টি মানুষ অবমূল্যায়ন করে, সেটি হলো shell-এর অংশ। Permission, path, environment variable এবং নীরবে বন্ধ হয়ে যাওয়া process-এর কারণে agent ব্যর্থ হয়। PATH বা file mode-সংক্রান্ত কোনো stack trace দেখলে যদি আপনি terminal বন্ধ করে দেন, আগে Linux-এর মৌলিক বিষয়গুলো শেখার জন্য একটি weekend ব্যয় করুন। পরে এটি আপনার এক মাসের সময় বাঁচাবে।
1ম ধাপ: agent কী এবং কী নয়
একটি API call দিয়ে শুরু করুন এবং কোনো loop ব্যবহার করবেন না। একটি prompt পাঠান, reply print করুন, এবং response-এ token count দেখুন। এখন আপনি cost-এর একক এবং latency-এর একক বুঝতে পারবেন।
এরপর tool use শিখুন। পুরো ক্ষেত্রের একমাত্র সত্যিকারের নতুন ধারণা এটি। একটি function-কে model-এর কাছে name, description এবং input-এর জন্য একটি JSON (JavaScript object notation) schema হিসেবে বর্ণনা করুন। model নিজে কিছু run করে না। এটি একটি structured request দিয়ে reply দেয়: এই argument-গুলো দিয়ে run_command call করুন। আপনার code function-টি run করে, output-কে message হিসেবে ফেরত পাঠায়, এবং model-কে আবার জিজ্ঞাসা করে। model হলো এমন একটি planner, যা text পড়ে এবং text লেখে। আপনার code-এর কাছেই কাজ করার ক্ষমতা থাকে। এই আদান-প্রদানের নকশাগুলোর তুলনা শুরু করলে আপনার পাশের code-টির একটি নাম হয়: এটি হলো agent harness, অর্থাৎ loop, tools এবং permissions-কে এমন একটি model-এর চারপাশে যুক্ত করা কাঠামো, যার নিজস্ব কোনো tools বা permissions নেই।
একটি chatbot একটি reply-এর পর থেমে যায়। একটি agent model tools চাওয়া বন্ধ না করা পর্যন্ত এই আদান-প্রদান পুনরাবৃত্তি করে। পার্থক্যটি পুরোপুরি এই পুনরাবৃত্তিতেই, এবং এ কারণেই failure mode-ও আলাদা। একটি chatbot একবার ভুল উত্তর দেয়। কেউ বুঝতে পারার আগে একটি agent একই ভুল উত্তরের ভিত্তিতে কয়েকবার কাজ করতে পারে।
ধাপ 2: লুপটি একবার নিজে লিখুন
কোনো framework দিয়ে শুরু করবেন না। Python-এ প্রায় ত্রিশ লাইন লিখুন, যাতে এর কাঠামো আপনার নিজের হয়।
sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-hereimport subprocess
import anthropic
client = anthropic.Anthropic()
tools = [{
"name": "run_command",
"description": "Run a read only shell command and return its output.",
"input_schema": {
"type": "object",
"properties": {"command": {"type": "string"}},
"required": ["command"],
},
}]
messages = [{"role": "user", "content": "How much disk space is free here?"}]
while True:
response = client.messages.create(
model="claude-opus-5",
max_tokens=4096,
tools=tools,
messages=messages,
)
if response.stop_reason != "tool_use":
break
messages.append({"role": "assistant", "content": response.content})
results = []
for block in response.content:
if block.type == "tool_use":
done = subprocess.run(
block.input["command"], shell=True,
capture_output=True, text=True, timeout=10,
)
results.append({
"type": "tool_result",
"tool_use_id": block.id,
"content": done.stdout or done.stderr,
})
messages.append({"role": "user", "content": results})
print(next(b.text for b in response.content if b.type == "text"))python3 agent.py দিয়ে এটি চালান। সফলভাবে চললে একটি paragraph মুদ্রিত হবে। সেখানে আপনার filesystem-এর নাম এবং free space থাকবে। কারণ model df -h চেয়েছে, আপনার code সেটি চালিয়েছে, এবং দ্বিতীয় pass ওই table-কে একটি বাক্যে রূপান্তর করেছে। কিছু মুদ্রিত না হলে text block আসার আগেই loop শেষ হয়েছে। loop-এর ভেতরে print(response.stop_reason) যোগ করে মানগুলো কীভাবে পরিবর্তিত হয় তা দেখুন।
এবার ইচ্ছাকৃতভাবে এটি নষ্ট করুন। tool_use_id line মুছে error পড়ুন। কারণ matching id ছাড়া কোনো tool result API প্রত্যাখ্যান করে, এবং এটি beginners-এর সবচেয়ে সাধারণ bug। এমন একটি প্রশ্ন করুন যার জন্য দুটি command দরকার, এবং দেখুন loop দুবার চলে। এমন কিছু জিজ্ঞাসা করুন যা করা সম্ভব নয়, এবং দেখুন এটি হয় থেমে যায়, নয়তো অনির্দিষ্টকাল চলতে থাকে।
এই উদাহরণ সম্পর্কে একটি সতর্কতা আছে। এটি shell=True দিয়ে model-এর output সরাসরি shell-এ পাঠায়। পুনর্গঠন করা যায় এমন একটি scratch machine-এ এটি গ্রহণযোগ্য, কিন্তু অন্য সব পরিবেশে ভুল। Stage 6-এ এর সমাধান দেখানো হয়েছে। loop-এর অন্তর্নিহিত ধারণাগুলো VPS-এ নিজের AI agent তৈরি করা অংশে আরও বিস্তারিতভাবে আলোচনা করা হয়েছে।
পর্যায় 3: এজেন্টের কাছে আগে থেকেই থাকা টুল নয়
আপনার run_command টুল কাজ করে। তবে একটি বাস্তব এজেন্টের এমন টুল দরকার, যা বাইরের সিস্টেমে পৌঁছাতে পারে: ticket system, database এবং repository। প্রতিটি service ও প্রতিটি agent-এর জন্য আলাদা wrapper লিখলে তা বড় পরিসরে কার্যকর থাকে না।
শিল্পক্ষেত্রে Model Context Protocol (MCP)-কেই এর সমাধান হিসেবে গ্রহণ করা হয়েছে। একটি MCP server standard transport-এর মাধ্যমে একগুচ্ছ tool প্রকাশ করে। যেকোনো MCP aware agent অতিরিক্ত custom glue ছাড়াই সেগুলো ব্যবহার করতে পারে। Reference filesystem server চালানোর জন্য একটি command-ই যথেষ্ট:
npx -y @modelcontextprotocol/server-filesystem /home/you/projectsএর জন্য Node install করা থাকতে হবে। Directory argument-ই একমাত্র path, যেটিতে server কাজ করতে পারবে। এটাই এই security model-এর সংক্ষিপ্ত রূপ: boundary নির্ধারণ করে server, model নয়। কোনো client-কে এর দিকে নির্দেশ করলে আপনার agent এমন file পড়তে ও লিখতে পারবে, যার জন্য আপনাকে নিজে কোনো code লিখতে হয়নি। এগুলো service account-এর অধীনে সঠিকভাবে চালানো এবং transport-এর বিভিন্ন পছন্দ ব্যাখ্যা করা হয়েছে AI coding agent-এর জন্য VPS-এ MCP server চালানো-তে। Scratch directory-এর পরিবর্তে বাস্তব data-র দিকে নির্দেশ করে এমন দ্বিতীয় server-এর জন্য openGym self-host করা, একটি workout tracker-এ read only server দেওয়া আছে। তাই agent-কে এমন কিছু না দিয়েই আপনি নিজের training history সম্পর্কে প্রশ্ন করার অনুশীলন করতে পারবেন, যা agent নষ্ট করতে পারে।
এই পর্যায়ের শিক্ষা হলো, tool design-ই আসল কাজ। অস্পষ্ট description model-কে অনুমান করতে বাধ্য করে। যে tool 40000 character ফেরত দেয়, তা context window-কে অকার্যকর করে। যে tool কোনো কিছু delete করতে পারে, সেটি শেষ পর্যন্ত কোনো না কোনো কিছু delete করবেই।
Stage 4: memory, which is mostly just files
শুরুতে অনেকে এখানে vector database ব্যবহার করতে চান। অন্তত এখনই তা করবেন না।
একটি agent বিভিন্ন call-এর মধ্যে কোনো memory ধরে রাখে না। প্রতিবার পুরো conversation আবার পাঠাতে হয়। তাই দীর্ঘ session-এ প্রতিটি turn-এর খরচ ছোট session-এর তুলনায় বেশি হয়। ফলে memory-কে 2টি সমস্যায় ভাগ করা যায়। প্রথমটি হলো, এই মুহূর্তে context window-তে কী পরিমাণ তথ্য রাখা যায়। এটি সামলাতে summarise করুন, পুরোনো tool output ছাঁটাই করুন, এবং prompt-এর অপরিবর্তিত prefix cache করুন, যাতে এর জন্য খরচের একটি ভগ্নাংশ দিতে হয়। দ্বিতীয়টি হলো, restart-এর পর কোন তথ্য টিকে থাকে। এর জন্য storage দরকার।
দ্বিতীয় সমস্যার ক্ষেত্রে, agent যে একটি সাধারণ markdown file পড়তে ও লিখতে পারে, তা প্রায় সব প্রথম প্রকল্পে vector database-এর চেয়ে কার্যকর। একটি file দিন, format নির্ধারণ করে দিন, এবং agent-কে বলুন কাজ শুরুর আগে file-টি পড়তে ও নতুন কিছু শেখার পর সেটি update করতে। এতে বেশিরভাগ সুবিধা পাবেন, এবং file খুলে agent কী বিশ্বাস করে তা দেখতে পারবেন। Notes যখন context window-তে আর ধরে না, তখন embeddings ও retrieval ব্যবহার করুন। তার আগে নয়।
পর্যায় 5: loop-ই হলো product
এখন আপনি এমন একটি agent তৈরি করতে পারেন, যা আপনার নজরদারির মধ্যে কাজ করে। পর্যায় 5-এ লক্ষ্য হলো, আপনার অনুপস্থিতিতেও agent-টিকে কাজ করানো।
Unattended agent-কে নিরাপদে একা চালু রাখার জন্য 4টি প্রশ্নের উত্তর দরকার। কোন trigger এটি চালাবে, যাতে কোনো input ছাড়াই এটি চলতে না শুরু করে। এটি কোন boundary-এর মধ্যে কাজ করবে, যাতে ভুলের প্রভাব সীমিত থাকে। ফলাফল কীভাবে যাচাই করা হবে, কারণ নিজের কাজ নিজেই মূল্যায়ন করা agent সব সময় নিজেকেই উত্তীর্ণ করবে। কত token বা wall clock time-এর budget এটি ব্যবহার করতে পারবে। এই 4টি বিষয় পরিকল্পিতভাবে নির্ধারণ করাই loop engineering এবং এই সংজ্ঞার আওতায় যা পড়ে-এ বর্ণিত শৃঙ্খলা।
অনুশীলন: আপনার stage 2 agent নিন, তাকে এমন একটি task দিন যার জন্য 4 বা 5টি step প্রয়োজন, এবং একটি কঠোর iteration cap যোগ করুন। এরপর cap সরিয়ে দেখুন, unbounded loop আপনার token bill কত বাড়ায়। বড় budget-এ ভুল করে এটি চালিয়ে ফেলার ঝুঁকি এড়াতে প্রথমে ছোট budget-এ একবার পরীক্ষা করুন।
ধাপ 6: নিরাপত্তা, গোপন তথ্য এবং খরচ
এই ধাপটি ঐচ্ছিক নয়। এটি শেষে রাখা হয়েছে শুধু এই কারণে যে কাজ করা কোনো কিছু তৈরি না করা পর্যন্ত আপনি ঝুঁকিটি উপলব্ধি করতে পারবেন না।
এজেন্টকে নিজের একটি unprivileged user হিসেবে চালান। কখনো root হিসেবে বা নিজের account হিসেবে চালাবেন না। এতে সম্ভাব্য ক্ষতির পরিধি একটি machine-এর বদলে একটি directory-তে সীমাবদ্ধ থাকে। credentials model-এর নাগালের বাইরে রাখুন। কারণ context window-তে থাকা যেকোনো তথ্য tool call-এর মাধ্যমে আবার উদ্ধৃত হয়ে বাইরে যেতে পারে। এর সমাধান হলো helper-এর পেছনে স্বল্পমেয়াদি, সীমিত-পরিধির token ব্যবহার করা, যেমনটি আপনার AI agent থেকে গোপন তথ্য দূরে রাখা-তে বর্ণনা করা হয়েছে। খরচের জন্য একটি কঠোর সর্বোচ্চ সীমা নির্ধারণ করুন। কারণ কেউ নজর না রাখলে একটি unattended loop প্রতিটি iteration-এর জন্য বিল তৈরি করে। এটিকে নিয়ন্ত্রণে রাখার caps এবং batching সম্পর্কে সবসময় চালু থাকা VPS-এ AI agent-এর খরচ নিয়ন্ত্রণ-এ বলা হয়েছে।
আপনার agent যদি নিজের লেখা script-এর বদলে কোনো harness-এর ভিতরে চলে, তাহলে এই ধাপের কিছু অংশ code নয়, configuration হিসেবে প্রয়োগ করতে হবে। ইনস্টল করার মতো DeepSeek Harness plugin-এ budget cap, tool permission rule এবং injection scanning-সহ একই ধরনের অনেক সুবিধা রয়েছে।
খরচের ক্ষেত্রে একটি নির্দিষ্ট সংখ্যা জানা দরকার। July 2026 অনুযায়ী, Claude Opus 5 প্রতি million input token-এর জন্য $5 এবং প্রতি million output token-এর জন্য $25 বিল করে। একটি chatty agent ক্রমশ বড় হওয়া conversation বারবার পাঠালে একটিমাত্র task-এর মধ্যেই কয়েক hundred thousand token ব্যবহার করতে পারে। Prompt caching এবং নিয়মিত ধাপের জন্য ছোট model ব্যবহার করলে যেকোনো prompt পরিবর্তনের তুলনায় এই হিসাব অনেক বেশি বদলে যায়।
Prompt injection-ও এই ধাপের অন্তর্ভুক্ত। আপনার agent যদি কোনো web page, issue tracker বা inbox পড়ে, তাহলে সেই text যে লিখেছে, সে আপনার agent-এর জন্য instruction-ও লিখছে। Web search সাধারণত প্রথমে এই দরজা খুলে দেয়। নিজের SearXNG instance-এর দিকে agent নির্দেশ করা-এ wiring এবং এর তৈরি injection surface পাশাপাশি দেখানো হয়েছে। প্রতিরক্ষা কোনো বেশি clever system prompt নয়। প্রতিরক্ষা হলো boundary। কারণ কোনো agent যদি repository delete করতে না পারে, তাহলে তাকে repository delete করানোর জন্য প্ররোচিত করা যাবে না।
কোন মানচিত্র অনুসরণ করবেন?
একটি curriculum বেছে নিয়ে সেটি শেষ করুন। ছয়টি curriculum থেকে অল্প অল্প করে পড়বেন না। Microsoft ai-agents-for-beginners repository-টি সবচেয়ে সম্পূর্ণ বিনামূল্যের resource। এতে 18টি lesson রয়েছে এবং July 2026 অনুযায়ী এটি 70,000-এর বেশি star পেয়েছে। এটি উপরের ধাপগুলোর সঙ্গে সহজেই সামঞ্জস্যপূর্ণ। Trending agent repository-গুলোর roundup থেকে কী কী আছে তা বোঝা যায়। তবে syllabus হিসেবে এগুলো অনেক কম কার্যকর। কারণ star অনুযায়ী সাজানো তালিকা teaching order নয়, popularity অনুযায়ী সাজানো।
অনুশীলনের জন্য একটি বাস্তব project চাইলে coding agent দিয়ে শুরু করাই সবচেয়ে ভালো। Feedback তাৎক্ষণিক আসে, tool-গুলো স্পষ্ট থাকে এবং ভুল সহজে undo করা যায়। VPS-এ একটি coding AI agent চালানো-এ একটি agent end to end চালানোর পদ্ধতি দেখানো হয়েছে। শূন্য থেকে তৈরি না করে যদি চলমান system অধ্যয়ন করতে চান, সেরা self-hosted AI agent-এর তুলনায় দেখা যাবে, কয়েকটি project কীভাবে একই loop ভিন্নভাবে সমাধান করে।
কত সময় লাগে?
যারা ইতিমধ্যে প্রোগ্রামিং করেন, তাদের জন্য stage 1 এবং 2 এক সন্ধ্যাতেই শেষ করা যায়। stage 3 শেষ করতে একটি weekend লাগে। এর বেশির ভাগ সময় protocol-এর চেয়ে tool-এর বর্ণনা লিখতে ব্যয় হয়। stage 4 এবং 5 শেষ করতে বাস্তব ব্যবহারের কয়েক সপ্তাহ লাগে। কারণ আপনার agent কী ভুলে যায়, তা বুঝতে হলে তাকে ভুলতে দেখতেই হবে। stage 6 পুরোপুরি শেষ হয় না। আপনি যখনই নতুন কোনো capability দেন, তখনই সেটির পরিধি আবার বাড়ে।
নিয়মিত দুই মাস সন্ধ্যায় কাজ করলে অধিকাংশ মানুষ একটি কার্যকর, সীমাবদ্ধ এবং ব্যবহারযোগ্য agent তৈরি করতে পারেন। যারা এক বছর সময় নেন, তারা সাধারণত তৈরি করার বদলে পড়তেই থাকেন।
FAQ
AI agent তৈরি করতে কি machine learning জানা দরকার?
না। Agent তৈরি করার অর্থ হলো API-এর মাধ্যমে একটি model-কে কল করা এবং তার tool request-গুলোকে প্রকৃত function-এর সঙ্গে সংযুক্ত করা। এটি সাধারণ application programming। আপনাকে training, gradient বা dataset নিয়ে কাজ করতে হবে না। আপনার agent কাজ করবে কি না, তা মূলত tool-এর schema design, error handling এবং Linux permission-এর ওপর নির্ভর করে। আপনি যদি পরে কোনো model fine-tune করতে যান, তখন machine learning theory প্রাসঙ্গিক হবে। সেটি ভিন্ন কাজ এবং এর prerequisite-ও ভিন্ন।
LangChain বা CrewAI-এর মতো framework দিয়ে কি শুরু করা উচিত?
প্রথমে একটি raw loop নিজে লিখুন। এরপর framework ব্যবহার করুন। Framework stage 2-এর 30টি line-কে একটি configuration object দিয়ে প্রতিস্থাপন করে। আপনি কী প্রতিস্থাপিত করছেন তা জানার পর এটি সুবিধাজনক। তার আগে এটি বিভ্রান্তিকর হতে পারে। আপনার agent ভুল আচরণ করলে message list এবং tool result সরাসরি বিশ্লেষণ করতে হবে। এগুলো আগে না দেখলে কাজটি অনেক কঠিন হয়। নিজের একটি loop লেখার পর framework আপনার সময় বাঁচাবে। এটি mechanism আড়াল করবে না।
AI agent শেখার খরচ কত?
সীমা নির্ধারণ করলে অধিকাংশ মানুষের প্রত্যাশার চেয়ে কম। একটি hosted API key এবং ছোট VPS এই 6টি stage-এর সবকিছুর জন্য যথেষ্ট। প্রকৃত ঝুঁকি hourly rate নয়। আপনি ঘুমানোর সময় একটি সীমাহীন loop প্রতিটি iteration-এর জন্য billing তৈরি করতে পারে। প্রথম দিনেই আপনার API account-এ একটি কঠোর spend limit নির্ধারণ করুন। আপনার লেখা প্রতিটি loop-এ iteration cap যোগ করুন। নিয়মিত step-এর জন্য কম খরচের model ব্যবহার করুন। Model locally চালালে token bill থাকে না। এর পরিবর্তে hardware requirement তৈরি হয়।
AI agent এবং chatbot-এর মধ্যে পার্থক্য কী?
Chatbot একবার উত্তর দেয়। Agent একটি cycle পুনরাবৃত্তি করে: model একটি tool-এর জন্য request পাঠায়, আপনার code সেটি চালায়, result আবার model-এর কাছে যায়, এবং model পরবর্তী কাজ নির্ধারণ করে। এই পুনরাবৃত্তির কারণেই agent একাধিক step-এর task সম্পন্ন করতে পারে। এ কারণেই agent-এর এমন boundary দরকার, যা chatbot-এর ক্ষেত্রে প্রয়োজন হয় না। Chatbot-এর ভুল উত্তর একটি খারাপ paragraph। Agent-এর ভুল উত্তর একটি খারাপ paragraph, সঙ্গে সেই উত্তর অনুযায়ী এটি যা করেছে তাও যুক্ত হয়।