AI Agent কীভাবে কাজ করে এবং সিদ্ধান্ত নেয়? জানুন Input, Context, Goal, Reasoning, Planning, Tool Use, Action ও Feedback-এর সম্পূর্ণ Workflow।
মানুষ যখন কোনো সমস্যার সামনে পড়ে, তখন শুধু উত্তর খোঁজে না—সে পরিস্থিতি বোঝে, আগের অভিজ্ঞতা মনে করে, সম্ভাব্য পথগুলো ভেবে দেখে, তারপর একটি সিদ্ধান্ত নেয়। অনেক সময় সিদ্ধান্তটি সহজ হয়, আবার কখনো ভুল করার ভয়, সময়ের চাপ কিংবা অসম্পূর্ণ তথ্যের মধ্যেও সিদ্ধান্ত নিতে হয়।
একজন মানুষ যেমন শুধু তথ্য জানলেই কাজ শেষ করে না, ঠিক তেমনি একটি AI Agent-ও শুধু প্রশ্নের উত্তর দেওয়ার জন্য তৈরি নয়। তার আসল শক্তি হলো—একটি লক্ষ্য বুঝে সেই লক্ষ্য অর্জনের জন্য কী করতে হবে তা নির্ধারণ করা, প্রয়োজনীয় তথ্য সংগ্রহ করা, বিভিন্ন Tool ব্যবহার করা, কাজ সম্পন্ন করা এবং ফলাফল দেখে পরবর্তী পদক্ষেপ ঠিক করা।
ধরুন, আপনি একজন AI Agent-কে বললেন—“আমার জন্য ঢাকায় একটি ভালো হোটেল খুঁজে দাও।”
Agent শুধু হোটেলের নাম বলে থেমে যাবে না। আপনার প্রয়োজন বুঝতে পারে, বাজেট ও অবস্থান বিবেচনা করতে পারে, প্রয়োজন হলে ওয়েব থেকে তথ্য সংগ্রহ করতে পারে, বিভিন্ন বিকল্প বিশ্লেষণ করতে পারে এবং আপনার চাহিদার সঙ্গে মিলিয়ে একটি ফলাফল দিতে পারে।
কিন্তু প্রশ্ন হলো—Agent কীভাবে বুঝল কোন কাজটি আগে করতে হবে? কোন তথ্য প্রয়োজন? কখন Tool ব্যবহার করতে হবে? আর কখন একটি সিদ্ধান্তকে চূড়ান্ত করা যাবে?
এই পুরো প্রক্রিয়ার পেছনে কাজ করে Perception, Context, Goal, Reasoning, Planning, Memory, Tools, Action এবং Feedback—যেগুলো একসঙ্গে একটি Agent Loop তৈরি করে।
এই লেখায় আমরা খুব সহজভাবে দেখব, একটি AI Agent কীভাবে শুরু থেকে শেষ পর্যন্ত কাজ করে এবং কীভাবে বিভিন্ন তথ্য ও পরিস্থিতি বিবেচনা করে সিদ্ধান্ত নেয়।
AI Agent-এর কাজের মূল প্রক্রিয়া কী?
সহজভাবে বললে, একটি AI Agent কোনো কাজ পাওয়ার পর সরাসরি উত্তর দিয়ে দেয় না। কাজটিকে বুঝতে, প্রয়োজনীয় তথ্য সংগ্রহ করতে, সিদ্ধান্ত নিতে এবং শেষ পর্যন্ত কাজটি সম্পন্ন করতে এটি কয়েকটি ধাপের মধ্য দিয়ে যায়।
একটি AI Agent-এর কাজের প্রক্রিয়াকে মোটামুটি এভাবে দেখা যায়:
Input → Context → Goal → Reasoning → Planning → Tool Use → Action → Feedback → Re-planning
অর্থাৎ, Agent প্রথমে কী করতে হবে তা বোঝে, এরপর কেন করতে হবে এবং কীভাবে করতে হবে তা নির্ধারণ করে। প্রয়োজন হলে বিভিন্ন Tool ব্যবহার করে কাজটি সম্পন্ন করে এবং ফলাফল প্রত্যাশা অনুযায়ী না হলে আবার নতুন পরিকল্পনা তৈরি করতে পারে। তাই AI Agent এর উপাদানগুলো ভালোভাবে জানতে হয়
একটি সহজ উদাহরণ দিয়ে পুরো বিষয়টি বোঝা যাক।
ধরুন, আপনি একটি AI Agent-কে বললেন:
“আগামী শুক্রবার ঢাকায় আমার একটি গুরুত্বপূর্ণ মিটিং আছে। মিটিংয়ের আগে আমাকে একটি ভালো রেস্টুরেন্ট খুঁজে দাও, যেখানে ৪ জন বসতে পারবে এবং বাজেট জনপ্রতি ১,০০০ টাকার মধ্যে।”
এখন Agent কীভাবে এই কাজটি করবে, ধাপে ধাপে দেখা যাক।
ধাপ ১: AI Agent কীভাবে Input বা তথ্য গ্রহণ করে?
AI Agent-এর কাজ শুরু হয় Input দিয়ে।
Input বলতে ব্যবহারকারীর কাছ থেকে পাওয়া যেকোনো নির্দেশনা, প্রশ্ন, তথ্য বা অনুরোধকে বোঝায়।
Input বিভিন্নভাবে আসতে পারে, যেমন:
- Text বা লিখিত নির্দেশনা
- Voice বা কণ্ঠস্বর
- Image বা ছবি
- Document বা PDF
- Sensor data
- API থেকে পাওয়া তথ্য
- অন্য কোনো Software বা Application-এর Data
উদাহরণ হিসেবে আপনি যদি বলেন—
“আগামী শুক্রবার ঢাকায় ৪ জনের জন্য একটি ভালো রেস্টুরেন্ট খুঁজে দাও।”
এটাই Agent-এর জন্য মূল Input।
তবে এখানে একটি গুরুত্বপূর্ণ বিষয় আছে। Agent শুধু শব্দগুলো গ্রহণ করলেই কাজ শেষ নয়। তাকে বুঝতে হবে—ব্যবহারকারী আসলে কী চান?
এখান থেকেই পরবর্তী ধাপ শুরু হয়।
ধাপ ২: Input থেকে Context কীভাবে বোঝে?
শুধু Input জানলেই একটি Agent ভালোভাবে কাজ করতে পারে না। তাকে Input-এর Context বা প্রেক্ষাপট বুঝতে হয়।
Context হলো এমন অতিরিক্ত তথ্য, যা কোনো নির্দেশনার প্রকৃত অর্থ বুঝতে সাহায্য করে।
উপরের উদাহরণে—
“আগামী শুক্রবার ঢাকায় ৪ জনের জন্য একটি ভালো রেস্টুরেন্ট খুঁজে দাও।”
এখানে Agent-কে কয়েকটি বিষয় বুঝতে হবে:
- কোথায়? → ঢাকা
- কখন? → আগামী শুক্রবার
- কতজন? → ৪ জন
- কী খুঁজতে হবে? → রেস্টুরেন্ট
- উদ্দেশ্য কী? → মিটিংয়ের আগে/জন্য খাবারের জায়গা
- বাজেট কত? → জনপ্রতি ১,০০০ টাকা
- “ভালো” বলতে কী বোঝানো হয়েছে? → Rating, Review, Location, খাবারের মান ইত্যাদি বিবেচনা করা হতে পারে
Agent-এর কাছে আগের কথোপকথন থাকলে সেটিও Context-এর অংশ হতে পারে।
ধরুন, আপনি আগেই বলেছিলেন:
“আমি শান্ত পরিবেশের রেস্টুরেন্ট পছন্দ করি।”
তাহলে Agent সেই তথ্যটিও বিবেচনায় নিতে পারে।
অর্থাৎ, Input বলে ব্যবহারকারী কী বলেছেন, আর Context সাহায্য করে ব্যবহারকারী আসলে কী বোঝাতে চেয়েছেন তা বুঝতে।
ধাপ ৩: Goal বা লক্ষ্য নির্ধারণ কীভাবে করে?
Context বোঝার পর Agent-কে নির্ধারণ করতে হয়—শেষ পর্যন্ত তাকে কী অর্জন করতে হবে?
এটাই হলো Goal বা লক্ষ্য।
আমাদের উদাহরণে Agent-এর Goal হতে পারে:
“ঢাকায় আগামী শুক্রবার ৪ জনের জন্য, জনপ্রতি ১,০০০ টাকার মধ্যে, ব্যবহারকারীর প্রয়োজন অনুযায়ী একটি উপযুক্ত রেস্টুরেন্ট খুঁজে বের করা।”
এখানে Goal যত পরিষ্কার হবে, Agent-এর পরবর্তী সিদ্ধান্ত নেওয়া তত সহজ হবে।
ধরুন, আপনি শুধু বললেন:
“একটা রেস্টুরেন্ট খুঁজে দাও।”
এটি খুব সাধারণ Goal।
কিন্তু আপনি যদি বলেন:
“ধানমন্ডিতে শুক্রবার সন্ধ্যায় ৪ জনের জন্য, শান্ত পরিবেশের এবং জনপ্রতি ১,০০০ টাকার মধ্যে একটি রেস্টুরেন্ট খুঁজে দাও।”
তাহলে Goal অনেক বেশি নির্দিষ্ট হয়ে যায়।
একটি AI Agent সাধারণত Goal-কে কয়েকটি ছোট কাজ বা Sub-goal-এ ভাগ করতে পারে।
যেমন:
- ধানমন্ডির রেস্টুরেন্ট খুঁজে বের করা
- শুক্রবার খোলা আছে কি না দেখা
- ৪ জনের জন্য উপযুক্ত কি না দেখা
- বাজেটের মধ্যে আছে কি না যাচাই করা
- পরিবেশ ও Reviews বিবেচনা করা
- উপযুক্ত কয়েকটি Option বের করা
এভাবে বড় একটি Goal ছোট ছোট কাজে পরিণত হয়।
ধাপ ৪: AI Agent কীভাবে তথ্য বিশ্লেষণ ও Reasoning করে?
এখন Agent জানে কী অর্জন করতে হবে। কিন্তু প্রশ্ন হলো—কীভাবে সেটা অর্জন করবে?
এখানে আসে Reasoning।
Reasoning বলতে পাওয়া তথ্য, Context এবং Goal বিবেচনা করে পরবর্তী পদক্ষেপ নির্ধারণের প্রক্রিয়াকে বোঝানো যায়।
উদাহরণ হিসেবে Agent হয়তো বুঝতে পারে:
“ব্যবহারকারী ৪ জনের জন্য রেস্টুরেন্ট চাচ্ছেন। শুধু রেস্টুরেন্টের নাম দিলেই হবে না। আমাকে Location, Budget, Availability এবং ব্যবহারকারীর পছন্দ—সবকিছু বিবেচনা করতে হবে।”
তারপর Agent সিদ্ধান্ত নিতে পারে:
“প্রথমে কয়েকটি রেস্টুরেন্ট খুঁজব। এরপর তাদের Rating, Price এবং Location যাচাই করব। তারপর যেগুলো ব্যবহারকারীর শর্ত পূরণ করে না সেগুলো বাদ দেব।”
এখানে একটি বিষয় মনে রাখা গুরুত্বপূর্ণ—AI-এর Reasoning মানুষের চিন্তার মতো সচেতন চিন্তা নয়। বাস্তবে AI Model ইনপুট, Context, শেখা Patterns এবং উপলব্ধ তথ্যের ভিত্তিতে পরবর্তী উপযুক্ত পদক্ষেপ নির্ধারণ করে।
ধাপ ৫: AI Agent কীভাবে Plan বা পরিকল্পনা তৈরি করে?
Reasoning-এর পর Agent তৈরি করতে পারে একটি Plan বা পরিকল্পনা।
Plan হলো Goal অর্জনের জন্য কী কী কাজ করতে হবে তার একটি ধারাবাহিক ব্যবস্থা।
আমাদের উদাহরণে Plan হতে পারে:
Plan:
- ঢাকার নির্দিষ্ট এলাকায় রেস্টুরেন্ট খোঁজা
- রেস্টুরেন্টগুলোর তথ্য সংগ্রহ করা
- Price Range যাচাই করা
- Friday-এর Opening Hours যাচাই করা
- ৪ জনের জন্য উপযুক্ত কি না দেখা
- Rating ও Review বিবেচনা করা
- ব্যবহারকারীর শর্তের সঙ্গে মিলিয়ে Option নির্বাচন করা
- ফলাফল ব্যবহারকারীকে জানানো
এখানে Agent চাইলে পুরো কাজ একবারে না করে একটি একটি করে ধাপ সম্পন্ন করতে পারে।
এটাই AI Agent-কে সাধারণ Question-Answer System থেকে আলাদা করে।
একটি সাধারণ AI Chatbot হয়তো শুধু বলবে:
“আপনি Google Maps-এ রেস্টুরেন্ট খুঁজে দেখতে পারেন।”
কিন্তু একটি Agent তার Tools-এর অনুমতি থাকলে নিজেই প্রয়োজনীয় তথ্য খুঁজে পরবর্তী Action নেওয়ার চেষ্টা করতে পারে।
ধাপ ৬: কখন কোন Tool ব্যবহার করবে—সেটা কীভাবে সিদ্ধান্ত নেয়?
AI Agent-এর অন্যতম গুরুত্বপূর্ণ ক্ষমতা হলো Tool ব্যবহার করা।
একটি LLM অনেক তথ্য জানলেও সবসময় Real-time তথ্য জানে না এবং বাইরের সিস্টেমে সরাসরি কাজও করতে পারে না।
তাই Agent প্রয়োজন অনুযায়ী বিভিন্ন Tool ব্যবহার করতে পারে।
যেমন:
- Web Search
- Calculator
- Database
- Maps
- Weather API
- Calendar
- CRM
- Payment System
- Code Interpreter
- বিভিন্ন Business API
ধরুন Agent-এর কাছে জানতে চাওয়া হলো:
“আজ ঢাকার আবহাওয়া কেমন?”
এখানে বর্তমান আবহাওয়া জানতে Weather Tool বা API ব্যবহার করা প্রয়োজন হতে পারে।
আবার প্রশ্ন যদি হয়:
“২৫ × ৪৮ কত?”
তাহলে Calculator Tool ব্যবহার করা যেতে পারে।
আর যদি বলা হয়:
“আমার Calendar-এ আগামীকাল সকাল ১০টার Meeting আছে কি না দেখো।”
তাহলে Calendar Tool প্রয়োজন হতে পারে।
অর্থাৎ Agent বুঝতে চেষ্টা করে:
“এই কাজটি সম্পন্ন করার জন্য আমার কি বাইরের কোনো Tool বা তথ্য প্রয়োজন?”
প্রয়োজন হলে উপযুক্ত Tool নির্বাচন করে।
ধাপ ৭: AI Agent কীভাবে Action বা কাজ সম্পাদন করে?
পরিকল্পনা তৈরি এবং প্রয়োজনীয় Tool নির্বাচন করার পর Agent আসে Action বা Execution পর্যায়ে।
এখানে Agent শুধু সিদ্ধান্ত নিয়ে বসে থাকে না—পরিকল্পনা অনুযায়ী বাস্তব কাজ করার চেষ্টা করে।
উদাহরণ:
আপনি বললেন:
“আমার জন্য আগামীকাল সকাল ৯টার একটি Meeting Schedule করো।”
Agent-এর Action হতে পারে:
- Calendar খুলবে
- আগামীকালকের তারিখ নির্ধারণ করবে
- সকাল ৯টার সময় পরীক্ষা করবে
- সময়টি খালি থাকলে Event তৈরি করবে
- Meeting-এর নাম যোগ করবে
- Event Save করবে
আর যদি সময়টি খালি না থাকে, তাহলে Agent পরবর্তী সিদ্ধান্ত নিতে পারে।
অর্থাৎ:
Reasoning → Plan → Tool → Action
এই ধারাবাহিকতার মাধ্যমে Agent বাস্তব কাজ সম্পন্ন করতে পারে।
ধাপ ৮: কাজের ফলাফল থেকে Feedback কীভাবে নেয়?
Action নেওয়ার পর Agent-এর কাজ কিন্তু সবসময় শেষ হয়ে যায় না।
তাকে দেখতে হয়:
“আমি যে কাজটি করলাম, তার ফলাফল কী হলো?”
এই ফলাফলকে বলা যায় Feedback বা Observation।
ধরুন Agent একটি Website থেকে রেস্টুরেন্টের তথ্য সংগ্রহ করতে গেল।
সে দেখতে পেল:
রেস্টুরেন্টটি শুক্রবার বন্ধ।
তাহলে এই তথ্য Agent-এর জন্য Feedback।
Agent বুঝতে পারবে:
“এই রেস্টুরেন্ট ব্যবহারকারীর শর্ত পূরণ করছে না।”
তাই সেটিকে বাদ দিয়ে অন্য Option খুঁজতে পারে।
আবার ধরুন, Agent Calendar-এ Meeting Schedule করতে গিয়ে দেখল:
সকাল ৯টায় আগে থেকেই একটি Meeting রয়েছে।
এটিও Feedback।
তখন Agent বুঝতে পারে:
“৯টার সময় ব্যবহার করা যাবে না।”
এরপর সে অন্য একটি সময় খুঁজতে পারে—যদি তাকে এমন সিদ্ধান্ত নেওয়ার অনুমতি দেওয়া হয়ে থাকে।
এখানেই Agent-এর Loop-based behaviour গুরুত্বপূর্ণ হয়ে ওঠে।
ধাপ ৯: ভুল হলে AI Agent কীভাবে পুনরায় সিদ্ধান্ত নেয়?
বাস্তব দুনিয়ায় কোনো কাজই সবসময় প্রথম চেষ্টায় সফল হয় না।
একটি Tool কাজ নাও করতে পারে। তথ্য অসম্পূর্ণ হতে পারে। কোনো Option ব্যবহারকারীর শর্ত পূরণ নাও করতে পারে। আবার Agent-এর প্রথম পরিকল্পনাও কাঙ্ক্ষিত ফলাফল দিতে নাও পারে।
তখন Agent Feedback বা Error-এর ভিত্তিতে আবার সিদ্ধান্ত নিতে পারে।
ধরুন, Agent-কে বলা হলো:
“আগামীকাল বিকেল ৫টায় আমার জন্য একটি Meeting Schedule করো।”
Agent Calendar দেখে পেল ৫টা সময় আগেই Booked।
এখন সে বুঝতে পারে:
Goal: Meeting Schedule করা
Problem: ৫টা সময় Available নয়
Next Step: অন্য সময় খুঁজতে হবে
তারপর সে হয়তো ৫:৩০ বা ৬টা পরীক্ষা করতে পারে—তবে এটি করার অনুমতি ও ব্যবহারকারীর শর্তের ওপর নির্ভর করবে।
আরেকটি উদাহরণ ধরা যাক।
Agent কোনো Website থেকে তথ্য সংগ্রহ করতে গেল, কিন্তু Website থেকে Response পেল না।
তখন Agent-এর পরবর্তী পদক্ষেপ হতে পারে:
প্রথম চেষ্টা: Website থেকে তথ্য সংগ্রহ
↓
Feedback: তথ্য পাওয়া যায়নি
↓
নতুন সিদ্ধান্ত: অন্য Source ব্যবহার করা
↓
আবার Action
↓
নতুন Feedback
এইভাবে Agent প্রয়োজন অনুযায়ী Plan পরিবর্তন বা পুনরায় তৈরি করতে পারে।
পুরো প্রক্রিয়াটি এক নজরে
একটি AI Agent-এর কাজকে খুব সহজভাবে এভাবে মনে রাখা যায়:
১. Input
ব্যবহারকারী কী চায় তা গ্রহণ করা।
↓
২. Context
ব্যবহারকারীর কথা ও প্রয়োজনের প্রেক্ষাপট বোঝা।
↓
৩. Goal
শেষ পর্যন্ত কী অর্জন করতে হবে তা নির্ধারণ করা।
↓
৪. Reasoning
কীভাবে Goal অর্জন করা যায় তা বিশ্লেষণ করা।
↓
৫. Planning
কাজগুলো কোন ক্রমে করা হবে তার পরিকল্পনা তৈরি করা।
↓
৬. Tool Selection
কোন Tool প্রয়োজন তা নির্ধারণ করা।
↓
৭. Action
পরিকল্পনা অনুযায়ী কাজ সম্পাদন করা।
↓
৮. Feedback / Observation
কাজের ফলাফল পর্যবেক্ষণ করা।
↓
৯. Re-planning
ফলাফল প্রত্যাশামতো না হলে নতুন সিদ্ধান্ত বা পরিকল্পনা নেওয়া।
↓
১০. Final Result
Goal পূরণ হলে ব্যবহারকারীকে ফলাফল দেওয়া।
AI Agent-এর Agent Loop
উপরের ধাপগুলোকে একসঙ্গে করলে একটি Agent Loop তৈরি হয়:
Observe → Understand → Reason → Plan → Act → Observe → Re-plan → Act
অর্থাৎ Agent একবার সিদ্ধান্ত নিয়ে থেমে যায় না। কাজের ফলাফল দেখে প্রয়োজন হলে পরবর্তী সিদ্ধান্ত পরিবর্তন করতে পারে।
এই কারণেই AI Agent শুধু একটি “প্রশ্নের উত্তর দেওয়ার AI” নয়; বরং নির্দিষ্ট Goal অর্জনের জন্য তথ্য বোঝা, সিদ্ধান্ত নেওয়া, Tool ব্যবহার করা এবং Action নেওয়ার সক্ষমতা থাকা একটি AI System।
সহজ একটি বাস্তব উদাহরণ
ধরুন আপনি বললেন:
“আমার জন্য আগামী শুক্রবার ঢাকায় ৪ জনের একটি রেস্টুরেন্ট বুকিংয়ের ব্যবস্থা করো।”
তাহলে Agent-এর সম্ভাব্য Workflow হবে:
আপনার Request
↓
Context বোঝা — শুক্রবার, ঢাকা, ৪ জন
↓
Goal নির্ধারণ — উপযুক্ত রেস্টুরেন্ট ও Booking
↓
Reasoning — কোথায় এবং কী ধরনের রেস্টুরেন্ট প্রয়োজন?
↓
Plan — Restaurant খোঁজা → Availability দেখা → উপযুক্ত Option নির্বাচন → Booking
↓
Tool ব্যবহার — Search / Restaurant Availability / Booking Tool
↓
Action — প্রয়োজনীয় তথ্য দিয়ে Booking করার চেষ্টা
↓
Feedback — সময় Available কি না? Booking সফল হয়েছে কি না?
↓
প্রয়োজনে Re-plan — সময় Available না হলে অনুমোদিত সীমার মধ্যে অন্য Option খোঁজা
↓
Final Result — ব্যবহারকারীকে ফলাফল জানানো
এটাই মূলত AI Agent-এর কাজ করার ধারণা—শুধু “উত্তর দেওয়া” নয়, বরং একটি Goal অর্জনের জন্য পরিস্থিতি বুঝে ধারাবাহিকভাবে সিদ্ধান্ত নেওয়া এবং Action নেওয়া।
AI Agent-এর Decision-Making Process কীভাবে কাজ করে?
একটি AI Agent-এর সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্যগুলোর একটি হলো Decision-Making বা সিদ্ধান্ত গ্রহণের ক্ষমতা। তবে এখানে সিদ্ধান্ত নেওয়া বলতে মানুষের মতো সচেতনভাবে চিন্তা করা বোঝায় না। বরং Agent তার Goal, Context, Knowledge, Memory, LLM এবং প্রয়োজনীয় Tools থেকে পাওয়া তথ্য বিশ্লেষণ করে পরবর্তী কোন পদক্ষেপ নেওয়া উপযুক্ত, তা নির্ধারণ করে।
সহজভাবে বললে, একটি AI Agent যখন কোনো কাজ পায়, তখন তার ভেতরে এমন একটি প্রক্রিয়া কাজ করে:
Goal → Context → Knowledge → Reasoning → Decision → Action → Feedback
ধরুন, আপনি একটি AI Agent-কে বললেন:
“আগামীকাল ঢাকায় বৃষ্টি হওয়ার সম্ভাবনা থাকলে আমার বিকেলের Outdoor Event-এর জন্য একটি বিকল্প পরিকল্পনা তৈরি করো।”
এখানে Agent-কে শুধু আবহাওয়ার তথ্য জানলেই হবে না। তাকে বুঝতে হবে আপনার Goal কী, Event কখন, Weather কেমন হতে পারে, বৃষ্টি হলে কী সমস্যা হবে এবং বিকল্প কী হতে পারে। এরপর এসব তথ্যের ভিত্তিতে একটি সিদ্ধান্ত নিতে হবে।
চলুন দেখি, এই Decision-Making Process-এ কোন বিষয় কীভাবে কাজ করে।
Goal, Context ও Knowledge-এর ভূমিকা
AI Agent-এর সিদ্ধান্ত গ্রহণের ক্ষেত্রে Goal, Context এবং Knowledge তিনটি গুরুত্বপূর্ণ ভিত্তি।
Goal কীভাবে সিদ্ধান্তকে নির্দেশ করে?
Goal হলো Agent শেষ পর্যন্ত কী অর্জন করতে চায়।
ধরুন আপনার Goal:
“আগামীকাল বিকেলে Outdoor Event সফলভাবে আয়োজন করা।”
এখন Agent-এর প্রতিটি সিদ্ধান্ত এই Goal-এর সঙ্গে সম্পর্কিত হবে।
যদি আবহাওয়ার পূর্বাভাসে বৃষ্টির সম্ভাবনা থাকে, Agent ভাবতে পারে:
“বৃষ্টি হলে Outdoor Event-এ সমস্যা হতে পারে। তাই Indoor Venue-এর একটি বিকল্প প্রয়োজন।”
অর্থাৎ Goal Agent-কে বলে দেয়—
“শেষ পর্যন্ত আমাকে কোথায় পৌঁছাতে হবে?”
Goal পরিষ্কার না হলে Agent-এর সিদ্ধান্তও সঠিকভাবে নির্ধারণ করা কঠিন হয়ে যায়।
Context কেন গুরুত্বপূর্ণ?
একই Goal হলেও Context পরিবর্তন হলে সিদ্ধান্তও পরিবর্তিত হতে পারে।
ধরুন দুজন ব্যক্তি বললেন:
“আমার জন্য একটি রেস্টুরেন্ট খুঁজে দাও।”
একজনের Context:
- ২ জন
- Budget ১,০০০ টাকা
- ধানমন্ডি
- দুপুরে Lunch
অন্যজনের Context:
- ৮ জন
- Budget ৩,০০০ টাকা
- গুলশান
- Corporate Meeting
দুজনের Request একই হলেও তাদের জন্য উপযুক্ত রেস্টুরেন্ট এক হবে না।
তাই Agent শুধু “রেস্টুরেন্ট খুঁজে দাও” কথাটি দেখে সিদ্ধান্ত নেয় না। বরং Location, Time, Budget, Number of People এবং User Preference-এর মতো Context বিবেচনা করে।
সহজভাবে:
Goal বলে কী অর্জন করতে হবে, আর Context বলে কোন পরিস্থিতিতে সেটি অর্জন করতে হবে।
Knowledge কীভাবে সাহায্য করে?
Agent-এর কাছে থাকা Knowledge তাকে বিভিন্ন বিষয় বুঝতে এবং সম্ভাব্য সিদ্ধান্ত তৈরি করতে সাহায্য করে।
Knowledge আসতে পারে:
- Training Data থেকে
- Knowledge Base থেকে
- Documents থেকে
- Database থেকে
- কোম্পানির Internal Information থেকে
- ব্যবহারকারীর দেওয়া তথ্য থেকে
উদাহরণস্বরূপ, একটি Travel Agent-এর Knowledge Base-এ যদি বিভিন্ন দেশের Visa Requirement, Travel Policy এবং Hotel Information থাকে, তাহলে ব্যবহারকারী ভ্রমণের পরিকল্পনা করলে Agent সেই Knowledge ব্যবহার করে সিদ্ধান্ত নিতে পারে।
তবে Knowledge সবসময় বর্তমান বা Real-time নাও হতে পারে। এখানেই External Data এবং Tools গুরুত্বপূর্ণ হয়ে ওঠে।
LLM কীভাবে সিদ্ধান্ত গ্রহণে সাহায্য করে?
একটি AI Agent-এর মধ্যে LLM বা Large Language Model সাধারণত একটি গুরুত্বপূর্ণ Reasoning এবং Language Processing component হিসেবে কাজ করে।
LLM ব্যবহারকারীর ভাষা বুঝতে, তথ্য বিশ্লেষণ করতে এবং পরবর্তী পদক্ষেপের সম্ভাব্য পথ নির্ধারণে সাহায্য করতে পারে।
ধরুন ব্যবহারকারী বলল:
“আমি আগামীকাল অফিসে যাওয়ার আগে একটা ভালো নাশতার জায়গা খুঁজছি। আমার অফিস গুলশানে।”
LLM প্রথমে Request-এর অর্থ বুঝতে সাহায্য করতে পারে:
- সময় → আগামীকাল সকালে
- প্রয়োজন → Breakfast
- Location → Gulshan
- উদ্দেশ্য → অফিসে যাওয়ার আগে খাবার
এরপর Agent-এর অন্য Components এবং Tools-এর সঙ্গে সমন্বয় করে পরবর্তী Action নির্ধারণ করা যেতে পারে।
LLM কি একাই পুরো Agent?
না, সব ক্ষেত্রে নয়।
এটি বোঝার জন্য একটি সহজ উদাহরণ দেওয়া যায়।
একজন মানুষ কোনো সমস্যার সমাধান করার সময় শুধু মস্তিষ্ক ব্যবহার করেন না। তার প্রয়োজন হতে পারে:
- স্মৃতি
- বই বা তথ্য
- Calculator
- Internet
- ফোন
- অন্য মানুষের সাহায্য
একইভাবে একটি AI Agent-এ LLM গুরুত্বপূর্ণ হলেও LLM একাই পুরো Agent নয়।
একটি Agent-এর Workflow অনেকটা এমন হতে পারে:
User Input
↓
LLM বুঝল কী করতে হবে
↓
Plan তৈরি হলো
↓
Tool প্রয়োজন কি না নির্ধারণ
↓
Tool ব্যবহার
↓
Result LLM-এর কাছে ফিরে এলো
↓
Result বিশ্লেষণ
↓
পরবর্তী Action
অর্থাৎ LLM Agent-এর “বোঝা, বিশ্লেষণ এবং পরবর্তী পদক্ষেপ নির্ধারণের” কাজে গুরুত্বপূর্ণ ভূমিকা পালন করতে পারে।
Memory কীভাবে সিদ্ধান্তকে প্রভাবিত করে?
একটি AI Agent যদি আগের গুরুত্বপূর্ণ তথ্য মনে রাখতে পারে, তাহলে ভবিষ্যতের সিদ্ধান্ত আরও Context-aware হতে পারে।
ধরুন আপনি আগে Agent-কে বলেছিলেন:
“আমি সাধারণত কম ঝাল খাবার পছন্দ করি।”
কিছুদিন পর আপনি বললেন:
“আজ একটা রেস্টুরেন্ট সাজেস্ট করো।”
যদি Agent-এর Memory-তে আপনার এই Preference সংরক্ষিত থাকে এবং সেটি ব্যবহারের উপযুক্ত হয়, তাহলে Agent কম ঝাল খাবারের Option বিবেচনা করতে পারে।
এখানে Memory Agent-কে একটি গুরুত্বপূর্ণ প্রশ্নের উত্তর দিতে সাহায্য করে:
“এই ব্যবহারকারীর সম্পর্কে আমি আগে কী জেনেছি, যা বর্তমান সিদ্ধান্তে কাজে লাগতে পারে?”
Memory-এর কয়েকটি সাধারণ ব্যবহার
১. User Preference মনে রাখা
যেমন:
- খাবারের পছন্দ
- ভাষার পছন্দ
- যোগাযোগের পছন্দ
- নির্দিষ্ট কাজের Preference
২. Previous Conversation ব্যবহার করা
ধরুন আগের কথোপকথনে আপনি একটি Project-এর কিছু তথ্য দিয়েছেন।
পরবর্তী ধাপে Agent সেই Context ব্যবহার করে কাজ চালিয়ে যেতে পারে, যদি সেই তথ্য তার বর্তমান Context/Memory-তে উপলব্ধ থাকে।
৩. আগের কাজের ফলাফল বিবেচনা করা
ধরুন কোনো Task-এর প্রথম চেষ্টায় একটি সমস্যা হয়েছিল। পরবর্তী Attempt-এ সেই ফলাফল বিবেচনা করে Agent অন্য পদ্ধতি নিতে পারে।
তবে Memory মানেই সবকিছু চিরস্থায়ীভাবে মনে রাখা নয়। কোন তথ্য সংরক্ষণ করা হবে, কতদিন থাকবে এবং কখন ব্যবহার করা হবে—এসব Agent-এর Architecture ও System Design-এর ওপর নির্ভর করে।
Tools ও External Data কীভাবে সিদ্ধান্তকে উন্নত করে?
এটি AI Agent-এর Decision-Making-এর অন্যতম গুরুত্বপূর্ণ অংশ।
একটি LLM-এর Knowledge থাকলেও অনেক কাজের জন্য বর্তমান তথ্য বা বাইরের সিস্টেমে Access প্রয়োজন হতে পারে।
ধরুন আপনি প্রশ্ন করলেন:
“আজ ঢাকার আবহাওয়া কেমন?”
এখানে শুধু পুরোনো Knowledge ব্যবহার করলে চলবে না। কারণ আবহাওয়া পরিবর্তনশীল।
Agent তখন একটি Weather API বা Weather Tool ব্যবহার করতে পারে।
Workflow হতে পারে:
User Question
↓
“আজকের আবহাওয়া জানতে হবে”
↓
Weather Tool প্রয়োজন
↓
Current Weather Data সংগ্রহ
↓
Data বিশ্লেষণ
↓
User-কে উত্তর
Tool ব্যবহার করে Agent কী ধরনের সিদ্ধান্ত নিতে পারে?
ধরুন একজন ব্যবহারকারী বলল:
“আমার আগামীকালের Flight সকাল ১০টায়। বিমানবন্দরে যাওয়ার জন্য কখন বের হওয়া উচিত?”
এখানে Agent-এর কাছে বিভিন্ন Tool থাকতে পারে:
- Flight Information Tool
- Maps/Traffic Tool
- Weather Tool
- Calendar Tool
Agent প্রয়োজন অনুযায়ী তথ্য সংগ্রহ করে সিদ্ধান্ত নিতে পারে।
যেমন:
Flight Time: সকাল ১০টা
↓
Airport: ঢাকা বিমানবন্দর
↓
Traffic Data: সকালে যানজট বেশি
↓
Estimated Travel Time: নির্দিষ্ট সময়
↓
Required Buffer: বিমানবন্দরে আগে পৌঁছানোর সময়
↓
Decision: কখন বাসা থেকে বের হওয়া উচিত
এখানে শুধু LLM-এর সাধারণ জ্ঞান যথেষ্ট নয়। Real-time External Data সিদ্ধান্তকে আরও বাস্তবসম্মত করতে সাহায্য করে।
External Data কেন গুরুত্বপূর্ণ?
External Data হলো Agent-এর বাইরে থাকা এমন তথ্য, যা প্রয়োজন অনুযায়ী সংগ্রহ করা যায়।
যেমন:
- Current Weather
- Stock/Market Data
- Flight Status
- Traffic Information
- Product Price
- News
- Database Records
- Company Inventory
- Calendar Information
ধরুন একটি Online Shopping Agent-এর কাছে একটি Product-এর পুরোনো Price জানা আছে:
“Product X-এর দাম ৫০,০০০ টাকা।”
কিন্তু বর্তমান দাম যদি ৪৫,০০০ টাকা হয়, তাহলে পুরোনো Knowledge ব্যবহার করলে ভুল সিদ্ধান্ত হতে পারে।
Agent যদি Live Product Data সংগ্রহ করতে পারে, তাহলে:
পুরোনো Knowledge + Current External Data
দুটিকে বিবেচনা করে সিদ্ধান্ত নেওয়া সম্ভব।
সবকিছু কীভাবে একসঙ্গে কাজ করে?
এখন Goal, Context, Knowledge, LLM, Memory এবং Tools-কে একসঙ্গে দেখলে AI Agent-এর Decision-Making Process অনেক সহজে বোঝা যায়।
ধরুন আপনি বললেন:
“আগামীকাল আমার বন্ধুর জন্মদিন। ঢাকার মধ্যে ৩,০০০ টাকার বাজেটে একটি সুন্দর উপহার খুঁজে দাও।”
Agent-এর সম্ভাব্য Decision Process:
১. Goal
৩,০০০ টাকার মধ্যে একটি উপযুক্ত Birthday Gift খুঁজে বের করা।
২. Context
- Occasion → Birthday
- Location → ঢাকা
- Budget → ৩,০০০ টাকা
- Recipient → Friend
৩. Knowledge
Agent বিভিন্ন ধরনের Gift সম্পর্কে তার জানা তথ্য বিবেচনা করতে পারে।
৪. Memory
যদি প্রাসঙ্গিকভাবে জানা থাকে যে আপনার বন্ধু বই পছন্দ করেন, তাহলে সেটি বিবেচনায় আসতে পারে।
৫. LLM
LLM Request ও Context বিশ্লেষণ করে সম্ভাব্য Option এবং পরবর্তী পদক্ষেপ নির্ধারণে সাহায্য করতে পারে।
৬. Tools
বর্তমান Product Price বা Availability জানার জন্য Shopping Search বা অন্য কোনো Tool ব্যবহার করা যেতে পারে।
৭. Decision
Agent Budget, Preference, Availability এবং অন্যান্য শর্ত মিলিয়ে সম্ভাব্য Option নির্বাচন করতে পারে।
৮. Feedback
কোনো Product Available না থাকলে Agent সেটি বাদ দিয়ে অন্য Option খুঁজতে পারে।
অর্থাৎ পুরো প্রক্রিয়াটি হতে পারে:
Goal + Context + Knowledge + Memory + LLM + Tools → Decision → Action → Feedback
তাহলে AI Agent-এর সিদ্ধান্ত আসলে কীভাবে তৈরি হয়?
সবচেয়ে সহজভাবে বললে, AI Agent একটি সিদ্ধান্তে পৌঁছানোর সময় একটিমাত্র তথ্যের ওপর নির্ভর করে না। বরং বিভিন্ন উৎস থেকে পাওয়া তথ্যকে একসঙ্গে বিবেচনা করে।
| উপাদান | প্রধান ভূমিকা |
|---|---|
| Goal | কী অর্জন করতে হবে তা নির্ধারণ করে |
| Context | কোন পরিস্থিতিতে কাজটি করতে হবে তা বোঝায় |
| Knowledge | আগে থেকে জানা তথ্য সরবরাহ করে |
| LLM | ভাষা বোঝা, বিশ্লেষণ ও পরবর্তী পদক্ষেপ নির্ধারণে সাহায্য করে |
| Memory | প্রাসঙ্গিক পূর্ববর্তী তথ্য কাজে লাগাতে সাহায্য করে |
| Tools | বাইরের System ও তথ্যের সঙ্গে কাজ করতে সাহায্য করে |
| External Data | Current বা Real-time তথ্য সরবরাহ করে |
| Feedback | সিদ্ধান্তের ফলাফল দেখে পরবর্তী পদক্ষেপ ঠিক করতে সাহায্য করে |
এক কথায়
AI Agent-এর Decision-Making হলো একাধিক Component-এর সমন্বিত প্রক্রিয়া।
একটি Agent প্রথমে বোঝে “কী করতে হবে”, তারপর Context ও Knowledge দেখে “কোন পরিস্থিতিতে করতে হবে”, LLM ও Reasoning-এর মাধ্যমে “কীভাবে করতে হবে” তা নির্ধারণ করে, প্রয়োজন হলে Tools ও External Data ব্যবহার করে Action নেয়, এবং শেষে Feedback দেখে সিদ্ধান্তটি ঠিক ছিল কি না যাচাই করে।
এই পুরো প্রক্রিয়াটিই AI Agent-কে শুধু উত্তর দেওয়ার AI থেকে একটি Goal-oriented Action-taking System হিসেবে আলাদা করে।
AI Agent Loop কী?
একটি AI Agent সাধারণত কোনো কাজের জন্য একবার সিদ্ধান্ত নিয়ে থেমে যায় না। বরং কাজটি সম্পন্ন না হওয়া পর্যন্ত পরিস্থিতি পর্যবেক্ষণ করে, তথ্য বিশ্লেষণ করে, পরিকল্পনা তৈরি করে, Action নেয় এবং সেই Action-এর ফলাফল আবার পর্যবেক্ষণ করে।
এই বারবার চলতে থাকা প্রক্রিয়াকে বলা হয় AI Agent Loop বা Agent Loop।
সহজভাবে:
Observe → Reason → Plan → Act → Observe → Reason → Plan → Act → …
অর্থাৎ, একটি Agent-এর কাজ অনেকটা একটি চক্রের মতো। একবার Action নেওয়ার পর যে ফলাফল পাওয়া যায়, সেটিই আবার পরবর্তী সিদ্ধান্তের জন্য নতুন Input হিসেবে কাজ করতে পারে।
AI Agent Loop-এর প্রধান ধাপগুলো
১. Observe — পরিস্থিতি পর্যবেক্ষণ করা
Observe অর্থ হলো Agent তার বর্তমান পরিস্থিতি এবং প্রয়োজনীয় তথ্য পর্যবেক্ষণ করা।
Agent বিভিন্ন জায়গা থেকে তথ্য পেতে পারে, যেমন:
- User-এর Input
- Conversation Context
- Memory
- Database
- Website
- API
- Sensor
- Tool-এর Result
- আগের Action-এর ফলাফল
উদাহরণ
ধরুন আপনি বললেন:
“আগামীকাল সকাল ১০টার Flight ধরতে আমাকে কখন বাসা থেকে বের হতে হবে?”
Agent প্রথমে প্রয়োজনীয় তথ্য পর্যবেক্ষণ করবে:
- Flight কখন?
- Airport কোথায়?
- আপনার অবস্থান কোথায়?
- Airport-এ কত আগে পৌঁছানো দরকার?
- রাস্তায় Traffic কেমন?
- আবহাওয়া কেমন?
অর্থাৎ Agent প্রথমে “বর্তমানে কী পরিস্থিতি?” সেটা বোঝার চেষ্টা করে।
২. Reason — তথ্য বিশ্লেষণ ও Reasoning করা
Observe করার পর Agent পাওয়া তথ্য বিশ্লেষণ করে।
এখানে Agent বুঝতে চেষ্টা করে:
“এই তথ্যগুলোর অর্থ কী এবং আমার Goal অর্জনের জন্য এগুলো কীভাবে ব্যবহার করব?”
উপরের উদাহরণে ধরা যাক:
- Flight → সকাল ১০টা
- Airport-এ পৌঁছাতে হবে → অন্তত ৮টার মধ্যে
- বাসা থেকে Airport → সাধারণত ১ ঘণ্টা
- সকালবেলা Traffic বেশি
Agent তখন বুঝতে পারে যে শুধু সাধারণ Travel Time হিসাব করলে হবে না; Traffic-এর জন্য অতিরিক্ত সময় রাখা দরকার।
এটাই Reasoning-এর অংশ।
৩. Plan — কীভাবে কাজটি করবে তা পরিকল্পনা করা
Reason করার পর Agent ঠিক করে কী কী কাজ করতে হবে এবং কোন ক্রমে করতে হবে।
উপরের উদাহরণে Plan হতে পারে:
- Flight-এর সময় নিশ্চিত করা
- Airport-এ প্রয়োজনীয় Arrival Time নির্ধারণ করা
- Traffic পরিস্থিতি যাচাই করা
- Travel Time হিসাব করা
- অতিরিক্ত Buffer Time যোগ করা
- বাসা থেকে বের হওয়ার সম্ভাব্য সময় নির্ধারণ করা
এখন Agent-এর কাছে একটি পরিষ্কার Action Plan তৈরি হলো।
৪. Act — পরিকল্পনা অনুযায়ী কাজ করা
এখন Agent তার Plan অনুযায়ী Action নেয়।
প্রয়োজনে বিভিন্ন Tool ব্যবহার করতে পারে।
যেমন:
- Maps/Traffic Tool
- Weather Tool
- Flight Information Tool
- Calendar
- Calculator
ধরুন Agent Traffic Tool ব্যবহার করে দেখল:
“সকাল ৭টা থেকে ৮টার মধ্যে রাস্তায় স্বাভাবিকের চেয়ে বেশি Traffic থাকতে পারে।”
তখন Agent এই তথ্য ব্যবহার করে তার পরিকল্পনা অনুযায়ী পরবর্তী Action নিতে পারে।
অর্থাৎ:
Plan → Tool Use → Action
৫. আবার Observe — Action-এর ফলাফল দেখা
এখানেই Agent Loop-এর সবচেয়ে গুরুত্বপূর্ণ অংশ।
Agent Action নেওয়ার পর থেমে যায় না। সে দেখে:
“আমি যে Action নিলাম, তার ফলাফল কী হলো?”
ধরুন Agent কোনো Flight-এর Status চেক করল।
প্রথমে Status ছিল:
On Time
কিছুক্ষণ পর নতুন তথ্য এলো:
Flight Delayed by 2 Hours
এখন আগের Plan আর একইভাবে কার্যকর নাও হতে পারে।
তাই Agent নতুন তথ্যটি Observe করবে এবং আবার:
Reason → Plan → Act
ধাপে ফিরে যাবে।
পুরো AI Agent Loop
এখন পুরো বিষয়টি একসঙ্গে দেখলে:
┌──────────────┐
│ Observe │
│ তথ্য সংগ্রহ │
└──────┬───────┘
↓
┌──────────────┐
│ Reason │
│ তথ্য বিশ্লেষণ│
└──────┬───────┘
↓
┌──────────────┐
│ Plan │
│ পরিকল্পনা │
└──────┬───────┘
↓
┌──────────────┐
│ Act │
│ কাজ সম্পাদন │
└──────┬───────┘
↓
┌──────────────┐
│ Observe │
│ ফলাফল দেখা │
└──────┬───────┘
│
└──────────→ আবার Reasonঅর্থাৎ:
Observe → Reason → Plan → Act → Observe → Reason → Plan → Act → …
Goal পূরণ না হওয়া পর্যন্ত এই Loop প্রয়োজন অনুযায়ী চলতে পারে।
কেন AI Agent-কে বারবার এই Loop-এর মধ্য দিয়ে যেতে হয়?
একটি বাস্তব কাজের পরিস্থিতি সবসময় স্থির থাকে না। নতুন তথ্য আসতে পারে, Tool-এর Result পরিবর্তিত হতে পারে, কোনো Action ব্যর্থ হতে পারে অথবা প্রথম Plan প্রত্যাশিত ফলাফল নাও দিতে পারে।
এই কারণেই Agent-কে বারবার Loop-এর মধ্য দিয়ে যেতে হয়।
১. কারণ বাস্তব পরিস্থিতি পরিবর্তন হতে পারে
ধরুন Agent একটি Flight-এর তথ্য দেখে Plan তৈরি করল।
কিন্তু কিছুক্ষণ পর Flight Delay হলো।
তাহলে আগের Plan আর যথেষ্ট নয়।
Agent-কে নতুন তথ্য:
Observe → Reason → Re-plan → Act
করতে হবে।
২. প্রথম পরিকল্পনা সবসময় সফল নাও হতে পারে
ধরুন Agent একটি Website থেকে তথ্য সংগ্রহ করতে চাইল।
কিন্তু Website থেকে কোনো Response পাওয়া গেল না।
তখন Agent বুঝতে পারে:
“আমার বর্তমান পদ্ধতি কাজ করছে না।”
এরপর অন্য Tool বা অন্য Data Source ব্যবহার করার প্রয়োজন হতে পারে।
অর্থাৎ:
প্রথম Action → ব্যর্থতা → Feedback → নতুন Plan → নতুন Action
৩. Tool থেকে পাওয়া Result-এর ওপর পরবর্তী সিদ্ধান্ত নির্ভর করতে পারে
ধরুন Agent-কে বলা হলো:
“আমার জন্য একটি ভালো হোটেল খুঁজে দাও।”
Agent প্রথমে কয়েকটি Hotel খুঁজে পেল।
তারপর Price যাচাই করে দেখল, একটি Hotel Budget-এর বাইরে।
তাহলে সেটি বাদ দিতে হবে।
আবার অন্য একটি Hotel-এর Room Available নেই।
সেটিও বাদ দিতে হবে।
অর্থাৎ প্রতিটি Action-এর ফলাফল পরবর্তী সিদ্ধান্তকে প্রভাবিত করতে পারে।
৪. একটি বড় Goal অনেক ছোট সিদ্ধান্তের সমন্বয়
ধরুন Goal হলো:
“আমার জন্য একটি সম্পূর্ণ ভ্রমণ পরিকল্পনা তৈরি করো।”
এটি একটি মাত্র কাজ নয়।
Agent-কে হয়তো:
- Destination নির্বাচন
- Flight খোঁজা
- Hotel খোঁজা
- Budget হিসাব
- Transportation পরিকল্পনা
- Activities নির্বাচন
ইত্যাদি করতে হবে।
প্রতিটি ধাপে নতুন তথ্য পাওয়া যাবে এবং সেই তথ্যের ভিত্তিতে পরবর্তী সিদ্ধান্ত নিতে হবে।
তাই পুরো কাজটি একটি মাত্র Step-এ শেষ করা সম্ভব নয়।
একটি সহজ বাস্তব উদাহরণ
ধরুন আপনি Agent-কে বললেন:
“আমার জন্য আগামী শুক্রবার ঢাকায় ৪ জনের জন্য একটি রেস্টুরেন্ট খুঁজে দাও।”
Agent-এর Loop এমন হতে পারে:
Observe
Agent বুঝল:
- শুক্রবার
- ঢাকা
- ৪ জন
- Restaurant প্রয়োজন
↓
Reason
Agent বুঝল:
“আমাকে এমন Restaurant খুঁজতে হবে যেটি শুক্রবার খোলা এবং ৪ জনের জন্য উপযুক্ত।”
↓
Plan
Agent পরিকল্পনা করল:
- কয়েকটি Restaurant খুঁজব
- Opening Hours দেখব
- Price Range যাচাই করব
- Availability থাকলে বিবেচনা করব
↓
Act
Agent Search/Restaurant Tool ব্যবহার করল।
↓
Observe
Result পাওয়া গেল:
Restaurant A — শুক্রবার খোলা, কিন্তু Reservation Available নয়।
↓
Reason
Agent বুঝল:
“Restaurant A ব্যবহারকারীর প্রয়োজন পুরোপুরি পূরণ করছে না।”
↓
Plan
অন্য Restaurant পরীক্ষা করার সিদ্ধান্ত নিল।
↓
Act
Restaurant B-এর তথ্য যাচাই করল।
↓
Observe
Result:
Restaurant B — শুক্রবার খোলা এবং প্রয়োজনীয় সময়ের জন্য Table Available।
↓
Final Result
Agent ব্যবহারকারীকে Restaurant B-এর তথ্য জানাতে পারে।
এখানে দেখা যাচ্ছে, Agent একবারেই সঠিক উত্তর বের করেনি। বরং প্রতিটি ধাপের ফলাফল দেখে পরবর্তী সিদ্ধান্ত নিয়েছে।
AI Agent Loop-এর সবচেয়ে গুরুত্বপূর্ণ বিষয়: Feedback
Agent Loop-এর প্রাণ হলো Feedback।
কারণ Action নেওয়ার পর যদি Agent ফলাফল পর্যবেক্ষণ না করে, তাহলে সে বুঝতে পারবে না:
- কাজ সফল হয়েছে কি না
- Plan কাজ করেছে কি না
- কোনো Error হয়েছে কি না
- নতুন তথ্য এসেছে কি না
- পরবর্তী Action পরিবর্তন করা প্রয়োজন কি না
তাই একটি কার্যকর Agent Loop-কে এভাবেও লেখা যায়:
Observe → Reason → Plan → Act → Feedback → Observe → …
Feedback Agent-কে বলে দেয়:
“তুমি যে কাজটি করেছ, তার ফলাফল কী হয়েছে?”
AI Agent Loop বনাম সাধারণ Chatbot
একটি সাধারণ Question-Answer System-এর ক্ষেত্রে প্রক্রিয়াটি অনেক সময় এমন:
Input → Generate Response → End
কিন্তু একটি Agentic System-এর Workflow হতে পারে:
Input → Observe → Reason → Plan → Act → Observe → Feedback → Re-plan → Act → Result
এই পার্থক্যটি খুব গুরুত্বপূর্ণ।
একটি সাধারণ Chatbot মূলত উত্তর তৈরি করার দিকে বেশি কেন্দ্রীভূত হতে পারে।
অন্যদিকে AI Agent একটি Goal পূরণ করার জন্য ধারাবাহিকভাবে কাজ করার জন্য তৈরি হতে পারে।
সহজভাবে মনে রাখার কৌশল
AI Agent Loop-কে একজন মানুষের কাজ করার সঙ্গে তুলনা করলে বিষয়টি আরও সহজ হয়।
ধরুন আপনি রান্না করছেন।
Observe: কী কী উপকরণ আছে দেখলেন।
↓
Reason: কী রান্না করা যাবে ভাবলেন।
↓
Plan: রান্নার ধাপ ঠিক করলেন।
↓
Act: রান্না শুরু করলেন।
↓
Observe: খাবারের অবস্থা দেখলেন।
↓
Reason: লবণ কম কি না বুঝলেন।
↓
Act: প্রয়োজন হলে লবণ যোগ করলেন।
↓
Observe: আবার স্বাদ পরীক্ষা করলেন।
AI Agent-এর Loop-ও অনেকটা এমন—কাজ → ফলাফল দেখা → নতুন তথ্য অনুযায়ী পরবর্তী কাজ।
সংক্ষেপে
AI Agent Loop হলো এমন একটি ধারাবাহিক প্রক্রিয়া যেখানে Agent:
Observe করে → পরিস্থিতি বোঝে
Reason করে → তথ্য বিশ্লেষণ করে
Plan করে → কী করতে হবে ঠিক করে
Act করে → কাজ সম্পন্ন করে
Observe করে → ফলাফল দেখে
Feedback নেয় → প্রয়োজন হলে আবার Reason ও Plan করে
তাই AI Agent-কে বারবার এই Loop-এর মধ্য দিয়ে যেতে হয়, কারণ বাস্তব কাজ স্থির নয়। নতুন তথ্য আসতে পারে, কোনো Tool ব্যর্থ হতে পারে, পরিকল্পনা পরিবর্তনের প্রয়োজন হতে পারে অথবা আগের Action প্রত্যাশিত ফলাফল নাও দিতে পারে।
এই Observe → Reason → Plan → Act → Observe চক্রই একটি AI Agent-কে শুধু উত্তর প্রদানকারী System-এর পরিবর্তে পরিস্থিতি অনুযায়ী কাজ করতে সক্ষম একটি Goal-oriented System হিসেবে কাজ করতে সাহায্য করে।
একটি বাস্তব উদাহরণ: AI Agent কীভাবে একটি কাজ সম্পন্ন করে?
AI Agent কীভাবে বাস্তবে কাজ করে, সেটি বোঝার সবচেয়ে সহজ উপায় হলো একটি বাস্তব পরিস্থিতি ধরে পুরো Workflow দেখা।
ধরুন, একজন ব্যবহারকারী AI Agent-কে বললেন:
“আগামী শুক্রবার ঢাকায় আমার ৪ জন বন্ধুর সঙ্গে Dinner করতে চাই। জনপ্রতি ১,০০০ টাকার মধ্যে ভালো একটি রেস্টুরেন্ট খুঁজে দাও এবং সন্ধ্যা ৭টার জন্য Table পাওয়া যায় কি না দেখে দাও।”
এটি দেখতে একটি সাধারণ Request মনে হলেও, Agent-এর জন্য এটি আসলে কয়েকটি ছোট কাজের সমন্বয়। তাকে ব্যবহারকারীর উদ্দেশ্য বুঝতে হবে, তথ্য সংগ্রহ করতে হবে, বিভিন্ন Option যাচাই করতে হবে, প্রয়োজনীয় Tool ব্যবহার করতে হবে এবং সবশেষে Result যাচাই করে উত্তর দিতে হবে।
চলুন ধাপে ধাপে দেখি।
১. ব্যবহারকারীর Request থেকে Goal বোঝা
AI Agent-এর কাজ শুরু হয় ব্যবহারকারীর Request থেকে।
ব্যবহারকারী বলেছেন:
“আগামী শুক্রবার ঢাকায় আমার ৪ জন বন্ধুর সঙ্গে Dinner করতে চাই। জনপ্রতি ১,০০০ টাকার মধ্যে ভালো একটি রেস্টুরেন্ট খুঁজে দাও এবং সন্ধ্যা ৭টার জন্য Table পাওয়া যায় কি না দেখে দাও।”
Agent প্রথমে এই কথাটির মূল উদ্দেশ্য বা Goal বুঝবে।
এখানে Goal হলো:
আগামী শুক্রবার সন্ধ্যা ৭টায় ঢাকায় ৫ জনের জন্য জনপ্রতি ১,০০০ টাকার মধ্যে একটি উপযুক্ত রেস্টুরেন্ট খুঁজে Table Availability যাচাই করা।
এখানে একটি ছোট বিষয় খেয়াল করা গুরুত্বপূর্ণ। ব্যবহারকারী বলেছেন “আমার ৪ জন বন্ধু”। অর্থাৎ ব্যবহারকারীসহ মোট ৫ জন হতে পারে।
তাই Agent-কে Request-এর ভাষা বুঝে Party Size নির্ধারণ করতে হবে।
Request থেকে Agent যে তথ্যগুলো বের করতে পারে:
| তথ্য | মান |
|---|---|
| কাজ | Restaurant খোঁজা |
| Location | ঢাকা |
| Date | আগামী শুক্রবার |
| Time | সন্ধ্যা ৭টা |
| People | মোট ৫ জন |
| Budget | জনপ্রতি ১,০০০ টাকা |
| Meal | Dinner |
| অতিরিক্ত কাজ | Table Availability যাচাই |
অর্থাৎ Agent শুধু পুরো বাক্যটি পড়ছে না; বরং সেটিকে Structured Information-এ রূপান্তর করছে।
২. প্রয়োজনীয় তথ্য সংগ্রহ করা
Goal বোঝার পর Agent চিন্তা করবে:
“এই কাজটি সম্পন্ন করার জন্য আমার কী কী তথ্য প্রয়োজন?”
এখানে শুধু Restaurant-এর নাম জানলেই হবে না।
Agent-এর প্রয়োজন হতে পারে:
- কোন কোন Restaurant উপযুক্ত?
- Restaurant কোথায়?
- শুক্রবার খোলা থাকবে কি না?
- সন্ধ্যা ৭টার সময় খোলা থাকবে কি না?
- Price Range কত?
- ৫ জনের জন্য জায়গা আছে কি না?
- Table Reservation করা যায় কি না?
- ৭টার সময় Table Available কি না?
এখন Agent তার নিজের Knowledge এবং প্রয়োজন হলে External Data ব্যবহার করতে পারে।
উদাহরণস্বরূপ, Agent কয়েকটি সম্ভাব্য Restaurant খুঁজে পেল:
- Restaurant A
- Restaurant B
- Restaurant C
তারপর প্রতিটির তথ্য সংগ্রহ করতে শুরু করল।
ধরুন:
Restaurant A
- Price: জনপ্রতি ৮০০–১,০০০ টাকা
- Friday: Open
- ৭টা: Table Availability যাচাই করা প্রয়োজন
Restaurant B
- Price: জনপ্রতি ১,৫০০ টাকা
- Friday: Open
Restaurant C
- Price: জনপ্রতি ৭০০–৯০০ টাকা
- Friday: Open
এখন Agent বুঝতে পারবে, Restaurant B বাজেটের বাইরে, তাই এটি বাদ দেওয়ার সম্ভাবনা রয়েছে।
৩. Plan তৈরি করা
তথ্য সংগ্রহের পর Agent একটি Plan তৈরি করবে।
একটি সম্ভাব্য Plan হতে পারে:
Step ১
ঢাকার মধ্যে Dinner-এর জন্য উপযুক্ত Restaurant খুঁজে বের করা।
Step ২
প্রতিটি Restaurant-এর Price Range যাচাই করা।
Step ৩
যেগুলো জনপ্রতি ১,০০০ টাকার মধ্যে নয়, সেগুলো বাদ দেওয়া।
Step ৪
বাকি Restaurant-এর Friday Opening Hours যাচাই করা।
Step ৫
সন্ধ্যা ৭টার Table Availability পরীক্ষা করা।
Step ৬
যে Restaurant ব্যবহারকারীর সব শর্ত পূরণ করে, সেটি নির্বাচন করা।
Step ৭
ফলাফল যাচাই করে ব্যবহারকারীকে জানানো।
এখানে Agent সরাসরি প্রথম Restaurant-কে নির্বাচন করছে না। বরং User-এর Goal অনুযায়ী Criteria তৈরি করে Optionগুলো যাচাই করছে।
৪. Tool ব্যবহার করে Action নেওয়া
এখন Agent-এর কাছে কিছু তথ্য থাকলেও Real-time Table Availability জানতে একটি Tool প্রয়োজন হতে পারে।
এখানে Agent ব্যবহার করতে পারে:
- Restaurant Search Tool
- Maps Tool
- Reservation/Availability Tool
- Web Search
- Restaurant Database বা API
ধরুন Agent একটি Restaurant Availability Tool ব্যবহার করল।
সে Tool-কে প্রয়োজনীয় তথ্য দিতে পারে:
Restaurant: Restaurant A
Date: শুক্রবার
Time: ৭:০০ PM
Party Size: ৫ জন
Tool Result দিল:
৭:০০ PM — Available
এখন Agent-এর কাছে গুরুত্বপূর্ণ একটি তথ্য চলে এলো।
এরপর Restaurant C-এর Availability পরীক্ষা করল।
Result:
৭:০০ PM — Not Available
তাহলে Restaurant C বাদ যেতে পারে।
এখন Restaurant A ব্যবহারকারীর দেওয়া শর্তগুলোর সঙ্গে বেশি সামঞ্জস্যপূর্ণ:
- Budget-এর মধ্যে
- শুক্রবার খোলা
- ৫ জনের জন্য
- সন্ধ্যা ৭টায় Table Available
এখানে Agent শুধু তথ্য সংগ্রহ করেনি; বরং Tool-এর মাধ্যমে বাস্তব Action/Verification করেছে।
৫. Result যাচাই করে Final Response দেওয়া
Tool থেকে Result পাওয়ার পর Agent সরাসরি ব্যবহারকারীকে উত্তর না দিয়ে প্রথমে Result যাচাই করতে পারে।
Agent নিজেকে কয়েকটি প্রশ্ন করতে পারে:
- Restaurant কি ঢাকার মধ্যে?
- Budget কি ১,০০০ টাকার মধ্যে?
- শুক্রবার খোলা?
- Dinner-এর সময় খোলা?
- ৫ জনের জন্য Table আছে?
- সন্ধ্যা ৭টার Availability নিশ্চিত হয়েছে?
ধরুন সবগুলো শর্ত পূরণ হয়েছে।
তাহলে Agent Final Response তৈরি করতে পারে।
উদাহরণ Final Response
আপনার দেওয়া শর্ত অনুযায়ী একটি উপযুক্ত রেস্টুরেন্ট পাওয়া গেছে।
Restaurant: Restaurant A
সময়: শুক্রবার, সন্ধ্যা ৭টা
Party Size: ৫ জন
Budget: জনপ্রতি আনুমানিক ৮০০–১,০০০ টাকা
Table Availability: সন্ধ্যা ৭টার জন্য Availableআপনার চাইলে এই সময়ের জন্য Reservation করার পরবর্তী ধাপও নেওয়া যেতে পারে।
এখানে Agent শুধু একটি Restaurant-এর নাম দেয়নি। বরং কেন সেটি ব্যবহারকারীর Request-এর সঙ্গে মিলছে, সেটিও সংক্ষেপে জানিয়েছে।
কিন্তু যদি Result প্রত্যাশামতো না আসে?
এখানেই AI Agent-এর Agent Loop গুরুত্বপূর্ণ হয়ে ওঠে।
ধরুন Agent Restaurant A-এর জন্য Table Availability পরীক্ষা করল।
Result এলো:
৭:০০ PM — Not Available
তাহলে Agent এখানেই থেমে যাবে না।
যদি ব্যবহারকারীর নির্দেশনা অনুযায়ী সময় পরিবর্তন করার অনুমতি থাকে, Agent নতুন Option পরীক্ষা করতে পারে।
যেমন:
৭:০০ PM → Not Available
↓
Reason
“এই সময় Table পাওয়া যাচ্ছে না।”
↓
New Plan
“৭:৩০ PM বা ৮:০০ PM পরীক্ষা করা যেতে পারে।”
↓
Tool ব্যবহার
↓
Result
৭:৩০ PM — Available
↓
Final Response
“৭:০০ PM-এর Table পাওয়া যায়নি, তবে ৭:৩০ PM-এ ৫ জনের জন্য Table Available আছে।”
অর্থাৎ Agent-এর কাজের মধ্যে Feedback → Reasoning → Re-planning → Action আবার ফিরে আসতে পারে।
পুরো Workflow এক নজরে
একটি AI Agent-এর এই বাস্তব কাজটিকে এভাবে সাজানো যায়:
User Request
↓
Goal বোঝা
↓
প্রয়োজনীয় তথ্য নির্ধারণ
↓
তথ্য সংগ্রহ
↓
Plan তৈরি
↓
Tool নির্বাচন
↓
Tool ব্যবহার করে Action
↓
Result পাওয়া
↓
Result যাচাই
↓
শর্ত পূরণ হয়েছে?
↙ ↘
হ্যাঁ না
↓ ↓
Final Re-plan
Response ↓
আবার Actionএই উদাহরণ থেকে কী বোঝা যায়?
এই একটি উদাহরণ থেকেই AI Agent-এর কাজের কয়েকটি গুরুত্বপূর্ণ বৈশিষ্ট্য বোঝা যায়।
১. Agent শুধু Input গ্রহণ করে না
সে Input-এর ভেতর থেকে Goal, Context এবং প্রয়োজনীয় তথ্য বের করে।
২. Agent বড় কাজকে ছোট ছোট কাজে ভাগ করতে পারে
Restaurant খোঁজা, Budget যাচাই, Opening Hours দেখা এবং Availability পরীক্ষা—সবগুলো আলাদা Sub-task।
৩. Agent প্রয়োজন অনুযায়ী Tool ব্যবহার করে
যেখানে তার কাছে পর্যাপ্ত তথ্য নেই, সেখানে External Tool বা Data Source ব্যবহার করতে পারে।
৪. Agent Result যাচাই করে
Tool থেকে কোনো Result এলেই সেটিকে Final Answer হিসেবে ব্যবহার না করে User-এর Goal-এর সঙ্গে মিলিয়ে দেখা যায়।
৫. Agent প্রয়োজনে Plan পরিবর্তন করতে পারে
প্রথম Option কাজ না করলে নতুন Option বা নতুন সময় বিবেচনা করা যেতে পারে—যদি Agent-এর কাছে সেই সিদ্ধান্ত নেওয়ার অনুমতি ও প্রয়োজনীয় তথ্য থাকে।
AI Agent-এর পুরো কাজটি সহজ ভাষায়
একটি AI Agent-কে একজন ডিজিটাল সহকারী হিসেবে কল্পনা করতে পারেন।
আপনি তাকে বললেন:
“আমার জন্য একটি Restaurant খুঁজে দাও।”
সে শুধু Restaurant-এর নাম বলে দিলেই তার কাজ শেষ নয়।
বরং সে বুঝবে:
“ব্যবহারকারী আসলে কী চান?”
তারপর:
“এটি করতে আমার কী তথ্য প্রয়োজন?”
তারপর:
“কাজটি কীভাবে করব?”
তারপর:
“কোন Tool ব্যবহার করা প্রয়োজন?”
এরপর:
“আমি যে কাজটি করলাম, তার Result কী হলো?”
সবশেষে:
“Result কি ব্যবহারকারীর Goal পূরণ করেছে?”
এই পুরো ধারাবাহিক প্রক্রিয়াটিই হলো AI Agent-এর বাস্তব কাজের Workflow।
সংক্ষেপে:
Request → Goal → Information → Plan → Tool → Action → Result → Verification → Final Response
আর Result প্রত্যাশামতো না হলে:
Feedback → Re-planning → New Action → New Result
এই কারণেই একটি AI Agent শুধু প্রশ্নের উত্তর দেওয়া System নয়; বরং নির্দিষ্ট Goal অর্জনের জন্য পরিস্থিতি বুঝে পরিকল্পনা করতে, প্রয়োজনীয় Tool ব্যবহার করতে, Action নিতে এবং ফলাফল অনুযায়ী পরবর্তী সিদ্ধান্ত নিতে সক্ষম একটি System।
AI Agent-এর সিদ্ধান্ত নেওয়ার পুরো Workflow
এখন পর্যন্ত আমরা দেখেছি, AI Agent কীভাবে Input গ্রহণ করে, Context বোঝে, Goal নির্ধারণ করে, Reasoning করে, Plan তৈরি করে, Tool ব্যবহার করে এবং Feedback-এর ভিত্তিতে প্রয়োজন হলে সিদ্ধান্ত পরিবর্তন করে।
এই পুরো প্রক্রিয়াটিকে একসঙ্গে সাজালে AI Agent-এর Decision-Making Workflow দাঁড়ায়:
Input → Context → Goal → Reasoning → Planning → Tool Use → Action → Feedback → Final Result
চলুন প্রতিটি ধাপ সহজভাবে দেখে নেওয়া যাক।
১. Input — ব্যবহারকারীর Request গ্রহণ
প্রথমে AI Agent ব্যবহারকারীর কাছ থেকে কোনো Request বা নির্দেশনা গ্রহণ করে।
যেমন:
“আমার জন্য আগামীকাল ঢাকায় ৪ জনের একটি ভালো রেস্টুরেন্ট খুঁজে দাও।”
এটাই Agent-এর Input।
Input শুধু Text হতে হবে এমন নয়। এটি হতে পারে:
- Text
- Voice
- Image
- Document
- Sensor Data
- API Data
- Database Information
Agent-এর প্রথম কাজ হলো এই Input বুঝতে শুরু করা।
২. Context — পরিস্থিতি বোঝা
Input পাওয়ার পর Agent চেষ্টা করে Context বুঝতে।
উপরের Request-এ Context হতে পারে:
- Location → ঢাকা
- Date → আগামীকাল
- People → ৪ জন
- Requirement → Restaurant
- “ভালো” → Rating, Review, Price, Location ইত্যাদি বিবেচনা করা হতে পারে
এছাড়া আগের Conversation বা প্রাসঙ্গিক Memory থাকলে সেটিও Context-এর অংশ হতে পারে।
অর্থাৎ:
Input বলে ব্যবহারকারী কী বলেছেন, আর Context সাহায্য করে তিনি কোন পরিস্থিতিতে কী চাইছেন তা বুঝতে।
৩. Goal — কী অর্জন করতে হবে তা নির্ধারণ
Context বোঝার পর Agent নির্ধারণ করে Goal কী।
উপরের উদাহরণে Goal হতে পারে:
“আগামীকাল ঢাকায় ৪ জনের জন্য ব্যবহারকারীর প্রয়োজন অনুযায়ী একটি উপযুক্ত Restaurant খুঁজে বের করা।”
Goal পরিষ্কার হওয়া গুরুত্বপূর্ণ। কারণ পরবর্তী প্রতিটি সিদ্ধান্তকে এই Goal-এর সঙ্গে মিলিয়ে নিতে হবে।
৪. Reasoning — কীভাবে Goal অর্জন করা যায় তা বিশ্লেষণ
এখন Agent চিন্তা করে:
“এই Goal অর্জন করতে আমাকে কী কী করতে হবে?”
ধরুন Agent বুঝল:
- কয়েকটি Restaurant খুঁজতে হবে
- Location যাচাই করতে হবে
- Price Range দেখতে হবে
- Opening Hours দেখতে হবে
- ৪ জনের জন্য উপযুক্ত কি না দেখতে হবে
এই পর্যায়ে Agent বিভিন্ন তথ্য ও সম্ভাব্য Action বিশ্লেষণ করে।
এখানে LLM গুরুত্বপূর্ণ ভূমিকা পালন করতে পারে, কারণ LLM User Request ও Context বুঝে সম্ভাব্য পরবর্তী পদক্ষেপ নির্ধারণে সাহায্য করতে পারে।
৫. Planning — কাজের পরিকল্পনা তৈরি
Reasoning-এর পর Agent একটি Plan তৈরি করতে পারে।
যেমন:
- ঢাকার কয়েকটি Restaurant খোঁজা
- Price যাচাই করা
- Opening Hours যাচাই করা
- Rating ও Review দেখা
- ৪ জনের জন্য উপযুক্ত Option নির্বাচন করা
- প্রয়োজন হলে Availability পরীক্ষা করা
- Final Result তৈরি করা
অর্থাৎ বড় Goal-কে ছোট ছোট Sub-task-এ ভাগ করে একটি কাজের ধারাবাহিকতা তৈরি করা হয়।
৬. Tool Use — প্রয়োজনীয় Tool ব্যবহার
এখন Agent নির্ধারণ করে কোনো Tool প্রয়োজন কি না।
উদাহরণ:
- Restaurant Search Tool
- Maps
- Web Search
- Weather API
- Calculator
- Database
- Calendar
- Reservation System
ধরুন Restaurant-এর বর্তমান Table Availability জানতে হবে।
Agent তখন Reservation বা Availability Tool ব্যবহার করতে পারে।
এখানে একটি গুরুত্বপূর্ণ বিষয় হলো—Tool ব্যবহার মানেই শুধু তথ্য নেওয়া নয়। অনেক Tool Agent-কে কোনো External System-এর সঙ্গে কাজ করার সুযোগও দিতে পারে।
৭. Action — পরিকল্পনা অনুযায়ী কাজ করা
Tool থেকে প্রয়োজনীয় তথ্য পাওয়ার পর Agent Action নিতে পারে।
যেমন:
Restaurant A পাওয়া গেল → Price Budget-এর মধ্যে → Friday Open → ৪ জনের জন্য Table Available
তখন Agent এই Restaurant-কে একটি উপযুক্ত Option হিসেবে বিবেচনা করতে পারে।
আবার কোনো Restaurant Budget-এর বাইরে হলে সেটিকে বাদ দিতে পারে।
অর্থাৎ:
Plan → Tool → Result → Action
এই ধারাবাহিকতায় Agent কাজ এগিয়ে নেয়।
৮. Feedback — Action-এর ফলাফল পর্যবেক্ষণ
Action নেওয়ার পর Agent দেখে:
“আমার Action-এর ফলাফল কী হলো?”
ধরুন Agent একটি Restaurant-এর Table Availability পরীক্ষা করল।
Result:
৭:০০ PM — Not Available
এটি হলো Feedback।
Agent তখন বুঝতে পারে, তার বর্তমান Plan দিয়ে User-এর Goal পূরণ হচ্ছে না।
তাই সে নতুন Option পরীক্ষা করতে পারে।
যেমন:
৭:০০ PM → Available নয়
↓
৭:৩০ PM পরীক্ষা
↓
৭:৩০ PM → Available
এখানে Feedback Agent-এর পরবর্তী সিদ্ধান্তকে প্রভাবিত করেছে।
৯. Final Result — ব্যবহারকারীকে ফলাফল দেওয়া
সবশেষে Agent যখন প্রয়োজনীয় কাজ সম্পন্ন করে এবং Result যাচাই করে, তখন ব্যবহারকারীকে Final Result দেয়।
যেমন:
“আপনার শর্ত অনুযায়ী আগামীকাল সন্ধ্যা ৭:৩০টায় ৪ জনের জন্য একটি Table Available পাওয়া গেছে। Restaurant-এর আনুমানিক খরচ জনপ্রতি ৮০০–১,০০০ টাকা।”
এখানে Agent শুধু তথ্য দেয়নি; বরং User-এর Goal-এর সঙ্গে Result মিলিয়ে Final Response তৈরি করেছে।
পুরো Workflow এক নজরে
AI Agent-এর Decision-Making Workflow-কে এভাবে মনে রাখা যায়:
Input
↓
Context
↓
Goal
↓
Reasoning
↓
Planning
↓
Tool Use
↓
Action
↓
Feedback
↓
Final Resultতবে সব কাজ এত সরলভাবে একবারেই শেষ হয় না।
যদি Feedback দেখায় যে কাজ সফল হয়নি, তাহলে Workflow আবার পিছনে ফিরে যেতে পারে:
Input
↓
Context
↓
Goal
↓
Reasoning
↓
Planning
↓
Tool Use
↓
Action
↓
Feedback
↓
সমস্যা?
↙ ↘
না হ্যাঁ
↓ ↓
Final Re-planning
Result ↓
New Action
↓
New Feedbackএটাই AI Agent-কে Dynamic বা Adaptive করে তোলে।
AI Agent কি সবসময় সঠিক সিদ্ধান্ত নেয়?
না। AI Agent সবসময় সঠিক সিদ্ধান্ত নেয় না।
AI Agent-এর সিদ্ধান্ত অনেক বিষয়ের ওপর নির্ভর করে। যেমন:
- Input কতটা পরিষ্কার
- Context কতটা সম্পূর্ণ
- Knowledge কতটা নির্ভরযোগ্য
- External Data সঠিক কি না
- Tool সঠিকভাবে কাজ করছে কি না
- LLM-এর Reasoning কতটা নির্ভুল
- Agent-এর Goal ও Rules কীভাবে নির্ধারণ করা হয়েছে
- Memory-তে থাকা তথ্য প্রাসঙ্গিক কি না
তাই AI Agent কোনো সিদ্ধান্তকে সঠিক মনে করলেও বাস্তবে সেটি ভুল হতে পারে।
একটি সহজ উদাহরণ
ধরুন একজন ব্যবহারকারী বললেন:
“আমার জন্য ৫০০ টাকার মধ্যে একটি ভালো Headphone খুঁজে দাও।”
Agent কোনো Product-এর তথ্য পেল এবং সেটিকে উপযুক্ত মনে করল।
কিন্তু পরে দেখা গেল:
- Product-এর দাম পরিবর্তিত হয়েছে
- Product বর্তমানে Stock-এ নেই
- Review পুরোনো
- Specification ভুলভাবে বোঝা হয়েছে
তাহলে Agent-এর সিদ্ধান্তও ভুল হতে পারে।
এ কারণে গুরুত্বপূর্ণ কাজের ক্ষেত্রে AI-এর সিদ্ধান্তকে যাচাই করার ব্যবস্থা রাখা প্রয়োজন।
AI Agent-এর সিদ্ধান্তে Human-in-the-Loop-এর ভূমিকা
Human-in-the-Loop (HITL) বলতে এমন একটি ব্যবস্থা বোঝায় যেখানে AI Agent গুরুত্বপূর্ণ কোনো সিদ্ধান্ত বা Action নেওয়ার আগে, পরে বা নির্দিষ্ট পরিস্থিতিতে মানুষের অনুমোদন বা পর্যালোচনা প্রয়োজন হয়।
সহজভাবে:
AI সিদ্ধান্ত প্রস্তুত করে → মানুষ যাচাই করে → তারপর Action হয়।
উদাহরণ
ধরুন একটি AI Agent Email তৈরি করতে পারে।
সাধারণ Email হলে Agent নিজেই Draft তৈরি করতে পারে।
কিন্তু যদি Email-টি হয়:
“একজন গুরুত্বপূর্ণ Client-কে Contract বাতিলের নোটিশ পাঠানো।”
এটি গুরুত্বপূর্ণ Action।
এক্ষেত্রে Workflow হতে পারে:
AI Agent → Email Draft তৈরি → Human Review → Approval → Email Send
এখানে AI কাজটি দ্রুত করতে সাহায্য করছে, কিন্তু গুরুত্বপূর্ণ Final Decision মানুষের হাতে থাকছে।
কোথায় Human-in-the-Loop প্রয়োজন হতে পারে?
বিশেষ করে এমন কাজের ক্ষেত্রে যেখানে ভুলের প্রভাব বড় হতে পারে:
- বড় অঙ্কের Financial Transaction
- গুরুত্বপূর্ণ Legal Document
- Medical বা Healthcare-related Decision
- গুরুত্বপূর্ণ Business Decision
- Account বা Permission পরিবর্তন
- Contract Approval
- গুরুত্বপূর্ণ Email বা Communication
- কোনো ঝুঁকিপূর্ণ External Action
সব কাজের জন্য একই মাত্রার Human Review প্রয়োজন হয় না। কাজের ঝুঁকি যত বেশি, Human Oversight-এর প্রয়োজনও সাধারণত তত বেশি হতে পারে।
Guardrails কী?
AI Agent-কে শুধু সিদ্ধান্ত নেওয়ার ক্ষমতা দিলেই যথেষ্ট নয়। তাকে কোন সীমার মধ্যে কাজ করতে হবে, সেটিও নির্ধারণ করতে হয়।
এই সীমা ও নিরাপত্তা ব্যবস্থাগুলোকে সাধারণভাবে Guardrails বলা হয়।
সহজভাবে:
Guardrails হলো AI Agent-এর জন্য নির্ধারিত নিয়ম, সীমা ও নিরাপত্তা ব্যবস্থা, যা তাকে অনুমোদিত সীমার মধ্যে কাজ করতে সাহায্য করে।
যেমন রাস্তার পাশে Guardrail গাড়িকে রাস্তা থেকে বাইরে চলে যাওয়া থেকে রক্ষা করে, AI Agent-এর Guardrail-ও Agent-এর Action-কে নির্দিষ্ট সীমার মধ্যে রাখতে পারে।
Guardrails-এর কিছু বাস্তব উদাহরণ
১. Budget Limit
ধরুন Agent-কে বলা হলো:
“১,০০০ টাকার মধ্যে একটি Product খুঁজে দাও।”
Guardrail:
১,০০০ টাকার বেশি Product নির্বাচন করা যাবে না।
২. Permission Limit
Agent-কে Email পড়ার অনুমতি দেওয়া হয়েছে, কিন্তু Email পাঠানোর অনুমতি দেওয়া হয়নি।
তাহলে Agent:
Email পড়তে পারবে
কিন্তু নিজে থেকে Email Send করতে পারবে না।
৩. Human Approval
Agent কোনো Financial Transaction প্রস্তুত করতে পারবে, কিন্তু টাকা পাঠানোর আগে:
Human Approval Required
হতে পারে।
৪. Data Access Control
Agent-এর কাছে একটি Company Database-এর Access থাকলেও সব Employee-এর সব তথ্য দেখার অনুমতি নাও থাকতে পারে।
Guardrail নিশ্চিত করতে পারে:
শুধু অনুমোদিত Data Access করা যাবে।
৫. Action Limit
ধরুন Agent কোনো Online System-এ একসঙ্গে সর্বোচ্চ ৫টি Request পাঠাতে পারবে।
এটি একটি Action Limit হিসেবে কাজ করতে পারে।
Human-in-the-Loop এবং Guardrails কীভাবে একসঙ্গে কাজ করে?
দুটিকে একসঙ্গে ব্যবহার করা যায়।
ধরুন একটি AI Agent একটি Online Store-এর Order Management System-এর সঙ্গে যুক্ত।
Workflow হতে পারে:
User Request
↓
AI Agent
↓
Product নির্বাচন
↓
Price যাচাই
↓
Guardrail Check
↓
মূল্য সীমার মধ্যে?
↓
Human Approval Required
↓
মানুষ যাচাই করল
↓
Order Confirm
↓
Final Result
এখানে Agent কাজটি দ্রুত করেছে, Guardrail সীমা নিশ্চিত করেছে এবং Human গুরুত্বপূর্ণ Action অনুমোদন করেছে।
কেন AI Agent-এর ক্ষেত্রে এগুলো গুরুত্বপূর্ণ?
AI Agent যত বেশি স্বাধীনভাবে কাজ করতে পারে, তার ভুল Action-এর সম্ভাব্য প্রভাবও তত গুরুত্বপূর্ণ হয়ে উঠতে পারে।
ধরুন Agent শুধু একটি প্রশ্নের উত্তর দিল।
ভুল হলে আপনি হয়তো উত্তরটি সংশোধন করতে পারবেন।
কিন্তু Agent যদি সরাসরি কোনো External System-এ Action নিতে পারে, যেমন:
- Email পাঠানো
- Order করা
- Data পরিবর্তন করা
- Booking করা
- Financial Transaction করা
তাহলে ভুল Action-এর বাস্তব প্রভাব থাকতে পারে।
তাই একটি ভালো Agent System-এ শুধু:
“Agent কী সিদ্ধান্ত নেবে?”
এটি গুরুত্বপূর্ণ নয়।
এর পাশাপাশি গুরুত্বপূর্ণ:
“Agent কী করতে পারবে?”
এবং:
“কোন কাজের আগে মানুষের অনুমোদন লাগবে?”
AI Agent Decision-Making-এর একটি নিরাপদ Workflow
সবকিছু একসঙ্গে ধরলে একটি গুরুত্বপূর্ণ AI Agent-এর Workflow এমন হতে পারে:
Input
↓
Context বোঝা
↓
Goal নির্ধারণ
↓
Reasoning
↓
Planning
↓
Tool Use
↓
Guardrail Check
↓
Human Approval?
↓
Action
↓
Feedback
↓
Result Verification
↓
Final Result
যদি কোনো সমস্যা পাওয়া যায়:
Feedback → Re-planning → Guardrail Check → New Action
শেষ কথা
AI Agent-এর Decision-Making কোনো একটি ধাপের কাজ নয়। এটি Input থেকে শুরু করে Context বোঝা, Goal নির্ধারণ, Reasoning, Planning, Tool ব্যবহার, Action এবং Feedback বিশ্লেষণ—সবকিছুর সমন্বিত প্রক্রিয়া।
সহজভাবে পুরো বিষয়টি মনে রাখতে পারেন:
Input → Context → Goal → Reasoning → Planning → Tool Use → Action → Feedback → Final Result
তবে AI Agent সবসময় সঠিক সিদ্ধান্ত নেবে—এমন নিশ্চয়তা নেই। তাই গুরুত্বপূর্ণ বা ঝুঁকিপূর্ণ কাজের ক্ষেত্রে Human-in-the-Loop মানুষের পর্যালোচনা ও অনুমোদনের সুযোগ তৈরি করে, আর Guardrails Agent-এর কাজকে নির্ধারিত নিয়ম ও সীমার মধ্যে রাখে।
ফলে একটি ভালো AI Agent System-এর লক্ষ্য শুধু “স্মার্ট সিদ্ধান্ত নেওয়া” নয়; বরং সঠিক সীমার মধ্যে, যাচাইযোগ্যভাবে এবং প্রয়োজন অনুযায়ী মানুষের তত্ত্বাবধানে সিদ্ধান্ত নিয়ে কাজ সম্পন্ন করা।
You May Also Like: AI Agent-এর বাস্তব জীবনে ব্যবহার: কোথায় কীভাবে কাজে লাগে?
AI Agent নিয়ে সাধারণ প্রশ্নোত্তর (FAQ)
১. AI Agent কী?
AI Agent হলো এমন একটি AI System, যা নির্দিষ্ট Goal অর্জনের জন্য তথ্য বুঝতে, সিদ্ধান্ত নিতে, Plan তৈরি করতে, প্রয়োজনীয় Tool ব্যবহার করতে এবং Action নিতে পারে।
২. AI Agent কীভাবে কাজ করে?
সাধারণভাবে AI Agent-এর কাজের প্রক্রিয়া হলো:
Input → Context → Goal → Reasoning → Planning → Tool Use → Action → Feedback → Final Result
প্রয়োজন হলে Feedback-এর ভিত্তিতে Agent আবার Plan পরিবর্তন করে নতুন Action নিতে পারে।
৩. AI Agent কি শুধু প্রশ্নের উত্তর দেয়?
না। সাধারণ Chatbot মূলত প্রশ্নের উত্তর দেওয়ার ওপর কেন্দ্রীভূত হলেও AI Agent প্রয়োজন অনুযায়ী তথ্য সংগ্রহ, পরিকল্পনা, Tool ব্যবহার এবং বাস্তব কাজ সম্পাদন করতে পারে।
৪. AI Agent-এর সিদ্ধান্ত গ্রহণে LLM-এর ভূমিকা কী?
LLM ব্যবহারকারীর ভাষা ও Context বুঝতে, তথ্য বিশ্লেষণ করতে এবং সম্ভাব্য পরবর্তী পদক্ষেপ নির্ধারণে সাহায্য করে। তবে LLM একাই পুরো Agent নয়; Memory, Tools, Knowledge ও অন্যান্য Components-ও গুরুত্বপূর্ণ।
৫. AI Agent কি সবসময় সঠিক সিদ্ধান্ত নেয়?
না। ভুল বা অসম্পূর্ণ Input, পুরোনো Knowledge, ভুল External Data, Tool-এর সমস্যা বা ভুল Interpretation-এর কারণে Agent ভুল সিদ্ধান্ত নিতে পারে। তাই গুরুত্বপূর্ণ কাজে Result যাচাই করা প্রয়োজন।
৬. AI Agent Loop কী?
AI Agent Loop হলো Agent-এর বারবার চলতে থাকা কাজের চক্র:
Observe → Reason → Plan → Act → Observe
Action নেওয়ার পর ফলাফল দেখে প্রয়োজন হলে Agent আবার Reasoning ও Planning করতে পারে।
৭. AI Agent কেন Tool ব্যবহার করে?
যে কাজের জন্য Agent-এর কাছে প্রয়োজনীয় তথ্য বা ক্ষমতা নেই, সেখানে Tool ব্যবহার করা হয়। যেমন Web Search, Calculator, Maps, Database, Weather API বা Calendar ব্যবহার করে Agent অতিরিক্ত তথ্য সংগ্রহ বা নির্দিষ্ট কাজ সম্পন্ন করতে পারে।
৮. Memory AI Agent-এর সিদ্ধান্তকে কীভাবে প্রভাবিত করে?
Memory-তে থাকা প্রাসঙ্গিক পূর্ববর্তী তথ্য Agent-কে বর্তমান কাজের Context বুঝতে সাহায্য করতে পারে। যেমন ব্যবহারকারীর কোনো Preference বা আগের কাজের তথ্য প্রাসঙ্গিক হলে তা পরবর্তী সিদ্ধান্তে ব্যবহার করা যেতে পারে।
৯. Human-in-the-Loop কী?
Human-in-the-Loop হলো এমন ব্যবস্থা যেখানে গুরুত্বপূর্ণ কোনো Action নেওয়ার আগে বা পরে মানুষের Review বা Approval প্রয়োজন হয়। যেমন AI একটি গুরুত্বপূর্ণ Email তৈরি করতে পারে, কিন্তু Send করার আগে মানুষের অনুমোদন প্রয়োজন হতে পারে।
১০. AI Agent-এর Guardrails কী?
Guardrails হলো AI Agent-এর জন্য নির্ধারিত নিয়ম, সীমা ও নিরাপত্তা ব্যবস্থা। এগুলো Agent-কে অনুমোদিত সীমার মধ্যে কাজ করতে সাহায্য করে। যেমন নির্দিষ্ট Budget-এর বেশি খরচ না করা, নির্দিষ্ট Data Access না করা বা গুরুত্বপূর্ণ Action-এর আগে Human Approval নেওয়া।