ai-agents-for-beginners

Planning Design Pattern

(উপরের ছবিতে ক্লিক করে এই পাঠের ভিডিও দেখুন)

পরিকল্পনা ডিজাইন

ভূমিকা

এই পাঠে আলোচনা করা হবে:

শেখার লক্ষ্য

এই পাঠ শেষ করার পর, আপনি বুঝতে পারবেন:

সামগ্রিক লক্ষ্য নির্ধারণ এবং কাজকে ভাগ করা

লক্ষ্য এবং কাজ নির্ধারণ

বেশিরভাগ বাস্তব জীবনের কাজ এক ধাপে সম্পন্ন করার জন্য খুব জটিল। একটি AI এজেন্টের পরিকল্পনা এবং কর্ম পরিচালনার জন্য একটি সংক্ষিপ্ত উদ্দেশ্য প্রয়োজন। উদাহরণস্বরূপ, লক্ষ্য হতে পারে:

"একটি ৩ দিনের ভ্রমণ পরিকল্পনা তৈরি করুন।"

যদিও এটি সহজভাবে বলা যায়, এটি এখনও পরিমার্জন প্রয়োজন। লক্ষ্য যত স্পষ্ট হবে, এজেন্ট (এবং যেকোনো মানব সহযোগী) সঠিক ফলাফল অর্জনে তত বেশি মনোযোগ দিতে পারবে, যেমন একটি সম্পূর্ণ ভ্রমণ পরিকল্পনা তৈরি করা যা ফ্লাইট অপশন, হোটেল সুপারিশ এবং কার্যকলাপের প্রস্তাবনা অন্তর্ভুক্ত করে।

কাজকে ভাগ করা

বড় বা জটিল কাজগুলোকে ছোট, লক্ষ্য-ভিত্তিক উপ-কার্যে ভাগ করলে তা আরও পরিচালনাযোগ্য হয়ে ওঠে। যেমন, ভ্রমণ পরিকল্পনার উদাহরণে, লক্ষ্যকে ভাগ করা যেতে পারে:

প্রতিটি উপ-কার্য তারপর নির্দিষ্ট এজেন্ট বা প্রক্রিয়ার মাধ্যমে পরিচালিত হতে পারে। একটি এজেন্ট সেরা ফ্লাইট ডিল খুঁজে বের করার জন্য বিশেষজ্ঞ হতে পারে, অন্যটি হোটেল বুকিংয়ের উপর ফোকাস করতে পারে, ইত্যাদি। একটি সমন্বয়কারী বা “ডাউনস্ট্রিম” এজেন্ট এই ফলাফলগুলোকে একত্রিত করে ব্যবহারকারীর জন্য একটি সামগ্রিক পরিকল্পনা তৈরি করতে পারে।

এই মডুলার পদ্ধতি ধাপে ধাপে উন্নতির সুযোগ দেয়। উদাহরণস্বরূপ, আপনি খাদ্য সুপারিশ বা স্থানীয় কার্যকলাপের প্রস্তাবনার জন্য বিশেষ এজেন্ট যোগ করতে পারেন এবং সময়ের সাথে সাথে পরিকল্পনাটি পরিমার্জন করতে পারেন।

কাঠামোবদ্ধ আউটপুট

বড় ভাষার মডেল (LLMs) কাঠামোবদ্ধ আউটপুট (যেমন JSON) তৈরি করতে পারে যা ডাউনস্ট্রিম এজেন্ট বা পরিষেবাগুলোর জন্য সহজে পার্স এবং প্রক্রিয়াকরণযোগ্য। এটি বিশেষভাবে একটি বহু-এজেন্ট প্রসঙ্গে কার্যকর, যেখানে আমরা পরিকল্পনার আউটপুট পাওয়ার পর এই কাজগুলো সম্পাদন করতে পারি।

পরিকল্পনা এজেন্টের উদাহরণ

নিম্নলিখিত পাইথন কোড স্নিপেট একটি সাধারণ পরিকল্পনা এজেন্টকে লক্ষ্যকে উপ-কার্যে ভাগ করে এবং একটি কাঠামোবদ্ধ পরিকল্পনা তৈরি করতে দেখায়:

from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from autogen_core.models import UserMessage, SystemMessage, AssistantMessage
from autogen_ext.models.azure import AzureAIChatCompletionClient
from azure.core.credentials import AzureKeyCredential

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# Travel SubTask Model
class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum  # we want to assign the task to the agent

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool

client = AzureAIChatCompletionClient(
    model="gpt-4o-mini",
    endpoint="https://models.inference.ai.azure.com",
    # To authenticate with the model you will need to generate a personal access token (PAT) in your GitHub settings.
    # Create your PAT token by following instructions here: https://docs.github.com/en/authentication/keeping-your-account-and-data-secure/managing-your-personal-access-tokens
    credential=AzureKeyCredential(os.environ["GITHUB_TOKEN"]),
    model_info={
        "json_output": False,
        "function_calling": True,
        "vision": True,
        "family": "unknown",
    },
)

# Define the user message
messages = [
    SystemMessage(content="""You are an planner agent.
    Your job is to decide which agents to run based on the user's request.
                      Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
 'subtasks': [{'assigned_agent': 'flight_booking',
               'task_details': 'Book round-trip flights from Singapore to '
                               'Melbourne.'}
    Below are the available agents specialised in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests""", source="system"),
    UserMessage(
        content="Create a travel plan for a family of 2 kids from Singapore to Melboune", source="user"),
]

response = await client.create(messages=messages, extra_create_args={"response_format": 'json_object'})

response_content: Optional[str] = response.content if isinstance(
    response.content, str) else None
if response_content is None:
    raise ValueError("Response content is not a valid JSON string" )

pprint(json.loads(response_content))

# # Ensure the response content is a valid JSON string before loading it
# response_content: Optional[str] = response.content if isinstance(
#     response.content, str) else None
# if response_content is None:
#     raise ValueError("Response content is not a valid JSON string")

# # Print the response content after loading it as JSON
# pprint(json.loads(response_content))

# Validate the response content with the MathReasoning model
# TravelPlan.model_validate(json.loads(response_content))

বহু-এজেন্ট সমন্বয় সহ পরিকল্পনা এজেন্ট

এই উদাহরণে, একটি Semantic Router Agent ব্যবহারকারীর অনুরোধ গ্রহণ করে (যেমন, “আমার ভ্রমণের জন্য একটি হোটেল পরিকল্পনা দরকার।”)।

পরিকল্পনাকারী তারপর:

নিম্নলিখিত পাইথন কোড স্নিপেট এই ধাপগুলো চিত্রিত করে:


from pydantic import BaseModel

from enum import Enum
from typing import List, Optional, Union

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# Travel SubTask Model

class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum # we want to assign the task to the agent

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool
import json
import os
from typing import Optional

from autogen_core.models import UserMessage, SystemMessage, AssistantMessage
from autogen_ext.models.openai import AzureOpenAIChatCompletionClient

# Create the client with type-checked environment variables

client = AzureOpenAIChatCompletionClient(
    azure_deployment=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),
    model=os.getenv("AZURE_OPENAI_DEPLOYMENT_NAME"),
    api_version=os.getenv("AZURE_OPENAI_API_VERSION"),
    azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
    api_key=os.getenv("AZURE_OPENAI_API_KEY"),
)

from pprint import pprint

# Define the user message

messages = [
    SystemMessage(content="""You are an planner agent.
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests""", source="system"),
    UserMessage(content="Create a travel plan for a family of 2 kids from Singapore to Melbourne", source="user"),
]

response = await client.create(messages=messages, extra_create_args={"response_format": TravelPlan})

# Ensure the response content is a valid JSON string before loading it

response_content: Optional[str] = response.content if isinstance(response.content, str) else None
if response_content is None:
    raise ValueError("Response content is not a valid JSON string")

# Print the response content after loading it as JSON

pprint(json.loads(response_content))

পূর্ববর্তী কোডের আউটপুট নিচে দেখানো হয়েছে এবং আপনি এই কাঠামোবদ্ধ আউটপুটটি assigned_agent-এ রাউট করতে এবং ব্যবহারকারীর জন্য ভ্রমণ পরিকল্পনাটি সংক্ষেপ করতে পারেন।

{
    "is_greeting": "False",
    "main_task": "Plan a family trip from Singapore to Melbourne.",
    "subtasks": [
        {
            "assigned_agent": "flight_booking",
            "task_details": "Book round-trip flights from Singapore to Melbourne."
        },
        {
            "assigned_agent": "hotel_booking",
            "task_details": "Find family-friendly hotels in Melbourne."
        },
        {
            "assigned_agent": "car_rental",
            "task_details": "Arrange a car rental suitable for a family of four in Melbourne."
        },
        {
            "assigned_agent": "activities_booking",
            "task_details": "List family-friendly activities in Melbourne."
        },
        {
            "assigned_agent": "destination_info",
            "task_details": "Provide information about Melbourne as a travel destination."
        }
    ]
}

পূর্ববর্তী কোড স্নিপেট সহ একটি উদাহরণ নোটবুক এখানে উপলব্ধ।

পুনরাবৃত্তিমূলক পরিকল্পনা

কিছু কাজের জন্য একটি পিছনে-পেছনে বা পুনরায় পরিকল্পনার প্রয়োজন হয়, যেখানে একটি উপ-কার্যের ফলাফল পরবর্তীটির উপর প্রভাব ফেলে। উদাহরণস্বরূপ, যদি এজেন্ট ফ্লাইট বুকিংয়ের সময় একটি অপ্রত্যাশিত ডেটা ফরম্যাট আবিষ্কার করে, তবে এটি হোটেল বুকিংয়ের আগে তার কৌশলটি মানিয়ে নিতে পারে।

এছাড়াও, ব্যবহারকারীর প্রতিক্রিয়া (যেমন, একজন মানুষ সিদ্ধান্ত নেয় যে তারা একটি আগের ফ্লাইট পছন্দ করে) একটি আংশিক পুনরায় পরিকল্পনা ট্রিগার করতে পারে। এই গতিশীল, পুনরাবৃত্তিমূলক পদ্ধতি নিশ্চিত করে যে চূড়ান্ত সমাধান বাস্তব জীবনের সীমাবদ্ধতা এবং পরিবর্তনশীল ব্যবহারকারীর পছন্দের সাথে সামঞ্জস্যপূর্ণ।

উদাহরণস্বরূপ কোড:

from autogen_core.models import UserMessage, SystemMessage, AssistantMessage
#.. same as previous code and pass on the user history, current plan
messages = [
    SystemMessage(content="""You are a planner agent to optimize the
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests""", source="system"),
    UserMessage(content="Create a travel plan for a family of 2 kids from Singapore to Melbourne", source="user"),
    AssistantMessage(content=f"Previous travel plan - {TravelPlan}", source="assistant")
]
# .. re-plan and send the tasks to respective agents

জটিল কাজের জন্য আরও ব্যাপক পরিকল্পনার জন্য Magnetic One দেখুন।

সারসংক্ষেপ

এই নিবন্ধে আমরা দেখেছি কীভাবে একটি পরিকল্পনাকারী তৈরি করা যায় যা উপলব্ধ এজেন্টদের সংজ্ঞায়িত করে এবং তাদের নির্দিষ্ট কাজগুলোতে গতিশীলভাবে নির্বাচন করে। পরিকল্পনাকারীর আউটপুট কাজগুলোকে ভাগ করে এবং এজেন্টদের বরাদ্দ করে যাতে সেগুলো সম্পাদিত হতে পারে। ধরে নেওয়া হয় যে এজেন্টদের সেই ফাংশন/সরঞ্জামগুলোর অ্যাক্সেস রয়েছে যা কাজটি সম্পাদনের জন্য প্রয়োজন। এজেন্টদের পাশাপাশি আপনি অন্যান্য প্যাটার্ন যেমন রিফ্লেকশন, সংক্ষেপক, এবং রাউন্ড রবিন চ্যাট অন্তর্ভুক্ত করতে পারেন যাতে আরও কাস্টমাইজ করা যায়।

অতিরিক্ত সম্পদ

. এই বাস্তবায়নে অর্কেস্ট্রেটর কাজ-নির্দিষ্ট পরিকল্পনা তৈরি করে এবং এই কাজগুলো উপলব্ধ এজেন্টদের কাছে অর্পণ করে। পরিকল্পনার পাশাপাশি অর্কেস্ট্রেটর একটি ট্র্যাকিং মেকানিজমও ব্যবহার করে কাজের অগ্রগতি পর্যবেক্ষণ করতে এবং প্রয়োজন অনুযায়ী পুনরায় পরিকল্পনা করতে।

পরিকল্পনা ডিজাইন প্যাটার্ন সম্পর্কে আরও প্রশ্ন আছে?

Azure AI Foundry Discord-এ যোগ দিন, যেখানে আপনি অন্যান্য শিক্ষার্থীদের সাথে দেখা করতে পারেন, অফিস আওয়ার্সে অংশ নিতে পারেন এবং আপনার AI এজেন্ট সম্পর্কিত প্রশ্নের উত্তর পেতে পারেন।

পূর্ববর্তী পাঠ

বিশ্বাসযোগ্য AI এজেন্ট তৈরি করা

পরবর্তী পাঠ

বহু-এজেন্ট ডিজাইন প্যাটার্ন

অস্বীকৃতি:
এই নথিটি AI অনুবাদ পরিষেবা Co-op Translator ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসম্ভব সঠিক অনুবাদের চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখবেন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। নথিটির মূল ভাষায় লেখা সংস্করণটিকেই প্রামাণিক উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য, পেশাদার মানব অনুবাদ ব্যবহার করার পরামর্শ দেওয়া হচ্ছে। এই অনুবাদ ব্যবহারের ফলে সৃষ্ট কোনো ভুল বোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।

This site is open source. Improve this page.