গত কয়েক বছর ধরে কৃত্রিম বুদ্ধিমত্তার দৌড় মূলত একটি একক মেট্রিক দিয়ে নির্ধারিত হয়েছে: কনটেক্সট দৈর্ঘ্য। প্রতি কয়েক মাসে বড় ল্যাবগুলো এমন মডেল আনে যা একসঙ্গে লক্ষ লক্ষ—এমনকি মিলিয়ন—টোকেন হজম করতে সক্ষম। ডেভেলপার ও অটোমেশন আর্কিটেক্টদের প্রতি অন্তর্নিহিত প্রতিশ্রুতি ছিল সরল: AI-কে সবকিছু খাওয়াও, সে সবকিছু মনে রাখবে। কোনো স্বয়ংক্রিয় এজেন্ট একটি প্রকল্পের সম্পূর্ণ ইতিহাসে অ্যাক্সেস পেলে নিশ্চয়ই সে ভালো সিদ্ধান্ত নেবে।
তবু যে কেউ প্রোডাকশনে বহু-ধাপের AI এজেন্ট স্থাপন করেছেন তিনি জানেন বাস্তবতা অনেক বেশি এলোমেলো। এজেন্টের প্রম্পট কনটেক্সটে অন্তহীন চ্যাট ইতিহাস, বিস্তৃত কোডবেস স্ন্যাপশট ও কাঁচা API লগ ঠেসে দিলে স্মার্টার কর্মী পাওয়া যায় না। বরং এটি "কনটেক্সট রট" তৈরি করে—এমন অবস্থা যেখানে মডেল মনোযোগ হারায়, কোলাহলের গভীরে লুকানো বিবরণ হ্যালুসিনেট করে এবং শুধু নিজের অতীত পার্স করতে গিয়ে কম্পিউটেশনাল বাজেট পুড়িয়ে ফেলে।
আমরা ওয়ার্কফ্লো অটোমেশনে একটি মোড় ঘোরানো বিন্দুতে পৌঁছাচ্ছি। শিল্প একটি অপ্রত্যাশিত সত্য উপলব্ধি করছে: স্বয়ংক্রিয় এজেন্টের বিশাল, অকাঠামোবদ্ধ মেমরি দরকার নেই। তাদের দরকার পরিচ্ছন্ন, গতিশীল ডকুমেন্টেশন।
ওয়ার্কফ্লো অটোমেশনে অসীম কনটেক্সটের ভ্রান্তি
মেমরি-ভারী আর্কিটেকচার কেন দেয়ালে ঠেকছে তা বুঝতে ভাবুন মানব প্রতিষ্ঠান কীভাবে কাজ করে। কোনো সফটওয়্যার প্রকৌশল টিম বা মার্কেটিং বিভাগ যদি নতুন কন্ট্রাক্টরকে গত পাঁচ বছরের প্রতিটি Slack বার্তা, ইমেইল থ্রেড ও কমিট লগের একটি কাঁচা, অগোছালো ডাম্প ধরিয়ে দিয়ে অনবোর্ড করে, তাহলে সেই কন্ট্রাক্টর সম্ভবত ব্যর্থ হবে। কোনটি এখন প্রাসঙ্গিক, কোনটি বাতিল হয়েছে বা চূড়ান্ত সিদ্ধান্তের ক্ষমতা কার হাতে তা সে জানবে না।
তবু ঠিক এভাবেই অনেক স্বয়ংক্রিয় AI পাইপলাইন কাজ করার জন্য ডিজাইন করা হয়েছে। ডেভেলপাররা একটি এজেন্ট চালু করেন, একটি বিশাল ভেক্টর ডেটাবেস বা বিস্তৃত কনটেক্সট উইন্ডো যুক্ত করেন এবং আশা করেন মডেল ঐতিহাসিক কোলাহল ছেঁকে কাজের বর্তমান অবস্থা বুঝে নেবে।
এই পদ্ধতি তিনটি প্রধান কারণে ব্যর্থ হয়:
- উচ্চ ল্যাটেন্সি ও খরচ: প্রতিটি এক্সিকিউশন লুপে হাজার হাজার অপ্রয়োজনীয় টোকেন প্রক্রিয়া করা API খরচ বাড়ায় এবং স্বয়ংক্রিয় ওয়ার্কফ্লোতে লক্ষণীয় ল্যাটেন্সি আনে।
- মনোযোগের মিশ্রণ: ট্রান্সফর্মার অ্যাটেনশন মেকানিজমের ওপর নির্ভর করে। অপ্রাসঙ্গিক ঐতিহাসিক কনটেক্সটের কারণে সিগন্যাল-টু-নয়েজ অনুপাত কমলে তাৎক্ষণিক কাজ নিয়ে যুক্তি করার মডেলের সক্ষমতা কমে যায়।
- পুরোনো অনুমান: কাঁচা চ্যাট ইতিহাসে প্রায়ই পরিত্যক্ত ধারণা, ব্যর্থ ডিবাগিং প্রচেষ্টা ও পুরোনো নির্দেশনা থাকে। কাঁচা ইতিহাস লগ পড়া এজেন্ট ভুলবশত এমন একটি খারাপ পদ্ধতিকে পুনরুজ্জীবিত করতে পারে যা টিম কয়েক সপ্তাহ আগে বাতিল করেছে।
মেমরি থেকে ডায়নামিক ডকুমেন্টেশনে স্থানান্তর
উন্নত অটোমেশন ফ্রেমওয়ার্ক জুড়ে উদীয়মান সমাধান হলো ডকুমেন্টেশন-ফার্স্ট আর্কিটেকচারের দিকে যাত্রা। এজেন্টের মেমরিকে সে যা কিছু দেখেছে তার জন্য একটি নিষ্ক্রিয় স্টোরেজ বিন হিসেবে দেখার বদলে ডেভেলপাররা এমন সিস্টেম ডিজাইন করছেন যেখানে এজেন্ট সক্রিয়ভাবে কাঠামোবদ্ধ মার্কডাউন ফাইল, আর্কিটেকচারাল ডিসিশন রেকর্ড (ADR) ও লাইভ স্টেট ম্যানিফেস্ট রক্ষণাবেক্ষণ করে, পড়ে এবং আপডেট করে।
এই মডেলে এজেন্টের পরিবেশ একটি সুরক্ষিত উইকির মতো কাজ করে। এজেন্ট কোনো ওয়ার্কফ্লো ধাপ সম্পাদন করার সময়—তা মাইক্রোসার্ভিস রিফ্যাক্টর করা, গ্রাহক সাপোর্ট টিকিট বাছাই করা বা আর্থিক রিপোর্ট তৈরি যা-ই হোক—সে তার চিন্তা একটি অতল চ্যাট ইতিহাসে লগ করে না। বরং সে একটি কেন্দ্রীভূত ডকুমেন্টেশন বৃক্ষের নির্দিষ্ট অংশ আপডেট করে।
এই পরিবর্তন এজেন্ট বিশ্বের সঙ্গে কীভাবে ইন্টারঅ্যাক্ট করে তা বদলে দেয়:
- ডিটারমিনিস্টিক রিড: লক্ষ লক্ষ টোকেনের চ্যাট লগে অস্পষ্ট সেমান্টিক সার্চের ওপর নির্ভর করার বদলে এজেন্ট একটি সংক্ষিপ্ত, মানুষের পড়ার উপযোগী স্ট্যাটাস ডকুমেন্ট পড়ে, যা বর্তমান লক্ষ্য, সীমাবদ্ধতা ও সম্পন্ন মাইলস্টোন স্পষ্টভাবে তুলে ধরে।
- হিউম্যান-ইন-দ্য-লুপ স্বচ্ছতা: কাঠামোবদ্ধ ডকুমেন্টেশন স্বচ্ছ। আইটি ম্যানেজার ও ডেভেলপাররা ফাইল খুলে দেখতে পারেন এজেন্ট প্রকল্পের বর্তমান অবস্থা ঠিক কী মনে করে এবং এজেন্ট পথ হারালে সরাসরি তা সম্পাদনা করতে পারেন।
- মডুলার পোর্টেবিলিটি: ডকুমেন্টেশন মালিকানাধীন ভেক্টর ডেটাবেসের বদলে পরিচ্ছন্ন, মডুলার ফাইলে থাকলে অপারেশনাল স্টেট না হারিয়ে এজেন্ট সহজেই বদলানো, আপগ্রেড করা বা বিকেন্দ্রীভূত স্যান্ডবক্স জুড়ে চালানো যায়।
ডকুমেন্টেশন-চালিত এজেন্ট বাস্তবায়নের সেরা চর্চা
আপনি AI এজেন্ট ব্যবহার করে স্বয়ংক্রিয় ওয়ার্কফ্লো তৈরি বা স্কেল করলে ব্রুট-ফোর্স মেমরি থেকে সরে আসতে সিস্টেম ডিজাইনে সুচিন্তিত পরিবর্তন দরকার। ডকুমেন্টেশন-ফার্স্ট অটোমেশন পাইপলাইন বাস্তবায়নের একটি ব্যবহারিক রোডম্যাপ এখানে দেওয়া হলো:
- স্পষ্ট স্টেট স্কিমা নির্ধারণ করুন: কাজ শেষ করার পর এজেন্টের কী নথিভুক্ত করা উচিত তার কঠোর টেমপ্লেট স্থাপন করুন। Current Objective, Active Blockers ও Next Actions-এর মতো স্পষ্ট শিরোনামসহ মার্কডাউন ব্যবহার করুন।
- রাইট-ব্যাক লুপ বাধ্যতামূলক করুন: আপনার এজেন্ট ওয়ার্কফ্লো এমনভাবে প্রোগ্রাম করুন যাতে প্রতিটি প্রধান এক্সিকিউশন চক্র ডকুমেন্টেশন ফাইল আপডেট করা একটি রাইট অপারেশন দিয়ে শেষ হয়, যাতে পরবর্তী রান সতেজ, সংক্ষিপ্ত কনটেক্সট নিয়ে শুরু হয়।
- ক্রমাগত ছাঁটাই করুন: এজেন্ট ডকুমেন্টেশনকে কোড রিপোজিটরির মতো বিবেচনা করুন। অপ্রচলিত তথ্য ছাঁটাই করে ডকুমেন্টেশন স্ফীতি রোধ করতে স্বয়ংক্রিয় লিন্টিং বা দ্বিতীয় পর্যালোচনা প্রম্পট বাস্তবায়ন করুন।
- লগ ও স্টেট আলাদা রাখুন: কাঁচা এক্সিকিউশন লগ (API রেসপন্স, টার্মিনাল আউটপুট) আলাদা টেলিমেট্রি স্টোরে রাখুন। সেগুলো স্থায়ীভাবে সক্রিয় প্রম্পট পাথে না রেখে নির্দিষ্ট ডিবাগিং দরকার হলেই কেবল এজেন্টকে এই লগ কোয়েরি করতে দিন।
- ফাইল লোকাল ও ভার্সন-নিয়ন্ত্রিত রাখুন: এজেন্ট স্টেট ফাইল লোকাল ডিরেক্টরি বা git রিপোজিটরিতে রাখুন। এতে সময়ের সঙ্গে প্রকল্প সম্পর্কে এজেন্টের বোঝাপড়া কীভাবে বিকশিত হয় তা ট্র্যাক করা যায় এবং মডেল নিজের নির্দেশনা নষ্ট করলে পরিবর্তন রোলব্যাক করা যায়।
স্বয়ংক্রিয় ওয়ার্কফ্লোর সামনের পথ
AI এজেন্ট পরীক্ষামূলক নতুনত্ব থেকে এন্টারপ্রাইজ অবকাঠামোর মূল উপাদানে রূপান্তরিত হওয়ার সঙ্গে সঙ্গে পার্থক্য গড়ে দেবে না একটি মডেল তার স্বল্পমেয়াদি মেমরিতে কতগুলো টোকেন ধরে রাখতে পারে। পার্থক্য গড়বে প্রকৌশলীরা এজেন্টকে ঘিরে থাকা তথ্য আর্কিটেকচার কতটা পরিচ্ছন্নভাবে ডিজাইন করতে পারেন।
মানুষের অভিপ্রায় ও মেশিন এক্সিকিউশনের মধ্যে প্রাথমিক ইন্টারফেস হিসেবে ডকুমেন্টেশনকে দেখে আমরা এমন স্বয়ংক্রিয় সিস্টেম তৈরি করতে পারি যা আরও হালকা, আরও নির্ভরযোগ্য এবং অডিট করা অনেক সহজ। AI এজেন্টের জগতে স্পষ্টতা সবসময় জঞ্জালের ওপর জয়ী হবে।
আপনার বর্তমান অটোমেশন পাইপলাইনে আপনার টিম এজেন্ট স্টেট ও কনটেক্সট কীভাবে সামলাচ্ছে? শুরুতেই কাঠামোবদ্ধ ডকুমেন্টেশন গ্রহণ করাই হয়তো আপনার ওয়ার্কফ্লোকে সফলভাবে স্কেল করার জন্য প্রয়োজনীয় সাফল্য।
More about ai agents
Want to go further with ai agents? These Netstech guides and services are a good next step:
