পাঁচ ধাপে শেখার পথ
Prompt engineering, RAG, workflow, agent loop আর runtime এক জিনিস নয়। আগে ধারণাগুলোর ধারাবাহিকতা বুঝুন, তারপর মাপা যায় এমন system বানান।
Buzzword নয়—আগে কাজের ক্ষমতা
সব term একই স্তরের নয়। আগে মাপা যায় এমন সমস্যা আর baseline, তারপর context ও workflow; সত্যিই অনিশ্চয়তা থাকলে তবেই agent যোগ করুন।
Model বাছার আগে user কে, ফল কী চাই, input কী, সীমাবদ্ধতা ও ঝুঁকি কোথায়, আর কোন evidence-এ কাজটাকে শেষ বলবে—এসব ঠিক করুন।
যে evidence বানাবে: এক পাতার specification আর সবচেয়ে ছোট deterministic baseline লিখুন। এটাই forward engineering: পরিষ্কার প্রয়োজন থেকে design, implementation আর test-এর দিকে এগোনো।
Instruction, example, context আর output schema-কে interface হিসেবে দেখুন—জাদুর মন্ত্রের collection হিসেবে নয়।
যে evidence বানাবে: Success, refusal আর failure-এর labelled case বানান; prompt-এর প্রতিটি version সব case দিয়ে মিলিয়ে দেখুন।
উত্তর যদি নিজের, হালনাগাদ বা domain-specific তথ্যের ওপর নির্ভর করে, retrieval ব্যবহার করুন। retrieval আর generation-কে আলাদা system হিসেবে পরীক্ষা করুন।
যে evidence বানাবে: Keyword baseline দিয়ে শুরু করুন। এরপর chunking, semantic retrieval, source দেখানো এবং evidence না থাকলে উত্তর না দেওয়ার নিয়ম যোগ করুন।
যে ধাপগুলো আগে থেকেই জানা, সেগুলো deterministic রাখুন: trigger, validate, retrieve, call, transform, approve, act আর log।
যে evidence বানাবে: একই ছোট workflow code দিয়ে বা n8n-এর মতো visual tool-এ বানান। retry, timeout, duplicate event আর আংশিক failure পরীক্ষা করুন।
অনিশ্চিত অবস্থায় model-কে পরের ধাপ বা tool বাছতে হলেই agent ব্যবহার করুন; অনেক কাজেই fixed workflow যথেষ্ট।
যে evidence বানাবে: একটি loop বানান: context দেখুন → সিদ্ধান্ত নিন → ছোট পরিসরের একটি tool চালান → ফল যাচাই করুন → থামুন, আবার চেষ্টা করুন বা মানুষের কাছে পাঠান। turn, সময় আর খরচের সীমা ঠিক করে দিন।
বাস্তব ধরনের data-তে quality আর safety যাচাই করুন; data ও action সুরক্ষিত রাখুন; failure যেন দেখা যায় এবং আগের অবস্থায় ফেরা যায়।
যে evidence বানাবে: Trace, regression case, permission, guardrail, বড় প্রভাবের action-এ approval, ধাপে rollout আর rollback যোগ করুন। quality-এর সঙ্গে খরচ আর latency-ও দেখুন।
শব্দগুলোর মানচিত্র
চোখে দেখে workflow automation বানানোর platform—data, API, failure বা permission বোঝার বিকল্প নয়।
কখন: Tool ছাড়াই workflow এঁকে বুঝিয়ে ও পরীক্ষা করে দেখাতে পারলে ধাপ ৪-এ এটি ব্যবহার করুন।
দীর্ঘ সময় চলা, tool-ব্যবহারকারী agent-এর self-hosted gateway ও runtime। এর authority, credential, channel আর host access মিলে সত্যিকারের security boundary তৈরি হয়।
কখন: ধাপ ৫–৬ বোঝার পর isolated data, অল্প কয়েকটি tool, sandbox আর স্পষ্ট approval দিয়ে চেষ্টা করুন।
দ্রুত বদলাতে থাকা capability ও গবেষণার দিগন্ত; implementation layer, framework বা beginner-এর prerequisite নয়।
কখন: দাবিগুলো প্রশ্ন করে দেখুন; AGI নিয়ে ভবিষ্যদ্বাণীকে roadmap না বানিয়ে আজ মাপা যায় এমন system তৈরি করুন।
Manager বা handoff pattern দিয়ে কয়েকটি agent সমন্বয় করে; এর সঙ্গে failure mode, context boundary আর চালানোর খরচও বাড়ে।
কখন: সীমাবদ্ধ একটি agent মেপে দেখার পরও নির্দিষ্ট coordination problem থেকে গেলেই ব্যবহার করুন।
রোডম্যাপের ধাপ
Framework বা autonomous agent নয়—explicit user need, deterministic baseline আর test case থেকে শুরু করুন।
এখন এতটুকুই যথেষ্ট
User outcome ও constraint explain, baseline run, secret protect আর requirement-কে generated output থেকে আলাদা করতে পারেন।
Model call-এর আগে one-page feature specification, আটটি labelled case আর পাঁচটি harmless document-এর ওপর deterministic text-matching baseline বানান।
রোডম্যাপের ধাপ
একটি model call testable করুন; তারপর task-এ own, current বা domain-specific evidence লাগলেই retrieval যোগ করুন।
এখন এতটুকুই যথেষ্ট
Prompt version, answer-এর retrieved evidence trace আর system কখন refuse করবে test দিয়ে দেখাতে পারেন।
Baseline-এ schema-constrained answer যোগ করুন। তারপর visible source-সহ retrieval দিয়ে প্রতিটি success, refusal আর failure case rerun করুন।
রোডম্যাপের ধাপ
Known step deterministic রাখুন; model-কে bounded next action বাছতে হলেই agent loop যোগ করুন।
এখন এতটুকুই যথেষ্ট
Workflow বনাম agent justify, failed run reproduce আর turn, time, cost ও tool authority bounded—তা prove করতে পারেন।
Code বা n8n-এ একটি read-only workflow implement করুন। একটি tool, explicit exit condition আর human handoff-সহ bounded single-agent branch যোগ করে fixed workflow-এর সঙ্গে compare করুন।
রোডম্যাপের ধাপ
অন্য কেউ depend করার আগে AI behavior reviewable, observable, permission-aware আর reversible করুন।
এখন এতটুকুই যথেষ্ট
Release decision-এর evidence দেখাতে, model ও prompt setting reproduce করতে আর harmful regression stop বা rollback করতে পারেন।
Representative eval, permission check, approval boundary আর explicit refusal test-সহ release gate বানান। দুই version compare করে quality, cost, latency আর known failure mode লিখুন।
রোডম্যাপের ধাপ
নতুন agent framework বা AGI headline আছে বলে নয়—measured কাজের প্রয়োজনেই deeper infrastructure বেছে নিন।
এখন এতটুকুই যথেষ্ট
Unnecessary autonomy reject, selected trust boundary explain আর added runtime বা agent কেন cost-এর যোগ্য—তা দেখাতে পারেন।
Current bounded system-এর সঙ্গে একটি runtime বা multi-agent option compare করে architecture decision record লিখুন। Measured need, new authority, failure mode, operating cost আর rollback plan রাখুন।
Skill থেকে গন্তব্য
Career roadmap বলে কী শিখবেন। Goal guide বলে সেই skill দিয়ে কীভাবে এগোবেন। একটি পথ দিয়ে শুরু করুন; সব একসঙ্গে নয়।
রোডম্যাপ দেখা হলো—এবার evidence বানান