1. সংক্ষিপ্ত বিবরণ
এই কোডল্যাবে, আপনি একটি অত্যাধুনিক মাল্টি-এজেন্ট বিনিয়োগ গবেষণা ব্যবস্থা তৈরি করবেন যা গুগলের এজেন্ট ডেভেলপমেন্ট কিট (ADK), Neo4j গ্রাফ ডেটাবেস এবং মডেল কনটেক্সট প্রোটোকল (MCP) টুলবক্সের শক্তিকে একত্রিত করবে। এই হ্যান্ডস-অন টিউটোরিয়ালে দেখানো হয়েছে কিভাবে বুদ্ধিমান এজেন্ট তৈরি করতে হয় যারা গ্রাফ সম্পর্কের মাধ্যমে ডেটা প্রেক্ষাপট বোঝে এবং অত্যন্ত নির্ভুল প্রশ্নের উত্তর প্রদান করে।
কেন GraphRAG + মাল্টি-এজেন্ট সিস্টেম?
গ্রাফআরএজি (গ্রাফ-ভিত্তিক পুনরুদ্ধার-অগমেন্টেড জেনারেশন) জ্ঞান গ্রাফের সমৃদ্ধ সম্পর্ক কাঠামোকে কাজে লাগিয়ে ঐতিহ্যবাহী RAG পদ্ধতিগুলিকে উন্নত করে। শুধুমাত্র অনুরূপ নথি অনুসন্ধান করার পরিবর্তে, গ্রাফআরএজি এজেন্টরা করতে পারেন:
- সত্তার মধ্যে জটিল সম্পর্ক অতিক্রম করুন
- গ্রাফ কাঠামোর মাধ্যমে প্রসঙ্গ বুঝুন
- সংযুক্ত ডেটার উপর ভিত্তি করে ব্যাখ্যাযোগ্য ফলাফল প্রদান করুন
- জ্ঞান গ্রাফ জুড়ে মাল্টি-হপ যুক্তি সম্পাদন করুন
মাল্টি-এজেন্ট সিস্টেম আপনাকে এগুলি করতে দেয়:
- জটিল সমস্যাগুলিকে বিশেষায়িত উপ-কাজে বিভক্ত করুন
- মডুলার, রক্ষণাবেক্ষণযোগ্য AI অ্যাপ্লিকেশন তৈরি করুন
- সমান্তরাল প্রক্রিয়াকরণ এবং দক্ষ সম্পদের ব্যবহার সক্ষম করুন
- অর্কেস্ট্রেশনের মাধ্যমে শ্রেণিবদ্ধ যুক্তির ধরণ তৈরি করুন
তুমি কী তৈরি করবে
আপনি একটি সম্পূর্ণ বিনিয়োগ গবেষণা ব্যবস্থা তৈরি করবেন যার মধ্যে থাকবে:
- গ্রাফ ডাটাবেস এজেন্ট : সাইফার কোয়েরিগুলি কার্যকর করে এবং Neo4j স্কিমা বোঝে
- বিনিয়োগকারী গবেষণা এজেন্ট : বিনিয়োগকারীদের সম্পর্ক এবং বিনিয়োগ পোর্টফোলিও আবিষ্কার করে
- বিনিয়োগ গবেষণা এজেন্ট : MCP সরঞ্জামগুলির মাধ্যমে ব্যাপক জ্ঞান গ্রাফ অ্যাক্সেস করে
- রুট এজেন্ট : সকল সাব-এজেন্টকে বুদ্ধিমত্তার সাথে পরিচালনা করে
সিস্টেমটি জটিল প্রশ্নের উত্তর দেবে যেমন:
- "ইউটিউবের প্রধান প্রতিযোগী কারা?"
- "২০২৩ সালের জানুয়ারিতে কোন কোন কোম্পানির নাম ইতিবাচক মনোভাব নিয়ে উল্লেখ করা হয়েছে?"
- "বাইটড্যান্সে কারা বিনিয়োগ করেছে এবং তারা আর কোথায় বিনিয়োগ করেছে?"
স্থাপত্যের সংক্ষিপ্ত বিবরণ
এই কোডল্যাবের মাধ্যমে, আপনি এন্টারপ্রাইজ-গ্রেড GraphRAG এজেন্ট তৈরির ধারণাগত ভিত্তি এবং ব্যবহারিক বাস্তবায়ন উভয়ই শিখবেন।
তুমি কি শিখবে
- গুগলের এজেন্ট ডেভেলপমেন্ট কিট (ADK) ব্যবহার করে মাল্টি-এজেন্ট সিস্টেম কীভাবে তৈরি করবেন
- GraphRAG অ্যাপ্লিকেশনের জন্য ADK-এর সাথে Neo4j গ্রাফ ডাটাবেস কীভাবে একীভূত করবেন
- প্রাক-যাচাইকৃত ডাটাবেস প্রশ্নের জন্য মডেল কনটেক্সট প্রোটোকল (MCP) টুলবক্স কীভাবে বাস্তবায়ন করবেন
- বুদ্ধিমান এজেন্টদের জন্য কাস্টম টুল এবং ফাংশন কীভাবে তৈরি করবেন
- এজেন্ট শ্রেণিবিন্যাস এবং অর্কেস্ট্রেশন প্যাটার্ন কীভাবে ডিজাইন করবেন
- সর্বোত্তম কর্মক্ষমতার জন্য এজেন্ট নির্দেশাবলী কীভাবে গঠন করবেন
- মাল্টি-এজেন্ট ইন্টারঅ্যাকশনগুলি কার্যকরভাবে কীভাবে ডিবাগ করবেন
তোমার যা লাগবে
- ক্রোম ওয়েব ব্রাউজার
- একটি জিমেইল অ্যাকাউন্ট
- বিলিং সক্ষম করা একটি Google ক্লাউড প্রকল্প
- টার্মিনাল কমান্ড এবং পাইথনের সাথে প্রাথমিক পরিচিতি (সহায়ক কিন্তু প্রয়োজনীয় নয়)
সকল স্তরের ডেভেলপারদের জন্য (নতুনদের সহ) তৈরি এই কোডল্যাবটি তার নমুনা অ্যাপ্লিকেশনে Python এবং Neo4j ব্যবহার করে। যদিও Python এবং গ্রাফ ডাটাবেসের সাথে প্রাথমিক পরিচিতি সহায়ক হতে পারে, ধারণাগুলি বুঝতে বা অনুসরণ করার জন্য কোনও পূর্ব অভিজ্ঞতার প্রয়োজন নেই।
2. GraphRAG এবং মাল্টি-এজেন্ট সিস্টেম বোঝা
বাস্তবায়নে ডুব দেওয়ার আগে, আসুন এই ব্যবস্থাকে শক্তিশালী করে এমন মূল ধারণাগুলি বুঝতে পারি।
Neo4j হল একটি নেতৃস্থানীয় নেটিভ গ্রাফ ডাটাবেস যা নোড (সত্তা) এবং সম্পর্কের (সত্তার মধ্যে সংযোগ) নেটওয়ার্ক হিসাবে ডেটা সংরক্ষণ করে, যা এটিকে এমন ব্যবহারের ক্ষেত্রে আদর্শ করে তোলে যেখানে সংযোগগুলি বোঝা গুরুত্বপূর্ণ - যেমন সুপারিশ, জালিয়াতি সনাক্তকরণ, জ্ঞান গ্রাফ এবং আরও অনেক কিছু। রিলেশনাল বা ডকুমেন্ট-ভিত্তিক ডাটাবেসের বিপরীতে যা অনমনীয় টেবিল বা শ্রেণিবদ্ধ কাঠামোর উপর নির্ভর করে, Neo4j এর নমনীয় গ্রাফ মডেল জটিল, আন্তঃসংযুক্ত ডেটার স্বজ্ঞাত এবং দক্ষ উপস্থাপনা করার অনুমতি দেয়।
রিলেশনাল ডাটাবেসের মতো সারি এবং টেবিলে ডেটা সংগঠিত করার পরিবর্তে, Neo4j একটি গ্রাফ মডেল ব্যবহার করে, যেখানে তথ্যকে নোড (সত্তা) এবং সম্পর্ক (ঐ সত্তাগুলির মধ্যে সংযোগ) হিসাবে উপস্থাপন করা হয়। এই মডেলটি এমন ডেটার সাথে কাজ করার জন্য ব্যতিক্রমীভাবে স্বজ্ঞাত করে তোলে যা সহজাতভাবে সংযুক্ত থাকে — যেমন মানুষ, স্থান, পণ্য, অথবা, আমাদের ক্ষেত্রে, সিনেমা, অভিনেতা এবং ঘরানা।
উদাহরণস্বরূপ, একটি মুভি ডেটাসেটে:
- একটি নোড একটি
Movie,Actor, অথবাDirectorপ্রতিনিধিত্ব করতে পারে - একটি সম্পর্ক
ACTED_INঅথবাDIRECTEDহতে পারে
এই কাঠামো আপনাকে সহজেই প্রশ্ন জিজ্ঞাসা করতে সক্ষম করে যেমন:
- এই অভিনেতা কোন কোন সিনেমায় অভিনয় করেছেন?
- ক্রিস্টোফার নোলানের সাথে কে কাজ করেছেন?
- অভিনয়শিল্পী বা ঘরানার উপর ভিত্তি করে তৈরি একই রকম সিনেমাগুলি কী কী?
GraphRAG কি?
পুনরুদ্ধার-বর্ধিত প্রজন্ম (RAG) বহিরাগত উৎস থেকে প্রাসঙ্গিক তথ্য পুনরুদ্ধার করে LLM প্রতিক্রিয়া বৃদ্ধি করে। ঐতিহ্যবাহী RAG সাধারণত:
- ভেক্টরে ডকুমেন্ট এম্বেড করে
- অনুরূপ ভেক্টর অনুসন্ধান করে
- উদ্ধারকৃত নথিপত্র LLM-এ পাঠায়।
GraphRAG জ্ঞান গ্রাফ ব্যবহার করে এটিকে প্রসারিত করে:
- সত্তা এবং সম্পর্ক এম্বেড করে
- ট্র্যাভার্সেস গ্রাফ সংযোগ
- মাল্টি-হপ প্রাসঙ্গিক তথ্য পুনরুদ্ধার করে
- কাঠামোগত, ব্যাখ্যাযোগ্য ফলাফল প্রদান করে
এআই এজেন্টদের জন্য গ্রাফ কেন?
এই প্রশ্নটি বিবেচনা করুন: "ইউটিউবের প্রতিযোগী কারা, এবং কোন বিনিয়োগকারীরা ইউটিউব এবং এর প্রতিযোগীদের উভয়কেই অর্থায়ন করেছেন?"
ঐতিহ্যবাহী RAG পদ্ধতিতে কী ঘটে:
- YouTube প্রতিযোগীদের সম্পর্কে নথি অনুসন্ধান করে
- বিনিয়োগকারীদের তথ্যের জন্য আলাদাভাবে অনুসন্ধান করে
- এই দুটি তথ্যের মধ্যে সংযোগ স্থাপনের জন্য সংগ্রাম করতে হয়
- অন্তর্নিহিত সম্পর্ক মিস হতে পারে
GraphRAG পদ্ধতিতে কী ঘটে:
MATCH (youtube:Company {name: "YouTube"})-[:COMPETES_WITH]->(competitor:Company)
MATCH (investor:Investor)-[:INVESTED_IN]->(youtube)
MATCH (investor)-[:INVESTED_IN]->(competitor)
RETURN youtube, competitor, investor
গ্রাফটি স্বাভাবিকভাবেই সম্পর্কগুলিকে প্রতিনিধিত্ব করে, যা মাল্টি-হপ কোয়েরিগুলিকে সহজ এবং দক্ষ করে তোলে।
ADK-তে মাল্টি-এজেন্ট সিস্টেম
এজেন্ট ডেভেলপমেন্ট কিট (ADK) হল গুগলের ওপেন-সোর্স ফ্রেমওয়ার্ক যা প্রোডাকশন-গ্রেড এআই এজেন্ট তৈরি এবং মোতায়েনের জন্য তৈরি করা হয়। এটি মাল্টি-এজেন্ট অর্কেস্ট্রেশন, টুল ইন্টিগ্রেশন এবং ওয়ার্কফ্লো ম্যানেজমেন্টের জন্য স্বজ্ঞাত আদিমতা প্রদান করে, যা অত্যাধুনিক সিস্টেমে বিশেষায়িত এজেন্ট তৈরি করা সহজ করে তোলে। ADK জেমিনির সাথে নির্বিঘ্নে কাজ করে এবং ক্লাউড রান, কুবারনেটস বা যেকোনো অবকাঠামোতে মোতায়েনের সমর্থন করে।
এজেন্ট ডেভেলপমেন্ট কিট (ADK) মাল্টি-এজেন্ট সিস্টেম তৈরির জন্য প্রিমিটিভ সরবরাহ করে:
- এজেন্ট শ্রেণিবিন্যাস:
# Root agent coordinates specialized agents
root_agent = LlmAgent(
name="RootAgent",
sub_agents=[
graph_db_agent,
investor_agent,
investment_agent
]
)
- বিশেষায়িত এজেন্ট: প্রতিটি এজেন্টের আছে
- নির্দিষ্ট সরঞ্জাম: এটি যে ফাংশনগুলিকে কল করতে পারে
- স্পষ্ট নির্দেশাবলী: এর ভূমিকা এবং ক্ষমতা
- ডোমেইন দক্ষতা: এর ক্ষেত্র সম্পর্কে জ্ঞান
- অর্কেস্ট্রেশন প্যাটার্ন:
- ক্রমিক: ক্রমানুসারে এজেন্টগুলি কার্যকর করুন
- সমান্তরাল: একসাথে একাধিক এজেন্ট চালান
- শর্তসাপেক্ষ: কোয়েরির ধরণের উপর ভিত্তি করে রুট
ডাটাবেসের জন্য MCP টুলবক্স
মডেল কনটেক্সট প্রোটোকল (MCP) হল AI সিস্টেমগুলিকে বহিরাগত ডেটা উৎস এবং সরঞ্জামগুলির সাথে সংযুক্ত করার জন্য একটি উন্মুক্ত মান। MCP টুলবক্স ফর ডেটাবেস হল Google এর বাস্তবায়ন যা ঘোষণামূলক ডাটাবেস কোয়েরি ব্যবস্থাপনা সক্ষম করে, যা আপনাকে পূর্ব-যাচাইকৃত, বিশেষজ্ঞ-লেখিত কোয়েরিগুলিকে পুনর্ব্যবহারযোগ্য সরঞ্জাম হিসাবে সংজ্ঞায়িত করতে দেয়। LLM-গুলিকে সম্ভাব্য অনিরাপদ কোয়েরি তৈরি করতে দেওয়ার পরিবর্তে, MCP টুলবক্স প্যারামিটার যাচাইকরণ সহ প্রাক-অনুমোদিত কোয়েরিগুলি পরিবেশন করে, AI এজেন্টদের জন্য নমনীয়তা বজায় রেখে সুরক্ষা, কর্মক্ষমতা এবং নির্ভরযোগ্যতা নিশ্চিত করে।
ঐতিহ্যবাহী পদ্ধতি:
# LLM generates query (may be incorrect/unsafe)
query = llm.generate("SELECT * FROM users WHERE...")
db.execute(query) # Risk of errors/SQL injection
এমসিপি পদ্ধতি:
# Pre-validated query definition
- name: get_industries
description: Fetch all industries from database
query: |
MATCH (i:Industry)
RETURN i.name, i.id
সুবিধা:
- বিশেষজ্ঞদের দ্বারা পূর্বে যাচাইকৃত
- ইনজেকশন আক্রমণ থেকে নিরাপদ
- কর্মক্ষমতা অপ্টিমাইজ করা হয়েছে
- কেন্দ্রীয়ভাবে পরিচালিত
- এজেন্ট জুড়ে পুনঃব্যবহারযোগ্য
সবকিছু একসাথে করা
ADK + MCP দ্বারা GraphRAG + মাল্টি-এজেন্ট ফ্রেমওয়ার্কের সমন্বয় একটি শক্তিশালী সিস্টেম তৈরি করে:
- রুট এজেন্ট ব্যবহারকারীর প্রশ্ন গ্রহণ করে
- কোয়েরির ধরণের উপর ভিত্তি করে বিশেষায়িত এজেন্টের রুট
- এজেন্ট নিরাপদে ডেটা আনতে MCP টুল ব্যবহার করে
- গ্রাফ কাঠামো সমৃদ্ধ প্রসঙ্গ প্রদান করে
- এলএলএম ভিত্তিগত, ব্যাখ্যাযোগ্য প্রতিক্রিয়া তৈরি করে
এখন যেহেতু আমরা স্থাপত্য বুঝতে পেরেছি, চলুন নির্মাণ শুরু করি!
৩. গুগল ক্লাউড প্রজেক্ট সেটআপ করুন
একটি প্রকল্প তৈরি করুন
- গুগল ক্লাউড কনসোলে , প্রজেক্ট সিলেক্টর পৃষ্ঠায়, একটি গুগল ক্লাউড প্রজেক্ট নির্বাচন করুন বা তৈরি করুন।
- আপনার ক্লাউড প্রোজেক্টের জন্য বিলিং সক্ষম আছে কিনা তা নিশ্চিত করুন। কোনও প্রোজেক্টে বিলিং সক্ষম আছে কিনা তা কীভাবে পরীক্ষা করবেন তা শিখুন।
- আপনি ক্লাউড শেল ব্যবহার করবেন, যা গুগল ক্লাউডে চলমান একটি কমান্ড-লাইন পরিবেশ। গুগল ক্লাউড কনসোলের শীর্ষে ক্লাউড শেল সক্রিয় করুন ক্লিক করুন। আপনি ক্লাউড শেল থেকে সংশ্লিষ্ট বোতামে ক্লিক করে ক্লাউড শেল টার্মিনাল (ক্লাউড কমান্ড চালানোর জন্য) এবং এডিটর (প্রকল্প তৈরির জন্য) এর মধ্যে টগল করতে পারেন।
- ক্লাউড শেলের সাথে সংযুক্ত হয়ে গেলে, আপনি নিম্নলিখিত কমান্ড ব্যবহার করে পরীক্ষা করতে পারবেন যে আপনি ইতিমধ্যেই প্রমাণীকরণপ্রাপ্ত এবং প্রকল্পটি আপনার প্রকল্প আইডিতে সেট করা আছে কিনা:
gcloud auth list
- gcloud কমান্ড আপনার প্রকল্প সম্পর্কে জানে কিনা তা নিশ্চিত করতে ক্লাউড শেলে নিম্নলিখিত কমান্ডটি চালান।
gcloud config list project
- যদি আপনার প্রকল্পটি সেট না করা থাকে, তাহলে এটি সেট করতে নিম্নলিখিত কমান্ডটি ব্যবহার করুন:
gcloud config set project <YOUR_PROJECT_ID>
gcloud কমান্ড এবং ব্যবহারের জন্য ডকুমেন্টেশন দেখুন।
দারুন! আমরা এখন পরবর্তী ধাপে যেতে প্রস্তুত - ডেটাসেট বোঝা।
৪. কোম্পানির ডেটাসেট বোঝা
এই কোডল্যাবের জন্য, আমরা একটি পঠনযোগ্য Neo4j ডাটাবেস ব্যবহার করছি যা Diffbot's Knowledge Graph থেকে বিনিয়োগ এবং কোম্পানির ডেটা দিয়ে পূর্বেই পূর্ণ।
ডেটাসেটে রয়েছে:
- ২৩৭,৩৫৮টি নোড প্রতিনিধিত্ব করে:
- প্রতিষ্ঠান (কোম্পানি)
- মানুষ (নির্বাহী, কর্মচারী)
- প্রবন্ধ (সংবাদ এবং উল্লেখ)
- শিল্প
- প্রযুক্তি
- বিনিয়োগকারীরা
- সম্পর্কগুলি অন্তর্ভুক্ত:
-
INVESTED_IN- বিনিয়োগ সংযোগ -
COMPETES_WITH- প্রতিযোগিতামূলক সম্পর্ক -
MENTIONS- নিবন্ধের তথ্যসূত্র -
WORKS_AT- কর্মসংস্থান সম্পর্ক -
IN_INDUSTRY- শিল্প শ্রেণীবিভাগ
ডেমো ডাটাবেস অ্যাক্সেস করুন
এই কোডল্যাবের জন্য, আমরা একটি হোস্টেড ডেমো ইনস্ট্যান্স ব্যবহার করব। আপনার নোটগুলিতে এই শংসাপত্রগুলি যোগ করুন:
URI: neo4j+s://demo.neo4jlabs.com
Username: companies
Password: companies
Database: companies
ব্রাউজার অ্যাক্সেস:
আপনি https://demo.neo4jlabs.com:7473 এ ভিজ্যুয়ালাইজেশনে ডেটা অন্বেষণ করতে পারেন।
একই শংসাপত্র দিয়ে লগইন করুন এবং চালানোর চেষ্টা করুন:
// Sample query to explore the graph
MATCH (o:Organization)-[:HAS_COMPETITOR]->(competitor:Organization)
RETURN o.name, competitor.name
LIMIT 10
গ্রাফ কাঠামোর কল্পনা করা
সম্পর্কের ধরণ দেখতে Neo4j ব্রাউজারে এই কোয়েরিটি চেষ্টা করুন:
// Find investors and their portfolio companies
MATCH (investor:Organization)-[:HAS_INVESTOR]->(company:Organization)
WITH investor, collect(company.name) as portfolio
RETURN investor.name, size(portfolio) as num_investments, portfolio
ORDER BY num_investments DESC
LIMIT 5
এই কোয়েরিটি শীর্ষ ৫ জন সর্বাধিক সক্রিয় বিনিয়োগকারী এবং তাদের পোর্টফোলিও সম্পর্কে তথ্য প্রদান করে।
GraphRAG-এর জন্য এই ডাটাবেস কেন?
এই ডেটাসেটটি GraphRAG প্রদর্শনের জন্য উপযুক্ত কারণ:
- সমৃদ্ধ সম্পর্ক : সত্তার মধ্যে জটিল সংযোগ
- বাস্তব-বিশ্বের তথ্য : প্রকৃত কোম্পানি, মানুষ এবং সংবাদ নিবন্ধ
- মাল্টি-হপ কোয়েরি : একাধিক সম্পর্কের ধরণ অতিক্রম করতে হবে
- টেম্পোরাল ডেটা : সময়-ভিত্তিক বিশ্লেষণের জন্য টাইমস্ট্যাম্প সহ নিবন্ধ
- অনুভূতি বিশ্লেষণ : নিবন্ধের জন্য পূর্ব-গণিত অনুভূতির স্কোর
এখন যেহেতু আপনি ডেটা স্ট্রাকচার বুঝতে পেরেছেন, আসুন আপনার ডেভেলপমেন্ট এনভায়রনমেন্ট সেট আপ করি!
৫. ক্লোন রিপোজিটরি এবং কনফিগার এনভায়রনমেন্ট
রিপোজিটরি ক্লোন করুন
আপনার ক্লাউড শেল টার্মিনালে, চালান:
# Clone the repository
git clone https://github.com/sidagarwal04/neo4j-adk-multiagents.git
# Navigate into the directory
cd neo4j-adk-multiagents
রিপোজিটরি স্ট্রাকচারটি অন্বেষণ করুন
প্রকল্পের বিন্যাস বুঝতে একটু সময় নিন:
neo4j-adk-multiagents/
├── investment_agent/ # Main agent code
│ ├── agent.py # Agent definitions
│ ├── tools.py # Custom tool functions
│ └── .adk/ # ADK configuration
│ └── tools.yaml # MCP tool definitions
├── main.py # Application entry point
├── setup_tools_yaml.py # Configuration generator
├── requirements.txt # Python dependencies
├── example.env # Environment template
└── README.md # Project documentation
ভার্চুয়াল পরিবেশ সেট আপ করুন
পাইথন ভার্চুয়াল পরিবেশ তৈরি এবং সক্রিয় করার আগে, নিশ্চিত করুন যে আপনার সিস্টেমে ইতিমধ্যেই uv প্যাকেজ ইনস্টল করা আছে:
# Install uv if not already installed
pip install uv
uv ব্যবহার করে একটি Python ভার্চুয়াল পরিবেশ তৈরি এবং সক্রিয় করুন:
# Create virtual environment
uv venv
# Activate the environment
source .venv/bin/activate # On macOS/Linux
# or
.venv\Scripts\activate # On Windows
আপনার টার্মিনাল প্রম্পটে (.venv) আগে থেকে দেখা উচিত।
নির্ভরতা ইনস্টল করুন
সমস্ত প্রয়োজনীয় প্যাকেজ ইনস্টল করুন:
uv pip install -r requirements.txt
মূল নির্ভরতাগুলির মধ্যে রয়েছে:
google-adk>=1.21.0 # Agent Development Kit
neo4j>=6.0.3 # Neo4j Python driver
python-dotenv>=1.0.0 # Environment variables
পরিবেশ ভেরিয়েবল কনফিগার করুন
- আপনার
.envফাইল তৈরি করুন:
cp example.env .env
-
.envফাইলটি সম্পাদনা করুন:
যদি ক্লাউড শেল ব্যবহার করেন, তাহলে টুলবারে Open Editor-এ ক্লিক করুন, তারপর .env এ যান এবং আপডেট করুন:
# Neo4j Configuration (Demo Database)
NEO4J_URI=neo4j+ssc://demo.neo4jlabs.com
NEO4J_USERNAME=companies
NEO4J_PASSWORD=companies
NEO4J_DATABASE=companies
# Google AI Configuration
# Choose ONE of the following options:
# Option 1: Google AI API (Recommended)
GOOGLE_GENAI_USE_VERTEXAI=0
GOOGLE_API_KEY=your_api_key_here # Get from https://aistudio.google.com/app/apikey
# Option 2: Vertex AI (If using GCP)
# GOOGLE_GENAI_USE_VERTEXAI=1
# GOOGLE_CLOUD_PROJECT=your-project-id
# GOOGLE_CLOUD_LOCATION=us-central1
# ADK Configuration
GOOGLE_ADK_MODEL=gemini-3-pro-preview # or gemini-3-flash-preview
# MCP Toolbox Configuration
MCP_TOOLBOX_URL=https://toolbox-990868019953.us-central1.run.app/mcp/sse
- MCP টুলবক্স কনফিগারেশন (পূর্ব-কনফিগার করা - এটি চালানোর প্রয়োজন নেই):
এই ল্যাবে, MCP টুলবক্সটি ইতিমধ্যেই হোস্ট করা এবং আগে থেকে কনফিগার করা আছে, তাই আপনাকে স্থানীয়ভাবে কোনও tools.yaml ফাইল তৈরি বা পরিচালনা করার প্রয়োজন নেই।
সাধারণত, প্রয়োজন অনুসারে investment_agent/.adk/tools.yaml.template আপডেট করার পরে পরিবেশ ভেরিয়েবল থেকে tools.yaml তৈরি করতে আপনাকে নিম্নলিখিত কমান্ডটি চালাতে হবে:
python setup_tools_yaml.py
এটি আপনার Neo4j শংসাপত্রগুলি MCP টুলবক্সের জন্য সঠিকভাবে কনফিগার করে investment_agent/.adk/tools.yaml তৈরি করে।
আপনি উপরের স্ক্রিপ্টটি শুধুমাত্র তখনই চালাবেন যদি:
- আপনি MCP টুলবক্স স্ব-হোস্ট করছেন
- আপনি একটি ভিন্ন Neo4j ডাটাবেস বা ডেটাসেটের সাথে সংযোগ করছেন।
- আপনি কাস্টম টুল বা শংসাপত্র সংজ্ঞায়িত করতে চান
এই ক্ষেত্রে, MCP টুলবক্স URL এবং tools.yaml কনফিগারেশন সেই অনুযায়ী আপডেট করতে হবে।
কনফিগারেশন যাচাই করুন
সবকিছু সঠিকভাবে সেট আপ করা আছে কিনা তা পরীক্ষা করুন:
# Verify .env file exists
ls -la .env
# Verify tools.yaml was generated
ls -la investment_agent/.adk/tools.yaml
# Test Python environment
python -c "import google.adk; print('ADK installed successfully')"
# Test Neo4j connection
python -c "from neo4j import GraphDatabase; print('Neo4j driver installed')"
আপনার ডেভেলপমেন্ট এনভায়রনমেন্ট এখন সম্পূর্ণরূপে কনফিগার করা হয়েছে! এরপর, আমরা মাল্টি-এজেন্ট আর্কিটেকচারে ডুব দেব।
৬. মাল্টি-এজেন্ট আর্কিটেকচার বোঝা
চার-এজেন্ট সিস্টেম
আমাদের বিনিয়োগ গবেষণা ব্যবস্থা একটি শ্রেণিবদ্ধ বহু-এজেন্ট স্থাপত্য ব্যবহার করে যেখানে চারটি বিশেষায়িত এজেন্ট একসাথে কাজ করে কোম্পানি, বিনিয়োগকারী এবং বাজার বুদ্ধিমত্তা সম্পর্কে জটিল প্রশ্নের উত্তর দেয়।
┌──────────────┐
│ Root Agent │ ◄── User Query
└──────┬───────┘
│
┌────────────────┼────────────────┐
│ │ │
┌─────▼─────┐ ┌────▼─────┐ ┌────▼──────────┐
│ Graph DB │ │ Investor │ │ Investment │
│ Agent │ │ Research │ │ Research │
└───────────┘ │ Agent │ │ Agent │
└──────────┘ └───────────────┘
- রুট এজেন্ট (অর্কেস্ট্রেটর):
রুট এজেন্ট সমগ্র সিস্টেমের বুদ্ধিমান সমন্বয়কারী হিসেবে কাজ করে। এটি ব্যবহারকারীর প্রশ্ন গ্রহণ করে, উদ্দেশ্য বিশ্লেষণ করে এবং সবচেয়ে উপযুক্ত বিশেষায়িত এজেন্টের কাছে অনুরোধ পাঠায়। এটিকে এমন একটি প্রকল্প ব্যবস্থাপক হিসেবে ভাবুন যিনি বোঝেন কোন দলের সদস্য প্রতিটি কাজের জন্য সবচেয়ে উপযুক্ত। এটি প্রতিক্রিয়া একত্রিতকরণ, অনুরোধ করা হলে ফলাফলগুলিকে টেবিল বা চার্ট হিসাবে ফর্ম্যাট করা এবং একাধিক প্রশ্নের মধ্যে কথোপকথনের প্রেক্ষাপট বজায় রাখাও পরিচালনা করে। রুট এজেন্ট সর্বদা সাধারণ ডাটাবেস এজেন্টের চেয়ে বিশেষায়িত এজেন্টদের পছন্দ করে, নিশ্চিত করে যে প্রশ্নগুলি সবচেয়ে বিশেষজ্ঞ উপাদান দ্বারা পরিচালিত হয়।
- গ্রাফ ডাটাবেস এজেন্ট:
গ্রাফ ডেটাবেস এজেন্ট হল Neo4j এর শক্তিশালী গ্রাফ ক্ষমতার সাথে আপনার সরাসরি সংযোগ। এটি ডাটাবেস স্কিমা বোঝে, প্রাকৃতিক ভাষা থেকে সাইফার কোয়েরি তৈরি করে এবং জটিল গ্রাফ ট্র্যাভার্সালগুলি কার্যকর করে। এই এজেন্ট জ্ঞান গ্রাফ জুড়ে কাঠামোগত প্রশ্ন, সমষ্টি এবং মাল্টি-হপ যুক্তিতে বিশেষজ্ঞ। এটি ফলব্যাক বিশেষজ্ঞ যখন কোয়েরিগুলির জন্য কাস্টম লজিকের প্রয়োজন হয় যা পূর্ব-নির্ধারিত সরঞ্জামগুলি পরিচালনা করতে পারে না, এটি অনুসন্ধানমূলক বিশ্লেষণ এবং জটিল বিশ্লেষণাত্মক কোয়েরির জন্য অপরিহার্য করে তোলে যা সিস্টেম ডিজাইনে প্রত্যাশিত ছিল না।
- বিনিয়োগকারী গবেষণা এজেন্ট:
বিনিয়োগকারী গবেষণা এজেন্ট কেবলমাত্র বিনিয়োগ সম্পর্ক এবং পোর্টফোলিও বিশ্লেষণের উপর দৃষ্টি নিবদ্ধ করে। এটি সঠিক নামের মিল ব্যবহার করে নির্দিষ্ট কোম্পানিতে কারা বিনিয়োগ করেছে তা আবিষ্কার করতে পারে, তাদের সমস্ত বিনিয়োগ দেখানো সম্পূর্ণ বিনিয়োগকারী পোর্টফোলিও পুনরুদ্ধার করতে পারে এবং বিভিন্ন শিল্পে বিনিয়োগের ধরণ বিশ্লেষণ করতে পারে। এই বিশেষীকরণটি "বাইটড্যান্সে কে বিনিয়োগ করেছে?" বা "সিকোইয়া ক্যাপিটাল আর কী বিনিয়োগ করেছে?" এর মতো প্রশ্নের উত্তর দিতে অত্যন্ত দক্ষ করে তোলে। এজেন্ট কাস্টম পাইথন ফাংশন ব্যবহার করে যা বিনিয়োগকারী-সম্পর্কিত সম্পর্কের জন্য Neo4j ডাটাবেসকে সরাসরি জিজ্ঞাসা করে।
- বিনিয়োগ গবেষণা এজেন্ট:
ইনভেস্টমেন্ট রিসার্চ এজেন্ট মডেল কনটেক্সট প্রোটোকল (MCP) টুলবক্স ব্যবহার করে প্রাক-যাচাইকৃত, বিশেষজ্ঞ-লেখিত প্রশ্নগুলি অ্যাক্সেস করতে পারে। এটি সমস্ত উপলব্ধ শিল্প আনতে পারে, নির্দিষ্ট শিল্পের মধ্যে কোম্পানিগুলি পুনরুদ্ধার করতে পারে, অনুভূতি বিশ্লেষণ সহ নিবন্ধগুলি খুঁজে পেতে পারে, সংবাদে সংস্থার উল্লেখগুলি আবিষ্কার করতে পারে এবং কোম্পানিগুলিতে কাজ করা ব্যক্তিদের সম্পর্কে তথ্য পেতে পারে। গ্রাফ ডেটাবেস এজেন্ট যা গতিশীলভাবে প্রশ্নগুলি তৈরি করে তার বিপরীতে, এই এজেন্ট নিরাপদ, অপ্টিমাইজড, পূর্ব-সংজ্ঞায়িত প্রশ্নগুলি ব্যবহার করে যা কেন্দ্রীয়ভাবে পরিচালিত এবং যাচাই করা হয়। এটি সাধারণ গবেষণা কর্মপ্রবাহের জন্য এটিকে নিরাপদ এবং কার্যকর উভয় করে তোলে।
৭. মাল্টি-এজেন্ট সিস্টেম চালানো এবং পরীক্ষা করা
অ্যাপ্লিকেশনটি চালু করুন
এখন যেহেতু আপনি আর্কিটেকচারটি বুঝতে পেরেছেন, আসুন সম্পূর্ণ সিস্টেমটি চালাই এবং এর সাথে ইন্টারঅ্যাক্ট করি।
ADK ওয়েব ইন্টারফেস শুরু করুন:
# Make sure you're in the project directory with activated virtual environment
cd ~/neo4j-adk-multiagents
source .venv/bin/activate # If not already activated
# Launch the application
uv run adk web
আপনি এর মতো আউটপুট দেখতে পাবেন:
INFO: Started server process [2542]
INFO: Waiting for application startup.
+----------------------------------------------------------------+
| ADK Web Server started |
| |
| For local testing, access at http://127.0.0.1:8000. |
+----------------------------------------------------------------+
INFO: Application startup complete.
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
সার্ভারটি সফলভাবে শুরু হওয়ার পর, আপনার ব্রাউজারটি খুলুন এবং অ্যাপ্লিকেশনটি অ্যাক্সেস করতে http://127.0.0.1:8000 এ যান।
পরীক্ষার প্রশ্ন এবং প্রত্যাশিত আচরণ
আসুন ক্রমশ জটিল প্রশ্নের সাথে সিস্টেমের ক্ষমতাগুলি অন্বেষণ করি:
মৌলিক প্রশ্ন (একক এজেন্ট)
প্রশ্ন ১: ডিসকভার ইন্ডাস্ট্রিজ
What industries are available in the database?
প্রত্যাশিত আচরণ:
- রুট এজেন্ট বিনিয়োগ গবেষণা এজেন্টের পথ
- MCP টুল ব্যবহার করে:
get_industries() - সকল শিল্পের একটি ফর্ম্যাট করা তালিকা প্রদান করে।
কী লক্ষ্য করবেন:
ADK UI-তে, এক্সিকিউশনের বিবরণ প্রসারিত করে দেখুন:
- এজেন্ট নির্বাচনের সিদ্ধান্ত
- টুল কল:
get_industries() - Neo4j থেকে কাঁচা ফলাফল
- ফর্ম্যাট করা প্রতিক্রিয়া
প্রশ্ন ২: বিনিয়োগকারীদের খুঁজুন
Who invested in ByteDance?
প্রত্যাশিত আচরণ:
- রুট এজেন্ট এটিকে বিনিয়োগকারী-সম্পর্কিত প্রশ্ন হিসেবে চিহ্নিত করে
- বিনিয়োগকারী গবেষণা এজেন্টের পথ
- টুল ব্যবহার করে:
find_investor_by_name("ByteDance") - বিনিয়োগকারীদের তাদের ধরণের (ব্যক্তি/প্রতিষ্ঠান) সহ রিটার্ন প্রদান করে।
কি আশা করবেন:
- বাইটড্যান্সের সাথে যুক্ত বিনিয়োগকারীদের একটি তালিকা
- প্রতিটি বিনিয়োগকারী তাদের নাম এবং সত্তার ধরণ (ব্যক্তি বা সংস্থা) সহ ফেরত দিয়েছেন।
- ফলাফলের একটি সংক্ষিপ্ত, মানুষের পাঠযোগ্য সারসংক্ষেপ
- সম্পর্কিত বিনিয়োগ বা বিনিয়োগকারী পোর্টফোলিও অন্বেষণ করার জন্য একটি ফলো-আপ প্রম্পট অফার ( হতে পারে )
প্রশ্ন ৩: শিল্প অনুসারে কোম্পানিগুলি
Show me companies in the Artificial Intelligence industry
প্রত্যাশিত আচরণ:
- রুট এজেন্ট বিনিয়োগ গবেষণা এজেন্টের পথ
- MCP টুল ব্যবহার করে:
get_companies_in_industry("Artificial Intelligence") - আইডি এবং প্রতিষ্ঠার তারিখ সহ এআই কোম্পানিগুলির তালিকা ফেরত দেয়।
কী লক্ষ্য করবেন:
- এজেন্ট কীভাবে শিল্পের নামের সাথে সঠিক মিল ব্যবহার করে তা লক্ষ্য করুন
- অত্যধিক আউটপুট রোধ করার জন্য ফলাফল সীমিত
- পঠনযোগ্যতার জন্য ডেটা স্পষ্টভাবে ফর্ম্যাট করা হয়েছে
মধ্যবর্তী প্রশ্ন (এক এজেন্টের মধ্যে বহু-পদক্ষেপ)
প্রশ্ন ৪: অনুভূতি বিশ্লেষণ
Find articles with positive sentiment from January 2023
প্রত্যাশিত আচরণ:
- বিনিয়োগ গবেষণা এজেন্টের পথ
- MCP টুল ব্যবহার করে:
get_articles_with_sentiment(0.7, 2023, 1) - শিরোনাম, অনুভূতির স্কোর এবং প্রকাশনার তারিখ সহ নিবন্ধগুলি ফেরত পাঠায়।
ডিবাগিং টিপস:
টুল ইনভোকেশন প্যারামিটারগুলি দেখুন:
-
min_sentiment: 0.7 (এজেন্ট "ধনাত্মক" কে >= 0.7 হিসেবে ব্যাখ্যা করে) -
year: ২০২৩ -
month: ১
প্রশ্ন ৫: জটিল ডাটাবেস প্রশ্ন
How many companies are in the database?
প্রত্যাশিত আচরণ:
- রুট এজেন্ট গ্রাফ ডাটাবেস এজেন্টের রুট করে
- গঠন বোঝার জন্য এজেন্ট প্রথমে
get_neo4j_schema()কে কল করে। - সাইফার তৈরি করে:
MATCH (c:Company) RETURN count(c) - কোয়েরি এক্সিকিউট করে এবং কাউন্ট রিটার্ন করে
প্রত্যাশিত প্রতিক্রিয়া:
There are 46,088 companies in the database.
উন্নত প্রশ্ন (মাল্টি-এজেন্ট সমন্বয়)
প্রশ্ন ৬: পোর্টফোলিও বিশ্লেষণ
Who invested in ByteDance and what else have they invested in?
প্রত্যাশিত আচরণ:
এটি একটি দুই-অংশের প্রশ্ন যার জন্য এজেন্ট সমন্বয় প্রয়োজন:
- ধাপ ১ : রুট এজেন্ট → বিনিয়োগকারী গবেষণা এজেন্ট
-
find_investor_by_name("ByteDance")কল করে - বিনিয়োগকারীদের তালিকা পেয়েছেন: [রং ইউ, ওয়েন্ডি মারডোক]
- ধাপ ২ : প্রতিটি বিনিয়োগকারীর জন্য → বিনিয়োগকারী গবেষণা এজেন্ট
-
find_investor_by_id(investor_id)কল করুন - সম্পূর্ণ পোর্টফোলিও উদ্ধার করে
- ধাপ ৩ : রুট এজেন্টের সমষ্টি এবং বিন্যাস
কি আশা করবেন:
- বাইটড্যান্সে বিনিয়োগকারী বিনিয়োগকারীদের একটি তালিকা
- প্রতিটি বিনিয়োগকারীর জন্য:
- তাদের নাম এবং সত্তার ধরণ (ব্যক্তি বা সংস্থা)
- উপলব্ধ তথ্যের উপর ভিত্তি করে, তারা যে অন্যান্য কোম্পানিতে বিনিয়োগ করেছে তার একটি তালিকা
- বিনিয়োগকারীদের দ্বারা গোষ্ঠীবদ্ধ একটি কাঠামোগত, সহজে পঠনযোগ্য সারাংশ
কী লক্ষ্য করবেন:
- ধারাবাহিকভাবে একাধিক টুল কল
- ধাপগুলির মধ্যে প্রসঙ্গ বজায় রাখা হয়েছে
- বুদ্ধিমত্তার সাথে ফলাফল একত্রিত করা হয়েছে
প্রশ্ন ৭: মাল্টি-ডোমেন গবেষণা
What are 5 AI companies mentioned in positive articles, and who are their CEOs?
প্রত্যাশিত আচরণ:
এই জটিল প্রশ্নের জন্য একাধিক এজেন্ট এবং সরঞ্জাম প্রয়োজন:
- ধাপ ১ : বিনিয়োগ গবেষণা এজেন্ট
-
get_companies_in_industry("Artificial Intelligence") - AI কোম্পানিগুলির তালিকা ফেরত পাঠায়
- ধাপ ২ : বিনিয়োগ গবেষণা এজেন্ট
-
get_articles_with_sentiment(0.8) - ইতিবাচক নিবন্ধগুলি ফেরত পাঠায়
- ধাপ ৩ : রুট এজেন্ট ফিল্টার
- ইতিবাচক নিবন্ধগুলিতে কোন AI কোম্পানিগুলি উপস্থিত হয় তা চিহ্নিত করে
- সেরা ৫ জন নির্বাচন করে
- ধাপ ৪ : বিনিয়োগ গবেষণা এজেন্ট
-
get_people_in_organizations([company_names], "CEO") - সিইও তথ্য প্রদান করে
- ধাপ ৫ : রুট এজেন্ট প্রতিক্রিয়া ফরম্যাট করে
কি আশা করবেন:
- কৃত্রিম বুদ্ধিমত্তা শিল্পের পাঁচটি কোম্পানির তালিকা
- শুধুমাত্র ইতিবাচক স্কোর প্রাপ্ত নিবন্ধগুলিতে উপস্থিত কোম্পানিগুলি
- প্রতিটি কোম্পানির জন্য:
- কোম্পানির নাম
- শিল্প
- সিইওর নাম
- একটি সমষ্টিগত বা প্রতিনিধিত্বমূলক অনুভূতির স্কোর
কী লক্ষ্য করবেন:
- বিভিন্ন এজেন্টের মধ্যে একাধিক টুল কল
- ডেটা ফিল্টারিং এবং সমন্বয় যুক্তি
প্রশ্ন ৮: প্রতিযোগিতামূলক বিশ্লেষণ
Who are YouTube's main competitors?
প্রত্যাশিত আচরণ:
- রুট এজেন্ট গ্রাফ ডাটাবেস এজেন্টের রুট (সম্পর্ক কোয়েরি)
- এজেন্ট GraphRAG-বর্ধিত সাইফার তৈরি করে:
MATCH (c:Company {name: "YouTube"})-[:COMPETES_WITH]->(competitor)
RETURN competitor.name as competitor_name
- প্রতিযোগী কোম্পানির তালিকা ফেরত পাঠায়
প্রত্যাশিত প্রতিক্রিয়া:
YouTube's main competitors are:
- TikTok (ByteDance)
- Dailymotion
- Twitter
- BuzzFeed
- Mixer
- OpenAI (for video content)
প্রসঙ্গ-সচেতন ফলো-আপ কোয়েরি
প্রশ্ন ৯: পরবর্তী প্রশ্ন (প্রশ্ন ৮ এর পরে)
Which investors funded both YouTube and its competitors?
প্রত্যাশিত আচরণ:
- রুট এজেন্ট পূর্ববর্তী প্রেক্ষাপট মনে রাখে (ইউটিউব এবং এর প্রতিযোগীরা)
- বিনিয়োগকারী গবেষণা এজেন্টের পথ
- YouTube এবং প্রতিটি প্রতিযোগীর জন্য, বিনিয়োগকারীদের খুঁজে বের করে
- একাধিক কোম্পানিতে উপস্থিত বিনিয়োগকারীদের সনাক্ত করে
কি আশা করবেন:
- সিস্টেমটি বিদ্যমান কথোপকথনের প্রেক্ষাপট ব্যবহার করে (ইউটিউব এবং এর প্রতিযোগীরা)
- এই প্রতিযোগিতামূলক পরিবেশের মধ্যে একাধিক কোম্পানিতে বিনিয়োগ করেছেন এমন বিনিয়োগকারীদের একটি তালিকা
- প্রতিটি বিনিয়োগকারীর জন্য:
- বিনিয়োগকারীর নাম
- তাদের বিনিয়োগ করা প্রাসঙ্গিক কোম্পানিগুলির একটি গোষ্ঠীবদ্ধ তালিকা
- কৌশলগত ওভারল্যাপ বা ধরণগুলি তুলে ধরে একটি সংক্ষিপ্ত ব্যাখ্যামূলক সারাংশ ( হয়তো )
প্রশ্ন ১০: গবেষণার সারাংশ
Summarize our research findings so far
প্রত্যাশিত আচরণ:
- রুট এজেন্ট কথোপকথনের ইতিহাস পর্যালোচনা করে
- পূর্ববর্তী প্রশ্নের মূল ফলাফল সংশ্লেষিত করে
- সুসংগত সারাংশ প্রদান করে
কি আশা করবেন:
- পূর্ববর্তী প্রশ্নগুলি থেকে সংগৃহীত অন্তর্দৃষ্টির একটি সংক্ষিপ্ত, সুগঠিত সারসংক্ষেপ
- মূল ফলাফলগুলি বিষয় অনুসারে শ্রেণীবদ্ধ (শিল্পের সারসংক্ষেপ, কোম্পানির বিশ্লেষণ, অনুভূতি, প্রতিযোগিতা, নেতৃত্ব)
- স্পষ্ট বুলেট পয়েন্ট হাইলাইট করা:
- অন্বেষণ করা শিল্প
- উল্লেখযোগ্য কোম্পানি এবং বিনিয়োগকারীরা
- ক্রস-কোম্পানি বিনিয়োগের ধরণ
- বাজারের মনোভাব প্রবণতা
- একটি সুসংগত আখ্যান যা পুরো অধিবেশন জুড়ে প্রেক্ষাপট-সচেতন সংশ্লেষণকে প্রতিফলিত করে
ডিবাগ ভিউতে এজেন্ট ইন্টারঅ্যাকশন বোঝা
ADK ওয়েব ইন্টারফেসটি বিস্তারিত এক্সিকিউশন দৃশ্যমানতা প্রদান করে। এখানে কী কী সন্ধান করতে হবে তা দেখুন:
- ইভেন্ট টাইমলাইন
কালানুক্রমিক প্রবাহ দেখায়:
[USER] Query received
[ROOT_AGENT] Analyzing query intent
[ROOT_AGENT] Routing to investment_research_agent
[INVESTMENT_RESEARCH_AGENT] Tool call: get_companies_in_industry
[TOOL] Executing with params: {"industry_name": "Artificial Intelligence"}
[TOOL] Returned 47 results
[INVESTMENT_RESEARCH_AGENT] Formatting response
[ROOT_AGENT] Presenting to user
- টুল ইনভোকেশনের বিবরণ
যেকোনো টুল কলে ক্লিক করে দেখুন:
- ফাংশনের নাম
- ইনপুট প্যারামিটার
- ফেরত মান
- কার্যকর করার সময়
- কোনও ত্রুটি
- এজেন্ট সিদ্ধান্ত গ্রহণ
এলএলএম-এর যুক্তি লক্ষ্য করুন:
- কেন এটি একটি নির্দিষ্ট এজেন্ট বেছে নিল
- এটি কীভাবে কোয়েরিটি ব্যাখ্যা করেছে
- কোন কোন সরঞ্জাম বিবেচনা করা হয়েছিল?
- কেন এটি ফলাফলগুলিকে একটি নির্দিষ্ট উপায়ে ফর্ম্যাট করেছে
সাধারণ পর্যবেক্ষণ এবং অন্তর্দৃষ্টি
কোয়েরি রাউটিং প্যাটার্ন:
- "বিনিয়োগকারী", "বিনিয়োগকৃত" এর মতো কীওয়ার্ড → বিনিয়োগকারী গবেষণা এজেন্ট
- "শিল্প," "কোম্পানি," "প্রবন্ধ" এর মতো কীওয়ার্ড → বিনিয়োগ গবেষণা এজেন্ট
- সমষ্টি, গণনা, জটিল যুক্তি → গ্রাফ ডাটাবেস এজেন্ট
কর্মক্ষমতা নোট:
- MCP টুলগুলি সাধারণত দ্রুততর হয় (প্রাক-অপ্টিমাইজ করা কোয়েরি)
- জটিল সাইফার জেনারেশনে বেশি সময় লাগে (LLM চিন্তা করার সময়)
- একাধিক টুল কল লেটেন্সি যোগ করে কিন্তু আরও সমৃদ্ধ ফলাফল প্রদান করে
ত্রুটি পরিচালনা:
যদি কোন কোয়েরি ব্যর্থ হয়:
- এজেন্ট ব্যাখ্যা করছে কী ভুল হয়েছে।
- সংশোধনের পরামর্শ দেয় (যেমন, "কোম্পানির নাম পাওয়া যায়নি, বানান পরীক্ষা করুন")
- বিকল্প পদ্ধতি চেষ্টা করতে পারেন
কার্যকর পরীক্ষার জন্য টিপস
- সহজ শুরু করুন : জটিল প্রশ্নের আগে প্রতিটি এজেন্টের মূল কার্যকারিতা পরীক্ষা করুন
- ফলো-আপ ব্যবহার করুন : ফলো-আপ প্রশ্ন দিয়ে প্রসঙ্গ ধরে রাখার পরীক্ষা করুন
- রাউটিং পর্যবেক্ষণ করুন : যুক্তি বোঝার জন্য কোন এজেন্ট প্রতিটি কোয়েরি পরিচালনা করে তা দেখুন।
- টুল কল পরীক্ষা করুন : প্রাকৃতিক ভাষা থেকে প্যারামিটারগুলি সঠিকভাবে বের করা হয়েছে কিনা তা যাচাই করুন।
- টেস্ট এজ কেস : অস্পষ্ট কোয়েরি, ভুল বানান, অথবা অস্বাভাবিক অনুরোধ চেষ্টা করুন
এখন আপনার কাছে একটি সম্পূর্ণ কার্যকরী মাল্টি-এজেন্ট GraphRAG সিস্টেম আছে! এর ক্ষমতাগুলি অন্বেষণ করতে আপনার নিজস্ব প্রশ্নগুলি নিয়ে পরীক্ষা করুন।
৮. পরিষ্কার করা
এই পোস্টে ব্যবহৃত রিসোর্সের জন্য আপনার Google ক্লাউড অ্যাকাউন্টে চার্জ এড়াতে, এই পদক্ষেপগুলি অনুসরণ করুন:
- গুগল ক্লাউড কনসোলে, রিসোর্স পরিচালনা পৃষ্ঠায় যান।
- প্রকল্পের তালিকায়, আপনি যে প্রকল্পটি মুছতে চান তা নির্বাচন করুন এবং তারপরে মুছুন ক্লিক করুন।
- ডায়ালগে, প্রজেক্ট আইডি টাইপ করুন, এবং তারপর প্রজেক্টটি মুছে ফেলতে Shut down এ ক্লিক করুন।
৯. অভিনন্দন
🎉 অভিনন্দন! আপনি গুগলের এজেন্ট ডেভেলপমেন্ট কিট, Neo4j এবং MCP টুলবক্স ব্যবহার করে একটি উৎপাদন-মানের মাল্টি-এজেন্ট GraphRAG সিস্টেম সফলভাবে তৈরি করেছেন!
ADK-এর বুদ্ধিমান অর্কেস্ট্রেশন ক্ষমতা, Neo4j-এর সম্পর্ক-সমৃদ্ধ ডেটা মডেল এবং প্রাক-বৈধ MCP কোয়েরির সুরক্ষার সাথে একত্রিত করে, আপনি একটি পরিশীলিত সিস্টেম তৈরি করেছেন যা সাধারণ ডাটাবেস কোয়েরির বাইরেও যায় — এটি প্রেক্ষাপট, জটিল সম্পর্কের কারণগুলি বোঝে এবং ব্যাপক, সঠিক অন্তর্দৃষ্টি প্রদানের জন্য বিশেষায়িত এজেন্টদের সমন্বয় করে।
এই কোডল্যাবে, আপনি নিম্নলিখিত কাজগুলি সম্পন্ন করেছেন:
✅ গুগলের এজেন্ট ডেভেলপমেন্ট কিট (ADK) ব্যবহার করে হায়ারার্কিকাল অর্কেস্ট্রেশন সহ একটি মাল্টি-এজেন্ট সিস্টেম তৈরি করা হয়েছে।
✅ সম্পর্ক-সচেতন প্রশ্ন এবং মাল্টি-হপ যুক্তি ব্যবহারের জন্য সমন্বিত Neo4j গ্রাফ ডাটাবেস
✅ পুনঃব্যবহারযোগ্য সরঞ্জাম হিসেবে নিরাপদ, প্রাক-যাচাইকৃত ডাটাবেস প্রশ্নের জন্য বাস্তবায়িত MCP টুলবক্স
✅ বিনিয়োগকারী গবেষণা, বিনিয়োগ বিশ্লেষণ এবং গ্রাফ ডাটাবেস কার্যক্রমের জন্য বিশেষায়িত এজেন্ট তৈরি করা হয়েছে
✅ ডিজাইন করা বুদ্ধিমান রাউটিং যা স্বয়ংক্রিয়ভাবে সবচেয়ে উপযুক্ত বিশেষজ্ঞ এজেন্টের কাছে প্রশ্নগুলি অর্পণ করে
✅ নির্বিঘ্নে পাইথন ইন্টিগ্রেশনের জন্য সঠিক Neo4j টাইপ সিরিয়ালাইজেশন সহ জটিল ডেটা টাইপ পরিচালনা করা হয়েছে।
✅ এজেন্ট ডিজাইন, ত্রুটি পরিচালনা এবং সিস্টেম ডিবাগিংয়ের জন্য প্রয়োগকৃত উৎপাদন সর্বোত্তম অনুশীলন
এরপর কী?
এই মাল্টি-এজেন্ট গ্রাফআরএজি আর্কিটেকচারটি কেবল বিনিয়োগ গবেষণার মধ্যেই সীমাবদ্ধ নয় - এটি নিম্নলিখিত ক্ষেত্রেও প্রসারিত করা যেতে পারে:
- আর্থিক পরিষেবা : পোর্টফোলিও অপ্টিমাইজেশন, ঝুঁকি মূল্যায়ন, জালিয়াতি সনাক্তকরণ
- স্বাস্থ্যসেবা : রোগীর যত্ন সমন্বয়, ওষুধের মিথস্ক্রিয়া বিশ্লেষণ, ক্লিনিকাল গবেষণা
- ই-কমার্স : ব্যক্তিগতকৃত সুপারিশ, সরবরাহ শৃঙ্খল অপ্টিমাইজেশন, গ্রাহক অন্তর্দৃষ্টি
- আইনি এবং সম্মতি : চুক্তি বিশ্লেষণ, নিয়ন্ত্রক পর্যবেক্ষণ, মামলা আইন গবেষণা
- একাডেমিক গবেষণা : সাহিত্য পর্যালোচনা, সহযোগিতা আবিষ্কার, উদ্ধৃতি বিশ্লেষণ
- এন্টারপ্রাইজ ইন্টেলিজেন্স : প্রতিযোগিতামূলক বিশ্লেষণ, বাজার গবেষণা, সাংগঠনিক জ্ঞানের গ্রাফ
জটিল আন্তঃসংযুক্ত ডেটা + ডোমেন দক্ষতা + প্রাকৃতিক ভাষা ইন্টারফেস যেখানেই থাকুক না কেন, ADK মাল্টি-এজেন্ট সিস্টেম + Neo4j জ্ঞান গ্রাফ + MCP-যাচাইকৃত প্রশ্নের এই সমন্বয় পরবর্তী প্রজন্মের বুদ্ধিমান এন্টারপ্রাইজ অ্যাপ্লিকেশনগুলিকে শক্তিশালী করতে পারে।
গুগলের এজেন্ট ডেভেলপমেন্ট কিট এবং জেমিনি মডেলগুলি বিকশিত হওয়ার সাথে সাথে, আপনি আরও পরিশীলিত যুক্তির ধরণ, রিয়েল-টাইম ডেটা ইন্টিগ্রেশন এবং মাল্টি-মডেল ক্ষমতাগুলিকে সত্যিকারের বুদ্ধিমান, প্রসঙ্গ-সচেতন সিস্টেম তৈরি করতে সক্ষম হবেন।
অন্বেষণ করতে থাকুন, তৈরি করতে থাকুন এবং আপনার বুদ্ধিমান এজেন্ট অ্যাপ্লিকেশনগুলিকে পরবর্তী স্তরে নিয়ে যান!
Neo4j GraphAcademy- তে আরও ব্যবহারিক জ্ঞান গ্রাফ টিউটোরিয়াল অন্বেষণ করুন এবং ADK Samples Repository- তে অতিরিক্ত এজেন্ট প্যাটার্ন আবিষ্কার করুন।
🚀 আপনার পরবর্তী বুদ্ধিমান এজেন্ট সিস্টেম তৈরি করতে প্রস্তুত?