মেমরি: এআই এজেন্ট কীভাবে তথ্য মনে রাখে
আগের পর্বে আমরা দেখেছি একটি AI agent কীভাবে tools ব্যবহার করে বাস্তব জগতে কাজ করে।
কিন্তু একটি বড় সমস্যা তখন সামনে আসে।
যদি একটি agent অনেক ধাপের কাজ করে, তাহলে সে কি আগের ধাপগুলোর তথ্য মনে রাখতে পারে?
একটি সাধারণ language model সাধারণত memory ছাড়া কাজ করে।
আপনি একটি প্রশ্ন করেন, model উত্তর দেয়।
তারপর নতুন প্রশ্ন করলে আগের তথ্য অনেক সময় হারিয়ে যায়, অথবা সীমিত context-এর মধ্যে থাকে।
কিন্তু একটি AI agent যদি বাস্তব কাজ করে—যেমন:
- একটি রিপোর্ট তৈরি করা
- একটি সফটওয়্যার ডিজাইন করা
- একটি মার্কেট রিসার্চ করা
তাহলে তাকে অনেক তথ্য মনে রাখতে হয়।
এই সমস্যার সমাধান হলো agent memory system।
মেমরি প্রবলেম
একটি language model সাধারণত একটি context window ব্যবহার করে।
এই window-এর মধ্যে সীমিত পরিমাণ টেক্সট থাকে।
উদাহরণ:
conversation history + user input → model → response
সমস্যা হলো:
- Context window সীমিত
- বড় কাজের সময় আগের তথ্য হারিয়ে যায়
- Model দীর্ঘ workflow track করতে পারে না
এই কারণেই agent systems-এ আলাদা memory architecture ব্যবহার করা হয়।
এজেন্ট মেমরি আর্কিটেকচার
একটি AI agent system সাধারণত কয়েক ধরনের memory ব্যবহার করে।
সবচেয়ে সাধারণ তিনটি হলো:
- Short-Term Memory
- Long-Term Memory
- External Knowledge Memory
প্রতিটির কাজ আলাদা।
শর্ট-টার্ম মেমরি
Short-term memory সাধারণত একটি conversation context।
এখানে থাকে:
- সাম্প্রতিক interaction
- intermediate reasoning
- tool results
এটি সাধারণত LLM-এর context window-এ থাকে।
উদাহরণ:
Agent একটি research task করছে।
- Step 1 : Web search result
- Step 2 : Analysis
- Step 3 : Report generation
এই ধাপগুলোর তথ্য short-term memory-তে থাকে।
লং-টার্ম মেমরি
Long-term memory সাধারণত একটি database বা vector store-এ সংরক্ষিত হয়।
এখানে agent ভবিষ্যতের জন্য তথ্য সংরক্ষণ করতে পারে।
উদাহরণ:
- User preference
- Previous task results
- Learned rules
এটি agent-কে সময়ের সাথে সাথে উন্নত হতে সাহায্য করে।
একটি গুরুত্বপূর্ণ উদাহরণ
ধরা যাক একটি developer একটি AI coding agent ব্যবহার করছে।
প্রথম দিনে agent একটি website বানালো।
Developer বললো:
“Always avoid dark mode in my projects.”
Agent এই তথ্য long-term memory-তে সংরক্ষণ করতে পারে।
পরেরবার যখন developer নতুন website বানাতে বলবে, agent সেই rule মনে রাখবে।
এই ধরনের memory-based learning অনেক agent system-এ ব্যবহার করা হয়।
এক্সটারনাল নলেজ মেমরি
Agent অনেক সময় external knowledge sources ব্যবহার করে।
উদাহরণ:
- Documentation
- Knowledge base
- Company data
- Project files
এগুলো agent-কে একটি বড় knowledge system-এর সাথে সংযুক্ত করে।
এটি অনেক সময় RAG (Retrieval-Augmented Generation) architecture ব্যবহার করে।
মেমরি রিট্রিভাল
Memory থাকলেই যথেষ্ট নয়।
এজেন্টকে জানতে হবে কখন কোন memory ব্যবহার করতে হবে।
এই প্রক্রিয়াকে বলা হয় memory retrieval।
উদাহরণ:
Agent একটি software project নিয়ে কাজ করছে।
তখন agent database থেকে retrieve করতে পারে:
- Project specification
- Previous code structure
- User requirements
তারপর সেই তথ্য reasoning process-এ ব্যবহার করতে পারে।
মেমরি সিস্টেম ভিজুয়ালাইজেশন
একটি agent memory architecture এইরকম হতে পারে:
User Goal → Agent Reasoning → Memory Retrieval → Tool Execution → Memory Update
এখানে agent:
- Memory থেকে তথ্য পড়ে
- কাজ করে
- নতুন তথ্য memory-তে সংরক্ষণ করে
ডেভেলপার পার্স্পেক্টিভ
একজন AI developer যখন agent memory system তৈরি করেন, তখন তাকে কয়েকটি গুরুত্বপূর্ণ বিষয় ডিজাইন করতে হয়।
১. কোন তথ্য memory-তে সংরক্ষণ হবে
২. Memory কোথায় সংরক্ষণ হবে
৩. Retrieval strategy কী হবে
৪. Memory update কখন হবে
এই বিষয়গুলো একটি intelligent agent system তৈরি করতে সাহায্য করে।
মেমরি সিস্টেম চ্যালেঞ্জেজ
Memory ব্যবহারের সময় কিছু সমস্যা দেখা যায়।
উদাহরণ:
- ভুল তথ্য memory-তে সংরক্ষণ হওয়া
- outdated knowledge ব্যবহার করা
- memory retrieval ভুল হওয়া
এই কারণে অনেক system-এ memory validation এবং filtering ব্যবহার করা হয়।
এই পর্ব থেকে আপনি যা জানলেন,
- কেন AI agent system-এ memory দরকার
- Short-term এবং long-term memory পার্থক্য
- Retrieval-based memory কীভাবে কাজ করে
- Memory architecture কীভাবে agent performance ইম্প্রুভ করে
নিজে চেষ্টা করুন
একটি experiment করুন।
ChatGPT-কে বলুন:
“Remember that I prefer simple minimal website designs.”
তারপর নতুন conversation-এ আবার website design চাইুন।
লক্ষ্য করুন:
- Model কি আগের preference মনে রাখছে?
- নাকি নতুন করে শুরু করছে?
এটি আপনাকে বুঝতে সাহায্য করবে LLM limitation vs agent memory systems।
সামনে আমরা কী দেখব
একটি agent যদি বড় কাজ করে, তাহলে তাকে শুধু reasoning নয়, বরং task planning করতে হয়।
পরবর্তী পর্বে আমরা দেখব Planning Systems in AI Agents — অর্থাৎ agent কীভাবে বড় সমস্যাকে ছোট ধাপে ভাগ করে।
