Aidemy: Google Cloud-এ LangGraph, EDA, এবং Generative AI-এর সাহায্যে মাল্টি-এজেন্ট সিস্টেম তৈরি করা, Aidemy: Google ক্লাউডে LangGraph, EDA, এবং জেনারেটিভ AI দিয়ে মাল্টি-এজেন্ট সিস্টেম তৈরি করা

1. ভূমিকা

এই যে! সুতরাং, আপনি এজেন্টদের ধারণার মধ্যে আছেন - সামান্য সাহায্যকারী যারা আপনার আঙুল না তুলেও আপনার জন্য কাজ করতে পারে, তাই না? অসাধারন! কিন্তু চলুন বাস্তব হয়ে উঠুন, একজন এজেন্ট সবসময় এটি কাটাতে যাচ্ছে না, বিশেষ করে যখন আপনি বড়, আরও জটিল প্রকল্পগুলি মোকাবেলা করছেন। আপনি সম্ভবত তাদের একটি সম্পূর্ণ দলের প্রয়োজন যাচ্ছে! সেখানেই মাল্টি-এজেন্ট সিস্টেম আসে।

এজেন্ট, যখন এলএলএম দ্বারা চালিত হয়, আপনাকে পুরানো-স্কুল হার্ড কোডিংয়ের তুলনায় অবিশ্বাস্য নমনীয়তা দেয়। কিন্তু, এবং সবসময় একটি কিন্তু আছে, তারা তাদের নিজস্ব জটিল চ্যালেঞ্জ নিয়ে আসে। এবং যে আমরা এই কর্মশালা মধ্যে ডুব যাচ্ছে ঠিক কি!

এখানে আপনি যা শেখার আশা করতে পারেন - এটিকে আপনার এজেন্ট গেমের সমতলকরণ হিসাবে ভাবুন:

ল্যাংগ্রাফের মাধ্যমে আপনার প্রথম এজেন্ট তৈরি করা : ল্যাংগ্রাফ, একটি জনপ্রিয় ফ্রেমওয়ার্ক ব্যবহার করে আপনার নিজস্ব এজেন্ট তৈরি করতে আমরা আমাদের হাত নোংরা করে দেব। আপনি শিখবেন কীভাবে ডেটাবেসের সাথে সংযুক্ত টুল তৈরি করতে হয়, কিছু ইন্টারনেট অনুসন্ধানের জন্য সর্বশেষ Gemini 2 API-তে ট্যাপ করতে হয় এবং প্রম্পট এবং প্রতিক্রিয়া অপ্টিমাইজ করতে হয়, যাতে আপনার এজেন্ট শুধুমাত্র LLM নয়, বিদ্যমান পরিষেবাগুলির সাথে যোগাযোগ করতে পারে। আমরা আপনাকে দেখাব কিভাবে ফাংশন কলিং কাজ করে।

এজেন্ট অর্কেস্ট্রেশন, আপনার উপায় : আমরা আপনার এজেন্টদের অর্কেস্ট্রেট করার বিভিন্ন উপায় অন্বেষণ করব, সহজ সরল পথ থেকে আরও জটিল বহু-পাথের পরিস্থিতিতে। এটিকে আপনার এজেন্ট দলের প্রবাহকে নির্দেশ করে বলে মনে করুন।

মাল্টি-এজেন্ট সিস্টেম : আপনি কীভাবে একটি সিস্টেম সেট আপ করবেন যেখানে আপনার এজেন্টরা সহযোগিতা করতে পারে এবং একসাথে কাজগুলি করতে পারে তা আবিষ্কার করবেন - সমস্ত ধন্যবাদ একটি ইভেন্ট-চালিত আর্কিটেকচারের জন্য।

এলএলএম স্বাধীনতা – কাজের জন্য সেরাটি ব্যবহার করুন: আমরা কেবল একটি এলএলএম-এ আটকে নেই! আপনি দেখতে পাবেন কিভাবে একাধিক LLM ব্যবহার করতে হয়, তাদের বিভিন্ন ভূমিকা বরাদ্দ করে শান্ত "চিন্তামূলক মডেল" ব্যবহার করে সমস্যা সমাধানের শক্তি বাড়ানোর জন্য।

গতিশীল বিষয়বস্তু? কোন সমস্যা নেই! : কল্পনা করুন যে আপনার এজেন্ট ডায়নামিক কন্টেন্ট তৈরি করছে যা বিশেষভাবে প্রতিটি ব্যবহারকারীর জন্য বাস্তব-সময়ে তৈরি করা হয়েছে। আমরা আপনাকে দেখাব কিভাবে এটি করতে হবে!

Google ক্লাউডের সাথে এটিকে ক্লাউডে নিয়ে যাওয়া : শুধু একটি নোটবুকে খেলার কথা ভুলে যান। আমরা আপনাকে দেখাব কিভাবে Google ক্লাউডে আপনার মাল্টি-এজেন্ট সিস্টেমকে আর্কিটেক্ট এবং স্থাপন করতে হয় যাতে এটি বাস্তব জগতের জন্য প্রস্তুত হয়!

এই প্রকল্পটি আমরা যে সমস্ত কৌশলগুলি নিয়ে কথা বলেছি তা কীভাবে ব্যবহার করতে হয় তার একটি ভাল উদাহরণ হবে।

2. স্থাপত্য

একজন শিক্ষক হওয়া বা শিক্ষায় কাজ করা অত্যন্ত ফলপ্রসূ হতে পারে, তবে আসুন এটির মুখোমুখি হই, কাজের চাপ, বিশেষ করে সমস্ত প্রস্তুতিমূলক কাজ, চ্যালেঞ্জিং হতে পারে! এছাড়াও, প্রায়শই যথেষ্ট কর্মী থাকে না এবং টিউটরিং ব্যয়বহুল হতে পারে। এই কারণেই আমরা একটি এআই-চালিত শিক্ষা সহকারীর প্রস্তাব করছি। এই টুলটি শিক্ষকদের জন্য লোড হালকা করতে পারে এবং কর্মীদের ঘাটতি এবং সাশ্রয়ী মূল্যের টিউটোরিংয়ের অভাবের কারণে সৃষ্ট ব্যবধান পূরণ করতে সহায়তা করতে পারে।

আমাদের AI টিচিং অ্যাসিস্ট্যান্ট বিস্তারিত পাঠ পরিকল্পনা, মজার কুইজ, সহজে অনুসরণযোগ্য অডিও রিক্যাপ এবং ব্যক্তিগতকৃত অ্যাসাইনমেন্ট তৈরি করতে পারে। এটি শিক্ষকদের তাদের সবচেয়ে ভালো কাজটির উপর ফোকাস করতে দেয়: শিক্ষার্থীদের সাথে সংযোগ স্থাপন করা এবং তাদের শেখার প্রেমে পড়তে সাহায্য করা।

সিস্টেমের দুটি সাইট রয়েছে: একটি আসন্ন সপ্তাহের জন্য পাঠ পরিকল্পনা তৈরি করার জন্য শিক্ষকদের জন্য,

এবং একটি শিক্ষার্থীদের জন্য কুইজ, অডিও রিক্যাপ এবং অ্যাসাইনমেন্ট অ্যাক্সেস করার জন্য।

ঠিক আছে, আসুন আমাদের শিক্ষা সহকারী, Aidemy-কে শক্তি প্রদানকারী স্থাপত্যের মধ্য দিয়ে চলুন। আপনি দেখতে পাচ্ছেন, আমরা এটিকে কয়েকটি মূল উপাদানে বিভক্ত করেছি, সবাই এটি ঘটানোর জন্য একসাথে কাজ করছে।

মূল স্থাপত্য উপাদান এবং প্রযুক্তি :

Google ক্লাউড প্ল্যাটফর্ম (GCP) : পুরো সিস্টেমের কেন্দ্রীয়:

• Vertex AI: Google এর Gemini LLMs অ্যাক্সেস করে।
• ক্লাউড রান: কনটেইনারাইজড এজেন্ট এবং ফাংশন স্থাপনের জন্য সার্ভারহীন প্ল্যাটফর্ম।
• ক্লাউড এসকিউএল: পাঠ্যক্রমের ডেটার জন্য পোস্টগ্রেএসকিউএল ডাটাবেস।
• পাব/সাব এবং ইভেন্টর্ক: ইভেন্ট-চালিত আর্কিটেকচারের ভিত্তি, উপাদানগুলির মধ্যে অ্যাসিঙ্ক্রোনাস যোগাযোগ সক্ষম করে।
• ক্লাউড স্টোরেজ: অডিও রিক্যাপ এবং অ্যাসাইনমেন্ট ফাইল সঞ্চয় করে।
• সিক্রেট ম্যানেজার: নিরাপদে ডাটাবেস শংসাপত্র পরিচালনা করে।
• আর্টিফ্যাক্ট রেজিস্ট্রি: এজেন্টদের জন্য ডকার ছবি সংরক্ষণ করে।
• কম্পিউট ইঞ্জিন: বিক্রেতা সমাধানের উপর নির্ভর করার পরিবর্তে স্ব-হোস্টেড এলএলএম স্থাপন করা

এলএলএম : সিস্টেমের "মস্তিষ্ক":

• গুগলের মিথুন মডেল: (জেমিনি 1.0 প্রো, জেমিনি 2 ফ্ল্যাশ, জেমিনি 2 ফ্ল্যাশ থিঙ্কিং, জেমিনি 1.5-প্রো) পাঠ পরিকল্পনা, বিষয়বস্তু তৈরি, গতিশীল HTML তৈরি, ক্যুইজ ব্যাখ্যা এবং অ্যাসাইনমেন্টগুলি একত্রিত করার জন্য ব্যবহৃত হয়।
• DeepSeek: স্ব-অধ্যয়নের কার্যাদি তৈরি করার বিশেষ কাজের জন্য ব্যবহার করা হয়

ল্যাংচেইন এবং ল্যাংগ্রাফ : এলএলএম অ্যাপ্লিকেশন ডেভেলপমেন্টের ফ্রেমওয়ার্ক

• জটিল মাল্টি-এজেন্ট ওয়ার্কফ্লো তৈরির সুবিধা দেয়।
• টুলগুলির বুদ্ধিমান অর্কেস্ট্রেশন সক্ষম করে (API কল, ডাটাবেস প্রশ্ন, ওয়েব অনুসন্ধান)।
• সিস্টেম স্কেলেবিলিটি এবং নমনীয়তার জন্য ইভেন্ট-চালিত আর্কিটেকচার প্রয়োগ করে।

সংক্ষেপে, আমাদের আর্কিটেকচার স্ট্রাকচার্ড ডেটা এবং ইভেন্ট-চালিত যোগাযোগের সাথে LLM-এর শক্তিকে একত্রিত করে, যা Google ক্লাউডে চলে। এটি আমাদের একটি পরিমাপযোগ্য, নির্ভরযোগ্য এবং কার্যকর শিক্ষণ সহকারী তৈরি করতে দেয়।

3. আপনি শুরু করার আগে

Google ক্লাউড কনসোলে , প্রকল্প নির্বাচক পৃষ্ঠায়, একটি Google ক্লাউড প্রকল্প নির্বাচন করুন বা তৈরি করুন। নিশ্চিত করুন যে আপনার ক্লাউড প্রকল্পের জন্য বিলিং সক্ষম করা আছে৷ একটি প্রকল্পে বিলিং সক্ষম কিনা তা পরীক্ষা করতে শিখুন ।

👉Google ক্লাউড কনসোলের শীর্ষে ক্লাউড শেল সক্রিয় করুন- এ ক্লিক করুন (এটি ক্লাউড শেল প্যানের শীর্ষে টার্মিনাল আকৃতির আইকন), "ওপেন এডিটর" বোতামে ক্লিক করুন (এটি একটি পেন্সিল সহ একটি খোলা ফোল্ডারের মতো দেখায়)। এটি উইন্ডোতে ক্লাউড শেল কোড এডিটর খুলবে। আপনি বাম দিকে একটি ফাইল এক্সপ্লোরার দেখতে পাবেন।

👉 নিচের স্ট্যাটাস বারে দেখানো ক্লাউড কোড সাইন-ইন বোতামে ক্লিক করুন। নির্দেশিত হিসাবে প্লাগইন অনুমোদন করুন. যদি আপনি ক্লাউড কোড দেখেন - স্ট্যাটাস বারে কোনো প্রকল্প নেই , তাহলে সেটি নির্বাচন করুন তারপর ড্রপ ডাউনে 'একটি Google ক্লাউড প্রকল্প নির্বাচন করুন' এবং তারপরে আপনার তৈরি করা প্রকল্পগুলির তালিকা থেকে নির্দিষ্ট Google ক্লাউড প্রকল্পটি নির্বাচন করুন৷

👉ক্লাউড আইডিইতে টার্মিনাল খুলুন,

👉টার্মিনালে, যাচাই করুন যে আপনি ইতিমধ্যেই প্রমাণীকরণ করেছেন এবং নিম্নলিখিত কমান্ডটি ব্যবহার করে প্রকল্পটি আপনার প্রকল্প আইডিতে সেট করা আছে:

gcloud auth list

👉এবং চালান:

gcloud config set project <YOUR_PROJECT_ID>

👉প্রয়োজনীয় Google ক্লাউড এপিআই সক্ষম করতে নিম্নলিখিত কমান্ডটি চালান:

gcloud services enable compute.googleapis.com  \
                        storage.googleapis.com  \
                        run.googleapis.com  \
                        artifactregistry.googleapis.com  \
                        aiplatform.googleapis.com \
                        eventarc.googleapis.com \
                        sqladmin.googleapis.com \
                        secretmanager.googleapis.com \
                        cloudbuild.googleapis.com \
                        cloudresourcemanager.googleapis.com \
                        cloudfunctions.googleapis.com

এতে কয়েক মিনিট সময় লাগতে পারে..

ক্লাউড শেল IDE-তে জেমিনি কোড সহায়তা সক্ষম করুন৷

দেখানো হিসাবে বাম প্যানেলে কোড সহায়তা বোতামে ক্লিক করুন এবং শেষবারের মতো সঠিক Google ক্লাউড প্রকল্পটি নির্বাচন করুন৷ যদি আপনাকে Cloud AI Companion API সক্ষম করতে বলা হয়, তাহলে অনুগ্রহ করে তা করুন এবং এগিয়ে যান। একবার আপনি আপনার Google ক্লাউড প্রকল্প নির্বাচন করার পরে, নিশ্চিত করুন যে আপনি স্ট্যাটাস বারে ক্লাউড কোড স্ট্যাটাস মেসেজে দেখতে পাচ্ছেন এবং নীচে দেখানো স্ট্যাটাস বারে আপনার ডানদিকে কোড অ্যাসিস্ট সক্ষম করা আছে:

আপনি একটি বার্তা সহ একটি পপ আপ দেখতে পারেন যেমন "আপনি জেমিনি কোড অ্যাসিস্টের জন্য একটি বৈধ লাইসেন্স হারিয়েছেন এবং পরিষেবাটিতে অ্যাক্সেস হারাতে পারেন৷ লাইসেন্স কিনতে বা বরাদ্দ করতে আপনার বিলিং প্রশাসকের সাথে যোগাযোগ করুন৷" অনুগ্রহ করে, এই বার্তা উপেক্ষা করুন.

অনুমতি সেট আপ করা হচ্ছে

👉সেটআপ সার্ভিস অ্যাকাউন্টের অনুমতি

export PROJECT_ID=$(gcloud config get project)
export SERVICE_ACCOUNT_NAME=$(gcloud compute project-info describe --format="value(defaultServiceAccount)")

echo "Here's your SERVICE_ACCOUNT_NAME $SERVICE_ACCOUNT_NAME"

অনুমতি দিন 👉ক্লাউড স্টোরেজ (পড়ুন/লিখুন):

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/storage.objectAdmin"

👉পাব/সাব (প্রকাশ/গ্রহণ):

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/pubsub.publisher"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/pubsub.subscriber"

👉ক্লাউড এসকিউএল (পড়ুন/লিখুন):

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/cloudsql.editor"

👉Eventarc (ইভেন্টগুলি গ্রহণ করুন):

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/iam.serviceAccountTokenCreator"

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/eventarc.eventReceiver"

👉ভারটেক্স এআই (ব্যবহারকারী):

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/aiplatform.user"

👉সিক্রেট ম্যানেজার (পড়ুন):

gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$SERVICE_ACCOUNT_NAME" \
  --role="roles/secretmanager.secretAccessor"

👉আপনার IAM কনসোলে ফলাফল যাচাই করুন

4. প্রথম এজেন্ট নির্মাণ

আমরা জটিল মাল্টি-এজেন্ট সিস্টেমে ডুব দেওয়ার আগে, আমাদের একটি মৌলিক বিল্ডিং ব্লক স্থাপন করতে হবে: একটি একক, কার্যকরী এজেন্ট। এই বিভাগে, আমরা একটি সাধারণ "বই প্রদানকারী" এজেন্ট তৈরি করে আমাদের প্রথম পদক্ষেপ নেব৷ বই প্রদানকারী এজেন্ট একটি বিভাগকে ইনপুট হিসাবে নেয় এবং সেই বিভাগের মধ্যে একটি JSON প্রতিনিধিত্বমূলক বই তৈরি করতে একটি Gemini LLM ব্যবহার করে। এটি তখন এই বইয়ের সুপারিশগুলিকে একটি REST API এন্ডপয়েন্ট হিসাবে পরিবেশন করে৷

👉অন্য একটি ব্রাউজার ট্যাবে, আপনার ওয়েব ব্রাউজারে Google ক্লাউড কনসোল খুলুন, নেভিগেশন মেনুতে (☰), "ক্লাউড রান" এ যান। "+... WRITE A FUNCTION" বোতামে ক্লিক করুন।

👉পরবর্তীতে আমরা ক্লাউড রান ফাংশনের মৌলিক সেটিংস কনফিগার করব:

• পরিষেবার নাম: book-provider
• অঞ্চল: us-central1
• রানটাইম: Python 3.12
• প্রমাণীকরণ: Allow unauthenticated invocations ।

"অপ্রমাণিত আহবানের অনুমতি দিন" সক্ষম করে সেট করা বহিরাগত ট্র্যাফিককে অনুমোদন ছাড়াই ফাংশন অ্যাক্সেস করতে দেয়।

👉অন্যান্য সেটিংস ডিফল্ট হিসেবে ছেড়ে দিয়ে Create এ ক্লিক করুন। এটি আপনাকে সোর্স কোড এডিটরে নিয়ে যাবে।

আপনি প্রি-পপুলেটেড main.py এবং requirements.txt ফাইল দেখতে পাবেন।

main.py ফাংশনের ব্যবসায়িক যুক্তি থাকবে, requirements.txt প্রয়োজনীয় প্যাকেজ থাকবে।

👉এখন আমরা কিছু কোড লিখতে প্রস্তুত! কিন্তু ডাইভিং করার আগে, দেখা যাক জেমিনি কোড অ্যাসিস্ট আমাদেরকে শুরু করতে পারে কিনা। ক্লাউড শেল এডিটরে ফিরে যান, জেমিনি কোড অ্যাসিস্ট আইকনে ক্লিক করুন এবং প্রম্পট বাক্সে নিম্নলিখিত অনুরোধটি পেস্ট করুন:

Use the functions_framework library to be deployable as an HTTP function. 
Accept a request with category and number_of_book parameters (either in JSON body or query string). 
Use langchain and gemini to generate the data for book with fields bookname, author, publisher, publishing_date. 
Use pydantic to define a Book model with the fields: bookname (string, description: "Name of the book"), author (string, description: "Name of the author"), publisher (string, description: "Name of the publisher"), and publishing_date (string, description: "Date of publishing"). 
Use langchain and gemini model to generate book data. the output should follow the format defined in Book model. 

The logic should use JsonOutputParser from langchain to enforce output format defined in Book Model. 
Have a function get_recommended_books(category) that internally uses langchain and gemini to return a single book object. 
The main function, exposed as the Cloud Function, should call get_recommended_books() multiple times (based on number_of_book) and return a JSON list of the generated book objects. 
Handle the case where category or number_of_book are missing by returning an error JSON response with a 400 status code. 
return a JSON string representing the recommended books. use os library to retrieve GOOGLE_CLOUD_PROJECT env var. Use ChatVertexAI from langchain for the LLM call

কোড অ্যাসিস্ট তারপরে একটি সম্ভাব্য সমাধান তৈরি করবে, সোর্স কোড এবং একটি requirements.txt নির্ভরতা ফাইল উভয়ই প্রদান করবে।

আমরা আপনাকে নিচে প্রদত্ত পরীক্ষিত, সঠিক সমাধানের সাথে কোড অ্যাসিস্টের তৈরি করা কোডের তুলনা করতে উৎসাহিত করি। এটি আপনাকে টুলটির কার্যকারিতা মূল্যায়ন করতে এবং সম্ভাব্য অসঙ্গতিগুলি সনাক্ত করতে দেয়৷ যদিও এলএলএমগুলিকে কখনই অন্ধভাবে বিশ্বাস করা উচিত নয়, কোড অ্যাসিস্ট দ্রুত প্রোটোটাইপিং এবং প্রাথমিক কোড স্ট্রাকচার তৈরি করার জন্য একটি দুর্দান্ত সরঞ্জাম হতে পারে এবং এটি একটি ভাল মাথা শুরু করার জন্য ব্যবহার করা উচিত।

যেহেতু এটি একটি কর্মশালা, তাই আমরা নীচে দেওয়া যাচাইকৃত কোডটি নিয়ে এগিয়ে যাব। যাইহোক, এটির ক্ষমতা এবং সীমাবদ্ধতাগুলি সম্পর্কে গভীরভাবে বোঝার জন্য আপনার নিজের সময়ে কোড অ্যাসিস্ট-জেনারেট করা কোডের সাথে পরীক্ষা করতে দ্বিধা বোধ করুন।

👉ক্লাউড রান ফাংশনের সোর্স কোড এডিটরে ফিরে যান (অন্য ব্রাউজার ট্যাবে)। নিচে দেওয়া কোড দিয়ে main.py এর বিদ্যমান বিষয়বস্তু সাবধানে প্রতিস্থাপন করুন:

import functions_framework
import json
from flask import Flask, jsonify, request
from langchain_google_vertexai import ChatVertexAI
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate
from pydantic import BaseModel, Field
import os

class Book(BaseModel):
    bookname: str = Field(description="Name of the book")
    author: str = Field(description="Name of the author")
    publisher: str = Field(description="Name of the publisher")
    publishing_date: str = Field(description="Date of publishing")


project_id = os.environ.get("GOOGLE_CLOUD_PROJECT")  

llm = ChatVertexAI(model_name="gemini-1.0-pro")

def get_recommended_books(category):
    """
    A simple book recommendation function. 

    Args:
        category (str): category

    Returns:
        str: A JSON string representing the recommended books.
    """
    parser = JsonOutputParser(pydantic_object=Book)
    question = f"Generate a random made up book on {category} with bookname, author and publisher and publishing_date"

    prompt = PromptTemplate(
        template="Answer the user query.\n{format_instructions}\n{query}\n",
        input_variables=["query"],
        partial_variables={"format_instructions": parser.get_format_instructions()},
    )
    
    chain = prompt | llm | parser
    response = chain.invoke({"query": question})

    return  json.dumps(response)
    

@functions_framework.http
def recommended(request):
    request_json = request.get_json(silent=True) # Get JSON data
    if request_json and 'category' in request_json and 'number_of_book' in request_json:
        category = request_json['category']
        number_of_book = int(request_json['number_of_book'])
    elif request.args and 'category' in request.args and 'number_of_book' in request.args:
        category = request.args.get('category')
        number_of_book = int(request.args.get('number_of_book'))

    else:
        return jsonify({'error': 'Missing category or number_of_book parameters'}), 400


    recommendations_list = []
    for i in range(number_of_book):
        book_dict = json.loads(get_recommended_books(category))
        print(f"book_dict=======>{book_dict}")
    
        recommendations_list.append(book_dict)

    
    return jsonify(recommendations_list)

👉 Requiments.txt-এর বিষয়বস্তুকে নিম্নলিখিত দিয়ে প্রতিস্থাপন করুন:

functions-framework==3.*
google-genai==1.0.0
flask==3.1.0
jsonify==0.5
langchain_google_vertexai==2.0.13
langchain_core==0.3.34
pydantic==2.10.5

👉আমরা ফাংশন এন্ট্রি পয়েন্ট সেট করব : recommended

👉Save and Deploy এ ক্লিক করুন। ফাংশন স্থাপন করতে। স্থাপন প্রক্রিয়া সম্পূর্ণ হওয়ার জন্য অপেক্ষা করুন। ক্লাউড কনসোল স্থিতি প্রদর্শন করবে। এতে কয়েক মিনিট সময় লাগতে পারে।

👉একবার স্থাপন করা হলে, টার্মিনাল রানে, ক্লাউড শেল সম্পাদকে ফিরে যান:

export PROJECT_ID=$(gcloud config get project)
export BOOK_PROVIDER_URL=$(gcloud run services describe book-provider --region=us-central1 --project=$PROJECT_ID --format="value(status.url)")

curl -X POST -H "Content-Type: application/json" -d '{"category": "Science Fiction", "number_of_book": 2}' $BOOK_PROVIDER_URL

এটি JSON বিন্যাসে কিছু বই ডেটা প্রদর্শন করা উচিত।

[
  {"author":"Anya Sharma","bookname":"Echoes of the Singularity","publisher":"NovaLight Publishing","publishing_date":"2077-03-15"},
  {"author":"Anya Sharma","bookname":"Echoes of the Quantum Dawn","publisher":"Nova Genesis Publishing","publishing_date":"2077-03-15"}
]

অভিনন্দন! আপনি সফলভাবে একটি ক্লাউড রান ফাংশন স্থাপন করেছেন৷ এটি আমাদের Aidemy এজেন্ট তৈরি করার সময় আমরা যে পরিষেবাগুলিকে একীভূত করব তার মধ্যে একটি।

5. বিল্ডিং টুলস: এজেন্টদের আরামদায়ক পরিষেবা এবং ডেটাতে সংযুক্ত করা

আসুন এগিয়ে যান এবং বুটস্ট্র্যাপ কঙ্কাল প্রকল্প ডাউনলোড করুন, নিশ্চিত করুন যে আপনি ক্লাউড শেল এডিটরে আছেন। টার্মিনাল রানে,

git clone https://github.com/weimeilin79/aidemy-bootstrap.git

এই কমান্ডটি চালানোর পরে, আপনার ক্লাউড শেল পরিবেশে aidemy-bootstrap নামে একটি নতুন ফোল্ডার তৈরি হবে।

ক্লাউড শেল এডিটরের এক্সপ্লোরার প্যানে (সাধারণত বাম দিকে), আপনি এখন গিট রিপোজিটরি aidemy-bootstrap ক্লোন করার সময় তৈরি করা ফোল্ডারটি দেখতে পাবেন। এক্সপ্লোরারে আপনার প্রকল্পের রুট ফোল্ডারটি খুলুন। আপনি এটির মধ্যে একটি planner সাবফোল্ডার পাবেন, এটিও খুলুন।

আমাদের এজেন্টরা সত্যিকারের সহায়ক হতে ব্যবহার করবে এমন টুল তৈরি করা শুরু করি। আপনি জানেন যে, এলএলএমগুলি যুক্তি এবং পাঠ্য তৈরিতে দুর্দান্ত, তবে বাস্তব-বিশ্বের কাজগুলি সম্পাদন করতে এবং সঠিক, আপ-টু-ডেট তথ্য সরবরাহ করার জন্য তাদের বাহ্যিক সংস্থানগুলিতে অ্যাক্সেসের প্রয়োজন। এই সরঞ্জামগুলিকে এজেন্টের "সুইস আর্মি ছুরি" হিসাবে ভাবুন, এটি বিশ্বের সাথে যোগাযোগ করার ক্ষমতা দেয়৷

একটি এজেন্ট তৈরি করার সময়, এক টন বিশদ হার্ড-কোডিংয়ে পড়া সহজ। এটি একটি এজেন্ট তৈরি করে যা নমনীয় নয়। পরিবর্তে, সরঞ্জামগুলি তৈরি এবং ব্যবহার করে, এজেন্ট বাহ্যিক যুক্তি বা সিস্টেমগুলিতে অ্যাক্সেস পায় যা এটিকে এলএলএম এবং ঐতিহ্যগত প্রোগ্রামিং উভয়ের সুবিধা দেয়।

এই বিভাগে, আমরা পরিকল্পনাকারী এজেন্টের জন্য ভিত্তি তৈরি করব, যা শিক্ষকরা পাঠ পরিকল্পনা তৈরি করতে ব্যবহার করবেন। এজেন্ট একটি প্ল্যান তৈরি করা শুরু করার আগে, আমরা বিষয় এবং বিষয় সম্পর্কে আরও বিশদ প্রদান করে সীমানা নির্ধারণ করতে চাই। আমরা তিনটি টুল তৈরি করব:

1. বিশ্রামপূর্ণ API কল: ডেটা পুনরুদ্ধার করতে একটি পূর্ব-বিদ্যমান API এর সাথে ইন্টারঅ্যাক্ট করা।
2. ডেটাবেস ক্যোয়ারী: একটি ক্লাউড SQL ডাটাবেস থেকে কাঠামোগত ডেটা আনা।
3. Google অনুসন্ধান: ওয়েব থেকে রিয়েল-টাইম তথ্য অ্যাক্সেস করা।

একটি API থেকে বই সুপারিশ আনা হচ্ছে

প্রথমে, আসুন একটি টুল তৈরি করি যেটি বই-প্রদানকারী API থেকে বইয়ের সুপারিশ পুনরুদ্ধার করে যা আমরা পূর্ববর্তী বিভাগে স্থাপন করেছি। এটি প্রদর্শন করে যে কীভাবে একজন এজেন্ট বিদ্যমান পরিষেবাগুলি লাভ করতে পারে।

ক্লাউড শেল এডিটরে, আপনি পূর্ববর্তী বিভাগে ক্লোন করা aidemy-bootstrap প্রকল্পটি খুলুন। 👉 planner ফোল্ডারে book.py সম্পাদনা করুন এবং নিম্নলিখিত কোডটি পেস্ট করুন:

def recommend_book(query: str):
    """
    Get a list of recommended book from an API endpoint
    
    Args:
        query: User's request string
    """

    region = get_next_region();
    llm = VertexAI(model_name="gemini-1.5-pro", location=region)

    query = f"""The user is trying to plan a education course, you are the teaching assistant. Help define the category of what the user requested to teach, respond the categroy with no more than two word.

    user request:   {query}
    """
    print(f"-------->{query}")
    response = llm.invoke(query)
    print(f"CATEGORY RESPONSE------------>: {response}")
    
    # call this using python and parse the json back to dict
    category = response.strip()
    
    headers = {"Content-Type": "application/json"}
    data = {"category": category, "number_of_book": 2}

    books = requests.post(BOOK_PROVIDER_URL, headers=headers, json=data)
   
    return books.text

if __name__ == "__main__":
    print(recommend_book("I'm doing a course for my 5th grade student on Math Geometry, I'll need to recommend few books come up with a teach plan, few quizes and also a homework assignment."))

ব্যাখ্যা:

• recommend_book(query:str) : এই ফাংশনটি ব্যবহারকারীর প্রশ্নকে ইনপুট হিসেবে নেয়।
• এলএলএম ইন্টারঅ্যাকশন : এটি কোয়েরি থেকে বিভাগটি বের করতে এলএলএম ব্যবহার করে। এটি প্রদর্শন করে কিভাবে আপনি টুলের জন্য প্যারামিটার তৈরি করতে LLM ব্যবহার করতে পারেন।
• API কল : এটি বই-প্রদানকারী API-কে একটি POST অনুরোধ করে, ক্যাটাগরি এবং বইয়ের পছন্দসই সংখ্যা পাস করে।

👉এই নতুন ফাংশনটি পরীক্ষা করতে, পরিবেশ পরিবর্তনশীল সেট করুন, চালান:

cd ~/aidemy-bootstrap/planner/
export BOOK_PROVIDER_URL=$(gcloud run services describe book-provider --region=us-central1 --project=$PROJECT_ID --format="value(status.url)")

👉নির্ভরতাগুলি ইনস্টল করুন এবং এটি কাজ করে তা নিশ্চিত করতে কোডটি চালান, চালান:

cd ~/aidemy-bootstrap/planner/
python -m venv env
source env/bin/activate
export PROJECT_ID=$(gcloud config get project)
pip install -r requirements.txt
python book.py

গিট সতর্কতা পপ-আপ উইন্ডো উপেক্ষা করুন।

আপনি বই-প্রদানকারী API থেকে পুনরুদ্ধার করা বই সুপারিশ সমন্বিত একটি JSON স্ট্রিং দেখতে পাবেন।

[{"author":"Anya Sharma","bookname":"Echoes of the Singularity","publisher":"NovaLight Publishing","publishing_date":"2077-03-15"},{"author":"Anya Sharma","bookname":"Echoes of the Quantum Dawn","publisher":"Nova Genesis Publishing","publishing_date":"2077-03-15"}]

আপনি যদি এটি দেখতে পান, প্রথম টুলটি সঠিকভাবে কাজ করছে!

নির্দিষ্ট পরামিতিগুলির সাথে স্পষ্টভাবে একটি RESTful API কল তৈরি করার পরিবর্তে, আমরা প্রাকৃতিক ভাষা ব্যবহার করছি ("আমি একটি কোর্স করছি...")। তারপর এজেন্ট বুদ্ধিমত্তার সাথে প্রয়োজনীয় প্যারামিটারগুলি (যেমন বিভাগ) বের করে এনএলপি ব্যবহার করে, হাইলাইট করে যে এজেন্ট কীভাবে এপিআই-এর সাথে ইন্টারঅ্যাক্ট করার জন্য প্রাকৃতিক ভাষা বোঝার সুবিধা নেয়।

👉 book.py থেকে নিম্নলিখিত টেস্টিং কোডটি সরান

if __name__ == "__main__":
    print(recommend_book("I'm doing a course for my 5th grade student on Math Geometry, I'll need to recommend few books come up with a teach plan, few quizes and also a homework assignment."))

একটি ডাটাবেস থেকে পাঠ্যক্রমের তথ্য পাওয়া

এর পরে, আমরা একটি টুল তৈরি করব যা একটি ক্লাউড SQL PostgreSQL ডাটাবেস থেকে কাঠামোগত পাঠ্যক্রমের ডেটা নিয়ে আসে। এটি এজেন্টকে পাঠ পরিকল্পনার জন্য তথ্যের একটি নির্ভরযোগ্য উৎস অ্যাক্সেস করতে দেয়।

aidemy নামে একটি ক্লাউড এসকিউএল ইন্সট্যান্স তৈরি করতে টার্মিনালে নিম্নলিখিত কমান্ডগুলি চালান। এই প্রক্রিয়া কিছু সময় নিতে পারে.

gcloud sql instances create aidemy \
    --database-version=POSTGRES_14 \
    --cpu=2 \
    --memory=4GB \
    --region=us-central1 \
    --root-password=1234qwer \
    --storage-size=10GB \
    --storage-auto-increase

ধৈর্য ধরে একটি ডাটাবেস সরবরাহ করতে কিছু সময় লাগে

👉এরপর, নতুন উদাহরণে aidemy-db নামে একটি ডাটাবেস তৈরি করুন।

gcloud sql databases create aidemy-db \
    --instance=aidemy

আসুন Google ক্লাউড কনসোলে ক্লাউড এসকিউএল- এর উদাহরণটি যাচাই করি, আপনি তালিকাভুক্ত aidemy নামে একটি ক্লাউড SQL উদাহরণ দেখতে পাবেন। তার বিবরণ দেখতে উদাহরণ নামের উপর ক্লিক করুন. ক্লাউড এসকিউএল ইনস্ট্যান্স বিশদ বিবরণ পৃষ্ঠায়, বাম দিকের নেভিগেশন মেনুতে "SQL স্টুডিও" এ ক্লিক করুন। এটি একটি নতুন ট্যাব খুলবে।

ডাটাবেসের সাথে সংযোগ করতে ক্লিক করুন। SQL স্টুডিওতে সাইন ইন করুন

ডাটাবেস হিসাবে aidemy-db নির্বাচন করুন। ব্যবহারকারী হিসেবে postgres এবং পাসওয়ার্ড হিসেবে 1234qwer লিখুন।

👉SQL Studio ক্যোয়ারী এডিটরে, নিম্নলিখিত SQL কোড পেস্ট করুন:

CREATE TABLE curriculums (
    id SERIAL PRIMARY KEY,
    year INT,
    subject VARCHAR(255),
    description TEXT
);

-- Inserting detailed curriculum data for different school years and subjects
INSERT INTO curriculums (year, subject, description) VALUES
-- Year 5
(5, 'Mathematics', 'Introduction to fractions, decimals, and percentages, along with foundational geometry and problem-solving techniques.'),
(5, 'English', 'Developing reading comprehension, creative writing, and basic grammar, with a focus on storytelling and poetry.'),
(5, 'Science', 'Exploring basic physics, chemistry, and biology concepts, including forces, materials, and ecosystems.'),
(5, 'Computer Science', 'Basic coding concepts using block-based programming and an introduction to digital literacy.'),

-- Year 6
(6, 'Mathematics', 'Expanding on fractions, ratios, algebraic thinking, and problem-solving strategies.'),
(6, 'English', 'Introduction to persuasive writing, character analysis, and deeper comprehension of literary texts.'),
(6, 'Science', 'Forces and motion, the human body, and introductory chemical reactions with hands-on experiments.'),
(6, 'Computer Science', 'Introduction to algorithms, logical reasoning, and basic text-based programming (Python, Scratch).'),

-- Year 7
(7, 'Mathematics', 'Algebraic expressions, geometry, and introduction to statistics and probability.'),
(7, 'English', 'Analytical reading of classic and modern literature, essay writing, and advanced grammar skills.'),
(7, 'Science', 'Introduction to cells and organisms, chemical reactions, and energy transfer in physics.'),
(7, 'Computer Science', 'Building on programming skills with Python, introduction to web development, and cyber safety.');

এই SQL কোড curriculums নামে একটি টেবিল তৈরি করে এবং কিছু নমুনা ডেটা সন্নিবেশ করে। এসকিউএল কোড চালানোর জন্য রান ক্লিক করুন। আপনি একটি নিশ্চিতকরণ বার্তা দেখতে পাবেন যা নির্দেশ করে যে কমান্ডগুলি সফলভাবে কার্যকর করা হয়েছে।

👉অন্বেষণকারীকে প্রসারিত করুন, নতুন তৈরি করা টেবিলটি খুঁজুন এবং ক্যোয়ারীতে ক্লিক করুন। এটি আপনার জন্য তৈরি করা SQL সহ একটি নতুন সম্পাদক ট্যাব খুলতে হবে,

SELECT * FROM
  "public"."curriculums" LIMIT 1000;

👉 Run এ ক্লিক করুন।

ফলাফল টেবিলে আপনার পূর্ববর্তী ধাপে ঢোকানো ডেটার সারিগুলি প্রদর্শন করা উচিত, এটি নিশ্চিত করে যে টেবিল এবং ডেটা সঠিকভাবে তৈরি করা হয়েছে।

এখন আপনি সফলভাবে জনবহুল নমুনা পাঠ্যক্রমের ডেটা সহ একটি ডাটাবেস তৈরি করেছেন, আমরা এটি পুনরুদ্ধার করার জন্য একটি টুল তৈরি করব।

👉ক্লাউড কোড এডিটরে, aidemy-bootstrap ফোল্ডারে curriculums.py ফাইল সম্পাদনা করুন এবং নিম্নলিখিত কোডটি পেস্ট করুন:

def connect_with_connector() -> sqlalchemy.engine.base.Engine:

    db_user = os.environ["DB_USER"]
    db_pass = os.environ["DB_PASS"]
    db_name = os.environ["DB_NAME"]

    encoded_db_user = os.environ.get("DB_USER")
    print(f"--------------------------->db_user: {db_user!r}")  
    print(f"--------------------------->db_pass: {db_pass!r}") 
    print(f"--------------------------->db_name: {db_name!r}") 

    ip_type = IPTypes.PRIVATE if os.environ.get("PRIVATE_IP") else IPTypes.PUBLIC

    connector = Connector()

    def getconn() -> pg8000.dbapi.Connection:
        conn: pg8000.dbapi.Connection = connector.connect(
            instance_connection_name,
            "pg8000",
            user=db_user,
            password=db_pass,
            db=db_name,
            ip_type=ip_type,
        )
        return conn

    pool = sqlalchemy.create_engine(
        "postgresql+pg8000://",
        creator=getconn,
        pool_size=2,
        max_overflow=2,
        pool_timeout=30,  # 30 seconds
        pool_recycle=1800,  # 30 minutes
    )
    return pool



def init_connection_pool() -> sqlalchemy.engine.base.Engine:
    
    return (
        connect_with_connector()
    )

    raise ValueError(
        "Missing database connection type. Please define one of INSTANCE_HOST, INSTANCE_UNIX_SOCKET, or INSTANCE_CONNECTION_NAME"
    )

def get_curriculum(year: int, subject: str):
    """
    Get school curriculum
    
    Args:
        subject: User's request subject string
        year: User's request year int
    """
    try:
        stmt = sqlalchemy.text(
            "SELECT description FROM curriculums WHERE year = :year AND subject = :subject"
        )

        with db.connect() as conn:
            result = conn.execute(stmt, parameters={"year": year, "subject": subject})
            row = result.fetchone()
        if row:
            return row[0]  
        else:
            return None  

    except Exception as e:
        print(e)
        return None

db = init_connection_pool()

ব্যাখ্যা:

• এনভায়রনমেন্ট ভেরিয়েবল : কোডটি এনভায়রনমেন্ট ভেরিয়েবল থেকে ডাটাবেস শংসাপত্র এবং সংযোগ তথ্য পুনরুদ্ধার করে (নিচে এই সম্পর্কে আরও)।
• connect_with_connector() : এই ফাংশনটি ক্লাউড এসকিউএল কানেক্টর ব্যবহার করে ডাটাবেসের সাথে একটি নিরাপদ সংযোগ স্থাপন করে।
• get_curriculum(year: int, subject: str) : এই ফাংশনটি বছর এবং বিষয়কে ইনপুট হিসাবে নেয়, পাঠ্যক্রমের টেবিলে প্রশ্ন করে এবং সংশ্লিষ্ট পাঠ্যক্রমের বিবরণ প্রদান করে।

👉আমরা কোড চালানোর আগে, আমাদের অবশ্যই কিছু এনভায়রনমেন্ট ভেরিয়েবল সেট করতে হবে, টার্মিনালে, রান করুন:

export PROJECT_ID=$(gcloud config get project)
export INSTANCE_NAME="aidemy"
export REGION="us-central1"
export DB_USER="postgres"
export DB_PASS="1234qwer"
export DB_NAME="aidemy-db"

👉পরীক্ষা করতে curriculums.py এর শেষে নিম্নলিখিত কোড যোগ করুন:

if __name__ == "__main__":
    print(get_curriculum(6, "Mathematics"))

👉কোডটি চালান:

cd ~/aidemy-bootstrap/planner/
source env/bin/activate
python curriculums.py

আপনি কনসোলে মুদ্রিত 6 ম-শ্রেণির গণিতের পাঠ্যক্রমের বিবরণ দেখতে পাবেন।

Expanding on fractions, ratios, algebraic thinking, and problem-solving strategies.

আপনি যদি পাঠ্যক্রমের বিবরণ দেখেন, ডাটাবেস টুল সঠিকভাবে কাজ করছে! এগিয়ে যান এবং Ctrl+C টিপে স্ক্রিপ্ট বন্ধ করুন।

👉 curriculums.py থেকে নিম্নলিখিত পরীক্ষার কোডটি সরান

if __name__ == "__main__":
    print(get_curriculum(6, "Mathematics"))

👉ভার্চুয়াল পরিবেশ থেকে প্রস্থান করুন, টার্মিনাল রানে:

deactivate

6. বিল্ডিং টুলস: ওয়েব থেকে রিয়েল-টাইম তথ্য অ্যাক্সেস করুন

অবশেষে, আমরা একটি টুল তৈরি করব যা ওয়েব থেকে রিয়েল-টাইম তথ্য অ্যাক্সেস করতে Gemini 2 এবং Google অনুসন্ধান ইন্টিগ্রেশন ব্যবহার করে। এটি এজেন্টকে আপ-টু-ডেট থাকতে এবং প্রাসঙ্গিক ফলাফল প্রদান করতে সাহায্য করে।

Google Search API-এর সাথে Gemini 2-এর একীকরণ আরও নির্ভুল এবং প্রাসঙ্গিকভাবে প্রাসঙ্গিক অনুসন্ধান ফলাফল প্রদান করে এজেন্টের ক্ষমতা বাড়ায়। এটি এজেন্টদের আপ-টু-ডেট তথ্য অ্যাক্সেস করতে এবং তাদের প্রতিক্রিয়াগুলিকে বাস্তব-বিশ্বের ডেটাতে ভিত্তি করে, হ্যালুসিনেশন কমিয়ে দেয়। উন্নত এপিআই ইন্টিগ্রেশন আরও স্বাভাবিক ভাষার প্রশ্নগুলিকে সহজতর করে, এজেন্টদেরকে জটিল এবং সূক্ষ্ম অনুসন্ধানের অনুরোধগুলি তৈরি করতে সক্ষম করে৷

এই ফাংশনটি ইনপুট হিসাবে একটি অনুসন্ধান ক্যোয়ারী, পাঠ্যক্রম, বিষয় এবং বছর নেয় এবং ইন্টারনেট থেকে প্রাসঙ্গিক তথ্য পুনরুদ্ধার করতে Gemini API এবং Google অনুসন্ধান টুল ব্যবহার করে। আপনি যদি ঘনিষ্ঠভাবে দেখেন, এটি অন্য কোনো ফ্রেমওয়ার্ক ব্যবহার না করেই ফাংশন কলিং করার জন্য Google Generative AI SDK ব্যবহার করছে।

aidemy-bootstrap ফোল্ডারে search.py ​​সম্পাদনা করুন এবং নিম্নলিখিত কোডটি পেস্ট করুন:

model_id = "gemini-2.0-flash-001"

google_search_tool = Tool(
    google_search = GoogleSearch()
)

def search_latest_resource(search_text: str, curriculum: str, subject: str, year: int):
    """
    Get latest information from the internet
    
    Args:
        search_text: User's request category   string
        subject: "User's request subject" string
        year: "User's request year"  integer
    """
    search_text = "%s in the context of year %d and subject %s with following curriculum detail %s " % (search_text, year, subject, curriculum)
    region = get_next_region()
    client = genai.Client(vertexai=True, project=PROJECT_ID, location=region)
    print(f"search_latest_resource text-----> {search_text}")
    response = client.models.generate_content(
        model=model_id,
        contents=search_text,
        config=GenerateContentConfig(
            tools=[google_search_tool],
            response_modalities=["TEXT"],
        )
    )
    print(f"search_latest_resource response-----> {response}")
    return response

if __name__ == "__main__":
  response = search_latest_resource("What are the syllabus for Year 6 Mathematics?", "Expanding on fractions, ratios, algebraic thinking, and problem-solving strategies.", "Mathematics", 6)
  for each in response.candidates[0].content.parts:
    print(each.text)

ব্যাখ্যা:

• ডিফাইনিং টুল - google_search_tool : একটি টুলের মধ্যে GoogleSearch অবজেক্টকে মোড়ানো
• search_latest_resource(search_text: str, subject: str, year: int) : এই ফাংশনটি একটি সার্চ কোয়েরি, বিষয় এবং বছর ইনপুট হিসেবে নেয় এবং Google সার্চ করার জন্য Gemini API ব্যবহার করে। মিথুন মডেল
• GenerateContentConfig : সংজ্ঞায়িত করুন যে এটির GoogleSearch টুলে অ্যাক্সেস আছে

মিথুন মডেলটি অভ্যন্তরীণভাবে অনুসন্ধান_পাঠ্য বিশ্লেষণ করে এবং এটি সরাসরি প্রশ্নের উত্তর দিতে পারে কিনা বা Google সার্চ টুল ব্যবহার করতে হবে কিনা তা নির্ধারণ করে। এটি একটি গুরুত্বপূর্ণ পদক্ষেপ যা এলএলএম এর যুক্তি প্রক্রিয়ার মধ্যে ঘটে। মডেলটিকে এমন পরিস্থিতিতে চিনতে প্রশিক্ষণ দেওয়া হয়েছে যেখানে বাহ্যিক সরঞ্জামগুলির প্রয়োজন। যদি মডেলটি GoogleSearch টুল ব্যবহার করার সিদ্ধান্ত নেয়, তাহলে Google Generative AI SDK প্রকৃত আহ্বান পরিচালনা করে। SDK মডেলের সিদ্ধান্ত নেয় এবং এটি যে প্যারামিটার তৈরি করে সেগুলিকে Google অনুসন্ধান API-এ পাঠায়। এই অংশটি কোডে ব্যবহারকারীর কাছ থেকে লুকানো আছে।

মিথুন মডেল তারপরে অনুসন্ধান ফলাফলগুলিকে তার প্রতিক্রিয়ার সাথে একত্রিত করে৷ এটি ব্যবহারকারীর প্রশ্নের উত্তর দিতে, একটি সারাংশ তৈরি করতে বা অন্য কিছু কাজ করতে তথ্য ব্যবহার করতে পারে।

👉পরীক্ষা করতে, কোডটি চালান:

cd ~/aidemy-bootstrap/planner/
export PROJECT_ID=$(gcloud config get project)
source env/bin/activate
python search.py

আপনি "বছর 5 গণিতের সিলেবাস" এর সাথে সম্পর্কিত অনুসন্ধান ফলাফল সম্বলিত জেমিনি অনুসন্ধান API প্রতিক্রিয়া দেখতে পাবেন। সঠিক আউটপুট অনুসন্ধান ফলাফলের উপর নির্ভর করবে, কিন্তু এটি অনুসন্ধান সম্পর্কে তথ্য সহ একটি JSON অবজেক্ট হবে।

আপনি যদি অনুসন্ধান ফলাফল দেখতে পান, গুগল অনুসন্ধান টুল সঠিকভাবে কাজ করছে! এগিয়ে যান এবং Ctrl+C টিপে স্ক্রিপ্ট বন্ধ করুন।

👉এবং কোডের শেষ অংশটি সরিয়ে ফেলুন ।

if __name__ == "__main__":
  response = search_latest_resource("What are the syllabus for Year 6 Mathematics?", "Expanding on fractions, ratios, algebraic thinking, and problem-solving strategies.", "Mathematics", 6)
  for each in response.candidates[0].content.parts:
    print(each.text)

👉ভার্চুয়াল পরিবেশ থেকে প্রস্থান করুন, টার্মিনাল রানে:

deactivate

অভিনন্দন! আপনি এখন আপনার পরিকল্পনাকারী এজেন্টের জন্য তিনটি শক্তিশালী সরঞ্জাম তৈরি করেছেন: একটি API সংযোগকারী, একটি ডাটাবেস সংযোগকারী এবং একটি Google অনুসন্ধান সরঞ্জাম৷ এই সরঞ্জামগুলি এজেন্টকে কার্যকর শিক্ষণ পরিকল্পনা তৈরি করতে প্রয়োজনীয় তথ্য এবং ক্ষমতা অ্যাক্সেস করতে সক্ষম করবে।

7. ল্যাংগ্রাফের সাথে অর্কেস্ট্রেটিং

এখন যেহেতু আমরা আমাদের স্বতন্ত্র সরঞ্জামগুলি তৈরি করেছি, ল্যাংগ্রাফ ব্যবহার করে সেগুলিকে অর্কেস্ট্রেট করার সময় এসেছে৷ এটি আমাদের একটি আরও পরিশীলিত "পরিকল্পক" এজেন্ট তৈরি করার অনুমতি দেবে যা ব্যবহারকারীর অনুরোধের উপর ভিত্তি করে কোন সরঞ্জামগুলি এবং কখন ব্যবহার করতে হবে তা বুদ্ধিমানের সাথে সিদ্ধান্ত নিতে পারে।

LangGraph হল একটি পাইথন লাইব্রেরি যা লার্জ ল্যাঙ্গুয়েজ মডেল (LLMs) ব্যবহার করে স্টেটফুল, মাল্টি-অ্যাক্টর অ্যাপ্লিকেশন তৈরি করা সহজ করার জন্য ডিজাইন করা হয়েছে। LLM, টুলস এবং অন্যান্য এজেন্ট জড়িত জটিল কথোপকথন এবং ওয়ার্কফ্লো অর্কেস্ট্রেট করার জন্য এটিকে একটি কাঠামো হিসাবে মনে করুন।

মূল ধারণা:

• গ্রাফ স্ট্রাকচার: ল্যাংগ্রাফ একটি নির্দেশিত গ্রাফ হিসাবে আপনার অ্যাপ্লিকেশনের যুক্তি উপস্থাপন করে। গ্রাফের প্রতিটি নোড প্রক্রিয়ার একটি ধাপকে প্রতিনিধিত্ব করে (যেমন, একটি এলএলএম-এ একটি কল, একটি টুল আহ্বান, একটি শর্তসাপেক্ষ চেক)। প্রান্তগুলি নোডগুলির মধ্যে নির্বাহের প্রবাহকে সংজ্ঞায়িত করে।
• অবস্থা: ল্যাংগ্রাফ গ্রাফের মধ্য দিয়ে যাওয়ার সাথে সাথে আপনার অ্যাপ্লিকেশনের অবস্থা পরিচালনা করে। এই অবস্থায় ভেরিয়েবল অন্তর্ভুক্ত করতে পারে যেমন ব্যবহারকারীর ইনপুট, টুল কলের ফলাফল, LLM থেকে মধ্যবর্তী আউটপুট এবং অন্য যেকোন তথ্য যা ধাপের মধ্যে সংরক্ষণ করা প্রয়োজন।
• নোড: প্রতিটি নোড একটি গণনা বা মিথস্ক্রিয়া প্রতিনিধিত্ব করে। তারা হতে পারে:
  • টুল নোড: একটি টুল ব্যবহার করুন (যেমন, একটি ওয়েব অনুসন্ধান করুন, একটি ডাটাবেস অনুসন্ধান করুন)
  • ফাংশন নোড: একটি পাইথন ফাংশন চালান।
• প্রান্ত: নির্বাহের প্রবাহ সংজ্ঞায়িত করে নোডগুলিকে সংযুক্ত করুন। তারা হতে পারে:
  • ডাইরেক্ট এজ: এক নোড থেকে অন্য নোড পর্যন্ত একটি সহজ, শর্তহীন প্রবাহ।
  • শর্তাধীন প্রান্ত: প্রবাহ শর্তাধীন নোডের ফলাফলের উপর নির্ভর করে।

আমরা অর্কেস্ট্রেশন বাস্তবায়ন করতে ল্যাংগ্রাফ ব্যবহার করব। আসুন আমাদের ল্যাংগ্রাফ লজিক সংজ্ঞায়িত করতে aidemy-bootstrap ফোল্ডারের অধীনে aidemy.py ফাইলটি সম্পাদনা করি। 👉 aidemy.py এর শেষে ফলো কোড যোগ করুন:

tools = [get_curriculum, search_latest_resource, recommend_book]

def determine_tool(state: MessagesState):
    llm = ChatVertexAI(model_name="gemini-2.0-flash-001", location=get_next_region())
    sys_msg = SystemMessage(
                    content=(
                        f"""You are a helpful teaching assistant that helps gather all needed information. 
                            Your ultimate goal is to create a detailed 3-week teaching plan. 
                            You have access to tools that help you gather information.  
                            Based on the user request, decide which tool(s) are needed. 

                        """
                    )
                )

    llm_with_tools = llm.bind_tools(tools)
    return {"messages": llm_with_tools.invoke([sys_msg] + state["messages"])} 

এই ফাংশনটি কথোপকথনের বর্তমান অবস্থা নেওয়ার জন্য দায়ী, একটি সিস্টেম বার্তা সহ LLM প্রদান করে এবং তারপর একটি প্রতিক্রিয়া তৈরি করতে LLM কে জিজ্ঞাসা করে৷ এলএলএম হয় সরাসরি ব্যবহারকারীকে প্রতিক্রিয়া জানাতে পারে বা উপলব্ধ সরঞ্জামগুলির মধ্যে একটি ব্যবহার করতে বেছে নিতে পারে।

টুলস : এই তালিকাটি এজেন্টের কাছে উপলব্ধ সরঞ্জামগুলির সেট উপস্থাপন করে। এটিতে তিনটি টুল ফাংশন রয়েছে যা আমরা পূর্ববর্তী ধাপে সংজ্ঞায়িত করেছি: get_curriculum , search_latest_resource , এবং recommend_book । llm.bind_tools(tools) : এটি llm অবজেক্টের সাথে টুল তালিকাকে "আবদ্ধ" করে। টুলগুলি বাঁধাই এলএলএমকে বলে যে এই সরঞ্জামগুলি উপলব্ধ এবং কীভাবে সেগুলি ব্যবহার করতে হবে সে সম্পর্কে তথ্য এলএলএমকে প্রদান করে (যেমন, সরঞ্জামগুলির নাম, তারা যে প্যারামিটারগুলি গ্রহণ করে এবং তারা কী করে)।

আমরা অর্কেস্ট্রেশন বাস্তবায়ন করতে ল্যাংগ্রাফ ব্যবহার করব। 👉 নিম্নলিখিত কোডটি aidemy.py এর শেষে যোগ করুন:

def prep_class(prep_needs):
   
    builder = StateGraph(MessagesState)
    builder.add_node("determine_tool", determine_tool)
    builder.add_node("tools", ToolNode(tools))
    
    builder.add_edge(START, "determine_tool")
    builder.add_conditional_edges("determine_tool",tools_condition)
    builder.add_edge("tools", "determine_tool")

    
    memory = MemorySaver()
    graph = builder.compile(checkpointer=memory)

    config = {"configurable": {"thread_id": "1"}}
    messages = graph.invoke({"messages": prep_needs},config)
    print(messages)
    for m in messages['messages']:
        m.pretty_print()
    teaching_plan_result = messages["messages"][-1].content  


    return teaching_plan_result

if __name__ == "__main__":
  prep_class("I'm doing a course for  year 5 on subject Mathematics in Geometry, , get school curriculum, and come up with few books recommendation plus  search latest resources on the internet base on the curriculum outcome. And come up with a 3 week teaching plan")

ব্যাখ্যা:

• StateGraph(MessagesState) : একটি StateGraph অবজেক্ট তৈরি করে। একটি StateGraph ল্যাংগ্রাফের একটি মূল ধারণা। এটি একটি গ্রাফ হিসাবে আপনার এজেন্টের কর্মপ্রবাহকে উপস্থাপন করে, যেখানে গ্রাফের প্রতিটি নোড প্রক্রিয়াটির একটি ধাপ উপস্থাপন করে। এজেন্ট কীভাবে যুক্তি এবং কাজ করবে তার নীলনকশা সংজ্ঞায়িত হিসাবে এটিকে ভাবুন।
• কন্ডিশনাল এজ: "determine_tool" নোড থেকে উদ্ভূত, tools_condition আর্গুমেন্ট সম্ভবত একটি ফাংশন যা নির্ধারণ করে যে determine_tool ফাংশনের আউটপুটের উপর ভিত্তি করে কোন প্রান্তটি অনুসরণ করতে হবে। শর্তসাপেক্ষ প্রান্তগুলি কোন টুল ব্যবহার করবে (বা ব্যবহারকারীকে সরাসরি প্রতিক্রিয়া জানাবে কিনা) সম্পর্কে এলএলএম-এর সিদ্ধান্তের উপর ভিত্তি করে গ্রাফটিকে শাখায় যেতে দেয়। এখানেই এজেন্টের "বুদ্ধিমত্তা" কার্যকর হয় - এটি পরিস্থিতির উপর ভিত্তি করে গতিশীলভাবে তার আচরণকে মানিয়ে নিতে পারে।
• লুপ: গ্রাফে একটি প্রান্ত যোগ করে যা "tools" নোডকে "determine_tool" নোডের সাথে সংযুক্ত করে। এটি গ্রাফে একটি লুপ তৈরি করে, এজেন্টকে বারবার টুল ব্যবহার করার অনুমতি দেয় যতক্ষণ না এটি কাজটি সম্পূর্ণ করার জন্য যথেষ্ট তথ্য সংগ্রহ করে এবং একটি সন্তোষজনক উত্তর প্রদান করে। এই লুপটি জটিল কাজের জন্য অত্যন্ত গুরুত্বপূর্ণ যেগুলির জন্য যুক্তি এবং তথ্য সংগ্রহের একাধিক ধাপ প্রয়োজন।

এখন, আসুন আমাদের পরিকল্পনাকারী এজেন্টকে পরীক্ষা করে দেখি যে এটি কীভাবে বিভিন্ন সরঞ্জামকে অর্কেস্ট্রেট করে।

এই কোডটি একটি নির্দিষ্ট ব্যবহারকারীর ইনপুট সহ prep_class ফাংশন চালাবে, পাঠ্যক্রম, বইয়ের সুপারিশ এবং সর্বশেষ ইন্টারনেট সংস্থানগুলি ব্যবহার করে জ্যামিতিতে 5ম-শ্রেণির গণিতের জন্য একটি শিক্ষণ পরিকল্পনা তৈরি করার অনুরোধ অনুকরণ করে।

আপনি যদি আপনার টার্মিনাল বন্ধ করে থাকেন বা এনভায়রনমেন্ট ভেরিয়েবল আর সেট না থাকে, তাহলে নিম্নলিখিত কমান্ডগুলি পুনরায় চালান

export BOOK_PROVIDER_URL=$(gcloud run services describe book-provider --region=us-central1 --project=$PROJECT_ID --format="value(status.url)")
export PROJECT_ID=$(gcloud config get project)
export INSTANCE_NAME="aidemy"
export REGION="us-central1"
export DB_USER="postgres"
export DB_PASS="1234qwer"
export DB_NAME="aidemy-db"

👉কোডটি চালান:

cd ~/aidemy-bootstrap/planner/
source env/bin/activate
pip install -r requirements.txt
python aidemy.py

টার্মিনালে লগ দেখুন। আপনার প্রমাণ দেখা উচিত যে এজেন্ট চূড়ান্ত শিক্ষণ পরিকল্পনা প্রদান করার আগে তিনটি সরঞ্জাম (স্কুল পাঠ্যক্রম পাওয়া, বইয়ের সুপারিশ পাওয়া এবং সর্বশেষ সংস্থান অনুসন্ধান) কল করছে। এটি দেখায় যে ল্যাংগ্রাফ অর্কেস্ট্রেশন সঠিকভাবে কাজ করছে এবং এজেন্ট বুদ্ধিমত্তার সাথে ব্যবহারকারীর অনুরোধ পূরণ করার জন্য উপলব্ধ সমস্ত সরঞ্জাম ব্যবহার করছে৷

================================ Human Message =================================

I'm doing a course for  year 5 on subject Mathematics in Geometry, , get school curriculum, and come up with few books recommendation plus  search latest resources on the internet base on the curriculum outcome. And come up with a 3 week teaching plan
================================== Ai Message ==================================
Tool Calls:
  get_curriculum (xxx)
 Call ID: xxx
  Args:
    year: 5.0
    subject: Mathematics
================================= Tool Message =================================
Name: get_curriculum

Introduction to fractions, decimals, and percentages, along with foundational geometry and problem-solving techniques.
================================== Ai Message ==================================
Tool Calls:
  search_latest_resource (xxxx)
 Call ID: xxxx
  Args:
    year: 5.0
    search_text: Geometry
    curriculum: {"content": "Introduction to fractions, decimals, and percentages, along with foundational geometry and problem-solving techniques."}
    subject: Mathematics
================================= Tool Message =================================
Name: search_latest_resource

candidates=[Candidate(content=Content(parts=[Part(.....) automatic_function_calling_history=[] parsed=None
================================== Ai Message ==================================
Tool Calls:
  recommend_book (93b48189-4d69-4c09-a3bd-4e60cdc5f1c6)
 Call ID: 93b48189-4d69-4c09-a3bd-4e60cdc5f1c6
  Args:
    query: Mathematics Geometry Year 5
================================= Tool Message =================================
Name: recommend_book

[{.....}]

================================== Ai Message ==================================

Based on the curriculum outcome, here is a 3-week teaching plan for year 5 Mathematics Geometry:

**Week 1: Introduction to Shapes and Properties**
.........

Ctrl+C চেপে স্ক্রিপ্ট বন্ধ করুন।

👉এখন, টেস্টিং কোডটিকে একটি ভিন্ন প্রম্পট দিয়ে প্রতিস্থাপন করুন, যার জন্য কল করার জন্য বিভিন্ন সরঞ্জাম প্রয়োজন।

if __name__ == "__main__":
  prep_class("I'm doing a course for  year 5 on subject Mathematics in Geometry, search latest resources on the internet base on the subject. And come up with a 3 week teaching plan")

আপনি আবার aidemy.py স্ক্রিপ্ট চালানোর চেষ্টা করার আগে, অন্তত এক মিনিট অপেক্ষা করুন! কারণ ওয়ার্কশপের বিলিং অ্যাকাউন্টে কিছু কোটা সীমা রয়েছে। আমরা সেই সীমাগুলিকে আঘাত করা এড়াতে অনুরোধগুলির মধ্যে সিস্টেমটিকে একটু শ্বাস নেওয়ার জায়গা দিতে চাই৷ সাধারণ পরিস্থিতিতে, আপনাকে অপেক্ষা করতে হবে না।

আপনি যদি আপনার টার্মিনাল বন্ধ করে থাকেন বা এনভায়রনমেন্ট ভেরিয়েবল আর সেট না থাকে, তাহলে নিম্নলিখিত কমান্ডগুলি পুনরায় চালান

export BOOK_PROVIDER_URL=$(gcloud run services describe book-provider --region=us-central1 --project=$PROJECT_ID --format="value(status.url)")
export PROJECT_ID=$(gcloud config get project)
export INSTANCE_NAME="aidemy"
export REGION="us-central1"
export DB_USER="postgres"
export DB_PASS="1234qwer"
export DB_NAME="aidemy-db"

👉কোডটি আবার চালান:

cd ~/aidemy-bootstrap/planner/
source env/bin/activate
python aidemy.py

এই সময় আপনি কি লক্ষ্য করেছেন? কোন সরঞ্জাম এজেন্ট কল? আপনার দেখা উচিত যে এজেন্ট এই সময় শুধুমাত্র search_latest_resource টুলকে কল করে। এর কারণ হল প্রম্পটটি নির্দিষ্ট করে না যে এটির অন্য দুটি সরঞ্জামের প্রয়োজন, এবং আমাদের LLM অন্য সরঞ্জামগুলিকে কল না করার জন্য যথেষ্ট স্মার্ট।

================================ Human Message =================================

I'm doing a course for  year 5 on subject Mathematics in Geometry, search latest resources on the internet base on the subject. And come up with a 3 week teaching plan
================================== Ai Message ==================================
Tool Calls:
  get_curriculum (xxx)
 Call ID: xxx
  Args:
    year: 5.0
    subject: Mathematics
================================= Tool Message =================================
Name: get_curriculum

Introduction to fractions, decimals, and percentages, along with foundational geometry and problem-solving techniques.
================================== Ai Message ==================================
Tool Calls:
  search_latest_resource (xxx)
 Call ID: xxxx
  Args:
    year: 5.0
    subject: Mathematics
    curriculum: {"content": "Introduction to fractions, decimals, and percentages, along with foundational geometry and problem-solving techniques."}
    search_text: Geometry
================================= Tool Message =================================
Name: search_latest_resource

candidates=[Candidate(content=Content(parts=[Part(.......token_count=40, total_token_count=772) automatic_function_calling_history=[] parsed=None
================================== Ai Message ==================================

Based on the information provided, a 3-week teaching plan for Year 5 Mathematics focusing on Geometry could look like this:

**Week 1:  Introducing 2D Shapes**
........
* Use visuals, manipulatives, and real-world examples to make the learning experience engaging and relevant.

Ctrl+C চেপে স্ক্রিপ্ট বন্ধ করুন। 👉 আপনার aidemy.py ফাইল পরিষ্কার রাখতে টেস্টিং কোডটি সরান :

if __name__ == "__main__":
  prep_class("I'm doing a course for  year 5 on subject Mathematics in Geometry, search latest resources on the internet base on the subject. And come up with a 3 week teaching plan")

আমাদের এজেন্ট লজিক এখন সংজ্ঞায়িত করা হয়েছে, আসুন ফ্লাস্ক ওয়েব অ্যাপ্লিকেশন চালু করি। এটি শিক্ষকদের এজেন্টের সাথে যোগাযোগ করার জন্য একটি পরিচিত ফর্ম-ভিত্তিক ইন্টারফেস প্রদান করবে। যদিও LLM-এর সাথে চ্যাটবট মিথস্ক্রিয়া সাধারণ, আমরা একটি ঐতিহ্যগত ফর্ম সাবমিট UI বেছে নিচ্ছি, কারণ এটি অনেক শিক্ষাবিদদের জন্য আরও স্বজ্ঞাত হতে পারে।

আপনি যদি আপনার টার্মিনাল বন্ধ করে থাকেন বা এনভায়রনমেন্ট ভেরিয়েবল আর সেট না থাকে, তাহলে নিম্নলিখিত কমান্ডগুলি পুনরায় চালান

export BOOK_PROVIDER_URL=$(gcloud run services describe book-provider --region=us-central1 --project=$PROJECT_ID --format="value(status.url)")
export PROJECT_ID=$(gcloud config get project)
export INSTANCE_NAME="aidemy"
export REGION="us-central1"
export DB_USER="postgres"
export DB_PASS="1234qwer"
export DB_NAME="aidemy-db"

আপনি UI স্ক্রিপ্ট চালানোর চেষ্টা করার আগে, অন্তত এক মিনিট অপেক্ষা করুন! কারণ ওয়ার্কশপের বিলিং অ্যাকাউন্টে কিছু কোটা সীমা রয়েছে। আমরা সেই সীমাগুলিকে আঘাত করা এড়াতে অনুরোধগুলির মধ্যে সিস্টেমটিকে একটু শ্বাস নেওয়ার জায়গা দিতে চাই৷ সাধারণ পরিস্থিতিতে, আপনাকে অপেক্ষা করতে হবে না।

👉এখন, ওয়েব UI শুরু করুন।

cd ~/aidemy-bootstrap/planner/
source env/bin/activate
python app.py

ক্লাউড শেল টার্মিনাল আউটপুটে স্টার্টআপ বার্তাগুলি সন্ধান করুন। ফ্লাস্ক সাধারণত বার্তা প্রিন্ট করে যে এটি চলছে এবং কোন পোর্টে চলছে।

Running on http://127.0.0.1:8080
Running on http://127.0.0.1:8080
The application needs to keep running to serve requests.

👉"ওয়েব প্রিভিউ" মেনু থেকে, পোর্ট 8080-এ প্রিভিউ বেছে নিন। ক্লাউড শেল আপনার অ্যাপ্লিকেশনের ওয়েব প্রিভিউ সহ একটি নতুন ব্রাউজার ট্যাব বা উইন্ডো খুলবে।

অ্যাপ্লিকেশন ইন্টারফেসে, বছরের জন্য 5 নির্বাচন করুন, Mathematics বিষয় নির্বাচন করুন এবং অ্যাড-অন অনুরোধে Geometry টাইপ করুন

প্রতিক্রিয়ার জন্য অপেক্ষা করার সময় শূন্য দৃষ্টিতে তাকিয়ে থাকার পরিবর্তে, ক্লাউড এডিটরের টার্মিনালে চলে যান। আপনি এমুলেটরের টার্মিনালে আপনার ফাংশন দ্বারা উত্পন্ন অগ্রগতি এবং কোনো আউটপুট বা ত্রুটি বার্তা পর্যবেক্ষণ করতে পারেন। 😁

👉 টার্মিনালে Ctrl+C চেপে স্ক্রিপ্ট বন্ধ করুন।

👉ভার্চুয়াল পরিবেশ থেকে প্রস্থান করুন:

deactivate

8. ক্লাউডে প্ল্যানার এজেন্ট মোতায়েন করা

রেজিস্ট্রিতে ছবি তৈরি করুন এবং পুশ করুন

👉 ক্লাউডে এটি স্থাপন করার সময়। টার্মিনালে, আমরা যে ডকার ইমেজটি তৈরি করতে যাচ্ছি তা সঞ্চয় করার জন্য একটি আর্টিফ্যাক্ট রিপোজিটরি তৈরি করুন।

gcloud artifacts repositories create agent-repository \
    --repository-format=docker \
    --location=us-central1 \
    --description="My agent repository"

আপনার তৈরি করা সংগ্রহস্থল [এজেন্ট-রিপোজিটরি] দেখতে হবে।

👉 ডকার ইমেজ তৈরি করতে নিম্নলিখিত কমান্ডটি চালান।

cd ~/aidemy-bootstrap/planner/
export PROJECT_ID=$(gcloud config get project)
docker build -t gcr.io/${PROJECT_ID}/aidemy-planner .

👉আমাদের ছবিটিকে পুনরায় ট্যাগ করতে হবে যাতে এটি GCR-এর পরিবর্তে আর্টিফ্যাক্ট রেজিস্ট্রিতে হোস্ট করা হয় এবং ট্যাগ করা ছবিটিকে আর্টিফ্যাক্ট রেজিস্ট্রিতে পুশ করা যায়:

export PROJECT_ID=$(gcloud config get project)
docker tag gcr.io/${PROJECT_ID}/aidemy-planner us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-planner
docker push us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-planner

একবার পুশ সম্পূর্ণ হলে, আপনি যাচাই করতে পারেন যে ছবিটি সফলভাবে আর্টিফ্যাক্ট রেজিস্ট্রিতে সংরক্ষণ করা হয়েছে। Google ক্লাউড কনসোলে আর্টিফ্যাক্ট রেজিস্ট্রিতে নেভিগেট করুন। আপনার agent-repository রিপোজিটরির মধ্যে aidemy-planner ইমেজ খুঁজে পাওয়া উচিত।

সিক্রেট ম্যানেজারের সাথে ডেটাবেস শংসাপত্রগুলি সুরক্ষিত করা

নিরাপদে ডাটাবেস শংসাপত্রগুলি পরিচালনা এবং অ্যাক্সেস করতে, আমরা Google ক্লাউড সিক্রেট ম্যানেজার ব্যবহার করব৷ এটি আমাদের অ্যাপ্লিকেশন কোডে সংবেদনশীল তথ্য হার্ডকোডিং প্রতিরোধ করে এবং নিরাপত্তা বাড়ায়।

👉আমরা ডাটাবেসের ব্যবহারকারীর নাম, পাসওয়ার্ড এবং ডাটাবেসের নামের জন্য পৃথক গোপনীয়তা তৈরি করব। এই পদ্ধতিটি আমাদের প্রতিটি শংসাপত্র স্বাধীনভাবে পরিচালনা করতে দেয়। টার্মিনাল রানে:

gcloud secrets create db-user
printf "postgres" | gcloud secrets versions add db-user --data-file=-

gcloud secrets create db-pass
printf "1234qwer" | gcloud secrets versions add db-pass --data-file=- 

gcloud secrets create db-name
printf "aidemy-db" | gcloud secrets versions add db-name --data-file=-

সিক্রেট ম্যানেজার ব্যবহার করা আপনার আবেদন সুরক্ষিত করার জন্য এবং সংবেদনশীল শংসাপত্রের দুর্ঘটনাজনিত এক্সপোজার প্রতিরোধ করার জন্য একটি গুরুত্বপূর্ণ পদক্ষেপ। এটি ক্লাউড স্থাপনার জন্য নিরাপত্তার সর্বোত্তম অনুশীলন অনুসরণ করে।

ক্লাউড রানে স্থাপন করুন

ক্লাউড রান একটি সম্পূর্ণরূপে পরিচালিত সার্ভারবিহীন প্ল্যাটফর্ম যা আপনাকে দ্রুত এবং সহজে কন্টেইনারাইজড অ্যাপ্লিকেশন স্থাপন করতে দেয়। এটি অবকাঠামো ব্যবস্থাপনাকে বিমূর্ত করে, আপনাকে আপনার কোড লেখা এবং স্থাপনে ফোকাস করতে দেয়। আমরা ক্লাউড রান পরিষেবা হিসাবে আমাদের পরিকল্পনাকারীকে মোতায়েন করব৷

👉Google ক্লাউড কনসোলে, " ক্লাউড রান "-এ নেভিগেট করুন। DEPLOY CONTAINER এ ক্লিক করুন এবং SERVICE নির্বাচন করুন। আপনার ক্লাউড রান পরিষেবা কনফিগার করুন:

1. ধারক চিত্র : URL ক্ষেত্রে "নির্বাচন করুন" এ ক্লিক করুন। আপনি আর্টিফ্যাক্ট রেজিস্ট্রিতে যে ছবিটি পুশ করেছেন সেটি খুঁজুন (যেমন, us-central1-docker.pkg.dev/YOUR_PROJECT_ID/agent-repository/agent-planner/YOUR_IMG)।
2. পরিষেবার নাম : aidemy-planner
3. অঞ্চল : us-central1 অঞ্চল নির্বাচন করুন।
4. প্রমাণীকরণ : এই কর্মশালার উদ্দেশ্যে, আপনি "অপ্রমাণিত আহ্বানের অনুমতি দিন" অনুমতি দিতে পারেন। উৎপাদনের জন্য, আপনি সম্ভবত অ্যাক্সেস সীমাবদ্ধ করতে চাইবেন।
5. ধারক(গুলি) ট্যাব (পাত্র, নেটওয়ার্ক প্রসারিত করুন):
   • সেটিং ট্যাব:
     • সম্পদ
       • মেমরি: 2 গিগাবাইট
   • ভেরিয়েবল এবং সিক্রেট ট্যাব:
     • পরিবেশ পরিবর্তনশীল:
       • নাম যোগ করুন: GOOGLE_CLOUD_PROJECT এবং মান: <YOUR_PROJECT_ID>
       • নাম যোগ করুন: BOOK_PROVIDER_URL এবং মান: <YOUR_BOOK_PROVIDER_FUNCTION_URL>
     • পরিবেশের পরিবর্তনশীল হিসাবে প্রকাশিত গোপনীয়তা:
       • নাম যোগ করুন: DB_USER , গোপন: db-user এবং সংস্করণ নির্বাচন করুন: latest
       • নাম যোগ করুন: DB_PASS , গোপন: db-pass এবং সংস্করণ নির্বাচন করুন: latest
       • নাম যোগ করুন: DB_NAME , গোপন: db-name এবং সংস্করণ নির্বাচন করুন: latest

আপনার YOUR_BOOK_PROVIDER_FUNCTION_URL পুনরুদ্ধার করার প্রয়োজন হলে টার্মিনালে নিম্নলিখিত কমান্ডটি চালান:

gcloud run services describe book-provider --region=us-central1 --project=$PROJECT_ID --format="value(status.url)"

ডিফল্ট হিসাবে অন্য ছেড়ে.

👉 CREATE এ ক্লিক করুন।

ক্লাউড রান আপনার পরিষেবা স্থাপন করবে।

একবার স্থাপন করা হলে, পরিষেবাটির বিশদ পৃষ্ঠায় ক্লিক করুন, আপনি উপরে উপলভ্য স্থাপন করা URL খুঁজে পেতে পারেন।

অ্যাপ্লিকেশন ইন্টারফেসে, বছরের জন্য 7 নির্বাচন করুন, বিষয় হিসাবে Mathematics নির্বাচন করুন এবং অ্যাড-অন অনুরোধ ক্ষেত্রে Algebra লিখুন। এটি এজেন্টকে একটি উপযোগী পাঠ পরিকল্পনা তৈরি করার জন্য প্রয়োজনীয় প্রসঙ্গ সরবরাহ করবে।

অনুগ্রহ করে সচেতন থাকুন যে সম্পূর্ণ শিক্ষণ পরিকল্পনা তৈরি করতে 2 মিনিট পর্যন্ত সময় লাগতে পারে। এটি কর্মশালার বিলিং অ্যাকাউন্ট দ্বারা আরোপিত কোটার সীমাবদ্ধতার কারণে। সাধারণ পরিস্থিতিতে, আপনি এই ধরনের বিলম্ব অনুভব করবেন না।

অভিনন্দন! আপনি সফলভাবে আমাদের শক্তিশালী AI এজেন্ট ব্যবহার করে একটি শিক্ষণ পরিকল্পনা তৈরি করেছেন। এটি এজেন্টদের উল্লেখযোগ্যভাবে কাজের চাপ কমাতে এবং কাজগুলিকে স্ট্রিমলাইন করার সম্ভাব্যতা প্রদর্শন করে, শেষ পর্যন্ত দক্ষতার উন্নতি করে এবং শিক্ষাবিদদের জীবনকে সহজ করে তোলে।

9. মাল্টি-এজেন্ট সিস্টেম

এখন যেহেতু আমরা শিক্ষণ পরিকল্পনা তৈরির টুলটি সফলভাবে বাস্তবায়ন করেছি, আসুন আমাদের মনোযোগ ছাত্র পোর্টাল তৈরিতে স্থানান্তরিত করি। এই পোর্টালটি শিক্ষার্থীদের তাদের কোর্সওয়ার্ক সম্পর্কিত কুইজ, অডিও রিক্যাপ এবং অ্যাসাইনমেন্টে অ্যাক্সেস প্রদান করবে। এই কার্যকারিতার সুযোগের পরিপ্রেক্ষিতে, আমরা একটি মডুলার এবং স্কেলযোগ্য সমাধান তৈরি করতে মাল্টি-এজেন্ট সিস্টেমের শক্তি ব্যবহার করব।

যেমনটি আমরা আগে আলোচনা করেছি, সবকিছু পরিচালনা করার জন্য একটি একক এজেন্টের উপর নির্ভর করার পরিবর্তে, একটি মাল্টি-এজেন্ট সিস্টেম আমাদের কাজের চাপকে ছোট, বিশেষায়িত কাজগুলিতে বিভক্ত করতে দেয়, প্রতিটি ডেডিকেটেড এজেন্ট দ্বারা পরিচালিত হয়। এই পদ্ধতিটি বেশ কয়েকটি মূল সুবিধা প্রদান করে:

মডুলারিটি এবং রক্ষণাবেক্ষণযোগ্যতা : একটি একক এজেন্ট তৈরি করার পরিবর্তে যা সবকিছু করে, ভাল-সংজ্ঞায়িত দায়িত্ব সহ আরও ছোট, বিশেষায়িত এজেন্ট তৈরি করুন। এই মডুলারিটি সিস্টেমটিকে বোঝা, বজায় রাখা এবং ডিবাগ করা সহজ করে তোলে। যখন একটি সমস্যা দেখা দেয়, আপনি এটিকে একটি নির্দিষ্ট এজেন্টের কাছে বিচ্ছিন্ন করতে পারেন, একটি বিশাল কোডবেসের মাধ্যমে পরীক্ষা করার পরিবর্তে।

পরিমাপযোগ্যতা : একটি একক, জটিল এজেন্টকে স্কেলিং করা একটি বাধা হতে পারে। একটি মাল্টি-এজেন্ট সিস্টেমের সাথে, আপনি তাদের নির্দিষ্ট চাহিদার উপর ভিত্তি করে পৃথক এজেন্টদের স্কেল করতে পারেন। উদাহরণস্বরূপ, যদি একজন এজেন্ট প্রচুর পরিমাণে অনুরোধ পরিচালনা করে, তাহলে আপনি সিস্টেমের বাকি অংশকে প্রভাবিত না করে সহজেই সেই এজেন্টের আরও বেশি ঘটনা ঘোরাতে পারবেন।

টিম স্পেশালাইজেশন : এটিকে এভাবে ভাবুন: আপনি একজন ইঞ্জিনিয়ারকে স্ক্র্যাচ থেকে একটি সম্পূর্ণ অ্যাপ্লিকেশন তৈরি করতে বলবেন না। পরিবর্তে, আপনি বিশেষজ্ঞদের একটি দলকে একত্রিত করুন, প্রত্যেকে একটি নির্দিষ্ট ক্ষেত্রে দক্ষতা সহ। একইভাবে, একটি মাল্টি-এজেন্ট সিস্টেম আপনাকে বিভিন্ন এলএলএম এবং সরঞ্জামগুলির শক্তিগুলি উপার্জন করতে দেয়, তাদের নির্দিষ্ট কাজের জন্য সবচেয়ে উপযুক্ত উপযুক্ত এজেন্টগুলিকে নিয়োগ করে।

সমান্তরাল বিকাশ : বিভিন্ন দলগুলি বিকাশের প্রক্রিয়াটিকে দ্রুততর করে একই সাথে বিভিন্ন এজেন্টদের উপর কাজ করতে পারে। যেহেতু এজেন্টরা স্বাধীন, তাই একজন এজেন্টের পরিবর্তনগুলি অন্যান্য এজেন্টদের প্রভাবিত করার সম্ভাবনা কম।

ইভেন্ট চালিত আর্কিটেকচার

এই এজেন্টদের মধ্যে কার্যকর যোগাযোগ এবং সমন্বয় সক্ষম করতে, আমরা একটি ইভেন্ট-চালিত আর্কিটেকচার নিয়োগ করব। এর অর্থ হ'ল এজেন্টরা সিস্টেমের মধ্যে ঘটে যাওয়া "ইভেন্টগুলি" প্রতিক্রিয়া জানাবে।

এজেন্টরা নির্দিষ্ট ইভেন্টের ধরণের সাবস্ক্রাইব করে (যেমন, "শিক্ষণ পরিকল্পনা উত্পন্ন," "অ্যাসাইনমেন্ট তৈরি")। যখন কোনও ইভেন্ট ঘটে তখন প্রাসঙ্গিক এজেন্টদের অবহিত করা হয় এবং সে অনুযায়ী প্রতিক্রিয়া জানাতে পারে। এই ডিকোপলিং নমনীয়তা, স্কেলাবিলিটি এবং রিয়েল-টাইম প্রতিক্রিয়াশীলতার প্রচার করে।

এখন, জিনিসগুলি বন্ধ করার জন্য, আমাদের এই ইভেন্টগুলি সম্প্রচারের একটি উপায় প্রয়োজন। এটি করার জন্য, আমরা একটি পাব/সাব বিষয় সেট আপ করব। আসুন প্ল্যান নামে একটি বিষয় তৈরি করে শুরু করা যাক।

Google গুগল ক্লাউড কনসোল পাব/সাব যান এবং "বিষয় তৈরি করুন" বোতামে ক্লিক করুন।

- আইডি/নাম plan সাথে বিষয়টিকে কনফিগার করুন এবং আনচেক Add a default subscription , ডিফল্ট হিসাবে বিশ্রাম ছেড়ে দিন এবং তৈরি ক্লিক করুন।

পাব/উপ পৃষ্ঠাটি রিফ্রেশ করবে এবং আপনার এখন আপনার নতুন তৈরি করা বিষয়টিকে টেবিলে তালিকাভুক্ত করা উচিত।

এখন, আসুন আমরা আমাদের পরিকল্পনাকারী এজেন্টের সাথে পাব/সাব ইভেন্ট প্রকাশের কার্যকারিতা সংহত করি। আমরা একটি নতুন সরঞ্জাম যুক্ত করব যা আমরা সবেমাত্র তৈরি করা পাব/সাব বিষয়টিতে একটি "পরিকল্পনা" ইভেন্ট প্রেরণ করে। এই ইভেন্টটি সিস্টেমের অন্যান্য এজেন্টদের (যেমন শিক্ষার্থীদের পোর্টালের মতো) সংকেত দেবে যে একটি নতুন শিক্ষণ পরিকল্পনা উপলব্ধ।

Well ক্লাউড কোড সম্পাদকটিতে ফিরে যান এবং planner ফোল্ডারে অবস্থিত app.py ফাইলটি খুলুন। আমরা ইভেন্টটি প্রকাশ করে এমন একটি ফাংশন যুক্ত করব। প্রতিস্থাপন:

##ADD SEND PLAN EVENT FUNCTION HERE

সঙ্গে

def send_plan_event(teaching_plan:str):
    """
    Send the teaching event to the topic called plan
    
    Args:
        teaching_plan: teaching plan
    """
    publisher = pubsub_v1.PublisherClient()
    print(f"-------------> Sending event to topic plan: {teaching_plan}")
    topic_path = publisher.topic_path(PROJECT_ID, "plan")

    message_data = {"teaching_plan": teaching_plan} 
    data = json.dumps(message_data).encode("utf-8") 

    future = publisher.publish(topic_path, data)

    return f"Published message ID: {future.result()}"

• SEND_PLAN_EVENT : এই ফাংশনটি উত্পন্ন শিক্ষণ পরিকল্পনাটিকে ইনপুট হিসাবে গ্রহণ করে, একটি পাব/সাব প্রকাশক ক্লায়েন্ট তৈরি করে, বিষয় পথটি তৈরি করে, শিক্ষার পরিকল্পনাটিকে একটি জেএসএন স্ট্রিংয়ে রূপান্তর করে, বার্তাটি বিষয়টিতে প্রকাশ করে।
• সরঞ্জামগুলির তালিকা : send_plan_event ফাংশনটি সরঞ্জাম তালিকায় যুক্ত করা হয়েছে, এটি এজেন্টকে ব্যবহারের জন্য উপলব্ধ করে।

এবং একই ফোল্ডারের অধীনে, app.py ফাইলটিতে এজেন্টকে শিক্ষণ পরিকল্পনা তৈরি করার পরে পিউবি/সাব বিষয়টিতে পাঠদানের পরিকল্পনা ইভেন্টটি প্রেরণের নির্দেশ দেওয়ার জন্য প্রম্পটটি। প্রতিস্থাপন করুন

### ADD send_plan_event CALL

নিম্নলিখিত সঙ্গে:

send_plan_event(teaching_plan)

SEND_PLAN_EVENT সরঞ্জাম যুক্ত করে এবং প্রম্পটটি সংশোধন করে আমরা আমাদের পরিকল্পনাকারী এজেন্টকে পাব/সাব এ ইভেন্টগুলি প্রকাশ করতে সক্ষম করেছি, আমাদের সিস্টেমের অন্যান্য উপাদানগুলিকে নতুন শিক্ষণ পরিকল্পনা তৈরির প্রতিক্রিয়া জানাতে সক্ষম করে। আমাদের এখন নিম্নলিখিত বিভাগগুলিতে একটি কার্যকরী বহু-এজেন্ট সিস্টেম থাকবে।

10। অন-ডিমান্ড কুইজ সহ শিক্ষার্থীদের ক্ষমতায়িত করা

এমন একটি শিক্ষার পরিবেশের কল্পনা করুন যেখানে শিক্ষার্থীরা তাদের নির্দিষ্ট শেখার পরিকল্পনার অনুসারে কুইজের অন্তহীন সরবরাহের অ্যাক্সেস পায়। এই কুইজগুলি উত্তর এবং ব্যাখ্যা সহ তাত্ক্ষণিক প্রতিক্রিয়া সরবরাহ করে, উপাদানগুলির আরও গভীর বোঝার উত্সাহ দেয়। এটি আমাদের এআই-চালিত কুইজ পোর্টালের সাথে আনলক করার লক্ষ্য আমাদের লক্ষ্য।

এই দৃষ্টিভঙ্গিকে প্রাণবন্ত করার জন্য, আমরা একটি কুইজ প্রজন্মের উপাদান তৈরি করব যা শিক্ষণ পরিকল্পনার সামগ্রীর ভিত্তিতে একাধিক-পছন্দ প্রশ্ন তৈরি করতে পারে।

Clad ক্লাউড কোড সম্পাদকের এক্সপ্লোরার ফলকে portal ফোল্ডারে নেভিগেট করুন। quiz.py ফাইলটি খুলুন এবং ফাইলের শেষে নিম্নলিখিত কোডটি পেস্ট করুন।

def generate_quiz_question(file_name: str, difficulty: str, region:str ):
    """Generates a single multiple-choice quiz question using the LLM.
   
    ```json
    {
      "question": "The question itself",
      "options": ["Option A", "Option B", "Option C", "Option D"],
      "answer": "The correct answer letter (A, B, C, or D)"
    }
    ```
    """

    print(f"region: {region}")
    # Connect to resourse needed from Google Cloud
    llm = VertexAI(model_name="gemini-1.5-pro", location=region)


    plan=None
    #load the file using file_name and read content into string call plan
    with open(file_name, 'r') as f:
        plan = f.read()

    parser = JsonOutputParser(pydantic_object=QuizQuestion)


    instruction = f"You'll provide one question with difficulty level of {difficulty}, 4 options as multiple choices and provide the anwsers, the quiz needs to be related to the teaching plan {plan}"

    prompt = PromptTemplate(
        template="Generates a single multiple-choice quiz question\n {format_instructions}\n  {instruction}\n",
        input_variables=["instruction"],
        partial_variables={"format_instructions": parser.get_format_instructions()},
    )
    
    chain = prompt | llm | parser
    response = chain.invoke({"instruction": instruction})

    print(f"{response}")
    return  response

এজেন্টে এটি একটি জেএসএন আউটপুট পার্সার তৈরি করে যা এলএলএমের আউটপুটটি বোঝার এবং গঠনের জন্য বিশেষভাবে ডিজাইন করা হয়েছে। এটি পার্সড আউটপুটটি সঠিক ফর্ম্যাট (প্রশ্ন, বিকল্পগুলি এবং উত্তর) এর সাথে সামঞ্জস্য করে তা নিশ্চিত করতে আমরা আগে সংজ্ঞায়িত QuizQuestion মডেলটি ব্যবহার করি।

ভার্চুয়াল পরিবেশ সেট আপ করতে, নির্ভরতা ইনস্টল করতে এবং এজেন্ট শুরু করার জন্য টার্মিনালে নিম্নলিখিত কমান্ডগুলি পরীক্ষা করুন:

cd ~/aidemy-bootstrap/portal/
python -m venv env
source env/bin/activate
pip install -r requirements.txt
python app.py

চলমান অ্যাপ্লিকেশনটি অ্যাক্সেস করতে ক্লাউড শেল এর ওয়েব পূর্বরূপ বৈশিষ্ট্যটি ব্যবহার করুন। শীর্ষ নেভিগেশন বারে বা সূচক পৃষ্ঠায় কার্ড থেকে "কুইজেস" লিঙ্কটিতে ক্লিক করুন। শিক্ষার্থীর জন্য আপনার তিনটি এলোমেলোভাবে উত্পন্ন কুইজ প্রদর্শিত দেখতে হবে। এই কুইজগুলি শিক্ষণ পরিকল্পনার উপর ভিত্তি করে এবং আমাদের এআই-চালিত কুইজ জেনারেশন সিস্টেমের শক্তি প্রদর্শন করে।

আপনি আবার app.py স্ক্রিপ্ট চালানোর চেষ্টা করার আগে কমপক্ষে এক মিনিট বা আরও অপেক্ষা করুন! এটি কারণ ওয়ার্কশপের বিলিং অ্যাকাউন্টে কিছু কোটা সীমা রয়েছে। আমরা এই সীমাগুলি আঘাত করা এড়াতে অনুরোধগুলির মধ্যে সিস্টেমটিকে একটু শ্বাস প্রশ্বাসের ঘর দিতে চাই। সাধারণ পরিস্থিতিতে আপনার অপেক্ষা করার দরকার নেই।

স্থানীয়ভাবে চলমান প্রক্রিয়াটি বন্ধ করতে, টার্মিনালে Ctrl+C টিপুন।

মিথুন 2 ব্যাখ্যা জন্য চিন্তা

ঠিক আছে, সুতরাং আমরা কুইজ পেয়েছি, যা দুর্দান্ত শুরু! তবে শিক্ষার্থীরা যদি কিছু ভুল করে তবে কী হবে? আসল শিক্ষাটি সেখানেই ঘটে, তাই না? যদি আমরা তাদের উত্তরটি কেন বন্ধ ছিল এবং কীভাবে সঠিকটিতে যেতে হবে তা যদি আমরা ব্যাখ্যা করতে পারি তবে তারা এটি মনে রাখার সম্ভাবনা বেশি। এছাড়াও, এটি কোনও বিভ্রান্তি পরিষ্কার করতে এবং তাদের আত্মবিশ্বাস বাড়াতে সহায়তা করে।

এজন্য আমরা বড় বন্দুক আনতে যাচ্ছি: জেমিনি 2 এর "চিন্তাভাবনা" মডেল! এআইকে ব্যাখ্যা করার আগে জিনিসগুলি ভাবার জন্য কিছুটা অতিরিক্ত সময় দেওয়ার মতো ভাবুন। এটি এটি আরও বিশদ এবং আরও ভাল প্রতিক্রিয়া জানাতে দেয়।

আমরা দেখতে চাই যে এটি শিক্ষার্থীদের বিশদভাবে সহায়তা, উত্তর এবং ব্যাখ্যা করে সহায়তা করতে পারে কিনা। এটি পরীক্ষা করার জন্য, আমরা একটি কুখ্যাতভাবে জটিল বিষয়, ক্যালকুলাস দিয়ে শুরু করব।

ফার্স্ট, ক্লাউড কোড সম্পাদকের দিকে রওনা করুন, portal ফোল্ডারের অভ্যন্তরে answer.py

def answer_thinking(question, options, user_response, answer, region):
    return ""

নিম্নলিখিত কোড স্নিপেট সহ:

def answer_thinking(question, options, user_response, answer, region):
    try:
        llm = VertexAI(model_name="gemini-2.0-flash-001",location=region)
        
        input_msg = HumanMessage(content=[f"Here the question{question}, here are the available options {options}, this student's answer {user_response}, whereas the correct answer is {answer}"])
        prompt_template = ChatPromptTemplate.from_messages(
            [
                SystemMessage(
                    content=(
                        "You are a helpful teacher trying to teach the student on question, you were given the question and a set of multiple choices "
                        "what's the correct answer. use friendly tone"
                    )
                ),
                input_msg,
            ]
        )

        prompt = prompt_template.format()
        
        response = llm.invoke(prompt)
        print(f"response: {response}")

        return response
    except Exception as e:
        print(f"Error sending message to chatbot: {e}") # Log this error too!
        return f"Unable to process your request at this time. Due to the following reason: {str(e)}"



if __name__ == "__main__":
    question = "Evaluate the limit: lim (x→0) [(sin(5x) - 5x) / x^3]"
    options = ["A) -125/6", "B) -5/3 ", "C) -25/3", "D) -5/6"]
    user_response = "B"
    answer = "A"
    region = "us-central1"
    result = answer_thinking(question, options, user_response, answer, region)

এটি একটি খুব সাধারণ ল্যাংচেইন অ্যাপ্লিকেশন যেখানে এটি জেমিনি 2 ফ্ল্যাশ মডেলকে সূচনা করে, যেখানে আমরা এটিকে সহায়ক শিক্ষক হিসাবে কাজ করার এবং ব্যাখ্যা সরবরাহ করার জন্য নির্দেশ দিচ্ছি

- টার্মিনালে নিম্নলিখিত কমান্ডটি পরীক্ষা করুন:

cd ~/aidemy-bootstrap/portal/
python answer.py

আপনার মূল নির্দেশাবলীতে প্রদত্ত উদাহরণের অনুরূপ আউটপুট দেখতে হবে। বর্তমান মডেলটি ব্যাখ্যার মাধ্যমে সরবরাহ করতে পারে না।

Okay, I see the question and the choices. The question is to evaluate the limit:

lim (x→0) [(sin(5x) - 5x) / x^3]

You chose option B, which is -5/3, but the correct answer is A, which is -125/6.

It looks like you might have missed a step or made a small error in your calculations. This type of limit often involves using L'Hôpital's Rule or Taylor series expansion. Since we have the form 0/0, L'Hôpital's Rule is a good way to go! You need to apply it multiple times. Alternatively, you can use the Taylor series expansion of sin(x) which is:
sin(x) = x - x^3/3! + x^5/5! - ...
So, sin(5x) = 5x - (5x)^3/3! + (5x)^5/5! - ...
Then,  (sin(5x) - 5x) = - (5x)^3/3! + (5x)^5/5! - ...
Finally, (sin(5x) - 5x) / x^3 = - 5^3/3! + (5^5 * x^2)/5! - ...
Taking the limit as x approaches 0, we get -125/6.

Keep practicing, you'll get there!

উত্তর.পি ফাইলে, gemini-2.0-flash-001 থেকে gemini-2.0-flash-thinking-exp-01-21 থেকে উত্তর_চক্র ফাংশনে মডেল_নামটি প্রতিস্থাপন করুন।

এটি এলএলএমকে আরও বেশি কারণ হিসাবে পরিবর্তন করে, যা এটি আরও ভাল ব্যাখ্যা তৈরি করতে সহায়তা করবে। এবং এটি আবার চালান।

আপনি answer.py চালানোর চেষ্টা করার আগে আবার স্ক্রিপ্টটি আবারও কমপক্ষে এক মিনিট বা আরও অপেক্ষা করুন! এটি কারণ ওয়ার্কশপের বিলিং অ্যাকাউন্টে কিছু কোটা সীমা রয়েছে। আমরা এই সীমাগুলি আঘাত করা এড়াতে অনুরোধগুলির মধ্যে সিস্টেমটিকে একটু শ্বাস প্রশ্বাসের ঘর দিতে চাই। সাধারণ পরিস্থিতিতে আপনার অপেক্ষা করার দরকার নেই।

নতুন চিন্তাভাবনা মডেলটি পরীক্ষা করার জন্য:

cd ~/aidemy-bootstrap/portal/
source env/bin/activate
python answer.py

এখানে চিন্তাভাবনা মডেলটির প্রতিক্রিয়ার একটি উদাহরণ যা আরও বেশি পুঙ্খানুপুঙ্খ এবং বিশদযুক্ত, কীভাবে ক্যালকুলাস সমস্যাটি সমাধান করতে পারে তার একটি ধাপে ধাপে ব্যাখ্যা সরবরাহ করে। এটি উচ্চ-মানের ব্যাখ্যা তৈরিতে "চিন্তাভাবনা" মডেলগুলির শক্তি হাইলাইট করে। আপনি এই অনুরূপ আউটপুট দেখতে হবে:

Hey there! Let's take a look at this limit problem together. You were asked to evaluate:

lim (x→0) [(sin(5x) - 5x) / x^3]

and you picked option B, -5/3, but the correct answer is actually A, -125/6. Let's figure out why!

It's a tricky one because if we directly substitute x=0, we get (sin(0) - 0) / 0^3 = (0 - 0) / 0 = 0/0, which is an indeterminate form. This tells us we need to use a more advanced technique like L'Hopital's Rule or Taylor series expansion.

Let's use the Taylor series expansion for sin(y) around y=0. Do you remember it?  It looks like this:

sin(y) = y - y^3/3! + y^5/5! - ...
where 3! (3 factorial) is 3 × 2 × 1 = 6, 5! is 5 × 4 × 3 × 2 × 1 = 120, and so on.

In our problem, we have sin(5x), so we can substitute y = 5x into the Taylor series:

sin(5x) = (5x) - (5x)^3/3! + (5x)^5/5! - ...
sin(5x) = 5x - (125x^3)/6 + (3125x^5)/120 - ...

Now let's plug this back into our limit expression:

[(sin(5x) - 5x) / x^3] =  [ (5x - (125x^3)/6 + (3125x^5)/120 - ...) - 5x ] / x^3
Notice that the '5x' and '-5x' cancel out!  So we are left with:
= [ - (125x^3)/6 + (3125x^5)/120 - ... ] / x^3
Now, we can divide every term in the numerator by x^3:
= -125/6 + (3125x^2)/120 - ...

Finally, let's take the limit as x approaches 0.  As x gets closer and closer to zero, terms with x^2 and higher powers will become very, very small and approach zero.  So, we are left with:
lim (x→0) [ -125/6 + (3125x^2)/120 - ... ] = -125/6

Therefore, the correct answer is indeed **A) -125/6**.

It seems like your answer B, -5/3, might have come from perhaps missing a factor somewhere during calculation or maybe using an incorrect simplification. Double-check your steps when you were trying to solve it!

Don't worry, these limit problems can be a bit tricky sometimes! Keep practicing and you'll get the hang of it.  Let me know if you want to go through another similar example or if you have any more questions! 😊


Now that we have confirmed it works, let's use the portal.

News answer.py থেকে নিম্নলিখিত পরীক্ষার কোডটি সরান :

if __name__ == "__main__":
    question = "Evaluate the limit: lim (x→0) [(sin(5x) - 5x) / x^3]"
    options = ["A) -125/6", "B) -5/3 ", "C) -25/3", "D) -5/6"]
    user_response = "B"
    answer = "A"
    region = "us-central1"
    result = answer_thinking(question, options, user_response, answer, region)

ভার্চুয়াল পরিবেশ সেট আপ করতে, নির্ভরতা ইনস্টল করতে এবং এজেন্ট শুরু করার জন্য টার্মিনালে নিম্নলিখিত কমান্ডগুলি পরীক্ষা করুন:

cd ~/aidemy-bootstrap/portal/
source env/bin/activate
python app.py

Collowing চলমান অ্যাপ্লিকেশনটি অ্যাক্সেস করতে ক্লাউড শেলের ওয়েব পূর্বরূপ বৈশিষ্ট্যটি ব্যবহার করুন। "কুইজস" লিঙ্কটিতে ক্লিক করুন, সমস্ত কুইজের উত্তর দিন এবং কমপক্ষে একটি উত্তর ভুল পান এবং জমা দিন ক্লিক করুন

প্রতিক্রিয়াটির জন্য অপেক্ষা করার সময় ফাঁকাভাবে ঘুরে দেখার চেয়ে ক্লাউড সম্পাদকের টার্মিনালে স্যুইচ করুন। আপনি এমুলেটরের টার্মিনালে আপনার ফাংশন দ্বারা উত্পন্ন অগ্রগতি এবং যে কোনও আউটপুট বা ত্রুটি বার্তাগুলি পর্যবেক্ষণ করতে পারেন। 😁

দয়া করে সচেতন হন যে চিন্তাভাবনা মডেল থেকে ফলাফল পেতে প্রতিটি ভুল প্রশ্নের জন্য 1 মিনিট সময় নিতে পারে। এটি ওয়ার্কশপের বিলিং অ্যাকাউন্ট দ্বারা আরোপিত কোটা সীমাবদ্ধতার কারণে। সাধারণ পরিস্থিতিতে আপনি এই জাতীয় বিলম্বের অভিজ্ঞতা পাবেন না

স্থানীয়ভাবে চলমান প্রক্রিয়াটি বন্ধ করতে, টার্মিনালে Ctrl+C টিপুন।

11। ইভেন্টার্কের সাথে এজেন্টদের অর্কেস্ট্রেটিং

এখনও অবধি, শিক্ষার্থীদের পোর্টালটি শিক্ষার পরিকল্পনার একটি ডিফল্ট সেটের ভিত্তিতে কুইজ তৈরি করছে। এটি সহায়ক, তবে এর অর্থ আমাদের পরিকল্পনাকারী এজেন্ট এবং পোর্টালের কুইজ এজেন্ট সত্যই একে অপরের সাথে কথা বলছে না। মনে রাখবেন কীভাবে আমরা সেই বৈশিষ্ট্যটি যুক্ত করেছি যেখানে পরিকল্পনাকারী এজেন্ট তার নতুন উত্পন্ন শিক্ষার পরিকল্পনাগুলি একটি পাব/সাব বিষয়টিতে প্রকাশ করে? এখন সময় এসেছে এটি আমাদের পোর্টাল এজেন্টের সাথে সংযুক্ত করার!

আমরা চাই পোর্টালটি যখনই কোনও নতুন শিক্ষণ পরিকল্পনা তৈরি করা হয় তখন তার কুইজ সামগ্রীটি স্বয়ংক্রিয়ভাবে আপডেট করবে। এটি করার জন্য, আমরা পোর্টালে একটি শেষ পয়েন্ট তৈরি করব যা এই নতুন পরিকল্পনাগুলি গ্রহণ করতে পারে।

Clad ক্লাউড কোড সম্পাদকের এক্সপ্লোরার ফলকে portal ফোল্ডারে নেভিগেট করুন। সম্পাদনার জন্য app.py ফাইলটি খুলুন। ## এর মধ্যে ফলো কোড যুক্ত করুন আপনার কোডটি এখানে যুক্ত করুন :

## Add your code here

@app.route('/new_teaching_plan', methods=['POST'])
def new_teaching_plan():
    try:
       
        # Get data from Pub/Sub message delivered via Eventarc
        envelope = request.get_json()
        if not envelope:
            return jsonify({'error': 'No Pub/Sub message received'}), 400

        if not isinstance(envelope, dict) or 'message' not in envelope:
            return jsonify({'error': 'Invalid Pub/Sub message format'}), 400

        pubsub_message = envelope['message']
        print(f"data: {pubsub_message['data']}")

        data = pubsub_message['data']
        data_str = base64.b64decode(data).decode('utf-8')
        data = json.loads(data_str)

        teaching_plan = data['teaching_plan']

        print(f"File content: {teaching_plan}")

        with open("teaching_plan.txt", "w") as f:
            f.write(teaching_plan)

        print(f"Teaching plan saved to local file: teaching_plan.txt")

        return jsonify({'message': 'File processed successfully'})


    except Exception as e:
        print(f"Error processing file: {e}")
        return jsonify({'error': 'Error processing file'}), 500
## Add your code here

পুনর্নির্মাণ এবং ক্লাউড রান মোতায়েন করা

ঠিক আছে! ক্লাউড রান করার জন্য আপনাকে আমাদের পরিকল্পনাকারী এবং পোর্টাল এজেন্ট উভয়কে আপডেট এবং পুনরায় নিয়োগ করতে হবে। এটি নিশ্চিত করে যে তাদের সর্বশেষতম কোড রয়েছে এবং ইভেন্টগুলির মাধ্যমে যোগাযোগের জন্য কনফিগার করা হয়েছে।

Next আমরা টার্মিনাল রানে ফিরে আমরা পুনর্নির্মাণ করব এবং পরিকল্পনাকারী এজেন্টের চিত্রটি ধাক্কা দেব:

cd ~/aidemy-bootstrap/planner/
export PROJECT_ID=$(gcloud config get project)
docker build -t gcr.io/${PROJECT_ID}/aidemy-planner .
export PROJECT_ID=$(gcloud config get project)
docker tag gcr.io/${PROJECT_ID}/aidemy-planner us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-planner
docker push us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-planner

আমরা একই কাজ করব, পোর্টাল এজেন্টের চিত্রটি তৈরি করব এবং ধাক্কা দেব:

cd ~/aidemy-bootstrap/portal/
export PROJECT_ID=$(gcloud config get project)
docker build -t gcr.io/${PROJECT_ID}/aidemy-portal .
export PROJECT_ID=$(gcloud config get project)
docker tag gcr.io/${PROJECT_ID}/aidemy-portal us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-portal
docker push us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-portal

আর্টিফ্যাক্ট রেজিস্ট্রিতে , আপনার তালিকাভুক্ত aidemy-planner এবং aidemy-portal ধারক চিত্র উভয়ই দেখতে হবে।

Termin টার্মিনালে ব্যাক, প্ল্যানার এজেন্টের জন্য ক্লাউড রান চিত্র আপডেট করতে এটি চালান:

export PROJECT_ID=$(gcloud config get project)
gcloud run services update aidemy-planner \
    --region=us-central1 \
    --image=us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-planner:latest

আপনি এই অনুরূপ আউটপুট দেখতে হবে:

OK Deploying... Done.                                                                                                                                                     
  OK Creating Revision...                                                                                                                                                 
  OK Routing traffic...                                                                                                                                                   
Done.                                                                                                                                                                     
Service [aidemy-planner] revision [aidemy-planner-xxxxx] has been deployed and is serving 100 percent of traffic.
Service URL: https://aidemy-planner-xxx.us-central1.run.app

পরিষেবা URL এর নোট করুন; এটি আপনার মোতায়েন করা পরিকল্পনাকারী এজেন্টের লিঙ্ক।

পোর্টাল এজেন্টের জন্য ক্লাউড রান উদাহরণ তৈরি করতে এটি রুন

export PROJECT_ID=$(gcloud config get project)
gcloud run deploy aidemy-portal \
  --image=us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-portal:latest \
  --region=us-central1 \
  --platform=managed \
  --allow-unauthenticated \
  --memory=2Gi \
  --cpu=2 \
  --set-env-vars=GOOGLE_CLOUD_PROJECT=${PROJECT_ID}

আপনি এই অনুরূপ আউটপুট দেখতে হবে:

Deploying container to Cloud Run service [aidemy-portal] in project [xxxx] region [us-central1]
OK Deploying new service... Done.                                                                                                                                         
  OK Creating Revision...                                                                                                                                                 
  OK Routing traffic...                                                                                                                                                   
  OK Setting IAM Policy...                                                                                                                                                
Done.                                                                                                                                                                     
Service [aidemy-portal] revision [aidemy-portal-xxxx] has been deployed and is serving 100 percent of traffic.
Service URL: https://aidemy-portal-xxxx.us-central1.run.app

পরিষেবা URL এর নোট করুন; এটি আপনার মোতায়েন করা শিক্ষার্থী পোর্টালের লিঙ্ক।

ইভেন্টার্ক ট্রিগার তৈরি করা

তবে এখানে বড় প্রশ্ন: পাব/সাব টপিকটিতে কোনও নতুন পরিকল্পনা অপেক্ষা করার সময় এই শেষ পয়েন্টটি কীভাবে অবহিত হবে? সেখানেই ঘটনার দিকে দিনটি বাঁচাতে!

ইভেন্টার্ক একটি সেতু হিসাবে কাজ করে, নির্দিষ্ট ইভেন্টগুলি (যেমন আমাদের পাব/সাব টপিকটিতে আগত একটি নতুন বার্তার মতো) শুনছে এবং প্রতিক্রিয়াতে স্বয়ংক্রিয়ভাবে ক্রিয়াকলাপকে ট্রিগার করে। আমাদের ক্ষেত্রে, এটি সনাক্ত করবে যখন একটি নতুন শিক্ষণ পরিকল্পনা প্রকাশিত হবে এবং তারপরে আমাদের পোর্টালের শেষ পয়েন্টে একটি সংকেত প্রেরণ করবে, এটি জানাতে যে এটি আপডেট করার সময় এসেছে।

ইভেন্ট্ক ইভেন্ট-চালিত যোগাযোগ পরিচালনা করার সাথে সাথে আমরা আমাদের পরিকল্পনাকারী এজেন্ট এবং পোর্টাল এজেন্টকে নির্বিঘ্নে সংযুক্ত করতে পারি, সত্যিকারের গতিশীল এবং প্রতিক্রিয়াশীল শিক্ষার ব্যবস্থা তৈরি করতে পারি। এটি এমন একটি স্মার্ট মেসেঞ্জার থাকার মতো যা স্বয়ংক্রিয়ভাবে সর্বশেষ পাঠের পরিকল্পনাগুলি সঠিক জায়গায় সরবরাহ করে!

কনসোলের দিকে ইভেন্টকার্কের দিকে।

- "+ ট্রিগার তৈরি করুন" বোতামটি ক্লিক করুন।

ট্রিগার (বেসিক) কনফিগার করুন:

• ট্রিগার নাম: plan-topic-trigger
• ট্রিগার প্রকার: গুগল উত্স।
• ইভেন্ট প্রোভাইডওয়ে: ক্লাউড পাব/সাব
• ইভেন্টের ধরণ: google.cloud.pubsub.topic.v1.messagePublished
• অঞ্চল: us-central1 ।
• ক্লাউড পাব/সাব টোপোক: plan নির্বাচন করুন
• ভূমিকা roles/iam.serviceAccountTokenCreator সহ পরিষেবা অ্যাকাউন্টটি মঞ্জুর করুন
• ইভেন্টের গন্তব্য: ক্লাউড রান
• ক্লাউড রান পরিষেবা: এইডেমি-পোর্টাল
• পরিষেবা ইউআরএল পাথ: /new_teaching_plan
• বার্তা উপেক্ষা করুন ('অবস্থানগুলি/এমই-সেন্ট্রাল 2' তে অনুমতি অস্বীকার (বা এটি বিদ্যমান নাও থাকতে পারে)))

"তৈরি করুন" এ ক্লিক করুন।

ট্রিগার তৈরির সময় আপনি প্রাথমিক ব্যর্থতার মুখোমুখি হতে পারেন। এটি প্রায়শই আইএএম ভূমিকা প্রচারের বিলম্বের কারণে ঘটে। প্রয়োজনীয় অনুমতিগুলি পুরোপুরি কার্যকর হওয়ার জন্য কয়েক মিনিট অপেক্ষা করুন, তারপরে ট্রিগারটি তৈরি করার চেষ্টা করুন।

ইভেন্টার্ক ট্রিগার পৃষ্ঠাটি রিফ্রেশ করবে এবং আপনার এখন আপনার নতুন তৈরি ট্রিগারটি টেবিলে তালিকাভুক্ত দেখতে হবে।

এখন, পরিকল্পনাকারীকে অ্যাক্সেস করুন এবং একটি নতুন শিক্ষণ পরিকল্পনার জন্য অনুরোধ করুন। এই সময় 5 বছর চেষ্টা করুন, অ্যাড-না অনুরোধ atoms সহ সাবজেক্ট science

আপনি যদি আপনার পরিকল্পনাকারী এজেন্টের অবস্থানটি ভুলে যান তবে এটি টার্মিনালে চালান

gcloud run services list --platform=managed --region=us-central1 --format='value(URL)' | grep planner

তারপরে, এক বা দুই মিনিট অপেক্ষা করুন, আবার এই ল্যাবটির বিলিং সীমাবদ্ধতার কারণে এই বিলম্বের পরিচয় দেওয়া হয়েছে, সাধারণ অবস্থার অধীনে, কোনও বিলম্ব হওয়া উচিত নয়।

অবশেষে, ছাত্র পোর্টাল অ্যাক্সেস। আপনার দেখতে হবে যে কুইজগুলি আপডেট করা হয়েছে এবং এখন আপনি সবেমাত্র তৈরি নতুন শিক্ষণ পরিকল্পনার সাথে একত্রিত হন! এটি এইডেমি সিস্টেমে ইভেন্টার্কের সফল সংহতকরণ প্রদর্শন করে!

আপনি যদি আপনার পোর্টাল এজেন্টের অবস্থানটি ভুলে যান তবে এটি টার্মিনালে চালান

gcloud run services list --platform=managed --region=us-central1 --format='value(URL)' | grep portal

অভিনন্দন! আপনি বর্ধিত স্কেলাবিলিটি এবং নমনীয়তার জন্য ইভেন্ট-চালিত আর্কিটেকচারকে উত্তোলন করে গুগল ক্লাউডে সফলভাবে একটি মাল্টি-এজেন্ট সিস্টেম তৈরি করেছেন! আপনি একটি শক্ত ভিত্তি স্থাপন করেছেন, তবে অন্বেষণ করার জন্য আরও অনেক কিছু রয়েছে। এই আর্কিটেকচারের আসল সুবিধাগুলি আরও গভীরভাবে আবিষ্কার করার জন্য, জেমিনি 2 এর মাল্টিমোডাল লাইভ এপিআইয়ের শক্তি আবিষ্কার করুন এবং কীভাবে ল্যাংগ্রাফের সাথে একক-পাথ অর্কেস্টেশন প্রয়োগ করতে হয় তা শিখুন, পরবর্তী দুটি অধ্যায়ে অবিরত নির্দ্বিধায়।

12। al চ্ছিক: মিথুনের সাথে অডিও পুনরুদ্ধার

জেমিনি বিভিন্ন উত্স থেকে যেমন পাঠ্য, চিত্র এবং এমনকি অডিও থেকে তথ্য বুঝতে এবং প্রক্রিয়া করতে পারে, শেখার এবং বিষয়বস্তু তৈরির জন্য সম্ভাবনার সম্পূর্ণ নতুন পরিসীমা উন্মুক্ত করে। মিথুনের "দেখুন," "শুনুন" এবং "রিড" করার দক্ষতা সত্যই সৃজনশীল এবং আকর্ষক ব্যবহারকারীর অভিজ্ঞতাগুলি আনলক করে।

কেবল ভিজ্যুয়াল বা পাঠ্য তৈরি করার বাইরে, শেখার আরেকটি গুরুত্বপূর্ণ পদক্ষেপ কার্যকর সংক্ষিপ্তকরণ এবং পুনরুদ্ধার। এটি সম্পর্কে চিন্তা করুন: আপনি পাঠ্যপুস্তকে যে কোনও কিছু পড়েছেন তার চেয়ে আপনি কতবার আকর্ষণীয় গানের লিরিক মনে করেন? শব্দ অবিশ্বাস্যভাবে স্মরণীয় হতে পারে! এজন্য আমরা আমাদের শিক্ষণ পরিকল্পনার অডিও পুনরুদ্ধার তৈরি করতে জেমিনির মাল্টিমোডাল সক্ষমতা অর্জন করতে যাচ্ছি। এটি শিক্ষার্থীদের শ্রুতিমধুর শিক্ষার শক্তির মাধ্যমে সম্ভাব্যভাবে ধরে রাখা এবং বোধগম্যতা বৃদ্ধির জন্য একটি সুবিধাজনক এবং আকর্ষণীয় উপায় সরবরাহ করবে।

উত্পন্ন অডিও ফাইলগুলি সঞ্চয় করার জন্য আমাদের একটি জায়গা দরকার। ক্লাউড স্টোরেজ একটি স্কেলযোগ্য এবং নির্ভরযোগ্য সমাধান সরবরাহ করে।

কনসোলে স্টোরেজে মাথা। বাম-হাতের মেনুতে "বালতি" এ ক্লিক করুন। শীর্ষে "+ তৈরি করুন" বোতামে ক্লিক করুন।

আপনার বালতি কনফিগার করুন:

• বালতি নাম: এইডেমি-রিক্যাপ- <অনন্য_নাম> গুরুত্বপূর্ণ : নিশ্চিত করুন যে আপনি একটি অনন্য বালতি নাম সংজ্ঞায়িত করেছেন যা " এইডেমি-রেকাপ- " দিয়ে শুরু হয়। আপনার ক্লাউড স্টোরেজ বালতি তৈরি করার সময় নামকরণ দ্বন্দ্ব এড়ানোর জন্য এই অনন্য নামটি গুরুত্বপূর্ণ।
• অঞ্চল: us-central1 ।
• স্টোরেজ ক্লাস: "স্ট্যান্ডার্ড"। স্ট্যান্ডার্ড প্রায়শই অ্যাক্সেস করা ডেটার জন্য উপযুক্ত।
• অ্যাক্সেস নিয়ন্ত্রণ: নির্বাচিত ডিফল্ট "ইউনিফর্ম অ্যাক্সেস কন্ট্রোল" ছেড়ে দিন। এটি ধারাবাহিক, বালতি স্তরের অ্যাক্সেস নিয়ন্ত্রণ সরবরাহ করে।
• উন্নত বিকল্পগুলি: এই কর্মশালার জন্য, ডিফল্ট সেটিংস সাধারণত যথেষ্ট। আপনার বালতি তৈরি করতে তৈরি বোতামটি ক্লিক করুন।

আপনি জনসাধারণের অ্যাক্সেস প্রতিরোধ সম্পর্কে একটি পপ আপ দেখতে পাবেন। বাক্সটি চেক করুন এবং Confirm ক্লিক করুন।

আপনি এখন বালতি তালিকায় আপনার নতুন তৈরি বালতি দেখতে পাবেন। আপনার বালতি নামটি মনে রাখবেন, আপনার এটি পরে দরকার।

Well ক্লাউড কোড সম্পাদকের টার্মিনালে, বালতিতে পরিষেবা অ্যাকাউন্টে অ্যাক্সেস দেওয়ার জন্য নিম্নলিখিত কমান্ডগুলি চালান:

export COURSE_BUCKET_NAME=$(gcloud storage buckets list --format="value(name)" | grep aidemy-recap)
export SERVICE_ACCOUNT_NAME=$(gcloud compute project-info describe --format="value(defaultServiceAccount)")
gcloud storage buckets add-iam-policy-binding gs://$COURSE_BUCKET_NAME \
    --member "serviceAccount:$SERVICE_ACCOUNT_NAME" \
    --role "roles/storage.objectViewer"

gcloud storage buckets add-iam-policy-binding gs://$COURSE_BUCKET_NAME \
    --member "serviceAccount:$SERVICE_ACCOUNT_NAME" \
    --role "roles/storage.objectCreator"

Well ক্লাউড কোড সম্পাদকটিতে, course ফোল্ডারের অভ্যন্তরে audio.py খুলুন। ফাইলের শেষে নিম্নলিখিত কোডটি আটকান:

config = LiveConnectConfig(
    response_modalities=["AUDIO"],
    speech_config=SpeechConfig(
        voice_config=VoiceConfig(
            prebuilt_voice_config=PrebuiltVoiceConfig(
                voice_name="Charon",
            )
        )
    ),
)

async def process_weeks(teaching_plan: str):
    region = "us-west1" #To workaround onRamp qouta limits
    client = genai.Client(vertexai=True, project=PROJECT_ID, location=region)
    
    clientAudio = genai.Client(vertexai=True, project=PROJECT_ID, location="us-central1")
    async with clientAudio.aio.live.connect(
        model=MODEL_ID,
        config=config,
    ) as session:
        for week in range(1, 4):  
            response = client.models.generate_content(
                model="gemini-1.0-pro",
                contents=f"Given the following teaching plan: {teaching_plan}, Extrace content plan for week {week}. And return just the plan, nothingh else  " # Clarified prompt
            )

            prompt = f"""
                Assume you are the instructor.  
                Prepare a concise and engaging recap of the key concepts and topics covered. 
                This recap should be suitable for generating a short audio summary for students. 
                Focus on the most important learnings and takeaways, and frame it as a direct address to the students.  
                Avoid overly formal language and aim for a conversational tone, tell a few jokes. 
                
                Teaching plan: {response.text} """
            print(f"prompt --->{prompt}")

            await session.send(input=prompt, end_of_turn=True)
            with open(f"temp_audio_week_{week}.raw", "wb") as temp_file:
                async for message in session.receive():
                    if message.server_content.model_turn:
                        for part in message.server_content.model_turn.parts:
                            if part.inline_data:
                                temp_file.write(part.inline_data.data)
                            
            data, samplerate = sf.read(f"temp_audio_week_{week}.raw", channels=1, samplerate=24000, subtype='PCM_16', format='RAW')
            sf.write(f"course-week-{week}.wav", data, samplerate)
        
            storage_client = storage.Client()
            bucket = storage_client.bucket(BUCKET_NAME)
            blob = bucket.blob(f"course-week-{week}.wav")  # Or give it a more descriptive name
            blob.upload_from_filename(f"course-week-{week}.wav")
            print(f"Audio saved to GCS: gs://{BUCKET_NAME}/course-week-{week}.wav")
    await session.close()

 
def breakup_sessions(teaching_plan: str):
    asyncio.run(process_weeks(teaching_plan))

• স্ট্রিমিং সংযোগ : প্রথমত, লাইভ এপিআই শেষ পয়েন্টের সাথে একটি অবিরাম সংযোগ স্থাপন করা হয়। আপনি একটি অনুরোধ প্রেরণ করেন এবং একটি প্রতিক্রিয়া পান এমন একটি স্ট্যান্ডার্ড এপিআই কলের বিপরীতে, এই সংযোগটি অবিচ্ছিন্ন ডেটা বিনিময় করার জন্য উন্মুক্ত থাকে।
• কনফিগারেশন মাল্টিমোডাল : আপনি কী ধরণের আউটপুট চান তা নির্দিষ্ট করার জন্য কনফিগারেশন ব্যবহার করুন (এই ক্ষেত্রে, অডিও) এবং আপনি কী পরামিতিগুলি ব্যবহার করতে চান তাও নির্দিষ্ট করতে পারেন (যেমন, ভয়েস নির্বাচন, অডিও এনকোডিং)
• অ্যাসিঙ্ক্রোনাস প্রসেসিং : এই এপিআই অ্যাসিনক্রোনালিভাবে কাজ করে, যার অর্থ অডিও প্রজন্মের সমাপ্তির জন্য অপেক্ষা করার সময় এটি মূল থ্রেডটি অবরুদ্ধ করে না। রিয়েল-টাইমে ডেটা প্রক্রিয়াকরণ করে এবং খণ্ডগুলিতে আউটপুট প্রেরণ করে এটি একটি নিকট-উদ্যোগী অভিজ্ঞতা সরবরাহ করে।

এখন, মূল প্রশ্নটি হ'ল: এই অডিও প্রজন্মের প্রক্রিয়াটি কখন চলবে? আদর্শভাবে, আমরা চাই যে নতুন শিক্ষণ পরিকল্পনা তৈরি হওয়ার সাথে সাথে অডিও রেক্যাপগুলি উপলব্ধ হোক। যেহেতু আমরা ইতিমধ্যে একটি পাব/সাব বিষয়কে শিক্ষণ পরিকল্পনা প্রকাশ করে একটি ইভেন্ট-চালিত আর্কিটেকচার বাস্তবায়ন করেছি, তাই আমরা কেবল সেই বিষয়টিতে সাবস্ক্রাইব করতে পারি।

যাইহোক, আমরা খুব প্রায়ই নতুন শিক্ষণ পরিকল্পনা তৈরি করি না। কোনও এজেন্ট ক্রমাগত দৌড়াদৌড়ি করা এবং নতুন পরিকল্পনার জন্য অপেক্ষা করা দক্ষ হবে না। এজন্য এটি ক্লাউড রান ফাংশন হিসাবে এই অডিও প্রজন্মের যুক্তিটি মোতায়েন করার জন্য সঠিক ধারণা তৈরি করে।

এটি একটি ফাংশন হিসাবে মোতায়েন করে, পাব/সাব টপিকটিতে একটি নতুন বার্তা প্রকাশিত না হওয়া পর্যন্ত এটি সুপ্ত থাকে। যখন এটি ঘটে, এটি স্বয়ংক্রিয়ভাবে ফাংশনটিকে ট্রিগার করে, যা অডিও পুনরুদ্ধার উত্পন্ন করে এবং আমাদের বালতিতে সংরক্ষণ করে।

course main.py এটি পরিকল্পনা গ্রহণ করে এবং অডিও রেকাপ প্রজন্মের সূচনা করে। ফাইলের শেষে নিম্নলিখিত কোড স্নিপেট যুক্ত করুন।

@functions_framework.cloud_event
def process_teaching_plan(cloud_event):
    print(f"CloudEvent received: {cloud_event.data}")
    time.sleep(60)
    try:
        if isinstance(cloud_event.data.get('message', {}).get('data'), str):  # Check for base64 encoding
            data = json.loads(base64.b64decode(cloud_event.data['message']['data']).decode('utf-8'))
            teaching_plan = data.get('teaching_plan') # Get the teaching plan
        elif 'teaching_plan' in cloud_event.data: # No base64
            teaching_plan = cloud_event.data["teaching_plan"]
        else:
            raise KeyError("teaching_plan not found") # Handle error explicitly

        #Load the teaching_plan as string and from cloud event, call audio breakup_sessions
        breakup_sessions(teaching_plan)

        return "Teaching plan processed successfully", 200

    except (json.JSONDecodeError, AttributeError, KeyError) as e:
        print(f"Error decoding CloudEvent data: {e} - Data: {cloud_event.data}")
        return "Error processing event", 500

    except Exception as e:
        print(f"Error processing teaching plan: {e}")
        return "Error processing teaching plan", 500

@ফাংশন_ফ্রেম ওয়ার্ক.ক্লাউড_এভেন্ট : এই ডেকরেটরটি ক্লাউডভেন্টস দ্বারা ট্রিগার করা হবে এমন ক্লাউড রান ফাংশন হিসাবে ফাংশনটিকে চিহ্নিত করে।

স্থানীয়ভাবে পরীক্ষা করা

আমরা এটি ভার্চুয়াল পরিবেশে চালাব এবং ক্লাউড রান ফাংশনের জন্য প্রয়োজনীয় পাইথন লাইব্রেরি ইনস্টল করব।

cd ~/aidemy-bootstrap/courses
export COURSE_BUCKET_NAME=$(gcloud storage buckets list --format="value(name)" | grep aidemy-recap)
python -m venv env
source env/bin/activate
pip install -r requirements.txt

- ক্লাউড রান ফাংশন এমুলেটর আমাদের গুগল ক্লাউডে স্থাপনের আগে স্থানীয়ভাবে আমাদের ফাংশনটি পরীক্ষা করার অনুমতি দেয়। চলমান দ্বারা একটি স্থানীয় এমুলেটর শুরু করুন:

functions-framework --target process_teaching_plan --signature-type=cloudevent --source main.py

- যখন এমুলেটরটি চলছে, আপনি প্রকাশিত হচ্ছে একটি নতুন শিক্ষণ পরিকল্পনা অনুকরণ করতে এমুলেটরটিতে টেস্ট ক্লাউডএভেন্টস প্রেরণ করতে পারেন। একটি নতুন টার্মিনালে:

আরুন:

  curl -X POST \
  http://localhost:8080/ \
  -H "Content-Type: application/json" \
  -H "ce-id: event-id-01" \
  -H "ce-source: planner-agent" \
  -H "ce-specversion: 1.0" \
  -H "ce-type: google.cloud.pubsub.topic.v1.messagePublished" \
  -d '{
    "message": {
      "data": "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"
    }
  }'

প্রতিক্রিয়াটির জন্য অপেক্ষা করার সময় ফাঁকাভাবে ঘুরে দেখার পরিবর্তে, অন্যান্য ক্লাউড শেল টার্মিনালে স্যুইচ করুন। আপনি এমুলেটরের টার্মিনালে আপনার ফাংশন দ্বারা উত্পন্ন অগ্রগতি এবং যে কোনও আউটপুট বা ত্রুটি বার্তাগুলি পর্যবেক্ষণ করতে পারেন। 😁

দয়া করে সচেতন হন যে ফলাফল ফিরে পেতে 2-3 মিনিট সময় নিতে পারে। এটি ওয়ার্কশপের বিলিং অ্যাকাউন্ট দ্বারা আরোপিত কোটা সীমাবদ্ধতার কারণে। সাধারণ পরিস্থিতিতে আপনি এই জাতীয় বিলম্বের অভিজ্ঞতা পাবেন না

২ য় টার্মিনালে ফিরে আপনার দেখতে হবে এটি OK ।

আপনি বালতিতে ডেটা যাচাই করবেন, ক্লাউড স্টোরেজে যান এবং "বালতি" ট্যাব নির্বাচন করুন এবং তারপরে aidemy-recap-xxx

এমুলেটর চলমান টার্মিনালে, প্রস্থান করতে ctrl+c টাইপ করুন। এবং দ্বিতীয় টার্মিনাল বন্ধ করুন। এবং দ্বিতীয় টার্মিনাল বন্ধ করুন। এবং ভার্চুয়াল পরিবেশ থেকে প্রস্থান করতে নিষ্ক্রিয় চালান।

deactivate

গুগল ক্লাউডে মোতায়েন করা

স্থানীয়ভাবে পরীক্ষার পরে, কোর্স এজেন্টকে গুগল ক্লাউডে স্থাপন করার সময় এসেছে। টার্মিনালে, এই কমান্ডগুলি চালান:

cd ~/aidemy-bootstrap/courses
export COURSE_BUCKET_NAME=$(gcloud storage buckets list --format="value(name)" | grep aidemy-recap)
gcloud functions deploy courses-agent \
  --region=us-central1 \
  --gen2 \
  --source=. \
  --runtime=python312 \
  --trigger-topic=plan \
  --entry-point=process_teaching_plan \
  --set-env-vars=GOOGLE_CLOUD_PROJECT=${PROJECT_ID},COURSE_BUCKET_NAME=$COURSE_BUCKET_NAME

গুগল ক্লাউড কনসোলে ক্লাউড রান করে মোতায়েন যাচাই করুন You আপনার কোর্স-এজেন্ট তালিকাভুক্ত একটি নতুন পরিষেবা দেখতে হবে।

ট্রিগার কনফিগারেশনটি পরীক্ষা করতে, এর বিশদটি দেখতে কোর্স-এজেন্ট পরিষেবাটিতে ক্লিক করুন। "ট্রিগার" ট্যাবে যান।

পরিকল্পনার বিষয়টিতে প্রকাশিত বার্তাগুলি শোনার জন্য আপনার কনফিগার করা একটি ট্রিগার দেখতে হবে।

অবশেষে, আসুন এটি শেষ অবধি চলমান দেখি।

Next, আমাদের পোর্টাল এজেন্টটি কনফিগার করতে হবে যাতে এটি উত্পন্ন অডিও ফাইলগুলি কোথায় পাওয়া যায় তা জানে। টার্মিনালে, চালান:

export COURSE_BUCKET_NAME=$(gcloud storage buckets list --format="value(name)" | grep aidemy-recap)
export PROJECT_ID=$(gcloud config get project)
gcloud run services update aidemy-portal \
    --region=us-central1 \
    --set-env-vars=GOOGLE_CLOUD_PROJECT=${PROJECT_ID},COURSE_BUCKET_NAME=$COURSE_BUCKET_NAME

পরিকল্পনাকারী এজেন্ট পৃষ্ঠায় একটি নতুন শিক্ষণ পরিকল্পনা তৈরি করা চেষ্টা করুন। এটি শুরু হতে কয়েক মিনিট সময় নিতে পারে, শঙ্কিত হবেন না, এটি একটি সার্ভারলেস পরিষেবা। আপনার পরিকল্পনাকারী এজেন্টের ইউআরএল পান (যদি আপনার কাছে এটি টার্মিনালে এটি পরিচালনা না করে):

gcloud run services list --platform=managed --region=us-central1 --format='value(URL)' | grep planner

নতুন পরিকল্পনা তৈরি করার পরে, অডিও উত্পন্ন হওয়ার জন্য 2-3 মিনিট অপেক্ষা করুন, আবার এই ল্যাব অ্যাকাউন্টের সাথে বিলিং সীমাবদ্ধতার কারণে আরও কয়েক মিনিট সময় লাগবে।

courses-agent ফাংশনটি ফাংশনের "ট্রিগারস" ট্যাবটি পরীক্ষা করে শিক্ষণ পরিকল্পনা পেয়েছে কিনা তা আপনি পর্যবেক্ষণ করতে পারেন। পর্যায়ক্রমে পৃষ্ঠাটি রিফ্রেশ করুন; আপনার শেষ পর্যন্ত দেখতে হবে যে ফাংশনটি আহ্বান করা হয়েছে। যদি 2 মিনিটের বেশি পরে ফাংশনটি আহ্বান না করা হয় তবে আপনি আবার শিক্ষণ পরিকল্পনা তৈরি করার চেষ্টা করতে পারেন। যাইহোক, দ্রুত উত্তরাধিকারে বারবার পরিকল্পনা তৈরি করা এড়িয়ে চলুন, কারণ প্রতিটি উত্পন্ন পরিকল্পনা ধারাবাহিকভাবে এজেন্ট দ্বারা গ্রাস করা এবং প্রক্রিয়াজাত করা হবে, সম্ভাব্যভাবে একটি ব্যাকলগ তৈরি করবে।

Port পোর্টালটি দেখুন এবং "কোর্স" এ ক্লিক করুন। আপনার তিনটি কার্ড দেখতে হবে, প্রতিটি একটি অডিও পুনরুদ্ধার প্রদর্শন করে। আপনার পোর্টাল এজেন্টের ইউআরএল সন্ধান করতে:

gcloud run services list --platform=managed --region=us-central1 --format='value(URL)' | grep portal

আপনি সবেমাত্র উত্পন্ন শিক্ষণ পরিকল্পনার সাথে অডিও রিক্যাপগুলি একত্রিত হয়েছে তা নিশ্চিত করতে প্রতিটি কোর্সে "প্লে" ক্লিক করুন!

ভার্চুয়াল পরিবেশ থেকে প্রস্থান করুন।

deactivate

13। al চ্ছিক: জেমিনি এবং ডিপসিকের সাথে ভূমিকা ভিত্তিক সহযোগিতা

একাধিক দৃষ্টিকোণ থাকা অমূল্য, বিশেষত যখন আকর্ষক এবং চিন্তাশীল অ্যাসাইনমেন্টগুলি তৈরি করা হয়। আমরা এখন একটি মাল্টি-এজেন্ট সিস্টেম তৈরি করব যা পৃথক ভূমিকার সাথে দুটি পৃথক মডেলকে উপার্জন করে, অ্যাসাইনমেন্ট তৈরি করতে: একটি সহযোগিতা প্রচার করে এবং অন্যটি স্ব-অধ্যয়নকে উত্সাহ দেয়। আমরা একটি "একক শট" আর্কিটেকচার ব্যবহার করব, যেখানে কর্মপ্রবাহ একটি নির্দিষ্ট রুট অনুসরণ করে।

মিথুন অ্যাসাইনমেন্ট জেনারেটর

আমরা একটি সহযোগী জোর দিয়ে অ্যাসাইনমেন্ট তৈরি করতে জেমিনি ফাংশন স্থাপন করে শুরু করব। assignment ফোল্ডারে অবস্থিত gemini.py ফাইলটি সম্পাদনা করুন।

Me gemini.py ফাইলের শেষে নিম্নলিখিত কোডটি সন্ধান করুন:

def gen_assignment_gemini(state):
    region=get_next_region()
    client = genai.Client(vertexai=True, project=PROJECT_ID, location=region)
    print(f"---------------gen_assignment_gemini")
    response = client.models.generate_content(
        model=MODEL_ID, contents=f"""
        You are an instructor 

        Develop engaging and practical assignments for each week, ensuring they align with the teaching plan's objectives and progressively build upon each other.  

        For each week, provide the following:

        * **Week [Number]:** A descriptive title for the assignment (e.g., "Data Exploration Project," "Model Building Exercise").
        * **Learning Objectives Assessed:** List the specific learning objectives from the teaching plan that this assignment assesses.
        * **Description:** A detailed description of the task, including any specific requirements or constraints.  Provide examples or scenarios if applicable.
        * **Deliverables:** Specify what students need to submit (e.g., code, report, presentation).
        * **Estimated Time Commitment:**  The approximate time students should dedicate to completing the assignment.
        * **Assessment Criteria:** Briefly outline how the assignment will be graded (e.g., correctness, completeness, clarity, creativity).

        The assignments should be a mix of individual and collaborative work where appropriate.  Consider different learning styles and provide opportunities for students to apply their knowledge creatively.

        Based on this teaching plan: {state["teaching_plan"]}
        """
    )

    print(f"---------------gen_assignment_gemini answer {response.text}")
    
    state["model_one_assignment"] = response.text
    
    return state


import unittest

class TestGenAssignmentGemini(unittest.TestCase):
    def test_gen_assignment_gemini(self):
        test_teaching_plan = "Week 1: 2D Shapes and Angles - Day 1: Review of basic 2D shapes (squares, rectangles, triangles, circles). Day 2: Exploring different types of triangles (equilateral, isosceles, scalene, right-angled). Day 3: Exploring quadrilaterals (square, rectangle, parallelogram, rhombus, trapezium). Day 4: Introduction to angles: right angles, acute angles, and obtuse angles. Day 5: Measuring angles using a protractor. Week 2: 3D Shapes and Symmetry - Day 6: Introduction to 3D shapes: cubes, cuboids, spheres, cylinders, cones, and pyramids. Day 7: Describing 3D shapes using faces, edges, and vertices. Day 8: Relating 2D shapes to 3D shapes. Day 9: Identifying lines of symmetry in 2D shapes. Day 10: Completing symmetrical figures. Week 3: Position, Direction, and Problem Solving - Day 11: Describing position using coordinates in the first quadrant. Day 12: Plotting coordinates to draw shapes. Day 13: Understanding translation (sliding a shape). Day 14: Understanding reflection (flipping a shape). Day 15: Problem-solving activities involving perimeter, area, and missing angles."
        
        initial_state = {"teaching_plan": test_teaching_plan, "model_one_assignment": "", "model_two_assigmodel_one_assignmentnment": "", "final_assignment": ""}

        updated_state = gen_assignment_gemini(initial_state)

        self.assertIn("model_one_assignment", updated_state)
        self.assertIsNotNone(updated_state["model_one_assignment"])
        self.assertIsInstance(updated_state["model_one_assignment"], str)
        self.assertGreater(len(updated_state["model_one_assignment"]), 0)
        print(updated_state["model_one_assignment"])


if __name__ == '__main__':
    unittest.main()

এটি অ্যাসাইনমেন্ট তৈরি করতে জেমিনি মডেল ব্যবহার করে।

আমরা জেমিনি এজেন্ট পরীক্ষা করতে প্রস্তুত।

পরিবেশ সেটআপ করতে এই কমান্ডগুলি টার্মিনালে রুন:

cd ~/aidemy-bootstrap/assignment
export PROJECT_ID=$(gcloud config get project)
python -m venv env
source env/bin/activate
pip install -r requirements.txt

আপনি এটি পরীক্ষা করতে দৌড়াতে পারেন:

python gemini.py

আপনার এমন একটি অ্যাসাইনমেন্ট দেখতে হবে যা আউটপুটটিতে আরও গ্রুপের কাজ রয়েছে। শেষে দৃ sert ় পরীক্ষাটি ফলাফলগুলিও আউটপুট করবে।

Here are some engaging and practical assignments for each week, designed to build progressively upon the teaching plan's objectives:

**Week 1: Exploring the World of 2D Shapes**

* **Learning Objectives Assessed:**
    * Identify and name basic 2D shapes (squares, rectangles, triangles, circles).
    * .....

* **Description:**
    * **Shape Scavenger Hunt:** Students will go on a scavenger hunt in their homes or neighborhoods, taking pictures of objects that represent different 2D shapes. They will then create a presentation or poster showcasing their findings, classifying each shape and labeling its properties (e.g., number of sides, angles, etc.). 
    * **Triangle Trivia:** Students will research and create a short quiz or presentation about different types of triangles, focusing on their properties and real-world examples. 
    * **Angle Exploration:** Students will use a protractor to measure various angles in their surroundings, such as corners of furniture, windows, or doors. They will record their measurements and create a chart categorizing the angles as right, acute, or obtuse. 
....

**Week 2: Delving into the World of 3D Shapes and Symmetry**

* **Learning Objectives Assessed:**
    * Identify and name basic 3D shapes.
    * ....

* **Description:**
    * **3D Shape Construction:** Students will work in groups to build 3D shapes using construction paper, cardboard, or other materials. They will then create a presentation showcasing their creations, describing the number of faces, edges, and vertices for each shape. 
    * **Symmetry Exploration:** Students will investigate the concept of symmetry by creating a visual representation of various symmetrical objects (e.g., butterflies, leaves, snowflakes) using drawing or digital tools. They will identify the lines of symmetry and explain their findings. 
    * **Symmetry Puzzles:** Students will be given a half-image of a symmetrical figure and will be asked to complete the other half, demonstrating their understanding of symmetry. This can be done through drawing, cut-out activities, or digital tools.

**Week 3: Navigating Position, Direction, and Problem Solving**

* **Learning Objectives Assessed:**
    * Describe position using coordinates in the first quadrant.
    * ....

* **Description:**
    * **Coordinate Maze:** Students will create a maze using coordinates on a grid paper. They will then provide directions for navigating the maze using a combination of coordinate movements and translation/reflection instructions. 
    * **Shape Transformations:** Students will draw shapes on a grid paper and then apply transformations such as translation and reflection, recording the new coordinates of the transformed shapes. 
    * **Geometry Challenge:** Students will solve real-world problems involving perimeter, area, and angles. For example, they could be asked to calculate the perimeter of a room, the area of a garden, or the missing angle in a triangle. 
....

ctl+c দিয়ে থামুন এবং পরীক্ষার কোডটি পরিষ্কার করতে। gemini.py থেকে নিম্নলিখিত কোডটি সরান

import unittest

class TestGenAssignmentGemini(unittest.TestCase):
    def test_gen_assignment_gemini(self):
        test_teaching_plan = "Week 1: 2D Shapes and Angles - Day 1: Review of basic 2D shapes (squares, rectangles, triangles, circles). Day 2: Exploring different types of triangles (equilateral, isosceles, scalene, right-angled). Day 3: Exploring quadrilaterals (square, rectangle, parallelogram, rhombus, trapezium). Day 4: Introduction to angles: right angles, acute angles, and obtuse angles. Day 5: Measuring angles using a protractor. Week 2: 3D Shapes and Symmetry - Day 6: Introduction to 3D shapes: cubes, cuboids, spheres, cylinders, cones, and pyramids. Day 7: Describing 3D shapes using faces, edges, and vertices. Day 8: Relating 2D shapes to 3D shapes. Day 9: Identifying lines of symmetry in 2D shapes. Day 10: Completing symmetrical figures. Week 3: Position, Direction, and Problem Solving - Day 11: Describing position using coordinates in the first quadrant. Day 12: Plotting coordinates to draw shapes. Day 13: Understanding translation (sliding a shape). Day 14: Understanding reflection (flipping a shape). Day 15: Problem-solving activities involving perimeter, area, and missing angles."
        
        initial_state = {"teaching_plan": test_teaching_plan, "model_one_assignment": "", "model_two_assigmodel_one_assignmentnment": "", "final_assignment": ""}

        updated_state = gen_assignment_gemini(initial_state)

        self.assertIn("model_one_assignment", updated_state)
        self.assertIsNotNone(updated_state["model_one_assignment"])
        self.assertIsInstance(updated_state["model_one_assignment"], str)
        self.assertGreater(len(updated_state["model_one_assignment"]), 0)
        print(updated_state["model_one_assignment"])


if __name__ == '__main__':
    unittest.main()

ডিপসেক অ্যাসাইনমেন্ট জেনারেটর কনফিগার করুন

ক্লাউড-ভিত্তিক এআই প্ল্যাটফর্মগুলি সুবিধাজনক হলেও, ডেটা গোপনীয়তা রক্ষা এবং ডেটা সার্বভৌমত্ব নিশ্চিত করার জন্য স্ব-হোস্টিং এলএলএমগুলি গুরুত্বপূর্ণ হতে পারে। আমরা ক্লাউড কম্পিউট ইঞ্জিনের উদাহরণে সবচেয়ে ছোট ডিপসেক মডেল (1.5 বি প্যারামিটার) স্থাপন করব। গুগলের ভার্টেক্স এআই প্ল্যাটফর্মে এটি হোস্টিং করা বা এটি আপনার GKE উদাহরণে হোস্টিংয়ের মতো অন্যান্য উপায় রয়েছে তবে যেহেতু এটি এআই এজেন্টদের উপর কেবল একটি কর্মশালা, এবং আমি আপনাকে এখানে চিরকাল রাখতে চাই না, আসুন আমরা কেবল সবচেয়ে সহজ উপায়টি ব্যবহার করি। তবে আপনি যদি আগ্রহী হন এবং অন্যান্য বিকল্পগুলিতে খনন করতে চান তবে অ্যাসাইনমেন্ট ফোল্ডারের অধীনে deepseek-vertexai.py ফাইলটি একবার দেখুন, যেখানে এটি ভার্টেক্সাইতে মোতায়েন করা মডেলগুলির সাথে কীভাবে ইন্টারঅ্যাক্ট করবেন তার একটি নমুনা কোড সরবরাহ করে।

একটি স্ব-হোস্টেড এলএলএম প্ল্যাটফর্ম ওলামা তৈরি করতে এই কমান্ডটি টার্মিনালে রুন:

cd ~/aidemy-bootstrap/assignment
gcloud compute instances create ollama-instance \
    --image-family=ubuntu-2204-lts \
    --image-project=ubuntu-os-cloud \
    --machine-type=e2-standard-4 \
    --zone=us-central1-a \
    --metadata-from-file startup-script=startup.sh \
    --boot-disk-size=50GB \
    --tags=ollama \
    --scopes=https://www.googleapis.com/auth/cloud-platform

গণনা ইঞ্জিন উদাহরণটি যাচাই করতে চলছে:

গুগল ক্লাউড কনসোলে গণনা ইঞ্জিন > "ভিএম দৃষ্টান্তগুলি" নেভিগেট করুন। আপনার দেখানো উচিত যে ollama-instance একটি সবুজ চেক চিহ্নের সাথে তালিকাভুক্ত করা উচিত যা এটি চলছে তা নির্দেশ করে। আপনি যদি এটি দেখতে না পান তবে নিশ্চিত করুন যে অঞ্চলটি মার্কিন-সেন্ট্রাল 1। যদি এটি না হয় তবে আপনার এটি অনুসন্ধান করার প্রয়োজন হতে পারে।

আমরা সবচেয়ে ছোট ডিপসেক মডেলটি ইনস্টল করব এবং এটি পরীক্ষা করব, ক্লাউড শেল এডিটরটিতে, একটি নতুন টার্মিনালে, জিসিই উদাহরণে এসএসএইচ -এর জন্য নিম্নলিখিত কমান্ডটি চালান।

gcloud compute ssh ollama-instance --zone=us-central1-a

এসএসএইচ সংযোগ স্থাপনের পরে, আপনাকে নিম্নলিখিতগুলির সাথে অনুরোধ করা যেতে পারে:

"আপনি কি চালিয়ে যেতে চান (ওয়াই/এন)?"

কেবল Y টাইপ করুন (কেস-সংবেদনশীল) এবং এগিয়ে যেতে এন্টার টিপুন।

এরপরে, আপনাকে এসএসএইচ কীটির জন্য একটি পাসফ্রেজ তৈরি করতে বলা হতে পারে। আপনি যদি কোনও পাসফ্রেজ ব্যবহার না করতে পছন্দ করেন তবে ডিফল্টটি গ্রহণ করতে কেবল দু'বার এন্টার টিপুন (কোনও পাসফ্রেজ নেই)।

আপনি কি ভার্টাল মেশিনে রয়েছেন, সবচেয়ে ছোট ডিপসেক আর 1 মডেলটি টানুন এবং এটি যদি কাজ করে তবে পরীক্ষা করে?

ollama pull deepseek-r1:1.5b
ollama run deepseek-r1:1.5b "who are you?"

👉 এসএসএইচ টার্মিনালে নিম্নলিখিত প্রবেশ করুন জিসিই উদাহরণটি প্রকাশ করুন:

exit

নতুন টার্মিনালটি বন্ধ করুন, মূল টার্মিনালে ফিরে যান।

এবং নেটওয়ার্ক নীতি সেটআপ করতে ভুলবেন না, যাতে অন্যান্য পরিষেবাগুলি এলএলএম অ্যাক্সেস করতে পারে, দয়া করে আপনি যদি উত্পাদনের জন্য এটি করতে চান তবে উদাহরণে অ্যাক্সেস সীমাবদ্ধ করুন, হয় পরিষেবার জন্য সুরক্ষা লগইন প্রয়োগ করুন বা আইপি অ্যাক্সেসকে সীমাবদ্ধ করুন। চালান:

gcloud compute firewall-rules create allow-ollama-11434 \
    --allow=tcp:11434 \
    --target-tags=ollama \
    --description="Allow access to Ollama on port 11434"

আপনার ফায়ারওয়াল নীতিটি সঠিকভাবে কাজ করছে কিনা তা যাচাই করার জন্য, চলার চেষ্টা করুন:

export OLLAMA_HOST=http://$(gcloud compute instances describe ollama-instance --zone=us-central1-a --format='value(networkInterfaces[0].accessConfigs[0].natIP)'):11434
curl -X POST "${OLLAMA_HOST}/api/generate" \
     -H "Content-Type: application/json" \
     -d '{
          "prompt": "Hello, what are you?",
          "model": "deepseek-r1:1.5b",
          "stream": false
        }'

এরপরে, আমরা পৃথক কাজের জোর দিয়ে অ্যাসাইনমেন্ট তৈরি করতে অ্যাসাইনমেন্ট এজেন্টে ডিপসেক ফাংশনে কাজ করব।

assignment ফোল্ডারের অধীনে deepseek.py শেষে স্নিপেট যুক্ত করুন

def gen_assignment_deepseek(state):
    print(f"---------------gen_assignment_deepseek")

    template = """
        You are an instructor who favor student to focus on individual work.

        Develop engaging and practical assignments for each week, ensuring they align with the teaching plan's objectives and progressively build upon each other.  

        For each week, provide the following:

        * **Week [Number]:** A descriptive title for the assignment (e.g., "Data Exploration Project," "Model Building Exercise").
        * **Learning Objectives Assessed:** List the specific learning objectives from the teaching plan that this assignment assesses.
        * **Description:** A detailed description of the task, including any specific requirements or constraints.  Provide examples or scenarios if applicable.
        * **Deliverables:** Specify what students need to submit (e.g., code, report, presentation).
        * **Estimated Time Commitment:**  The approximate time students should dedicate to completing the assignment.
        * **Assessment Criteria:** Briefly outline how the assignment will be graded (e.g., correctness, completeness, clarity, creativity).

        The assignments should be a mix of individual and collaborative work where appropriate.  Consider different learning styles and provide opportunities for students to apply their knowledge creatively.

        Based on this teaching plan: {teaching_plan}
        """

    
    prompt = ChatPromptTemplate.from_template(template)

    model = OllamaLLM(model="deepseek-r1:1.5b",
                   base_url=OLLAMA_HOST)

    chain = prompt | model


    response = chain.invoke({"teaching_plan":state["teaching_plan"]})
    state["model_two_assignment"] = response
    
    return state

import unittest

class TestGenAssignmentDeepseek(unittest.TestCase):
    def test_gen_assignment_deepseek(self):
        test_teaching_plan = "Week 1: 2D Shapes and Angles - Day 1: Review of basic 2D shapes (squares, rectangles, triangles, circles). Day 2: Exploring different types of triangles (equilateral, isosceles, scalene, right-angled). Day 3: Exploring quadrilaterals (square, rectangle, parallelogram, rhombus, trapezium). Day 4: Introduction to angles: right angles, acute angles, and obtuse angles. Day 5: Measuring angles using a protractor. Week 2: 3D Shapes and Symmetry - Day 6: Introduction to 3D shapes: cubes, cuboids, spheres, cylinders, cones, and pyramids. Day 7: Describing 3D shapes using faces, edges, and vertices. Day 8: Relating 2D shapes to 3D shapes. Day 9: Identifying lines of symmetry in 2D shapes. Day 10: Completing symmetrical figures. Week 3: Position, Direction, and Problem Solving - Day 11: Describing position using coordinates in the first quadrant. Day 12: Plotting coordinates to draw shapes. Day 13: Understanding translation (sliding a shape). Day 14: Understanding reflection (flipping a shape). Day 15: Problem-solving activities involving perimeter, area, and missing angles."
        
        initial_state = {"teaching_plan": test_teaching_plan, "model_one_assignment": "", "model_two_assignment": "", "final_assignment": ""}

        updated_state = gen_assignment_deepseek(initial_state)

        self.assertIn("model_two_assignment", updated_state)
        self.assertIsNotNone(updated_state["model_two_assignment"])
        self.assertIsInstance(updated_state["model_two_assignment"], str)
        self.assertGreater(len(updated_state["model_two_assignment"]), 0)
        print(updated_state["model_two_assignment"])


if __name__ == '__main__':
    unittest.main()

এটি চালানোর মাধ্যমে এটি পরীক্ষা করুন:

cd ~/aidemy-bootstrap/assignment
source env/bin/activate
export PROJECT_ID=$(gcloud config get project)
export OLLAMA_HOST=http://$(gcloud compute instances describe ollama-instance --zone=us-central1-a --format='value(networkInterfaces[0].accessConfigs[0].natIP)'):11434
python deepseek.py

গুরুত্বপূর্ণ পারফরম্যান্স বিবেচনা : একটি স্ট্যান্ডার্ড সিপিইউ-ভিত্তিক কম্পিউট ইঞ্জিন উদাহরণে স্থাপনার কারণে এই কর্মশালায় ডিপসেক মডেল থেকে দীর্ঘতর প্রতিক্রিয়া সময় আশা করুন। এটি কর্মশালার বিলিংয়ের সীমাবদ্ধতার কারণে। উত্পাদন মোতায়েনের জন্য, এলএলএম অনুমানের গতি উল্লেখযোগ্যভাবে উন্নত করতে কমপক্ষে একটি জিপিইউ সহ একটি মেশিন ব্যবহার করার জন্য অত্যন্ত সুপারিশ করা হয়। একইভাবে, গুগল কুবারনেটস ইঞ্জিনে (জেকে) ডিপসেক মডেল চালানোর সময়, নিশ্চিত করুন যে মডেল পরিবেশনকারী নোডগুলি জিপিইউগুলিতে সজ্জিত এবং আপনার স্থাপনার কনফিগারেশনগুলি কার্যকরভাবে ব্যবহার করার জন্য সেট আপ করা হয়েছে। এলএলএম চালানোর সময় সর্বোত্তম পারফরম্যান্সের জন্য যথাযথ জিপিইউ কনফিগারেশন গুরুত্বপূর্ণ।

আপনার এমন একটি অ্যাসাইনমেন্ট দেখতে হবে যা আরও স্ব -অধ্যয়নের কাজ রয়েছে।

**Assignment Plan for Each Week**

---

### **Week 1: 2D Shapes and Angles**
- **Week Title:** "Exploring 2D Shapes"
Assign students to research and present on various 2D shapes. Include a project where they create models using straws and tape for triangles, draw quadrilaterals with specific measurements, and compare their properties. 

### **Week 2: 3D Shapes and Symmetry**
Assign students to create models or nets for cubes and cuboids. They will also predict how folding these nets form the 3D shapes. Include a project where they identify symmetrical properties using mirrors or folding techniques.

### **Week 3: Position, Direction, and Problem Solving**

Assign students to use mirrors or folding techniques for reflections. Include activities where they measure angles, use a protractor, solve problems involving perimeter/area, and create symmetrical designs.
....

ctl+c স্টপ করুন এবং পরীক্ষার কোডটি পরিষ্কার করতে। deepseek.py থেকে নিম্নলিখিত কোডটি সরান

import unittest

class TestGenAssignmentDeepseek(unittest.TestCase):
    def test_gen_assignment_deepseek(self):
        test_teaching_plan = "Week 1: 2D Shapes and Angles - Day 1: Review of basic 2D shapes (squares, rectangles, triangles, circles). Day 2: Exploring different types of triangles (equilateral, isosceles, scalene, right-angled). Day 3: Exploring quadrilaterals (square, rectangle, parallelogram, rhombus, trapezium). Day 4: Introduction to angles: right angles, acute angles, and obtuse angles. Day 5: Measuring angles using a protractor. Week 2: 3D Shapes and Symmetry - Day 6: Introduction to 3D shapes: cubes, cuboids, spheres, cylinders, cones, and pyramids. Day 7: Describing 3D shapes using faces, edges, and vertices. Day 8: Relating 2D shapes to 3D shapes. Day 9: Identifying lines of symmetry in 2D shapes. Day 10: Completing symmetrical figures. Week 3: Position, Direction, and Problem Solving - Day 11: Describing position using coordinates in the first quadrant. Day 12: Plotting coordinates to draw shapes. Day 13: Understanding translation (sliding a shape). Day 14: Understanding reflection (flipping a shape). Day 15: Problem-solving activities involving perimeter, area, and missing angles."
        
        initial_state = {"teaching_plan": test_teaching_plan, "model_one_assignment": "", "model_two_assignment": "", "final_assignment": ""}

        updated_state = gen_assignment_deepseek(initial_state)

        self.assertIn("model_two_assignment", updated_state)
        self.assertIsNotNone(updated_state["model_two_assignment"])
        self.assertIsInstance(updated_state["model_two_assignment"], str)
        self.assertGreater(len(updated_state["model_two_assignment"]), 0)
        print(updated_state["model_two_assignment"])


if __name__ == '__main__':
    unittest.main()

এখন, আমরা উভয় অ্যাসাইনমেন্টকে নতুন একটিতে একত্রিত করতে একই জেমিনি মডেলটি ব্যবহার করব। assignment ফোল্ডারে অবস্থিত gemini.py ফাইলটি সম্পাদনা করুন।

Me gemini.py ফাইলের শেষে নিম্নলিখিত কোডটি সন্ধান করুন:

def combine_assignments(state):
    print(f"---------------combine_assignments ")
    region=get_next_region()
    client = genai.Client(vertexai=True, project=PROJECT_ID, location=region)
    response = client.models.generate_content(
        model=MODEL_ID, contents=f"""
        Look at all the proposed assignment so far {state["model_one_assignment"]} and {state["model_two_assignment"]}, combine them and come up with a final assignment for student. 
        """
    )

    state["final_assignment"] = response.text
    
    return state

উভয় মডেলের শক্তি একত্রিত করতে, আমরা ল্যাংগ্রাফ ব্যবহার করে একটি সংজ্ঞায়িত ওয়ার্কফ্লোকে অর্কেস্টেট করব। এই কর্মপ্রবাহটি তিনটি পদক্ষেপ নিয়ে গঠিত: প্রথমত, জেমিনি মডেল সহযোগিতার উপর দৃষ্টি নিবদ্ধ করে একটি অ্যাসাইনমেন্ট তৈরি করে; দ্বিতীয়ত, ডিপসেক মডেল স্বতন্ত্র কাজের উপর জোর দিয়ে একটি অ্যাসাইনমেন্ট উত্পন্ন করে; অবশেষে, জেমিনি এই দুটি অ্যাসাইনমেন্টকে একক, বিস্তৃত কার্যভারে সংশ্লেষ করে। যেহেতু আমরা এলএলএম সিদ্ধান্ত গ্রহণ ছাড়াই পদক্ষেপগুলির ক্রম পূর্বনির্ধারিত করি, এটি একটি একক পথ, ব্যবহারকারী-সংজ্ঞায়িত অর্কেস্টেশন গঠন করে।

assignment ফোল্ডারের অধীনে main.py ফাইলের শেষে নিম্নলিখিত কোডটি রাখুন:

def create_assignment(teaching_plan: str):
    print(f"create_assignment---->{teaching_plan}")
    builder = StateGraph(State)
    builder.add_node("gen_assignment_gemini", gen_assignment_gemini)
    builder.add_node("gen_assignment_deepseek", gen_assignment_deepseek)
    builder.add_node("combine_assignments", combine_assignments)
    
    builder.add_edge(START, "gen_assignment_gemini")
    builder.add_edge("gen_assignment_gemini", "gen_assignment_deepseek")
    builder.add_edge("gen_assignment_deepseek", "combine_assignments")
    builder.add_edge("combine_assignments", END)

    graph = builder.compile()
    state = graph.invoke({"teaching_plan": teaching_plan})

    return state["final_assignment"]



import unittest

class TestCreatAssignment(unittest.TestCase):
    def test_create_assignment(self):
        test_teaching_plan = "Week 1: 2D Shapes and Angles - Day 1: Review of basic 2D shapes (squares, rectangles, triangles, circles). Day 2: Exploring different types of triangles (equilateral, isosceles, scalene, right-angled). Day 3: Exploring quadrilaterals (square, rectangle, parallelogram, rhombus, trapezium). Day 4: Introduction to angles: right angles, acute angles, and obtuse angles. Day 5: Measuring angles using a protractor. Week 2: 3D Shapes and Symmetry - Day 6: Introduction to 3D shapes: cubes, cuboids, spheres, cylinders, cones, and pyramids. Day 7: Describing 3D shapes using faces, edges, and vertices. Day 8: Relating 2D shapes to 3D shapes. Day 9: Identifying lines of symmetry in 2D shapes. Day 10: Completing symmetrical figures. Week 3: Position, Direction, and Problem Solving - Day 11: Describing position using coordinates in the first quadrant. Day 12: Plotting coordinates to draw shapes. Day 13: Understanding translation (sliding a shape). Day 14: Understanding reflection (flipping a shape). Day 15: Problem-solving activities involving perimeter, area, and missing angles."
        initial_state = {"teaching_plan": test_teaching_plan, "model_one_assignment": "", "model_two_assignment": "", "final_assignment": ""}
        updated_state = create_assignment(initial_state)
        
        print(updated_state)


if __name__ == '__main__':
    unittest.main()

Creation প্রাথমিকভাবে create_assignment ফাংশনটি পরীক্ষা করে দেখুন এবং নিশ্চিত করুন যে জেমিনি এবং ডিপসিকের সংমিশ্রণকারী কর্মপ্রবাহটি কার্যকরী, নিম্নলিখিত কমান্ডটি চালান:

cd ~/aidemy-bootstrap/assignment
source env/bin/activate
pip install -r requirements.txt
python main.py

অগ্রসর হওয়ার আগে, নিশ্চিত হয়ে নিন যে আপনি মেইন.পি এবং ডিপসেক.পি উভয়ের শেষে টেস্টিং কোডটি পরিষ্কার করেছেন। দয়া করে সচেতন হন যে ফলাফল ফিরে পেতে 1-2 মিনিট সময় নিতে পারে। এটি ওয়ার্কশপের বিলিং অ্যাকাউন্ট দ্বারা আরোপিত কোটা সীমাবদ্ধতার কারণে। সাধারণ পরিস্থিতিতে আপনি এই জাতীয় বিলম্বের অভিজ্ঞতা পাবেন না

আপনার এমন কিছু দেখতে হবে যা উভয় মডেলকে শিক্ষার্থীদের অধ্যয়নের জন্য এবং শিক্ষার্থীদের গ্রুপ কাজের জন্য তাদের স্বতন্ত্র দৃষ্টিভঙ্গির সাথে একত্রিত করে।

**Tasks:**

1. **Clue Collection:** Gather all the clues left by the thieves. These clues will include:
    * Descriptions of shapes and their properties (angles, sides, etc.)
    * Coordinate grids with hidden messages
    * Geometric puzzles requiring transformation (translation, reflection, rotation)
    * Challenges involving area, perimeter, and angle calculations

2. **Clue Analysis:** Decipher each clue using your geometric knowledge. This will involve:
    * Identifying the shape and its properties
    * Plotting coordinates and interpreting patterns on the grid
    * Solving geometric puzzles by applying transformations
    * Calculating area, perimeter, and missing angles 

3. **Case Report:** Create a comprehensive case report outlining your findings. This report should include:
    * A detailed explanation of each clue and its solution
    * Sketches and diagrams to support your explanations
    * A step-by-step account of how you followed the clues to locate the artifact
    * A final conclusion about the thieves and their motives

ctl+c স্টপ করুন এবং পরীক্ষার কোডটি পরিষ্কার করতে। main.py থেকে নিম্নলিখিত কোডটি সরান

import unittest

class TestCreatAssignment(unittest.TestCase):
    def test_create_assignment(self):
        test_teaching_plan = "Week 1: 2D Shapes and Angles - Day 1: Review of basic 2D shapes (squares, rectangles, triangles, circles). Day 2: Exploring different types of triangles (equilateral, isosceles, scalene, right-angled). Day 3: Exploring quadrilaterals (square, rectangle, parallelogram, rhombus, trapezium). Day 4: Introduction to angles: right angles, acute angles, and obtuse angles. Day 5: Measuring angles using a protractor. Week 2: 3D Shapes and Symmetry - Day 6: Introduction to 3D shapes: cubes, cuboids, spheres, cylinders, cones, and pyramids. Day 7: Describing 3D shapes using faces, edges, and vertices. Day 8: Relating 2D shapes to 3D shapes. Day 9: Identifying lines of symmetry in 2D shapes. Day 10: Completing symmetrical figures. Week 3: Position, Direction, and Problem Solving - Day 11: Describing position using coordinates in the first quadrant. Day 12: Plotting coordinates to draw shapes. Day 13: Understanding translation (sliding a shape). Day 14: Understanding reflection (flipping a shape). Day 15: Problem-solving activities involving perimeter, area, and missing angles."
        initial_state = {"teaching_plan": test_teaching_plan, "model_one_assignment": "", "model_two_assignment": "", "final_assignment": ""}
        updated_state = create_assignment(initial_state)
        
        print(updated_state)


if __name__ == '__main__':
    unittest.main()

অ্যাসাইনমেন্ট প্রজন্মের প্রক্রিয়াটিকে নতুন শিক্ষণ পরিকল্পনার জন্য স্বয়ংক্রিয় এবং প্রতিক্রিয়াশীল করার জন্য, আমরা বিদ্যমান ইভেন্ট-চালিত আর্কিটেকচারটি উপার্জন করব। নিম্নলিখিত কোডটি একটি ক্লাউড রান ফাংশন (জেনারেট_অ্যাসাইনমেন্ট) সংজ্ঞায়িত করে যা যখনই পাব/সাব টপিক ' প্ল্যান ' তে কোনও নতুন শিক্ষণ পরিকল্পনা প্রকাশিত হয় তখন ট্রিগার করা হবে।

main.py

@functions_framework.cloud_event
def generate_assignment(cloud_event):
    print(f"CloudEvent received: {cloud_event.data}")

    try:
        if isinstance(cloud_event.data.get('message', {}).get('data'), str): 
            data = json.loads(base64.b64decode(cloud_event.data['message']['data']).decode('utf-8'))
            teaching_plan = data.get('teaching_plan')
        elif 'teaching_plan' in cloud_event.data: 
            teaching_plan = cloud_event.data["teaching_plan"]
        else:
            raise KeyError("teaching_plan not found") 

        assignment = create_assignment(teaching_plan)

        print(f"Assignment---->{assignment}")

        #Store the return assignment into bucket as a text file
        storage_client = storage.Client()
        bucket = storage_client.bucket(ASSIGNMENT_BUCKET)
        file_name = f"assignment-{random.randint(1, 1000)}.txt"
        blob = bucket.blob(file_name)
        blob.upload_from_string(assignment)

        return f"Assignment generated and stored in {ASSIGNMENT_BUCKET}/{file_name}", 200

    except (json.JSONDecodeError, AttributeError, KeyError) as e:
        print(f"Error decoding CloudEvent data: {e} - Data: {cloud_event.data}")
        return "Error processing event", 500

    except Exception as e:
        print(f"Error generate assignment: {e}")
        return "Error generate assignment", 500

স্থানীয়ভাবে পরীক্ষা করা

গুগল ক্লাউডে মোতায়েন করার আগে, স্থানীয়ভাবে ক্লাউড রান ফাংশনটি পরীক্ষা করা ভাল অনুশীলন। এটি দ্রুত পুনরাবৃত্তি এবং সহজ ডিবাগিংয়ের অনুমতি দেয়।

প্রথমে উত্পন্ন অ্যাসাইনমেন্ট ফাইলগুলি সঞ্চয় করতে একটি ক্লাউড স্টোরেজ বালতি তৈরি করুন এবং পরিষেবা অ্যাকাউন্টটি বালতিতে অ্যাক্সেস মঞ্জুর করুন। টার্মিনালে নিম্নলিখিত কমান্ডগুলি চালান:

👉 গুরুত্বপূর্ণ : নিশ্চিত করুন যে আপনি একটি অনন্য অ্যাসাইনমেন্ট_বকেটের নাম সংজ্ঞায়িত করেছেন যা " এইডেমি-অ্যাসাইনমেন্ট- " দিয়ে শুরু হয়। আপনার ক্লাউড স্টোরেজ বালতি তৈরি করার সময় নামকরণ দ্বন্দ্ব এড়ানোর জন্য এই অনন্য নামটি গুরুত্বপূর্ণ। (কোনও এলোমেলো শব্দের সাথে <আপনার_নাম> প্রতিস্থাপন করুন)

export ASSIGNMENT_BUCKET=aidemy-assignment-<YOUR_NAME> #Name must be unqiue

এবং রান:

export PROJECT_ID=$(gcloud config get project)
export SERVICE_ACCOUNT_NAME=$(gcloud compute project-info describe --format="value(defaultServiceAccount)")
gsutil mb -p $PROJECT_ID -l us-central1 gs://$ASSIGNMENT_BUCKET

gcloud storage buckets add-iam-policy-binding gs://$ASSIGNMENT_BUCKET \
    --member "serviceAccount:$SERVICE_ACCOUNT_NAME" \
    --role "roles/storage.objectViewer"

gcloud storage buckets add-iam-policy-binding gs://$ASSIGNMENT_BUCKET \
    --member "serviceAccount:$SERVICE_ACCOUNT_NAME" \
    --role "roles/storage.objectCreator"

এখন, ক্লাউড রান ফাংশন এমুলেটর শুরু করুন:

cd ~/aidemy-bootstrap/assignment
functions-framework --target generate_assignment --signature-type=cloudevent --source main.py

- যখন এমুলেটরটি একটি টার্মিনালে চলছে, ক্লাউড শেলটিতে একটি দ্বিতীয় টার্মিনাল খুলুন। এই দ্বিতীয় টার্মিনালে, প্রকাশিত হচ্ছে একটি নতুন শিক্ষণ পরিকল্পনা অনুকরণ করতে এমুলেটরকে একটি পরীক্ষা ক্লাউডএভেন্ট প্রেরণ করুন:

  curl -X POST \
  http://localhost:8080/ \
  -H "Content-Type: application/json" \
  -H "ce-id: event-id-01" \
  -H "ce-source: planner-agent" \
  -H "ce-specversion: 1.0" \
  -H "ce-type: google.cloud.pubsub.topic.v1.messagePublished" \
  -d '{
    "message": {
      "data": "eyJ0ZWFjaGluZ19wbGFuIjogIldlZWsgMTogMkQgU2hhcGVzIGFuZCBBbmdsZXMgLSBEYXkgMTogUmV2aWV3IG9mIGJhc2ljIDJEIHNoYXBlcyAoc3F1YXJlcywgcmVjdGFuZ2xlcywgdHJpYW5nbGVzLCBjaXJjbGVzKS4gRGF5IDI6IEV4cGxvcmluZyBkaWZmZXJlbnQgdHlwZXMgb2YgdHJpYW5nbGVzIChlcXVpbGF0ZXJhbCwgaXNvc2NlbGVzLCBzY2FsZW5lLCByaWdodC1hbmdsZWQpLiBEYXkgMzogRXhwbG9yaW5nIHF1YWRyaWxhdGVyYWxzIChzcXVhcmUsIHJlY3RhbmdsZSwgcGFyYWxsZWxvZ3JhbSwgcmhvbWJ1cywgdHJhcGV6aXVtKS4gRGF5IDQ6IEludHJvZHVjdGlvbiB0byBhbmdsZXM6IHJpZ2h0IGFuZ2xlcywgYWN1dGUgYW5nbGVzLCBhbmQgb2J0dXNlIGFuZ2xlcy4gRGF5IDU6IE1lYXN1cmluZyBhbmdsZXMgdXNpbmcgYSBwcm90cmFjdG9yLiBXZWVrIDI6IDNEIFNoYXBlcyBhbmQgU3ltbWV0cnkgLSBEYXkgNjogSW50cm9kdWN0aW9uIHRvIDNEIHNoYXBlczogY3ViZXMsIGN1Ym9pZHMsIHNwaGVyZXMsIGN5bGluZGVycywgY29uZXMsIGFuZCBweXJhbWlkcy4gRGF5IDc6IERlc2NyaWJpbmcgM0Qgc2hhcGVzIHVzaW5nIGZhY2VzLCBlZGdlcywgYW5kIHZlcnRpY2VzLiBEYXkgODogUmVsYXRpbmcgMkQgc2hhcGVzIHRvIDNEIHNoYXBlcy4gRGF5IDk6IElkZW50aWZ5aW5nIGxpbmVzIG9mIHN5bW1ldHJ5IGluIDJEIHNoYXBlcy4gRGF5IDEwOiBDb21wbGV0aW5nIHN5bW1ldHJpY2FsIGZpZ3VyZXMuIFdlZWsgMzogUG9zaXRpb24sIERpcmVjdGlvbiwgYW5kIFByb2JsZW0gU29sdmluZyAtIERheSAxMTogRGVzY3JpYmluZyBwb3NpdGlvbiB1c2luZyBjb29yZGluYXRlcyBpbiB0aGUgZmlyc3QgcXVhZHJhbnQuIERheSAxMjogUGxvdHRpbmcgY29vcmRpbmF0ZXMgdG8gZHJhdyBzaGFwZXMuIERheSAxMzogVW5kZXJzdGFuZGluZyB0cmFuc2xhdGlvbiAoc2xpZGluZyBhIHNoYXBlKS4gRGF5IDE0OiBVbmRlcnN0YW5kaW5nIHJlZmxlY3Rpb24gKGZsaXBwaW5nIGEgc2hhcGUpLiBEYXkgMTU6IFByb2JsZW0tc29sdmluZyBhY3Rpdml0aWVzIGludm9sdmluZyBwZXJpbWV0ZXIsIGFyZWEsIGFuZCBtaXNzaW5nIGFuZ2xlcy4ifQ=="
    }
  }'

প্রতিক্রিয়াটির জন্য অপেক্ষা করার সময় ফাঁকাভাবে ঘুরে দেখার পরিবর্তে, অন্যান্য ক্লাউড শেল টার্মিনালে স্যুইচ করুন। আপনি এমুলেটরের টার্মিনালে আপনার ফাংশন দ্বারা উত্পন্ন অগ্রগতি এবং যে কোনও আউটপুট বা ত্রুটি বার্তাগুলি পর্যবেক্ষণ করতে পারেন। 😁

দয়া করে সচেতন হন যে ফলাফল ফিরে পেতে 1-2 মিনিট সময় নিতে পারে। এটি ওয়ার্কশপের বিলিং অ্যাকাউন্ট দ্বারা আরোপিত কোটা সীমাবদ্ধতার কারণে। সাধারণ পরিস্থিতিতে আপনি এই জাতীয় বিলম্বের অভিজ্ঞতা পাবেন না

এটা ঠিক ফিরে আসা উচিত।

অ্যাসাইনমেন্টটি সফলভাবে উত্পন্ন এবং সঞ্চিত ছিল তা নিশ্চিত করার জন্য, গুগল ক্লাউড কনসোলে যান এবং স্টোরেজ > "ক্লাউড স্টোরেজ" এ নেভিগেট করুন। আপনার তৈরি করা aidemy-assignment বালতি নির্বাচন করুন। আপনার বালতিতে assignment-{random number}.txt নামের একটি পাঠ্য ফাইল দেখতে হবে। এটি ডাউনলোড করতে ফাইলটিতে ক্লিক করুন এবং এর সামগ্রীগুলি যাচাই করুন। এটি যাচাই করে যে একটি নতুন ফাইলটিতে সবেমাত্র উত্পন্ন নতুন অ্যাসাইনমেন্ট রয়েছে।

এমুলেটর চলমান টার্মিনালে, প্রস্থান করতে ctrl+c টাইপ করুন। এবং দ্বিতীয় টার্মিনাল বন্ধ করুন। Allso, এমুলেটর চালানো টার্মিনালে ভার্চুয়াল পরিবেশ থেকে প্রস্থান করুন।

deactivate

নেক্সট, আমরা ক্লাউডে অ্যাসাইনমেন্ট এজেন্ট স্থাপন করব

cd ~/aidemy-bootstrap/assignment
export ASSIGNMENT_BUCKET=$(gcloud storage buckets list --format="value(name)" | grep aidemy-assignment)
export OLLAMA_HOST=http://$(gcloud compute instances describe ollama-instance --zone=us-central1-a --format='value(networkInterfaces[0].accessConfigs[0].natIP)'):11434
export PROJECT_ID=$(gcloud config get project)
gcloud functions deploy assignment-agent \
 --gen2 \
 --timeout=540 \
 --memory=2Gi \
 --cpu=1 \
 --set-env-vars="ASSIGNMENT_BUCKET=${ASSIGNMENT_BUCKET}" \
 --set-env-vars=GOOGLE_CLOUD_PROJECT=${GOOGLE_CLOUD_PROJECT} \
 --set-env-vars=OLLAMA_HOST=${OLLAMA_HOST} \
 --region=us-central1 \
 --runtime=python312 \
 --source=. \
 --entry-point=generate_assignment \
 --trigger-topic=plan 

গুগল ক্লাউড কনসোলে গিয়ে মোতায়েন যাচাই করুন, ক্লাউড রান এ নেভিগেট করুন You আপনার কোর্স-এজেন্ট তালিকাভুক্ত একটি নতুন পরিষেবা দেখতে হবে।

অ্যাসাইনমেন্ট জেনারেশন ওয়ার্কফ্লো এখন বাস্তবায়িত এবং পরীক্ষিত এবং মোতায়েন করার সাথে সাথে আমরা পরবর্তী পদক্ষেপে যেতে পারি: শিক্ষার্থীদের পোর্টালের মধ্যে এই অ্যাসাইনমেন্টগুলি অ্যাক্সেসযোগ্য করে তোলা।

14। al চ্ছিক: জেমিনি এবং ডিপসেকের সাথে ভূমিকা -ভিত্তিক সহযোগিতা - কনড।

গতিশীল ওয়েবসাইট জেনারেশন

শিক্ষার্থীদের পোর্টাল বাড়ানোর জন্য এবং এটিকে আরও আকর্ষণীয় করে তুলতে, আমরা অ্যাসাইনমেন্ট পৃষ্ঠাগুলির জন্য গতিশীল এইচটিএমএল প্রজন্মকে প্রয়োগ করব। লক্ষ্যটি হ'ল যখনই কোনও নতুন অ্যাসাইনমেন্ট উত্পন্ন হয় তখন একটি নতুন, দৃষ্টি আকর্ষণীয় নকশার সাথে পোর্টালটি স্বয়ংক্রিয়ভাবে আপডেট করা। এটি আরও গতিশীল এবং আকর্ষণীয় ব্যবহারকারীর অভিজ্ঞতা তৈরি করতে এলএলএমের কোডিং ক্ষমতাগুলি উপার্জন করে।

Clawl ক্লাউড শেল এডিটর, portal ফোল্ডারের মধ্যে render.py ফাইল সম্পাদনা করুন, প্রতিস্থাপন করুন

def render_assignment_page():
    return ""

নিম্নলিখিত কোড স্নিপেট সহ:

def render_assignment_page(assignment: str):
    try:
        region=get_next_region()
        llm = VertexAI(model_name="gemini-2.0-flash-001", location=region)
        input_msg = HumanMessage(content=[f"Here the assignment {assignment}"])
        prompt_template = ChatPromptTemplate.from_messages(
            [
                SystemMessage(
                    content=(
                        """
                        As a frontend developer, create HTML to display a student assignment with a creative look and feel. Include the following navigation bar at the top:
                        ```
                        <nav>
                            <a href="/">Home</a>
                            <a href="/quiz">Quizzes</a>
                            <a href="/courses">Courses</a>
                            <a href="/assignment">Assignments</a>
                        </nav>
                        ```
                        Also include these links in the <head> section:
                        ```
                        <link rel="stylesheet" href="{{ url_for('static', filename='style.css') }}">
                        <link rel="preconnect" href="https://fonts.googleapis.com">
                        <link rel="preconnect" href="https://fonts.gstatic.com" crossorigin>
                        <link href="https://fonts.googleapis.com/css2?family=Roboto:wght@400;500&display=swap" rel="stylesheet">

                        ```
                        Do not apply inline styles to the navigation bar. 
                        The HTML should display the full assignment content. In its CSS, be creative with the rainbow colors and aesthetic. 
                        Make it creative and pretty
                        The assignment content should be well-structured and easy to read.
                        respond with JUST the html file
                        """
                    )
                ),
                input_msg,
            ]
        )

        prompt = prompt_template.format()
        
        response = llm.invoke(prompt)

        response = response.replace("```html", "")
        response = response.replace("```", "")
        with open("templates/assignment.html", "w") as f:
            f.write(response)


        print(f"response: {response}")

        return response
    except Exception as e:
        print(f"Error sending message to chatbot: {e}") # Log this error too!
        return f"Unable to process your request at this time. Due to the following reason: {str(e)}"

এটি অ্যাসাইনমেন্টের জন্য গতিশীলভাবে এইচটিএমএল তৈরি করতে জেমিনি মডেল ব্যবহার করে। এটি ইনপুট হিসাবে অ্যাসাইনমেন্টের সামগ্রী গ্রহণ করে এবং সৃজনশীল শৈলীর সাথে দৃষ্টি আকর্ষণীয় এইচটিএমএল পৃষ্ঠা তৈরি করতে জেমিনিকে নির্দেশ দেওয়ার জন্য একটি প্রম্পট ব্যবহার করে।

এরপরে, আমরা এমন একটি শেষ পয়েন্ট তৈরি করব যা যখনই অ্যাসাইনমেন্ট বালতিতে কোনও নতুন নথি যুক্ত করা হয় তখন ট্রিগার করা হবে:

Portal পোর্টাল ফোল্ডারটির সাথে, app.py ফাইলটি সম্পাদনা করুন এবং ## এর মধ্যে নিম্নলিখিত কোডটি যুক্ত করুন ## Add your code here" comments , new_teaching_plan ফাংশনের পরে :

## Add your code here

@app.route('/render_assignment', methods=['POST'])
def render_assignment():
    try:
        data = request.get_json()
        file_name = data.get('name')
        bucket_name = data.get('bucket')

        if not file_name or not bucket_name:
            return jsonify({'error': 'Missing file name or bucket name'}), 400

        storage_client = storage.Client()
        bucket = storage_client.bucket(bucket_name)
        blob = bucket.blob(file_name)
        content = blob.download_as_text()

        print(f"File content: {content}")

        render_assignment_page(content)

        return jsonify({'message': 'Assignment rendered successfully'})

    except Exception as e:
        print(f"Error processing file: {e}")
        return jsonify({'error': 'Error processing file'}), 500


## Add your code here

যখন ট্রিগার করা হয়, এটি অনুরোধের ডেটা থেকে ফাইলের নাম এবং বালতি নামটি পুনরুদ্ধার করে, ক্লাউড স্টোরেজ থেকে অ্যাসাইনমেন্ট সামগ্রী ডাউনলোড করে এবং এইচটিএমএল উত্পন্ন করতে render_assignment_page ফাংশনটিকে কল করে।

- আমরা এগিয়ে যাব এবং স্থানীয়ভাবে এটি চালাব:

cd ~/aidemy-bootstrap/portal
source env/bin/activate
python app.py

Web ক্লাউড শেল উইন্ডোর শীর্ষে "ওয়েব পূর্বরূপ" মেনু থেকে, "পোর্ট 8080 এ পূর্বরূপ" নির্বাচন করুন। এটি আপনার অ্যাপ্লিকেশনটি একটি নতুন ব্রাউজার ট্যাবে খুলবে। নেভিগেশন বারে অ্যাসাইনমেন্ট লিঙ্কে নেভিগেট করুন। আপনার এই মুহুর্তে একটি ফাঁকা পৃষ্ঠা দেখতে হবে, যা প্রত্যাশিত আচরণ যেহেতু আমরা এখনও অ্যাসাইনমেন্ট এজেন্ট এবং পোর্টালের মধ্যে যোগাযোগ ব্রিজটি প্রতিষ্ঠিত করতে পারি নি কারণ বিষয়টিকে গতিশীলভাবে তৈরি করতে।

এই পরিবর্তনগুলি অন্তর্ভুক্ত করতে এবং আপডেট হওয়া কোডটি মোতায়েন করতে, পোর্টাল এজেন্টের চিত্রটি পুনর্নির্মাণ এবং চাপ দিন:

cd ~/aidemy-bootstrap/portal/
export PROJECT_ID=$(gcloud config get project)
docker build -t gcr.io/${PROJECT_ID}/aidemy-portal .
export PROJECT_ID=$(gcloud config get project)
docker tag gcr.io/${PROJECT_ID}/aidemy-portal us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-portal
docker push us-central1-docker.pkg.dev/${PROJECT_ID}/agent-repository/aidemy-portal

- নতুন চিত্রটিকে ধাক্কা দেওয়ার পরে, ক্লাউড রান পরিষেবাটি পুনরায় নিয়োগ করুন। ক্লাউড রান আপডেট কার্যকর করতে নিম্নলিখিত স্ক্রিপ্টটি চালান:

export PROJECT_ID=$(gcloud config get project)
export COURSE_BUCKET_NAME=$(gcloud storage buckets list --format="value(name)" | grep aidemy-recap)
gcloud run services update aidemy-portal \
    --region=us-central1 \
    --set-env-vars=GOOGLE_CLOUD_PROJECT=${PROJECT_ID},COURSE_BUCKET_NAME=$COURSE_BUCKET_NAME

এখন, আমরা একটি ইভেন্টাক ট্রিগার স্থাপন করব যা অ্যাসাইনমেন্ট বালতিতে তৈরি (চূড়ান্ত) যে কোনও নতুন অবজেক্টের জন্য শুনবে। এই ট্রিগারটি যখন নতুন অ্যাসাইনমেন্ট ফাইল তৈরি করা হয় তখন স্বয়ংক্রিয়ভাবে পোর্টাল পরিষেবাতে /রেন্ডার_অ্যাসাইনমেন্ট এন্ডপয়েন্টটি অনুরোধ করবে।

export PROJECT_ID=$(gcloud config get project)
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:$(gcloud storage service-agent --project $PROJECT_ID)" \
  --role="roles/pubsub.publisher"
export SERVICE_ACCOUNT_NAME=$(gcloud compute project-info describe --format="value(defaultServiceAccount)")
gcloud eventarc triggers create portal-assignment-trigger \
--location=us-central1 \
--service-account=$SERVICE_ACCOUNT_NAME \
--destination-run-service=aidemy-portal \
--destination-run-region=us-central1 \
--destination-run-path="/render_assignment" \
--event-filters="bucket=$ASSIGNMENT_BUCKET" \
--event-filters="type=google.cloud.storage.object.v1.finalized"

ট্রিগারটি সফলভাবে তৈরি করা হয়েছে তা যাচাই করতে, গুগল ক্লাউড কনসোলে ইভেন্টাক ট্রিগার পৃষ্ঠায় নেভিগেট করুন। আপনার সারণীতে তালিকাভুক্ত portal-assignment-trigger দেখতে হবে। এর বিশদটি দেখতে ট্রিগার নামটিতে ক্লিক করুন।

নতুন ট্রিগারটি সক্রিয় হতে 2-3 মিনিট পর্যন্ত সময় নিতে পারে।

গতিশীল অ্যাসাইনমেন্ট প্রজন্মকে কার্যকরভাবে দেখতে, আপনার পরিকল্পনাকারী এজেন্টের ইউআরএলটি খুঁজে পেতে নিম্নলিখিত কমান্ডটি চালান (যদি আপনার এটি কার্যকর না থাকে):

gcloud run services list --platform=managed --region=us-central1 --format='value(URL)' | grep planner

আপনার পোর্টাল এজেন্টের ইউআরএলটি সন্ধান করুন:

gcloud run services list --platform=managed --region=us-central1 --format='value(URL)' | grep portal

পরিকল্পনাকারী এজেন্টে, একটি নতুন শিক্ষণ পরিকল্পনা তৈরি করুন।

কয়েক মিনিটের পরে (অডিও প্রজন্মের জন্য অনুমতি দেওয়ার জন্য, অ্যাসাইনমেন্ট জেনারেশন এবং এইচটিএমএল রেন্ডারিং সম্পূর্ণ করার জন্য), শিক্ষার্থী পোর্টালে নেভিগেট করুন।

- নেভিগেশন বারে "অ্যাসাইনমেন্ট" লিঙ্কে ক্লিক করুন। আপনার গতিশীলভাবে উত্পাদিত এইচটিএমএল সহ একটি নতুন নির্মিত অ্যাসাইনমেন্টটি দেখতে হবে। প্রতিবার যখন কোনও শিক্ষণ পরিকল্পনা তৈরি হয় তখন এটি একটি গতিশীল অ্যাসাইনমেন্ট হওয়া উচিত।

এইডেমি মাল্টি-এজেন্ট সিস্টেমটি সম্পূর্ণ করার জন্য অভিনন্দন! আপনি ব্যবহারিক অভিজ্ঞতা এবং মূল্যবান অন্তর্দৃষ্টি অর্জন করেছেন:

• The benefits of multi-agent systems, including modularity, scalability, specialization, and simplified maintenance.
• The importance of event-driven architectures for building responsive and loosely coupled applications.
• The strategic use of LLMs, matching the right model to the task and integrating them with tools for real-world impact.
• Cloud-native development practices using Google Cloud services to create scalable and reliable solutions.
• The importance of considering data privacy and self-hosting models as an alternative to vendor solutions.

You now have a solid foundation for building sophisticated AI-powered applications on Google Cloud!

15. Challenges and Next Steps

Congratulations on building the Aidemy multi-agent system! You've laid a strong foundation for AI-powered education. Now, let's consider some challenges and potential future enhancements to further expand its capabilities and address real-world needs:

Interactive Learning with Live Q&A:

• Challenge: Can you leverage Gemini 2's Live API to create a real-time Q&A feature for students? Imagine a virtual classroom where students can ask questions and receive immediate, AI-powered responses.

Automated Assignment Submission and Grading:

• Challenge: Design and implement a system that allows students to submit assignments digitally and have them automatically graded by AI, with a mechanism to detect and prevent plagiarism. This challenge presents a great opportunity to explore Retrieval Augmented Generation (RAG) to enhance the accuracy and reliability of the grading and plagiarism detection processes.

16. Clean up

Now that we've built and explored our Aidemy multi-agent system, it's time to clean up our Google Cloud environment.

1. Delete Cloud Run services

gcloud run services delete aidemy-planner --region=us-central1 --quiet
gcloud run services delete aidemy-portal --region=us-central1 --quiet
gcloud run services delete courses-agent --region=us-central1 --quiet
gcloud run services delete book-provider --region=us-central1 --quiet
gcloud run services delete assignment-agent --region=us-central1 --quiet

2. Delete Eventarc trigger

gcloud eventarc triggers delete portal-assignment-trigger --location=us --quiet
gcloud eventarc triggers delete plan-topic-trigger --location=us-central1 --quiet
gcloud eventarc triggers delete portal-assignment-trigger --location=us-central1 --quiet
ASSIGNMENT_AGENT_TRIGGER=$(gcloud eventarc triggers list --project="$PROJECT_ID" --location=us-central1 --filter="name:assignment-agent" --format="value(name)")
COURSES_AGENT_TRIGGER=$(gcloud eventarc triggers list --project="$PROJECT_ID" --location=us-central1 --filter="name:courses-agent" --format="value(name)")
gcloud eventarc triggers delete $ASSIGNMENT_AGENT_TRIGGER --location=us-central1 --quiet
gcloud eventarc triggers delete $COURSES_AGENT_TRIGGER --location=us-central1 --quiet

3. Delete Pub/Sub topic

gcloud pubsub topics delete plan --project="$PROJECT_ID" --quiet

4. Delete Cloud SQL instance

gcloud sql instances delete aidemy --quiet

5. Delete Artifact Registry repository

gcloud artifacts repositories delete agent-repository --location=us-central1 --quiet

6. Delete Secret Manager secrets

gcloud secrets delete db-user --quiet
gcloud secrets delete db-pass --quiet
gcloud secrets delete db-name --quiet

7. Delete Compute Engine instance (if created for Deepseek)

gcloud compute instances delete ollama-instance --zone=us-central1-a --quiet

8. Delete the firewall rule for Deepseek instance

gcloud compute firewall-rules delete allow-ollama-11434 --quiet

9. Delete Cloud Storage buckets

export COURSE_BUCKET_NAME=$(gcloud storage buckets list --format="value(name)" | grep aidemy-recap)
export ASSIGNMENT_BUCKET=$(gcloud storage buckets list --format="value(name)" | grep aidemy-assignment)
gsutil rb gs://$COURSE_BUCKET_NAME
gsutil rb gs://$ASSIGNMENT_BUCKET