স্ব-উন্নয়নশীল দক্ষতা

Perplexity Brain কীভাবে অভিজ্ঞতা থেকে পুনরাবৃত্ত প্রক্রিয়াগুলো শেখে এবং সেগুলো হালনাগাদ রাখে।

লেখকগণPerplexity Engineering

ভূমিকা

ব্যবহারকারীদের ওয়ার্কফ্লো-নির্দিষ্ট পছন্দ ও প্রয়োজনীয়তা থাকে, যা একটি সাধারণ-উদ্দেশ্যের মডেল আগে থেকে জানতে পারে না। ব্যবহারকারীকে প্রতিটি সেশনে একই পদ্ধতি ব্যাখ্যা করতে বা একই সংশোধন করতে বাধ্য না করে নিজের কাজকে ব্যবহারকারীর সঙ্গে মানিয়ে নিতে একটি এজেন্টকে এই খুঁটিনাটি শিখতে হয়। ধারাবাহিক শিক্ষা এটি সম্ভব করে: এজেন্ট ভবিষ্যতের কাজে কীভাবে এগোবে, তা ঠিক করতে সম্পন্ন কাজের অভিজ্ঞতা সহায়তা করা উচিত।

Brain, Computer-এর ব্যক্তিগতকৃত স্ব-উন্নয়ন সিস্টেম, অভিজ্ঞতার মাধ্যমে শেখা সম্ভব করে। এটি ইতিমধ্যে একটি কাঠামোবদ্ধ নলেজ উইকি বজায় রাখে, যা ব্যবহারকারী ও তাদের কাজ সম্পর্কিত তথ্যকে সেটির সমর্থনকারী প্রমাণের সঙ্গে যুক্ত করে। নতুন তথ্য জমা হওয়ার সঙ্গে সঙ্গে ব্যাকগ্রাউন্ড এজেন্টরা উইকিটি হালনাগাদ করে, ফলে স্মৃতি ব্যবস্থা সময়ের সঙ্গে উন্নত হয়।

এজেন্ট দক্ষতা মূল মডেল পরিবর্তন না করেই এজেন্টের আচরণ নির্দেশনার আরেকটি উপায় দেয়। দক্ষতা হলো পুনর্ব্যবহারযোগ্য নির্দেশনা, যা নির্দিষ্ট কাজগুলোতে এজেন্টকে পথ দেখায়। এগুলো পুনরাবৃত্ত ওয়ার্কফ্লোর প্রয়োজনীয়তা ও সহায়ক রিসোর্স ধারণ করে, যা অন্যথায় এজেন্টকে স্মৃতি থেকে অনুমান করতে হতো বা প্রতিবার ব্যবহারকারীর কাছ থেকে জেনে নিতে হতো, ফলে আউট-অফ-ডিস্ট্রিবিউশন কাজে পারফরম্যান্স উন্নত হয়। এগুলোতে পুনরাবৃত্তিমূলক পদ্ধতি বা প্রক্রিয়াকরণের জন্য স্ক্রিপ্টও থাকতে পারে, যা কোডে নির্ভরযোগ্যভাবে প্রকাশ করা যায়, ফলে প্রযোজ্য ক্ষেত্রে এজেন্ট সহজেই সেই স্ক্রিপ্টগুলো চালাতে পারে। harness উপলব্ধ দক্ষতাগুলোকে খুঁজে পাওয়ার উপযোগী করে এবং এজেন্ট অনুরোধ করলে সেগুলোর নির্দেশনা কনটেক্সটে লোড করে। ব্যবহারকারীরা প্রম্পটে সরাসরি কোন দক্ষতাগুলো ব্যবহার করতে হবে তাও উল্লেখ করতে পারেন।

আমরা Brain-কে প্রসারিত করছি, যাতে এটি স্বয়ংক্রিয়ভাবে এজেন্ট দক্ষতা তৈরি ও হালনাগাদ করতে পারে। Brain একজন ব্যবহারকারীর স্মৃতি ও সেশন ইতিহাসের ভিত্তিতে ব্যক্তিগত দক্ষতা লেখে ও পরিমার্জন করে, যা সেই ব্যবহারকারীর ওয়ার্কফ্লোর পদ্ধতিগুলো ধারণ করে। Perplexity-র প্রত্যেক ব্যবহারকারীর জন্য উপলব্ধ বিল্ট-ইন দক্ষতাগুলো হালনাগাদ করতে আমরা সব সেশন জুড়ে সামগ্রিক প্যাটার্নের ভিত্তিতে একই ধরনের পদ্ধতি প্রয়োগ করি।

একটি এজেন্ট সাধারণ সক্ষমতার সঙ্গে নির্বাচিত কাজের প্রসঙ্গ ও ব্যক্তিগত অভিজ্ঞতা একত্র করে। অন্তর্নিহিত মডেল পরবর্তী পদক্ষেপ বেছে নিতে কার্যকরী প্রসঙ্গ ব্যবহার করে, এবং কাজ এগোনোর সঙ্গে সঙ্গে সেই প্রসঙ্গ বদলায়। Brain স্মৃতি ও ব্যক্তিগত দক্ষতা সরবরাহ করে, তারপর যাচাই ও অনুমোদন সাপেক্ষে পরবর্তী আপডেটের জন্য নির্বাচিত সেশনের প্রমাণ ব্যবহার করে। ব্যক্তিগতকরণ প্রসঙ্গ ও নির্দেশনা বদলায়, মডেলের ওয়েট নয়। উৎসগুলো একবারে সব লোড না করে প্রয়োজন অনুযায়ী নির্বাচন করা হয়; এই ধারণাগত চিত্রে আপডেটের প্রক্রিয়াগুলো সরলীকৃত করা হয়েছে।

প্রথমে আমরা সব ধরনের দক্ষতার জন্য অভিন্ন আমাদের স্ব-উন্নয়ন ইঞ্জিনের বর্ণনা দেব, এবং ব্যাখ্যা করব এটি ব্যক্তিগত ও বিল্ট-ইন দক্ষতার ক্ষেত্রে কীভাবে কাজ করে।

অভিন্ন স্ব-উন্নয়ন ইঞ্জিন

নতুন পছন্দ তৈরি হলে বা অভিজ্ঞতা থেকে নির্দেশনায় ঘাটতি ধরা পড়লে একটি কার্যকর দক্ষতাকেও বদলাতে হয়। পরের বার Computer একই ধরনের কাজের মুখোমুখি হলে এজেন্টের আচরণ কীভাবে বদলানো উচিত তা খুঁজে বের করা, এবং কাঙ্ক্ষিত ফল আরও ভালোভাবে অর্জনের জন্য দক্ষতাটি কীভাবে বদলানো উচিত তা নির্ধারণ করার দায়িত্ব Brain-এর।

এই উন্নয়ন প্রক্রিয়াটি চারটি ধাপের একটি লুপ তৈরি করে:

  1. প্রমাণ। Brain অতীতের সেই সেশনগুলো খুঁজে বের করে যেখানে দক্ষতাটি ব্যবহার করা হয়েছিল, বিশেষ করে যেগুলোতে এটি প্রত্যাশা পূরণ করতে পারেনি।
  2. প্রতিফলন। একটি উন্নয়ন এজেন্ট সেই প্রমাণ বিশ্লেষণ করে এবং দক্ষতাটির হালনাগাদের প্রস্তাব দেয়।
  3. যাচাই। বিভিন্ন পরীক্ষার মাধ্যমে নিশ্চিত করা হয় যে প্রস্তাবটি সঠিকভাবে গঠিত এবং এটি ফলাফল উন্নত করবে বলে সম্ভাবনা রয়েছে।
  4. সক্রিয়করণ। যাচাই করা পরিবর্তনটি প্রয়োগ করা হয়। ভবিষ্যতের সেশনগুলো নতুন সংস্করণ ব্যবহার করে, যা পরবর্তী রাউন্ডের জন্য প্রমাণ জোগায়।
Brain অতীতের সেই সেশনগুলো নির্বাচন করে যেখানে দক্ষতাটি ব্যবহার করা হয়েছিল, বিশেষ করে যেগুলোতে এটি প্রত্যাশা পূরণ করতে পারেনি। একটি উন্নতি এজেন্ট একটি আপডেটের প্রস্তাব দেয়, এবং যাচাইয়ের মাধ্যমে মূল্যায়ন করা হয় এটি সঠিকভাবে গঠিত কি না এবং ফলাফল উন্নত করার সম্ভাবনা আছে কি না। প্রয়োগের পর, নতুন সংস্করণটি ভবিষ্যৎ সেশনগুলোতে ব্যবহৃত হয় এবং পরবর্তী রাউন্ডের জন্য প্রমাণ জোগায়।

এই লুপটি Computer ও Brain-এর জন্য তৈরি অনেক বিদ্যমান সক্ষমতার ওপর নির্ভর করে। এখানে আমরা সেই অভিন্ন ব্যবস্থার বর্ণনা দিচ্ছি যা প্রমাণ ও প্রতিফলন সম্ভব করে। যাচাই ও সক্রিয়করণের প্রক্রিয়া নির্ভর করে পরিবর্তনটি একজন ব্যবহারকারীর কাছে পৌঁছায় নাকি Perplexity-র প্রত্যেক ব্যবহারকারীর কাছে, তাই আমরা এগুলো পরবর্তী অংশগুলোতে ব্যক্তিগত ও বিল্ট-ইন দক্ষতা উন্নয়ন লুপ প্রসঙ্গে আলোচনা করেছি।

অতীত সেশনের প্রমাণ

প্রতিফলনের জন্য সেই সেশনগুলো খুঁজে বের করতে হয় যেখানে কোনো দক্ষতা ব্যবহার করা হয়েছে, বিশেষ করে যেগুলোতে উন্নতির সুযোগ আছে। Computer harness এমন সংকেত রেকর্ড করে যা এটি সম্ভব করে। এজেন্ট কোনো দক্ষতা লোড করলে harness একটি দক্ষতা-লোড ইভেন্ট রেকর্ড করে, যা দক্ষতাটিকে সেশনের সঙ্গে যুক্ত করে। এজেন্ট যখন ব্যবহারকারীর বিরক্তি, ত্রুটিপূর্ণ আচরণ বা স্পষ্ট অকার্যকারিতা লক্ষ করে, তখন এজেন্ট একটি সংক্ষিপ্ত, কাঠামোবদ্ধ ডায়াগনস্টিক জমা দেয় এবং harness তাতে ব্যবহৃত দক্ষতাগুলো যুক্ত করে। এগুলো বিশেষভাবে বিল্ট-ইন দক্ষতার ক্ষেত্রে কাজে লাগে, যেখানে যেকোনো সেশনই প্রাসঙ্গিক হতে পারে, তাই প্রমাণের পরিসর দ্রুত ছোট করে আনার একটি উপায় সিস্টেমের প্রয়োজন।

ফলাফল বা সংক্ষিপ্ত সারাংশের ভিত্তিতে সিদ্ধান্ত নেওয়ার চেয়ে পূর্ণ রেকর্ডে অ্যাক্সেস থাকলে এজেন্টরা বেশি উপকৃত হয়। Computer অতীতের সেশনগুলো প্রোভাইডার-নিরপেক্ষ ট্র্যাজেক্টরি রূপে সংরক্ষণ করে, যা বার্তা, টুল কল, রিজনিং এবং ফলাফল ধারণ করে। আমরা কমান্ড-লাইন টুলের একটি সংগ্রহও তৈরি করেছি, যা দিয়ে এজেন্টরা এই ট্র্যাজেক্টরিগুলো ডিকোড করে পূর্ণ সেশন পুনর্গঠন করতে পারে। এর ফলে প্রতিফলন এজেন্ট নির্দিষ্ট দক্ষতা লোড ও টুল কল পরীক্ষা করে ঠিক কোন জায়গায় সমস্যা হয়েছে বা উন্নতি করা যেত তা চিহ্নিত করতে পারে।

bash
# Decode a stored trajectory into structured messages, # including tool calls, their arguments, and their results. python3 deserialize_trajectory.py \ --convo-path session/convo.pb.lz4 \ --jsonl -o session.jsonl # Identify which skills the agent loaded and how often. python3 list_skills_used.py session.jsonl # Read one turn in detail, including its tool calls and results. python3 deserialize_trajectory.py \ --convo-path session/convo.pb.lz4 \ --turn 3 -o turn-3.md # Recover earlier steps preserved before a context compaction. python3 deserialize_trajectory.py \ --convo-path session/compactions/001/original_convo.pb.lz4 \ --jsonl -o earlier-history.jsonl

Computer-এর অভ্যন্তরীণ ট্র্যাজেক্টরি-পরিদর্শন টুলের ব্যবহারের উদাহরণ। দৃষ্টান্তের জন্য পাথ ও আইডেন্টিফায়ার সরলীকৃত করা হয়েছে; কমান্ডের নাম ও আর্গুমেন্ট বাস্তবায়ন অনুযায়ী রাখা হয়েছে।

ব্যাকগ্রাউন্ড এজেন্টের মাধ্যমে প্রতিফলন

প্রত্যেক ব্যবহারকারীর অভিজ্ঞতা নিরবচ্ছিন্নভাবে উন্নত করতে Brain ব্যাকগ্রাউন্ড এজেন্টদের একটি দল ব্যবহার করে। উদাহরণস্বরূপ, Dream এজেন্টরা জমে থাকা অভিজ্ঞতা পর্যালোচনা করে নলেজ উইকি হালনাগাদ করে। একইভাবে, দক্ষতা উন্নয়ন পরিচালিত হয় উন্নয়ন এজেন্টদের মাধ্যমে, যারা দক্ষতা ব্যবহারের প্রমাণ নিয়ে প্রতিফলন করে হালনাগাদের প্রস্তাব দেয়।

প্রত্যেক এজেন্ট একটি ফ্রন্টিয়ার মডেল, প্রাসঙ্গিক প্রমাণ এবং বর্তমান দক্ষতা লাইব্রেরি নিয়ে নিজস্ব স্যান্ডবক্সে কাজ করে, আর প্লাগইন ও দক্ষতা তাকে পথ দেখায়। এটি ঠিক করে কোন সেশনগুলো পড়বে, প্রতিটি থেকে একটি সুনির্দিষ্ট শিক্ষা নেয় এবং যেসব শিক্ষা একই পুনর্ব্যবহারযোগ্য আচরণের দাবি করে সেগুলোকে একসঙ্গে গোষ্ঠীভুক্ত করে। যেহেতু একটি ব্যর্থতার সমাধান অন্য কোনো নির্দেশনার সঙ্গে সাংঘর্ষিক হতে পারে বা অন্য কোথাও বাড়তি কাজ যোগ করতে পারে, তাই এটি কোনো সম্পাদনার প্রস্তাব দেওয়ার আগে পুরো দক্ষতাটি পড়ে, এবং প্রমাণ সমর্থন না করলে প্রস্তাব দেওয়া থেকে বিরত থাকে।

উন্নয়ন এজেন্টরা Computer যে harness-এ চলে, সেই একই harness-এ চলে। আমরা harness-টিকে মডুলার করেছি, যাতে একটি নতুন এজেন্ট অ্যাপ্লিকেশন রিজনিং, টুল ব্যবহার এবং কনটেক্সট ব্যবস্থাপনার জন্য এর ব্যবস্থা পুনরায় ব্যবহার করতে পারে, আর প্লাগইনের মাধ্যমে নিজস্ব নির্দেশনা ও সক্ষমতা নির্ধারণ করতে পারে। একটি নিবেদিত ব্যাকগ্রাউন্ড ওয়ার্কার ফ্লিটের মাধ্যমে আমরা ফোরগ্রাউন্ড কাজ থেকে স্বাধীনভাবে এই প্রক্রিয়াকরণের পরিসর বাড়াতে পারি।

ইন্টারঅ্যাক্টিভ এজেন্ট এবং ব্যাকগ্রাউন্ড উন্নতি এজেন্ট একই Computer harness-এ চলে। উন্নতি এজেন্ট সেশনের প্রমাণ ও বর্তমান দক্ষতা ব্যবহার করে একটি পরিবর্তনের প্রস্তাব দেয় অথবা বিরত থাকে। একটি নতুন সংস্করণ ভবিষ্যৎ সেশনগুলোর জন্য উপলব্ধ হওয়ার আগে, প্রস্তাবটিকে দক্ষতার ধরন অনুযায়ী নির্দিষ্ট যাচাইয়ে উত্তীর্ণ হতে হবে।

ব্যক্তিগত দক্ষতা উন্নয়ন লুপ

প্রথমে আমরা বর্ণনা করব কীভাবে অভিন্ন স্ব-উন্নয়ন ইঞ্জিনটি ব্যক্তিগত উন্নয়ন লুপে প্রয়োগ করা হয়, যা একজন ব্যবহারকারীর কাজের ইতিহাসকে নতুন বা হালনাগাদ করা ব্যক্তিগত দক্ষতায় রূপান্তর করে। নিচের চিত্রে একটি উদাহরণ দক্ষতাকে পুরো লুপের মধ্য দিয়ে অনুসরণ করা হয়েছে, যা শেষ হয় সংশোধিত সংস্করণে।

ব্যক্তিগত-দক্ষতা লুপ সেশনের প্রমাণ থেকে শুরু করে উন্নয়ন এজেন্ট, প্রস্তাব যাচাই এবং সক্রিয়করণের মধ্য দিয়ে এগোয়। বর্তমান দক্ষতাগুলোও উন্নয়ন এজেন্টকে তথ্য জোগায়; সক্রিয় করা পরিবর্তনগুলো ভবিষ্যতের সেশনে উপলব্ধ হয়।

প্রতিদিনের জেনারেশন রানের সময় উন্নয়ন এজেন্ট ব্যবহারকারীর সাম্প্রতিক সেশনগুলো পর্যালোচনা করে কোন পরিবর্তনগুলো করা উচিত তা নির্ধারণ করে। সাম্প্রতিক সেশনগুলোর একটি সেট দক্ষতা ব্যবহারের ডেটাসহ আগে থেকেই স্যান্ডবক্সে লোড করা থাকে; ব্যবহারকারীর বাকি সেশন ইতিহাস প্রয়োজন অনুযায়ী সংগ্রহ করা যায়। উন্নয়ন এজেন্ট বিদ্যমান দক্ষতাগুলোর ক্যাটালগও পায়। ইন্টারনেট বা অন্য কোনো কানেক্টরে এর অ্যাক্সেস নেই।

ব্যক্তিগত দক্ষতা উন্নয়ন ওয়ার্কফ্লোর জন্য তৈরি প্লাগইন ও দক্ষতা প্রতিফলন প্রক্রিয়াকে পথ দেখায়, যা একটি ভালো হালনাগাদের বৈশিষ্ট্য সম্পর্কে আমাদের নীতির ওপর ভিত্তি করে তৈরি। এজেন্ট প্রথমে পূর্ণ ট্র্যাজেক্টরি বিশ্লেষণ করে প্রতিটি সেশনে একটি সুনির্দিষ্ট শিক্ষা চিহ্নিত করে। এরপর শিক্ষাগুলোকে বিদ্যমান নির্দেশনার সঙ্গে তুলনা করে সিদ্ধান্ত নেয় কোনো দক্ষতা হালনাগাদ করবে, নতুন দক্ষতা তৈরি করবে, নাকি কোনো পরিবর্তনই করবে না। নতুন দক্ষতা তৈরির জন্য একই পুনর্ব্যবহারযোগ্য আচরণের দুটি স্বাধীন ঘটনা প্রয়োজন, অথচ বিদ্যমান দক্ষতা হালনাগাদের জন্য প্রমাণভিত্তিক একটি ঘটনাই যথেষ্ট হতে পারে।

এজেন্ট সরাসরি দক্ষতাটি পরিবর্তন করে না। বরং এটি একটি প্রস্তাব তৈরি করে, যেখানে উদ্দিষ্ট পরিবর্তন এবং সহায়ক যুক্তি ও প্রমাণ লিপিবদ্ধ থাকে। প্রতিটি রানে প্রতিটি দক্ষতার জন্য হালনাগাদ একটি পরিবর্তনে সীমাবদ্ধ। ডিটারমিনিস্টিক পরীক্ষাগুলো যাচাই করে যে প্রস্তাবগুলো সঠিকভাবে গঠিত এবং দক্ষতায় প্রয়োগযোগ্য। আলাদাভাবে, একটি LLM বিচারক নমুনা হিসেবে বাছাই করা প্রস্তাবগুলো নিরীক্ষা করে, যাচাই করে যে প্রমাণ পরিবর্তনটিকে সমর্থন করে কি না এবং ফলস্বরূপ দক্ষতাটি কার্যকর নির্দেশনা দেয় কি না।

সক্রিয়করণ একটি যাচাই করা প্রস্তাবকে ব্যবহারকারীর দক্ষতা লাইব্রেরিতে একটি পরিবর্তনে রূপ দেয়, যাতে ভবিষ্যতের সেশনে নতুন সংস্করণটি লোড ও ব্যবহার করা যায়। যেহেতু harness প্রতিটি সেশনের শুরুতে সব উপলব্ধ দক্ষতার একটি সূচি লোড করে, তাই দক্ষতার বড় লাইব্রেরি কনটেক্সট উইন্ডো ভারাক্রান্ত করে ফেলতে পারে এবং এজেন্টের পক্ষে প্রাসঙ্গিক দক্ষতা খুঁজে লোড করা কঠিন করে তুলতে পারে। ফলে সিস্টেম কেবল সবচেয়ে মূল্যবান দক্ষতাগুলো রাখে এবং একটি ছোট, বাছাই করা লাইব্রেরি বজায় রাখতে অপ্রয়োজনীয় দক্ষতাগুলো অবসরে পাঠায়। নির্দিষ্টভাবে, আমরা প্রত্যেক ব্যবহারকারীর জন্য স্বয়ংক্রিয়ভাবে তৈরি দক্ষতার সর্বোচ্চ সীমা ১০টি নির্ধারণ করেছি। সীমায় পৌঁছালেও উন্নয়ন এজেন্ট দক্ষতা হালনাগাদ করতে বা সরাতে পারে, তবে নতুন দক্ষতা যোগ করতে হলে তাকে একটি বিদ্যমান দক্ষতা অবসরে পাঠাতে হবে এবং ব্যাখ্যা করতে হবে কেন নতুন দক্ষতাটি ব্যবহারকারীর কাজের জন্য বেশি উপযোগী।

বিল্ট-ইন দক্ষতা উন্নয়ন লুপ

আমরা Brain-এর নিরবচ্ছিন্ন দক্ষতা উন্নয়ন কাঠামো বিল্ট-ইন দক্ষতাগুলোতেও প্রসারিত করেছি। একজন ব্যবহারকারীর স্মৃতি ও সেশন ইতিহাস ব্যবহার করে শুধু সেই ব্যবহারকারীর ব্যক্তিগত দক্ষতা উন্নত করার বদলে বিল্ট-ইন লুপ অনেক ব্যবহারকারীর প্রমাণ ব্যবহার করে Perplexity-র প্রত্যেক ব্যবহারকারীর জন্য উপলব্ধ দক্ষতাগুলো উন্নত করে। যেহেতু বিল্ট-ইন দক্ষতা যে কেউ ব্যবহার করতে পারে, তাই পরিবর্তনের মানদণ্ড উঁচু; অনিচ্ছাকৃতভাবে পারফরম্যান্স খারাপ করে এমন হালনাগাদ হাজার হাজার সেশনকে প্রভাবিত করতে পারে। বিল্ট-ইন উন্নয়ন এজেন্ট কেবল দক্ষতার প্রার্থী সংস্করণগুলো পরিবর্তন করে। দক্ষতার প্রামাণিক সংস্করণে পৌঁছাতে এই হালনাগাদগুলোকে জোড়া রিপ্লে এবং অভ্যন্তরীণ মানব পর্যালোচনা পেরোতে হয়। আবারও, আমরা একটি উদাহরণ দক্ষতা ও সহায়ক প্রমাণসহ পুরো লুপটি অনুসরণ করছি।

ব্যর্থ সেশনগুলো থেকে একটি মূল কারণ এবং আলাদা করে রাখা ব্যর্থতার পরিস্থিতি পাওয়া যায়। উন্নয়ন এজেন্ট মূল কারণ ও সমস্যাহীন উদাহরণ ব্যবহার করে একটি সংশোধনের প্রস্তাব দেয়; পরিস্থিতিগুলো কখনোই তাকে দেখানো হয় না। জোড়া রিপ্লে একই পরীক্ষায় বর্তমান ও সংশোধিত দক্ষতার তুলনা করে, এবং সফল প্রার্থীগুলো অনুমোদন ও মার্জের আগে মানব পর্যালোচনায় যায়।

বিল্ট-ইন উন্নয়ন লুপ প্রশিক্ষণে ব্যবহারের যোগ্য সেশনগুলো থেকে স্যানিটাইজ করা প্রমাণ ব্যবহার করে। প্রাসঙ্গিক প্রমাণ বাছাই করতে ডায়াগনস্টিক ও ব্যর্থতার সংকেত ব্যবহার করা হয়, পাশাপাশি এমন নিয়ন্ত্রণ সেশনও নেওয়া হয় যেখানে দক্ষতাটি কোনো সতর্কসংকেত ছাড়াই ব্যবহৃত হয়েছে। একটি স্যানিটাইজেশন পাইপলাইন সংযুক্ত ফাইল ও মিডিয়ার পাশাপাশি ক্রেডেনশিয়াল ও অন্যান্য গোপন তথ্য সরিয়ে ফেলে।

একটি পরিস্থিতি-তৈরির এজেন্ট স্যানিটাইজ করা প্রমাণকে সুনির্দিষ্ট ব্যর্থতার পরিস্থিতিতে রূপান্তর করে। এটি কেবল ব্যর্থতার ঘটনাটি বোঝা ও দক্ষতাটি উন্নত করার জন্য প্রয়োজনীয় কনটেক্সট রাখে; সেশনের বাকি অংশ কৃত্রিমভাবে পুনর্গঠন করা হয়, যাতে যাচাই প্রক্রিয়ার জন্য একটি স্বয়ংসম্পূর্ণ পরীক্ষা তৈরি হয়। পরিস্থিতিগুলোকে সংযুক্ত অ্যাপ বা সাইন-ইন ছাড়াই চলতে হয়; মূল কাজটি কোনো কানেক্টরের ওপর নির্ভরশীল হলে পরিস্থিতিতে সেই ইনপুটের জায়গায় কৃত্রিম ফাইল দেওয়া হয়। একটি পৃথক পরীক্ষা যাচাই করে যে তৈরি করা পরিস্থিতিতে দক্ষতাটি ব্যর্থ হয়।

প্রতিফলন ঘটে একটি সাপ্তাহিক সংশোধন জবের মাধ্যমে, যা পর্যবেক্ষিত ব্যর্থতাগুলোকে সমাধানে রূপ দেয়। এটি এমন দক্ষতা-ব্যর্থতা খোঁজে যা একাধিক সেশনে বারবার ঘটে, যাতে একটি মাত্র খারাপ সেশনের কারণে কোনো সম্পাদনা না হয়। প্রতিটি পুনরাবৃত্ত ব্যর্থতার জন্য আলাদাভাবে একটি উন্নয়ন এজেন্ট রান করা হয়। এজেন্ট মূল কারণের একটি বিবরণ পায়, সঙ্গে সফল সেশনগুলোর স্যানিটাইজ করা রেকর্ড। এই প্রমাণ ব্যবহার করে এটি দক্ষতার একটি প্রার্থী সংশোধন লেখে। এটি পূর্ণ ব্যর্থতার পরিস্থিতিগুলো পায় না, কারণ সেগুলো মূল্যায়নে ব্যবহার করা হয়।

একটি পৃথক রিপ্লে জব তৈরি করা পরিস্থিতিগুলো ব্যবহার করে দক্ষতার মূল ও সংশোধিত সংস্করণের তুলনা করে। একটি LLM বিচারক প্রতিটি পরিস্থিতির রুব্রিক অনুযায়ী এজেন্টের উত্তর ও ট্র্যাজেক্টরি মূল্যায়ন করে। কোনো প্রস্তাব উত্তীর্ণ হতে হলে সংশোধিত দক্ষতা দিয়ে প্রতিটি পরীক্ষার পরিস্থিতিতে উত্তীর্ণ হতে হবে, এবং মূল দক্ষতা দিয়ে অন্তত একটিতে ব্যর্থ হতে হবে। কোনো কিছু কাজ করা বন্ধ করেনি তা নিশ্চিত করতে নিয়ন্ত্রণ সেশন থেকে তৈরি পরিস্থিতিগুলোও রিপ্লে করা হয়। ব্যর্থতার পরিস্থিতিগুলোর ক্ষেত্রে বিচারক এটিও যাচাই করে যে নির্দিষ্ট ব্যর্থতাটিই ঘটেছে, যাতে অসফল কোনো কাজকে একই সমস্যার প্রমাণ হিসেবে ধরে নেওয়া না হয়।

ওয়ার্কফ্লোটি প্রার্থী পরিবর্তন ও মূল্যায়নের ফলাফল অভ্যন্তরীণ মানব পর্যালোচনার জন্য একটি pull request-এ একত্র করে। কোনো ইঞ্জিনিয়ার PR অনুমোদন করলেই কেবল পরিবর্তনগুলো কার্যকর হয়।

মূল্যায়ন

স্বয়ংক্রিয় দক্ষতা উন্নয়নের ফলে দক্ষতা তৈরি ও ব্যবহার উল্লেখযোগ্যভাবে বেড়েছে। ১ আগস্ট থেকে ১৪ নভেম্বরের মধ্যে Brain ২০,০০০-এর বেশি ব্যবহারকারীর জন্য ৮০,০০০-এর বেশি ব্যক্তিগত দক্ষতা লিখেছে। এ ছাড়া, ৪ সেপ্টেম্বর থেকে ১৪ নভেম্বরের মধ্যে ৩০,০০০-এর বেশি বিদ্যমান ব্যক্তিগত দক্ষতায় ১,০০,০০০-এর বেশি স্বয়ংক্রিয় হালনাগাদ প্রয়োগ করা হয়েছে।

এই দক্ষতাগুলো সফটওয়্যার যাচাই থেকে শুরু করে বেতন-হিসাব মেলানো ও চিত্র ডিজাইন পর্যন্ত বিস্তৃত পরিসরের ক্ষেত্র ও কাজ জুড়ে রয়েছে। আমরা Brain-এর তৈরি দক্ষতাগুলোকে সেগুলোর বর্ণিত ওয়ার্কফ্লোর ভিত্তিতে শ্রেণিবদ্ধ করেছি। এমনকি সবচেয়ে বড় ক্ষেত্র সফটওয়্যার ইঞ্জিনিয়ারিংয়ের ভাগেও মোট দক্ষতার মাত্র ১১% পড়েছে; এর পরে রয়েছে গবেষণা ও ব্রিফিং (১০.১%), বিক্রয় ও পরিচালনা (৯.৯%), এবং অর্থ ও বিনিয়োগ (৯.৯%)।

১ আগস্ট থেকে ৪ নভেম্বর পর্যন্ত স্বয়ংক্রিয়ভাবে তৈরি ৬৪,২৩০টি ব্যক্তিগত দক্ষতার মধ্যে সফটওয়্যার ইঞ্জিনিয়ারিংয়ের অংশ সবচেয়ে বেশি (১১.০%), এরপর রয়েছে গবেষণা ও ব্রিফিং (১০.১%)। দেখানো দশটি ক্ষেত্র নমুনার সব দক্ষতার ৮০.৩%।

আমরা প্রোডাকশন ট্রাফিকে আট সপ্তাহের একটি র‍্যান্ডমাইজড পরীক্ষা চালিয়েছি, যেখানে স্বয়ংক্রিয় ব্যক্তিগত-দক্ষতা উন্নয়ন চালু থাকা ব্যবহারকারীদের সঙ্গে এটি বন্ধ থাকা একটি নিয়ন্ত্রণ দলের তুলনা করা হয়েছে। দক্ষতা উন্নয়ন চালু থাকা ব্যক্তিদের ৭২.৯% অন্তত একটি নতুন ব্যক্তিগত দক্ষতা পেয়েছেন, অথচ এটি ছাড়া মাত্র ৬.৫% ব্যক্তি নিজে থেকে একটি নতুন দক্ষতা যোগ করেছেন। পরীক্ষামূলক দলের অর্ধেকেরও বেশি (৫৩%) ব্যবহারকারীর শুরু করা কোনো কথোপকথনে একটি ব্যক্তিগত দক্ষতা লোড হয়েছে, যেখানে নিয়ন্ত্রণ দলের ক্ষেত্রে এই হার ১৩%; তাদের টার্নগুলোতে ব্যক্তিগত দক্ষতা প্রায় ৩.৬ গুণ বেশি বার লোড হয়েছে। যেসব গ্রাহক Brain-এর লেখা কোনো দক্ষতা পেয়েছেন, তাদের ৬৩% চার সপ্তাহের মধ্যে পরবর্তী কোনো কথোপকথনে আবারও এমন একটি দক্ষতা ব্যবহার করেছেন।

আট সপ্তাহের একটি র‍্যান্ডমাইজড প্রোডাকশন পরীক্ষায়, স্বয়ংক্রিয় দক্ষতা উন্নতি চালু থাকা ব্যবহারকারীদের ৭২.৯% অন্তত একটি নতুন ব্যক্তিগত দক্ষতা পেয়েছেন, যেখানে কন্ট্রোল গ্রুপে এই হার ছিল ৬.৫%। চালু থাকা গ্রুপের ৫৩% এবং কন্ট্রোল গ্রুপের ১৩% ব্যবহারকারীর ক্ষেত্রে, ব্যবহারকারীর নিজের শুরু করা কথোপকথনে একটি ব্যক্তিগত দক্ষতা লোড হয়েছে।

আমাদের মূল্যায়নগুলোর লক্ষ্য হলো এই নতুন ও হালনাগাদ করা দক্ষতাগুলো কাজ সম্পাদন ও সামগ্রিক পারফরম্যান্সে কী প্রভাব ফেলে তা নির্ধারণ করা।

একই র‍্যান্ডমাইজড পরীক্ষার ফলাফলে টুল কল ব্যর্থতা ও ব্যবহারকারীর অসন্তুষ্টি কমার চিত্র দেখা গেছে। স্বয়ংক্রিয় দক্ষতা উন্নয়ন চালু থাকা ব্যবহারকারীদের ক্ষেত্রে Computer-এর সব কার্যক্রম জুড়ে টুল কল ব্যর্থতার হার ১১% কমেছে। সিস্টেমের নিজস্ব ব্যাকগ্রাউন্ড রানগুলো বাদ দিলেও টুল কল প্রায় ৭% কম ব্যর্থ হয়েছে, যা ইঙ্গিত দেয় যে ব্যবহারকারীর কাজে নির্ভরযোগ্যতা বেড়েছে। ব্যবহারকারীপ্রতি মাঝারি/উচ্চ অসন্তুষ্টির থ্রেড দিয়ে পরিমাপ করা ব্যবহারকারীর অসন্তুষ্টি ৭.৬% কমেছে। খরচ বা প্রতিক্রিয়ার সময়ে আমরা কোনো পরিমাপযোগ্য পরিবর্তন দেখিনি। এই প্রাথমিক পরীক্ষাগুলো আশাব্যঞ্জক ফলাফল দেখিয়েছে, এবং আমরা আশা করি সিস্টেমটি পরিমার্জন ও আরও বেশি ব্যবহারকারীর কাছে স্ব-উন্নয়নশীল দক্ষতা চালু করার সঙ্গে সঙ্গে উন্নতিগুলো সময়ের সঙ্গে আরও বাড়বে।

অফলাইন পরীক্ষাতেও তুলনামূলক সীমিত পরিসরে উন্নতি দেখা গেছে। একটি SkillLearnBench পরীক্ষায় Computer আগের কাজের ট্র্যাজেক্টরি ব্যবহার করে নয়টি কাজ-পরিবারের প্রতিটির জন্য একটি করে ব্যক্তিগত দক্ষতা তৈরি করেছে। ১৬টি জোড়া মূল্যায়ন দৃষ্টান্ত জুড়ে কাজের সাফল্য দক্ষতা ছাড়া ৪৩.৮% থেকে তৈরি করা দক্ষতাসহ ৬২.৫%-এ বেড়েছে, যা প্রমাণ দেয় যে অতীত অভিজ্ঞতা থেকে তৈরি দক্ষতা পুনরাবৃত্ত কাজে পারফরম্যান্স উন্নত করতে পারে। একটি বিল্ট-ইন কেস স্টাডিতে, একটি ই-কমার্স দক্ষতার সম্পাদনার ফলে ৩২% কম খরচে মান ৬% বেড়েছে, যেখানে মান পরিমাপ করেছে একটি স্বয়ংক্রিয় বিচারক।

উপসংহার

স্ব-উন্নয়নশীল দক্ষতা Computer-কে তার করা কাজ থেকে শেখার আরেকটি উপায় দেয়। এটি Brain-এর পরিসর বাড়িয়ে প্রক্রিয়াগত স্মৃতি তৈরি ও বজায় রাখা সম্ভব করে, যা জটিল ওয়ার্কফ্লোতে পারফরম্যান্স উন্নত করে। স্বয়ংক্রিয় দক্ষতা উন্নয়ন ইতিমধ্যে দক্ষতার ব্যবহার বাড়িয়েছে, টুল ব্যর্থতার হার কমিয়েছে এবং ব্যবহারকারীর অসন্তুষ্টি হ্রাস করেছে।

ব্যক্তিগত দক্ষতা উন্নয়ন এখন মার্কিন যুক্তরাষ্ট্রের সকল Max গ্রাহকের জন্য উপলব্ধ। যোগ্য ব্যবহারকারীদের জন্য এটি ডিফল্টভাবে চালু থাকে, তবে বন্ধ করা যায়। প্লাগইন ট্যাবে উপলব্ধ দক্ষতাগুলো দেখা যায়, Brain-এর লেখা দক্ষতাগুলো চিহ্নিত থাকে এবং ব্যবহারকারীরা কোন দক্ষতাগুলো চালু থাকবে তা বেছে নিতে পারেন।

এরপর আমরা ব্যবহারকারীর লেখা দক্ষতা, প্রজেক্টের মধ্যে শেয়ার করা দক্ষতা এবং প্রতিষ্ঠানের দক্ষতাসহ আরও বিভিন্ন শ্রেণির দক্ষতায় উন্নয়ন প্রসারিত করব। সংশোধনগুলো যাতে আরও নির্ভরযোগ্য পদ্ধতি ও ভালো ফলাফল আনে, সে জন্য আমরা উন্নয়ন পাইপলাইন ও এর মূল্যায়নগুলো পরিমার্জন করতে থাকব।

উদ্ধৃতি

BibTeX
@online{perplexity2026SelfImprovingSkills,
  author = {{Perplexity} and Nicholas Bien and Se Won Jang and Kate Jung and Nikila Venkat and Jarrod Bryan and Claire Beamer and Jeremy Yang},
  title = {{Self-improving skills}},
  date = {2026-11-18},
  url = {https://www.perplexity.ai/hub/blog/self-improving-skills}
}