চ্যাট
Claw
Code
Create
Wisebase
অ্যাপস
মূল্য নির্ধারণ
Chrome-এ যোগ করুন
লগইন
লগইন
চ্যাট
Claw
Code
Create
Wisebase
অ্যাপস
প্রধান মেনুতে ফিরে যান
পণ্যসমূহ
অ্যাপস
  • এক্সটেনশনস
  • iOS
  • Android
  • Mac OS
  • Windows
Wisebase
  • Wisebase
  • Deep Research
  • Scholar Research
  • Math Solver
  • Rec NoteNew
  • Audio To Text
  • Gamified Learning
  • Interactive Reading
  • ChatPDF
টুলস
  • ওয়েব নির্মাতাNew
  • এআই স্লাইডসNew
  • এআই প্রবন্ধ লেখক
  • Nano Banana Pro
  • Nano Banana Infographic
  • এআই ইমেজ জেনারেটর
  • ইতালীয় ব্রেইনরট জেনারেটর
  • ব্যাকগ্রাউন্ড রিমুভার
  • ব্যাকগ্রাউন্ড পরিবর্তক
  • ফটো ইরেজার
  • টেক্সট রিমুভার
  • ইনপেইন্ট
  • ইমেজ আপস্কেলার
  • তৈরি করুন
  • এআই অনুবাদক
  • ইমেজ অনুবাদক
  • পিডিএফ অনুবাদক
Sider
  • যোগাযোগ করুন
  • সাহায্য কেন্দ্র
  • ডাউনলোড
  • মূল্য নির্ধারণ
  • শিক্ষা পরিকল্পনা
  • নতুন কি
  • ব্লগ
  • কমিউনিটি
  • অংশীদাররা
  • অ্যাফিলিয়েট
©2026 সমস্ত অধিকার সংরক্ষিত
ব্যবহারের শর্তাবলী
গোপনীয়তা নীতি
  • হোম পেজ
  • ব্লগ
  • এআই টুলস
  • LangGraph কি? Statefull LLM Agent-দের জন্য একটি ব্যবহারিক গাইড

LangGraph কি? Statefull LLM Agent-দের জন্য একটি ব্যবহারিক গাইড

আপডেট করা হয়েছে 17 সেপ্ট 2025

6 মিনিট


LangGraph কি? Statefull LLM Agent-দের জন্য একটি ব্যবহারিক গাইড

আপনি যদি বৃহৎ ভাষা মডেল ব্যবহার করে AI agent তৈরি করার চেষ্টা করে থাকেন এবং নির্ভরযোগ্যতা, মেমরি অথবা অর্কেস্ট্রেশন নিয়ে সমস্যায় পড়েন, তবে আপনি একা নন। একটিমাত্র প্রম্পট থেকে শুরু করে মাল্টি-স্টেপ, টুল-ব্যবহারকারী, পুনরুদ্ধারযোগ্য agent তৈরি করার ক্ষেত্রেই বেশিরভাগ প্রোটোটাইপ থমকে যায়। LangGraph ঠিক এই ব্যবধানটি পূরণ করার চেষ্টা করে।
এই ব্যবহারিক এবং সমাধান-ভিত্তিক বিস্তারিত আলোচনায়, আমরা LangGraph কী, কেন এটি গুরুত্বপূর্ণ এবং কীভাবে এটি ব্যবহার করে শক্তিশালী, stateful AI agent তৈরি করা যায় যা আপনি বাস্তবে ব্যবহার করতে পারবেন, তা নিয়ে আলোচনা করব।

সংক্ষিপ্ত সংজ্ঞা

  • LangGraph হল LangChain থেকে আসা একটি ওপেন-সোর্স, stateful অর্কেস্ট্রেশন ফ্রেমওয়ার্ক, যা LLM-চালিত agent এবং জটিল ওয়ার্কফ্লো তৈরি, নিয়ন্ত্রণ এবং স্কেল করার জন্য ব্যবহৃত হয়। এটি agent-দের একটি state graph হিসেবে মডেল করে, যেখানে নোড (ধাপ/agent/টুল), এজ (ট্রানজিশন) এবং একটি শেয়ার্ড, পরিবর্তনশীল state থাকে যা মেমরি, ব্রাঞ্চিং, রিট্রাই এবং হিউম্যান-ইন-দ্য-লুপ কন্ট্রোলগুলিকে সক্ষম করে।
  • LangGraph Platform টি deployment, scaling, monitoring এবং governance ফিচার যুক্ত করে, যা দলগুলোকে নোটবুক থেকে প্রোডাকশনে যেতে সাহায্য করে।

LangGraph কেন তৈরি হয়েছে: অর্কেস্ট্রেশন সমস্যা

বেশিরভাগ LLM অ্যাপ সহজভাবে শুরু হয়: প্রম্পট দিন, উত্তর নিন। কিন্তু বাস্তব ব্যবহারের ক্ষেত্রে আরও বেশি কিছু প্রয়োজন:
  • মাল্টি-স্টেপ রিজনিং (পরিকল্পনা → অনুসন্ধান → সংক্ষিপ্তকরণ → যাচাইকরণ)
  • টুল ব্যবহার (ডাটাবেস, API, RAG রিট্রিভাল)
  • ব্যর্থতা থেকে পুনরুদ্ধার (টাইমআউট, খারাপ আউটপুট)
  • বিভিন্ন ধাপের মধ্যে মেমরি (কনটেক্সট হারাবেন না)
  • গার্ডরেল এবং অনুমোদন (মানুষের হস্তান্তরণ, সম্মতি)
অ্যাড-হক কোড বা বেসিক চেইন দিয়ে এটি স্ক্রিপ্ট করা দ্রুত ভঙ্গুর হয়ে যায়। LangGraph আপনাকে একটি structured, stateful graph দেওয়ার মাধ্যমে এই সমস্যার সমাধান করে, যা সম্পূর্ণ রানটিকে ট্রেসযোগ্য এবং নিয়ন্ত্রণযোগ্য রেখে ব্রাঞ্চ, লুপ এবং পুনরুদ্ধার করতে পারে।

LangGraph কিভাবে কাজ করে (সহজ ভাষায়)

LangGraph কে মেমরি সহ একটি ফ্লোচার্ট হিসাবে ভাবুন:
  • নোড: LLM কল, টুল, রিট্রিভাল স্টেপ, স্কোরিং/ভ্যালিডেশন, অথবা এমনকি অন্যান্য agent।
  • এজ: নিয়ম যা নির্ধারণ করে এরপর কী হবে (যেমন, "যদি ভেরিফিকেশন ব্যর্থ হয়, তাহলে আবার চেষ্টা করুন"; "যদি কনফিডেন্স < 0.8 হয়, তাহলে একজন মানুষের সাহায্য চান")।
  • স্টেট: একটি শেয়ার্ড অবজেক্ট যা নোড দ্বারা আপডেট করা হয় (যেমন, ওয়ার্কিং মেমরি, রিট্রিভ করা ডকুমেন্ট, টুলের আউটপুট, সিদ্ধান্ত)।
  • কন্ট্রোল: রিট্রাই, লুপ, ব্রেকপয়েন্ট এবং হিউম্যান-ইন-দ্য-লুপ চেকপয়েন্টের জন্য বিল্ট-ইন প্যাটার্ন।
এই ডিজাইন আপনাকে এমন agent তৈরি করতে দেয় যা শুধু "উত্তর" দেয় না—বরং একটি প্রক্রিয়া নেভিগেট করে, কী ঘটেছে তার ট্র্যাক রাখে এবং সেই অনুযায়ী নিয়ন্ত্রিত সিদ্ধান্ত নেয়।

গুরুত্বপূর্ণ ফিচার যা আপনি ব্যবহার করবেন

  • Stateful অর্কেস্ট্রেশন: সেন্ট্রাল স্টেট যা বিভিন্ন ধাপে টিকে থাকে।
  • Agent কম্পোজিশন: পরিষ্কার ইন্টারফেসের সাথে একাধিক agent/টুল চেইন করুন।
  • নির্ধারিত কন্ট্রোল: সুস্পষ্ট ট্রানজিশন, গার্ডরেল এবং স্টপ কন্ডিশন।
  • পুনরুদ্ধার ও রিট্রাই: ত্রুটি হ্যান্ডেলিং এবং পুনরায় সম্পাদনের জন্য বিল্ট-ইন প্যাটার্ন।
  • হিউম্যান-ইন-দ্য-লুপ: মূল পর্যায়ে বিরতি দিন, পর্যালোচনা করুন এবং অনুমোদন করুন।
  • পর্যবেক্ষণযোগ্যতা: ডিবাগিং এবং অপটিমাইজেশনের জন্য রানের ট্রেস।
  • উৎপাদন পথ: LangGraph Platform এর সাথে: deployment, scaling, monitoring এবং governance।

LangGraph কখন ব্যবহার করবেন (এবং কখন করবেন না)

LangGraph ব্যবহার করুন যদি আপনার প্রয়োজন হয়:
  • ব্রাঞ্চিং লজিক সহ মাল্টি-স্টেপ ওয়ার্কফ্লো।
  • একাধিক টুল/API কল করে এমন agent এবং ত্রুটি থেকে পুনরুদ্ধার করতে হয়।
  • পুরো প্রম্পট নয়, বরং বিভিন্ন ধাপে মেমরি দরকার।
  • মানুষের অনুমোদন, সম্মতি চেকিং বা অডিট ট্রেইল প্রয়োজন।
  • উৎপাদনে পুনরুৎপাদনযোগ্য, পর্যবেক্ষণযোগ্য আচরণ প্রয়োজন।
সম্ভবত এখন বাদ দিন যদি:
  • আপনার অ্যাপটি একটি সিঙ্গেল-শট প্রম্পট বা ব্রাঞ্চিং ছাড়া একটি সাধারণ RAG হয়।
  • আপনার রিট্রাই, হিউম্যান রিভিউ বা জটিল টুল অর্কেস্ট্রেশনের প্রয়োজন নেই।

মানসিক মডেল: চেইন থেকে গ্রাফ

  • একটি "চেইন" হল লিনিয়ার: A → B → C।
  • একটি "গ্রাফ" হল কন্ডিশনাল এবং stateful: A → (যদি x) B → C, অন্যথায় D → E → C, লুপ এবং ডিসিশন গেট সহ।
LangGraph LLM agent-দের জন্য এই গ্রাফ অ্যাবস্ট্রাকশন নিয়ে আসে, যাতে আপনার কোডটি আপনি যে বাস্তব-বিশ্বের প্রক্রিয়াটি অটোমেট করছেন, তার প্রতিফলন ঘটায়।

ব্যবহারের উদাহরণ (প্যাটার্নসহ)

  1. যাচাইকরণ সহ গবেষণা কোপাইলট
  • প্ল্যান স্টেপ একটি চেকলিস্ট তৈরি করে।
  • রিট্রিভাল স্টেপ উৎস সংগ্রহ করে।
  • ড্রাফট স্টেপ একটি সারসংক্ষেপ লেখে।
  • ভেরিফিকেশন স্টেপ দাবিগুলি পরীক্ষা করে; কম আত্মবিশ্বাসের ক্ষেত্রে, রিট্রিভালে ফিরে যান।
  • প্রকাশ করার আগে মানুষের পর্যালোচনা।
  1. গ্রাহক সহায়তা ট্রায়াজ
  • ইনজেকশন টিকেট পার্স করে।
  • শ্রেণীবদ্ধকারী সঠিক নীতি গাছের দিকে রুট করে।
  • টুল কল অর্ডার/অ্যাকাউন্ট ডেটা টানে।
  • সমাধান খসড়া করা হয়েছে, তারপর নীতি পরীক্ষক যাচাই করে।
  • যদি ব্যতিক্রম চিহ্নিত করা হয়, তাহলে agent বা মানুষের কাছে পাঠান।
  1. CRM ইন্টিগ্রেশন সহ বিক্রয় ইমেল agent
  • API এর মাধ্যমে সম্ভাবনা বৃদ্ধি।
  • পণ্য ম্যাপিং সহ খসড়া ব্যক্তিগতকরণ।
  • সম্মতি গেট শব্দগুচ্ছ পরীক্ষা করে।
  • CRM এ লগিং; যদি API ব্যর্থ হয়, তাহলে ব্যাকঅফ দিয়ে পুনরায় চেষ্টা করুন।
এই তিনটি state আপডেট, শর্তসাপেক্ষ ট্রানজিশন, রিট্রাই এবং ঐচ্ছিক মানুষের অনুমোদনের উপর নির্ভর করে—যা LangGraph এর সেরা জায়গা।

একটি সংক্ষিপ্ত ধারণাগত স্কেচ

# ধারণাটি বোঝানোর জন্য সিউডোকোড-জাতীয় উদাহরণ
from langgraph import StateGraph, Node, Edge
state = {"query": None, "docs": [], "draft": None, "confidence": 0.0}
plan = Node(lambda s: s.update(plan=plan_with_llm(s["query"])) or s)
retrieve = Node(lambda s: s.update(docs=search_tools(s["plan"])) or s)
write = Node(lambda s: s.update(draft=llm_write(s["docs"])) or s)
verify = Node(lambda s: s.update(confidence=grade(s["draft"])) or s)
edges = [
Edge(plan, retrieve),
Edge(retrieve, write),
Edge(write, verify),
Edge(verify, retrieve, condition=lambda s: s["confidence"] < 0.8), # retry loop
]
graph = StateGraph(state, nodes=[plan, retrieve, write, verify], edges=edges)
result_state = graph.run({"query": "Summarize LangGraph"})
এটি মূল বিষয়টিকে তুলে ধরে: state বিভিন্ন ধাপে বিদ্যমান, এজ কন্ট্রোল ফ্লো এনকোড করে এবং লুপ/রিট্রাই প্রথম শ্রেণীর।

ইন্টিগ্রেশন ল্যান্ডস্কেপ

  • LangChain কম্পোনেন্টগুলির (LLM, টুল, রিট্রিভার) পাশাপাশি কাজ করে, কিন্তু ধারণাগতভাবে স্বতন্ত্র: এটি একটি state গ্রাফের মধ্যে তাদের অর্কেস্ট্রেট করে।
  • ট্রেসিং/মেট্রিক্সের জন্য পর্যবেক্ষণযোগ্যতা স্ট্যাকের সাথে ভালোভাবে কাজ করে।
  • LangGraph Platform টিম-রেডি অংশ যোগ করে: deployment, scaling, monitoring, সহযোগিতা।

শেখSalার кривая: কী আশা করবেন

  • আপনি যদি LangChain এবং অ্যাসিঙ্ক্রোনাস ওয়ার্কফ্লোতে স্বাচ্ছন্দ্য বোধ করেন তবে আপনি সহজেই বুঝতে পারবেন।
  • নতুন অংশটি হল সুস্পষ্ট state ট্রানজিশন সহ গ্রাফ হিসাবে আপনার লজিক মডেলিং করা।
  • এর ফল: কম লুকানো পার্শ্ব প্রতিক্রিয়া, আরও ভাল পুনরুৎপাদনযোগ্যতা এবং সহজ ডিবাগিং।

সাধারণ ভুল (এবং সমাধান)

  • অতিরিক্ত state: state কে সংক্ষিপ্ত এবং структурировано রাখুন; বিশাল блоবের পরিবর্তে রেফারেন্স храните।
  • সীমাহীন লুপ: हमेशा স্টপ কন্ডিশন এবং কাউন্টার যোগ করুন।
  • অস্বচ্ছ ট্রানজিশন: ট্রেসযোগ্যতার জন্য নোডগুলির নাম পরিষ্কারভাবে দিন এবং state ডিফারেন্স লগ করুন।
  • টুল বিশৃঙ্খলা: টাইমআউট, রিট্রাই এবং টাইপ করা আউটপুট সহ টুলগুলি র‍্যাপ করুন।

কর্মক্ষমতা এবং নির্ভরযোগ্যতার টিপস

  • অগ্রগতি গেট করার জন্য স্কোরিং/যাচাইকরণ নোড ব্যবহার করুন।
  • খরচ কমাতে স্থিতিশীল সাবগ্রাফগুলি (যেমন, রিট্রিভাল) ক্যাশ করুন।
  • সম্ভব হলে স্বাধীন শাখাগুলিকে সমান্তরাল করুন।
  • ঝুঁকিপূর্ণ API-এর জন্য ব্যাকঅফ কৌশল যুক্ত করুন।
  • মানুষের হস্তক্ষেপ কেবল সেখানেই ব্যবহার করুন যেখানে এটি ফলাফল পরিবর্তন করে।

By the way: Sider.AI দিয়ে দ্রুত তৈরি করুন

Relevance Score: 8/10.
আপনি যদি মাল্টি-এজেন্ট ওয়ার্কফ্লোর প্রোটোটাইপিং করেন, তবে এটি লক্ষণীয় যে Sider.AI প্রম্পট, সরঞ্জাম এবং রানগুলিকে व्यवस्थित রেখে পরীক্ষা-নিরীক্ষা আরও সহজ করতে পারে, যা LangGraph নোডগুলিতে পুনরাবৃত্তি করা এবং আউটপুট বিশ্লেষণ করা সহজ করে তোলে। জটিল গ্রাফগুলিতে ট্রানজিশনগুলিকে পরিমার্জন এবং এজেন্ট আচরণ ডিবাগ করার সময় এটি বিশেষভাবে সহায়ক।

শুরু করা: 5-ধাপের পরিকল্পনা

  1. ফলাফল এবং গার্ডরেল সংজ্ঞায়িত করুন: শেষে কী সত্য হওয়া উচিত? কী ঘটতে পারে না?
  1. আপনার গ্রাফ স্কেচ করুন: নোড, এজ, state স্কিমা এবং স্টপ কন্ডিশন।
  1. ধীরে ধীরে তৈরি করুন: মেরুদণ্ড (A → B → C) দিয়ে শুরু করুন, তারপরে লুপ/শাখা যুক্ত করুন।
  1. প্রথম দিকে পর্যবেক্ষণযোগ্যতা যোগ করুন: state স্ন্যাপশট এবং সিদ্ধান্ত লগ করুন।
  1. শক্তিশালীকরণ পর্ব: টাইমআউট, রিট্রাই, মানুষের অনুমোদন এবং লোড পরীক্ষা।

এখন এটি কেন গুরুত্বপূর্ণ

যেহেতু দলগুলি ডেমো থেকে নির্ভরযোগ্য AI সিস্টেমে চলে যাচ্ছে, তাদের क्षमताের পাশাপাশি নিয়ন্ত্রণ, পুনরুদ্ধার এবং পর্যবেক্ষণযোগ্যতা দরকার। LangGraph আপনাকে স্ক্র্যাচ থেকে কাস্টম ऑर्केস্ট্রেশন স্তর না লিখে LLM এজেন্টদের প্রোডাকশনের জন্য যথেষ্ট শক্তিশালী করার জন্য কাঠামো সরবরাহ করে।

গুরুত্বপূর্ণ বিষয়

  • LangGraph হল LLM এজেন্টদের জন্য একটি stateful, গ্রাফ-ভিত্তিক অর্কেস্ট্রেশন ফ্রেমওয়ার্ক।
  • এটি মাল্টি-স্টেপ, টুল-ব্যবহারকারী, পুনরুদ্ধারযোগ্য ওয়ার্কফ্লোতে মানুষের হস্তক্ষেপের সাথে উজ্জ্বল।
  • LangGraph Platform উৎপাদন এজেন্টদের শিপ এবং স্কেল করতে সহায়তা করে।
  • সহজভাবে শুরু করুন, স্পষ্টভাবে মডেল করুন এবং পর্যবেক্ষণযোগ্যতা এবং গার্ডরেলগুলিতে প্রথম দিকে বিনিয়োগ করুন।

FAQ

Q1: LangChain-এ LangGraph কী? LangGraph হল LangChain থেকে একটি stateful অর্কেস্ট্রেশন ফ্রেমওয়ার্ক যা LLM এজেন্ট এবং ওয়ার্কফ্লোকে একটি শেয়ার্ড state, স্পষ্ট ট্রানজিশন এবং রিট্রাই ও হিউম্যান পর্যালোচনার জন্য অন্তর্নির্মিত নিয়ন্ত্রণ সহ একটি গ্রাফ হিসাবে মডেল করে।
Q2: LangGraph কিভাবে একটি সাধারণ চেইন থেকে আলাদা? একটি চেইন হল লিনিয়ার, যেখানে LangGraph বিভিন্ন ধাপ জুড়ে persistent state এর সাথে ব্রাঞ্চিং, লুপ এবং শর্তসাপেক্ষ ট্রানজিশন সমর্থন করে, যা জটিল মাল্টি-এজেন্ট ওয়ার্কফ্লো সক্ষম করে।
Q3: বেসিক RAG অ্যাপের জন্য আমার কি LangGraph দরকার? অগত্যা নয়। যদি আপনার রিট্রিভাল-অগমেন্টেড জেনারেশন লিনিয়ার এবং স্থিতিশীল হয়, তবে একটি সাধারণ চেইন যথেষ্ট হতে পারে। ব্রাঞ্চিং, রিট্রাই বা হিউম্যান-ইন-দ্য-লুপ কন্ট্রোলগুলির প্রয়োজন হলে LangGraph ব্যবহার করুন।
Q4: আমি কি LangGraph উৎপাদনে স্থাপন করতে পারি? হ্যাঁ। ওপেন-সোর্স ফ্রেমওয়ার্ক অর্কেস্ট্রেশন পরিচালনা করে এবং LangGraph Platform উৎপাদন পরিবেশের জন্য স্থাপন, স্কেলিং, মনিটরিং এবং গভর্নেন্স বৈশিষ্ট্য সরবরাহ করে।
Q5: সাধারণ LangGraph সেরা অনুশীলনগুলি কী কী? state কে সংক্ষিপ্ত রাখুন, লুপগুলিতে স্টপ কন্ডিশন যোগ করুন, টাইমআউট এবং রিট্রাই সহ টুলগুলিকে মোড়ানো করুন, পর্যবেক্ষণযোগ্যতার জন্য state ট্রানজিশনগুলি লগ করুন এবং অগ্রগতি গেট করার জন্য যাচাইকরণ নোড ব্যবহার করুন।

সাম্প্রতিক নিবন্ধসমূহ
কিভাবে ChatPDF মাস্টার করবেন: ঘনদ্রুত নথি থেকে দ্রুত অন্তর্দৃষ্টি

কিভাবে ChatPDF মাস্টার করবেন: ঘনদ্রুত নথি থেকে দ্রুত অন্তর্দৃষ্টি

দ্রুত এবং সঠিক ডকুমেন্টের জন্য সেরা X Auto-Translation বিকল্প

দ্রুত এবং সঠিক ডকুমেন্টের জন্য সেরা X Auto-Translation বিকল্প

ইরানে Samsung AI অনুবাদ উপলব্ধ নয়? কার্যকর সমাধানসমূহ

ইরানে Samsung AI অনুবাদ উপলব্ধ নয়? কার্যকর সমাধানসমূহ

পার্সিয়ান অনুবাদ সরঞ্জাম: দ্রুত এবং সঠিক কাজের জন্য একটি ব্যবহারিক গাইড

পার্সিয়ান অনুবাদ সরঞ্জাম: দ্রুত এবং সঠিক কাজের জন্য একটি ব্যবহারিক গাইড

গভীর, উদ্ধৃত গবেষণার জন্য সেরা Grok বিকল্প

গভীর, উদ্ধৃত গবেষণার জন্য সেরা Grok বিকল্প

AI ইমেজ জেনারেটরের ১৫টি সেরা বৈশিষ্ট্য যা আপনি সত্যিই ব্যবহার করবেন

AI ইমেজ জেনারেটরের ১৫টি সেরা বৈশিষ্ট্য যা আপনি সত্যিই ব্যবহার করবেন