প্রকল্প সম্পর্কে

Youtu-Agent হল স্বায়ত্তশাসিত এজেন্ট তৈরি, চালানো এবং মূল্যায়নের জন্য একটি নমনীয় ফ্রেমওয়ার্ক, যা Tencent Cloud ADP দ্বারা তৈরি এবং ওপেন সোর্স হিসেবে প্রকাশিত। এটি openai-agents SDK-এর উপর নির্মিত, স্ট্রিমিং, ট্রেসিং এবং এজেন্ট-লুপ ক্ষমতা উত্তরাধিকারসূত্রে পেয়েছে এবং বন্ধ মডেলের উপর নির্ভর না করে DeepSeek-V3-এর মতো ওপেন-ওয়েট মডেলের সাথে কাজ করার জন্য ডিজাইন করা হয়েছে। মূল ধারণাগুলির মধ্যে রয়েছে Agent (প্রম্পট, টুল এবং পরিবেশসহ LLM), Toolkit (টুলের প্যাকেজড সেট), Environment (এজেন্ট যে জগতে কাজ করে, যেমন ব্রাউজার বা শেল), ContextManager (কনটেক্সট-উইন্ডো ব্যবস্থাপনা) এবং Benchmark (প্রিপ্রসেসিং, রোলআউট এবং জাজিংসহ এনক্যাপসুলেটেড ডেটাসেট ওয়ার্কফ্লো)। README-তে বর্ণিত উল্লেখযোগ্য ক্ষমতাগুলি: - স্বয়ংক্রিয় এজেন্ট এবং টুল জেনারেশন: স্ট্যান্ডার্ড কাজের জন্য একটি Workflow মোড এবং জটিল প্রয়োজনীয়তার জন্য একটি Meta-Agent মোড। মেটা-এজেন্ট ব্যবহারকারীকে ইন্টারভিউ করতে পারে, টুল একত্রিত করতে পারে, YAML কনফিগারেশন তৈরি করতে পারে এবং টুল কোড ও স্কিমা তৈরি করতে পারে। README-তে 81%-এর বেশি টুল সংশ্লেষণ সাফল্যের হার রিপোর্ট করা হয়েছে। - ক্রমাগত অভিজ্ঞতা শেখা: Training-Free GRPO-এর উপর ভিত্তি করে একটি Agent Practice মডিউল, যা মডেলটি ফ্রোজ রাখে এবং প্যারামিটার আপডেট ছাড়াই ইন-কনটেক্সট অভিজ্ঞতা থেকে শেখে। - Agent RL: এন্ড-টু-এন্ড রিইনফোর্সমেন্ট লার্নিংয়ের জন্য একটি পাইপলাইন, যা Agent-Lightning-এর মতো ডিস্ট্রিবিউটেড ফ্রেমওয়ার্কের সাথে সংহত, 128 GPU-তে স্কেলিং হিসাবে বর্ণিত। - বেঞ্চমার্কিং: প্রকল্পটি ওপেন-ওয়েট মডেল ব্যবহার করে WebWalkerQA এবং GAIA-তে ফলাফল রিপোর্ট করে এবং মূল্যায়ন স্ক্রিপ্ট ও একটি বিশ্লেষণ ফ্রন্টএন্ড সরবরাহ করে। - ব্যবহারিক উদাহরণ: ডেটা বিশ্লেষণ, ফাইল ব্যবস্থাপনা, বিস্তৃত/গভীর গবেষণা, কাগজ বিশ্লেষণ, RAGFlow-এর সাথে RAG সংহতকরণ, SVG জেনারেশন এবং PPT জেনারেশন। শুরু করতে Python 3.12+ এবং ডিপেন্ডেন্সি ম্যানেজমেন্টের জন্য uv প্রয়োজন। ব্যবহারকারীরা রিপোজিটরি ক্লোন করে, uv sync চালায়, .env.example-কে .env-এ কপি করে এবং LLM API কী কনফিগার করে (README-তে DeepSeek-সামঞ্জস্যপূর্ণ এন্ডপয়েন্ট দেখানো হয়েছে)। একটি ইন্টারঅ্যাকটিভ ফ্রন্টএন্ডসহ Docker-ভিত্তিক সেটআপও নথিভুক্ত। এজেন্টগুলি YAML কনফিগের মাধ্যমে সংজ্ঞায়িত হয় এবং scripts/cli_chat.py দিয়ে একটি ইন্টারঅ্যাকটিভ CLI চ্যাটবট চালু করা যায়। ওয়েব সার্চ উদাহরণের জন্য SERPER_API_KEY এবং JINA_API_KEY প্রয়োজন। এজেন্ট রানটাইম ভিজ্যুয়ালাইজ করার জন্য রিলিজ থেকে একটি ওয়েব UI প্যাকেজ ইনস্টল করা যেতে পারে। ফ্রেমওয়ার্কটি সম্পূর্ণ অ্যাসিঙ্ক্রোনাস, responses এবং chat.completions API উভয়ই সমর্থন করে এবং টুল কল ও ট্র্যাজেক্টরি বিশ্লেষণের জন্য একটি DBTracingProcessor সিস্টেম অন্তর্ভুক্ত করে। README প্রকল্পটিকে এজেন্ট গবেষক এবং LLM প্রশিক্ষকদের জন্য একটি বেসলাইন হিসেবে, অ্যাপ্লিকেশন ডেভেলপারদের জন্য পোর্টেবল স্ক্যাফোল্ডিং হিসেবে এবং ব্যবহারিক, ডিবাগযোগ্য উদাহরণ চাওয়া উত্সাহীদের জন্য অবস্থান করে।