Google-এর WikiSkill AI এজেন্টদের ব্যর্থতার স্মৃতি দেয়

Google-এর সর্বশেষ agent framework retraining-এর চেয়ে স্থায়িত্বকে গুরুত্ব দিচ্ছে

Google Research WikiSkill নামে একটি system চালু করেছে, যা AI agent-দের একটি পরিচিত দুর্বলতা সমাধান করতে চায়: তারা প্রায়ই একটি task শেষ করে, সেই অভিজ্ঞতা ফেলে দেয়, এবং পরের run শুরু করে আগের কোথায় ভুল হয়েছিল তার খুব কম ব্যবহারিক স্মৃতি নিয়ে। WikiSkill একটি agent-কে একটি স্থায়ী, wiki-like knowledge base-এর সঙ্গে যুক্ত করে এই সমস্যার সমাধান করে, যা ব্যর্থতা ও সাফল্য নথিভুক্ত করে এবং সেই রেকর্ড ভবিষ্যৎ performance উন্নত করতে ব্যবহার করে।

ধারণাটি সহজ। প্রতিটি run-কে disposable হিসেবে না দেখে, framework execution চলাকালীন কী ঘটল তা ধরে, সেই ফলাফলগুলোকে structured knowledge-এ পরিণত করে, এবং সবচেয়ে কার্যকর পাঠগুলোকে পুনর্ব্যবহারযোগ্য behavioral guidance-এ রূপ দেয়। তৈরি হওয়া instructions source-এ বর্ণিত “Agent Skills” হিসেবে প্যাকেজ করা হয়, যা model-এর মূল training না বদলেই agent-এর আচরণকে প্রভাবিত করতে পারে।

এই পার্থক্যটি গুরুত্বপূর্ণ। WikiSkill-কে model স্তরে true continuous learning হিসেবে উপস্থাপন করা হয়নি। source স্পষ্টভাবে বলে যে continuous learning এখনও একটি অমীমাংসিত সমস্যা। এর বদলে WikiSkill যে জিনিসটি দেয় তা হলো external memory ও self-improvement loop: agent নিজের জন্য আরও ভালো instructions লেখে, সেগুলো সংরক্ষণ করে, এবং পরে সেগুলো আবার দেখে। এটি একটি workaround, তবে প্রতিবেদন অনুযায়ী কার্যকর।

তিন-স্তরের architecture logs, knowledge, এবং action-কে আলাদা করে

WikiSkill agent-এর workspace-কে তিনটি layer-এ সংগঠিত করে। একেবারে নিচে Raw Layer, যেখানে tool calls ও results-সহ পূর্ণ execution traces সংরক্ষণ করা হয়। এই layer immutable; agent আসলে কী করেছে তার ভিত্তি রেকর্ড হিসেবে কাজ করে। তার ওপরে Wiki Layer, যেখানে ওই raw traces-কে সফল কৌশল ও বারবার দেখা দেওয়া failure pattern-এর মতো structured observation-এ রূপান্তর করা হয়। একেবারে উপরে Skill Layer, যেখানে task সম্পাদনের সময় agent যে active procedural instructions ব্যবহার করে সেগুলো থাকে।

এই বিভাজন framework-এর সবচেয়ে শক্তিশালী design choice-গুলোর একটি। Raw traces evidence সংরক্ষণ করে। wiki evidence-কে cumulative knowledge-এ রূপান্তর করে। skills knowledge-কে operational behavior-এ রূপ দেয়। এইভাবে system-কে ভাগ করে WikiSkill সবকিছুকে এক অস্বচ্ছ memory store-এ গুটিয়ে ফেলা এড়ায়।

এটি revision-ও সতর্কভাবে পরিচালনা করে। source অনুযায়ী, Wiki Layer শুধুই বাড়ে, iterations-এর মধ্যে reset হয় না। Skill Layer বেশি provisional। নতুন skill update যদি performance ক্ষতিগ্রস্ত করে, তা rollback করা যায়। অর্থাৎ framework durable knowledge এবং active policy-কে আলাদাভাবে দেখে: knowledge জমা হয়, কিন্তু behavior পরীক্ষাযোগ্য ও প্রত্যাবর্তনযোগ্য থাকে।

উন্নয়ন loop কীভাবে কাজ করে

update cycle-এর চারটি অংশ আছে। প্রথমে, একটি inference agent বর্তমান skill set ব্যবহার করে task সম্পাদন করে এবং execution traces তৈরি করে। এরপর Wiki Maintainer নামে একটি component ওই traces বিশ্লেষণ করে, failure mode ও কার্যকর tactics শনাক্ত করে, এবং সেগুলো wiki-তে লিখে রাখে। Skill Proposer updated wiki ও execution data উভয় ব্যবহার করে agent-এর skills-এ লক্ষ্যভিত্তিক পরিবর্তনের প্রস্তাব দেয়। শেষে, একটি gating mechanism প্রস্তাবিত update-টি আলাদা validation set-এ মূল্যায়ন করে এবং কেবল উপকার করলে পরিবর্তনটি রাখে।

শেষ ধাপটি অত্যাবশ্যক। এজেন্টদের নিজেদের procedure পুনর্লিখতে দিলে, প্রতিটি revision মেনে নিলে সিস্টেম দ্রুত অবনতি ঘটাতে পারে। WikiSkill-এর validation gate এই drift থামাতে তৈরি। প্রস্তাবিত skill পরীক্ষা ব্যর্থ হলে, system skill update বাদ দেয়, কিন্তু wiki-তে নথিভুক্ত underlying knowledge রেখে দেয়।

ফলে ব্যর্থ প্রস্তাবও উপকারী input হয়ে ওঠে। source বলছে, wiki কী চেষ্টা করা হয়েছিল এবং কেন তা ব্যর্থ হয়েছিল তা নথিভুক্ত করে, যা পরবর্তী iteration-গুলিকে বেশি context দেয়। কার্যত, system শুধু সফল কৌশল মনে রাখে না। এটি অপ্রয়োজনীয় দিকও মনে রাখে এবং অন্ধভাবে সেগুলো পুনরাবৃত্তি করা এড়াতে পারে।

ব্যর্থতার স্মৃতি agent reliability-এর জন্য কেন গুরুত্বপূর্ণ হতে পারে

WikiSkill-এর বৃহত্তর তাৎপর্য কেবল এজেন্টরা নোট জমা করতে পারে, তা নয়। ব্যর্থতা first-class information হয়ে ওঠে। অনেক agent pipeline-এ ব্যর্থতা শুধু তাত্ক্ষণিক খারাপ ফল হিসেবে দেখা যায়: একটি task মিস হয়, একটি tool ভুলভাবে ব্যবহৃত হয়, বা একটি instruction chain ভেঙে পড়ে। developers manualভাবে logs পরীক্ষা করে prompts সংশোধন না করলে, সেই ভুলগুলো স্থায়ী operational knowledge-এ রূপ নেয় না।

WikiSkill সেই রূপান্তরকে স্বয়ংক্রিয় করতে চায়। ব্যর্থতার pattern ও সফল কৌশলকে একটি durable layer-এ নথিভুক্ত করে, framework agent-কে নতুন model training ছাড়াই সময়ের সঙ্গে আচরণ উন্নত করার উপায় দেয়। এটি বিশেষভাবে relevant হতে পারে এমন পরিবেশে, যেখানে agent বারবার একই ধরনের taskের মুখোমুখি হয় এবং যেখানে tool use, sequencing, ও exception handling raw language ability-এর মতোই গুরুত্বপূর্ণ।

এই framework AI system design-এ বাড়তে থাকা একটি প্রবণতাকেও প্রতিফলিত করে: model weights-এর ভেতরে নয়, বরং model-এর চারপাশের scaffolding-এ বেশি intelligence ঠেলে দেওয়া। Memory, validation, rollback, এবং structured self-documentation—all are operational engineering-এর রূপ। এগুলো সবচেয়ে কঠিন learning problem সমাধান করে না, কিন্তু তবুও পরিমাপযোগ্য উন্নতি দিতে পারে।

একটি “LLM Wiki” ধারণা থেকে বাস্তবায়নে

এই কাজটি source-এ Andrej Karpathy-এর সঙ্গে সম্পর্কিত একটি concept-এর ওপর নির্ভর করে: “LLM Wiki” ধারণা, অর্থাৎ AI system সময়ের সঙ্গে তৈরি করে এবং পর্যালোচনা করতে পারে এমন অভিজ্ঞতার একটি সম্মিলিত ভান্ডার। WikiSkill সেই ধারণাটিকে বিশেষভাবে agent development-এ প্রয়োগ করে। সাধারণ memory dump-এর বদলে, এটি traces-কে পুনর্ব্যবহারযোগ্য, পরীক্ষাযোগ্য procedure-এ রূপান্তরের একটি process তৈরি করে।

procedure-এর ওপর এই জোর গুরুত্বপূর্ণ। একটি agent-কে কেবল facts জানলেই চলে না; তাকে কীভাবে কাজ করতে হবে তার আরও ভালো ধারণা লাগবে। কোন tool প্রথমে ব্যবহার করা উচিত? কোন failure pattern অন্য পথে যেতে সংকেত দেবে? অনুরূপ পরিস্থিতিতে আগে কোন strategy কাজ করেছে? WikiSkill-এর উত্তর হলো, সেই পাঠগুলোকে skills হিসেবে formalize করা এবং নিচে evidence base সংরক্ষণ করা।

এখানেও tradeoff আছে। source জানায়, এই method সত্যিকারের learning-এর তুলনায় বেশি error-prone হতে পারে। বাহ্যিক knowledge store ভুল ব্যাখ্যা ধারণ করতে পারে, আর self-authored instructions সতর্কভাবে যাচাই না করলে brittle heuristic-এ পরিণত হতে পারে। তবে gating mechanism ও rollback model দেখায়, গবেষকেরা এই ঝুঁকিকে design problem-এর অংশ হিসেবেই দেখছেন।

এখন পর্যন্ত বার্তাটি স্পষ্ট: সত্যিকারের continuous learning সমাধান হওয়ার আগে, persistent memory agent উন্নত করার সবচেয়ে ব্যবহারিক উপায়গুলোর একটি হতে পারে। WikiSkill ইঙ্গিত দেয়, পুনরাবৃত্ত কাজে ভালো হতে agent-দের retrain হওয়ার দরকার নেই। তাদের কেবল এমন একটি structured উপায় দরকার হতে পারে যাতে তারা মনে রাখতে পারে কী ঘটেছিল, কী ব্যর্থ হয়েছিল, এবং পরের বার কী চেষ্টা করা উচিত।

This article is based on reporting by The Decoder. Read the original article.