এই টিউটোরিয়ালে দেখানো হয়েছে কীভাবে লেট্টা ব্যবহার করে একটি স্টেটফুল ইঞ্জিনিয়ারিং কোপাইলট তৈরি করা যায়, যা অটোনোমাস মেমরি ম্যানেজমেন্ট, শেয়ার্ড এজেন্ট স্টেট এবং উন্নত AI ওয়ার্কফ্লো-র জন্য সিম্যান্টিক রিট্রিভাল সক্ষম করে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
উৎসের অংশবিশেষ
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
In this tutorial, we build a stateful engineering copilot with Letta that demonstrates how agentic memory extends beyond conventional prompt-based conversations. We begin by creating inspectable core memory blocks that the agent can autonomously update, then expose those blocks for programmatic state synchronization and shared access across multiple agents. We further extend the architecture with archival vector memory for semantic retrieval, a custom server-side tool for deterministic risk estimation, streaming for observing agent execution, server-side message history for persistent conversations, and .af export for portability. Together, these components demonstrate a practical memory architecture in which persistent state, retrieval, tools, multi-agent collaboration, and execution traces work as an integrated agentic system. Copy CodeCopiedUse a different Browserimport subprocess, sys subprocess.run([sys.executable, "-m", "pip", "install", "-q", "-U", "letta-client"], check=True) import os, json, time, textwrap from getpass import getpass from letta_client import Letta def flex(*attempts, label=""): err = None for fn in attempts: try: return fn() except Exception as e: err = e raise RuntimeError(f"All call variants failed for {label or 'call'}: {err}") from err API_KEY = os.environ.get("LETTA_API_KEY") or getpass("Letta API key (platform.letta.com/api-keys): ") BASE_URL = os.environ.get("LETTA_BASE_URL", "").strip() client = flex( lambda: Letta(base_url=BASE_URL, api_key=API_KEY) if BASE_URL else Letta(api_key=API_KEY), lambda: Letta(base_url=BASE_URL, token=API_KEY) if BASE_URL else Letta(token=API_KEY), label="client init", ) def hr(title): print("\n" + "=" * 92 + f"\n {title}\n" + "=" * 92) def as_text(content): if isinstance(content, str): return content if isinstance(content, list): return "".join(getattr(p, "text", "") or "" for p in content) return str(content or "") def
অগ্রাধিকার সম্পর্কে
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
Anthropic-এর ওপেন-সোর্স sandbox-runtime AI এজেন্ট এবং CLI টুলগুলির জন্য হালকা ওজন এবং OS-লেভেল নিরাপত্তা প্রদান করে, যা কন্টেইনারের অতিরিক্ত বোঝা ছাড়াই ফাইল এবং নেটওয়ার্ক অ্যাক্সেস সীমাবদ্ধ করে।
NVIDIA-এর নতুন 4GB ওপেন মডেলটি কনজিউমার হার্ডওয়্যারে দ্রুত লোকাল ভয়েস এজেন্ট এবং গেম ক্যারেক্টার চালু করতে সক্ষম, যা অন্য AI কাজের জন্য রিসোর্স মুক্ত করে দেয়।
Kyutai-এর CADRE অটোএনকোডারগুলো ওয়ার্ল্ড মডেল ল্যাটেন্সি ২৩০ মিলিসেকেন্ডের নিচে নামিয়ে আনে, যা একটি একক H100 GPU-তে দ্রুত এবং আরও সাড়াশীপূর্ণ ইন্টারঅ্যাকটিভ সিমুলেশন সম্ভব করে।