ReAct Reasoning and Acting
📘 চিন্তা → কাজ → পর্যবেক্ষণ চক্র।
🌐 Thought → action → observation loop.
🦾
1
ধারণা · Concept
কী এবং কেন📘 বাংলা ব্যাখ্যা:
চিন্তা → কাজ → পর্যবেক্ষণ চক্র।
চিন্তা → কাজ → পর্যবেক্ষণ চক্র।
🌐 English:
Thought → action → observation loop.
Thought → action → observation loop.
🗂 কোথায় পড়ে
৪. ডিপ লার্নিং ও এআই → এজেন্টিক এআই → ReAct Reasoning and Acting
🎯 এই শাখার লক্ষ্য
Design tool-using, memory-backed, multi-agent systems safely
🧰 টুলস
LangGraph, CrewAI, MCP
🪜
ধাপে ধাপে শিখুন · Step-by-step
কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল💡 কেন গুরুত্বপূর্ণ?
যুক্তি ও কাজ পালাক্রমে—এজেন্টের সবচেয়ে প্রচলিত প্যাটার্ন।
- ধাপ 1Thought: বর্তমান অবস্থা নিয়ে যুক্তি
- ধাপ 2Action: একটি টুল কল
- ধাপ 3Observation: টুলের ফল
- ধাপ 4লক্ষ্য পূরণ বা সর্বোচ্চ ধাপ সীমা পর্যন্ত পুনরাবৃত্তি; প্রতিটি ধাপ লগ করুন
🧪 বাস্তব উদাহরণ
প্রশ্ন "ঢাকা ও চট্টগ্রামের গড় তাপমাত্রার পার্থক্য?" → দুটি ডেটা টুল কল → হিসাব → উত্তর (এই সাইটের Code Lab উদাহরণ দেখুন)।
⚠️ সাধারণ ভুল
সর্বোচ্চ ধাপ সীমা না রাখা—অসীম লুপ ও খরচ।
🔑 মূল শব্দ (Key terms)
ReActreasoningactionobservationtrace
3
সাব-টপিক ও বিস্তারিত · Sub-topics
টপিক → সাব-টপিক → সাব-সাব টপিক3.1 Thought → Action → Observation
3.2 থামার শর্ত
3.3 ট্রেস লগ দিয়ে ডিবাগ
🎬
ভিডিও · Videos (বাংলা ও English)
ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত📺 আরও খুঁজুন
💻
হাতে-কলমে · Try it (Agentic AI)
এডিট করে Run চাপুন · Ctrl+Enter# ReAct-style agent with real tools (rule-based planner stands in for an LLM)
import statistics
data={"Dhaka":[31,33,35,36],"Sylhet":[28,29,30,31]}
tools={"mean":lambda c:statistics.mean(data[c]),"max":lambda c:max(data[c])}
plan=[("mean","Dhaka"),("mean","Sylhet"),("max","Dhaka")]; memory={}
for tool,arg in plan:
obs=tools[tool](arg); memory[f"{tool}({arg})"]=obs
print(f"Thought: need {tool} of {arg} -> Action: {tool}('{arg}') -> Observation: {obs}")
hot=max(data,key=lambda c:memory[f"mean({c})"]); print("Final answer: hotter city =",hot,memory)❓
সেল্ফ-চেক · Self check
🔗