
আপনার পাইথন এআই এজেন্টকে অ্যাসিনক্রোনাস FastAPI ব্যাকএন্ড এবং SSE স্ট্রিমিংয়ে রূপান্তর করা
আমাদের আগের পর্বে আমরা যখন Next.js ছাড়াও Python দিয়ে একটি Simple AI Agent তৈরি করেছিলাম, তখন Pydantic v2 স্কিমা, httpx টাইমআউট গার্ড এবং অফিশিয়াল Anthropic SDK ব্যবহার করে টার্মিনালে রান করার উপযোগী একটি পরিচ্ছন্ন পাইথন এজেন্ট তৈরি করেছিলাম। main.py চালিয়ে টার্মিনালে রিয়েল-টাইম টেস্ট করা সফল হলেও, একটি কমান্ড-লাইন স্ক্রিপ্ট কখনোই কোনো ফ্রন্টএন্ড ওয়েব অ্যাপ, মোবাইল অ্যাপ বা থার্ড-পার্টি ক্লায়েন্টকে সার্ভিস দিতে পারে না।
একটি স্বতন্ত্র পাইথন এজেন্টকে হাই-কনকারেন্সি প্রোডাকশন ওয়েব সার্ভিসে রূপান্তর করার জন্য আপনার প্রয়োজন হবে CORS মিডলওয়্যার, Pydantic রিকোয়েস্ট ভ্যালিডেশন এবং StreamingResponse দিয়ে Server-Sent Events (SSE) স্ট্রিমিং যুক্ত একটি অ্যাসিনক্রোনাস FastAPI ব্যাকএন্ড। এই আর্কিটেকচারটি আপনার পাইথন মাইক্রোসার্ভিসকে স্ট্যান্ডার্ড HTTP/2 প্রোটোকলের মাধ্যমে লাইভ টুল কল (tool_start, টুল রেজাল্ট) এবং টোকেন ডেল্টা ব্রাউজারে স্ট্রিম করতে সাহায্য করে—যা আমাদের Next.js ব্যাকএন্ডের মতোই ফ্রন্টএন্ডে স্মুথ থিংকিং টাইমলাইন রেন্ডার করতে সক্ষম।
আজকের এই ২৮তম পর্বের মাধ্যমে আমরা আমাদের ৬২ পর্বের সিরিজের Section C (Backend, Python, Vector Search & DevOps)-এর কাজ আরও এগিয়ে নিচ্ছি। আজ আমরা আমাদের পাইথন এজেন্টকে একটি অ্যাসিনক্রোনাস FastAPI সার্ভার হিসেবে উন্মুক্ত করব, যাতে ঠিক পরের পর্বে (পর্ব ২৯) সেখানে Supabase pgvector সিমান্টিক সার্চ যুক্ত করা যায়।
পাইথন এআই ব্যাকএন্ডের জন্য FastAPI কেন ইন্ডাস্ট্রির গোল্ড স্ট্যান্ডার্ড?
পাইথন ডেভেলপাররা যখন মেশিন লার্নিং বা AI ব্যাকএন্ড তৈরি করেন, তখন ঐতিহ্যগতভাবে তারা Flask বা Django ব্যবহার করতেন। কিন্তু বর্তমানের রিয়েল-টাইম স্ট্রিমিং এআই এজেন্ট যুগে FastAPI নির্দ্বিধায় সবার সেরা পছন্দ হওয়ার পেছনে ৩টি সুনির্দিষ্ট কারণ রয়েছে:
১. ব্রাউজার বা ক্লায়েন্টের আইও (I/O) ওয়াইট করার সময় নেটিভ অ্যাসিনক্রোনাস I/O (async/await) ব্যবহার করে অন্যান্য রিকোয়েস্ট ব্লক না করা।
২. Pydantic-এর সাথে সরাসরি ইন্টিগ্রেশন থাকায় আমাদের টুল স্কিমাগুলো একই সাথে FastAPI রিকোয়েস্ট বডি এবং OpenAPI ডকুমেন্টেশন হিসেবে কাজ করে।
৩. পাইথনের জেনারেটর ফাংশন (async def) ব্যবহার করে অত্যন্ত সহজে ব্রাউজারে text/event-stream বা SSE চাঙ্ক স্ট্রিম করা।

নিচের ফ্লোচার্টে দেখুন কীভাবে ক্লায়েন্টের একটি রিকোয়েস্ট FastAPI অ্যাসিনক্রোনাস ব্যাকএন্ডে প্রবেশ করে এবং SSE ইভেন্ট ফ্রেমগুলো স্ট্রিম করে:
`mermaid flowchart TD Client([Next.js ফ্রন্টএন্ড বা মোবাইল অ্যাপ]) -->|POST /api/v1/agent/stream| FastAPI[FastAPI ASGI অ্যাপ্লিকেশন - main.py] FastAPI --> Validate[Pydantic v2 রিকোয়েস্ট ভ্যালিডেশন মডেল ChatRequestDTO] Validate -->|ভুল বডি| Err400[HTTP 400 Bad Request JSON] Validate -->|সঠিক পেলোড| Generator[অ্যাসিনক্রোনাস জেনারেটর ফাংশন async def sse_event_generator]
Generator -->|১. ফেজ ইভেন্ট পাঠানো| SSE1[event: phase
data: routing] Generator -->|২. অ্যাসিনক্রোনাস এজেন্ট লুপ রান| Agent[অ্যাসিনক্রোনাস পাইথন এজেন্ট রানার Anthropic Client + httpx.AsyncClient]
Agent -->|ধাপ ১: টুল কল| ToolExec[অ্যাসিনক্রোনাস টুল ডিসপ্যাচার
asyncio.to_thread বা httpx] ToolExec --> SSE2[event: tool-start data: inspect_live_github_issue] Agent -->|ধাপ ২: টোকেন ডেল্টা| SSE3[event: text-delta data: token chunk] Agent -->|ধাপ ৩: সমাপ্তি| SSE4[event: done data: telemetry stats]
SSE1 --> Response[StreamingResponse
media_type: text/event-stream] SSE2 --> Response SSE3 --> Response SSE4 --> Response Response --> Client ` আর্কিটেকচার ফ্লো সামারি: ক্লায়েন্ট রিকোয়েস্ট → FastAPI ASGI অ্যাপ্লিকেশন → Pydantic ভ্যালিডেশন → অ্যাসিনক্রোনাস জেনারেটর → Anthropic SDK ও টুল ডিসপ্যাচার → StreamingResponse (text/event-stream) → ক্লায়েন্ট ইউআই।
জাহিদের বাস্তব অভিজ্ঞতা: সিঙ্ক্রোনাস Flask সার্ভার যেভাবে আমার পুরো ব্যাকএন্ড ব্লক করে দিয়েছিল
পাইথনে ডেটা অ্যানালাইসিস ব্যাকএন্ড এবং এআই প্রোটোটাইপ বানানোর শুরুতে আমি সিঙ্ক্রোনাস WSGI ফ্রেমওয়ার্ক ব্যবহারের চেষ্টা করেছিলাম। একটি স্টেজিং টেস্টে আমি এমন একটি এজেন্ট কনফিগার করলাম যার একটি কাস্টম টুলের ভেতর স্লো এক্সটার্নাল REST API কল হচ্ছিল এবং কোনো অ্যাসিনক্রোনাস হ্যান্ডলিং ছিল না। যখন তিনজন ইউজার একসাথে সেই স্লো টুল ট্রিগার করে বসল, তখন সার্ভারের তিনটি ওয়ার্কার থ্রেডই HTTP রেসপন্সের অপেক্ষায় পুরোপুরি লক হয়ে গেল!
সার্ভারে ওয়ার্কার পুল মাত্র চারটি হওয়ায় চতুর্থ ইউজারের রিকোয়েস্ট অনন্তকাল ঝুলে রইল—ফ্রন্টএন্ডে টাইমআউট হয়ে গেল এবং পুরো অ্যাপ্লিকেশনটিকে দেখে মনে হলো সেটি ক্র্যাশ করেছে।
FastAPI-তে async/await এবং httpx.AsyncClient ব্যবহার করায় এই থ্রেড স্টারভেশন সমস্যা চিরতরে দূর হয়ে গেছে। স্লো এক্সটার্নাল API-এর জন্য অপেক্ষা করার সময় ইভেন্ট লুপ অনায়াসে অন্য ইনকামিং রিকোয়েস্টগুলো প্রসেস করতে থাকে, ফলে হাজার হাজার ইউজার একসাথে ল্যাগ ছাড়াই এআই রেসপন্স স্ট্রিম করতে পারেন।
ধাপ ১: FastAPI এবং Uvicorn ইনস্টল করা
আপনার ভার্চুয়াল এনভায়রনমেন্ট অ্যাক্টিভেট করে fastapi, uvicorn (ASGI ওয়েব সার্ভার) এবং pydantic-settings ইনস্টল করে নিন:
bash source .venv/bin/activate pip install fastapi uvicorn pydantic-settings
ধাপ ২: টুলস এবং রানারকে অ্যাসিনক্রোনাস (async def) করা
FastAPI-এর ইভেন্ট লুপ যেন ব্লক না হয়, সেজন্য আমাদের টুলসগুলোকে সিঙ্ক্রোনাস থেকে অ্যাসিনক্রোনাস কোরোউটিনে (async def) রূপান্তর করতে হবে এবং httpx.AsyncClient ব্যবহার করতে হবে।
চলুন agent/tools.py আপডেট করি:
`python
agent/tools.py (Async Version)
import time from typing import Any, Callable, Dict, Literal, Optional import httpx from pydantic import BaseModel, Field, ValidationError
AllowedRepo = Literal[ 'vercel/next.js', 'vercel/ai', 'langchain-ai/langchainjs', ]
class SearchDocsInput(BaseModel): query: str = Field(min_length=4, max_length=200) top_k: int = Field(default=3, ge=1, le=5)
class InspectGitHubIssueInput(BaseModel): repository: AllowedRepo issue_number: int = Field(gt=0, le=999999)
class DraftTicketInput(BaseModel): title: str = Field(min_length=10, max_length=120) severity: Literal['low', 'medium', 'high', 'critical'] component: Literal['auth', 'api-gateway', 'database', 'frontend-ui'] reproduction_steps: list[str] = Field(min_length=1)
class ToolResultEnvelope(BaseModel): ok: bool tool_name: str retryable: bool duration_ms: int data: Optional[Dict[str, Any]] = None agent_instruction: Optional[str] = None
async def execute_search_docs(args: SearchDocsInput) -> Dict[str, Any]: return { 'query_used': args.query, 'top_k': args.top_k, 'matched_chunks': [ { 'doc_path': 'docs/api/rate-limits.md', 'score': 0.93, 'excerpt': 'API gateway enforces 60 requests per minute per IP.', } ], }
async def execute_inspect_github_issue(args: InspectGitHubIssueInput) -> Dict[str, Any]: url = f'https://api.github.com/repos/{args.repository}/issues/{args.issue_number}' headers = { 'Accept': 'application/vnd.github+json', 'User-Agent': 'DevPulse-Python-Agent/1.0', }
async with httpx.AsyncClient(timeout=5.0) as client:
response = await client.get(url, headers=headers)
if response.status_code == 404:
raise ValueError(f'Issue #{args.issue_number} not found in {args.repository}.')
response.raise_for_status()
raw = response.json()
raw_body = raw.get('body') or 'No description provided.'
return {
'repository': args.repository,
'issue_number': raw.get('number'),
'title': raw.get('title'),
'state': raw.get('state'),
'body_excerpt': raw_body[:600],
}
async def execute_draft_ticket(args: DraftTicketInput) -> Dict[str, Any]: return { 'draft_id': 'PY-FASTAPI-901', 'status': 'awaiting_human_approval', 'ticket_preview': args.model_dump(), }
TOOL_REGISTRY: Dict[str, tuple[type[BaseModel], Callable[..., Any], str]] = { 'search_knowledge_base': (SearchDocsInput, execute_search_docs, 'Search internal documentation.'), 'inspect_live_github_issue': (InspectGitHubIssueInput, execute_inspect_github_issue, 'Fetch live GitHub issue metadata.'), 'draft_issue_ticket': (DraftTicketInput, execute_draft_ticket, 'Create bug ticket draft.'), }
async def dispatch_agent_tool_async(tool_name: str, raw_input: Dict[str, Any]) -> str: start_time = time.perf_counter() if tool_name not in TOOL_REGISTRY: return ToolResultEnvelope(ok=False, tool_name=tool_name, retryable=False, duration_ms=0, agent_instruction=f'Unknown tool {tool_name}.').model_dump_json()
model_cls, executor_fn, _ = TOOL_REGISTRY[tool_name]
try:
validated_args = model_cls.model_validate(raw_input)
data = await executor_fn(validated_args)
duration_ms = int((time.perf_counter() - start_time) * 1000)
return ToolResultEnvelope(ok=True, tool_name=tool_name, retryable=False, duration_ms=duration_ms, data=data).model_dump_json()
except ValidationError as val_err:
duration_ms = int((time.perf_counter() - start_time) * 1000)
return ToolResultEnvelope(ok=False, tool_name=tool_name, retryable=True, duration_ms=duration_ms, agent_instruction=f'Validation failed: {val_err.errors()}').model_dump_json()
except Exception as exc:
duration_ms = int((time.perf_counter() - start_time) * 1000)
return ToolResultEnvelope(ok=False, tool_name=tool_name, retryable=False, duration_ms=duration_ms, agent_instruction=f'Error: {str(exc)}').model_dump_json()
`
ধাপ ৩: FastAPI Streaming অ্যাপ্লিকেশন তৈরি করা (main.py)
এবার প্রজেক্টের রুটে main.py ফাইলটি তৈরি করুন। এখানে আমরা FastAPI ইনিশিয়ালাইজ করব, CORS মিডলওয়্যার কনফিগার করব এবং /api/v1/agent/stream এন্ডপয়েন্টে StreamingResponse দিয়ে SSE ইভেন্ট স্ট্রিম করব:
`python
main.py
import json import os import time from typing import Any, Dict, List from dotenv import load_dotenv from fastapi import FastAPI, HTTPException from fastapi.middleware.cors import CORSMiddleware from fastapi.responses import StreamingResponse from pydantic import BaseModel, Field from anthropic import Anthropic from agent.tools import dispatch_agent_tool_async, TOOL_REGISTRY
load_dotenv()
app = FastAPI( title='DevPulse Python Agent API', version='1.0.0', description='Asynchronous FastAPI backend for DevPulse AI Agent with SSE streaming.', )
app.add_middleware( CORSMiddleware, allow_origins=[''], allow_credentials=True, allow_methods=[''], allow_headers=['*'], )
class ChatRequestDTO(BaseModel): session_id: str = Field(min_length=8) model_id: str = Field(default='claude-3-5-sonnet-latest') messages: List[Dict[str, Any]] = Field(min_length=1)
SYSTEM_PROMPT = ( 'You are DevPulse, a technical triage and documentation AI agent running on Python and FastAPI.\n' 'Always check tools before answering technical questions.' )
def get_anthropic_schemas() -> list[Dict[str, Any]]: schemas = [] for name, (model_cls, _, desc) in TOOL_REGISTRY.items(): schemas.append({ 'name': name, 'description': desc, 'input_schema': model_cls.model_json_schema(), }) return schemas
async def agent_event_stream(request_data: ChatRequestDTO): api_key = os.environ.get('ANTHROPIC_API_KEY') if not api_key: yield f"event: error\ndata: {json.dumps({'message': 'Missing ANTHROPIC_API_KEY'})}\n\n" return
client = Anthropic(api_key=api_key)
tools = get_anthropic_schemas()
messages = list(request_data.messages)
yield f"event: phase\ndata: {json.dumps({'type': 'phase', 'phase': 'routing', 'detail': 'Connected to FastAPI SSE stream...'})}\n\n"
start_time = time.perf_counter()
max_steps = 5
for step in range(1, max_steps + 1):
try:
response = client.messages.create(
model=request_data.model_id,
max_tokens=1024,
temperature=0.1,
system=SYSTEM_PROMPT,
tools=tools,
messages=messages,
)
except Exception as api_err:
yield f"event: error\ndata: {json.dumps({'message': str(api_err)})}\n\n"
return
text_blocks = [b.text for b in response.content if getattr(b, 'type', None) == 'text']
thought_text = ' '.join(text_blocks).strip()
if response.stop_reason != 'tool_use':
if thought_text:
yield f"event: text-delta\ndata: {json.dumps({'type': 'text-delta', 'delta': thought_text})}\n\n"
done_payload = {
'type': 'done',
'modelUsed': request_data.model_id,
'promptTokens': response.usage.input_tokens,
'completionTokens': response.usage.output_tokens,
'stepCount': step,
'latencyMs': int((time.perf_counter() - start_time) * 1000),
}
yield f"event: done\ndata: {json.dumps(done_payload)}\n\n"
return
messages.append({'role': 'assistant', 'content': response.content})
tool_results_content = []
for block in response.content:
if getattr(block, 'type', None) == 'tool_use':
tool_name = block.name
tool_args = block.input if isinstance(block.input, dict) else {}
tool_id = block.id
yield f"event: tool-start\ndata: {json.dumps({'type': 'tool-start', 'toolCallId': tool_id, 'toolName': tool_name, 'args': tool_args})}\n\n"
observation_json = await dispatch_agent_tool_async(tool_name, tool_args)
yield f"event: tool-result\ndata: {json.dumps({'type': 'tool-result', 'toolCallId': tool_id, 'toolName': tool_name, 'result': json.loads(observation_json)})}\n\n"
tool_results_content.append({
'type': 'tool_result',
'tool_use_id': tool_id,
'content': observation_json,
})
messages.append({'role': 'user', 'content': tool_results_content})
yield f"event: error\ndata: {json.dumps({'message': 'Reached maximum step limit (5).'})}\n\n"
@app.post('/api/v1/agent/stream') async def stream_agent_endpoint(payload: ChatRequestDTO): return StreamingResponse( agent_event_stream(payload), media_type='text/event-stream', headers={ 'Cache-Control': 'no-cache, no-transform', 'Connection': 'keep-alive', 'X-Accel-Buffering': 'no', }, )
@app.get('/health') async def health_check(): return {'status': 'healthy', 'service': 'devpulse-python-agent'} `

ধাপ ৪: সার্ভার রান করে curl দিয়ে টেস্ট করা
Uvicorn দিয়ে আপনার FastAPI সার্ভারটি স্টার্ট করুন (--reload ফ্ল্যাগ থাকার কারণে কোড বদলালে সার্ভার নিজে থেকেই রিস্টার্ট হবে):
bash uvicorn main:app --reload --port 8000
ব্রাউজারে গিয়ে http://localhost:8000/docs ওপেন করলে FastAPI-এর চমৎকার অটো-জেনারেটেড Swagger UI দেখতে পাবেন। টার্মিনালে নিচের curl কমান্ডটি চালিয়ে সরাসরি SSE স্ট্রিম টেস্ট করতে পারেন:
bash vcurl -N -X POST "http://localhost:8000/api/v1/agent/stream" \ -H "Content-Type: application/json" \ -d '{ "session_id": "test-session-01", "model_id": "claude-3-5-sonnet-latest", "messages": [ {"role": "user", "content": "Check our internal rate-limit docs for 429 rules."} ] }'
জাহিদের বাস্তব অভিজ্ঞতা: অনুপস্থিত CORS হেডার এবং ভুল Content-Type যেভাবে আমার পাইথন স্ট্রিম আটকে দিয়েছিল
আমার Next.js ফ্রন্টএন্ড (localhost:3000) যখন প্রথমবার আমার নতুন FastAPI ব্যাকএন্ড (localhost:8000) থেকে ডেটা আনতে গেল, তখন দুটি কঠিন বাগের মুখে পড়েছিলাম।
প্রথমত, রিকোয়েস্ট পাঠানোর সাথে সাথেই ব্রাউজারের কনসোলে CORS এরর চলে এল: 'Access to fetch at 'http://localhost:8000/api/v1/agent/stream' from origin 'http://localhost:3000' has been blocked by CORS policy: No 'Access-Control-Allow-Origin' header is present...'
FastAPI চমৎকার হলেও এটি বাই ডিফল্ট CORS এলাউ করে না। CORSMiddleware বসানোর পরই এই সমস্যার সমাধান হয়।
দ্বিতীয় সমস্যাটি ছিল আরও সূক্ষ্ম। CORS ঠিক হওয়ার পরও ফ্রন্টএন্ডের fetch() রিডার কোনো চাঙ্ক পড়ছিল না। রেসপন্স হেডার চেক করে দেখলাম FastAPI-এর StreamingResponse বাই ডিফল্ট media_type সেট করেছিল text/plain—যার ফলে ব্রাউজার স্ট্রিম না ভেবে পুরো রেসপন্স শেষ হওয়া পর্যন্ত বসে ছিল! media_type='text/event-stream' এবং অ্যান্টি-বাফারিং হেডারগুলো ('Cache-Control': 'no-cache, no-transform', 'X-Accel-Buffering': 'no') যোগ করার পরেই স্ট্রিম একদম পানির মতো স্মুথ হয়ে গেল।
FastAPI এজেন্ট ব্যাকএন্ড বানানোর সময় যে ৪টি ভুল এড়িয়ে চলবেন
আপনার পাইথন মাইক্রোসার্ভিস ডিপ্লয় করার সময় এই ৪টি প্রোডাকশন ট্র্যাপ থেকে দূরে থাকুন:
১. StreamingResponse-এ media_type='text/event-stream' না দেওয়া: এটি না দিলে ব্রাউজার ও প্রক্সিগুলো ইভেন্ট স্ট্রিমকে সাধারণ ফাইল হিসেবে ধরে বাফার করতে থাকে।
২. অ্যাসিনক্রোনাস রুটে সিঙ্ক্রোনাস requests ব্যবহার করা: async def ফাংশনে ভুল করেও সিঙ্ক্রোনাস requests.get() লিখবেন না; এটি পুরো সার্ভারের ইভেন্ট লুপ লক করে দেবে। সবসময় httpx.AsyncClient ব্যবহার করবেন।
৩. CORS মিডলওয়্যার যোগ করতে ভুলে যাওয়া: ফ্রন্টএন্ড ও ব্যাকএন্ড আলাদা পোর্টে চললে CORS ছাড়া ব্রাউজার রিকোয়েস্ট ব্লক করবেই।
৪. আপস্ট্রিম এপিআই এরর ক্যাচ না করা: এপিআই কি ফেইল করলে বা নেটওয়ার্ক ড্রপ হলে জেনারেটরের ভেতরে ট্রাই-ক্যাচ দিয়ে event: error ফ্রেম পাঠাবেন, যাতে ক্লায়েন্ট হঠাৎ ক্র্যাশ না করে।
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী (FAQ)
আমাদের Next.js ফ্রন্টএন্ড কি ২৩তম পর্বে তৈরি করা সেই একই রিডার দিয়ে এই FastAPI SSE এন্ডপয়েন্ট কনজুম করতে পারবে?
হ্যাঁ, শতভাগ পারবে! যেহেতু আমাদের FastAPI ব্যাকএন্ড স্ট্যান্ডার্ড W3C-compliant Server-Sent Events (id:, event:, data:, এবং
ডেলিমিটার) নির্গমন করে, তাই ২৩তম পর্বে তৈরি করা লাইন-বাফারড fetch() রিডার এবং AgentSSEPayload পার্সার কোনো পরিবর্তন ছাড়াই এই পাইথন স্ট্রিম অনায়াসে পড়তে পারবে।
অনুমোদিত নয় এমন ইউজাররা যেন আমাদের এআই বাজেট শেষ করতে না পারে, সেজন্য প্রোডাকশনে এই FastAPI ব্যাকএন্ড কীভাবে সিকিউর করব?
প্রোডাকশন মাইক্রোসার্ভিস আর্কিটেকচারে আপনি FastAPI ব্যাকএন্ড সুরক্ষিত করতে API Gateway অথেন্টিকেশন (যেমন FastAPI Depends মিডলওয়্যারে ভেরিফাই করা Authorization: Bearer শেয়ার্ড সিক্রেট এপিআই কি) অথবা JWT ভেরিফিকেশন ব্যবহার করতে পারেন, যাতে কেবল আপনার বিশ্বস্ত Next.js ব্যাকএন্ড সার্ভারই /api/v1/agent/stream কল করতে পারে।
আমাদের পাইথন এজেন্টকে FastAPI-তে মোড়ানোর পর পরবর্তী পর্বে আমরা কী শিখব?
আমাদের পাইথন এজেন্টের একটি অ্যাসিনক্রোনাস ওয়েব এপিআই তৈরি হওয়ার পর Section C এখন ডেটা পারসিস্টেন্স এবং সিমান্টিক সার্চের দিকে এগোচ্ছে: ঠিক পরের পর্বে (পর্ব ২৯) আমরা আমাদের Next.js এবং Python উভয় স্ট্যাককে Supabase pgvector-এর সাথে যুক্ত করে ডকুমেন্টেশনের ওপর হাই-পারফরম্যান্স ভেক্টর সিমিলারিটি সার্চ তৈরি করব।
কাস্টম ওয়েব অ্যাপ বা এআই অটোমেশন বানাতে চান?
আমি স্টার্টআপ ও আধুনিক ব্যবসার জন্য স্কেলেবল ফুল-স্ট্যাক ওয়েব অ্যাপ্লিকেশন (Next.js, React, Node, PostgreSQL) এবং ইন্টেলিজেন্ট এআই এজেন্ট সলিউশন তৈরি করি। আপনার প্রজেক্টের আইডিয়া নিয়ে কথা বলা যাক!
আর্টিকেলটি কি আপনার ভালো লেগেছে?
তন্ময়ের কাজকে সাপোর্ট করতে তালি (Clap) দিয়ে উৎসাহিত করুন!
জাহিদ হাসান তন্ময়
সফটওয়্যার ডেভেলপার
MERN ফুল-স্ট্যাক ডেভেলপার এবং AI এজেন্ট ডেভেলপার, ঢাকা, বাংলাদেশ। ওয়েব ডেভেলপমেন্ট, রিঅ্যাক্ট, লারাভেল এবং আমার লার্নিং জার্নি নিয়ে লিখছি।