ফেসবুক পেজে কাস্টমারদের একই উত্তর বারবার ম্যানুয়ালি না দিয়ে কীভাবে স্মার্টলি Saved Reply ফিচার ব্যবহার করে উত্তর দিতে পারবেন, সেটা নিয়ে আজকে আমি একটা ছোট্ট ভিডিও তৈরি করেছি। ফেসবুক পেজ অটোমেশন ভিডিওটা যারা নিয়েছিলেন, তাদের জন্য বোনাস - links.hasin.me/fb-page-autom…

আপনি যদি আপনার ফেসবুক পেজ থেকে প্রোডাক্ট সেল করেন, তাহলে Facebook page automation নিয়ে আমাদের এই ভিডিওটা আপনার জন্যই - lwhh.org/shorts/free-faceboo…

Give your WordPress site the login experience it deserves! Custom screens, passkeys, magic links & access control. Get yours today for just $14.25/year with a 25% discount! - tyroplugins.com/magic-login

আপনার নিজের প্রোফাইল ফটোর জন্য এরকম ছবি বানানো কিন্তু খুবই সহজ। এই পোস্ট থেকে ছবিটা ডাউনলোড করুন, সেটা ChatGPT তে আপলোড করুন। সাথে আপনার যে ছবিটা এভাবে তৈরি করতে চাচ্ছেন, সেটাও আপলোড করুন। এরপরে প্রম্পট দিন নিচের মতো "Convert my image like the uploaded cartoon avatar." ব্যস! 👍

গতকাল আমি একটা ছোট Facebook automation video release দিয়েছি, যেখানে Facebook-এর built-in tool ব্যবহার করেই কীভাবে আপনার page-এর বিভিন্ন ধরনের automation করতে পারবেন, reach বাড়াতে পারবেন এগুলোর সবকিছু আলোচনা করা হয়েছে। lwhh.org/shorts/free-faceboo…

Take Me Back to 1958 | Back to the Bay Lights (1958) youtu.be/reU99t1QS7E?si=AHsb… via @YouTube Beautiful, isn't it?

আপনারা যারা Qwen 3.8 Flash মডেলটা বিনামূল্যে ব্যবহার করতে চান আগামী তিন দিনের জন্য, তাহলে inferx.net ট্রাই করে দেখতে পারেন। এখানে DeepSeek-এর V4-Flash 0731 আপনি ৮০% ডিসকাউন্টে ব্যবহার করতে পারবেন, 200+ টোকেন পার সেকেন্ড স্পিডে।

এতদিন পর্যন্ত যে পরিমাণ টোকেন খরচ করেছি এই হিসাবে আমি মোটামুটি আরও ২০০-২৫০ মিলিয়ন টোকেন ইউজ করতে পারব আমার পুরো ১ ডলারের প্ল্যান ইউজ করার জন্য। মাত্র ১ ডলারে অলমোস্ট ৭০০-৮০০ মিলিয়ন টোকেন। পুরাই ইনক্রেডিবল ভ্যালু ফর মানি। CommandCode is genuinely awesome!

আপনারা যখন এআই নিয়ে কোড করেন তখন একটা ইন্টারেস্টিং ওয়ার্কফ্লো ফলো করতে পারেন। সেটা হলো কোড লেখার পরে রিভিউ করা। কিন্তু এই কোড রিভিউ পুরোটাই আপনি ম্যানুয়ালি করবেন না। বরং আরেকটা এআই মডেলকে দিয়ে কোড রিভিউ করাবেন। বিষয়টা আসলে কেমন? ধরেন একটা ফিচার ইমপ্লিমেন্ট করার জন্য আপনি নতুন একটা গিট ব্রাঞ্চ খুলেছেন। সেখানে ফিচারটা এআই দিয়ে ইমপ্লিমেন্ট করেছেন। আপনার কাছে মনে হচ্ছে সবকিছু ঠিক আছে, আপনি হয়তো একটা-দুইটা ম্যানুয়ালি টেস্টও করেছেন। তো এইবার এই যে কোডটা লিখেছে এআই মডেল, সেটা রিভিউ করা প্রয়োজন। সেটা করার আগে আপনি কারেন্ট এআই মডেলকে একটা ইনস্ট্রাকশন দিবেন যে তুমি যেই ফিচারটা মাত্র ইমপ্লিমেন্ট করলা সেটা একটা ফাইলে ডকুমেন্ট করো। ডকুমেন্টেশনটা সাধারণত মানুষজন মার্কডাউন ফাইলে করে। তবে আপনি টেক্সট ফাইলেও ডকুমেন্ট করতে পারেন, কোনো সমস্যা নাই। আপনি আরেকটা ভালো মডেল, যেমন GLM 5.3, ওকে বলবেন যে এই ব্রাঞ্চে যে ফিচারটা ইমপ্লিমেন্ট করা হয়েছে, তুমি সেই কোডটা রিভিউ করো। এই মডেলটা কোড রিভিউ শুরু করার প্রথমেই একটু আগে আপনি যে মার্কডাউন ফাইলটা তৈরি করেছেন সেটা পড়ে ফিচারটা বোঝার চেষ্টা করবে এবং কিভাবে ইমপ্লিমেন্ট করা হয়েছে সেটা দেখবে। তারপরে এই ব্রাঞ্চে যতগুলো চেঞ্জ আছে সেই ফাইলগুলোকে সে রিভিউ করবে এবং এখানে যেই বাগ বা লুপ হোলগুলো আছে বা কর্নার কেস আছে বা এইজ কেসগুলো আছে সেগুলোকে সে খুঁজে বের করবে এবং তারপরে আপনাকে খুব সুন্দর একটা রিপোর্ট দিবে। এই রিপোর্টটা নিয়ে আপনি অরিজিনালি যেই মডেলটাকে দিয়ে ডেভেলপ করেছেন, হয় তাকে দিয়ে ফিক্সগুলো করতে পারেন, অথবা এই নতুন মডেলটাকে দিয়েও ফিক্স করাতে পারেন, যাকে দিয়ে রিভিউ করেছেন। তবে এখানে কিছু বিষয়ে আপনার নিজেকে ডিসিশন নিতে হবে। রিপোর্টে বলা সবকিছুই যে আপনাকে ফিক্স করতে হবে এরকম কোনো কিছু না। যেগুলো ক্রিটিক্যাল বাগ বা সিকিউরিটি ইস্যু সেগুলো আপনি ফিক্স করে ফেলতে পারেন। যত ভালো মডেলই হোক কেন না মাঝে মাঝে কিছুটা হ্যালুসিনেশন হতে পারে। এমন এমন ইস্যুর কথা বলতে পারে যেটা আসলে এক্সিস্ট করছে না। তখন আপনার সিনিয়রিটি বা আপনার অভিজ্ঞতা আপনাকে ডিসিশন নিতে হেল্প করবে। পাশাপাশি আপনি এই ফিচারটা কতটা ভালো জানেন সেটাও আপনাকে ডিসিশন নিতে অনেক সাহায্য করবে। এভাবে ইস্যুগুলো ফিক্স করার পরে আপনি আবার কোড রিভিউ করবেন। তবে ফর্মুলা হলো যেই মডেলকে দিয়ে ইমপ্লিমেন্ট করেছেন, সেই মডেলকে দিয়ে রিভিউ করবেন না বা এটলিস্ট সেই সেশনে রিভিউ করবেন না - নতুন সেশন তৈরি করবেন। কোড রিভিউয়ের সময় সবসময় খুব ভালো একটা মডেল ইউজ করবেন। আর পারলে এই প্রসেসটা দুই তিনবার রিপিট করবেন। এই ওয়ার্কফ্লো ফলো করে যখন একটা ফিচার ইমপ্লিমেন্ট করবেন, তখন দেখবেন কত সহজে এআই মডেল দিয়ে বা এজেন্টিক কোডিং ইউজ করে আপনি একদম সলিডভাবে বাগ-ফ্রি ফিচার ডেভেলপ করতে পারছেন আপনার প্রজেক্টে। হ্যাপি কোডিং :)

আপনারা হয়তো দেখেছেন যে গতকাল আমি তিন ঘণ্টার Complete Tailwind crash course টা রিলিজ দিয়েছি আমার ইউটিউব চ্যানেলে - youtube.com/watch?v=x6XFmB5f… ভিডিওটা দেখলেই আপনি বুঝতে পারবেন যে কি পরিমাণ যত্নের সাথে এবং প্রপার প্লানিং করে পুরো কোর্সটা টা বানানো হয়েছে। এবং সাথে এটাও বুঝতে পারবেন যে কতটা পরিশ্রম করা হয়েছে এটা বানাতে। তারপরও এটা আপনাদের জন্য পুরোপুরি ফ্রি, আমার পক্ষ থেকে একটা গিফট। সুতরাং, আপনারা যদি আপনাদের audience-এর সাথে কোর্সটা শেয়ার করেন এবং অন্যদের কাজে লাগে, তাহলে আমি অনেক খুশি হব।

youtube.com/watch?v=x6XFmB5f… ফাইনালি দেখতে দেখতে অপেক্ষার পালা শেষ। আপনাদের জন্য অনেক কষ্ট করে তৈরি করা আমার Tailwind CSS Crash Course-টা এখন লাইভ। পুরো কোর্সটা আমি অনেক গুছিয়ে তৈরি করেছি এবং এটা একদম ফ্রি। অনেক পরিশ্রম করেছি এবং চেষ্টা করেছি যেন আপনাদের বুঝতে সহজ হয়। এভাবেই বানিয়েছি পুরো ৩ ঘণ্টার কোর্সটা। কোর্স ম্যাটেরিয়াল গুলো এমনভাবে সাজানো যেন কোন কিছুতেই ঘাটতি না পড়ে এবং ধাপে ধাপে শিখে সুন্দরভাবে সামনে এগোতে পারেন। আমি চাই আপনারা কোর্সটা দেখেন এবং আপনাদের ফিডব্যাক আমার সাথে শেয়ার করেন, যাতে আমি আরও সুন্দর সুন্দর কনটেন্ট আপনাদের জন্য নিয়ে আসতে পারি। আপনারা শিখতে পারলেই আমার সার্থকতা। আপনারা YouTube ভিডিওর ডেসক্রিপশন-এ দেখবেন প্রতিটা এপিসোড আলাদা আলাদাভাবে টাইম দিয়ে লিংক করা আছে। ওই লিংকগুলোতে ক্লিক করলে ডাইরেক্টলি আপনি সেই এপিসোডে জাম্প করতে পারবেন। আর ডেসক্রিপশন-এ আপনাদের জন্য দুইটা সুন্দর গিফটও আছে।

গত দুই সপ্তাহে কতগুলো দারুণ দারুণ মডেল রিলিজ হলো, খেয়াল করেছেন? এর মধ্যে এসেছে Qwen 3.8 Flash, GLM 5.2 Turbo, GLM 5.3, GLM 5.3 Flash, DeepSeek Pro 0813 এবং DeepSeek-V4-Flash-Vision-Exp। আর আজকে রিলিজ হলো Tencent Hy4-Preview একটা দারুণ মডেলের কথা না বললেই না। এটা হচ্ছে Gemini 3.5 Transcribe । এটা দিয়ে মাল্টিপল ল্যাঙ্গুয়েজ এর অডিও আপনি টেক্সটে ট্রান্সক্রাইব করতে পারবেন what a time to be alive 📷

২৮৪ বিলিয়ন প্যারামিটারের AI মডেল। কিন্তু অ্যাক্টিভ প্যারামিটার ১৩ বিলিয়ন। অথবা ১.৬ ট্রিলিয়ন প্যারামিটার এর মডেল, কিন্তু অ্যাকটিভ প্যারামিটার হচ্ছে ৪০ বিলিয়ন। বিষয়টা আসলে কী? চলেন, আমি আপনাদেরকে খুব সহজ করে বুঝিয়ে দেই। মনে করেন, আপনি একজন কলেজের প্রিন্সিপাল এবং আপনার কলেজে দুইশ চুরাশি জন ছাত্র আছে। তারা বিভিন্ন বিষয় নিয়ে পড়াশোনা করে। কেউ কেমিস্ট্রিতে, কেউ ফিজিক্স, ম্যাথ কিংবা বায়োলজি নিয়ে পড়ে এবং সবাই তারা ভালো স্টুডেন্ট। এখন আপনার কাছে একটা প্রবলেম এসেছে, যা আপনার ছাত্রদের দিয়ে সলভ করতে হবে। আপনি সমস্যা টা পড়ে বুঝলেন যে এখানে chemistry থেকে কিছু ইনপুট দিতে হবে। কিছু ইনপুট দিতে হবে physics থেকে এবং কিছু ইনপুট আসবে math থেকে, এবং এখানে biology-র কোনো ভূমিকা নাই। আপনি হিসেব করে দেখলেন এই প্রবলেমটা সমাধান করার জন্য তেরো জন ছাত্রই যথেষ্ট। সুতরাং, আপনি আপনার দুইশো চুরাশি জন ছাত্র থেকে তেরো জনকে বেছে নিলেন। মনে করেন, আপনি পাঁচজন বেছে নিলেন যারা কেমিস্ট্রিতে খুব ভালো। পাঁচজন বেছে নিলেন যারা ফিজিক্সে এক্সপার্ট এবং তিনজন ম্যাথের এক্সপার্ট সিলেক্ট করলেন। সব মিলিয়ে তেরো জন স্টুডেন্ট। এর মানে হলো, আপনার কলেজে দুইশ চুরাশি জন এক্সপার্ট স্টুডেন্ট থাকার পরেও, আপনি একটা নির্দিষ্ট প্রবলেম সলভ করার জন্য তেরো জন স্টুডেন্ট কে বেছে নিয়েছেন। এই তেরোজন এক্টিভলি ওই প্রবলেমটা সমাধান করার জন্য কাজ করছে। AI মডেলের এর ব্যাপারটাও এরকম। দুইশ চুরাশি বিলিয়ন এরকম এক্সপার্ট আছে বিভিন্ন রকমের ট্রেনিং ডেটা থেকেএবং যখন একটা token নিয়ে এক্টিভলি কাজ করবে তেরো বিলিয়ন এক্সপার্ট। এই দুইশো চুরাশি বিলিয়ন এক্সপার্ট থেকে কোন তেরো বিলিয়ন প্যারামিটার কোনও একটা টোকেন প্রসেস করার জন্য কাজ করবে, সেটা সিলেক্ট করবে মডেল এর একটা ইন্টারেস্টিং কম্পোনেন্ট, যেটাকে বলা হয় রাউটার। যেমন, একটু আগে আপনি, অর্থাৎ কলেজের প্রিন্সিপাল, তেরো জন ছাত্রকে বেছে নিয়েছিলেন এই প্রবলেমটা সমাধান করার জন্য। সো, আপনি ছিলেন সেই রাউটার। অনেক AI মডেলের এই প্যারামিটারগুলো বিভিন্ন রকমের ট্রেনিং ডেটা থেকে তৈরি এবং এরা বিভিন্ন বিষয়ে এক্সপার্ট। এরকম না যে এরা শুধুমাত্র ম্যাথ এর প্রবলেম সল্ভ করবে, কিংবা কেমিস্ট্রির, কিংবা শুধুমাত্র ফিজিক্স। একদমই না। এদের কাছে বিভিন্ন রকমের ট্রেনিং ডেটা আছে। এজন্য এরা সবাই মাইল Mixture of Expert বা MoE। এখন পুরো বিষয়টা আপনার কাছে ক্লিয়ার হয়েছে? সুতরাং, এখন থেকে যখনই এরকম কিছু দেখবেন, যে এত বিলিয়ন প্যারামিটারের মডেল এবং এত বিলিয়ন অ্যাকটিভ প্যারামিটার, নিশ্চয়ই আপনার বুঝতে আর অসুবিধা হবে না।

I recently used DeepSeek V4 Flash with DeepSeek Harness for a large development task. I thought the final session statistics might be interesting to people experimenting with agentic coding workflows. Final numbers: - 21 turns - 378 agent steps - 71.6M cumulative input tokens - 99% cache hit rate - 309K output tokens - 72m 11s of LLM time - 15m 28s of tool-call time - 153 tokens/sec Estimated DeepSeek V4 Flash API-equivalent cost at peak pricing: about $1.72 I personally spent around 2 hours working with the agent. That included prompting, reviewing changes, testing, identifying issues, and asking for modifications. Without AI assistance, I think it would take 7 to 10 working days to complete this task. This was definitely not a one-shot prompt. I used DeepSeek Harness to work through the task iteratively. The session ended up involving 21 turns and 378 agent steps. There was code exploration, implementation, tool usage, testing, review, and multiple adjustments. I was in the drivers seat, still responsible for the requirements and final decisions. I had to observe what was happening, review the implementation, test the results, identify problems, and decide what needed to change. But the agent handled a significant amount of the implementation work. 71.6M cumulative input tokens sounds expensive, especially for a single task. But because the session achieved a 99% cache hit rate, the estimated cost using the official DeepSeek V4 Flash peak pricing came to only around $1.72. That's crazy, isn't it? 😄

That was interesting!

Never seen the entire internet celebrate a new model release quite like they’re celebrating DeepSeek :) Damn, that’s actually pretty cute.

কয়েকদিন আগে আলিবাবা Qwen 3.8 Max রিলিজ দিয়েছে, টোটাল 2.4 ট্রিলিয়ন প্যারামিটারের একটা মডেল। আমরাও আমাদের প্রডাকশন এপ্লিকেশনগুলোতে লাস্ট ৫দিন ধরে ইউজ করছি, আসলেই দারুণ একটা মডেল। আমি এটা নিয়েছি আলিবাবার Qwen Cloud থেকে। মান্থলি ৬ ডলারের প্ল্যানটা আপনাকে ভালোই সাপোর্ট দিবে।