You need to agree to share your contact information to access this model

This repository is publicly accessible, but you have to accept the conditions to access its files and content.

YAML Metadata Warning:empty or missing yaml metadata in repo card

Check out the documentation for more information.

AI Real Estate Sales Agent — Implementation Roadmap

এই কোডটা কী

আগের ডিজাইন আলোচনায় ১২-১৪টা নোড, ৩টা এজেন্ট, ৫টা সাবগ্রাফ প্রস্তাব করা হয়েছিল। সেটা ধারণাগতভাবে ঠিক, কিন্তু প্রথম দিনেই সেটা বানাতে যাওয়া একটা ভুল — প্রতিটা নোড মানে একটা LLM round-trip, মানে বেশি latency + বেশি খরচ, আর ডিবাগ করা কঠিন।

তাই এখানে একটা কাজ-চালানো ৪-নোড MVP দেওয়া হলো, যেটা থেকে আপনি ইনক্রিমেন্টালি বাড়াবেন।

START
  │
  ▼
extract_profile      ← এক LLM call: profile update + intent + objection detect
  │
  ▼
evaluate_missing     ← pure python, LLM লাগে না
  │
  ▼
retrieve_and_rank    ← pure python filtering+scoring, LLM/RAG লাগে না
  │
  ▼
decide_and_respond   ← এক LLM call: strategy + স্বাভাবিক reply generation
  │
  ▼
END

মোট ২টা LLM call প্রতি টার্নে — এটাই production এ latency/cost ম্যানেজেবল রাখার চাবি।

Gemini Free Tier Setup (ধাপে ধাপে)

ধাপ ১ — API Key নিন (কোনো কার্ড লাগবে না) aistudio.google.com/apikey এ যান, Google অ্যাকাউন্ট দিয়ে লগ ইন করুন, "Create API key" ক্লিক করুন। একটা নতুন Google Cloud project auto-create হবে, key কপি করে রাখুন।

ধাপ ২ — Package ইনস্টল করুন

pip install -r requirements.txt

(এতে langchain-google-genai আছে, ChatAnthropic এর জায়গায় এখন ChatGoogleGenerativeAI ব্যবহার হচ্ছে — app/nodes.py এ পরিবর্তন করা আছে)

ধাপ ৩ — Key কে environment variable হিসেবে সেট করুন

export GOOGLE_API_KEY=your_key_here

(LangChain এই ভ্যারিয়েবলটা নিজে থেকেই খুঁজে নেয়, কোডে key hardcode করার দরকার নেই)

ধাপ ৪ — টেস্ট করুন

python main.py

কোন মডেল ব্যবহার করছি ও কেন app/nodes.py এ gemini-2.5-flash সেট করা আছে — free tier এ প্রতিদিন ~1500 রিকোয়েস্ট পাওয়া যায় এবং quality/cost ব্যালান্স ভালো। gemini-2.0-flash ব্যবহার করবেন না — সেটা deprecated হয়ে গেছে। বেশি quota দরকার হলে (কিন্তু সামান্য কম quality) gemini-2.5-flash-lite তে বদলাতে পারেন — শুধু nodes.py এর model নাম পরিবর্তন করলেই হবে।

⚠️ গুরুত্বপূর্ণ সতর্কতা — Free tier ডেটা প্রাইভেসি Free tier এ পাঠানো ডেটা (কাস্টমারের নাম, বাজেট, পছন্দ ইত্যাদি) Google তাদের মডেল উন্নত করতে ব্যবহার করতে পারে (paid/billing enabled tier এ এটা হয় না)। যেহেতু আপনি রিয়েল কাস্টমারদের ব্যক্তিগত ও আর্থিক তথ্য প্রসেস করছেন, প্রোডাকশনে যাওয়ার আগে অন্তত billing enable করে নেওয়া বিবেচনা করুন — free tier টা শুধু development/ টেস্টিং পর্যায়ে ব্যবহার করুন।

Rate limit হ্যান্ডলিং Free tier এ heavy testing করলে মাঝেমধ্যে 429 error আসতে পারে। ChatGoogleGenerativeAI এর max_retries parameter ব্যবহার করে সহজেই retry যোগ করা যায়:

llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash", temperature=0.3, max_retries=3)

পরে Anthropic/Claude এ ফিরতে চাইলে app/nodes.py এ শুধু import ও llm = ... লাইনটা বদলে দিন:

from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-sonnet-4-6", temperature=0.3)

আর requirements.txt এ langchain-anthropic যোগ করুন — বাকি কোড (state, graph, nodes এর logic) অপরিবর্তিত থাকবে, কারণ LLM provider swap করাটা LangChain এর abstraction layer এর কারণে সহজ।

CLI তে কথা বলে টেস্ট করুন — প্রতিটা টার্নে customer_profile কীভাবে ধীরে ধীরে ভরে উঠছে সেটা app/state.py এর REQUIRED_FIELDS দিয়ে বুঝতে পারবেন।

বিল্ড অর্ডার (এই সিকোয়েন্সে করুন)

Step 1 — Project DB আলাদাভাবে টেস্ট করুন app/project_data.py এর rank_projects() ফাংশনে হাতে কয়েকটা profile dict দিয়ে কল করুন, দেখুন ranking যুক্তিসঙ্গত হচ্ছে কিনা। এখানে কোনো LLM নেই — এটা ঠিক না হলে বাকি সিস্টেম যতই ভালো হোক, ভুল প্রজেক্ট সাজেস্ট হবে।

Step 2 — MVP গ্রাফ CLI তে টেস্ট করুন python main.py দিয়ে ৫-৬ টা বাস্তব কাস্টমার সিনারিও ম্যানুয়ালি চালান। লক্ষ্য করুন কোথায় extraction ভুল করছে (যেমন বাজেট ভুল বুঝছে) বা কোথায় reply অপ্রাসঙ্গিক শোনাচ্ছে।

Step 3 — যেখানে ভুল হচ্ছে, সেই অংশটাকেই আলাদা নোড করুন

Objection ঠিকমতো হ্যান্ডল হচ্ছে না? → handle_objection নামে আলাদা নোড বানান, conditional edge দিয়ে objection field non-null হলে সেখানে রুট করুন।
Visit booking কনফার্ম করতে গিয়ে গোলমাল হচ্ছে? → book_visit নোড বানান, একটা actual calendar/slots tool যোগ করুন (Google Calendar API বা নিজের DB slot টেবিল)।
Follow-up মেসেজ (কাস্টমার চুপ হয়ে গেলে) লাগবে? → এটা গ্রাফের ভিতরে না, বরং একটা cron job যেটা N দিন silent থাকা leads দের জন্য আলাদাভাবে app_graph.invoke() কল করে একটা follow-up মেসেজ পাঠায়।

Step 4 — CRM persistence যোগ করুন SqliteSaver এখন শুধু conversation state রাখছে prototype এর জন্য। প্রোডাকশনে decide_and_respond এর পরে একটা save_crm_node যোগ করুন যেটা Postgres এ লিখবে: lead_score, interested_project, budget, pain_point, visit_status, next_follow_up_date। এটা আলাদা টেবিল হবে state checkpoint থেকে — checkpoint হলো "কথোপকথন resume করার মেমরি", CRM হলো "বিজনেস রিপোর্টিং ডেটা"।

Step 5 — Facebook Messenger এ কানেক্ট করুন fastapi_webhook.py স্কেলিটন ব্যবহার করুন। দরকার হবে:

Meta Developer অ্যাকাউন্টে একটা App + Messenger product
Page Access Token ও একটা Verify Token (.env এ রাখুন, কোডে না)
Webhook URL পাবলিকলি HTTPS এ হোস্ট করা থাকতে হবে

প্রতিটা Facebook ইউজারের PSID কে thread_id হিসেবে ব্যবহার করুন — এতে প্রতিটা কাস্টমারের কথোপকথন আলাদাভাবে persist থাকবে।

Step 6 — Lead scoring যোগ করুন state.py তে lead_score: int field আছে কিন্তু এখনো ব্যবহার হচ্ছে না। evaluate_missing_node এর পাশে একটা সাধারণ rule-based scorer যোগ করুন (যেমন: budget জানা +20, timeline "this_month" +30, decision_maker "self" +15 ইত্যাদি) — এর জন্য LLM লাগবে না, শুধু if/else যথেষ্ট।

যখন সত্যিই Multi-Agent দরকার হবে

যদি Step 3 এর পরেও দেখেন যে single decide_and_respond prompt টা অনেক বড় ও অনির্ভরযোগ্য হয়ে যাচ্ছে (৫০+ লাইনের system prompt, ইনকনসিসটেন্ট আউটপুট), তখনই সেটাকে ২টা নোডে ভাগ করুন:

sales_strategy_node → শুধু next_action ঠিক করবে (কোনো reply লিখবে না)
response_generator_node → শুধু next_action অনুযায়ী reply লিখবে

এই বিভাজনটা আগের ডিজাইনে যেটা বলা হয়েছিল সেটাই, কিন্তু এখন করবেন evidence-based — যখন দেখবেন এক-নোড approach আর কাজ করছে না, তখন। শুরু থেকে বানালে আপনি এমন জটিলতা debug করবেন যেটার প্রয়োজনই হয়তো ছিল না।

ফাইল স্ট্রাকচার

real_estate_sales_agent/
├── requirements.txt
├── README.md
├── main.py                 ← CLI টেস্ট লুপ
├── fastapi_webhook.py       ← Facebook Messenger integration
└── app/
    ├── state.py             ← SalesState schema
    ├── project_data.py      ← Project DB + filter/ranking (no LLM)
    ├── nodes.py              ← ৪টা LangGraph node
    └── graph.py              ← Graph wiring + checkpointer

Downloads last month: -; Downloads are not tracked for this model. How to track

Inference Providers NEW

This model isn't deployed by any Inference Provider. 🙋 Ask for provider support