২.২: চেইন কনসেপ্ট

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

# .env ফাইল থেকে API কি লোড করুন
load_dotenv()

# LLM সেটআপ করুন
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.7,
    api_key=os.getenv("OPENAI_API_KEY")
)

# প্রম্পট টেমপ্লেট তৈরি করুন
prompt = PromptTemplate(
    input_variables=["topic"],
    template="আমাকে {topic} সম্পর্কে পাঁচটি আকর্ষণীয় তথ্য দিন।"
)

# LLMChain তৈরি করুন
chain = LLMChain(llm=llm, prompt=prompt)

# চেইন রান করুন
result = chain.invoke({"topic": "বাংলাদেশের মুক্তিযুদ্ধ"})
print("LLMChain রেজাল্ট:")
print(result["text"])

# স্ট্রাকচারড আউটপুট সহ LLMChain
from langchain.output_parsers import StructuredOutputParser, ResponseSchema

# আউটপুট স্কিমা ডিফাইন করুন
response_schemas = [
    ResponseSchema(name="fact_1", description="প্রথম আকর্ষণীয় তথ্য"),
    ResponseSchema(name="fact_2", description="দ্বিতীয় আকর্ষণীয় তথ্য"),
    ResponseSchema(name="fact_3", description="তৃতীয় আকর্ষণীয় তথ্য"),
    ResponseSchema(name="fact_4", description="চতুর্থ আকর্ষণীয় তথ্য"),
    ResponseSchema(name="fact_5", description="পঞ্চম আকর্ষণীয় তথ্য"),
]

# পার্সার তৈরি করুন
parser = StructuredOutputParser.from_response_schemas(response_schemas)
format_instructions = parser.get_format_instructions()

# প্রম্পট টেমপ্লেট আপডেট করুন
structured_prompt = PromptTemplate(
    input_variables=["topic"],
    template="আমাকে {topic} সম্পর্কে পাঁচটি আকর্ষণীয় তথ্য দিন।\n{format_instructions}"
)

# স্ট্রাকচারড আউটপুট সহ LLMChain তৈরি করুন
structured_chain = LLMChain(
    llm=llm,
    prompt=structured_prompt,
    output_parser=parser
)

# চেইন রান করুন
structured_result = structured_chain.invoke({
    "topic": "বাংলাদেশের মুক্তিযুদ্ধ",
    "format_instructions": format_instructions
})

print("\nস্ট্রাকচারড LLMChain রেজাল্ট:")
for key, value in structured_result["text"].items():
    print(f"{key}: {value}")

from langchain.chains import SimpleSequentialChain

# প্রথম চেইন: টপিক জেনারেশন
topic_prompt = PromptTemplate(
    input_variables=["country"],
    template="বাংলাদেশের ইতিহাসের একটি গুরুত্বপূর্ণ ঘটনা উল্লেখ করুন যা {country} এর সাথে সম্পর্কিত।"
)
topic_chain = LLMChain(llm=llm, prompt=topic_prompt)

# দ্বিতীয় চেইন: বিস্তারিত বিবরণ
detail_prompt = PromptTemplate(
    input_variables=["topic"],
    template="নিম্নলিখিত ঘটনা সম্পর্কে বিস্তারিত বিবরণ দিন: {topic}"
)
detail_chain = LLMChain(llm=llm, prompt=detail_prompt)

# সিকোয়েন্শিয়াল চেইন তৈরি করুন
sequential_chain = SimpleSequentialChain(chains=[topic_chain, detail_chain], verbose=True)

# চেইন রান করুন
sequential_result = sequential_chain.invoke({"country": "ভারত"})
print("\nSimpleSequentialChain রেজাল্ট:")
print(sequential_result)

from langchain.chains import SequentialChain

# প্রথম চেইন: ঘটনা জেনারেশন
event_prompt = PromptTemplate(
    input_variables=["country", "year"],
    template="{year} সালে {country} এবং বাংলাদেশের মধ্যে একটি গুরুত্বপূর্ণ ঘটনা উল্লেখ করুন।"
)
event_chain = LLMChain(
    llm=llm,
    prompt=event_prompt,
    output_key="event"  # আউটপুট কি নাম
)

# দ্বিতীয় চেইন: ঘটনার প্রভাব
impact_prompt = PromptTemplate(
    input_variables=["event", "country"],
    template="নিম্নলিখিত ঘটনার বাংলাদেশ এবং {country} এর উপর প্রভাব বিশ্লেষণ করুন: {event}"
)
impact_chain = LLMChain(
    llm=llm,
    prompt=impact_prompt,
    output_key="impact"  # আউটপুট কি নাম
)

# তৃতীয় চেইন: ভবিষ্যৎ সম্পর্ক
future_prompt = PromptTemplate(
    input_variables=["event", "impact", "country"],
    template="""
    নিম্নলিখিত ঘটনা এবং প্রভাব বিবেচনা করে, বাংলাদেশ এবং {country} এর ভবিষ্যৎ সম্পর্ক কেমন হতে পারে তা বিশ্লেষণ করুন:

    ঘটনা: {event}

    প্রভাব: {impact}
    """
)
future_chain = LLMChain(
    llm=llm,
    prompt=future_prompt,
    output_key="future_relations"  # আউটপুট কি নাম
)

# SequentialChain তৈরি করুন
sequential_chain = SequentialChain(
    chains=[event_chain, impact_chain, future_chain],
    input_variables=["country", "year"],  # মূল ইনপুট ভেরিয়েবল
    output_variables=["event", "impact", "future_relations"],  # আউটপুট ভেরিয়েবল
    verbose=True
)

# চেইন রান করুন
sequential_result = sequential_chain.invoke({
    "country": "ভারত",
    "year": "1971"
})

print("\nSequentialChain রেজাল্ট:")
print("ঘটনা:", sequential_result["event"])
print("\nপ্রভাব:", sequential_result["impact"])
print("\nভবিষ্যৎ সম্পর্ক:", sequential_result["future_relations"])

from langchain.chains.mapreduce import MapReduceChain
from langchain.text_splitter import CharacterTextSplitter
from langchain_openai import OpenAI

# টেক্সট স্প্লিটার সেটআপ করুন
text_splitter = CharacterTextSplitter.from_tiktoken_encoder(
    chunk_size=1000,
    chunk_overlap=0
)

# LLM সেটআপ করুন (OpenAI টেক্সট মডেল)
llm = OpenAI(
    model="gpt-3.5-turbo-instruct",
    temperature=0,
    api_key=os.getenv("OPENAI_API_KEY")
)

# MapReduceChain তৈরি করুন
map_reduce_chain = MapReduceChain.from_params(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["text"],
        template="নিম্নলিখিত টেক্সট থেকে মূল পয়েন্টগুলি বের করুন:\n\n{text}"
    ),
    combine_prompt=PromptTemplate(
        input_variables=["text"],
        template="নিম্নলিখিত পয়েন্টগুলি একত্রিত করে একটি সংক্ষিপ্ত সারাংশ তৈরি করুন:\n\n{text}"
    ),
    text_splitter=text_splitter,
    return_intermediate_steps=True,
    verbose=True
)

# লম্বা টেক্সট
long_text = """
বাংলাদেশের স্বাধীনতা যুদ্ধ ১৯৭১ সালে সংঘটিত হয়েছিল। এটি ছিল পাকিস্তানের বিরুদ্ধে বাঙালি জাতির মুক্তি সংগ্রাম। যুদ্ধের প্রধান কারণ ছিল পশ্চিম পাকিস্তানের শাসকগোষ্ঠীর দ্বারা পূর্ব পাকিস্তানের (বর্তমান বাংলাদেশ) উপর রাজনৈতিক, অর্থনৈতিক, সামাজিক ও সাংস্কৃতিক শোষণ।

১৯৭০ সালের নির্বাচনে আওয়ামী লীগ পূর্ব পাকিস্তানে নিরঙ্কুশ সংখ্যাগরিষ্ঠতা লাভ করে। কিন্তু পাকিস্তানি সামরিক জান্তা ক্ষমতা হস্তান্তর করতে অস্বীকার করে। ১৯৭১ সালের ২৫ মার্চ রাতে পাকিস্তানি সেনাবাহিনী 'অপারেশন সার্চলাইট' নামে একটি গণহত্যা শুরু করে, যাতে হাজার হাজার নিরীহ বাঙালি নিহত হয়।

২৬ মার্চ বঙ্গবন্ধু শেখ মুজিবুর রহমান বাংলাদেশের স্বাধীনতা ঘোষণা করেন। এরপর শুরু হয় নয় মাসব্যাপী রক্তক্ষয়ী যুদ্ধ। ভারত বাংলাদেশের স্বাধীনতা যুদ্ধে সামরিক, কূটনৈতিক ও মানবিক সহায়তা প্রদান করে। ১৬ ডিসেম্বর পাকিস্তানি বাহিনী আত্মসমর্পণ করে এবং বাংলাদেশ স্বাধীন হয়।

স্বাধীনতা যুদ্ধে প্রায় ৩০ লক্ষ বাঙালি শহীদ হন এবং প্রায় ২ লক্ষ নারী সম্ভ্রমহারা হন। এটি ছিল বিশ্বের অন্যতম বড় গণহত্যা। যুদ্ধের সময় প্রায় ১ কোটি বাঙালি ভারতে শরণার্থী হিসেবে আশ্রয় নেয়।

স্বাধীনতার পর বাংলাদেশ ধীরে ধীরে পুনর্গঠিত হয়। ১৯৭২ সালে বাংলাদেশের সংবিধান প্রণীত হয়, যেখানে গণতন্ত্র, জাতীয়তাবাদ, সমাজতন্ত্র ও ধর্মনিরপেক্ষতাকে রাষ্ট্রের মূলনীতি হিসেবে গ্রহণ করা হয়।

বর্তমানে বাংলাদেশ দক্ষিণ এশিয়ার একটি গুরুত্বপূর্ণ দেশ। গার্মেন্টস শিল্প, কৃষি, রেমিট্যান্স ইত্যাদি দেশের অর্থনীতির প্রধান চালিকাশক্তি। বাংলাদেশ এখন মধ্যম আয়ের দেশে উন্নীত হয়েছে এবং ২০৪১ সালের মধ্যে উন্নত দেশে পরিণত হওয়ার লক্ষ্য নিয়ে এগিয়ে চলেছে।
"""

# MapReduceChain রান করুন
map_reduce_result = map_reduce_chain.invoke({"input_documents": [long_text]})

print("\nMapReduceChain রেজাল্ট:")
print(map_reduce_result["output_text"])

# ইন্টারমিডিয়েট স্টেপ দেখুন
print("\nম্যাপ স্টেপ রেজাল্ট:")
for i, step in enumerate(map_reduce_result["intermediate_steps"]):
    print(f"চাংক {i+1}:")
    print(step)
    print("-" * 50)

from langchain.chains.summarize import load_summarize_chain
from langchain.docstore.document import Document

# ডকুমেন্ট তৈরি করুন
docs = [Document(page_content=long_text)]

# RefineChain তৈরি করুন
refine_chain = load_summarize_chain(
    llm=llm,
    chain_type="refine",
    verbose=True
)

# RefineChain রান করুন
refine_result = refine_chain.invoke({"input_documents": docs})

print("\nRefineChain রেজাল্ট:")
print(refine_result["output_text"])

from langchain.chains.router import MultiPromptChain
from langchain.chains.router.llm_router import LLMRouterChain, RouterOutputParser
from langchain.prompts import PromptTemplate

# ডিফারেন্ট টপিকের জন্য প্রম্পট ডিফাইন করুন
history_prompt = PromptTemplate(
    template="""আপনি একজন ইতিহাস বিশেষজ্ঞ। নিম্নলিখিত প্রশ্নের উত্তর দিন:

    {input}
    """,
    input_variables=["input"],
)

science_prompt = PromptTemplate(
    template="""আপনি একজন বিজ্ঞান বিশেষজ্ঞ। নিম্নলিখিত প্রশ্নের উত্তর দিন:

    {input}
    """,
    input_variables=["input"],
)

literature_prompt = PromptTemplate(
    template="""আপনি একজন সাহিত্য বিশেষজ্ঞ। নিম্নলিখিত প্রশ্নের উত্তর দিন:

    {input}
    """,
    input_variables=["input"],
)

# রাউটার টেমপ্লেট তৈরি করুন
router_template = """নিম্নলিখিত প্রশ্নটি কোন ক্যাটাগরির অন্তর্গত তা নির্ধারণ করুন।

প্রশ্ন: {input}

ক্যাটাগরি: "ইতিহাস", "বিজ্ঞান", বা "সাহিত্য"। যদি কোনটিই না হয়, তাহলে "ইতিহাস" লিখুন।
"""

router_prompt = PromptTemplate(
    template=router_template,
    input_variables=["input"],
)

# ডেস্টিনেশন চেইন তৈরি করুন
destination_chains = {
    "ইতিহাস": LLMChain(llm=llm, prompt=history_prompt),
    "বিজ্ঞান": LLMChain(llm=llm, prompt=science_prompt),
    "সাহিত্য": LLMChain(llm=llm, prompt=literature_prompt),
}

# ডিফল্ট চেইন
default_chain = LLMChain(llm=llm, prompt=history_prompt)

# রাউটার চেইন তৈরি করুন
router_chain = LLMRouterChain.from_llm(
    llm=llm,
    prompt=router_prompt,
    output_parser=RouterOutputParser()
)

# মাল্টি প্রম্পট চেইন তৈরি করুন
multi_prompt_chain = MultiPromptChain(
    router_chain=router_chain,
    destination_chains=destination_chains,
    default_chain=default_chain,
    verbose=True
)

# বিভিন্ন টাইপের প্রশ্ন টেস্ট করুন
history_q = "বাংলাদেশের স্বাধীনতা যুদ্ধ কবে হয়েছিল এবং কেন?"
science_q = "ব্ল্যাক হোল কী এবং কিভাবে তৈরি হয়?"
literature_q = "রবীন্দ্রনাথ ঠাকুরের প্রধান সাহিত্যকর্ম কী কী?"

# রাউটার চেইন রান করুন
print("\nইতিহাস প্রশ্ন:")
history_result = multi_prompt_chain.invoke({"input": history_q})
print(history_result["text"])

print("\nবিজ্ঞান প্রশ্ন:")
science_result = multi_prompt_chain.invoke({"input": science_q})
print(science_result["text"])

print("\nসাহিত্য প্রশ্ন:")
literature_result = multi_prompt_chain.invoke({"input": literature_q})
print(literature_result["text"])

from langchain.schema.runnable import RunnableBranch
from typing import Literal
from pydantic import BaseModel, Field

# ক্লাসিফায়ার ফাংশন
def classify_query(query: str) -> str:
    # সিম্পল কিওয়ার্ড-বেসড ক্লাসিফিকেশন
    if any(word in query.lower() for word in ["ইতিহাস", "যুদ্ধ", "স্বাধীনতা", "রাজা", "রানী"]):
        return "ইতিহাস"
    elif any(word in query.lower() for word in ["বিজ্ঞান", "পদার্থ", "রসায়ন", "জীববিজ্ঞান", "মহাকাশ"]):
        return "বিজ্ঞান"
    elif any(word in query.lower() for word in ["সাহিত্য", "কবিতা", "উপন্যাস", "লেখক", "কবি"]):
        return "সাহিত্য"
    else:
        return "সাধারণ"

# ডিফারেন্ট চেইন তৈরি করুন
history_chain = LLMChain(llm=llm, prompt=history_prompt)
science_chain = LLMChain(llm=llm, prompt=science_prompt)
literature_chain = LLMChain(llm=llm, prompt=literature_prompt)
general_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        template="নিম্নলিখিত প্রশ্নের উত্তর দিন:\n\n{input}",
        input_variables=["input"],
    )
)

# রাউটার ফাংশন
def route_query(query):
    category = classify_query(query)
    if category == "ইতিহাস":
        return history_chain
    elif category == "বিজ্ঞান":
        return science_chain
    elif category == "সাহিত্য":
        return literature_chain
    else:
        return general_chain

# RunnableBranch তৈরি করুন
branch = RunnableBranch(
    (lambda x: classify_query(x["input"]) == "ইতিহাস", history_chain),
    (lambda x: classify_query(x["input"]) == "বিজ্ঞান", science_chain),
    (lambda x: classify_query(x["input"]) == "সাহিত্য", literature_chain),
    general_chain
)

# RunnableBranch টেস্ট করুন
print("\nLCEL RunnableBranch:")
print("ইতিহাস প্রশ্ন:")
history_result = branch.invoke({"input": history_q})
print(history_result["text"])

print("\nবিজ্ঞান প্রশ্ন:")
science_result = branch.invoke({"input": science_q})
print(science_result["text"])

from langchain.chains.base import Chain
from typing import Dict, List, Any

class TranslationSummaryChain(Chain):
    """
    একটি টেক্সট অনুবাদ করে এবং তারপর সারাংশ তৈরি করে।
    """

    translation_chain: LLMChain
    summary_chain: LLMChain

    @property
    def input_keys(self) -> List[str]:
        """চেইনের ইনপুট কি"""
        return ["text", "source_language", "target_language"]

    @property
    def output_keys(self) -> List[str]:
        """চেইনের আউটপুট কি"""
        return ["translation", "summary"]

    def _call(self, inputs: Dict[str, Any]) -> Dict[str, Any]:
        """চেইন রান করুন"""
        # টেক্সট অনুবাদ করুন
        translation = self.translation_chain.invoke({
            "text": inputs["text"],
            "source_language": inputs["source_language"],
            "target_language": inputs["target_language"]
        })

        # অনুবাদিত টেক্সটের সারাংশ তৈরি করুন
        summary = self.summary_chain.invoke({
            "text": translation["text"]
        })

        return {
            "translation": translation["text"],
            "summary": summary["text"]
        }

# ট্রান্সলেশন প্রম্পট
translation_prompt = PromptTemplate(
    input_variables=["text", "source_language", "target_language"],
    template="""
    নিম্নলিখিত {source_language} টেক্সটকে {target_language} ভাষায় অনুবাদ করুন:

    {text}

    {target_language} অনুবাদ:
    """
)

# সামারাইজেশন প্রম্পট
summary_prompt = PromptTemplate(
    input_variables=["text"],
    template="""
    নিম্নলিখিত টেক্সটের একটি সংক্ষিপ্ত সারাংশ তৈরি করুন (3-4 বাক্য):

    {text}

    সারাংশ:
    """
)

# চেইন তৈরি করুন
translation_chain = LLMChain(llm=llm, prompt=translation_prompt)
summary_chain = LLMChain(llm=llm, prompt=summary_prompt)

# কাস্টম চেইন তৈরি করুন
custom_chain = TranslationSummaryChain(
    translation_chain=translation_chain,
    summary_chain=summary_chain
)

# কাস্টম চেইন রান করুন
english_text = """
The Liberation War of Bangladesh was a revolutionary independence war in South Asia that resulted in the independence of Bangladesh from Pakistan in 1971. It began after the Pakistani military junta based in West Pakistan launched Operation Searchlight against the people of East Pakistan (now Bangladesh) on the night of 25 March 1971. The war ended on 16 December 1971 after West Pakistan surrendered.
"""

custom_result = custom_chain.invoke({
    "text": english_text,
    "source_language": "ইংরেজি",
    "target_language": "বাংলা"
})

print("\nকাস্টম চেইন রেজাল্ট:")
print("অনুবাদ:")
print(custom_result["translation"])
print("\nসারাংশ:")
print(custom_result["summary"])

from langchain.schema.runnable import RunnablePassthrough, RunnableLambda

# ট্রান্সলেশন প্রম্পট
translation_prompt = PromptTemplate(
    input_variables=["text", "source_language", "target_language"],
    template="""
    নিম্নলিখিত {source_language} টেক্সটকে {target_language} ভাষায় অনুবাদ করুন:

    {text}

    {target_language} অনুবাদ:
    """
)

# সামারাইজেশন প্রম্পট
summary_prompt = PromptTemplate(
    input_variables=["text"],
    template="""
    নিম্নলিখিত টেক্সটের একটি সংক্ষিপ্ত সারাংশ তৈরি করুন (3-4 বাক্য):

    {text}

    সারাংশ:
    """
)

# ট্রান্সলেশন চেইন
translation_chain = translation_prompt | llm | (lambda x: {"translation": x.content})

# সামারাইজেশন চেইন
def get_summary(inputs):
    summary_input = summary_prompt.format(text=inputs["translation"])
    summary_output = llm.invoke(summary_input)
    return {"translation": inputs["translation"], "summary": summary_output.content}

# LCEL চেইন
lcel_chain = (
    RunnablePassthrough.assign(
        translation=translation_chain
    )
    | RunnableLambda(get_summary)
)

# LCEL চেইন রান করুন
lcel_result = lcel_chain.invoke({
    "text": english_text,
    "source_language": "ইংরেজি",
    "target_language": "বাংলা"
})

print("\nLCEL চেইন রেজাল্ট:")
print("অনুবাদ:")
print(lcel_result["translation"])
print("\nসারাংশ:")
print(lcel_result["summary"])

# bengali_content_generator.py
from langchain.chains.base import Chain
from langchain.chains import LLMChain, SequentialChain
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from typing import Dict, List, Any
from dotenv import load_dotenv
import os

# .env ফাইল থেকে API কি লোড করুন
load_dotenv()

class BengaliContentGenerator(Chain):
    """
    বিভিন্ন ধরনের বাংলা কন্টেন্ট জেনারেট করে।
    """

    llm: ChatOpenAI

    @property
    def input_keys(self) -> List[str]:
        """চেইনের ইনপুট কি"""
        return ["topic", "content_type", "tone", "length"]

    @property
    def output_keys(self) -> List[str]:
        """চেইনের আউটপুট কি"""
        return ["title", "content", "keywords"]

    def _call(self, inputs: Dict[str, Any]) -> Dict[str, Any]:
        """চেইন রান করুন"""
        topic = inputs["topic"]
        content_type = inputs["content_type"]
        tone = inputs["tone"]
        length = inputs["length"]

        # কন্টেন্ট টাইপ অনুযায়ী রাউটিং
        if content_type == "ব্লগ পোস্ট":
            return self._generate_blog_post(topic, tone, length)
        elif content_type == "সোশ্যাল মিডিয়া পোস্ট":
            return self._generate_social_media_post(topic, tone)
        elif content_type == "নিউজ আর্টিকেল":
            return self._generate_news_article(topic, tone, length)
        elif content_type == "টিউটোরিয়াল":
            return self._generate_tutorial(topic, tone, length)
        else:
            # ডিফল্ট: ব্লগ পোস্ট
            return self._generate_blog_post(topic, tone, length)

    def _generate_blog_post(self, topic, tone, length):
        """ব্লগ পোস্ট জেনারেট করে"""
        # টাইটেল জেনারেট করুন
        title_prompt = PromptTemplate(
            input_variables=["topic", "tone"],
            template="""
            {topic} সম্পর্কে একটি আকর্ষণীয় ব্লগ পোস্টের শিরোনাম তৈরি করুন।
            টোন: {tone}

            শিরোনাম:
            """
        )

        title_chain = LLMChain(llm=self.llm, prompt=title_prompt)
        title_result = title_chain.invoke({"topic": topic, "tone": tone})
        title = title_result["text"].strip()

        # কন্টেন্ট জেনারেট করুন
        content_prompt = PromptTemplate(
            input_variables=["title", "topic", "tone", "length"],
            template="""
            নিম্নলিখিত শিরোনামের জন্য একটি ব্লগ পোস্ট লিখুন:

            শিরোনাম: {title}

            টপিক: {topic}
            টোন: {tone}
            দৈর্ঘ্য: {length} শব্দ

            ব্লগ পোস্টটি সাবহেডিং, বুলেট পয়েন্ট, এবং উদাহরণ সহ স্ট্রাকচারড হওয়া উচিত।

            ব্লগ পোস্ট:
            """
        )

        content_chain = LLMChain(llm=self.llm, prompt=content_prompt)
        content_result = content_chain.invoke({
            "title": title,
            "topic": topic,
            "tone": tone,
            "length": length
        })
        content = content_result["text"].strip()

        # কিওয়ার্ড জেনারেট করুন
        keyword_prompt = PromptTemplate(
            input_variables=["title", "content"],
            template="""
            নিম্নলিখিত ব্লগ পোস্টের জন্য 5-7টি রিলেভেন্ট কিওয়ার্ড তৈরি করুন:

            শিরোনাম: {title}

            কন্টেন্ট: {content}

            কিওয়ার্ড (কমা দিয়ে আলাদা করুন):
            """
        )

        keyword_chain = LLMChain(llm=self.llm, prompt=keyword_prompt)
        keyword_result = keyword_chain.invoke({
            "title": title,
            "content": content
        })
        keywords = keyword_result["text"].strip()

        return {
            "title": title,
            "content": content,
            "keywords": keywords
        }

    def _generate_social_media_post(self, topic, tone):
        """সোশ্যাল মিডিয়া পোস্ট জেনারেট করে"""
        # টাইটেল/ক্যাপশন জেনারেট করুন
        title_prompt = PromptTemplate(
            input_variables=["topic", "tone"],
            template="""
            {topic} সম্পর্কে একটি আকর্ষণীয় সোশ্যাল মিডিয়া পোস্টের ক্যাপশন তৈরি করুন।
            টোন: {tone}

            ক্যাপশন:
            """
        )

        title_chain = LLMChain(llm=self.llm, prompt=title_prompt)
        title_result = title_chain.invoke({"topic": topic, "tone": tone})
        title = title_result["text"].strip()

        # কন্টেন্ট জেনারেট করুন
        content_prompt = PromptTemplate(
            input_variables=["title", "topic", "tone"],
            template="""
            নিম্নলিখিত ক্যাপশনের জন্য একটি সোশ্যাল মিডিয়া পোস্ট লিখুন:

            ক্যাপশন: {title}

            টপিক: {topic}
            টোন: {tone}

            পোস্টটি 280 থেকে 300 অক্ষরের মধ্যে হওয়া উচিত এবং 2-3টি হ্যাশট্যাগ থাকা উচিত।

            সোশ্যাল মিডিয়া পোস্ট:
            """
        )

        content_chain = LLMChain(llm=self.llm, prompt=content_prompt)
        content_result = content_chain.invoke({
            "title": title,
            "topic": topic,
            "tone": tone
        })
        content = content_result["text"].strip()

        # হ্যাশট্যাগ জেনারেট করুন
        keyword_prompt = PromptTemplate(
            input_variables=["title", "content"],
            template="""
            নিম্নলিখিত সোশ্যাল মিডিয়া পোস্টের জন্য 5টি ট্রেন্ডিং হ্যাশট্যাগ তৈরি করুন:

            ক্যাপশন: {title}

            কন্টেন্ট: {content}

            হ্যাশট্যাগ (কমা দিয়ে আলাদা করুন):
            """
        )

        keyword_chain = LLMChain(llm=self.llm, prompt=keyword_prompt)
        keyword_result = keyword_chain.invoke({
            "title": title,
            "content": content
        })
        keywords = keyword_result["text"].strip()

        return {
            "title": title,
            "content": content,
            "keywords": keywords
        }

    def _generate_news_article(self, topic, tone, length):
        """নিউজ আর্টিকেল জেনারেট করে"""
        # হেডলাইন জেনারেট করুন
        title_prompt = PromptTemplate(
            input_variables=["topic", "tone"],
            template="""
            {topic} সম্পর্কে একটি আকর্ষণীয় নিউজ হেডলাইন তৈরি করুন।
            টোন: {tone}

            হেডলাইন:
            """
        )

        title_chain = LLMChain(llm=self.llm, prompt=title_prompt)
        title_result = title_chain.invoke({"topic": topic, "tone": tone})
        title = title_result["text"].strip()

        # আর্টিকেল জেনারেট করুন
        content_prompt = PromptTemplate(
            input_variables=["title", "topic", "tone", "length"],
            template="""
            নিম্নলিখিত হেডলাইনের জন্য একটি নিউজ আর্টিকেল লিখুন:

            হেডলাইন: {title}

            টপিক: {topic}
            টোন: {tone}
            দৈর্ঘ্য: {length} শব্দ

            আর্টিকেলটি নিউজ স্টাইলে লিখুন, প্রথম অনুচ্ছেদে মূল তথ্য দিন, এবং 5W1H (কে, কী, কোথায়, কখন, কেন, কিভাবে) অনুসরণ করুন।

            নিউজ আর্টিকেল:
            """
        )

        content_chain = LLMChain(llm=self.llm, prompt=content_prompt)
        content_result = content_chain.invoke({
            "title": title,
            "topic": topic,
            "tone": tone,
            "length": length
        })
        content = content_result["text"].strip()

        # কিওয়ার্ড জেনারেট করুন
        keyword_prompt = PromptTemplate(
            input_variables=["title", "content"],
            template="""
            নিম্নলিখিত নিউজ আর্টিকেলের জন্য 5-7টি রিলেভেন্ট কিওয়ার্ড তৈরি করুন:

            হেডলাইন: {title}

            কন্টেন্ট: {content}

            কিওয়ার্ড (কমা দিয়ে আলাদা করুন):
            """
        )

        keyword_chain = LLMChain(llm=self.llm, prompt=keyword_prompt)
        keyword_result = keyword_chain.invoke({
            "title": title,
            "content": content
        })
        keywords = keyword_result["text"].strip()

        return {
            "title": title,
            "content": content,
            "keywords": keywords
        }

    def _generate_tutorial(self, topic, tone, length):
        """টিউটোরিয়াল জেনারেট করে"""
        # টাইটেল জেনারেট করুন
        title_prompt = PromptTemplate(
            input_variables=["topic", "tone"],
            template="""
            {topic} সম্পর্কে একটি টিউটোরিয়ালের শিরোনাম তৈরি করুন।
            টোন: {tone}

            শিরোনাম:
            """
        )

        title_chain = LLMChain(llm=self.llm, prompt=title_prompt)
        title_result = title_chain.invoke({"topic": topic, "tone": tone})
        title = title_result["text"].strip()

        # কন্টেন্ট জেনারেট করুন
        content_prompt = PromptTemplate(
            input_variables=["title", "topic", "tone", "length"],
            template="""
            নিম্নলিখিত শিরোনামের জন্য একটি টিউটোরিয়াল লিখুন:

            শিরোনাম: {title}

            টপিক: {topic}
            টোন: {tone}
            দৈর্ঘ্য: {length} শব্দ

            টিউটোরিয়ালটি স্টেপ-বাই-স্টেপ নির্দেশনা, টিপস, এবং উদাহরণ সহ স্ট্রাকচারড হওয়া উচিত।

            টিউটোরিয়াল:
            """
        )

        content_chain = LLMChain(llm=self.llm, prompt=content_prompt)
        content_result = content_chain.invoke({
            "title": title,
            "topic": topic,
            "tone": tone,
            "length": length
        })
        content = content_result["text"].strip()

        # কিওয়ার্ড জেনারেট করুন
        keyword_prompt = PromptTemplate(
            input_variables=["title", "content"],
            template="""
            নিম্নলিখিত টিউটোরিয়ালের জন্য 5-7টি রিলেভেন্ট কিওয়ার্ড তৈরি করুন:

            শিরোনাম: {title}

            কন্টেন্ট: {content}

            কিওয়ার্ড (কমা দিয়ে আলাদা করুন):
            """
        )

        keyword_chain = LLMChain(llm=self.llm, prompt=keyword_prompt)
        keyword_result = keyword_chain.invoke({
            "title": title,
            "content": content
        })
        keywords = keyword_result["text"].strip()

        return {
            "title": title,
            "content": content,
            "keywords": keywords
        }

# কন্টেন্ট জেনারেটর ব্যবহার করুন
if __name__ == "__main__":
    # LLM সেটআপ করুন
    llm = ChatOpenAI(
        model="gpt-3.5-turbo",
        temperature=0.7,
        api_key=os.getenv("OPENAI_API_KEY")
    )

    # কন্টেন্ট জেনারেটর তৈরি করুন
    content_generator = BengaliContentGenerator(llm=llm)

    print("বাংলা কন্টেন্ট জেনারেটর")
    print("=" * 50)

    # ইউজার ইনপুট নিন
    topic = input("টপিক: ")

    print("\nকন্টেন্ট টাইপ সিলেক্ট করুন:")
    print("1. ব্লগ পোস্ট")
    print("2. সোশ্যাল মিডিয়া পোস্ট")
    print("3. নিউজ আর্টিকেল")
    print("4. টিউটোরিয়াল")

    content_type_choice = input("আপনার পছন্দ (1-4): ")
    content_type_map = {
        "1": "ব্লগ পোস্ট",
        "2": "সোশ্যাল মিডিয়া পোস্ট",
        "3": "নিউজ আর্টিকেল",
        "4": "টিউটোরিয়াল"
    }
    content_type = content_type_map.get(content_type_choice, "ব্লগ পোস্ট")

    print("\nটোন সিলেক্ট করুন:")
    print("1. ইনফরমেটিভ (তথ্যমূলক)")
    print("2. ক্যাজুয়াল (অনানুষ্ঠানিক)")
    print("3. প্রফেশনাল (পেশাদার)")
    print("4. এন্টারটেইনিং (মনোরঞ্জনমূলক)")

    tone_choice = input("আপনার পছন্দ (1-4): ")
    tone_map = {
        "1": "তথ্যমূলক",
        "2": "অনানুষ্ঠানিক",
        "3": "পেশাদার",
        "4": "মনোরঞ্জনমূলক"
    }
    tone = tone_map.get(tone_choice, "তথ্যমূলক")

    length = input("\nকন্টেন্টের দৈর্ঘ্য (শব্দ সংখ্যা): ")
    if not length.isdigit():
        length = "500"

    print("\nকন্টেন্ট জেনারেট করা হচ্ছে...")
    result = content_generator.invoke({
        "topic": topic,
        "content_type": content_type,
        "tone": tone,
        "length": length
    })

    print("\n" + "=" * 50)
    print(f"শিরোনাম: {result['title']}")
    print("-" * 50)
    print(result["content"])
    print("-" * 50)
    print(f"কিওয়ার্ড: {result['keywords']}")
    print("=" * 50)