DSH-Android প্রাথমিক টিউটোরিয়াল: প্রাকৃতিক ভাষায় অ্যান্ড্রয়েড ফোন নিয়ন্ত্রণ ও স্বয়ংক্রিয় কাজ তৈরি

DSH-Android কী

DSH-Android একটি কমিউনিটি প্রকল্প, যা DeepSeek Harness-কে সরাসরি অ্যান্ড্রয়েড ডিভাইসে চালায়। APK ইনস্টল করার পর আপনি স্বাভাবিক ভাষায় কাজের বিবরণ দিতে পারবেন। এজেন্ট ফাইল গোছাতে, অ্যাপ পরিচালনা করতে, সিস্টেম সেটিংস পরিবর্তন করতে, অথবা সময় ও ডিভাইসের ঘটনার ভিত্তিতে চালু হওয়া অটোমেশন কাজ তৈরি করতে পারে।

প্রকল্পটির Root প্রয়োজন নেই এবং এটি Termux-এর ওপর নির্ভরশীল নয়। এতে Node 24 এবং fork না-করা dsh ইঞ্জিন অ্যাপের মধ্যে যুক্ত করা হয়েছে। Kotlin-এ বাস্তবায়িত ডিভাইস সক্ষমতার মাধ্যমে এটি অ্যান্ড্রয়েড সিস্টেমের সঙ্গে যোগাযোগ করে। বর্তমান সংস্করণের জন্য Android 10 বা পরবর্তী এবং arm64-v8a ডিভাইস প্রয়োজন।

DSH-Android একটি কমিউনিটি প্রকল্প। এর সঙ্গে DeepSeek-এর কোনো আনুষ্ঠানিক সম্পর্ক নেই এবং DeepSeek এটিকে সমর্থন করেনি।

প্রধান ফিচার

ফাইল ও ডকুমেন্ট প্রক্রিয়াকরণ

DSH-Android-কে ফাইল খুঁজে বের করা, গোছানো, সরানো ও নতুন নাম দেওয়ার নির্দেশ দিতে পারেন। এটি ফাইল সংকোচন ও ডিকম্প্রেশনও করতে পারে। পাশাপাশি PDF, Word, Excel এবং PPT ফাইলের লেখা পড়তে পারে।

• বেশি জায়গা দখল করা ফাইল খুঁজে বের করা।
• ধরন বা তারিখ অনুযায়ী ডাউনলোড ডিরেক্টরি গোছানো।
• একসঙ্গে একাধিক ফাইল সরানো বা নতুন নাম দেওয়া।
• সাধারণ অফিস ডকুমেন্টের লেখা পড়া।

স্ক্রিন ও অ্যাপ পরিচালনা

অ্যাক্সেসিবিলিটি সেবা চালু করলে DSH-Android স্ক্রিন পড়তে, ক্লিক করতে, সোয়াইপ করতে এবং লেখা ইনপুট দিতে পারে। এটি অ্যাপ খুলতে বা নির্দিষ্ট পেজে যেতে পারে। গ্রাফিক্যাল ইন্টারফেসে একাধিক ধাপে সম্পন্ন করতে হয় এমন কাজের জন্য এটি উপযোগী।

সিস্টেম সেটিংস ও নোটিফিকেশন

প্রকল্পটি উজ্জ্বলতা, ভলিউম, বিরক্ত না করার মোড, অ্যালার্ম, Wi-Fi, Bluetooth এবং অবস্থান নিয়ন্ত্রণ করতে পারে। এটি নোটিফিকেশন পড়ে উত্তর দিতে এবং মিডিয়া প্লেব্যাক নিয়ন্ত্রণ করতেও পারে। কিছু সিস্টেম সক্ষমতা সরাসরি ব্যবহার করা যায়, অন্যগুলোর জন্য অতিরিক্ত অনুমতি বা ঐচ্ছিক Shizuku প্রয়োজন।

অটোমেশন ট্রিগার

তাৎক্ষণিকভাবে কমান্ড চালানোর পাশাপাশি আপনি নির্ধারিত কাজ তৈরি করতে পারেন, অথবা Wi-Fi-তে সংযোগ, Bluetooth-এ সংযোগ, চার্জিং শুরু, নির্দিষ্ট স্থানে পৌঁছানো কিংবা নোটিফিকেশন পাওয়ার মতো শর্তে কাজ চালু করতে পারেন।

সম্পূর্ণ dsh সক্ষমতা

অ্যাপের মধ্যে মূল dsh-ই চালানো হয়, আলাদা করে রক্ষণাবেক্ষণ করা কোনো fork নয়। তাই skills, MCP, sub-agent এবং ওয়েব সার্চের মতো সক্ষমতা ব্যবহার করা যায়। কাজের ট্রেসে প্রতি ধাপে এজেন্টের সম্পাদিত কাজ দেখানো হয়, ফলে পুরো প্রক্রিয়া পরীক্ষা করা সহজ।

ইনস্টলের আগে প্রস্তুতি

শুরু করার আগে নিশ্চিত করুন যে ডিভাইসটি নিচের শর্ত পূরণ করে:

• Android 10 বা পরবর্তী সংস্করণ।
• প্রসেসরের ABI হলো arm64-v8a।
• ইনস্টল প্যাকেজ প্রায় 110 MB; অন্তত 500 MB খালি জায়গা রাখা ভালো।
• ডিভাইসটি কনফিগার করা মডেল API-তে প্রবেশ করতে পারে।
• একটি DeepSeek অ্যাকাউন্ট, DeepSeek API key, অথবা সমর্থিত তৃতীয় পক্ষের মডেল সেবার শংসাপত্র থাকতে হবে।

ইনস্টল ও প্রাথমিক সেটআপ

1. প্রকল্পের Releases পেজ থেকে সর্বশেষ APK ডাউনলোড করে অ্যান্ড্রয়েড ডিভাইসে ইনস্টল করুন।

2. অ্যাপ খুলে DeepSeek অ্যাকাউন্টে লগইন করুন, অথবা DeepSeek প্ল্যাটফর্ম থেকে পাওয়া API key লিখুন।

3. অন্য মডেল ব্যবহার করতে চাইলে সেটিংস → মডেল সেবা খুলে সংশ্লিষ্ট সেবা প্রদানকারী যোগ করুন, API key লিখুন এবং মডেল তালিকা সংগ্রহ করুন।

4. হোমপেজে ফিরে একটি সহজ কাজ লিখুন। কোনো ডিভাইস সক্ষমতা প্রথমবার ব্যবহার করার সময় অ্যাপ আপনাকে সংশ্লিষ্ট অনুমতি দেওয়ার নির্দেশনা দেবে।

অনুমতিগুলো প্রয়োজন অনুযায়ী চাওয়া হয়, তাই শুরুতেই সব অনুমতি দেওয়ার দরকার নেই। সেটিংস → ফোনের অনুমতি থেকে সব অনুমতি দেখা ও পরিচালনা করা যায়।

প্রথম কাজ চালানো

উদাহরণ ১: বড় ফাইল খোঁজা

হোমপেজে লিখুন:

ডাউনলোড ডিরেক্টরির সবচেয়ে বড় 5টি ফাইল দেখাও

এজেন্ট কাজ অনুযায়ী ফাইল-সংক্রান্ত সক্ষমতা ব্যবহার করে ফলাফল দেবে। আরও কাজ করতে চাইলে একই সেশনে লিখতে পারেন:

এর মধ্যে 500 MB-এর বেশি ফাইলগুলো “বড় ফাইল” নামে একটি ডিরেক্টরিতে গোছাও, তবে কোনো ফাইল মুছবে না

ফাইল সরানো, পরিবর্তন করা বা অন্য কোনো সংবেদনশীল কাজের ক্ষেত্রে অ্যাপে দেখানো কাজের ধাপ ও অনুমোদনের বার্তা ভালোভাবে পরীক্ষা করুন।

উদাহরণ ২: ফোনের অবস্থা পরিবর্তন

আপনি সরাসরি লক্ষ্যটি লিখতে পারেন, যেমন:

মিডিয়া ভলিউম কমাও এবং বিরক্ত না করার মোড চালু করো

কাজটি সরাসরি সম্পন্ন করা যাবে কি না, তা অ্যান্ড্রয়েড সংস্করণ, ডিভাইস ROM এবং দেওয়া অনুমতির ওপর নির্ভর করে। অনুমতি প্রয়োজন হলে অ্যাপ চালু করার নির্দেশনা দেবে।

উদাহরণ ৩: অ্যাপ পরিচালনা

অ্যাক্সেসিবিলিটি সেবা চালু করার পর চেষ্টা করতে পারেন:

সিস্টেম সেটিংস খুলে Bluetooth পেজে যাও

স্ক্রিন পরিচালনা বর্তমান ইন্টারফেসের অবস্থার ওপর নির্ভরশীল। কাজ শেষ হলে ট্রেস পেজে গিয়ে ধাপে ধাপে এজেন্টের কাজ ও ফলাফল দেখা যায়।

দ্রুত চালুর পদ্ধতি সেট করুন

DSH-Android ভাসমান বল, সিস্টেম অ্যাসিস্ট্যান্ট, শর্টকাট টাইল এবং সিস্টেম শেয়ার এন্ট্রির মাধ্যমে চালু করা যায়। আপনার ব্যবহারের ধরন অনুযায়ী প্রয়োজনীয় এন্ট্রি চালু করলে প্রতিবার অ্যাপের হোমপেজে ফিরে যেতে হবে না।

কিছু দেশীয় ROM-এ ভাসমান বল ও ব্যাকগ্রাউন্ড অটোমেশনের জন্য ব্যাকগ্রাউন্ডে ইন্টারফেস খোলার এবং স্বয়ংক্রিয় চালু করার অনুমতি দিতে হয়। অ্যাপের স্বাস্থ্য পরীক্ষা পেজ দেখে নির্দেশনা অনুযায়ী সিস্টেম সেটিংস পরিবর্তন করতে পারেন।

আরও সিস্টেম সক্ষমতার জন্য Shizuku কনফিগার করুন

সাধারণ ব্যবহারের জন্য Shizuku আবশ্যক নয়, তবে এটি shell অনুমতি দিতে পারে এবং আরও সিস্টেম সুইচ চালু করতে সাহায্য করে। প্রকল্পের মধ্যে অফিসিয়াল ইনস্টলার প্যাকেজ রয়েছে। কনফিগার করতে:

1. সেটিংস → ফোনের অনুমতি খুলুন।

2. এক-ক্লিক ইনস্টল ফিচার ব্যবহার করে Shizuku ইনস্টল করুন।

3. Shizuku-এর নির্দেশনা অনুসরণ করে চালু ও অনুমোদন সম্পন্ন করুন।

4. ডিভাইসটি Android 11 বা পরবর্তী সংস্করণের হলে এবং Shizuku সংস্করণ 13.6 বা পরবর্তী হলে বুটের সময় চালু করুন (ওয়্যারলেস ডিবাগিং) চালু করার পরামর্শ দেওয়া হয়।

ডিভাইস পুনরায় চালু হলে Shizuku সাধারণত আবার চালু করতে হয়। বুটের সময় ওয়্যারলেস ডিবাগিং চালু করলে পুনরাবৃত্ত কাজ কমে, তবে প্রকৃত আচরণ সিস্টেম সংস্করণ ও নির্মাতার সীমাবদ্ধতার ওপর নির্ভর করে।

অটোমেশন কাজ তৈরি

অটোমেশন কাজ নির্দিষ্ট সময়ে চালানো যায়, আবার ডিভাইসের ঘটনায়ও চালু করা যায়। সমর্থিত ঘটনার মধ্যে রয়েছে Wi-Fi-তে সংযোগ, Bluetooth-এ সংযোগ, চার্জিং শুরু, নির্দিষ্ট স্থানে পৌঁছানো এবং নোটিফিকেশন পাওয়া।

কাজ তৈরি করার সময় ট্রিগার শর্ত, সম্পাদনের কাজ এবং প্রয়োজনীয় সীমাবদ্ধতা স্পষ্টভাবে লিখুন। যেমন:

প্রতিদিন রাত 11টায় বিরক্ত না করার মোড চালু করো এবং মিডিয়া ভলিউম কম মাত্রায় সেট করো

বাড়ির Wi-Fi-তে সংযোগ হওয়ার পর নির্দিষ্ট কাজ চালাও

দ্বিতীয় উদাহরণে প্রকৃত নেটওয়ার্ক শর্ত ও নির্দিষ্ট কাজ অ্যাপের মধ্যে কনফিগার করতে হবে। অবস্থান, নোটিফিকেশন বা ব্যাকগ্রাউন্ডে চলার নিয়মের জন্য সংশ্লিষ্ট অনুমতি দিতে হবে। ডেটা পরিবর্তন বা সরাতে পারে এমন অটোমেশনের ক্ষেত্রে প্রথমে ক্ষতিহীন কাজ দিয়ে পরীক্ষা করার পরামর্শ দেওয়া হয়।

তৃতীয় পক্ষের মডেল সেবা ব্যবহার

DeepSeek ছাড়াও প্রকল্পটি OpenAI, Claude, Gemini, Grok, OpenRouter, Kimi, Zhipu GLM, Tongyi Qianwen, Volcengine Ark, MiniMax, SiliconFlow, StepFun অথবা যেকোনো সামঞ্জস্যপূর্ণ ইন্টারফেস যোগ করার অনুমতি দেয়।

1. সেটিংস → মডেল সেবা খুলুন।

2. সেবা প্রদানকারী নির্বাচন করুন অথবা সামঞ্জস্যপূর্ণ ইন্টারফেস কনফিগার করুন।

3. API key লিখে মডেল তালিকা সংগ্রহ করুন।

4. মডেল নির্বাচক থেকে প্রয়োজনীয় মডেলে পরিবর্তন করুন।

তৃতীয় পক্ষের মডেল বর্তমানে শুধু HTTPS-এর মাধ্যমে প্রবেশযোগ্য OpenAI-সামঞ্জস্যপূর্ণ Chat Completions ইন্টারফেস সমর্থন করে। কনটেক্সটের সীমা 128K হিসেবে গণনা করা হয় এবং reasoning level নির্বাচন করা যায় না। টুল ব্যবহারের ফলাফল নির্বাচিত মডেলের ওপর নির্ভর করে। DeepSeek-এর অনলাইন সার্চ ব্যবহার করতে চাইলে প্রধান মডেল তৃতীয় পক্ষের হলেও আলাদাভাবে DeepSeek API key কনফিগার করতে হবে।

উন্নত ব্যবহারের পরামর্শ

জটিল কাজ ট্রেস দিয়ে পরীক্ষা করুন

একাধিক ধাপের কাজের ক্ষেত্রে শুধু চূড়ান্ত উত্তর দেখবেন না। কাজ শেষ হলে ট্রেস খুলে প্রতি ধাপে এজেন্ট কোন সক্ষমতা ব্যবহার করেছে এবং কী কাজ করেছে তা পরীক্ষা করুন। এতে অপর্যাপ্ত অনুমতি, ইন্টারফেসের পরিবর্তন বা মডেলের ভুল সিদ্ধান্ত সহজে ধরা যায়।

কাজের বিবরণ আরও স্পষ্ট লিখুন

স্বাভাবিক ভাষার নির্দেশনায় লক্ষ্য, পরিসর এবং নিরাপত্তার সীমা থাকা ভালো। যেমন “ডাউনলোড ডিরেক্টরি গোছাও” বলার চেয়ে নিচের নির্দেশনা বেশি নিয়ন্ত্রণযোগ্য:

ডাউনলোড ডিরেক্টরির PDF ফাইলগুলো Documents/PDF-এ সরাও, একই নামের ফাইল থাকলে ওভাররাইট করবে না, অন্য ফাইল অপরিবর্তিত রাখো

কাজে ফাইল মুছে ফেলা, ওভাররাইট করা, বার্তা পাঠানো বা নোটিফিকেশনের উত্তর দেওয়া জড়িত থাকলে আগে সম্ভাব্য আইটেমের তালিকা দেখাতে বা নিশ্চিত হওয়া পর্যন্ত অপেক্ষা করতে স্পষ্টভাবে বলুন।

ইন্টারফেস পরিচালনা ও সিস্টেম সক্ষমতার পার্থক্য বুঝুন

স্ক্রিন লক হওয়ার পরও ফাইল, সিস্টেম সেটিংস ও নোটিফিকেশনের মতো সিস্টেম API-ভিত্তিক কাজ চলতে পারে। তবে নিরাপদ স্ক্রিন লক চালু থাকলে অ্যান্ড্রয়েড অ্যাপকে অন্য অ্যাপের ইন্টারফেস পরিচালনা করতে দেয় না। এ ধরনের কাজ থেমে যাবে এবং আনলক করার পর চালিয়ে যেতে বলা হবে।

কোল্ড স্টার্টের জন্য সময় রাখুন

বর্তমান ইঞ্জিন চালু হতে প্রায় 5 সেকেন্ড সময় লাগে। প্রথমবার অ্যাপ খোলার সময় বা ইঞ্জিন চালু না থাকলে কাজের প্রতিক্রিয়া কিছুটা ধীর হতে পারে।

সেশন ও অনুমতি পরিচালনা করুন

ভিন্ন উদ্দেশ্যের কাজ আলাদা সেশনে রাখলে কনটেক্সট পরিষ্কার থাকে। নিয়মিত ফোনের অনুমতি, অ্যাক্সেসিবিলিটি সেবা, নোটিফিকেশন অ্যাক্সেস এবং ব্যাকগ্রাউন্ডে চলার সেটিংস পরীক্ষা করুন। আর ব্যবহার না করা সক্ষমতা বন্ধ করে দিতে পারেন।

সোর্স কোড থেকে বিল্ড

ডেভেলপমেন্টে অংশ নিতে JDK 21, Android SDK, যার compileSdk হলো 37.2, এবং NDK r29 প্রস্তুত রাখুন। arm64 Linux হোস্টে বিল্ড করার সময় arm64 সংস্করণের aapt2-এর পথও দিতে হবে।

প্রথমে libnode-এর মতো পূর্ব-কম্পাইল করা নেটিভ লাইব্রেরি ডাউনলোড ও যাচাই করুন:

native/prebuilt.sh fetch

আউটপুট এখানে লেখা হবে:

toolchains/out/jniLibs/arm64-v8a/

এরপর dsh, প্লাগইন ও প্যাচসহ ইঞ্জিন প্যাকেজ বিল্ড করুন:

OUT_DIR=<engineOut> js/build-engine.sh

সবশেষে Debug APK বিল্ড করুন:

./gradlew :app:assembleDebug -Pdsh.engineOut=<engineOut>

arm64 Linux হোস্টে Gradle চালালে পরিবেশ অনুযায়ী আরও যোগ করতে হবে:

-Pandroid.aapt2FromMavenOverride=<arm64 সংস্করণের aapt2-এর পথ>

সাধারণত নিজে Node কম্পাইল করার প্রয়োজন নেই। শুধু Node আপগ্রেড বা নেটিভ প্যাচ পরিবর্তন করলে আগে চালান:

native/build.sh

এরপর নিচের কমান্ড দিয়ে পূর্ব-কম্পাইল করা আউটপুট প্রকাশ করুন:

native/prebuilt.sh publish

হোস্ট-সাইড এন্ড-টু-এন্ড পরীক্ষা চালানো

প্রকল্পে এমন হোস্ট-সাইড এন্ড-টু-এন্ড পরীক্ষা রয়েছে, যা সত্যিই DeepSeek API ব্যবহার করে:

node js/test/host-e2e.mjs

API key একটি ফাইলে রেখে DSH_E2E_KEY_FILE-এর মাধ্যমে পথটি নির্দিষ্ট করুন। ডিফল্ট পথ:

~/.config/dsh/deepseek_api_key

আর্কিটেকচারের সংক্ষিপ্ত বিবরণ

অ্যাপের প্রধান প্রসেসটি Kotlin ও Compose ব্যবহার করে এবং কথোপকথন, ট্র্যাক, অনুমোদন, সেটিংস, ডিভাইসের সক্ষমতা ও স্বয়ংক্রিয় ট্রিগার পরিচালনা করে। Node 24 একটি স্বতন্ত্র :engine ফোরগ্রাউন্ড সার্ভিসে অ্যান্ড্রয়েড নেটিভ শেয়ার্ড লাইব্রেরি হিসেবে চলে এবং JNI-এর মাধ্যমে dsh চালু করে।

ইউআই ও dsh SDK JSON-RPC-এর মাধ্যমে যোগাযোগ করে; ডিভাইসের সক্ষমতাগুলো Kotlin-এ বাস্তবায়িত এবং একটি ব্যক্তিগত socket চ্যানেলের মাধ্যমে dsh-এর কাছে প্রকাশ করা হয়। কিছু সক্ষমতার জন্য ঐচ্ছিক Shizuku shell অনুমতি দেয়, আর মডেলের অনুরোধ HTTPS-এর মাধ্যমে সংশ্লিষ্ট API-তে পাঠানো হয়।

এই নকশায় proot বা Termux ব্যবহার করা হয় না এবং অতিরিক্ত স্বতন্ত্র Node প্রসেসের ওপর নির্ভরতাও এড়ানো হয়। dsh নিজে fork করে না; অ্যান্ড্রয়েড অভিযোজন প্লাগইন ও অল্প কিছু প্যাচে সীমাবদ্ধ।

সারাংশ

DSH-Android সম্পূর্ণ dsh agent ইঞ্জিনকে একটি অ্যান্ড্রয়েড APK-তে আবদ্ধ করে, যাতে প্রাকৃতিক ভাষার কাজ ফাইল, অ্যাপের ইউআই, সিস্টেম সেটিংস, বিজ্ঞপ্তি ও স্বয়ংক্রিয় ট্রিগারের সঙ্গে সংযুক্ত হতে পারে। প্রথমবার ব্যবহারের সময় শুধু-পঠনযোগ্য ফাইল অনুসন্ধানের মতো কম ঝুঁকির কাজ দিয়ে শুরু করার, প্রয়োজন অনুযায়ী অনুমতি দেওয়ার এবং পরে ধাপে ধাপে অ্যাক্সেসিবিলিটি সার্ভিস, Shizuku, দ্রুত প্রবেশপথ ও স্বয়ংক্রিয় নিয়ম কনফিগার করার পরামর্শ দেওয়া হয়।

প্রকল্পটি Apache License 2.0-এর অধীনে প্রকাশিত, তবে এতে অন্তর্ভুক্ত Node.js, dsh, Shizuku, ripgrep ও অন্যান্য তৃতীয় পক্ষের উপাদান নিজ নিজ লাইসেন্স অনুসরণ করে।