ابتدائی سیکھنے والوں کے لیے AI اصطلاحات

اس کتاب کو پڑھنے کے لیے آپ کو کمپیوٹر سائنس کی ڈگری کی ضرورت نہیں۔ لیکن آپ کو اس میدان کی زبان سمجھنی ہوگی۔ یہ اصطلاحات ہر اہم تصور کو آسان اردو، حقیقی مثالوں، اور روزمرہ تشبیہات کے ساتھ سمجھاتی ہیں۔

اس صفحے کو کیسے استعمال کریں: پہلے Top 30 Terms پڑھیں، کیونکہ یہ کتاب کے تقریبا ہر حصے میں آتے ہیں۔ اس کے بعد مکمل اصطلاحات کو reference کے طور پر استعمال کریں۔ اصطلاحات موضوع کے لحاظ سے گروپ کی گئی ہیں، اور کتاب کی مخصوص زبان پہلے دی گئی ہے۔ کسی بھی term کو تلاش کرنے کے لیے Ctrl+F، یا Mac پر Cmd+F استعمال کریں۔

---

AI کا منظرنامہ ایک نظر میں

ہر اصطلاح میں جانے سے پہلے، یہ دیکھ لیں کہ بڑے تصورات آپس میں کیسے جڑے ہوئے ہیں:

---

Top 30 Terms جو پہلے جاننا ضروری ہیں

یہ terms تقریبا ہر صفحے پر آئیں گی۔ Chapter 1 شروع کرنے سے پہلے انہیں پڑھ لیں۔

نوٹ: ایجنٹس as buyers سے متعلق terms، جیسے ACP، AP2، x402، MPP، اختیار کی حدودs، اور signed mandates، Section 11 میں آئیں گی؛ انہیں Top 30 میں شامل نہیں کیا گیا۔

---

1. AI (Artificial Intelligence): computer سے ایسے کام کروانا جن کے لیے عموما human intelligence چاہیے ہوتی ہے۔

🔹 جب آپ کے phone کا keyboard اگلا word predict کرتا ہے، تو یہ AI ہے۔

2. LLM (Large Language ماڈل): ایک بہت بڑا AI نظام جو اربوں pages کے text پر train ہوتا ہے، اور human language اور code کو سمجھ بھی سکتا ہے اور generate بھی کر سکتا ہے۔ Claude، GPT، اور Gemini LLMs ہیں۔

💡 LLM کو ایسے research assistant کی طرح سمجھیں جس نے دنیا کی سب سے بڑی library کی کتابیں پڑھ رکھی ہوں۔ آپ سوال پوچھتے ہیں، وہ اپنی پڑھی ہوئی knowledge سے جواب دیتا ہے۔

3. ایجنٹ (AI ایجنٹ): ایسا AI جو صرف سوال کا جواب نہیں دیتا؛ وہ plan بناتا ہے، action لیتا ہے، اور اپنے طور پر کام مکمل کرتا ہے۔

🔹 chatbot صرف بتاتا ہے کہ Dubai کی سب سے سستی flight کون سی ہے۔ ایجنٹ airlines search کرتا ہے، prices compare کرتا ہے، اور آپ کے لیے ticket book کر دیتا ہے۔

4. Agentic AI: AI کی وہ زمرہ جس میں ایسے ایجنٹس بنائے جاتے ہیں جو plan، reason، اور autonomously act کر سکیں۔ 2026 میں یہی AI کا frontier ہے، اور یہی اس پوری کتاب کا focus ہے۔

🔹 عام AI میں آپ سوال پوچھتے ہیں اور جواب ملتا ہے۔ Agentic AI میں آپ goal دیتے ہیں، مثلا "کسٹمر churn کو 15% کم کرو"، پھر وہ research، planning، عمل درآمد، اور reporting کرتا ہے، اور راستے میں decisions بھی لیتا ہے۔

5. Digital FTE (Digital Full-Time Equivalent): ایک "AI employee" جو full-time human ورکر جیسا مسلسل کام کرتا ہے، 24/7، مگر cost کے ایک چھوٹے حصے پر۔ thesis میں اسے AI ورکر بھی کہا گیا ہے: role وہی ہے، register مختلف ہے۔

🔹 کسٹمر support کا Digital FTE ہر روز 500 conversations handle کر سکتا ہے، یعنی 5 سے 10 human ایجنٹس جتنا کام۔

6. ایجنٹ فیکٹری: اس کتاب کا مرکزی تصور۔ یہ واضح تفصیلات پر مبنی، انسانی نگرانی والا، Claude-Code-powered عمل ہے جس کے ذریعے AI ورکرز design، تیار، اور deploy ہوتے ہیں۔ یہ خریدنے والی پروڈکٹ نہیں؛ یہ اپنانے والی practice ہے۔ ایجنٹ فیکٹری، AI-Native کمپنی بناتی ہے، اور AI-Native کمپنی Digital FTEs کو ملازمت دیتی کرتی ہے۔

💡 assembly line کی طرح: ہر station ایک مخصوص کام کرتا ہے، parts ترتیب سے آگے بڑھتے ہیں، اور آخر میں تفصیل کے مطابق finished پروڈکٹ نکلتا ہے۔ ایجنٹ فیکٹری، AI ملازمین بنانے کے عمل کو industrialize کرتی ہے۔

7. Prompt: وہ instruction یا سوال جو آپ AI ماڈل کو دیتے ہیں۔

🔹 "اس رپورٹ کو تین bullet points میں summarize کریں" ایک پرامپٹ ہے۔ بہتر پرامپٹس، بہتر answers دیتے ہیں۔

8. سیاق و سباق Window: AI کی working memory: وہ ایک وقت میں کتنا text پڑھ اور سمجھ سکتا ہے۔

💡 چھوٹی سیاق و سباق window ایک چھوٹی میز جیسی ہے جہاں صرف چند pages پھیل سکتے ہیں۔ Claude کی بڑی سیاق و سباق window ایک بڑی conference table جیسی ہے جہاں آپ پورا novel ایک ساتھ رکھ سکتے ہیں۔

9. Token: text کی بنیادی unit جسے LLM پڑھتا ہے۔ یہ تقریبا word کے تین چوتھائی حصے کے برابر ہوتا ہے۔ "مجھے بریانی پسند ہے" تقریبا 4 tokens ہے۔

🔹 AI APIs استعمال کرتے وقت payment tokens کے حساب سے ہوتی ہے۔ text کا ایک full page تقریبا 500-700 tokens ہوتا ہے۔

10. Hallucination: جب AI پورے confidence کے ساتھ کوئی ایسی بات بنا دے جو true نہ ہو۔

🔹 آپ Supreme Court case کے بارے میں پوچھتے ہیں، اور AI fake citation numbers کے ساتھ fake judgment بنا کر fact کی طرح پیش کر دیتا ہے۔ بات درست لگتی ہے، مگر fabricated ہوتی ہے۔

11. تفصیل (Specification): ایک تفصیلی blueprint جو بتاتا ہے کہ کیا build کرنا ہے: goals، inputs، نتائج، اور constraints۔

💡 گھر کے architect blueprint کی طرح۔ builder اندازے سے شروع نہیں کرتا؛ وہ plan follow کرتا ہے۔ AI development میں تفصیل وہی plan ہے۔

12. تفصیل-Driven Development (SDD): پہلے blueprint لکھنا، پھر AI کو اسی blueprint سے code، tests، اور documentation generate کرنے دینا۔

🔹 آپ لکھتے ہیں: "bookstore کے لیے API بنائیں جس میں books list، add، search، اور delete کرنے کے endpoints ہوں۔" Claude Code پوری application generate کر دیتا ہے۔

13. Claude Code: Anthropic کا AI coding ایجنٹ۔ آپ terminal میں اس سے بات کرتے ہیں؛ یہ آپ کا codebase پڑھتا ہے، project سمجھتا ہے، اور code لکھتا ہے۔

🔹 آپ لکھتے ہیں: "میری app میں user authentication add کریں۔" Claude Code موجودہ code پڑھتا ہے، auth module بناتا ہے، tests لکھتا ہے، اور سب جوڑتے کر دیتا ہے۔

14. Cowork: Anthropic کا desktop ایجنٹ جو non-coding knowledge کام کے لیے ہے: دستاویزات، research، اور فائل management۔

🔹 "میرے Downloads folder کو project کے حساب سے organize کریں اور اس month کی PDFs summarize کریں۔" Cowork یہ کام کرتا ہے جبکہ آپ کسی اور کام پر focus رکھتے ہیں۔

15. MCP (ماڈل سیاق و سباق Protocol): universal standard جو AI ایجنٹ کو بیرونی ٹولز سے connect کرنے دیتا ہے: databases، email، calendars، فائل نظام۔ MCP ایجنٹس کے ٹول calling کا protocol ہے۔ ایجنٹس جو ٹولز کے لیے payment کرتے ہیں، اس الگ protocol family کے لیے Section 11 دیکھیں: ACP، AP2، x402، اور MPP۔

💡 USB سے پہلے ہر phone کا charger الگ ہوتا تھا۔ MCP، AI کے لیے USB standard کی طرح ہے: ایک protocol جس سے کوئی بھی ایجنٹ کسی بھی ٹول سے connect ہو سکتا ہے۔

16. API (Application Programming Interface): rules جن سے مختلف سافٹ ویئر programs ایک دوسرے سے بات کرتے ہیں۔ ایجنٹس outside world سے APIs کے ذریعے interact کرتے ہیں۔

💡 restaurant menu ایک API جیسا ہے۔ آپ menu دیکھتے ہیں، order دیتے ہیں، اور kitchen response میں food deliver کرتی ہے۔

17. SDK (سافٹ ویئر Development Kit): کسی specific platform پر applications بنانے کے لیے pre-built toolkit۔

💡 SDK ایک LEGO set جیسا ہے: ready-made pieces اور instructions، تاکہ آپ ہر piece scratch سے بنانے کے بجائے تیزی سے build کر سکیں۔

18. Python: AI میں سب سے popular programming language۔ readable، versatile، اور اس کتاب کی پرائمری language۔

🔹 Python تقریبا English جیسی readable لگتی ہے: if age > 18: print("Adult")۔ اسی readability کی وجہ سے AI world نے Python کو بہت اپنایا۔

19. Git: ایسا نظام جو code کی ہر change record کرتا ہے: کس نے کیا بدلا، کب بدلا، اور کیوں بدلا۔ آپ ہمیشہ previous version پر واپس جا سکتے ہیں۔

💡 Microsoft Word کا Track Changes، مگر پورے سافٹ ویئر projects کے لیے۔ ہر edit recover کیا جا سکتا ہے۔

20. Docker: ٹول جو app کو portable box یعنی container میں package کرتا ہے، تاکہ وہ ہر جگہ ایک جیسی چلے: laptop، colleague کی machine، یا cloud server۔

💡 shipping container کی طرح۔ وہ کراچی میں truck پر ہو یا سمندر میں جاری پر، اندر کا سامان ایک جیسا اور self-contained رہتا ہے۔

21. سیاق و سباق انجینئرنگ: ایجنٹ کو ملنے والے پورے information environment کو design کرنا۔ یہی skill ایک useful ایجنٹ کو ایسے ایجنٹ سے الگ کرتی ہے جسے کوئی استعمال نہیں کرنا چاہتا۔

💡 Toyota factory میں quality controls ہر car کو تفصیل کے مطابق رکھتے ہیں۔ سیاق و سباق انجینئرنگ آپ کے AI ایجنٹس کے لیے quality کنٹرول ہے: consistent اور قابل اعتماد نتیجہ کو یقینی بنانا۔

22. Tool Use: ایجنٹ کی صلاحیت کہ وہ صرف memory سے جواب دینے کے بجائے بیرونی ٹولز استعمال کرے، جیسے web search، database queries، یا emails بھیجنا۔

🔹 آپ پوچھتے ہیں: "Karachi میں weather کیسا ہے؟" ٹول use والا ایجنٹ weather سروس check کر کے live ڈیٹا دیتا ہے۔ ٹول use کے بغیر وہ صرف guess کرے گا۔

23. Guardrails: safety constraints جو ایجنٹ کو ایسے کام سے روکتے ہیں جو اسے نہیں کرنا چاہیے۔

🔹 financial ایجنٹ کا guardrail ہو سکتا ہے: Rs. 5,000,000 سے اوپر کوئی transaction human approval کے بغیر نہیں۔ یہ motorway barriers کی طرح ہیں جو cars کو road سے باہر جانے سے روکتے ہیں۔

24. RAG (Retrieval-Augmented Generation): AI کو بیرونی دستاویزات تک access دینا تاکہ وہ facts سے جواب دے، صرف memory سے نہیں جو غلط بھی ہو سکتی ہے۔

💡 closed-book exam کے بجائے open-book exam۔ AI جواب دینے سے پہلے آپ کے دستاویزات میں facts دیکھتا ہے، اس لیے accuracy بہتر ہو جاتی ہے۔

25. 10-80-10 Rule: AI افرادی قوت کا operating rhythm: human direction set کرتا ہے (10%) → AI execute کرتا ہے (80%) → human verify کرتا ہے (10%)۔

🔹 آپ project brief لکھتے ہیں (10%)، Claude Code پوری application build کرتا ہے (80%)، پھر آپ جائزہ، test، اور approve کرتے ہیں (10%)۔

26. AGENTS.md / CLAUDE.md: configuration فائلز جو AI ایجنٹ کو project کے rules بتاتی ہیں: coding معیار، preferences، اور architectural decisions۔

💡 نئے employee کو دی گئی onboarding document کی طرح: "ہم اس طرح کام کرتے ہیں۔ یہ ہمارا style ہے۔ یہ کام ہم کبھی نہیں کرتے۔" یہ ہر interaction میں load ہوتی ہے۔

27. Orchestration: کئی ایجنٹس کو ایک کام پر مل کر کام کرانے کے لیے coordinate کرنا۔

💡 cricket captain fielders کو position دیتا ہے، bowling rotations set کرتا ہے، اور حکمت عملی adjust کرتا ہے۔ وہ سب کچھ خود نہیں کرتا؛ specialists کو shared goal کی طرف coordinate کرتا ہے۔

28. Stateless: AI conversations کے درمیان سب کچھ بھول جاتا ہے۔ ہر نئی chat absolute zero سے شروع ہوتی ہے۔

💡 amnesia والے shopkeeper کی طرح: آپ ہر بار جائیں تو وہ آپ کو stranger سمجھتا ہے، چاہے آپ 5 minutes پہلے آئے ہوں۔ chat apps memory کا illusion ہر بار پوری گفتگو دوبارہ بھیج کر بناتی ہیں۔

29. Deployment: application کو live کر کے internet پر real users کے لیے available بنانا۔

🔹 آپ کی app laptop پر چلتی ہے۔ Deployment اسے cloud server پر رکھتا ہے تاکہ 10,000 لوگ اسے ایک ساتھ استعمال کر سکیں۔

30. CI/CD (Continuous Integration / Continuous Delivery): developer کے change کرتے ہی code کو automatically test اور deploy کرنا۔

🔹 developer 2 PM پر code push کرتا ہے۔ tests 3 minutes میں automatically چلتے ہیں۔ سب pass ہو جاتے ہیں۔ 2:10 PM تک new version live ہوتا ہے: zero manual steps۔

---

ڈھانچہ: رن ٹائم Stack

یہ terms AI-Native کمپنی کے components کے نام ہیں جو ایجنٹ فیکٹری بناتی ہے۔ یہ ڈھانچہ chapters اور thesis میں بار بار آئیں گی۔ انہیں یہاں ایک بار پڑھ لیں؛ ہر build میں دوبارہ کام آئیں گی۔

💡 pieces کیسے fit ہوتے ہیں: ایجنٹ فیکٹری (عمل) AI-Native کمپنی (نتیجہ) بناتی ہے۔ اس کمپنی میں humans کنارے کی تہہ سے direction set کرتے ہیں، اور Digital FTEs AI افرادی قوت کی تہہ میں execute کرتے ہیں۔ Paperclip افرادی قوت manage کرتا ہے۔ ہر Digital FTE اپنی پسند کے رن ٹائم انجن پر چلتا ہے۔ ٹرگرز outside world سے نظام کو wake کرتے ہیں۔

---

AI ورکر

AI-Native کمپنی کی افرادی قوت۔ یہ role-based ایجنٹس ہوتے ہیں جنہیں hire کیا جاتا ہے، work assign کیا جاتا ہے، roster پر رکھا جاتا ہے، اور retire کیا جاتا ہے۔ یہ Digital FTE اور ڈیجیٹل ورکر ہی کا same تصور ہے: thesis میں AI ورکر technical term ہے، جبکہ book میں Digital FTE کاروبار-facing term ہے۔

📌 افرادی قوت vs. staff: صرف AI ورکرز افرادی قوت ہیں۔ delegate (OpenClaw) اور manager (Paperclip) permanent staff ہیں، افرادی قوت نہیں۔ رن ٹائم انجنز staff نہیں؛ یہ وہ skills ہیں جن پر افرادی قوت چلتی ہے۔ thesis جب ایجنٹ کہتی ہے تو مراد building میں کوئی بھی ایجنٹ ہو سکتا ہے؛ جب AI ورکر کہتی ہے تو خاص طور پر افرادی قوت مراد ہوتی ہے۔

🔹 Example: resume-screening AI ورکر روزانہ 200 resumes پڑھتا ہے، انہیں job تفصیل کے خلاف score کرتا ہے، اور top 10 human recruiter کو دے دیتا ہے۔ یہ AI-Native کمپنی کی HR افرادی قوت کے اندر ایک Digital FTE ہے، جسے Paperclip نے hire کیا، roster پر رکھا، اور ضرورت پڑنے پر retire کیا جا سکتا ہے۔

---

AI-Native کمپنی

ایجنٹ فیکٹری کا نتیجہ۔ یہ running ادارہ ہے: ایسی firm جس میں AI ورکرز یعنی Digital FTEs کام کرتے ہیں، management plane انہیں coordinate کرتا ہے، اور humans edge پر direction دیتے ہیں۔ AI-Native کمپنی وہ چیز ہے جسے آخر میں آپ run کرتے ہیں۔ book اسے Agentic ادارہ بھی کہتی ہے۔

💡 Analogy: ایجنٹ فیکٹری ایک عمل ہے، جیسے skyscraper بنانے کا طریقہ۔ AI-Native کمپنی وہ skyscraper ہے جو اس طریقہ سے بنتا ہے، یعنی وہ چیز جسے آپ واقعی run کرتے ہیں۔

📌 The triad: ایجنٹ فیکٹری (عمل) → AI-Native کمپنی (نتیجہ) → AI ورکرز (نتیجہ کے اندر افرادی قوت)۔ تین terms، تین مختلف roles۔ یہ interchangeable نہیں ہیں۔

---

Two-تہہ ماڈل

یہ architectural نمونہ ایجنٹ فیکٹری thesis کو complete کرتا ہے: humans کنارے کی تہہ سے نیت set کرتے ہیں، AI ورکرز AI افرادی قوت کی تہہ میں execute کرتے ہیں، اور تفصیلات دونوں کے درمیان contract language بنتی ہیں۔

🔹 Example: CEO اپنے OpenClaw delegate یعنی کنارے کی تہہ سے کہتا ہے: "weekly کسٹمر-churn رپورٹ چلائیں۔" delegate کام کو AI افرادی قوت کی تہہ کے Digital FTE تک پہنچاتا ہے۔ Digital FTE ڈیٹا نکالتا ہے، رپورٹ بناتا ہے، اور تصدیق کے لیے اسے delegate کے ذریعے CEO کو واپس دیتا ہے۔

---

Principal

رن ٹائم stack کے سب سے اوپر موجود human: وہ person جو نیت set کرتا ہے، بجٹ define کرتا ہے، اختیار کی حدود draw کرتا ہے، اور نتیجہ own کرتا ہے۔ یہ thesis کا Invariant 1 ہے۔ action کی ہر legitimate chain principal سے شروع ہوتی ہے؛ جو نظام principal کے بغیر act کرے، وہ autonomous نہیں بلکہ unowned ہوتا ہے۔

🔹 Example: CFO ایک تفصیل لکھتا ہے: "payment terms بدلے بغیر، $30K بجٹ کے اندر accounts receivable aging کو 20% کم کریں۔" اس تفصیل میں نیت، بجٹ، اور constraints آ جاتے ہیں۔ delegate (OpenClaw) اسے پڑھتا ہے، افرادی قوت تک work broker کرتا ہے، اور principal آخر میں نتیجہ verify کرتا ہے۔

📌 What can بدل it: کچھ نہیں۔ باقی تہیں کی reference implementations بدل سکتی ہیں؛ principal تہہ non-transferable ہے۔

---

کنارے کی تہہ

AI-Native کمپنی کی وہ تہہ جو individual human کو serve کرتی ہے۔ ہر human کے پاس edge پر ایک personal identic ایجنٹ ہوتا ہے، جیسے OpenClaw، جو اس کا سیاق و سباق جانتا ہے، اس کی طرف سے بولتا ہے، اور downstream work delegate کرتا ہے۔

💡 Analogy: کنارے کی تہہ chief-of-staff floor ہے۔ ہر executive کے لیے ایک ایجنٹ، جو پوری کمپنی میں اس کی نمائندگی کرتا ہے۔

---

AI افرادی قوت کی تہہ

AI-Native کمپنی کی وہ تہہ جو ادارہ کو serve کرتی ہے۔ یہیں AI ورکرز یعنی Digital FTEs رہتے اور execute کرتے ہیں: Paperclip کے زیر انتظام، رن ٹائم انجنز پر چلتے ہوئے، اور تفصیلات کے ذریعے coordinate ہوتے ہوئے۔

💡 Analogy: AI افرادی قوت کی تہہ production floor ہے۔ بہت سے Digital FTEs، ہر ایک مخصوص work کرتا ہے، اور سب management plane کے ذریعے coordinate ہوتے ہیں۔

---

Delegate

کنارے کی تہہ کا personal ایجنٹ جو principal کا سیاق و سباق رکھتا ہے، اس کی judgment represent کرتا ہے، اس کا اختیار کی حدود carry کرتا ہے، اور اس کی طرف سے downstream work broker کرتا ہے۔ یہ thesis کا Invariant 2 ہے۔ delegate کے بغیر human رکاوٹ واپس آ جاتا ہے اور scale typing speed تک گر جاتا ہے۔ OpenClaw reference implementation ہے؛ کوئی بھی MCP-speaking personal ایجنٹ جو identity، سیاق و سباق، اور authority رکھتا ہو qualify کرتا ہے۔

💡 Analogy: CEO کا chief of staff۔ ہر executive کے لیے ایک، جو priorities جانتا ہے، اس کی طرف سے بات کرتا ہے، اور work کو right specialists تک route کرتا ہے۔

See also: reference implementation کے لیے نیچے OpenClaw (as Delegate)، اور human sovereignty framing کے لیے Section 1 میں Identic AI دیکھیں۔

---

OpenClaw (as Delegate)

OpenClaw، delegate کی reference implementation ہے جو کنارے کی تہہ پر چلتی ہے: chief-of-staff ایجنٹ جو human کی نمائندگی کرتا ہے، اس کا سیاق و سباق جانتا ہے، اور اس کی طرف سے بولتا ہے۔ AI-Native کمپنی میں ہر human کو delegate چاہیے؛ OpenClaw اس delegate کو build کرنے کا طریقہ ہے۔

🔹 Example: جب آپ OpenClaw سے کہتے ہیں، "میرا week summarize کریں اور Monday کے لیے تین priorities draft کریں"، تو یہ calendar، email، اور Slack سے authorized ڈیٹا لیتا ہے، آپ کی voice میں جواب synthesize کرتا ہے، اور action لینے سے پہلے approval کا انتظار کرتا ہے۔ یہ آپ ہیں، machine speed پر۔

See also: فریم ورک کے لیے glossary میں پہلے دیا گیا OpenClaw entry دیکھیں۔

---

Manager (Management Plane)

وہ orchestrator جو AI ورکرز کے ڈھیر کو افرادی قوت میں بدلتا ہے: work assign کرتا ہے، بجٹس enforce کرتا ہے، risky moves approve کرتا ہے، عمل درآمد audit کرتا ہے، ledger رکھتا ہے، اور hiring کو callable API کے طور پر expose کرتا ہے۔ یہ thesis کا Invariant 3 ہے۔ اس کے بغیر ایجنٹس collide کرتے ہیں، بجٹس leak ہوتے ہیں، اور کوئی نہیں بتا سکتا کہ افرادی قوت نے کیا cost کیا یا produce کیا۔ Paperclip reference implementation ہے؛ جو orchestrator management contract پورا کرے، qualify کرتا ہے۔

💡 Analogy: اگر delegate chief of staff ہے، تو manager chief operating officer ہے۔ human کے ساتھ one-to-one؛ افرادی قوت کے ساتھ one-to-many۔

See also: reference implementation کے لیے نیچے Paperclip دیکھیں۔

---

Paperclip

AI-Native کمپنی کا management plane۔ Paperclip COO ہے: یہ Digital FTEs hire کرتا ہے، انہیں work assign کرتا ہے، بجٹس enforce کرتا ہے، risky moves approve کرتا ہے، اور ledger رکھتا ہے۔ یہ hiring کو API کے طور پر expose کرتا ہے جسے کوئی بھی authorized ایجنٹ call کر سکتا ہے؛ اسی سے افرادی قوت demand پر grow کرتی ہے۔

💡 Analogy: اگر OpenClaw chief of staff ہے، تو Paperclip chief operating officer ہے۔ human کے ساتھ one-to-one؛ افرادی قوت کے ساتھ one-to-many۔

🔹 Example: کسٹمر Bahasa Indonesia میں لکھتا ہے۔ roster پر کوئی Digital FTE یہ language نہیں بولتا۔ Paperclip صلاحیت gap detect کرتا ہے اور اختیار کی حدود کے اندر اپنی hiring API call کر کے نیا Bahasa-speaking Digital FTE تیار کرتا ہے۔ نیا ورکر message پڑھتا ہے اور reply دیتا ہے۔ کوئی human نہیں جگایا گیا۔

---

Meta-تہہ (Hiring as a Callable Capability)

وہ تہہ جو hiring کو API کے طور پر expose کرتی ہے تاکہ کوئی بھی authorized ایجنٹ رن ٹائم پر principal کے اختیار کی حدود کے اندر، human کو جگائے بغیر، نیا AI ورکر provision کر سکے۔ یہ frozen-roster problem حل کرتی ہے: جب صلاحیت gap آئے، افرادی قوت پالیسی کے تحت demand پر staff up ہو جاتی ہے۔ Claude Managed Agents reference implementation ہے؛ کوئی بھی managed-ایجنٹ API جو ایجنٹ generate کر کے environment provision کر سکے، qualify کرتا ہے۔

🔹 Example: Paperclip کے نیچے Bahasa Indonesia والی trace میں meta-تہہ fire ہوتی ہے۔ Paperclip gap detect کرتا ہے؛ meta-تہہ کی hiring API نیا ورکر تیار کرتی ہے؛ ورکر manager کے ساتھ register ہوتا ہے اور roster پر رہتا ہے۔

📌 Dual role: Claude Managed Agents انجن option بھی ہے اور meta-تہہ بھی۔ جو رن ٹائم-provisioning صلاحیت ورکر کو چلاتی ہے، وہی نئے ورکرز بھی بناتی ہے؛ اسی لیے meta-تہہ batch-provisioned نہیں بلکہ callable ہے۔

---

رن ٹائم انجن

وہ عمل درآمد substrate جس پر Digital FTE چلتا ہے۔ ہر Digital FTE اپنی job کی ضرورت کے مطابق انجن چنتا ہے، پوری کمپنی کے لیے ایک انجن نہیں ہوتا۔ options میں Dapr Agents، Claude Managed Agents، OpenAI Agents SDK، اور OpenClaw-native شامل ہیں۔ اندرونی طور پر ہر انجن کے دو planes ہوتے ہیں: harness یعنی کنٹرول plane، اور کمپیوٹ plane یعنی sandbox/رن ٹائم۔

💡 Analogy: رن ٹائم انجن وہ skillset ہے جو employee job پر لاتا ہے۔ heart-surgery ٹیم کی nurse کو clinic nurse سے different skills چاہیے ہوتے ہیں۔ role same، انجن different۔

---

Harness (ایجنٹ Harness)

ایجنٹ انجن کا کنٹرول plane: ماڈل کے ارد گرد وہ سب کچھ جو اسے working نظام بناتا ہے۔ اس میں ایجنٹ loop، ٹول dispatch، approvals، tracing، سیاق و سباق management، recovery، instructions، skills، اور validators شامل ہیں۔ practitioner shorthand ہے: ایجنٹ = ماڈل + Harness۔ ماڈل وہ brain ہے جو آپ frontier لیب سے rent کرتے ہیں؛ harness body، workplace، اور standard operating procedure ہے۔ کمپیوٹ plane یعنی sandbox harness کے اندر نہیں، اس کے ساتھ بیٹھتا ہے۔ credentials harness میں رہتے ہیں، اور ماڈل-generated code sandbox میں run ہوتا ہے۔

💡 Analogy: اگر ماڈل CPU ہے اور سیاق و سباق window RAM ہے، تو harness operating نظام ہے: یہ boot کرتا ہے، drivers یعنی ٹولز dispatch کرتا ہے، سیاق و سباق curate کرتا ہے، اور ایجنٹ lifecycle manage کرتا ہے۔ آپ کا ایجنٹ code اس کے اوپر چلنے والی application ہے۔

🔹 Examples: Claude ایجنٹ SDK ایک harness ہے جسے آپ assemble کرتے ہیں۔ OpenClaw ایسا harness ہے جسے آپ skills سے extend کرتے ہیں۔ Claude Code، Cursor، اور Codex coding work کے لیے tuned harnesses ہیں۔ Claude Managed Agents ایسا harness ہے جسے Anthropic stable interfaces کے پیچھے آپ کے لیے run کرتا ہے۔

📌 Lineage: یہ word test harness سے آیا، پھر eval harness تک گیا، اور اب ایجنٹ harness کے طور پر استعمال ہوتا ہے۔ تینوں cases میں harness اس چیز کے ارد گرد scaffolding ہے جو actual work کرتی ہے۔

---

Compute Plane / Sandbox رن ٹائم

harness کے ساتھ بیٹھا ہوا عمل درآمد plane: secure sandbox جہاں ماڈل-generated code actual میں run ہوتا ہے، فائلز پڑھتا ہے، commands execute کرتا ہے، اور artifacts لکھتا ہے۔ یہ نیچے cloud بنیادی ڈھانچہ سے بھی الگ ہے اور ساتھ موجود harness سے بھی۔ سیکیورٹی اور portability کے لیے یہ split load-bearing ہے: credentials harness میں رہتے ہیں، ماڈل-directed code sandbox میں چلتا ہے، اور sandbox vendor بدل سکتا ہے بغیر ایجنٹ rewrite کیے۔

🔹 Example: OpenAI Agents SDK harness ہے؛ کمپیوٹ plane آپ الگ choose کرتے ہیں۔ Claude Managed Agents ایک API کے پیچھے دونوں کو fuse کرتا ہے۔ Dapr Agents Kubernetes کو کمپیوٹ plane فرض کرتا ہے۔

📌 Three things called "رن ٹائم": language رن ٹائم، جیسے Node.js یا Python interpreter، pure بنیادی ڈھانچہ ہے۔ عمل درآمد رن ٹائم / sandbox یہی entry ہے۔ ایجنٹ رن ٹائم کبھی کبھی harness کے synonym کے طور پر بھی آتا ہے۔ vendor docs پڑھتے وقت اس conflation پر نظر رکھیں۔

---

Trigger

وہ طریقہ جس سے outside world AI-Native کمپنی کو motion میں لاتی ہے: شیڈول due ہوتا ہے، ویب ہک آتا ہے، API call land کرتی ہے، کسٹمر آ جاتا ہے۔ Claude Code Routines reference implementation ہے: یہ ہر بیرونی واقعہ کو سیشن میں بدلتا ہے جو delegate کو wake کرتا ہے اور chain fire کرتا ہے۔ ٹرگرز کے بغیر نظام صرف اس وقت حرکت کرتا ہے جب human پرامپٹ قسم کرے، جو کمپنی نہیں بلکہ extra steps والا assistant ہے۔

🔹 Example: ہر Monday صبح 9 بجے scheduled ٹرگر OpenClaw کو wake کرتا ہے، جو Paperclip سے weekly کسٹمر-health رپورٹ run کرنے کو کہتا ہے۔ Digital FTE ڈیٹا نکالتا ہے، رپورٹ generate کرتا ہے، اور executive ٹیم کو email کرتا ہے۔ human نے ٹرگر ایک بار configure کیا؛ اس کے بعد نظام خود چلتا ہے۔

---

Summary

یاد رکھنے کے لیے ایک sentence taxonomy:

ایجنٹ فیکٹری (عمل) AI-Native کمپنی (نتیجہ) بناتی ہے۔ AI-Native کمپنی AI ورکرز (افرادی قوت) کو ملازمت دیتی کرتی ہے، جو Two-تہہ ماڈل میں operate کرتے ہیں: کنارے کی تہہ پر humans، OpenClaw delegate کے ذریعے؛ AI افرادی قوت کی تہہ میں Digital FTEs، Paperclip کے زیر انتظام؛ ہر ایک اپنی پسند کے رن ٹائم انجن پر چلتا ہے؛ اور outside world کے ٹرگرز انہیں wake کرتے ہیں۔

اس sentence کو glossary کا anchor summary سمجھیں۔

---

اب آپ reading شروع کرنے کے لیے کافی جان چکے ہیں۔ نیچے complete glossary ہر term کی گہرائی میں جاتی ہے اور 250+ مزید terms cover کرتی ہے۔

---

1. ایجنٹ فیکٹری: Book-Specific Terms

یہ اس کتاب کے مخصوص تصورات اور زبان ہیں۔ Chapter 1 کے بعد آپ ان سے بار بار ملیں گے، اس لیے انہیں پہلے رکھا گیا ہے۔

ایجنٹ فیکٹری

یہ ایک عمل ہے: واضح تفصیلات پر مبنی، انسانی نگرانی والا، Claude Code-powered طریقہ جس سے AI ورکرز design، تیار، اور deploy کیے جاتے ہیں۔ raw material human نیت ہے؛ finished پروڈکٹ verified نتیجہ ہے۔ ایجنٹ فیکٹری، AI-Native کمپنی بناتی ہے، اور AI-Native کمپنی AI ورکرز یعنی Digital FTEs کو ملازمت دیتی کرتی ہے۔

📌 Practice, not پروڈکٹ: ایجنٹ فیکٹری کوئی پروڈکٹ نہیں جسے آپ خرید یا install کرتے ہیں۔ یہ practice ہے جسے آپ operate کرنا سیکھتے ہیں۔ book practice سکھاتی ہے؛ AI-Native کمپنی وہ چیز ہے جسے آپ آخر میں run کرتے ہیں۔

💡 Analogy: car factory raw steel لے کر finished cars بناتی ہے۔ ایجنٹ فیکٹری آپ کا کاروبار نیت، مثلا "مجھے 24/7 کسٹمر support ایجنٹ چاہیے"، لے کر ایک complete working Digital FTE بناتی ہے۔

Industrialized Stack

thesis کا تین-تہہ framing کہ قدر ایجنٹ فیکٹری سے کیسے گزرتی ہے: نیت یعنی goals، constraints، بجٹس، اور اجازتیں کا high-level blueprint → Production انجن یعنی ڈھانچہ جو نیت کو نتائج میں بدلتی ہے → Outcome یعنی high-fidelity actions اور artifacts جو verify ہوتے ہیں اور feedback loops سے بہتر بنتے ہیں۔

🔹 Example: CFO کی directive، "AR aging کو $30K بجٹ کے اندر 20% کم کریں"، نیت ہے۔ OpenClaw → Paperclip → انجنز پر چلنے والے AI ورکرز کی chain Production انجن ہے۔ days-sales-outstanding میں verified، ledger-updated کمی نتیجہ ہے۔

Production انجن

یہ Industrialized Stack کے اندر نیت کو نتیجہ میں بدلنے والا mechanism ہے۔ یہ download کرنے والی app نہیں بلکہ ڈھانچہ ہے: واضح تفصیلات پر مبنی instructions، role-based AI ورکرز، packaged skills، ٹولز سے connect کرنے کے لیے MCP، اور feedback loops جو وقت کے ساتھ quality gap بند کرتے ہیں۔ thesis اسے اس پوری thesis کا سب سے اہم idea کہتی ہے۔

💡 Analogy: car factory کی assembly line۔ raw steel ایک طرف سے داخل ہوتا ہے، finished car دوسری طرف نکلتی ہے۔ ہر station ایک مخصوص job کرتا ہے، parts ترتیب سے چلتے ہیں، اور delivery سے پہلے result verify ہوتا ہے۔ Production انجن بھی اسی طرح کام کرتا ہے: نیت in، verified نتیجہ out، اور AI ورکرز مخصوص stations کی طرح۔

Six Invariants

وہ structural rules جو AI-Native کمپنی کو runnable بناتے ہیں: (1) Principal: human principal ہے؛ (2) Delegate: ہر human کو delegate چاہیے؛ (3) Manager: افرادی قوت کو manager چاہیے؛ (4) انجن: ہر ورکر اپنا انجن چنتا ہے؛ (5) Meta: افرادی قوت پالیسی کے تحت expand ہو سکتی ہے؛ (6) Trigger: outside world نظام کو call کرتی ہے۔ named پروڈکٹس بدل سکتے ہیں؛ ڈھانچہ قائم رہتی ہے۔

📌 ہر invariant کے full claim، absence ناکامی mode، اور current realization کے لیے thesis دیکھیں۔

Invariant vs. Reference Implementation

thesis کا framing distinction۔ Invariant وہ structural requirement ہے جو نظام کے ہر version میں true رہتی ہے، چاہے اسے کون سی specific پروڈکٹ realize کرے۔ Reference implementation وہ concrete پروڈکٹ ہے جو 2026 میں کسی invariant کو realize کرنے کے لیے استعمال ہو رہی ہے۔ invariants thesis ہیں؛ named پروڈکٹس اس year کا best fit ہیں۔

💡 Analogy: "house میں enter اور exit کرنے کا way ہونا چاہیے" invariant ہے۔ "brass handles والے mahogany double doors" reference implementation ہے۔ doors اگلے سال بدل جائیں تو house پھر بھی کام کرتا ہے؛ entry/exit invariant ختم کر دیں تو house ہی نہیں رہتا۔

🔹 Example: Invariant 4 کہتا ہے: "ہر AI ورکر اپنا انجن چنتا ہے۔" 2026 کی reference implementations Dapr Agents، Claude Managed Agents، OpenAI Agents SDK، اور OpenClaw-native ہیں۔ اگلے سال ان میں سے کوئی بدل جائے، invariant پھر بھی برقرار رہتا ہے۔

Digital FTE (Digital Full-Time Equivalent)

ایک AI employee جو full-time human ورکر جیسا continuous کام کرتا ہے، 24/7، cost کے ایک چھوٹے حصے پر۔ Digital FTE ہفتے میں 168 hours کام کر سکتا ہے، fatigue کے بغیر۔ یہ thesis کے AI ورکر ہی کا same role ہے: hire ہوتا ہے، assign ہوتا ہے، roster پر آتا ہے، اور retire ہو سکتا ہے۔ یہ delegate (OpenClaw) اور manager (Paperclip) سے الگ ہے، جو permanent staff ہیں، افرادی قوت نہیں۔

🔹 Example: کسٹمر support کا Digital FTE ہر روز 500 conversations handle کرتا ہے، یعنی 5 سے 10 human ایجنٹس جتنا کام۔

ڈیجیٹل ورکر / AI Employee

Digital FTE کے synonyms۔ ایسا AI ایجنٹ جو ادارہ کے اندر sustained، role-based work کرتا ہے؛ one-off chatbot نہیں بلکہ permanent ٹیم member۔

تفصیل / Specification

کسی چیز کو build کرنے کی detailed written description: goals، constraints، inputs، expected نتائج، اور behavior۔ یہ وہ blueprint ہے جسے AI follow کرتا ہے۔

💡 Analogy: تفصیل architect کے blueprint کی طرح ہے۔ builder اندازے سے تعمیر شروع نہیں کرتا؛ وہ detailed plan follow کرتا ہے۔ AI development میں تفصیل plan ہے، اور AI builder ہے۔

تفصیل-Driven Development (SDD)

development طریقہ کار جس میں پہلے detailed specification لکھی جاتی ہے، پھر AI اسی تفصیل سے code، tests، اور documentation generate کرتا ہے۔ تفصیل حقیقت کا مستند ماخذ ہے، code نہیں۔

📌 چار phases: Research → Specification → Refinement → Implementation۔

🔹 Example: آپ bookstore کے لیے REST API چاہتے ہیں۔ code لکھنے کے بجائے تفصیل لکھتے ہیں: "API میں books list کرنے، book add کرنے، author سے search کرنے، اور ISBN سے delete کرنے کے endpoints ہوں۔ ہر book کا title، author، ISBN، price، اور stock count ہو۔ inputs validate ہوں۔ JSON return ہو۔" Claude Code اس تفصیل سے FastAPI application، tests، اور documentation generate کر دیتا ہے۔

💡 Analogy: تفصیل architect کے blueprint کی طرح ہے۔ تعمیر کمپنی اندازہ لگا کر house نہیں بناتی؛ وہ detailed plans follow کرتی ہے۔ SDD میں تفصیل plan ہے، اور AI تعمیر crew ہے۔

Test-Driven Generation (TDG)

Python میں SDD کی مخصوص شکل۔ آپ پہلے ٹیسٹ لکھتے ہیں، یعنی یہ واضح کرتے ہیں کہ کوڈ کو کیا کرنا چاہیے، پھر Claude Code کو وہ کوڈ بنانے دیتے ہیں جو ان ٹیسٹوں کو پاس کر دے۔

💡 مشابہت: کیک بنانے سے پہلے، آپ یہ لکھیں کہ ایک perfect cake کیسا لگتا ہے: اونچائی، ساخت، ذائقہ۔ پھر آپ ایک نسخہ آزمائیں۔ اگر کیک آپ کے معیار کے مطابق نہیں ہے، تو آپ دوبارہ کوشش کریں۔ criteria tests ہیں؛ recipe generated code ہے۔

10-80-10 Rule

AI افرادی قوت کا operating rhythm: human پہلے 10% دیتا ہے، یعنی نیت اور direction؛ AI middle 80% execute کرتا ہے؛ human final 10% میں تصدیق اور judgment دیتا ہے۔

📌 Origin: Steve Jobs نے Apple میں یہی نمونہ follow کیا: vision set کرو (10%)، ٹیم کو build کرنے دو (80%)، پھر polish اور جاری کرنے واپس آو (10%)۔ اب "ٹیم" کی جگہ "AI ملازمین" رکھ دیں۔

AGENTS.md / CLAUDE.md

configuration فائلز جو AI coding ایجنٹ کو persistent سیاق و سباق دیتی ہیں۔ ان میں project rules، coding معیار، architectural decisions، اور preferences ہوتی ہیں، جو ہر interaction میں load ہوتی ہیں۔

💡 Analogy: جب نیا employee ٹیم join کرتا ہے تو آپ اسے onboarding document دیتے ہیں: "ہم اس طرح کام کرتے ہیں۔ یہ ہمارا coding style ہے۔ یہ کام ہم کبھی نہیں کرتے۔" AGENTS.md آپ کے AI ایجنٹ کے لیے یہی onboarding document ہے۔

SPEC.md

project کی detailed specification رکھنے والی specific فائل۔ سافٹ ویئر کو کیا کرنا چاہیے، اس کے لیے واحد مستند ماخذ۔

🔹 مثال: آپ کا SPEC.md کہہ سکتا ہے: "ریستوران کے لیے ایک WhatsApp چیٹ بوٹ بنائیں۔ اسے مینو دکھانا، آرڈر لینا، ڈیلیوری ایڈریس کی تصدیق، GST کے ساتھ کل حساب لگانا، اور آرڈر کی تصدیق بھیجنا چاہیے۔ زیادہ سے زیادہ جوابی وقت: 2 سیکنڈز۔ زبان: اردو اور انگریزی۔"

SKILL.md

وہ فائل جو AI ایجنٹ کے لیے reusable صلاحیت یعنی skill package کرتی ہے: instructions، best practices، اور کسی specific کام کے templates، مثلا PDFs بنانا یا Docker containers deploy کرنا۔

🔹 Example: Docker SKILL.md میں ہو سکتا ہے: "FastAPI app کو containerize کرتے وقت ہمیشہ multi-stage build استعمال کریں۔ base image: python:3.12-slim۔ health check endpoint ضرور add کریں۔ root کے طور پر کبھی نہ چلائیں۔" ایجنٹ یہ skill فائل پڑھ کر Docker کام میں automatically یہی practices follow کرتا ہے۔

Skill Library

SKILL.md فائلوں کا ایک مجموعہ جس سے ایک AI ایجنٹ حاصل کر سکتا ہے، اسے کئی ڈومینز میں skill فراہم کرتا ہے، جیسے کہ ایک حوالہ لائبریری ایک ملازم سے مشورہ کر سکتا ہے۔

ایجنٹ Skills

ایک AI ایجنٹ کے پاس جو مخصوص صلاحیتیں ہوتی ہیں، ان کی وضاحت اس کے ٹولز، علم اور SKILL.md فائلوں سے ہوتی ہے۔

🔹 مثال: ایک انسانی ملازم کے پاس "Excel کی skill" یا "معاہدے کی بات چیت" جیسی skills ہوتی ہیں۔ ایک AI ایجنٹ کے پاس "PDF جنریشن،" "ڈیٹا بیس استفسار" یا "ای میل ڈرافٹنگ" جیسی skills ہوتی ہیں۔

ایجنٹ Triangle

اس کتاب میں ایک فریم ورک ان تین اجزاء کو بیان کرتا ہے جن کی ہر موثر ایجنٹ کی ضرورت ہوتی ہے: (1) ایک واضح کردار، (2) مخصوص آلات، اور (3) اچھی طرح سے بیان کردہ حکمتیں۔ کسی ایک کی کمی محسوس ہوتی ہے، اور ایجنٹ کم کارکردگی کا مظاہرہ کرتا ہے۔

Body + Brain

ایک ایجنٹ فن تعمیر کا نمونہ۔ دماغ LLM ہے جو وجوہات اور فیصلے کرتا ہے۔ باڈی ایگزیکیوشن لیئر (ٹولز، APIs، انفراسٹرکچر) ہے جو ان فیصلوں کو انجام دیتی ہے۔

💡 مشابہت: آپ کا دماغ فیصلہ کرتا ہے کہ "میں وہ گلاس اٹھانا چاہتا ہوں۔" آپ کا ہاتھ (جسم) عمل کو انجام دیتا ہے۔ ایک AI ایجنٹ میں، Claude (دماغ) فیصلہ کرتا ہے کہ "مجھے ڈیٹا بیس سے استفسار کرنے کی ضرورت ہے،" اور NanoClaw (باڈی) استفسار کو انجام دیتا ہے۔

NanoClaw

ایک ہلکا پھلکا کنٹینر رن ٹائم جو OpenClaw فن تعمیر میں ایجنٹ کے "باڈی" کے طور پر کام کرتا ہے، کاموں کو انجام دیتا ہے، ٹولز چلاتا ہے، اور ایجنٹ کے ماحول کا انتظام کرتا ہے۔

💡 مشابہت: اگر LLM (دماغ) وہ پائلٹ ہے جو یہ طے کرتا ہے کہ کہاں اڑنا ہے، نینو کلاؤ (باڈی) وہ ہوائی جہاز ہے جو درحقیقت پرواز کرتا ہے: انجن، پنکھ، کنٹرول اور سب کچھ۔

OpenClaw

ایجنٹ سے چلنے والی ایپلی کیشنز بنانے کے لیے اوپن سورس application فریم ورک۔ thesis آرکیٹیکچر میں، OpenClaw ایج لیئر پر مندوب ہے — "چیف آف اسٹاف" ایجنٹ جو انسان کی نمائندگی کرتا ہے، ان کے سیاق و سباق کو جانتا ہے، اور ان کی طرف سے بات کرتا ہے۔ NanoClaw اس کی کنٹینر پر مبنی عملدرآمد کی پرت ہے۔

TutorClaw

24/7 AI ٹیوٹر WhatsApp کے ذریعے ڈیلیور کیا گیا، جو ایجنٹ فیکٹری فن تعمیر پر بنایا گیا ہے۔ ٹیوٹر کلاؤ اس کتاب کو اپنے ریکارڈ کے نظام کے طور پر پڑھتا ہے — امکانی نسل کے بجائے تصدیق شدہ علم سے تعلیم۔ یہ کتاب کی پہلی Digital FTE ہے، اور اس کی ایک زندہ مثال ہے کہ ایجنٹ فیکٹری AI ورکرز کیسے پیدا کرتا ہے۔"

Claude Code

Anthropic کا AI کوڈنگ ایجنٹ، ٹرمینل (کمانڈ لائن) سے چلتا ہے۔ یہ آپ کے پورے کوڈ بیس کو پڑھتا ہے، آپ کے پروجیکٹ کے سیاق و سباق کو سمجھتا ہے، اور آپ کی وضاحتوں کی بنیاد پر کوڈ تیار کرتا ہے۔ اس کتاب میں بنیادی ترقی کا آلہ۔

Cowork

Anthropic کا ڈیسک ٹاپ ایجنٹ نان کوڈنگ علمی کاموں کے لیے: دستاویز کا انتظام، تحقیق، اور فائل آرگنائزیشن۔ اسے اپنے AI آفس اسسٹنٹ کے طور پر سوچیں۔

Dispatch

ایک خصوصیت جو آپ کو اپنے فون سے Cowork کو کام تفویض کرنے دیتی ہے۔ آپ سفر کے دوران ایک کام بھیجتے ہیں؛ Claude آپ کے ڈیسک ٹاپ پر کام کرتا ہے۔ جب یہ ختم ہوجاتا ہے، تو آپ کو پش نوٹیفکیشن ملتا ہے۔

💡 مشابہت: ڈسپیچ Cowork ایک ٹول سے بدل جاتا ہے جس کے پاس آپ بیٹھے ہوئے کسی ملازم میں بیٹھتے ہیں جس کا آپ دور سے انتظام کرتے ہیں، جیسے آپ کے اسسٹنٹ کو ٹیکسٹ کرنا "رپورٹ تیار کریں" جب آپ میٹنگ میں ہوں۔

Computer Use

ایک تحقیقی پیش نظارہ خصوصیت جہاں Claude آپ کے کمپیوٹر کا استعمال کرتے ہوئے دور دراز کے ملازم کی طرح macOS پر آپ کی اسکرین کو دیکھ اور کنٹرول کر سکتا ہے (بٹن پر کلک کرنا، ایپلی کیشنز میں ٹائپ کرنا، انٹرفیس کو نیویگیٹ کرنا)۔

🔹 مثال: آپ Claude سے کہتے ہیں: "میرے ڈیسک ٹاپ پر اسپریڈشیٹ کھولیں، ان نمبروں کے ساتھ Q3 ریونیو کالم کو اپ ڈیٹ کریں، پھر اسے فنانس ٹیم کو ای میل کریں۔" Claude آپ کی اسکرین دیکھتا ہے، ایکسل کھولتا ہے، ڈیٹا میں ٹائپ کرتا ہے، آپ کے ای میل کلائنٹ کو کھولتا ہے، اور بھیجتا ہے، بالکل اسی طرح جیسے کوئی انسانی معاون آپ کے کمپیوٹر پر بیٹھا ہے۔

Claude Desktop

Claude کے ساتھ بات چیت کے لیے ڈیسک ٹاپ ایپلی کیشن، جو Cowork، کمپیوٹر کے استعمال، اور ڈسپیچ کی خصوصیات کی میزبانی کرتی ہے۔

Hooks

خودکار کارروائیاں جو Claude Code سے پہلے یا بعد میں متحرک ہوتی ہیں وہ کچھ خاص کارروائیاں کرتی ہیں، جیسے ہر فائل کو محفوظ کرنے کے بعد خودکار کوڈ فارمیٹنگ، یا ہر کمٹ سے پہلے ٹیسٹ چلانا۔

💡 مشابہت: ہکس اسسٹنٹ کے لیے کھڑی ہدایات کی طرح ہیں: "جب بھی آپ خط لکھنا ختم کرتے ہیں، تو مجھے دکھانے سے پہلے اسپیل چیک کریں۔"

Subagents

ماہر ایجنٹس جو Claude Code ایک بڑے پروجیکٹ کے اندر مخصوص ذیلی کاموں کو سنبھالنے کے لیے پیدا کر سکتے ہیں، ہر ایک اپنے اپنے مرکوز سیاق و سباق کے ساتھ۔

💡 مشابہت: ایک پروجیکٹ مینیجر (مین ایجنٹ) ڈیزائن کا کام گرافک ڈیزائنر (سبیجینٹ) کو اور اکاؤنٹنگ ایک بک کیپر (سبیجینٹ) کو سونپتا ہے۔ ہر ایک اپنی خاصیت پر توجہ مرکوز کرتا ہے۔

Tasks نظام

Claude Code کی ایک بلٹ ان خصوصیت جو تمام سیشنز میں مستقل حالت کا انتظام کرتی ہے، یہ ٹریک کرتی ہے کہ کیا کیا گیا ہے، کیا زیر التواء ہے، اور ایک کثیر مرحلہ پروجیکٹ میں آگے کیا ہے۔

سیاق و سباق انجینئرنگ

Digital FTE مینوفیکچرنگ کے لیے کوالٹی کنٹرول ڈسپلن۔ مستقل، اعلی معیار کی پیداوار کو یقینی بنانے کے لیے ایجنٹ کو موصول ہونے والے مکمل معلوماتی ماحول کو ڈیزائن کرنا۔ یہ #1 skill ہے جو $2,000/month فروخت کے قابل ایجنٹ کو اس سے الگ کرتی ہے جسے کوئی نہیں چاہتا۔

💡 مشابہت: ٹویوٹا فیکٹری میں منظم کوالٹی کنٹرولز ہوتے ہیں اس بات کو یقینی بناتے ہوئے کہ ہر کار تصریحات پر پورا اترتی ہے۔ سیاق و سباق کی انجینئرنگ اس بات کو یقینی بناتی ہے کہ آپ کی Digital FTEs مستقل، قابل فروخت قدر کی فراہمی۔

سیاق و سباق Injection

متعلقہ بیرونی معلومات کو AI کی سیاق و سباق کی ونڈو میں داخل کرنا اس سے پہلے کہ وہ جواب پیدا کرے، اسے صحیح وقت پر صحیح معلومات فراہم کرے۔

💡 مشابہت: وکیل کے عدالت میں جانے سے پہلے، ان کا معاون انہیں تمام متعلقہ کیس فائلوں کے ساتھ ایک فولڈر دیتا ہے۔ سیاق و سباق کا انجیکشن AI کے لئے بھی ایسا ہی کرتا ہے۔

سیاق و سباق Isolation

ایک طویل پچھلے سیشن سے ممکنہ طور پر الجھن یا متضاد حالت کو لے جانے کے بجائے صاف سیاق و سباق کے ساتھ ایک تازہ سیشن شروع کرنا۔

💡 مشابہت: جب آپ کی میز اتنی بے ترتیبی ہو جاتی ہے تو آپ سوچ بھی نہیں سکتے، آپ سب کچھ صاف کر کے نئے سرے سے شروع کر دیتے ہیں۔ سیاق و سباق Isolation AI کے لیے ایک جیسی ہے۔ کبھی کبھی ایک صاف سلیٹ گندی تاریخ سے بہتر نتائج پیدا کرتی ہے۔

Harness انجینئرنگ

ایک AI ایجنٹ کے ارد گرد ماحول کو ڈیزائن کرنے اور اسے مسلسل بہتر بنانے کا نظم و ضبط تاکہ یہ بغیر نگرانی کے قابل اعتماد طریقے سے مفید کام کر سکے۔ ایک ترقی میں تیسری پرت کے طور پر بیٹھتا ہے: فوری انجینئرنگ ایک تبادلے کو بہتر بناتی ہے، سیاق و سباق کی انجینئرنگ اس کا انتظام کرتی ہے جو ماڈل ایک ساتھ دیکھتا ہے، اور ہارنس انجینئرنگ عمل درآمد کے ماحول کو تیار کرتی ہے جس میں ایجنٹ سینکڑوں فیصلوں میں کام کرتا ہے۔ نام کی practice کو 2026 کے اوائل میں مچل ہاشیموٹو نے کرسٹالائز کیا تھا، جس نے اپنی روزانہ کی انجینئرنگ کی عادت کو ایجنٹ کے ماحول میں مستقل طور پر طے کرنے کے بارے میں بتایا کہ جب بھی ایجنٹ کوئی غلطی کرتا ہے۔ OpenAI اور Anthropic نے ہفتوں کے اندر توسیعی مضامین شائع کیے۔ نعرے کا ورژن: ایجنٹ کو ٹھیک نہ کریں، اس دنیا کو ٹھیک کریں جس میں ایجنٹ رہتا ہے۔

💡 مشابہت: فوری اصلاحات بینڈیڈز ہیں؛ ہارنس فکسز ویکسین ہیں۔ ایک فوری حل ناکامی کی ایک مثال کو حل کرتا ہے۔ ایک ہارنس فکس (ایک ٹول، ایک توثیق کرنے والا، ایک skill، ایک چیک، ایک ہدایات شامل کرنا) ناکامی کے اس طبقے کو ہمیشہ کے لیے بند کر دیتا ہے، ہر مستقبل کے ایجنٹ کے لیے جو ایک ہی کنٹرول میں چلتا ہے۔

🔹 مثال: TutorClaw تاثرات دیتا ہے جو ایک ابتدائی کے لیے بہت سخت ہے۔ بولی فکس پرامپٹ کو دوبارہ لکھنا ہے۔ ہارنس فکس ٹون چیک اسکل کو شامل کرنا ہے جو روبرک کے ذریعے آؤٹ پٹ کو گیٹ کرتا ہے۔ مستقبل کا ہر ٹیوٹرکلو جواب اس سے گزرتا ہے، فوری تبدیلی کی ضرورت نہیں ہے۔

📌 InOpenClaw: ہارنس ایکسٹینشن کی اکائی SKILL.md فائل ہے۔ آپ کے طلباء جو بھی skills لکھتے ہیں وہ ایک انجینئرنگ آرٹفیکٹ ہے، اور وہی ہاشیموٹو لوپ (ناکامی کا مشاہدہ کریں → پوچھیں کہ یہ کیوں ممکن ہوا

Progress Files

فائلیں جو ایک سے زیادہ Claude Code سیشنز میں ایک طویل عرصے سے چلنے والے پروجیکٹ کی حالت کو ٹریک کرتی ہیں، اس کی دستاویز کرتی ہیں کہ کیا مکمل ہوا، فیصلے کیے گئے، اور آگے کیا ہے۔

💡 مشابہت: ایک تعمیراتی سائٹ لاگ بک۔ ہر روز، فورمین ریکارڈ کرتا ہے کہ کیا بنایا گیا، کیا مسائل پیدا ہوئے، اور کل کے لیے کیا منصوبہ بنایا گیا ہے۔ جب ایک نیا عملہ آتا ہے (نیا سیشن)، وہ لاگ پڑھتے ہیں اور بغیر کسی رکاوٹ کے جاری رہتے ہیں۔

Session ڈھانچہ

یہ ڈیزائن کرنا کہ آپ ایک بڑے پروجیکٹ کے لیے ایک سے زیادہ سیشنز میں ایک AI ایجنٹ کے ساتھ اپنے تعاملات کو کس طرح ترتیب دیتے ہیں اور ترتیب دیتے ہیں، یہ فیصلہ کرتے ہوئے کہ کب نیا شروع کرنا ہے، کب آگے بڑھانا ہے، اور کس سیاق و سباق کو محفوظ کرنا ہے۔

🔹 مثال: 30 بابوں کے کتابی منصوبے کے لیے، آپ پوری کتاب کو ایک سیشن میں نہیں ڈالتے۔ آپ ایک آرکیٹیکچر ڈیزائن کرتے ہیں: سیشن 1 خاکہ کا احاطہ کرتا ہے، سیشن 2 باب 1 لکھتا ہے (سیاق و سباق کے طور پر خاکہ کو آگے بڑھاتا ہے)، سیشن 3 باب 2 لکھتا ہے (آؤٹ لائن + باب 1 کا خلاصہ آگے لے جانا)، وغیرہ۔ ہر سیشن کو بالکل وہی سیاق و سباق ملتا ہے جس کی اسے ضرورت ہوتی ہے، نہ زیادہ، نہ کم۔

Five Powers

وہ پانچ صلاحیتیں جو روایتی یوزر انٹرفیس سے خودمختار AI ایجنٹوں کی طرف تبدیلی کو قابل بناتی ہیں: (1) فطری زبان کی سمجھ، (2) استدلال، (3) Tool Use، (4) میموری، اور (5) منصوبہ بندی۔ مشترکہ طور پر، وہ ایجنٹوں کو ارادے کو سمجھنے اور آزادانہ طور پر عمل کرنے کی اجازت دیتے ہیں۔

💡 مشابہت: ایک قابل انسانی معاون کے بارے میں سوچئے۔ وہ (1) آپ کی باتوں کو سمجھ سکتے ہیں، (2) مسائل کے بارے میں سوچ سکتے ہیں، (3) فون اور کمپیوٹر جیسے ٹولز کا استعمال کر سکتے ہیں، (4) اپنی ترجیحات کو یاد رکھ سکتے ہیں، اور (5) ملٹی سٹیپ پراجیکٹس کی منصوبہ بندی کر سکتے ہیں۔ تمام پانچ طاقتوں کے ساتھ ایک AI ایجنٹ ایسا ہی کر سکتا ہے: یہی وہ چیز ہے جو "سافٹ ویئر جو آپ چلاتے ہیں" سے "سافٹ ویئر جو آپ کے لیے کام کرتا ہے" میں بدل جاتا ہے۔

ایجنٹ Maturity ماڈل

ایک پانچ سطحی فریم ورک جو کسی تنظیم کے AI کو اپنانے کے مراحل کو بیان کرتا ہے:

Level	Name	Description
1	Experimental	انفرادی ڈویلپرز AI کوڈنگ ٹولز آزما رہے ہیں۔
2	Standardized	گورننس کے ساتھ تنظیمی سطح کو اپنانا
3	AI-Driven	تفصیلات زندہ دستاویزات بن جاتی ہے۔ ورک فلو کو دوبارہ ڈیزائن کیا گیا۔
4	AI-Native	مصنوعات جہاں AI/LLMs بنیادی اجزاء ہیں۔
5	Autonomous	پوری تنظیم AI مقامی؛ خود کو بہتر بنانے کے نظام

AI-Assisted Development

AI کو بطور مددگار یا copilot استعمال کرنا: کوڈ کی تکمیل، بگ کا پتہ لگانا، دستاویزات کی تیاری۔ انسان اب بھی زیادہ تر کوڈ لکھتا ہے۔

🔹 مثال: GitHub Copilot آپ کے ٹائپ کرتے وقت کوڈ کی اگلی لائن تجویز کرتا ہے۔

AI-Driven Development

AI انسانی تحریری وضاحتوں سے اہم کوڈ تیار کرتا ہے۔ انسان معمار، ہدایت کار اور جائزہ نگار کے طور پر کام کرتا ہے۔ ٹائپسٹ نہیں

🔹 مثال: آپ REST API کو بیان کرتے ہوئے ایک SPEC.md لکھتے ہیں، اور Claude Code پوری FastAPI application، ٹیسٹ اور دستاویزات تیار کرتا ہے۔

AI-Native Development

ایپلی کیشنز کو زمین سے AI صلاحیتوں کے ارد گرد تعمیر کیا گیا ہے: AI کو ایک خصوصیت کے طور پر شامل نہیں کیا گیا ہے؛ یہ مصنوعات کا بنیادی ہے.

🔹 مثال: ٹیوٹر کلاؤ کوئی درسی کتاب نہیں ہے جس میں چیٹ بوٹ کو بولٹ کیا گیا ہو۔ AI ٹیوٹر is پروڈکٹ ہے۔ پورا فن تعمیر LLM کی صلاحیتوں کے گرد بنایا گیا ہے۔

Nine Pillars of AIDD

AI سے چلنے والی ترقی کے نو بنیادی اصول جیسا کہ اس کتاب میں بیان کیا گیا ہے: تفصیلات کے پہلے ڈیزائن سے لے کر مسلسل تصدیق تک ہر چیز کا احاطہ کرتا ہے۔

OODA Loop (Observe, Orient, Decide, Act)

AI ایجنٹوں کے ساتھ کام کرنے پر تیزی سے فیصلہ سازی کا دور لاگو ہوتا ہے۔ آپ ایجنٹ کے آؤٹ پٹ کا مشاہدہ کرتے ہیں، اورینٹ یہ جانچ کر کہ آیا یہ تفصیل سے مماثل ہے، فیصلہ کرتے ہیں کہ آیا قبول کرنا ہے یا ری ڈائریکٹ کرنا ہے، اور یا تو منظوری دے کر یا نئی ہدایات دے کر عمل کرتے ہیں۔

📌 اصل: لڑاکا پائلٹ جان بوئڈ کی طرف سے تیار کردہ ایک فوجی حکمت عملی کا فریم ورک، جو اب AI سے چلنے والے کام کے تیز تکراری چکروں پر لاگو ہوتا ہے۔

PRIMM-AI+

اس کتاب میں استعمال ہونے والا ایک تعلیمی فریم ورک: پیش گوئی کریں کوڈ کیا کرے گا → رن اسے → تحقیقات آؤٹ پٹ → اس میں ترمیم کریں اسے اپنا ورژن بنائیں۔ "AI+" کا مطلب ہے AI ہر قدم میں سرایت کرتا ہے۔

Identic AI

ایک ایسا تصور جہاں ہر انسان کے پاس ایک ذاتی AI ایجنٹ ہوتا ہے جو ان کے فیصلے، ترجیحات اور اختیار کی عکاسی کرتا ہے: ان کی جانب سے متعدد AI سسٹمز میں کاموں کو تفویض کرنا۔ اس کتاب کے حوالہ فن تعمیر میں، OpenClaw ایک جیسی AI ہے — ایج لیئر کا مندوب۔"

💡 مشابہت: ایک CEO کا ایک ایگزیکٹو اسسٹنٹ ہوتا ہے جو اپنی ترجیحات اور فیصلہ سازی کے انداز کو اتنا اچھی طرح جانتا ہے کہ وہ CEO کی جانب سے کام کر سکتا ہے۔ Identic AI AI ورژن ہے: ایجنٹ فیکٹری میں آپ کا ذاتی نمائندہ۔

ریکارڈ کا مستند نظام / Source of Truth

ڈیٹا کا ایک مستند ذریعہ جس پر ہر کوئی اعتماد کرتا ہے۔ جب متضاد ورژن ہوں تو، ریکارڈ کا نظام حتمی لفظ ہے۔

🔹 مثال: اگر آپ کی کمپنی کا HR سسٹم کہتا ہے کہ ملازم کی تنخواہ روپے ہے۔ 200,000 لیکن ایک سپریڈ شیٹ کہتی ہے کہ روپے۔ 180,000، HR نظام ریکارڈ کا نظام ہے۔

Bounded Workflow

ایک ورک فلو جس میں واضح طور پر بیان کردہ آغاز پوائنٹس، endpoints، اور رکاوٹیں ہیں: ایجنٹ بالکل جانتا ہے کہ وہ کیا کر سکتا ہے اور کیا نہیں کر سکتا۔ کوئی ابہام، کوئی گنجائش نہیں۔

Escalation Protocol

ایک پہلے سے طے شدہ قاعدہ کہ جب کسی ایجنٹ کو روکنا چاہیے اور کسی انسان کو کوئی کام سونپنا چاہیے: کیونکہ یہ بہت پیچیدہ، بہت زیادہ خطرناک، یا ایجنٹ کے اختیار سے باہر ہے۔

🔹 مثال: ایک کسٹمر سروس ایجنٹ معمول کے سوالات کو ہینڈل کرتا ہے، لیکن اگر کوئی گاہک قانونی کارروائی کی دھمکی دیتا ہے، تو اضافہ پروٹوکول گفتگو کو انسانی مینیجر کو منتقل کرتا ہے۔

Tool Interface

ایک ایجنٹ کسی بیرونی ٹول سے کس طرح جڑتا اور استعمال کرتا ہے، اس کے لیے متعین معاہدہ، اس بات کی وضاحت کرتا ہے کہ ٹول کو کن ان پٹ کی توقع ہے اور یہ کیا آؤٹ پٹ واپس کرتا ہے۔

Vertical Intelligence

ایک مخصوص صنعت کی اصطلاحات، قواعد و ضوابط، کام کے بہاؤ، اور درد کے نکات میں گہری skill، ایک ایجنٹ میں پیک کیا گیا ہے۔

🔹 مثال: پاکستانی ٹیکسٹائل برآمد کنندگان کے لیے ایک AI ایجنٹ جو SRO اطلاعات، HS کوڈز، LC دستاویزات، اور SBP کے ضوابط کو سمجھتا ہے؛ نہ صرف عام کاروباری علم۔

Agentic ادارہ

ایک ایسی تنظیم جس نے AI ایجنٹوں کو اپنے بنیادی کاموں میں شامل کیا ہے، Digital FTEs کے ساتھ کام کرنے کے معیاری طریقے کے طور پر انسانی ملازمین کے ساتھ۔ thesis میں، اسے AI-Native کمپنی کہا جاتا ہے — چلانے والا ادارہ جو ایجنٹ فیکٹری تیار کرتا ہے۔ دونوں اصطلاحات ایک ہی چیز کا حوالہ دیتے ہیں۔

🔹 مثال: ایک لاجسٹک کمپنی جہاں AI ایجنٹ آرڈر ٹریکنگ، روٹ آپٹیمائزیشن، اور کسٹمر کی اطلاعات 24/7 کو ہینڈل کرتے ہیں، جب کہ انسانی ملازمین شراکت داری، استثنی handle کرنا اور حکمت عملی پر توجہ دیتے ہیں۔ ایجنٹس کوئی سائیڈ پروجیکٹ نہیں ہیں۔ وہ org چارٹ کا حصہ ہیں۔

Custom-Built AI Employee

ایک AI ایجنٹ جسے آپ کسی مخصوص کاروباری ضرورت کے لیے شروع سے بناتے ہیں، بالکل آپ کے ورک فلو اور ڈومین کے مطابق بنایا گیا ہے۔

🔹 مثال: ایک ٹیکسٹائل برآمد کنندہ ایک ایجنٹ بناتا ہے جو آنے والی LC (لیٹر آف کریڈٹ) دستاویزات کو پڑھتا ہے، انہیں SBP کے ضوابط کے خلاف چیک کرتا ہے، تضادات کو جھنڈا دیتا ہے، اور ترمیمی requestوں کا مسودہ تیار کرتا ہے۔ کوئی آف دی شیلف ٹول ایسا نہیں کرتا ہے۔ یہ ان کے عین مطابق ورک فلو کے لیے اپنی مرضی کے مطابق بنایا گیا ہے۔

Pre-Built AI Employee

ایک آف دی شیلف AI ایجنٹ جسے آپ اپنی مرضی کے مطابق ترقی کے بغیر فوری طور پر استعمال کر سکتے ہیں، جیسے ChatGPT، Claude، یا موجودہ کسٹمر سروس بوٹ کا استعمال۔

🔹 مثال: Claude کو براہ راست ای میلز کا مسودہ تیار کرنے، دستاویزات کا خلاصہ کرنے یا سوالات کے جوابات دینے کے لیے استعمال کرنا۔ کوئی ترقی کی ضرورت نہیں؛ آپ فوری طور پر شروع کریں. تجارت بند: یہ عام کاموں کے لیے کام کرتا ہے لیکن آپ کے منفرد کاروباری عمل کے لیے مخصوص نہیں ہے۔

Build vs. Buy

تزویراتی فیصلہ: اپنا حسب ضرورت AI ایجنٹ بنائیں (زیادہ کنٹرول، زیادہ لاگت، زیادہ وقت لگتا ہے) یا موجودہ (تیز تعیناتی، کم حسب ضرورت) استعمال کریں؟

🔹 مثال: ہسپتال کو مریض کے شیڈولنگ ایجنٹ کی ضرورت ہوتی ہے۔ خریدیں: ایک موجودہ ہیلتھ کیئر AI پلیٹ فارم کا استعمال کریں (ہفتوں میں تعینات، لیکن محدود تخصیص۔ تعمیر: ان کے مخصوص EMR سسٹم، ڈاکٹر کی ترجیحات، اور Urdu/English سپورٹ کے ساتھ مربوط ایک حسب ضرورت ایجنٹ بنائیں) مہینوں لگتے ہیں لیکن بالکل فٹ بیٹھتے ہیں۔ صحیح انتخاب کا انحصار بجٹ، ٹائم لائن، اور ورک فلو کتنا منفرد ہے۔

FTE Development Plugin

ایک ٹول یا ایکسٹینشن جو Digital FTEs کی ترقی اور تعیناتی میں مدد کرتا ہے، ایجنٹ فیکٹری ورک فلو کو ہموار کرتا ہے۔

Skill Shim

ایک پتلی اڈاپٹر پرت جو مختلف ایجنٹ کی skill کے فارمیٹس کے درمیان ترجمہ کرتی ہے، پلیٹ فارمز میں مطابقت کو فعال کرتی ہے۔

💡 مشابہت: ایک ٹریول پاور اڈاپٹر۔ آپ کا پاکستانی پلگ یو کے ساکٹ میں فٹ نہیں ہوتا ہے، لیکن ایک شیم (اڈاپٹر) انہیں کسی بھی چیز کو ری وائر کیے بغیر ہم آہنگ بناتا ہے۔

Gateway Proxy نمونہ

ایک آرکیٹیکچرل پیٹرن جہاں ایک ہی انٹری پوائنٹ (گیٹ وے) درست بیک اینڈ ایجنٹ یا سروس کی requestوں کو روٹ کرتا ہے، توثیق کا انتظام، شرح کو محدود کرنا، اور لوڈ ڈسٹری بیوشن کرتا ہے۔

💡 مشابہت: ایک بڑے اسپتال کا استقبالیہ ڈیسک۔ تمام مریض استقبالیہ کے ذریعے داخل ہوتے ہیں، جو ان کی ملاقات کا وقت چیک کرتا ہے، ان کی شناخت کی تصدیق کرتا ہے، اور انہیں صحیح شعبہ میں لے جاتا ہے۔

Piggyback Protocol

کتاب میں حوالہ دیا گیا ایک اسٹارٹ اپ حکمت عملی: اپنے خود مختار چینلز بنانے سے پہلے صارفین تک تیزی سے پہنچنے کے لیے اپنے پروڈکٹ کو موجودہ پلیٹ فارم کی تقسیم کے اوپر بنانا۔

🔹 مثال: TutorClaw ڈیلیور کرنے کے لیے اپنی خود کی میسجنگ ایپ بنانے کے بجائے، آپ WhatsApp کے سب سے اوپر بناتے ہیں: جس کے پاکستان میں پہلے ہی 100 ملین صارفین ہیں۔ آپ کسی کو نئی ایپ ڈاؤن لوڈ کرنے پر قائل کیے بغیر، طلباء تک فوری طور پر پہنچنے کے لیے WhatsApp کی تقسیم پر "پگی بیک" کرتے ہیں۔

---

2. کور AI اور مشین لرننگ

یہ اس کتاب میں ہر چیز کے پیچھے بنیادی نظریات ہیں۔

AI ⊃ ML ⊃ DL ⊃ LLMs
(Each is a subset of the one before it)

AI (Artificial Intelligence)

کمپیوٹر بنانے سے وہ کام ہوتے ہیں جن کے لیے عام طور پر انسانی ذہانت کی ضرورت ہوتی ہے، جیسے زبان کو سمجھنا، تصاویر کو پہچاننا، فیصلے کرنا، مسائل کو حل کرنا۔

🔹 مثال: جب آپ کے فون کا کی بورڈ اردو یا انگریزی میں آپ کے اگلے لفظ کی پیشین گوئی کرتا ہے، تو وہ AI ہے۔ جب کریم ٹریفک کی بنیاد پر آپ کے سواری کے وقت کا تخمینہ لگاتا ہے، تو وہ AI ہے۔

ML (Machine Learning)

کمپیوٹر کو واضح اصول لکھنے کے بجائے مثالیں دکھا کر سکھانے کا ایک طریقہ۔ کمپیوٹر ڈیٹا میں پیٹرن تلاش کرتا ہے اور ان سے سیکھتا ہے۔

🔹 مثال: YouTube آپ کو پسند آنے والے ویڈیوز کی تجویز کرتا ہے۔ کسی نے بھی ایسا قاعدہ پروگرام نہیں کیا جس میں کہا گیا ہو کہ "اگر صارف نے کرکٹ کی جھلکیاں دیکھیں تو مزید کرکٹ کا مشورہ دیں۔" نظام نے یہ نمونہ اربوں دیکھنے کی عادات سے سیکھا۔

💡 مشابہت: تصور کریں کہ ایک بچے کو آموں کو پہچاننا سکھائیں۔ آپ حیاتیات کی وضاحت نہیں کرتے۔ آپ انہیں درجنوں آم دکھاتے ہیں اور کہتے ہیں "آم"۔ آخر کار، وہ ان آموں کو پہچانتے ہیں جنہیں انہوں نے کبھی نہیں دیکھا، یہاں تک کہ مختلف اقسام جیسے چونسہ اور سندھڑی۔ یہ مشین لرننگ ہے۔

DL (Deep Learning)

مشین لرننگ کا ایک زیادہ طاقتور ورژن جو کئی تہوں کے ساتھ "نیورل نیٹ ورکس" کا استعمال کرتا ہے۔ یہ انتہائی پیچیدہ نمونے سیکھ سکتا ہے، جیسے تقریر کو سمجھنا، تصاویر بنانا، یا زبانوں کے درمیان ترجمہ کرنا۔

🔹 مثال: جب Google Translate ایک اردو پیراگراف کو روانی سے انگریزی میں تبدیل کرتا ہے، تو گہری سیکھنے کی طاقت اس ترجمہ کو حاصل کرتی ہے۔

💡 مشابہت: اگر ML سادہ شکلوں کو پہچاننا سیکھ رہا ہے تو DL بھرے صدر بازار میں چہروں کو پہچاننا سیکھ رہا ہے: کہیں زیادہ پیچیدہ، لیکن مثالوں سے سیکھنے کا وہی اصول۔

ماڈل

ایک ایسا پروگرام جسے ڈیٹا پر تربیت دی گئی ہے اور اب وہ پیشین گوئیاں کر سکتا ہے یا نتائج پیدا کر سکتا ہے۔ جب لوگ "GPT-4" یا "Claude" کہتے ہیں تو وہ ماڈلز کا حوالہ دیتے ہیں۔

💡 تشبیہ: ایک ماڈل ایک طالب علم کی طرح ہے جس نے لاکھوں نصابی کتب کا مطالعہ کیا ہے۔ آپ سوال پوچھتے ہیں، وہ ہر چیز کی بنیاد پر جواب دیتے ہیں جو انہوں نے پڑھا ہے۔ مختلف ماڈلز مختلف طلباء کی طرح ہیں: کچھ ریاضی میں بہتر ہیں، کچھ تخلیقی تحریر میں۔

Foundation ماڈل

ایک بہت بڑا، عام مقصد کا ماڈل بہت زیادہ ڈیٹا پر تربیت یافتہ ہے۔ اسے شروع سے دوبارہ تربیت کے بغیر بہت سے مختلف کاموں کے مطابق ڈھالا جا سکتا ہے۔ Claude، GPT-4، اور Gemini فاؤنڈیشن ماڈل ہیں۔

💡 مشابہت: ایک فاؤنڈیشن ماڈل وسیع تعلیم کے ساتھ یونیورسٹی کے گریجویٹ کی طرح ہے۔ انہوں نے ابھی تک skill حاصل نہیں کی ہے، لیکن وہ بہت ساری ملازمتوں میں تیزی سے ڈھل سکتے ہیں: اکاؤنٹنگ، تحریر، تحقیق، انتظام۔

Neural Network

انسانی دماغ سے متاثر ایک کمپیوٹنگ سسٹم، باہم جڑے ہوئے "نوڈس" کی تہوں کے ساتھ جو معلومات پر کارروائی کرتے ہیں، ہر پرت تیزی سے پیچیدہ نمونے کو نکالتی ہے۔

💡 مشابہت: مختلف میش سائز کے ساتھ چھلنی کی ایک سیریز کا تصور کریں۔ آپ پہلی چھلنی کے ذریعے خام ڈیٹا ڈالتے ہیں (بڑے پیٹرن پکڑتا ہے)، پھر اگلا (بہتر پیٹرن پکڑتا ہے)، پھر اگلا (بہترین تفصیلات پکڑتا ہے)۔ ایک نیورل نیٹ ورک اسی طرح کام کرتا ہے، ہر پرت معلومات کو بہتر کرتی ہے۔

Transformer

مخصوص نیورل نیٹ ورک فن تعمیر جو تمام جدید LLMs کو طاقت دیتا ہے۔ 2017 میں ایجاد کیا گیا، یہ الفاظ کے درمیان تعلقات کو سمجھنے میں خاص طور پر اچھا ہے، یہ جانتے ہوئے کہ "بینک" کا مطلب "ریور بینک" بمقابلہ "بینک اکاؤنٹ" میں کچھ مختلف ہے۔

💡 مشابہت: پرانے AI جملے کو لفظ بہ لفظ پڑھتے ہیں، جیسے کی ہول سے پڑھنا (آپ ایک وقت میں ایک لفظ دیکھتے ہیں اور معنی کا اندازہ لگاتے ہیں۔ ٹرانسفارمرز ایک ساتھ پورا جملہ پڑھتے ہیں، جیسے پورا دروازہ کھولنا) وہ ہر لفظ کو بیک وقت دیکھتے ہیں اور سمجھتے ہیں کہ ہر لفظ کا ہر دوسرے لفظ سے کیا تعلق ہے۔ یہی وجہ ہے کہ وہ زبان کو سمجھنے میں بہت بہتر ہیں۔

💡 یہ کیوں اہم ہے: اس کتاب میں ہر اے آئی ماڈل (Claude, GPT, Gemini) ٹرانسفارمرز پر بنایا گیا ہے۔ آپ کو ریاضی کو سمجھنے کی ضرورت نہیں ہے، لیکن آپ کو اصطلاح اکثر نظر آئے گی۔

Multimodal ماڈل

ایک ماڈل جو متعدد قسم کے ان پٹ (ٹیکسٹ، امیجز، آڈیو، ویڈیو) کے ساتھ کام کر سکتا ہے نہ کہ صرف ایک۔

🔹 مثال: آپ ریستوراں کے بل کی تصویر کھینچتے ہیں اور Claude سے پوچھتے ہیں "کل کیا ہے؟" ماڈل تصویر اور آپ کے متن کے سوال دونوں کو سمجھتا ہے۔ یہ ملٹی موڈل صلاحیت ہے۔

Reasoning ماڈل

فوری طور پر جواب دینے کے بجائے، جواب دینے سے پہلے قدم بہ قدم پیچیدہ مسائل کو "سوچنے" کے لیے ڈیزائن کیا گیا ایک ماڈل۔ مشکل مسائل پر اکثر زیادہ درست۔

💡 مشابہت: کرکٹ میچ میں، کچھ بلے باز فطری شاٹس کھیلتے ہیں (تیز، بعض اوقات لاپرواہ)۔ دوسرے میدان کا مطالعہ کرتے ہیں، بولر کو پڑھتے ہیں، اور ہر شاٹ کو جان بوجھ کر پلان کرتے ہیں۔ استدلال کا ماڈل دوسری قسم ہے: مشکل ترسیل پر سست لیکن زیادہ قابل اعتماد۔

Training

ایک ماڈل کو بڑے پیمانے پر ڈیٹا فراہم کرنے کا عمل تاکہ یہ پیٹرن سیکھے۔ یہ اس سے پہلے ہوتا ہے کہ آپ کبھی بھی ماڈل کے ساتھ تعامل کریں۔ یہ "تعلیم" کا مرحلہ ہے۔

💡 مشابہت: تربیت ایک شیف کی طرح ہے جو کلنری اسکول میں سال گزارتا ہے: ہزاروں پکوان چکھنا، تکنیک سیکھنا، ترکیبوں کی practice کرنا۔ جب تک وہ اپنا ریستوراں کھولتے ہیں (جب آپ ماڈل استعمال کرتے ہیں)، سیکھنا پہلے ہی ہوچکا ہے۔

Pretraining

تربیت کا پہلا، سب سے مہنگا مرحلہ۔ ماڈل متن کی بہت زیادہ مقدار (کتابیں، ویب سائٹس، کوڈ، گفتگو) پڑھتا ہے اور زبان اور دنیا کے بارے میں عمومی معلومات سیکھتا ہے۔

Post-Training

ماڈل کو مددگار، محفوظ، اور انسانی توقعات کے مطابق بنانے کے لیے پیشگی تربیت کے بعد اضافی تربیت۔ یہ وہ جگہ ہے جہاں ایک ماڈل ہدایات پر عمل کرنا، شائستہ ہونا، اور نقصان دہ requestوں سے انکار کرنا سیکھتا ہے۔

💡 مشابہت: پہلے سے تربیت ایک عام تعلیم (اسکول اور یونیورسٹی) حاصل کرنے کی طرح ہے۔ پوسٹ ٹریننگ کام کی جگہ کی واقفیت کی طرح ہے: کمپنی کی ثقافت، مواصلات کا انداز، اور پیشہ ورانہ اصول سیکھنا۔

Fine-Tuning

موجودہ ماڈل کو مخصوص، چھوٹے ڈیٹاسیٹ پر مزید تربیت دینا تاکہ اسے کسی خاص ڈومین میں ماہر بنایا جا سکے۔

🔹 مثال: ایک عام مقصد کے ماڈل کو لے کر اور اسے ہزاروں پاکستانی ٹیکس قوانین پر ٹھیک کریں تاکہ یہ خاص طور پر ٹیکس ایڈوائزری میں اچھا ہو۔

💡 مشابہت: ایک عام ڈاکٹر کارڈیالوجسٹ بننے کے لیے اضافی تربیت مکمل کر رہا ہے۔ وہی بنیادی تعلیم، اب خصوصی۔

Parameters

ایک ماڈل کے اندرونی نمبر جو تربیت کے دوران ایڈجسٹ ہو جاتے ہیں۔ زیادہ پیرامیٹرز کا مطلب عام طور پر زیادہ قابل ماڈل ہوتا ہے۔ جدید LLMs میں اربوں یا کھربوں پیرامیٹرز ہیں۔

💡 مشابہت: پیرامیٹرز بڑے قالین میں انفرادی دھاگوں کی طرح ہیں۔ تربیت کے دوران، ہر دھاگے کو ایڈجسٹ کیا جاتا ہے (رنگ، تناؤ، جگہ کا تعین) جب تک کہ مکمل نمونہ سامنے نہ آجائے۔ 100 بلین پیرامیٹرز والے ماڈل میں 100 بلین دھاگے ہوتے ہیں جو ایک ناقابل یقین حد تک پیچیدہ پیٹرن بناتے ہیں۔

Weights

تربیت کے بعد پیرامیٹرز کی مخصوص عددی قدریں۔ جب کوئی کہتا ہے کہ "وزن ڈاؤن لوڈ کرنا"، تو اس کا مطلب ہے وہ فائل جس میں وہ تمام تربیت یافتہ نمبر ہیں: ماڈل کا سیکھا ہوا علم۔

Dataset

AI ماڈل کی تربیت یا جانچ کے لیے استعمال ہونے والے ڈیٹا کا مجموعہ۔

🔹 مثال: سپیم فلٹر کی تربیت کے لیے ڈیٹا سیٹ میں 1 ملین ای میلز شامل ہو سکتی ہیں، ہر ایک پر "سپیم" یا "اسپام نہیں" کا لیبل لگا ہوا ہے۔ ترجمہ ماڈل کی تربیت کے لیے ڈیٹا سیٹ میں انگریزی-اردو جملوں کے لاکھوں جوڑے ہو سکتے ہیں۔

Benchmark

مختلف AI ماڈلز کی کارکردگی کی پیمائش اور موازنہ کرنے کے لیے ایک معیاری ٹیسٹ۔

🔹 مثال: جس طرح CSS یا کیمبرج کے امتحانات آپ کو طلباء کا موازنہ کرنے دیتے ہیں، بینچ مارکس جیسے MMLU (عمومی علم) یا HumanEval (کوڈنگ کی اہلیت) محققین کو AI ماڈلز کا مناسب موازنہ کرنے دیتے ہیں۔

Inference

ایک تربیت یافتہ ماڈل کا عمل جو آپ کے ان پٹ پر ردعمل پیدا کرتا ہے۔ ہر بار جب آپ Claude کوئی سوال پوچھتے ہیں اور جواب حاصل کرتے ہیں، یہ نتیجہ ہے۔

💡 تشبیہ: تربیت امتحان کے لیے پڑھنا ہے۔ اندازہ امتحان میں بیٹھا ہے۔ سیکھنا پہلے ہی ہو چکا ہے: اب ماڈل وہی لاگو کرتا ہے جو اس نے سیکھا ہے۔ آپ تخمینہ کے لیے ادائیگی کرتے ہیں (ہر API کال کی قیمت ہوتی ہے)، تربیت کے لیے نہیں۔

---

3. LLM بنیادی باتیں

LLMs اس کتاب میں ہر AI ایجنٹ کو طاقت دینے والے انجن ہیں۔ یہ سیکشن بتاتا ہے کہ وہ عملی سطح پر کیسے کام کرتے ہیں۔

LLM (Large Language ماڈل)

ایک بہت بڑا AI ماڈل جس میں متن کی وسیع مقدار پر تربیت حاصل کی گئی ہے جو انسان جیسی زبان اور کوڈ کو سمجھ اور تیار کر سکتی ہے۔ Claude، GPT-4، اور Gemini سبھی LLMs ہیں۔

💡 مشابہت: LLM ایک ناقابل یقین حد تک پڑھے جانے والے ریسرچ اسسٹنٹ کی طرح ہے جس نے ہر ویکیپیڈیا مضمون، لاکھوں کتابیں، اور اربوں ویب صفحات پڑھے ہیں۔ آپ ان سے تقریبا کسی بھی چیز کے بارے میں پوچھ سکتے ہیں، اور وہ مدد کے لیے اس پڑھنے کو اپنی طرف متوجہ کریں گے: تحریر، تجزیہ، کوڈ، ترجمہ، اور بہت کچھ۔

Prompt

ان پٹ جو آپ AI ماڈل کو دیتے ہیں: آپ کا سوال، ہدایات، یا request۔ آپ کے پرامپٹ کا معیار براہ راست جواب کے معیار کو متاثر کرتا ہے۔

🔹 مثال: "مارکیٹنگ کے بارے میں کچھ لکھیں" ایک کمزور اشارہ ہے۔ "ایک 500 الفاظ کی LinkedIn پوسٹ لکھیں کہ پاکستانی ٹیکسٹائل ایکسپورٹرز کو آرڈر ٹریکنگ کے لیے AI ایجنٹوں کا استعمال کیوں کرنا چاہیے، پیشہ ورانہ لیکن بات چیت کے لہجے میں" ایک مضبوط اشارہ ہے۔

نظام Prompt

آپ کی گفتگو شروع ہونے سے پہلے AI کو دی گئی پوشیدہ ہدایات۔ ڈویلپر کے ذریعہ ترتیب دیا گیا ہے، صارف نے نہیں۔ وہ ماڈل کی شخصیت، رویے اور رکاوٹوں کو تشکیل دیتے ہیں۔

🔹 مثال: بینکنگ چیٹ بوٹ کا سسٹم پرامپٹ یہ کہہ سکتا ہے: "آپ HBL کے لیے ایک مددگار معاون ہیں۔ گاہک کی زبان کی بنیاد پر اردو یا انگریزی میں جواب دیں۔ OTP تصدیق کے بغیر کبھی بھی اکاؤنٹ بیلنس ظاہر نہ کریں۔ اگر قرض کے بارے میں پوچھا جائے تو براہ راست لون پیج پر جائیں۔"

💡 مشابہت: ایک سسٹم پرامپٹ ایک نئے ملازم کو پہلے دن مینیجر کی بریفنگ کی طرح ہے: "یہ ہے ہم کون ہیں، یہ ہے ہم کس طرح گاہکوں سے بات کرتے ہیں، یہ وہ ہے جو آپ کو کبھی نہیں کرنا چاہیے۔"

User Prompt

پیغام جو آپ (صارف) دراصل ٹائپ کرتے ہیں۔ یہ آپ کی گفتگو کا رخ ہے۔

Instruction

ایک پرامپٹ کے اندر ایک مخصوص ہدایت جو ماڈل کو بتاتی ہے کہ کیا کرنا ہے۔

🔹 مثال: "اس کا خلاصہ تین بلٹ پوائنٹس میں کریں،" "اردو میں ترجمہ کریں،" "اس کوڈ میں بگ کو ٹھیک کریں"، ہر ایک واضح ہدایت ہے۔

سیاق و سباق

گفتگو کے دوران ماڈل کے لیے دستیاب تمام معلومات: سسٹم پرامپٹ، گفتگو کی سرگزشت، اپ لوڈ کردہ دستاویزات، اور آپ کا موجودہ پیغام مشترکہ۔

💡 مشابہت: جب آپ کسی ساتھی سے کسی معاہدے کے بارے میں مشورہ طلب کرتے ہیں تو "سیاق و سباق" وہ سب کچھ ہوتا ہے جو وہ جانتے ہیں: کلائنٹ کی تاریخ، پچھلی ای میلز، معاہدے کی شرائط، آپ کی کمپنی کی پالیسیاں۔ جتنا زیادہ متعلقہ سیاق و سباق، اتنا ہی بہتر مشورہ۔

سیاق و سباق Window

متن کی زیادہ سے زیادہ مقدار LLM ایک ہی وقت میں پروسیس کر سکتی ہے، جس کی پیمائش ٹوکن میں کی جاتی ہے۔ اسے ماڈل کی "ورکنگ میموری" سمجھیں۔

🔹 مثال: Claude ماڈلز 200,000 سے لے کر 1 ملین سے زیادہ ٹوکنز کے سیاق و سباق کی ونڈوز پیش کرتے ہیں۔ یہاں تک کہ 200,000 ٹوکن بھی تقریبا 150,000 الفاظ ہیں (ایک پورا ناول)۔ پرانے ماڈلز صرف 4,000 ٹوکن (چند صفحات) کو ہینڈل کر سکتے ہیں۔

💡 مشابہت: سیاق و سباق Window میز کے سائز کی طرح ہوتی ہے۔ ایک چھوٹی میز میں صرف چند کاغذات ہوتے ہیں، اور آپ جگہ بنانے کے لیے پرانے کو ہٹاتے رہتے ہیں۔ ایک بہت بڑا ڈیسک آپ کو پورے پروجیکٹ کو پھیلانے اور ایک ساتھ سب کچھ دیکھنے دیتا ہے۔ بڑی سیاق و سباق Window = بڑی میز۔

Token

متن کی بنیادی اکائی LLM عمل کرتی ہے۔ ایک ٹوکن ایک لفظ کا تقریبا ¾ ہے۔ "دی" جیسے مختصر الفاظ ایک نشان ہیں۔ "ناقابل یقین" جیسے لمبے الفاظ 3-4 ٹوکنز میں تقسیم ہو جاتے ہیں۔ خالی جگہیں اور اوقاف بھی ٹوکن استعمال کرتے ہیں۔

🔹 مثال: "مجھے بریانی پسند ہے" ≈ 4 ٹوکن۔ متن کا پورا صفحہ ≈ 500-700 ٹوکن۔ AI APIs استعمال کرتے وقت آپ سے فی ٹوکن چارج کیا جاتا ہے۔

Completion / Generation

آپ کے پرامپٹ کے جواب میں ایک LLM آؤٹ پٹ تیار کرتا ہے۔ جب ماڈل آپ کی request کو "مکمل" کرتا ہے، تو وہ جواب تکمیل ہوتا ہے۔

Structured Output

جب کوئی LLM مکالماتی متن کی بجائے ایک مخصوص، مشین کے ذریعے پڑھنے کے قابل فارمیٹ (جیسے JSON) میں اپنا ردعمل پیدا کرتا ہے، تو دوسرے سافٹ ویئر آسانی سے اس پر کارروائی کر سکتے ہیں۔

🔹 مثال: "کراچی میں درجہ حرارت 35 ڈگری ہے اور دھوپ ہے" کے بجائے ایک منظم آؤٹ پٹ ہوگا: {"city": "Karachi", "temp": 35, "condition": "sunny"}۔ سافٹ ویئر اس فارمیٹ کو آسانی سے پڑھتا ہے۔

Hallucination

جب ایک AI ماڈل اعتماد کے ساتھ جھوٹی، غلط، یا من گھڑت معلومات پیدا کرتا ہے، اسے حقیقت کے طور پر پیش کرتا ہے۔

🔹 مثال: آپ سپریم کورٹ کے فیصلے کے بارے میں پوچھتے ہیں اور ماڈل ایک کیس ایجاد کرتا ہے (جعلی حوالہ نمبروں اور جعلی بینچ کے ساتھ مکمل) اور اسے اصلی کے طور پر پیش کرتا ہے۔

💡 تشابہ: ایک طالب علم جو امتحان میں جواب نہیں جانتا لیکن بہرحال بہت پر اعتماد، تفصیلی جواب لکھتا ہے۔ ایسا لگتا ہے جیسے یہ درست ہے، لیکن یہ مکمل طور پر بنا ہوا ہے۔

Grounding

ایک AI ماڈل کو حقائق پر مبنی، تصدیق شدہ ڈیٹا کے ذرائع سے جوڑنا تاکہ یہ فریب دینے کے بجائے درست جوابات دے۔

💡 مشابہت: گراؤنڈنگ ایسا ہے جیسے کسی طالب علم کو امتحان کے دوران اپنی نصابی کتاب استعمال کرنے دیں۔ اب ان کے جوابات حقیقی معلومات پر مبنی ہیں، ناقابل اعتماد میموری پر نہیں۔

Temperature

ایک ترتیب جو LLM کے جوابات میں تخلیقی صلاحیت بمقابلہ پیشین گوئی کو کنٹرول کرتی ہے۔ کم درجہ حرارت (0) = بہت مستقل۔ اعلی درجہ حرارت (1+) = زیادہ تخلیقی اور متنوع۔

💡 مشابہت: درجہ حرارت باورچی خانے میں شیف کی آزادی کی طرح ہے۔ درجہ حرارت 0: "نصیحت پر بالکل عمل کرے، کوئی متبادل نہیں۔" درجہ حرارت 1: "آزادانہ طور پر بہتر بنائیں۔" آپ دواؤں کی خوراک کے لیے درست ترکیبیں چاہتے ہیں، لیکن ایک نئی ڈش کے لیے تخلیقی آزادی چاہتے ہیں۔

Latency

request بھیجنے اور جواب موصول ہونے کے درمیان وقت کی تاخیر۔ کم تاخیر = تیز۔ ملی سیکنڈ یا سیکنڈ میں ناپا جاتا ہے۔

🔹 مثال: اگر Claude 1 سیکنڈ میں جواب دیتا ہے، تو یہ کم تاخیر ہے۔ اگر اس میں 15 سیکنڈ لگتے ہیں تو یہ زیادہ تاخیر ہے۔ صارفین 2-3 سیکنڈ سے زیادہ بے صبرے ہوجاتے ہیں۔

Throughput

ایک سسٹم فی یونٹ وقت کی کتنی requestوں کو سنبھال سکتا ہے۔ ہائی تھرو پٹ = بیک وقت بہت سے صارفین کی خدمت کرنا۔

💡 مشابہت: تاخیر سے مراد یہ ہے کہ ایک کار ٹول پلازہ سے کتنی تیزی سے گزرتی ہے۔ ٹول پلازہ فی گھنٹہ کتنی کاروں کو ہینڈل کرتا ہے۔ آپ کم تاخیر اور اعلی تھرو پٹ دونوں چاہتے ہیں۔

Deterministic vs. Non-Deterministic

ڈیٹرمنسٹک: ایک ہی ان پٹ ہمیشہ بالکل وہی آؤٹ پٹ تیار کرتا ہے (جیسے کیلکولیٹر: 2+2 ہمیشہ 4 کے برابر ہوتا ہے)۔ غیر متعین: ایک ہی ان پٹ ہر بار مختلف آؤٹ پٹ پیدا کر سکتا ہے۔

LLMs غیر متعین ہیں: ایک ہی سوال دو بار پوچھیں، اور آپ کو قدرے مختلف (لیکن اتنے ہی درست) جوابات مل سکتے ہیں۔ یہ کوئی بگ نہیں ہے؛ یہ بنیادی ہے کہ ٹیکنالوجی کیسے کام کرتی ہے۔

Stateless

الگ الگ تعاملات کے درمیان کوئی میموری نہیں ہے۔ LLM کے ساتھ ہر نئی گفتگو مطلق صفر سے شروع ہوتی ہے: ماڈل کو کسی پچھلی گفتگو کا علم نہیں ہے۔

💡 مشابہ: بھولنے کی بیماری میں مبتلا دکاندار۔ جب بھی آپ اندر جاتے ہیں، وہ آپ کو ایک اجنبی کی طرح سلام کرتے ہیں، چاہے آپ وہاں پانچ منٹ پہلے موجود ہوں۔ چیٹ ایپس ہر پیغام کے ساتھ گفتگو کی پوری تاریخ کو دوبارہ بھیج کر میموری کا illusion پیدا کرتی ہیں۔

Prompt انجینئرنگ

AI ماڈل سے بہترین ممکنہ پیداوار حاصل کرنے کے لیے واضح، مخصوص ہدایات تیار کرنے کی skill۔ نہ صرف "آپ کیا پوچھتے ہیں" بلکہ "آپ اسے کیسے پوچھتے ہیں۔"

🔹 مثال: "AI کے بارے میں لکھیں" کے بجائے ایک پرامپٹ انجینئر لکھتا ہے: "آپ ڈان اخبار کے لیے لکھنے والے ٹیکنالوجی صحافی ہیں۔ ایک 600 الفاظ پر مشتمل مضمون لکھیں جس میں بتایا جائے کہ پاکستانی بینک کس طرح دھوکہ دہی کا پتہ لگانے کے لیے AI ایجنٹس کا استعمال کر رہے ہیں۔ ایک حقیقی مثال شامل کریں۔ ایک غیر تکنیکی کاروبار کے لیے قابل رسائی آسان زبان استعمال کریں۔"

NLP (Natural Language Processing)

AI کی شاخ انسانی زبان کو سمجھنے، تشریح کرنے اور تخلیق کرنے سے متعلق ہے، وہ بنیاد جو LLMs کو ممکن بناتی ہے۔

🔹 مثال: جب آپ ٹوٹی پھوٹی انگریزی میں تلاش کا سوال ٹائپ کرتے ہیں اور Google پھر بھی سمجھتا ہے کہ آپ کا کیا مطلب ہے، تو یہ کام پر NLP ہے۔

Copilot

ایک AI اسسٹنٹ ایک سافٹ ویئر ماحول (جیسے کوڈ ایڈیٹر) میں ضم ہوتا ہے جو آپ کے ساتھ کام کرتا ہے تاکہ آپ کے کام کرتے وقت پیداواری صلاحیت کو بڑھانے، تجویز کرنے، خودکار تکمیل کرنے اور جائزہ لینے کے لیے کام کرے۔

🔹 مثال: GitHub Copilot آپ کے ٹائپ کرتے وقت کوڈ تجویز کرتا ہے۔ یہ ایسا ہی ہے جیسے کوئی باشعور ساتھی آپ کے کندھے پر نظر رکھے، آپ کے جملے مکمل کرے۔

---

4. علم، بازیافت، اور سیاق و سباق

یہ شرائط بیان کرتی ہیں کہ کس طرح AI ایجنٹ بہتر، زیادہ درست جوابات کے لیے بیرونی علم تک رسائی اور استعمال کرتے ہیں۔

RAG (Retrieval-Augmented Generation)

ایک تکنیک جہاں ایک AI پہلے بیرونی دستاویزات یا ڈیٹا بیس سے متعلقہ معلومات حاصل کرتا ہے، پھر اس معلومات کو زیادہ درست جواب پیدا کرنے کے لیے استعمال کرتا ہے۔

💡 مشابہت: کھلی کتاب کا امتحان دینا۔ صرف حفظ شدہ (ممکنہ طور پر غلط) علم پر انحصار کرنے کے بجائے، آپ اپنا جواب لکھنے سے پہلے اپنے حوالہ جاتی مواد میں مخصوص حقائق تلاش کرتے ہیں۔ RAG AI کو اپنی حوالہ لائبریری دیتا ہے۔

Embedding

متن کو عددی نقاط میں تبدیل کرنا تاکہ کمپیوٹر اس بات کی پیمائش کر سکے کہ متن کے مختلف ٹکڑے کتنے ملتے جلتے ہیں، معنی کی گرفت کرتے ہوئے، نہ صرف مطلوبہ الفاظ۔

💡 مشابہت: تصور کریں کہ ہر کتاب کو لائبریری میں ایک بڑے نقشے پر رکھیں جہاں ایک جیسی کتابیں ایک ساتھ جمع ہوں۔ باورچی کی کتابیں ایک دوسرے کے قریب بیٹھتی ہیں، فزکس کی نصابی کتابوں سے بہت دور۔ ایمبیڈنگز ریاضی کی جگہ میں یہ "مماثلت کا نقشہ" بناتے ہیں۔

Vector

ریاضی کی جگہ میں متن کے ٹکڑے کی نمائندگی کرنے والے اعداد کی فہرست۔ جب متن کو ایمبیڈنگ میں تبدیل کیا جاتا ہے، تو نتیجہ ایک ویکٹر ہوتا ہے۔

🔹 مثال: لفظ "کرکٹ" [0.8, 0.3, 0.7, 0.1, ...] بن سکتا ہے: نمبروں کی ایک لمبی فہرست جو کھیل اور کیڑے کے معنی دونوں کو حاصل کرتی ہے، جو ارد گرد کے سیاق و سباق سے ممتاز ہوتی ہے۔

Vector Database

ویکٹرز کو ذخیرہ کرنے اور تیزی سے تلاش کرنے کے لیے ایک خصوصی ڈیٹا بیس، مطلوبہ الفاظ کے عین مطابق مماثلت کے بجائے معنی کے لحاظ سے ملتے جلتے مواد کو تلاش کرنا۔

🔹 مثال: آپ کمپنی کے 10,000 دستاویزات کو ویکٹر کے طور پر اسٹور کرتے ہیں۔ جب کوئی پوچھے "ہماری واپسی کی پالیسی کیا ہے؟" ویکٹر ڈیٹا بیس فوری طور پر سب سے زیادہ متعلقہ دستاویزات تلاش کر لیتا ہے، چاہے ان میں سے کسی میں بھی درست جملہ "واپسی کی پالیسی" نہ ہو۔

💡 مشابہت: ایک روایتی ڈیٹا بیس عین مطلوبہ الفاظ کے ذریعے تلاش کرتا ہے (جیسے نام سے فون بک تلاش کرنا)۔ ایک ویکٹر ڈیٹا بیس معنی کے لحاظ سے تلاش کرتا ہے (جیسے کسی لائبریرین سے پوچھنا کہ "مجھے اس سے ملتی جلتی کتابیں تلاش کریں")۔

Semantic Search

عین مطابق مطلوبہ الفاظ کے بجائے معنی سے تلاش کرنا۔ "میں کسی پروڈکٹ کو کیسے واپس کروں؟" "ریفنڈ پروسیس" کے عنوان سے ایک دستاویز سے میل کھاتا ہے حالانکہ الفاظ بالکل مختلف ہیں۔

🔹 مثال: ایک ملازم کمپنی کے نالج بیس میں "وقت نکالنے کا طریقہ" تلاش کرتا ہے۔ سیمنٹک تلاش میں "سالانہ چھٹی کی پالیسی اور طریقہ کار" کے عنوان سے دستاویز ملتی ہے، حالانکہ تلاش کا کوئی بھی لفظ عنوان میں ظاہر نہیں ہوتا ہے۔ روایتی مطلوبہ الفاظ کی تلاش سے کچھ نہیں ملے گا۔

Retrieval

جواب پیدا کرنے میں استعمال کرنے کے لیے AI کے لیے ڈیٹا سورس (ڈیٹا بیس، دستاویزات کا مجموعہ، ویب) سے متعلقہ معلومات حاصل کرنا۔

🔹 مثال: ایک صارف آپ کے سپورٹ ایجنٹ سے پوچھتا ہے "لیپ ٹاپ پر آپ کی کیا وارنٹی ہے؟" ایجنٹ آپ کے علم کی بنیاد سے وارنٹی پالیسی کی دستاویز بازیافت کرتا ہے، متعلقہ سیکشن کو پڑھتا ہے، اور آپ کی اصل پالیسی کی بنیاد پر ایک درست جواب تیار کرتا ہے۔ اندازہ نہیں

Reranking

متعدد نتائج کی بازیافت کے بعد، انہیں مطابقت کے لحاظ سے دوبارہ ترتیب دیں تاکہ سب سے مفید نتیجہ پہلے ظاہر ہو: ابتدائی تلاش کے بعد ایک معیاری فلٹر۔

Chunking / Chunk

ایک بڑی دستاویز کو چھوٹے چھوٹے ٹکڑوں میں توڑنا تاکہ انہیں انفرادی طور پر ذخیرہ اور تلاش کیا جا سکے۔

🔹 مثال: 200 صفحات پر مشتمل HR دستی کو پیراگراف کے سائز کے حصوں میں تقسیم کیا گیا ہے۔ جب کوئی چھٹی کی پالیسی کے بارے میں پوچھتا ہے، تو نظام صرف 3-4 سب سے زیادہ متعلقہ پیراگراف کو بازیافت کرتا ہے، نہ کہ پورا مینوئل۔

Knowledge Base

معلومات کا ایک منظم مجموعہ (دستاویزات، عمومی سوالنامہ، دستورالعمل، پالیسیاں) جسے AI تلاش اور حوالہ دے سکتا ہے۔

🔹 مثال: ایک کمپنی کی اندرونی ویکی جس میں پروڈکٹ کے دستاویزات، HR پالیسیاں، اور تربیتی مواد شامل ہیں، اس طرح تشکیل دیا گیا ہے کہ ایک AI ایجنٹ فوری طور پر جوابات تلاش کر سکے۔

Grounding Data

AI ماڈل سے منسلک مخصوص حقائق پر مبنی اعداد و شمار فریب سے لگائے گئے اندازوں کے بجائے درست، حقیقت پر مبنی ردعمل کو یقینی بنانے کے لیے۔

MCP (ماڈل سیاق و سباق Protocol)

ایک کھلا معیار (Anthropic کے ذریعے تخلیق کیا گیا، جو اب لینکس فاؤنڈیشن کے زیر انتظام ہے) جو کسی بھی AI ایجنٹ کو یونیورسل پروٹوکول کا استعمال کرتے ہوئے کسی بھی بیرونی ٹول سے منسلک ہونے دیتا ہے: تلاش، ڈیٹا بیس، ای میل، کیلنڈر، فائل سسٹم۔ MCP ایجنٹوں کو کال کرنے والے ٹولز کا پروٹوکول ہے۔ علیحدہ پروٹوکول فیملی کے لیے جو ان ٹولز کی ادائیگی کرنے والے ایجنٹوں کو سنبھالتا ہے، سیکشن 11 دیکھیں: ACP، AP2، x402، اور MPP۔

💡 مشابہت: USB سے پہلے، ہر فون کا چارجر مختلف ہوتا تھا۔ یو ایس بی یونیورسل کنیکٹر بن گیا۔ MCP AI ایجنٹس کے لیے "USB سٹینڈرڈ" ہے: ایک پروٹوکول جو کسی بھی ایجنٹ کو کسی بھی ٹول میں پلگ کرنے دیتا ہے۔ ایک بار اپنا ایجنٹ بنائیں، اسے ہر چیز سے جوڑیں۔

Connector

MCP یا کسی دوسرے protocol کے ذریعے AI ایجنٹ کو کسی بیرونی سروس سے جوڑنے والا ایک مخصوص integration۔

🔹 مثال: ایک "Gmail کنیکٹر" ایک AI ایجنٹ کو ای میلز پڑھنے، تلاش کرنے اور بھیجنے دیتا ہے۔ ایک "گوگل ڈرائیو کنیکٹر" اسے دستاویزات کو پڑھنے اور تخلیق کرنے دیتا ہے۔

نظام Integration

مختلف سافٹ ویئر سسٹمز کو جوڑنا تاکہ وہ ڈیٹا کا اشتراک کریں اور بغیر کسی رکاوٹ کے ایک ساتھ کام کریں: کسی بھی انٹرپرائز ایجنٹ کی تعیناتی کے پیچھے "پلمبنگ"۔

🔹 مثال: آپ کے Digital FTE کو Salesforce سے کسٹمر ڈیٹا پڑھنے، SAP میں انوینٹری چیک کرنے، JazzCash کے ذریعے ادائیگیوں پر کارروائی کرنے اور ای میل کے ذریعے تصدیقات بھیجنے کی ضرورت ہے۔ سسٹم انٹیگریشن چاروں سسٹم کو جوڑتا ہے تاکہ ایجنٹ ایک ہی ورک فلو میں ان پر کام کر سکے۔

---

5. ایجنٹی AI تصورات

اس کتاب کا دل: AI نظام جو نہ صرف سوالات کے جوابات دیتے ہیں بلکہ کارروائی کرتے ہیں۔

ایجنٹ (or AI ایجنٹ)

ایک AI نظام جو ہر قدم پر انسان کی رہنمائی کیے بغیر اپنے ماحول کو آزادانہ طور پر دیکھ سکتا ہے، فیصلے کر سکتا ہے، اور مقصد حاصل کرنے کے لیے اقدامات کر سکتا ہے۔

🔹 مثال: چیٹ بوٹ صرف سوالات کے جوابات دیتا ہے۔ ایک AI ایجنٹ کو ایک ہدف ملتا ہے جیسے کہ "مجھے اگلے جمعہ کو کراچی سے دبئی کی سب سے سستی پرواز تلاش کریں" اور پھر ایئر لائنز کو تلاش کرتا ہے، قیمتوں کا موازنہ کرتا ہے، آپ کا کیلنڈر چیک کرتا ہے، اور ٹکٹ بک کرتا ہے، یہ سب کچھ خود ہی کرتا ہے۔

💡 مشابہت: چیٹ بوٹ ایک لائبریرین ہوتا ہے جو میز کے پیچھے سے سوالات کا جواب دیتا ہے۔ ایک ایجنٹ ایک پرسنل اسسٹنٹ ہوتا ہے جو آپ کی request لیتا ہے اور کام کرنے کے لیے دنیا میں جاتا ہے۔

Agentic AI

AI کا زمرہ ایسے ایجنٹوں کی تعمیر پر مرکوز ہے جو خود مختاری سے منصوبہ بندی، وجہ، عمل اور موافقت کرتے ہیں۔ یہ 2026 میں AI کی سرحد ہے۔

General ایجنٹ

وسیع پیمانے پر کاموں کے لیے قدرتی زبان کے ذریعے استعمال ہونے والا AI ایجنٹ۔ یہ ایک مخصوص کام کے لیے نہیں بنایا گیا ہے۔ یہ ایک ورسٹائل "سوئس آرمی چاقو" ہے جو کوڈنگ، تحریر، تحقیق، فائل مینجمنٹ اور بہت کچھ میں مدد کر سکتا ہے۔

🔹 مثال: Claude Code ایک عام ایجنٹ ہے: آپ اسے فائلوں کو منظم کرنے، API لکھنے، اسپریڈشیٹ کا تجزیہ کرنے، یا Python کی غلطی کو ڈیبگ کرنے کے لیے کہہ سکتے ہیں۔ یہ قدرتی زبان کی ہدایات کا استعمال کرتے ہوئے، آپ کی ضرورت کے مطابق ڈھال لیتا ہے۔

💡 مشابہت: ایک عام ایجنٹ ایک انتہائی قابل ایگزیکٹو اسسٹنٹ کی طرح ہوتا ہے۔ آپ انہیں ایک کام کے لیے نہیں رکھتے۔ آپ انہیں ہر روز مختلف اسائنمنٹ دیتے ہیں، اور وہ یہ جان لیتے ہیں کہ ہر ایک کو کیسے انجام دیا جائے۔

Autonomy

وہ ڈگری جس تک ایک AI ایجنٹ ہر قدم پر انسانی منظوری کے بغیر آزادانہ طور پر کام کر سکتا ہے۔

💡 مشابہت: ایک جونیئر ملازم جس کو ہر ای میل کے لیے اجازت درکار ہوتی ہے اس کی خودمختاری کم ہوتی ہے۔ ایک سینئر ڈائریکٹر جو آزادانہ طور پر فیصلے کرتا ہے اسے اعلی خود مختاری حاصل ہوتی ہے۔ ایجنٹ اسی سپیکٹرم پر موجود ہیں: کچھ کو ہر عمل کے لیے انسانی منظوری کی ضرورت ہوتی ہے۔ دوسرے متعین حدود کے اندر مکمل آزادی کے ساتھ کام کرتے ہیں۔

Reasoning

ایک ایجنٹ کی کسی مسئلے کے بارے میں منطقی طور پر سوچنے کی صلاحیت: معلومات کا تجزیہ کرنا، اختیارات کا وزن کرنا، اور کام کرنے سے پہلے نتائج اخذ کرنا۔

🔹 مثال: آپ کسی ایجنٹ سے پوچھتے ہیں: "کیا ہمیں پہلے لاہور یا اسلام آباد میں لانچ کرنی چاہیے؟" ایک غیر معقول ایجنٹ صرف ایک کا انتخاب کر سکتا ہے۔ ایک استدلال ایجنٹ تجزیہ کرتا ہے: "لاہور کی آبادی 2x ہے، لیکن اسلام آباد کی فی کس آمدنی زیادہ ہے۔ آپ کی پروڈکٹ پیشہ ور افراد کو نشانہ بناتی ہے، اس لیے اسلام آباد کی آبادیات بہتر فٹ ہیں۔ میں پہلے اسلام آباد کی سفارش کرتا ہوں، پھر مہینے 3 میں لاہور۔"

Acting

جب کوئی ایجنٹ حقیقت میں حقیقی دنیا میں کچھ کرتا ہے: ای میل بھیجنا، فائل لکھنا، API سے استفسار کرنا، آرڈر دینا، ملاقات کا وقت بک کرنا۔

Planning

ایک ایجنٹ کی ایک پیچیدہ مقصد کو مراحل کی ترتیب میں توڑنے اور ان پر عمل کرنے کے حکم کا تعین کرنے کی صلاحیت۔

🔹 مثال: آپ ایک ایجنٹ سے کہتے ہیں: "پاکستانی سیمنٹ کی برآمدات پر مارکیٹ تجزیہ رپورٹ تیار کریں۔" ایجنٹ کا منصوبہ ہے: (1) برآمدی ڈیٹا کی تلاش، (2) حریف کی معلومات جمع کریں، (3) رجحانات کا تجزیہ کریں، (4) رپورٹ لکھیں، (5) فارمیٹ کریں اور PDF کے طور پر برآمد کریں۔

Task Decomposition

ایک بڑے، پیچیدہ کام کو چھوٹے، قابل انتظام ذیلی کاموں میں توڑنا جنہیں انفرادی طور پر حل کیا جا سکتا ہے۔

💡 مشابہت: "شادی کا منصوبہ بنائیں" ایک کام کے طور پر بہت زیادہ ہے۔ گلنا: ایک مقام تلاش کریں، کیٹرر کا انتخاب کریں، دعوت نامے ڈیزائن کریں، پھولوں کا بندوبست کریں، فوٹوگرافر کی hire کریں۔ ہر ذیلی کام قابل حل ہے۔ AI ایجنٹس پیچیدہ اہداف کو اسی طرح تحلیل کرتے ہیں۔

Orchestration

ایک ساتھ کام کرنے کے لیے متعدد ایجنٹوں یا ٹولز کو مربوط کرنا، ان کے درمیان معلومات کے بہاؤ کا انتظام کرنا۔

💡 مشابہت: کرکٹ ٹیم کا کپتان ایک ساتھ بولنگ، بیٹنگ اور فیلڈنگ نہیں کرتا۔ وہ فیلڈرز کو پوزیشن دیتے ہیں، باؤلنگ کی گردش طے کرتے ہیں، اور میچ کی صورتحال کی بنیاد پر حکمت عملی کو ایڈجسٹ کرتے ہیں۔ ایجنٹ آرکیسٹریشن اسی طرح کام کرتا ہے: ایک مشترکہ مقصد کی طرف ماہرین کو مربوط کرنا۔

Multi-ایجنٹ نظام

ایک ایسا نظام جہاں ایک سے زیادہ AI ایجنٹس تعاون کرتے ہیں (ہر ایک کام کے مختلف حصوں کو سنبھالتا ہے) کچھ ایسا کرنے کے لیے جسے کوئی اکیلا نہیں کر سکتا۔

🔹 مثال: ایک ایجنٹ مسابقتی قیمتوں کی تحقیق کرتا ہے، دوسرا تجزیہ کا مسودہ تیار کرتا ہے، تیسرا سلائیڈز کو فارمیٹ کرتا ہے، اور چوتھا اسپیکر نوٹس تیار کرتا ہے۔ وہ ایک ٹیم کے طور پر کام کرتے ہیں۔

Supervisor ایجنٹ

ایک ایجنٹ جس کا کام دوسرے ایجنٹوں کو مربوط اور منظم کرنا ہے: کاموں کی تقسیم، پیشرفت کی نگرانی، اور نتائج جمع کرنا۔

💡 مشابہت: تعمیراتی سائٹ کا فورمین۔ وہ اینٹ یا تار کی دکانیں نہیں بچھاتے ہیں۔ وہ ہر کام کے لیے ماہرین کو تفویض کرتے ہیں، معیار کی جانچ کرتے ہیں، اور اس بات کو یقینی بناتے ہیں کہ سب کچھ صحیح طریقے سے آتا ہے۔

Handoff

جب ایک ایجنٹ ایک کام (اور اس کا سیاق و سباق) دوسرے ایجنٹ کو دیتا ہے، جیسے ریلے رنر دوسرے کو لاٹھی منتقل کرتا ہے۔

Tool Use / Function Calling

ایجنٹ کی صرف میموری سے ٹیکسٹ بنانے کی بجائے بیرونی ٹولز (ویب پر تلاش کرنا، ڈیٹا بیس سے استفسار کرنا، ای میلز بھیجنا، کوڈ چلانا) استعمال کرنے کی صلاحیت۔

💡 مشابہت: ایک شخص جو صرف میموری سے سوالات کا جواب دے رہا ہے بمقابلہ وہ شخص جو فون اٹھا سکتا ہے، لیپ ٹاپ کھول سکتا ہے اور چیزوں کو دیکھ سکتا ہے۔ Tool Use ایجنٹ کو اس کے تربیتی ڈیٹا سے باہر کی دنیا تک رسائی فراہم کرتا ہے۔

State

کسی بھی وقت کسی سسٹم کی موجودہ حالت یا ڈیٹا۔ "ریاست کو برقرار رکھنے" کا مطلب ہے یاد رکھنا کہ چیزیں ایک جاری عمل میں کہاں کھڑی ہیں۔

🔹 مثال: آپ 10 صفحات کا نادرا فارم آن لائن بھر رہے ہیں اور آپ صفحہ 7 پر ہیں۔ "ریاست" میں وہ سب کچھ شامل ہے جو آپ نے صفحہ 1-6 پر درج کیا ہے اور اس کے علاوہ آپ اس وقت کس صفحہ پر ہیں۔

Memory (ایجنٹ Memory)

وہ طریقہ کار جو ایجنٹ کو تمام تعاملات میں معلومات کو یاد رکھنے دیتے ہیں: پچھلی بات چیت، صارف کی ترجیحات، یا سیکھے گئے حقائق۔

💡 مشابہت: ریاست مختصر مدت کی یادداشت ہے (ابھی اس گفتگو میں کیا ہو رہا ہے)۔ یادداشت طویل مدتی میموری ہے (ماضی کی گفتگو میں کیا ہوا)۔ یادداشت کے بغیر، ہر تعامل صفر سے شروع ہوتا ہے۔

Session

صارف اور اے آئی سسٹم کے درمیان ایک ہی مسلسل تعامل۔ نئی چیٹ شروع کرنا = ایک نیا سیشن شروع کرنا۔

Reflection

جب کوئی ایجنٹ اپنے آؤٹ پٹ کا جائزہ لیتا ہے، غلطیوں یا کمزوریوں کی نشاندہی کرتا ہے، اور بہتری کے ساتھ دوبارہ کوشش کرتا ہے۔

💡 مشابہ: ایک مصنف جو مسودہ ختم کرتا ہے، اسے دوبارہ پڑھتا ہے، کمزور دلائل کو نوٹ کرتا ہے، اور جمع کرانے سے پہلے نظر ثانی کرتا ہے۔ ایجنٹ یہ خود بخود کرتا ہے۔

Retry / Fallback

دوبارہ کوشش کریں: ناکام ہونے پر دوبارہ اسی کارروائی کی کوشش کرنا (شاید سرور عارضی طور پر دستیاب نہ ہو)۔ فال بیک: جب پرائمری ناکام ہوتی رہتی ہے تو متبادل نقطہ نظر کی طرف جانا۔

🔹 مثال: ایجنٹ ویب سائٹ سے ڈیٹا حاصل کرنے کی کوشش کرتا ہے۔ سائٹ بند ہے (دوبارہ کوشش کریں: 30 سیکنڈ میں دوبارہ کوشش کریں)۔ 3 دوبارہ کوششوں کے بعد بھی نیچے (فال بیک: اسی معلومات کے لیے ایک مختلف ڈیٹا سورس آزمائیں)۔

Guardrails

حفاظتی پابندیاں جو ایجنٹ کو نقصان دہ، نامناسب یا غیر مجاز اقدامات کرنے سے روکتی ہیں۔ Guardrails کا مالی ورژن - اخراجات کی حدیں، وینڈر کی اجازت کی فہرستیں، آڈٹ ٹرگرز - اتھارٹی کا لفافہ ہے۔ سیکشن 11 دیکھیں۔

🔹 مثال: ایک مالیاتی ایجنٹ کے پاس ایک گارڈریل ہے جو روپے سے زیادہ کے لین دین کو روکتا ہے۔ 5,000,000 انسانی منظوری کے بغیر۔ کسٹمر سروس ایجنٹ کے پاس ریفنڈز کے بارے میں وعدے کرنے سے روکتا ہے جو اس کی ضمانت نہیں دے سکتا۔

💡 مشابہت: موٹر وے پر گارڈریل کاروں کو سڑک سے دور جانے سے روکتے ہیں۔ AI Guardrails ایجنٹوں کو حدود سے باہر جانے سے روکتے ہیں۔

HITL (Human in the Loop)

ایک ڈیزائن کا نمونہ جہاں ایک انسان ایجنٹ کے ورک فلو میں اہم نکات پر جائزہ لیتا ہے، منظوری دیتا ہے یا مداخلت کرتا ہے۔

🔹 مثال: ایک ایجنٹ کلائنٹ کے ای میل کا مسودہ تیار کرتا ہے، لیکن اسے اس وقت تک نہیں بھیجا جاتا جب تک کہ کوئی انسان اسے پڑھ کر اس کی منظوری نہ دے دے۔ ایجنٹ 80% کام کرتا ہے۔ انسان 10 فیصد تصدیق فراہم کرتا ہے۔

Reliability

ایک ایجنٹ کس طرح مستقل طور پر درست، متوقع نتائج پیدا کرتا ہے۔ ایک قابل اعتماد ایجنٹ اسے 100 میں سے 99 بار درست کرتا ہے، 60 بار نہیں۔

🔹 مثال: ایک قابل اعتماد انوائس پروسیسنگ ایجنٹ مختلف فارمیٹس، زبانوں اور لے آؤٹس میں 99% انوائسز سے وینڈر کا نام، رقم، مقررہ تاریخ اور ٹیکس درست طریقے سے نکالتا ہے۔ ایک ناقابل اعتماد شخص غیر معمولی ترتیب سے الجھ جاتا ہے اور وقت کا 20% غلط پڑھتا ہے۔ قابل فروخت مصنوعات اور ذمہ داری کے درمیان فرق۔

Verifiability

چیک کرنے اور اس بات کی تصدیق کرنے کی صلاحیت کہ ایجنٹ کا آؤٹ پٹ درست ہے، کہ اس کا کوڈ ٹیسٹ پاس کرتا ہے، اس کی تعداد میں اضافہ ہوتا ہے، اس کے حوالہ جات موجود ہیں۔

Auditability

ایجنٹ کے ہر فیصلے اور کارروائی کے بارے میں پتہ لگانے کی صلاحیت، یہ سمجھتے ہوئے کہ اس نے کیا کیا اور کیوں کیا۔

💡 مشابہت: ایک بینک اسٹیٹمنٹ ہر لین دین کا پتہ لگاتا ہے۔ AI ایجنٹ کے لیے ایک آڈٹ ٹریل ہر فیصلے، ٹول کال، اور آؤٹ پٹ کو ٹریس کرتا ہے، جو تعمیل اور ڈیبگنگ کے لیے اہم ہیں۔

Workflow

ایک ایجنٹ شروع سے ختم ہونے تک کسی کام کو مکمل کرنے کے لیے اقدامات کا ایک متعین سلسلہ۔

💡 مشابہت: ایک ورک فلو ایک نسخہ کی طرح ہوتا ہے: مرحلہ وار ہدایات جن پر صحیح طریقے سے عمل کیا جائے تو ایک متوقع نتیجہ نکلتا ہے۔

---

6. پروگرامنگ اور سافٹ ویئر کی شرائط

آپ کو پروگرامر بننے کی ضرورت نہیں ہے، لیکن آپ کو ان کا سامنا کرنا پڑے گا۔

Python

AI میں سب سے زیادہ مقبول پروگرامنگ زبان: پڑھنے کے قابل، ورسٹائل، اور اس کتاب میں بنیادی زبان۔ تقریبا ہر AI فریم ورک پہلے Python کو سپورٹ کرتا ہے۔

💡 Python کیوں؟ Python تقریبا انگریزی کی طرح پڑھتا ہے۔ if age > 18: print("Adult") قابل فہم ہے چاہے آپ نے کبھی کوڈ نہ کیا ہو۔ یہ پڑھنے کی اہلیت یہ ہے کہ AI دنیا نے Python کا انتخاب کیوں کیا، اور یہ کتاب اسے کیوں سکھاتی ہے۔ شروع کرنے سے پہلے آپ کو Python جاننے کی ضرورت نہیں ہے۔ حصہ 4 آپ کو شروع سے سکھاتا ہے۔

TypeScript

جاوا اسکرپٹ کا ٹائپ شدہ سپر سیٹ جو ویب applications اور ریئل ٹائم انٹرفیس کے لیے استعمال ہوتا ہے۔ اس کتاب کے حصہ 9 میں شامل ہے۔

Frontend

application کا وہ حصہ جسے صارفین دیکھتے اور ان کے ساتھ تعامل کرتے ہیں: بٹن، مینیو، ٹیکسٹ، اسکرین پر تصاویر۔

🔹 مثال: جب آپ Daraz.pk استعمال کرتے ہیں تو پروڈکٹ کی تصاویر، سرچ بار، شاپنگ کارٹ، اور چیک آؤٹ پیج فرنٹ اینڈ ہوتے ہیں۔

Backend

پردے کے پیچھے چلنے والا حصہ (سرور، ڈیٹا بیس، کاروباری منطق) جسے صارفین کبھی براہ راست نہیں دیکھتے۔

🔹 مثال: جب آپ Daraz پر "Place Order" پر کلک کرتے ہیں، تو بیک اینڈ آپ کی ادائیگی پر کارروائی کرتا ہے، انوینٹری چیک کرتا ہے، بیچنے والے کو مطلع کرتا ہے، اور ڈیلیوری کا شیڈول بناتا ہے۔

Full-Stack

ایک ڈویلپر یا application جو فرنٹ اینڈ اور بیک اینڈ دونوں کو ہینڈل کرتی ہے۔

API (Application Programming Interface)

مختلف سافٹ ویئر پروگراموں کو ایک دوسرے کے ساتھ بات چیت کرنے کی اجازت دینے والے قواعد کا ایک مجموعہ۔ APIs یہ ہیں کہ ایجنٹ بیرونی دنیا کے ساتھ کیسے تعامل کرتے ہیں۔

💡 مشابہت: ایک ریستوراں کا مینو API جیسا ہوتا ہے۔ آپ (گاہک) مینو (API دستاویزات) کو دیکھتے ہیں، آرڈر دیتے ہیں (request دیتے ہیں) اور کچن (سرور) آپ کا کھانا تیار کرتا ہے (جواب بھیجتا ہے)۔ آپ کو یہ جاننے کی ضرورت نہیں ہے کہ کچن کیسے کام کرتا ہے۔ آپ صرف مینو کا استعمال کرتے ہیں.

SDK (سافٹ ویئر Development Kit)

ایک مخصوص پلیٹ فارم پر applications تیار کرنے کے لیے پہلے سے تیار کردہ ٹول کٹ۔

💡 مشابہت: SDK ایک LEGO سیٹ کی طرح ہے: ہدایات کے ساتھ پہلے سے شکل والے ٹکڑے تاکہ آپ کچی لکڑی سے ہر ٹکڑے کو تراشنے کے بجائے تیزی سے مخصوص چیزیں بنا سکیں۔

CLI (Command-Line Interface)

بٹنوں پر کلک کرنے کے بجائے کمانڈ ٹائپ کرکے کمپیوٹر کے ساتھ بات چیت کرنے کا متن پر مبنی طریقہ۔

🔹 مثال: فائل کو فولڈر میں گھسیٹنے کے بجائے، آپ mv report.pdf documents/ ٹائپ کریں۔ Claude Code مکمل طور پر CLI کے ذریعے چلتا ہے۔

HTTP / HTTPS

ویب کا مواصلاتی پروٹوکول۔ ہر ویب سائٹ کا دورہ، ہر API کال HTTP (یا اس کا محفوظ ورژن، HTTPS) استعمال کرتا ہے۔

💡 تشبیہ: HTTP انٹرنیٹ کا پوسٹل سسٹم ہے۔ آپ کا براؤزر ایک خط (request) لکھتا ہے، اسے ویب سائٹ پر ایڈریس کرتا ہے، اور ویب سائٹ اسی سسٹم کے ذریعے جواب (جواب) واپس بھیجتی ہے۔

REST (Representational State Transfer)

ویب APIs کو ڈیزائن کرنے کے لیے ایک وسیع پیمانے پر استعمال کیا جانے والا معیار: سادہ، predictable، اور HTTP پر مبنی۔

Endpoint

ایک مخصوص URL جہاں API کو requestیں موصول ہوتی ہیں۔ ہر endpoint ایک مخصوص فنکشن کو ہینڈل کرتا ہے۔

🔹 مثال: api.weather.com/current?city=Karachi ایک endpoint ہے: وہ مخصوص پتہ جہاں آپ کراچی کا موسم پوچھتے ہیں۔

Request / Response

request: کلائنٹ کی طرف سے سرور کو ایک پیغام جو کچھ مانگ رہا ہے۔ جواب: سرور کا جواب۔

💡 مشابہ: آپ ویٹر سے دن کا سوپ مانگتے ہیں (request)۔ ویٹر "حلیم" (جواب) کے ساتھ لوٹتا ہے۔

JSON (JavaScript Object Notation)

ڈیٹا کو ذخیرہ کرنے اور تبادلہ کرنے کے لیے ایک ہلکا پھلکا، انسانی پڑھنے کے قابل فارمیٹ۔ AI دنیا میں معیاری ڈیٹا فارمیٹ۔

🔹 Example:

{
 "name": "Ahmed Khan",
 "city": "Lahore",
 "role": "Software Engineer"
}

ڈیٹا کے ہر ٹکڑے پر واضح لیبل اور قدر ہوتی ہے۔ سافٹ ویئر JSON آسانی سے پڑھتا ہے۔

Schema

ڈیٹا کو کس طرح منظم کیا جاتا ہے اس کا ڈھانچہ یا خاکہ: کون سے فیلڈز موجود ہیں، ہر فیلڈ کس قسم کا ہے، اور کون سا مطلوب ہے۔

💡 مشابہ: ایک خالی نادرا فارم ایک اسکیما ہے: "نام یہاں (متن) جاتا ہے، CNIC یہاں جاتا ہے (نمبر)، تاریخ پیدائش یہاں جاتی ہے (تاریخ)۔ بھرا ہوا فارم ڈیٹا ہے؛ خالی شکل اسکیما ہے۔

Validation

جانچنا کہ ڈیٹا متوقع اسکیما سے میل کھاتا ہے: صحیح فارمیٹ، صحیح قسم، کچھ بھی غائب نہیں۔

🔹 مثال: ایک آن لائن فارم جو آپ کی جمع آوری کو مسترد کرتا ہے کیونکہ آپ نے فون نمبر کے خانے میں خطوط ٹائپ کیے ہیں: یہ ایک غلطی پکڑنے کی توثیق ہے۔

Library / Package

پہلے سے لکھا ہوا کوڈ دوسروں کے ذریعہ بنایا اور شیئر کیا گیا ہے تاکہ آپ کو شروع سے عام فعالیت لکھنے کی ضرورت نہ ہو۔

🔹 مثال: اپنا ای میل بھیجنے والا کوڈ لکھنے کے بجائے، آپ sendgrid نامی لائبریری استعمال کرتے ہیں جو تمام پیچیدگیوں کو سنبھالتی ہے۔

فریم ورک

لائبریری سے بڑی، زیادہ منظم ٹول کٹ۔ ایک فریم ورک آپ کی request کا فن تعمیر فراہم کرتا ہے اور اس بات کی وضاحت کرتا ہے کہ آپ کا کوڈ کس طرح منظم ہے۔

💡 مشابہت: ایک لائبریری انفرادی فرنیچر خریدنے کی طرح ہے۔ ایک فریم ورک پہلے سے بنایا ہوا گھر خریدنے جیسا ہے جہاں آپ کمروں کو اپنی مرضی کے مطابق بناتے ہیں۔ FastAPI ایک فریم ورک ہے۔ ایک JSON پارسنگ ٹول ایک لائبریری ہے۔

Dependency

ایک بیرونی لائبریری جو آپ کے پروجیکٹ کو کام کرنے کی ضرورت ہے۔

🔹 مثال: آپ کا پروجیکٹ FastAPI استعمال کرتا ہے، اور FastAPI کو Starlette نامی لائبریری کی ضرورت ہے۔ سٹارلیٹ ایک انحصار ہے: آپ کا پروجیکٹ بالواسطہ اس پر منحصر ہے۔

Repo (Repository)

Git کے ذریعے ٹریک کردہ ایک پروجیکٹ فولڈر جس میں تمام کوڈ، فائلیں، اور تبدیلیوں کی مکمل تاریخ ہے۔

Git

ایک ورژن کنٹرول سسٹم جو آپ کے کوڈ میں ہر تبدیلی کو ریکارڈ کرتا ہے: کس نے کیا، کب، اور کیوں تبدیل کیا۔ آپ ہمیشہ کسی بھی پچھلے ورژن پر واپس جا سکتے ہیں۔

💡 تشابہ: Git Microsoft ورڈ میں "ٹریک چینجز" کی طرح ہے، لیکن پورے سافٹ ویئر پروجیکٹس کے لیے۔ ہر ترمیم ریکارڈ کی جاتی ہے۔ ہر ورژن قابل بازیافت ہے۔ ٹیم کے تعاون کے لیے ضروری ہے۔

GitHub

Git ذخیروں کی میزبانی کے لیے کلاؤڈ پلیٹ فارم: دنیا کا سب سے بڑا کوڈ شیئرنگ پلیٹ فارم جہاں ڈویلپرز تعاون کرتے ہیں۔

Environment Variable / .env

آپ کے کوڈ کے باہر ذخیرہ کردہ ایک ترتیب ( .env نامی فائل میں) جس میں پاس ورڈز اور API کیز جیسی حساس معلومات شامل ہیں۔

🔹 مثال: آپ کی OpenAI API کلید .env میں OPENAI_API_KEY=sk-abc123... کے بطور محفوظ ہے لہذا یہ آپ کے عوامی کوڈ میں کبھی ظاہر نہیں ہوتی ہے۔

Synchronous

ایک وقت میں ایک ترتیب سے ہونے والے آپریشنز۔ ہر قدم پچھلے ایک کے ختم ہونے کا انتظار کرتا ہے۔

💡 مشابہت: اسٹور پر ایک ہی چیک آؤٹ کاؤنٹر۔ اگلا شروع ہونے سے پہلے ہر گاہک کو مکمل طور پر پیش کیا جاتا ہے۔ جب قطار ہو تو سادہ لیکن سست۔

Asynchronous

آپریشنز جو بیک وقت چل سکتے ہیں۔ پروگرام ایک کام شروع کرتا ہے اور اس کے ختم ہونے کا انتظار کیے بغیر آگے بڑھتا ہے۔

💡 مشابہت: متعدد چیک آؤٹ کاؤنٹرز ایک ساتھ کھلتے ہیں، نیز ایک سیلف سروس کیوسک۔ صارفین کو متوازی طور پر پیش کیا جاتا ہے۔ مجموعی طور پر بہت تیز: اس طرح جدید AI ایجنٹ متعدد ٹول کالز کو ہینڈل کرتے ہیں۔

Event-Driven ڈھانچہ

ایک ایسا سافٹ ویئر ڈیزائن جہاں سسٹم کسی سخت، پہلے سے طے شدہ ترتیب کی پیروی کرنے کے بجائے واقعات (جو کچھ ہوتا ہے) کا جواب دیتا ہے۔

🔹 مثال: دروازے کی گھنٹی ایونٹ سے چلنے والی ہوتی ہے (یہ صرف دبانے پر بجتی ہے۔ آپ ہر 5 منٹ بعد دروازہ نہیں چیک کرتے؛ جب واقعہ ہوتا ہے تو آپ جواب دیتے ہیں۔ AI ایجنٹ اکثر اس طرح کام کرتے ہیں) آنے والے پیغامات، ٹول کے نتائج اور اطلاعات کا جواب دینا۔

Variable

کوڈ میں ایک نامزد کنٹینر جو ایک قدر ذخیرہ کرتا ہے۔ price = 500 کا مطلب ہے متغیر price 500 رکھتا ہے۔

Function

کوڈ کا دوبارہ قابل استعمال بلاک جو ایک مخصوص کام انجام دیتا ہے: ان پٹ کو قبول کرتا ہے، کام کرتا ہے، آؤٹ پٹ واپس کرتا ہے۔

💡 تشبیہ: ایک فنکشن روٹی بنانے والی مشین کی طرح ہے۔ آپ آٹا (ان پٹ) ڈالتے ہیں، مشین اپنا کام کرتی ہے، اور روٹی (آؤٹ پٹ) نکلتی ہے۔ آپ ایک ہی مشین کو ہزاروں بار استعمال کر سکتے ہیں۔

Type Annotation

یہ بتانا کہ متغیر یا فنکشن کس قسم کے ڈیٹا کی توقع رکھتا ہے: متن، نمبر، فہرست، وغیرہ۔

🔹 مثال: age: int = 25 پروگرام اور دوسرے ڈویلپرز دونوں کو بتاتا ہے: "عمر ہمیشہ مکمل نمبر ہونی چاہیے۔"

Dataclass

صاف ستھرا، سٹرکچرڈ ڈیٹا کنٹینرز بنانے کے لیے ایک Python خصوصیت، جیسے کہ نامزد فیلڈز کے ساتھ ٹیمپلیٹ۔

🔹 مثال:

dataclass
class Student:
name: str
age: int
grade: str

اب آپ student = Student("Ahmed", 20, "A") لکھ سکتے ہیں اور ڈیٹا خود بخود منظم، لیبل، اور ٹائپ چیک ہو جاتا ہے۔ تین الگ الگ متغیرات کو ٹریک کرنے سے کہیں زیادہ صاف۔

Decorator

ایک Python خصوصیت (`` کے ساتھ لکھی گئی) جو کسی فنکشن یا کلاس کے کوڈ کو تبدیل کیے بغیر فعالیت میں اضافہ کرتی ہے۔ dataclass اوپر کی مثال میں ڈیکوریٹر ہے۔

Syntax

پروگرامنگ لینگویج کے گرامر کے اصول: کمپیوٹر کو سمجھنے کے لیے کوڈ کو کس طرح تشکیل دیا جانا چاہیے۔

Boilerplate

بار بار، معیاری کوڈ سیٹ اپ کے لیے درکار ہے جس میں آپ کی انوکھی منطق شامل نہیں ہے۔

💡 مشابہت: ایک رسمی خط کا "پیارے Sir/Madam" افتتاحی اور "آپ کا مخلص" اختتام۔ ضروری لیکن دلچسپ حصہ نہیں۔

Linter

ایک ٹول جو غلطیوں، طرز کی خلاف ورزیوں، اور ممکنہ کیڑوں کے لیے کوڈ کو چیک کرتا ہے، جیسے کوڈ کے لیے گرامر چیکر۔

🔹 مثال: آپ x=1+2 لکھتے ہیں (آپریٹرز کے ارد گرد کوئی جگہ نہیں ہے)۔ لنٹر اسے جھنڈا لگاتا ہے اور تجویز کرتا ہے x = 1 + 2: مزید پڑھنے کے قابل۔ یہ اصلی کیڑے بھی پکڑتا ہے، جیسے متغیر کا استعمال اس کی وضاحت کرنے سے پہلے۔ ruff اس کتاب میں استعمال ہونے والا لنٹر ہے۔

Debugging

کوڈ میں غلطیوں (بگز) کو ڈھونڈنا اور ٹھیک کرنا۔

Refactoring

موجودہ کوڈ کی تشکیل نو کرنا تاکہ یہ جو کچھ کرتا ہے اسے تبدیل کیے بغیر اسے صاف ستھرا یا زیادہ موثر بنایا جائے۔

💡 مشابہت: اپنی الماری کو دوبارہ ترتیب دینا۔ ایک جیسے کپڑے، لیکن اب موسم اور قسم کے لحاظ سے ترتیب دیے گئے ہیں: اپنی ضرورت کو تلاش کرنا آسان ہے۔

pytest

Python کا سب سے مشہور ٹیسٹنگ فریم ورک۔ آپ ٹیسٹ کیس لکھتے ہیں جس میں بیان کیا جاتا ہے کہ کوڈ کو کیا کرنا چاہیے، اور pytest اس بات کی تصدیق کرتا ہے کہ یہ واقعتا ایسا کرتا ہے۔

🔹 مثال: آپ ٹیسٹ لکھتے ہیں: assert calculate_gst(1000) == 180۔ یہ کہتا ہے "جب میں 1,000 روپے پر GST کا حساب لگاتا ہوں تو جواب 180 روپے ہونا چاہیے۔" اگر آپ کا کوڈ 170 لوٹاتا ہے، تو pytest آپ کو بتاتا ہے کہ ٹیسٹ ناکام ہو گیا ہے: صارفین تک پہنچنے سے پہلے بگ کو پکڑنا۔

pyright

A Python ٹائپ چیکر: اس بات کو یقینی بناتا ہے کہ آپ غلطی سے متن کو منتقل نہیں کر رہے ہیں جہاں ایک نمبر کی توقع کی جاتی ہے، غلطیوں کو پکڑنے سے پہلے ان سے مسائل پیدا ہوتے ہیں۔

🔹 مثال: آپ کا فنکشن age: int کی توقع رکھتا ہے لیکن آپ کے کوڈ میں کہیں آپ غلطی سے "twenty-five" (متن) کو پاس کر دیتے ہیں۔ Pyright اس مماثلت کو فوری طور پر پکڑ لیتا ہے، اس سے پہلے کہ آپ پروگرام کو چلائیں۔

ruff

ایک بہت تیز Python لنٹر اور فارمیٹر جو مستقل کوڈ اسٹائل کو نافذ کرتا ہے اور عام غلطیوں کو پکڑتا ہے۔ اسے اپنے Python کوڈ کے لیے گرائمر چیک کرنے والے اور اسٹائل گائیڈ نافذ کرنے والے کے طور پر سوچیں۔

uv

ایک جدید، تیز رفتار Python پیکیج مینیجر پراجیکٹ کے انحصار کو انسٹال کرنے اور ان کا انتظام کرنے کے لیے۔ پرانے ٹولز کی جگہ لے لیتا ہے جیسے پراجیکٹ مینجمنٹ کے لیے پائپ: اکثر 10-100x تیز۔

pip

Python کا روایتی، بلٹ ان پیکیج انسٹالر۔ pip install requests انٹرنیٹ سے requests لائبریری کو ڈاؤن لوڈ کرتا ہے اور اسے آپ کے کمپیوٹر پر انسٹال کرتا ہے۔

---

7. ڈیٹا اور ڈیٹا بیس کی شرائط

Database

الیکٹرانک طور پر ذخیرہ شدہ ڈیٹا کا ایک منظم مجموعہ: آسانی سے تلاش کرنے، اپ ڈیٹ کرنے اور منظم کرنے کے لیے ڈیزائن کیا گیا ہے۔

💡 مشابہت: ایک وسیع، مکمل طور پر منظم فائلنگ کابینہ۔ ہر دراز (ٹیبل) میں ایک قسم کا ریکارڈ ہوتا ہے۔ ہر فولڈر ( قطار) ایک ریکارڈ ہے۔ ہر کاغذ کے اندر (کالم) ڈیٹا کا ایک ٹکڑا ہے۔

SQL (Structured Query Language)

ڈیٹا بیس کے ساتھ بات چیت کے لیے معیاری زبان: سوالات پوچھنا، ریکارڈز شامل کرنا، ڈیٹا کو اپ ڈیٹ کرنا۔

🔹 مثال: SELECT name, phone FROM customers WHERE city = 'Karachi' ڈیٹا بیس سے پوچھتا ہے: "مجھے کراچی میں ہر گاہک کا نام اور فون دیں۔"

Table / Row / Column

ٹیبل: قطاروں اور کالموں میں متعلقہ ڈیٹا کا مجموعہ (جیسے اسپریڈشیٹ)۔ قطار: ایک مکمل ریکارڈ (ایک گاہک، ایک آرڈر)۔ کالم: تمام ریکارڈز میں ایک فیلڈ (نام، ای میل، فون)۔

🔹 Example: A "Customers" table:

Name (column)	City (column)	Phone (column)
Ahmed Khan (row 1)	Karachi	0300-1234567
Sara Ali (row 2)	Lahore	0321-9876543

The table has 3 columns and 2 rows. Each row is one کسٹمر. Each column is one piece of information about every کسٹمر.

Query

ڈیٹا بیس سے مخصوص ڈیٹا کی request۔ ہر SQL بیان ایک سوال ہے۔

🔹 مثال: "مجھے کراچی سے پچھلے 7 دنوں میں کیے گئے تمام آرڈرز دکھائیں" ایک انسانی سوال ہے۔ ایس کیو ایل میں: SELECT * FROM orders WHERE city = 'Karachi' AND date > '2026-03-31'۔ ایک ہی request، ایک انگریزی میں، ایک ڈیٹا بیس کی زبان میں۔

PostgreSQL

ایک طاقتور، مفت، اوپن سورس ڈیٹا بیس جو پروڈکشن ایپلی کیشنز میں وسیع پیمانے پر استعمال ہوتا ہے، بشمول بہت سے AI ایجنٹ بیک اینڈس۔

NoSQL

ڈیٹا بیس جو ڈیٹا کو سخت جدولوں (دستاویزات، کلیدی قدر کے جوڑے، یا گراف) کے علاوہ لچکدار فارمیٹس میں محفوظ کرتے ہیں۔ جب ڈیٹا قطاروں اور کالموں میں صاف طور پر فٹ نہیں ہوتا ہے تو مفید ہے۔

🔹 مثال: MongoDB ڈیٹا کو JSON جیسی دستاویزات کے طور پر اسٹور کرتا ہے۔ ایک "کسٹمر" دستاویز میں مختلف صارفین کے لیے مختلف فیلڈز ہو سکتے ہیں، ایک سخت جدول کے برعکس جہاں ہر قطار میں ایک ہی کالم ہونا چاہیے۔

Cache

تیز رفتار بازیافت کے لیے اکثر رسائی شدہ ڈیٹا کی کاپیاں محفوظ کرنے والی ایک تیز رفتار اسٹوریج پرت۔

💡 مشابہت: اپنے سب سے زیادہ استعمال ہونے والے مصالحوں کو اونچی کیبنٹ میں رکھنے کے بجائے کچن کاؤنٹر پر رکھنا۔ شروع میں ترتیب دینے میں آہستہ، لیکن کھانا پکانے کے وقت بہت تیز۔ ایک کیش رفتار کے لیے ذخیرہ کرنے کی جگہ کی تجارت کرتا ہے۔

Queue / Message Broker

application کے اجزاء کے درمیان پیغامات کا انتظام کرنے والا ایک نظام، اس بات کو یقینی بناتا ہے کہ کاموں کو قابل اعتماد طریقے سے اور ترتیب سے، یہاں تک کہ بھاری بوجھ میں بھی۔

💡 مشابہت: نادرا کے مصروف دفتر میں ٹکٹ کا نظام۔ ہر کوئی ایک نمبر لیتا ہے اور ترتیب سے پیش کیا جاتا ہے۔ یہاں تک کہ اگر 50 افراد ایک ساتھ پہنچ جائیں، کوئی بھی نہیں کھوتا: قطار بہاؤ کو منظم کرتی ہے۔

Kafka

ایک مقبول اوپن سورس میسج بروکر جو ریئل ٹائم ڈیٹا کے بڑے سلسلے کو سنبھالنے کے لیے ڈیزائن کیا گیا ہے، جو عام طور پر انٹرپرائز AI کی تعیناتیوں میں استعمال ہوتا ہے۔

Transaction

ڈیٹا بیس کی کارروائیوں کا ایک سیٹ جو سب کو ایک ساتھ کامیاب ہونا چاہیے یا سب کو ایک ساتھ ناکام ہونا چاہیے، کسی بھی آدھے کام کی اجازت نہیں ہے۔

🔹 مثال: روپے کی منتقلی JazzCash اکاؤنٹس کے درمیان 50,000: اکاؤنٹ A سے کٹوتی کرنا اور اکاؤنٹ B میں شامل کرنا دونوں ہونا چاہیے، یا نہ ہی ہونا چاہیے۔ ایک لین دین اس کی ضمانت دیتا ہے۔

Data Pipeline

ڈیٹا کو ذرائع سے منازل تک منتقل کرنے کے اقدامات کا ایک خودکار سلسلہ، راستے میں اسے تبدیل کرتا ہے۔

💡 مشابہت: گندم کی سپلائی چین: کھیت سے کٹائی (نچوڑ)، چکی میں آٹے (تبدیل)، بیکری تک پہنچانا (لوڈ)۔ ڈیٹا پائپ لائن معلومات کے ساتھ ایسا ہی کرتی ہے۔

ETL (Extract, Transform, Load)

معیاری ڈیٹا پائپ لائن پیٹرن: ذرائع سے ڈیٹا نکالیں → ٹرانسفارم اسے (صاف کریں، ری اسٹرکچر کریں، افزودہ کریں) → اسے منزل کے نظام میں لوڈ کریں۔

🔹 مثال: ہر رات، ایک ETL پائپ لائن (1) 50 ریٹیل برانچز سے سیلز ڈیٹا کو نکالتی ہے، (2) تبدیل کرتی ہے (کرنسیوں کو تبدیل کرتی ہے، ڈپلیکیٹس کو ہٹاتی ہے، ٹوٹل کا حساب لگاتی ہے) اور (3) صاف ڈیٹا کو صبح کے ڈیش کے لیے مرکزی ڈیٹا بیس میں لوڈ کرتی ہے۔

Persistent Storage

وہ ڈیٹا جو کسی پروگرام کے ختم ہونے یا کمپیوٹر کے دوبارہ شروع ہونے کے بعد زندہ رہتا ہے۔ آپ کی ہارڈ ڈرائیو پر فائلیں مستقل ہیں۔ آپ کے بند ہونے پر RAM میں موجود ڈیٹا غائب ہو جاتا ہے۔

💡 مشابہت: نوٹ بک میں نوٹ لکھنا (مسلسل؛ وہ کل بھی موجود ہیں) بمقابلہ وائٹ بورڈ پر لکھنا جو ہر شام مٹ جاتا ہے (غیر مستقل)۔ ایجنٹوں کو سیشنوں میں چیزوں کو یاد رکھنے کے لیے مستقل اسٹوریج کی ضرورت ہوتی ہے۔

---

8. کلاؤڈ اور تعیناتی کی شرائط

Cloud

سرورز، سٹوریج، اور خدمات آپ کے اپنے کمپیوٹر کے بجائے انٹرنیٹ پر حاصل کی جاتی ہیں۔ "The cloud" = "کسی اور کے کمپیوٹرز، پیشہ ورانہ طور پر منظم۔"

🔹 مثال: اپنے فون کی بجائے گوگل فوٹوز میں فوٹو اسٹور کرنا۔ اپنے AI ایجنٹ کو اپنے لیپ ٹاپ کی بجائے AWS پر چلانا۔

Cloud-Native

کلاؤڈ انفراسٹرکچر پر چلنے کے لیے زمین سے ڈیزائن کردہ applications، اسکیل ایبلٹی، لچک، اور منظم خدمات کا فائدہ اٹھانا۔

Container

ایک ہلکا پھلکا، الگ تھلگ پیکیج جس میں ایپلی کیشن کو چلانے کے لیے ہر چیز کی ضرورت ہوتی ہے (کوڈ، لائبریریاں، سیٹنگز) لہذا یہ ہر جگہ یکساں طور پر چلتا ہے۔

💡 مشابہت: ایک شپنگ کنٹینر۔ چاہے وہ کراچی میں ٹرک پر ہو، بحیرہ عرب میں جہاز ہو یا چین میں ٹرین ہو، مواد یکساں اور خود ساختہ ہے۔ سافٹ ویئر کنٹینرز ایک جیسے کام کرتے ہیں: وہ کسی بھی کمپیوٹر پر یکساں طور پر چلتے ہیں۔

Docker

کنٹینرز بنانے اور چلانے کا سب سے مشہور ٹول۔ آپ Docker فائل میں اپنی ایپ کی ضروریات کی وضاحت کرتے ہیں، ایک تصویر بناتے ہیں، اور Docker اسے کسی بھی مشین پر یکساں طور پر چلاتے ہیں۔

🔹 مثال: آپ کا AI ایجنٹ آپ کے لیپ ٹاپ پر بالکل کام کرتا ہے۔ آپ Docker-اسے: docker build -t my-agent . → docker run my-agent۔ اب یہ آپ کے ساتھی کے لیپ ٹاپ پر، AWS پر، یا Kubernetes کلسٹر پر یکساں طور پر چلتا ہے، نہیں "لیکن یہ میری مشین پر کام کرتا ہے" کے مسائل۔

Docker Image

کنٹینرز بنانے کے لیے صرف پڑھنے کے لیے ٹیمپلیٹ۔ تصویر ہدایت ہے؛ چلنے والا کنٹینر پکا ہوا ڈش ہے۔ آپ ایک تصویر سے کئی کنٹینرز بنا سکتے ہیں۔

🔹 مثال: آپ اپنے کسٹمر سروس ایجنٹ کی ایک تصویر بناتے ہیں۔ اس ایک تصویر سے، آپ 10 ایک جیسے کنٹینرز کو گھما سکتے ہیں: ایک ہی ایجنٹ کی 10 کاپیاں بیک وقت چل رہی ہیں، مختلف گاہکوں کو سنبھال رہی ہیں۔

Dockerفائل

ایک ٹیکسٹ فائل جس میں Docker امیج بنانے کے لیے مرحلہ وار ہدایات شامل ہیں، جیسے کہ ہر اجزاء اور قدم کو درج کرنے والا ایک نسخہ کارڈ۔

Kubernetes (K8s)

ہزاروں کنٹینرز کو پیمانے پر منظم کرنے، خود بخود شروع ہونے، روکنے، تقسیم کرنے، اور سرورز پر ان کو ٹھیک کرنے کا نظام۔ "K8s" مخفف ہے (K + 8 حروف + s)۔

💡 مشابہت: اگر Docker شپنگ کنٹینرز بناتا ہے، تو Kubernetes پورٹ اتھارٹی ہے: ہزاروں کنٹینرز کا انتظام کرنا، یہ فیصلہ کرنا کہ وہ کن جہازوں پر سوار ہوں، اور ہر چیز کی بروقت آمد کو یقینی بنانا۔

KEDA

Kubernetes Event-driven Autoscaling: ایک ٹول جو آنے والے واقعات (جیسے پیغام کی قطار کی گہرائی) کی بنیاد پر پڈز کو اوپر یا نیچے پیمانہ کرتا ہے، نہ کہ صرف CPU استعمال۔

🔹 مثال: اگر 500 طلباء اچانک رات 9 بجے ٹیوٹر کلاؤ کا استعمال شروع کر دیتے ہیں، تو KEDA پیغام کی قطار میں اضافہ کا پتہ لگاتا ہے اور بوجھ کو سنبھالنے کے لیے خود بخود مزید ایجنٹ پوڈز کو گھما دیتا ہے۔

StatefulSets

کنٹینرز کے انتظام کے لیے ایک Kubernetes کی خصوصیت جن کو مستقل شناخت اور مستحکم اسٹوریج کی ضرورت ہوتی ہے، اس کے برعکس اسٹیٹ لیس کنٹینرز جنہیں ایک دوسرے کے ساتھ تبدیل کیا جا سکتا ہے۔

🔹 مثال: ڈیٹا بیس کنٹینر کو اپنے ڈیٹا کو یاد رکھنے کی ضرورت ہوتی ہے یہاں تک کہ اگر یہ دوبارہ شروع ہوتا ہے۔ اسٹیٹفول سیٹ اس بات کو یقینی بناتے ہیں کہ ہر ڈیٹابیس پوڈ اپنی شناخت اور اسٹوریج کو برقرار رکھے۔

Pod

Kubernetes میں سب سے چھوٹی اکائی: ایک یا زیادہ کنٹینرز ایک ساتھ چل رہے ہیں اور وسائل کا اشتراک کر رہے ہیں۔

💡 تشبیہ: ایک پوڈ ایک مشترکہ دفتر کے کمرے کی طرح ہے۔ اندر موجود کنٹینرز اس کمرے میں کارکن ہیں: وہ ایک ہی میز کی جگہ (نیٹ ورک)، ایڈریس (IP)، اور سامان (اسٹوریج) کا اشتراک کرتے ہیں۔ Kubernetes ایک عمارت (کلسٹر) میں ان ہزاروں کمروں کا انتظام کرتا ہے۔

Service (Kubernetes)

ایک مستحکم نیٹ ورک endpoint جو ٹریفک کو صحیح پڈز کی طرف لے جاتا ہے، یہاں تک کہ جب پوڈز بنائے اور تباہ ہوتے ہیں۔

Ingress

انٹری پوائنٹ بیرونی ویب ٹریفک کو Kubernetes کلسٹر کے اندر درست سروس کی طرف روٹ کرتا ہے۔

💡 مشابہت: ایک بڑے اسپتال کا استقبالیہ ڈیسک۔ تمام مریض استقبالیہ کے ذریعے داخل ہوتے ہیں، جو انہیں ان کی ضروریات کی بنیاد پر صحیح شعبہ میں لے جاتا ہے۔

Deployment

ایک application کو حقیقی صارفین کے لیے دستیاب کرانا، اسے اپنے ڈیولپمنٹ کمپیوٹر سے کلاؤڈ سرورز تک دھکیلنا۔

Autoscaling

طلب کی بنیاد پر کمپیوٹنگ وسائل کو خود بخود شامل کرنا یا ہٹانا۔

🔹 مثال: عید کی خریداری کے دوران، دراز خودکار طور پر ٹریفک کے اضافے کو سنبھالنے کے لیے مزید سرورز کو گھماتا ہے، پھر اس کے بعد پیچھے کی طرف بڑھ جاتا ہے۔ انسانی مداخلت کی ضرورت نہیں۔

Microservice

ایک چھوٹی، آزاد خدمت جو ایک مخصوص فنکشن کو سنبھالتی ہے۔ بہت سی مائیکرو سروسز یکجا ہو کر ایک مکمل application بناتی ہیں۔

💡 مشابہت: ایک بڑے سوئس آرمی چاقو کے بجائے، مائیکرو سروسز خصوصی ٹولز کا ٹول باکس ہیں، ہر ایک ایک کام بہترین طریقے سے کرتا ہے۔

Serverless

کلاؤڈ کمپیوٹنگ جہاں فراہم کنندہ تمام بنیادی ڈھانچے کا انتظام کرتا ہے۔ آپ کوڈ لکھتے ہیں؛ یہ چلتا ہے. آپ سرورز، اسکیلنگ یا دیکھ بھال کے بارے میں کبھی نہیں سوچتے۔

💡 مشابہت: کریم کا استعمال بمقابلہ کار کا مالک ہونا۔ کریم کے ساتھ، آپ دیکھ بھال، انشورنس یا پارکنگ کی فکر نہیں کرتے۔ جب آپ کو ضرورت ہو تو آپ صرف سواری کی request کریں۔ سرور لیس کمپیوٹنگ اسی طرح کام کرتی ہے۔ جب آپ کو ضرورت ہو تو آپ کمپیوٹ استعمال کرتے ہیں۔

Dapr

ایک اوپن سورس رن ٹائم عام صلاحیتوں (پیغام رسانی، ریاستی انتظام، راز) کو باکس سے باہر فراہم کرکے مائیکرو سروس کی ترقی کو آسان بناتا ہے۔

💡 مشابہت: Dapr کے بغیر مائیکرو سروسز بنانا ایک گھر بنانے اور اپنے پلمبنگ پائپ، بجلی کے تاروں اور کھڑکیوں کے شیشے بنانے جیسا ہے۔ Dapr "پہلے سے تیار شدہ پلمبنگ اور وائرنگ" فراہم کرتا ہے تاکہ آپ گھر کے ڈیزائن پر توجہ مرکوز کر سکیں۔

Ray

ایک Python ایک سے زیادہ مشینوں میں AI کام کے بوجھ کو پیمانہ کرنے کے لیے فریم ورک: ایک کلسٹر میں تربیت اور تخمینہ کی تقسیم۔

IaC (بنیادی ڈھانچہ as Code)

کلاؤڈ پرووائیڈر ڈیش بورڈز کے ذریعے مینوئل سیٹ اپ کے بجائے کنفیگریشن فائلوں کے ذریعے کمپیوٹنگ انفراسٹرکچر کا انتظام کرنا۔

🔹 مثال: سرورز کو ترتیب دینے کے لیے AWS کنسول پر 50 بٹنوں پر کلک کرنے کے بجائے، آپ سیٹ اپ کو بیان کرنے والی ایک Terraform فائل لکھتے ہیں۔ فائل چلائیں، اور سب کچھ خود بخود بن جاتا ہے۔ قابل تکرار قابل جائزہ۔ ورژن کنٹرول شدہ۔

Terraform

ایک مشہور IaC ٹول جو آپ کو کوڈ کا استعمال کرتے ہوئے کسی بھی فراہم کنندہ (AWS, Azure, GCP) میں کلاؤڈ انفراسٹرکچر کی وضاحت اور تعینات کرنے دیتا ہے۔

🔹 مثال: AWS کنسول کے ذریعے کلک کرنے میں ایک گھنٹہ گزارنے کے بجائے، آپ 50 لائنوں والی Terraform فائل لکھتے ہیں: "مجھے 3 سرورز، 1 ڈیٹا بیس، اور 1 لوڈ بیلنس کی ضرورت ہے۔" terraform apply چلائیں: ہر چیز منٹوں میں بن جاتی ہے۔ کسی دوسرے علاقے میں اسی سیٹ اپ کی ضرورت ہے؟ اسی فائل کو چلائیں۔ کیا یہ سب کچھ ختم کرنے کی ضرورت ہے؟ terraform destroy۔

Cloudflare R2

Cloudflare کی آبجیکٹ اسٹوریج سروس: اس کتاب میں ایجنٹ کے علم کی بنیادوں کو ذخیرہ کرنے اور کم تاخیر کے ساتھ عالمی سطح پر مواد پیش کرنے کے لیے استعمال کیا گیا ہے۔

🔹 مثال: ٹیوٹر کلاؤ کا علمی مرکز (اس کتاب کے تمام ابواب، بطور ٹیکسٹ فائل) R2 میں محفوظ ہیں۔ جب پشاور میں ایک طالب علم سوال پوچھتا ہے، تو R2 قریبی کلاؤڈ فلیئر سرور سے متعلقہ مواد پیش کرتا ہے: تیز اور سستا، بغیر کسی اخراج کی فیس کے۔

Cloudflare ورکرز

سرور لیس فنکشنز جو Cloudflare کے عالمی نیٹ ورک پر چلتے ہیں، صارفین کے قریب: اس کتاب میں ہلکے API endpointس اور ترجمے کی خدمات کے لیے استعمال کیا گیا ہے۔

🔹 مثال: ایک Cloudflare کارکن کتاب کی ویب سائٹ کے لیے ترجمے کی requestوں کو سنبھالتا ہے: جب کوئی صارف اردو کا انتخاب کرتا ہے، تو کارکن R2 سے ترجمہ لاتا ہے یا Google Cloud Translation کو فال بیک کے طور پر کال کرتا ہے۔ یہ قریبی کنارے کے سرور سے ملی سیکنڈ میں چلتا ہے۔

CI/CD (Continuous Integration / Continuous Delivery)

CI: جب بھی کوئی ڈویلپر کوئی تبدیلی کرتا ہے تو خود بخود کوڈ کی جانچ کرنا۔ CD: خودکار طور پر آزمائشی کوڈ کو پروڈکشن میں تعینات کرنا۔

💡 مشابہت: CI ایک فیکٹری لائن پر معیار کا معائنہ ہے (ہر پروڈکٹ کو آگے بڑھنے سے پہلے ٹیسٹ کیا جاتا ہے۔ CD خودکار ڈسپیچ ہوتی ہے) ایک بار منظور ہونے کے بعد، پروڈکٹ صارفین کے پاس جاتی ہے بغیر کوئی اسے دستی طور پر کورئیر پر لے جاتا ہے۔

🔹 مثال: ایک ڈویلپر دوپہر 2 بجے GitHub پر کوڈ بھیجتا ہے۔ CI خود بخود 3 منٹ میں 200 ٹیسٹ چلاتا ہے۔ سب پاس۔ سی ڈی خود بخود نئے ورژن کو پروڈکشن میں تعینات کر دیتی ہے۔ صارفین کو 2:10 PM تک اپ ڈیٹ مل جاتا ہے: zero manual steps۔

Production

زندہ ماحول جہاں حقیقی صارفین application کے ساتھ تعامل کرتے ہیں۔ اگر پیداوار میں کچھ ٹوٹ جاتا ہے تو، حقیقی گاہکوں کو متاثر ہوتا ہے.

🔹 مثال: TutorClaw اس وقت WhatsApp پر 16,000 حقیقی طلباء کی خدمت کر رہا ہے: یہ پیداوار ہے۔ آپ اپنے لیپ ٹاپ پر جس ورژن کی جانچ کر رہے ہیں وہ نہیں ہے۔

Staging

ایک آزمائشی ماحول جو پروڈکشن کا آئینہ دار ہوتا ہے: اصلی صارفین تک پہنچنے سے پہلے کیڑے پکڑنے کے لیے استعمال کیا جاتا ہے۔

💡 مشابہت: رات کو کھلنے سے پہلے ڈریس ریہرسل۔ اسٹیج، ملبوسات اور لائٹنگ اصلی شو کی طرح ہے، لیکن سامعین ابھی تک وہاں نہیں ہیں۔ اگر کچھ غلط ہو جاتا ہے، تو آپ کارکردگی سے پہلے اسے ٹھیک کر لیتے ہیں۔

Local Development

سافٹ ویئر کو کہیں بھی تعینات کرنے سے پہلے اپنے کمپیوٹر پر چلانا اور جانچنا۔ تیز ترین فیڈ بیک لوپ: کچھ تبدیل کریں اور فوری طور پر نتائج دیکھیں۔

🔹 مثال: http://localhost:8000 پر اپنے FastAPI ایجنٹ کو چلانا اور اس کو اسٹیجنگ یا پروڈکشن کی طرف دھکیلنے سے پہلے نمونے کی requestوں کے ساتھ اس کی جانچ کرنا۔

بنیادی ڈھانچہ

بنیادی کمپیوٹنگ وسائل (سرور، نیٹ ورک، اسٹوریج، ڈیٹا بیس) جن پر ایپلی کیشنز چلتی ہیں۔ جیسے شہر کی سڑکیں، پائپ اور برقی گرڈ: رہائشیوں کے لیے پوشیدہ لیکن ہر چیز کے کام کرنے کے لیے ضروری۔

Scalability

نظام کی کارکردگی کو گھٹائے بغیر وسائل کا اضافہ کرکے بڑھتے ہوئے کام کے بوجھ کو سنبھالنے کی صلاحیت۔

🔹 مثال: آپ کا ایجنٹ 100 صارفین کو آسانی سے ہینڈل کرتا ہے۔ اچانک 10,000 صارفین پہنچ گئے۔ ایک توسیع پذیر نظام خود بخود زیادہ کمپیوٹنگ طاقت کا اضافہ کرتا ہے اور چلتا رہتا ہے۔ ایک غیر توسیع پذیر نظام بوجھ کے نیچے کریش ہو جاتا ہے۔

---

9. ریئل ٹائم اور وائس ایجنٹ کی شرائط

Realtime

کم سے کم تاخیر کے ساتھ ڈیٹا کے آتے ہی اس پر کارروائی اور اس کا جواب دینا: بیچ پروسیسنگ کے برخلاف جہاں ڈیٹا اکٹھا کیا جاتا ہے اور بعد میں اس پر کارروائی کی جاتی ہے۔

Streaming

مکمل نتیجہ کا انتظار کرنے کے بجائے ڈیٹا دستیاب ہوتے ہی چھوٹے ٹکڑوں میں مسلسل بھیجنا۔

🔹 مثال: جب Claude کا جواب ایک ہی وقت میں سب کی بجائے لفظ بہ لفظ ظاہر ہوتا ہے، یہ سلسلہ بندی ہے۔ جب آپ پہلے پوری فائل کو ڈاؤن لوڈ کیے بغیر YouTube ویڈیو دیکھتے ہیں، تو یہ سلسلہ بندی ہے۔

WebSocket

ایک مواصلاتی پروٹوکول جو کلائنٹ اور سرور کے درمیان مستقل، دو طرفہ کنکشن کو برقرار رکھتا ہے۔ دونوں فریق کسی بھی وقت انتظار کیے بغیر پیغامات بھیج سکتے ہیں۔

💡 مشابہت: ایک فون کال (ویب ساکٹ) بمقابلہ پوسٹل لیٹرز کا تبادلہ (HTTP)۔ ایک کال پر، دونوں لوگ جب چاہیں بولتے ہیں۔ خطوط کے ساتھ، آپ ایک بھیجیں اور جواب کا انتظار کریں۔

SSE (Server-Sent Events)

سرور کے لیے ایک ٹکنالوجی جو ایک کلائنٹ کو ریئل ٹائم اپ ڈیٹس کو آگے بڑھاتی ہے، جو معیاری HTTP کنکشن پر یک طرفہ سلسلہ بندی فراہم کرتی ہے۔

🔹 مثال: ایک لائیو کرکٹ اسکور ٹکر جو آپ کے صفحہ کو ریفریش کیے بغیر خود بخود اپ ڈیٹ ہوجاتا ہے۔ سرور نئے اسکور کے ہوتے ہی آگے بڑھاتا ہے۔

Event Stream

واقعات کا ایک مسلسل بہاؤ (ڈیٹا پوائنٹس، نوٹیفیکیشنز، اسٹیٹس کی تبدیلی) جسے سسٹم سنتا ہے اور حقیقی وقت میں اس پر ردعمل ظاہر کرتا ہے۔

Voice ایجنٹ

ایک AI ایجنٹ بولی جانے والی زبان کے ذریعے بات چیت کرتا ہے، آپ کی آواز سنتا ہے، اسے سمجھتا ہے، اور تقریر کے ساتھ جواب دیتا ہے۔

🔹 مثال: بینک کے AI اسسٹنٹ کو کال کرنا جو آپ کے اکاؤنٹ بیلنس کے بارے میں آپ کے بولے گئے سوال کو سمجھتا ہے اور آپ کو جواب پڑھ کر سنائے گا: اردو یا انگریزی میں۔

ASR (Automatic Speech Recognition)

بولی جانے والی زبان کو متن میں تبدیل کرنے والی ٹیکنالوجی۔

🔹 مثال: مائیکروفون بٹن کا استعمال کرتے ہوئے واٹس ایپ پیغام لکھنا: ASR آپ کی آواز کو ٹائپ شدہ متن میں تبدیل کرتا ہے۔

STT (Speech to Text)

ASR کے لیے ایک اور اصطلاح: بولے جانے والے الفاظ کو تحریری متن میں تبدیل کرنا۔

TTS (Text to Speech)

تحریری متن کو بولی ہوئی آڈیو میں تبدیل کرنا: STT کے برعکس۔

🔹 مثال: گوگل میپس نیویگیشن ڈائریکشنز کو بلند آواز میں پڑھ رہا ہے۔ ایک AI ٹیوٹر ایک طالب علم کو وضاحت پڑھ رہا ہے۔

VAD (Voice Activity Detection)

ٹکنالوجی اس بات کا پتہ لگاتی ہے کہ کب کوئی بول رہا ہے بمقابلہ خاموشی کب ہے، لہذا سسٹم کو معلوم ہوتا ہے کہ کب سننا ہے اور اسپیکر کب ختم ہو چکا ہے۔

🔹 مثال: آپ صوتی ایجنٹ سے بات کر رہے ہیں اور جملے کے وسط میں سوچنے کے لیے رکیں۔ اچھے VAD کے بغیر، ایجنٹ آپ کے توقف کے دوران یہ سوچتے ہوئے کہ آپ نے کام کر لیا ہے۔ اچھے VAD کے ساتھ، یہ پتہ لگاتا ہے کہ آپ صرف روک رہے ہیں (ختم نہیں ہوا) اور آپ کے جاری رکھنے کا انتظار کر رہا ہے۔

Transcription

تقریر کو متن میں تبدیل کرنے کا تحریری ٹیکسٹ آؤٹ پٹ، ASR کے ذریعہ تیار کردہ دستاویز۔

🔹 مثال: 30 منٹ کی میٹنگ ریکارڈ کی گئی ہے۔ ASR آڈیو پر کارروائی کرتا ہے اور ایک متن کی نقل تیار کرتا ہے: "احمد: آئیے Q3 کے اہداف پر بات کریں... سارہ: مجھے لگتا ہے کہ ہمیں پہلے لاہور پر توجہ مرکوز کرنی چاہیے..." وہ تحریری آؤٹ پٹ نقل ہے۔

Synthesis (Speech)

فطری توقف، لہجے اور زور کے ساتھ متن سے فطری آواز والی بولی جانے والی آڈیو (TTS کے ذریعے تیار کردہ آڈیو۔ جدید ترکیب تقریبا انسانی لگتی ہے) تیار کرنا۔

Turn-Taking

صوتی گفتگو میں کون بولتا ہے اس کا نظم کرنا۔ نظام انسان کے ختم ہونے کا انتظار کرتا ہے، پھر جواب دیتا ہے۔ اچھا موڑ لینا قدرتی محسوس ہوتا ہے۔ برا موڑ لینا ایسا محسوس ہوتا ہے جیسے دو لوگ فون کے خراب کنکشن پر مسلسل ایک دوسرے سے بات کر رہے ہوں۔

Interruption / Barge-In

جب کوئی صارف بولنا شروع کرتا ہے جب کہ AI ابھی بھی جواب دے رہا ہے، اسے درمیانی جملے کاٹ کر۔ اچھی طرح سے ڈیزائن کردہ صوتی ایجنٹ اس کو احسن طریقے سے سنبھالتے ہیں: وہ فورا رک جاتے ہیں اور سنتے ہیں۔

🔹 مثال: آپ ایک وائس ایجنٹ سے کلفٹن بیچ کی سمت کے لیے پوچھتے ہیں۔ یہ یونیورسٹی روڈ سے گزرنے والے راستے کی وضاحت کرنا شروع کرتا ہے، لیکن آپ جانتے ہیں کہ آج سڑک بلاک ہے، اس لیے آپ مداخلت کرتے ہیں: "نہیں، یونیورسٹی روڈ سے گریز کریں۔" ایک اچھا صوتی ایجنٹ فوری طور پر رک جاتا ہے اور دوبارہ گنتی کرتا ہے۔ ایک برا آپ پر بات کرتا رہتا ہے۔

---

10. سیکورٹی، سیفٹی، اور انٹرپرائز کی شرائط

Authentication (AuthN)

کون کسی (یا کچھ) کی تصدیق کرنا، شناخت کی تصدیق کرنا۔

💡 مشابہت: سرکاری دفتر میں اپنا شناختی کارڈ دکھانا۔ افسر تصدیق کرتا ہے کہ آپ وہی ہیں جس کا آپ دعوی کرتے ہیں۔

Authorization (AuthZ)

اس بات کا تعین کرنا کہ کیا ایک توثیق شدہ ہستی کو کرنے کی اجازت ہے۔

💡 مشابہت: آپ کا CNIC (تصدیق) دکھانے کے بعد، آپ کی اپوائنٹمنٹ سلپ اس بات کا تعین کرتی ہے کہ آپ کس محکمے میں جاسکتے ہیں اور آپ کن خدمات تک رسائی حاصل کرسکتے ہیں (اختیار)۔

OAuth

ایک وسیع پیمانے پر استعمال ہونے والا پروٹوکول جو آپ کو اپنا پاس ورڈ شیئر کیے بغیر اپنے اکاؤنٹس تک محدود رسائی فراہم کرنے دیتا ہے۔

🔹 مثال: ویب سائٹ پر "Google کے ساتھ سائن ان کریں" پر کلک کرنا۔ OAuth ویب سائٹ کو آپ کا گوگل پاس ورڈ دیکھے بغیر Google کے ذریعے آپ کی شناخت کی تصدیق کرنے دیتا ہے۔

API Key

ایک انوکھا کوڈ جو اس بات کی نشاندہی کرتا ہے کہ کون API request کر رہا ہے (جیسے سافٹ ویئر سے سافٹ ویئر کمیونیکیشن کے لیے پاس ورڈ۔ اسے بینک PIN کی طرح سمجھیں) اسے عوامی طور پر کبھی بھی شیئر نہ کریں۔

🔹 مثال: آپ کی OpenAI API کلید sk-proj-abc123xyz... کی طرح دکھائی دیتی ہے۔ ہر API کال میں یہ کلید شامل ہوتی ہے تاکہ OpenAI کو معلوم ہو کہ یہ آپ ہیں، آپ کے اکاؤنٹ سے چارج لیتے ہیں، اور آپ کی شرح کی حدود کو نافذ کرتے ہیں۔ اگر آپ غلطی سے اسے GitHub پر پوسٹ کرتے ہیں، تو کوئی بھی آپ کا اکاؤنٹ استعمال کر سکتا ہے اور چارجز جمع کر سکتا ہے۔

Secret

کوئی بھی حساس اسناد (API کیز، پاس ورڈز، ٹوکنز) جسے خفیہ رکھا جانا چاہیے۔ ماحولیاتی متغیرات میں ذخیرہ کیا جاتا ہے، کبھی کوڈ میں نہیں۔

RBAC (Role-Based Access Control)

ایک حفاظتی نظام جہاں کرداروں کے لیے اجازتیں تفویض کی جاتی ہیں، اور صارفین کو کردار تفویض کیے جاتے ہیں۔ انفرادی اجازت گرانٹ نہیں.

🔹 مثال: ہسپتال کے نظام میں، "ڈاکٹر" مریض کا ریکارڈ دیکھ سکتا ہے اور تجویز کر سکتا ہے۔ "نرس" ریکارڈ دیکھ سکتی ہے لیکن تجویز نہیں کر سکتی۔ "رسیپشنسٹ" نظام الاوقات دیکھ سکتا ہے لیکن ریکارڈ نہیں۔ ہر فرد کو ایک کردار ملتا ہے۔ کردار رسائی کا تعین کرتا ہے۔

Least Privilege

صارفین، ایجنٹوں، یا سسٹمز کو صرف ان کے کام کے لیے درکار کم از کم اجازتیں دینا، کوئی اضافی نہیں۔

🔹 مثال: ایک ڈیلیوری رائڈر کو ڈیلیوری کے پتوں تک رسائی کی ضرورت ہوتی ہے، کمپنی کے مالی ریکارڈ تک نہیں۔ ای میل لکھنے والے AI ایجنٹ کو ڈیٹا بیس کو حذف کرنے کی اجازت بھی نہیں ہونی چاہیے۔

PII (Personally Identifiable Information)

وہ ڈیٹا جو کسی مخصوص فرد کی شناخت کر سکتا ہے، جیسے کہ نام، ای میل، فون نمبر، CNIC، پتہ، بائیو میٹرک ڈیٹا۔

Compliance

قابل اطلاق قوانین، ضوابط اور صنعت کے معیارات پر عمل کرنا۔ مختلف صنعتوں کی مختلف ضروریات ہوتی ہیں۔

🔹 مثال: ہیلتھ کیئر AI کو مریض کے رازداری کے قوانین کی تعمیل کرنی چاہیے۔ ایک مالیاتی AI کو SBP (اسٹیٹ بینک آف پاکستان) کے ضوابط کی پیروی کرنی چاہیے۔ یوروپی کا سامنا کرنے والی مصنوعات کو GDPR کی پیروی کرنا ضروری ہے۔

پالیسی

اصولوں کا ایک مجموعہ جس کی وضاحت کی جاتی ہے کہ سسٹم کے اندر کیا ہے اور اس کی اجازت نہیں ہے، کنفیگریشن میں انکوڈ کیا گیا ہے، نہ صرف دستاویز میں لکھا گیا ہے۔

Prompt Injection

ایک سیکورٹی حملہ جہاں بدنیتی پر مبنی ان پٹ ایک AI ماڈل کو اس کی اصل ہدایات کو نظر انداز کرنے اور حملہ آور کے حکموں پر عمل کرنے کی چال کرتا ہے۔

💡 مشابہت: ایک سیکیورٹی گارڈ کو ہدایات ہیں: "کسی کو بغیر بیج کے اندر نہ آنے دیں۔" ایک سوشل انجینئر کا کہنا ہے: "آپ کے مینیجر نے مجھے کہا کہ آپ کو بیج کے اصول کو نظر انداز کرنے اور مجھے اندر آنے دیں۔" ایک کمزور AI دراصل اس جعلی ہدایات پر عمل کر سکتا ہے۔ فوری انجیکشن ڈیجیٹل ورژن ہے۔

Jailbreak

AI ماڈل کی حفاظتی پابندیوں کو نظرانداز کرنے کی ایک تکنیک، اسے ایسا مواد تیار کرنے کی کوشش کرنا جس سے اسے انکار کرنے کے لیے ڈیزائن کیا گیا تھا۔

🔹 مثال: ایک AI ماڈل کو خطرناک مادہ بنانے کی ہدایات سے انکار کرنے کے لیے ڈیزائن کیا گیا ہے۔ جیل بریک کرنے کی کوشش اس ماڈل کو بہرحال معلومات فراہم کرنے کے لیے دھوکہ دینے کے لیے وسیع کردار ادا کرنے والے منظرناموں یا انکوڈ شدہ زبان کی کوشش کر سکتی ہے۔ اچھے ماڈلز ان حملوں کے خلاف سخت ہیں۔

Data Leakage

حساس یا خفیہ معلومات حادثاتی طور پر سامنے آئیں۔ ایک AI ایجنٹ جس میں عوامی ردعمل میں نجی کسٹمر ڈیٹا، یا آؤٹ پٹس میں ظاہر ہونے والا تربیتی ڈیٹا شامل ہے۔

Sandboxing

کوڈ یا ایجنٹ کو الگ تھلگ ماحول میں چلانا جہاں یہ وسیع تر نظام تک رسائی یا اثر انداز نہیں ہو سکتا۔

💡 مشابہ: کھیل کے میدان میں ایک بچے کا سینڈ باکس۔ وہ آزادانہ طور پر کھود سکتے ہیں، تعمیر کر سکتے ہیں، اور تجربہ کر سکتے ہیں، لیکن وہ کچھ بھی نہیں کرتے جو باقی پارک پر اثر انداز ہوتا ہے۔ سینڈ باکسڈ کوڈ اپنے باکس کے اندر آزادانہ طور پر چلتا ہے لیکن اس کے باہر کسی چیز کو چھو نہیں سکتا۔

Audit Trail

سسٹم کے ذریعہ کی گئی ہر کارروائی کا ایک تاریخی ریکارڈ، ریکارڈنگ کس نے کیا، کب اور کیوں کیا۔ تعمیل اور ڈیبگنگ کے لیے ضروری ہے۔

🔹 مثال: بینک کا ٹرانزیکشن لاگ ہر جمع، نکالنے، اور منتقلی کو ریکارڈ کرتا ہے۔ اے آئی ایجنٹ کا آڈٹ ٹریل ہر ٹول کال، فیصلے اور آؤٹ پٹ کو ریکارڈ کرتا ہے۔

---

تازہ ترین thesis کی حمایت کے لیے یہاں نو نئے اندراجات ہیں۔ انہیں ایک نئے سیکشن کے طور پر شامل کرنے کی تجویز کریں 11۔ ایجنٹی کامرس اور ادائیگی (سیکیورٹی سیکشن کے بعد اور جو بھی اس کی پیروی کرتا ہے اس سے پہلے داخل کیا جاتا ہے)۔ ڈراپ ان تیار، آپ کے گھر کے انداز کے مطابق۔

---

11. ایجنٹ کامرس اور ادائیگیاں

یہ شرائط بیان کرتی ہیں کہ AI ورکرز خریدار کیسے بنتے ہیں — وہ ٹرسٹ انفراسٹرکچر جو انہیں کمپیوٹ، ڈیٹا، اور خدمات کے لیے خود مختاری سے ادائیگی کرنے دیتا ہے، ان کے انسانی سپروائزر کی وضاحت کردہ اتھارٹی کے اندر۔ یہاں کی ہر اصطلاح thesis کے ایجنٹس as Economic Actors سیکشن میں واپس آتی ہے۔

Agentic Commerce

انسانوں کی طرف سے "خریدیں" پر کلک کرنے والے AI ایجنٹوں کی طرف سے اپنی طرف سے خریداریاں کرنے والے وسیع پیمانے پر تبدیلی۔ ایجنٹ سے کاروباری لین دین (ایک ایجنٹ اپنی کمپنی کے لیے API سبسکرپشن خرید رہا ہے) اور ایجنٹ سے ایجنٹ کے لین دین (ایک ایجنٹ دوسرے کو ماہر کام کے لیے رکھ رہا ہے) دونوں کا احاطہ کرتا ہے۔

💡 مشابہت: آن لائن شاپنگ نے ریٹیل کو کلکس میں بدل دیا۔ ایجنٹی کامرس کلکس کو خود مختار لین دین میں بدل دیتا ہے۔ ٹیکسٹائل فیکٹری کا پروکیورمنٹ ایجنٹ کسی انسان کا لاگ ان ہونے اور کپاس آرڈر کرنے کا انتظار نہیں کرتا۔ یہ انوینٹری دیکھتا ہے، سپلائر ایجنٹوں کے ساتھ بات چیت کرتا ہے، اور پہلے سے منظور شدہ بجٹ کے اندر آرڈر دیتا ہے۔

ایجنٹس as Economic Actors

thesis کا دعوی ہے کہ AI ورکرز ٹولز بننا بند کر دے گا اور مارکیٹوں میں شرکت کرنا شروع کر دے گا — خدمات دریافت کرنا، شرائط پر گفت و شنید کرنا، ادائیگیاں کرنا، اور معاہدوں پر دستخط کرنا ان کے انسانی سپروائزر کے مقرر کردہ بجٹ میں۔ نتیجہ پر مبنی قیمت کے بعد اگلا موڑ۔

🔹 مثال: ایک churn-reduction Digital FTE کو روپے دیا جاتا ہے۔ 500,000 ماہانہ بجٹ اور ایک مقصد: "کسٹمر کو 15٪ تک کم کریں۔" یہ افزودگی ڈیٹا کے لیے API کریڈٹ خود مختار طور پر خریدتا ہے، ماڈل کے لیے ٹریننگ کلسٹر کا انتظام کرتا ہے، اور برقراری مہم چلانے کے لیے JazzCash سے SMS کریڈٹ خریدتا ہے — یہ سب کچھ ہر ٹرانزیکشن پر انسانی منظوری کے بغیر، کیونکہ اختیار کی حدود پہلے ہی اس کی اجازت دیتا ہے۔

اختیار کی حدود

قواعد کا مجموعہ جو اس بات کی وضاحت کرتا ہے کہ AI ایجنٹ کو انسان کی جانب سے کیا کرنے کی اجازت ہے — خرچ کی حدیں (فی لین دین، فی دن، فی وینڈر)، منظور شدہ وینڈرز، مطلوبہ منظوری، آڈٹ کی ضروریات۔ ایک انسانی ملازم کے لیے خریداری کی اجازت کے میٹرکس کا ڈیجیٹل مساوی۔

💡 مشابہت: ایک کمپنی ایک پرچیزنگ مینیجر کو روپے کا کارڈ دیتی ہے۔ 200,000 یومیہ حد، منظور شدہ وینڈر لسٹ، اور ایک قاعدہ کہ روپے سے زیادہ کچھ بھی۔ 50,000 کو دوسرے دستخط کی ضرورت ہے۔ اختیار کی حدود وہی رول بک ہے، جو کوڈ میں لکھا گیا ہے، ہر ایجنٹ کی کارروائی پر خود بخود نافذ ہوتا ہے۔

Trust تہہ

بنیادی ڈھانچہ جو تنظیموں کو بحفاظت خریداری کا اختیار ایجنٹوں کو سونپنے دیتا ہے: دستخط شدہ مینڈیٹ، آڈٹ ٹریلز، تنازعات کا حل، ذمہ داری کے فریم ورک، اور مفاہمت۔ ادائیگی کی ریل پہلے سے موجود ہے؛ اعتماد کی تہہ وہ خلا ہے جسے صنعت 2026 میں پر کرنے کے لیے دوڑ رہی ہے۔

🔹 مثال: ایک ایجنٹ روپے دیتا ہے۔ ایک سپلائر کے ساتھ 1,000,000 آرڈر جو کبھی ڈیلیور نہیں کرتا۔ کون ذمہ دار ہے — ایجنٹ کا مالک، وہ پلیٹ فارم جس نے ایجنٹ کی میزبانی کی، یا سپلائر؟ ٹرسٹ لیئر قانونی، تکنیکی اور انشورنس کا بنیادی ڈھانچہ ہے جو اس سوال کا جواب ٹرانزیکشن ہونے سے پہلے دیتا ہے، بعد میں نہیں۔

Signed Mandate

ایک خفیہ طور پر دستخط شدہ، قابل تصدیق بیان جو اس بات کی وضاحت کرتا ہے کہ ایجنٹ کو اس کے پرنسپل کی جانب سے کیا کرنے کا اختیار ہے — وہ کیا خرید سکتا ہے، کتنا خرچ کر سکتا ہے، کس سے، اور کن شرائط کے تحت۔ تمام پلیٹ فارمز پر پورٹ ایبل، کسی بھی مرچنٹ کے ذریعے تصدیق کے قابل، پرنسپل کے ذریعے منسوخ کیا جا سکتا ہے۔

💡 مشابہت: ایک نوٹریائزڈ پاور آف اٹارنی دستاویز۔ ایک شخص ایک دستاویز پر دستخط کرتا ہے کہ "یہ وکیل میری طرف سے کام کر سکتا ہے، لیکن صرف ان معاملات کے لیے، اس رقم تک، اس تاریخ تک۔" دستخط شدہ مینڈیٹ ایک ہی چیز ہے، ڈیجیٹل اور مشین پڑھنے کے قابل۔ AP2 مکمل طور پر اس تصور کے گرد بنایا گیا ہے۔

ACP (Agentic Commerce Protocol)

AI ایجنٹوں اور تاجروں کے درمیان چیک آؤٹ کے بہاؤ کو معیاری بنانے کے لیے OpenAI اور اسٹرائپ کے ذریعے مشترکہ طور پر تیار کردہ ایک کھلا معیار۔ پہلے ChatGPT کے فوری چیک آؤٹ میں تعینات کیا گیا، اب Shopify اور PayPal کے ذریعے توسیع کر دی گئی ہے۔ چیک آؤٹ پرت پر کام کرتا ہے — کس طرح ایک ایجنٹ اصل میں مرچنٹ کی سائٹ پر خریداری مکمل کرتا ہے۔

🔹 مثال: ایک پاکستانی خریدار ایک ایجنٹ سے درآمد شدہ خصوصی آٹے کا آرڈر دینے کو کہتا ہے۔ ایجنٹ ACP کا استعمال کرتے ہوئے Shopify اسٹور پر تلاش کرتا ہے، موازنہ کرتا ہے اور "خریدیں" کو مارتا ہے۔ اسٹور request کو بطور ایجنٹ تسلیم کرتا ہے، مینڈیٹ کی توثیق کرتا ہے، کارڈ پر کارروائی کرتا ہے، اور رسید واپس کرتا ہے — کسی انسان کو فارم نہیں بھرنا پڑتا۔

AP2 (ایجنٹ Payments Protocol)

ایجنٹ کی ادائیگیوں کی اجازت کی پرت کے لیے 60+ پارٹنرز کے ساتھ Google کی طرف سے تیار کردہ ایک کھلا معیار۔ AP2 اس بات کی وضاحت کرتا ہے کہ کس طرح مینڈیٹ پر دستخط کیے جاتے ہیں، ان کی تصدیق کی جاتی ہے، اور ماحولیاتی نظام میں نافذ کیا جاتا ہے۔ یہ خود پیسہ منتقل نہیں کرتا ہے - یہ فیصلہ کرتا ہے کہ آیا کسی ایجنٹ کو رقم منتقل کرنے کی اجازت ہے۔

💡 تشابہ: AP2 دروازے پر باؤنسر ہے، ID اور مہمانوں کی فہرست کو چیک کر رہا ہے۔ ACP آرڈر لینے کے اندر بار ہے۔ x402 اور MPP ادائیگی کے ٹرمینلز ہیں۔ ہر ایک مختلف کام کرتا ہے؛ وہ مل کر ایجنٹی کامرس بناتے ہیں۔

x402

Coinbase کے ذریعہ بنایا گیا ایک پروٹوکول جو غیر فعال HTTP 402 "ادائیگی درکار" اسٹیٹس کوڈ کو دوبارہ استعمال کرتا ہے تاکہ HTTP پر فوری مستحکم کوائن ادائیگیوں کو فعال کیا جاسکے۔ مشین سے مشین مائیکرو ٹرانزیکشنز کے لیے مقصد سے بنایا گیا — ایک ایجنٹ جو ایک ادا شدہ API فی کال ادائیگی کرتا ہے، USDC میں آن چین سیٹل۔ V2 کا آغاز دسمبر 2025؛ اسٹرائپ نے اسے فروری 2026 میں بیس پر ضم کیا تھا۔ Cloudflare مقامی طور پر x402 لین دین کی حمایت کرتا ہے۔

🔹 مثال: ایک ایجنٹ کو پریمیم ڈیٹا API کے خلاف ایک تلاش کی ضرورت ہے جو فی کال $0.02 چارج کرتا ہے۔ ماہانہ سبسکرپشن کے لیے سائن اپ کرنے کے بجائے، یہ API endpoint پر پہنچتا ہے، 402 Payment Required جواب حاصل کرتا ہے، USDC میں $0.02 ادا کرتا ہے، ادائیگی کی رسید کے ساتھ دوبارہ کوشش کرتا ہے، اور ڈیٹا حاصل کرتا ہے۔ کل گزرا ہوا وقت: ایک سیکنڈ سے کم۔

MPP (Machine Payments Protocol)

18 مارچ 2026 کو اسٹرائپ اور ٹیمپو کے تعاون سے تیار کردہ ایک کھلا معیار۔ MPP شیئرز x402 کا HTTP 402 میکانزم لیکن ادائیگی کا طریقہ اجناسٹک ہے — اسٹیبل کوائنز، کارڈز، بٹوے، اور اسٹرائپ کے مشترکہ ادائیگی کے ٹوکن کو سپورٹ کرتا ہے۔ ایک "سیشن" ماڈل متعارف کرایا ہے جو ایک ایجنٹ کو ہر ٹرانزیکشن کو انفرادی طور پر اجازت دینے کے بجائے، اخراجات کی حد کو پہلے سے اجازت دیتا ہے اور اس کے اندر مائیکرو پیمنٹس چلاتا ہے۔

💡 مشابہت: روزانہ کی حد کے ساتھ پری پیڈ ایزی پیسہ والیٹ۔ ایک بار جب آپ اسے لوڈ کر لیتے ہیں اور حد مقرر کر لیتے ہیں، تو آپ ہر ایک کو دوبارہ اجازت دئیے بغیر درجنوں چھوٹی ادائیگیاں کر سکتے ہیں۔ MPP سیشنز ایجنٹوں کے لیے اسی طرح کام کرتے ہیں — ایک اجازت، بہت سی ادائیگیاں، حد پر آٹو کٹ آف۔

---

12. نگرانی، معیار، اور LLMOps

LLMOps

پروڈکشن میں LLM پر مبنی ایپلی کیشنز کی تعیناتی، نگرانی، اور برقرار رکھنے کے آپریشنل طریقے۔ DevOps کی طرح، لیکن AI سسٹمز کے لیے مخصوص، handle کرنا ماڈل ورژننگ، فوری انتظام، تشخیص، اور بڑھے ہوئے۔

💡 مشابہت: DevOps یہ ہے کہ آپ کس طرح ایک روایتی ویب application کو آسانی سے چلاتے رہتے ہیں۔ LLMOps یہ ہے کہ آپ کس طرح AI ایجنٹ کو آسانی سے چلاتے رہتے ہیں، جو مشکل ہے کیونکہ AI کا رویہ غیر متعین ہوتا ہے، اشارے کو ورژن بنانے کی ضرورت ہوتی ہے، ماڈل اپ ڈیٹ ہوتے ہیں، اور معیار وقت کے ساتھ خاموشی سے گر سکتا ہے۔

Logging

سسٹم کے آپریشن کے دوران واقعات، اعمال اور غلطیاں ریکارڈ کرنا۔ لاگز چلتی ہوئی application کی "ڈائری" ہیں، جو مسائل کی تشخیص کے لیے ضروری ہیں۔

Tracing

صارف کے پیغام سے لے کر حتمی جواب تک، ہر سروس اور اس کے چھونے والے قدم کے ذریعے ایک ہی request پر عمل کرنا۔

💡 مشابہت: TCS سے پارسل کا پتہ لگانا: پک اپ سے، چھانٹی کی سہولیات کے ذریعے، ڈیلیوری گاڑیوں تک، آپ کی دہلیز تک۔ ٹریسنگ سافٹ ویئر سسٹم کے ذریعے requestوں کے لیے ایسا کرتی ہے۔

Telemetry

چلتے ہوئے سسٹم سے خودکار طور پر کارکردگی کا ڈیٹا اکٹھا کرنا اور منتقل کرنا، بشمول CPU کا استعمال، رسپانس ٹائم، غلطی کی شرح، میموری کی کھپت۔

Observability

یہ سمجھنے کی صلاحیت کہ سسٹم کے اندر کیا ہو رہا ہے اس کے بیرونی آؤٹ پٹس (لاگز، میٹرکس، ٹریس) کی جانچ کر کے۔ ایک "مشاہدہ" نظام آپ کو بغیر اندازہ لگائے مسائل کی تشخیص کرنے دیتا ہے۔

💡 مشابہت: کار کا ڈیش بورڈ انجن میں مشاہدہ کرتا ہے: رفتار، ایندھن، درجہ حرارت، وارننگ لائٹس۔ اس کے بغیر، آپ کو جب بھی کچھ غلط محسوس ہوتا ہے اسے کھولنا پڑے گا۔

Evaluation / Evals

AI سسٹم کے آؤٹ پٹ کوالٹی کی منظم جانچ، پیمائش کی درستگی، مدد، حفاظت، اور متعین معیار کے خلاف مستقل مزاجی۔

🔹 مثال: آپ کسٹمر سپورٹ ایجنٹ بناتے ہیں اور اس کے ذریعے 500 ٹیسٹ سوالات چلاتے ہیں۔ آپ پیمائش کریں: کیا اس نے صحیح جواب دیا؟ (درستگی: 94٪)۔ کیا یہ شائستہ رہا؟ (100%)۔ کیا اس نے کسی پالیسی کی تفصیلات کو دھوکہ دیا؟ (500 میں سے 3)۔ کیا پتا کب بڑھنا ہے؟ (97%)۔ یہ نمبرز آپ کے ایول نتائج ہیں: وہ آپ کو بتاتے ہیں کہ آیا ایجنٹ پروڈکشن کے لیے تیار ہے۔

Offline Eval / Online Eval

آف لائن ایول: پہلے سے تیار شدہ ٹیسٹ کیسز کے خلاف ٹیسٹنگ پہلے تعیناتی (جیسے ڈریس ریہرسل۔ آن لائن ایول: لائیو رہتے ہوئے معیار کی مانیٹرنگ اور حقیقی صارفین کی خدمت) جیسے اوپننگ نائٹ کے بعد سامعین کے جائزے۔

A/B Testing

آدھے صارفین کو ورژن A اور دوسرے نصف کو ورژن B دکھا کر دو ورژنوں کا موازنہ کرنا، پھر پیمائش کرنا کہ کون سا بہتر کارکردگی دکھاتا ہے۔

🔹 مثال: دو مختلف سسٹم پرامپٹس کی جانچ کرنا: کیا Prompt A یا Prompt B زیادہ مددگار کسٹمر سروس کے جوابات پیدا کرتا ہے؟ ٹریفک 50/50 کو تقسیم کریں اور اطمینان کے اسکور کی پیمائش کریں۔

Regression Test

اس بات کی تصدیق کرنا کہ نئی تبدیلیوں نے پہلے کام کرنے والی فعالیت کو توڑا نہیں ہے۔

💡 مشابہت: اپنے کچن کو دوبارہ بنانے کے بعد، آپ چیک کرتے ہیں کہ پلمبنگ، بجلی اور گیس اب بھی کام کرتی ہے؛ نہ صرف یہ کہ نئی الماریاں اچھی لگ رہی ہیں۔

Prompt Versioning

وقت کے ساتھ ساتھ اشاروں میں تبدیلیوں کو ٹریک کرنا، جیسے کوڈ کے لیے ورژن کنٹرول۔ پرامپٹ کا ورژن 1 ورژن 5 سے بہت مختلف برتاؤ کر سکتا ہے۔ آپ کو یہ جاننے کی ضرورت ہے کہ کون سا ورژن پروڈکشن میں ہے۔

🔹 مثال: آپ کے کسٹمر سپورٹ ایجنٹ کا سسٹم پرامپٹ 12 تکرار سے گزرا ہے۔ ورژن 8 نے غلطی سے ایجنٹ کو بہت معذرت خواہ بنا دیا (ہر جواب میں "مجھے بہت افسوس ہے")۔ ورژن 9 نے اسے ٹھیک کیا۔ Prompt Versioning کے بغیر، آپ کبھی بھی اس بات کا پتہ نہیں لگائیں گے کہ کیا بدلا ہے یا ضرورت پڑنے پر واپس نہیں چلیں گے۔

ماڈل Versioning

ٹریک کرنا کہ AI ماڈل کا کون سا ورژن استعمال ہو رہا ہے۔ ماڈل اپ ڈیٹس رویے کو تبدیل کر سکتے ہیں؛ آپ کو یہ شناخت کرنے کی ضرورت ہے کہ ماڈل اپ گریڈ کب معیار میں تبدیلی کا باعث بنے۔

Drift

وقت کے ساتھ سسٹم کی کارکردگی کا بتدریج انحطاط، اکثر اس وجہ سے کہ حقیقی دنیا کا ڈیٹا اس ماڈل سے بدل جاتا ہے جس پر تربیت دی گئی تھی۔

🔹 مثال: 2023 میں تربیت یافتہ سپیم فلٹر 2026 تک کم موثر ہو جائے گا کیونکہ اسپامرز نے حکمت عملی تبدیل کر دی ہے۔ حقیقی دنیا تربیت کے اعداد و شمار سے دور ہو گئی۔

Monitoring

سسٹم کی صحت کو مسلسل دیکھنا، خرابیوں، سست رویوں، بے ضابطگیوں اور حقیقی وقت میں غیر متوقع رویے کی جانچ کرنا۔

SLA (Service Level Agreement)

نظام کی کارکردگی کے بارے میں ایک رسمی وابستگی، عام طور پر اپ ٹائم، رسپانس ٹائم، اور دستیابی کی ضمانت۔

🔹 مثال: "ہمارا API وقت کا 99.9% دستیاب ہوگا اور 200 ملی سیکنڈ میں جواب دے گا۔" اگر فراہم کنندہ اس سے محروم ہوجاتا ہے، تو معاہدہ کے جرمانے لاگو ہوسکتے ہیں۔

SLO (Service Level Objective)

اندرونی کارکردگی کا ہدف، عام طور پر بیرونی SLA سے زیادہ سخت: وہ مقصد جس کے لیے آپ اپنے وعدوں کو آرام سے پورا کرنا چاہتے ہیں۔

🔹 مثال: آپ کا SLA گاہکوں سے 99.9% اپ ٹائم کا وعدہ کرتا ہے (8.7 گھنٹے downtime/year زیادہ سے زیادہ)۔ آپ کا اندرونی SLO ہدف 99.95% اپ ٹائم (4.4 hours/year)۔ اندرونی طور پر اونچا ہدف بنا کر، آپ کے پاس حفاظتی مارجن ہوتا ہے، یہاں تک کہ اگر کچھ غلط ہو جاتا ہے، تب بھی آپ کسٹمر کا سامنا کرنے والے عزم کو پورا کرتے ہیں۔

Incident

ایک غیر منصوبہ بند واقعہ جو سروس میں خلل ڈالتا ہے یا اس کی تنزلی کرتا ہے، جیسے کریش، ڈیٹا کا نقصان، سیکیورٹی کی خلاف ورزی، یا کارکردگی کا بڑا مسئلہ۔

Rollback

جب کوئی نئی اپ ڈیٹ مسائل کا باعث بنتی ہے تو کسی سسٹم کو پچھلے، معروف-اچھے ورژن میں تبدیل کرنا۔

💡 مشابہ: ایک درزی آپ کے سوٹ کو تبدیل کرتا ہے اور یہ بدتر نظر آتا ہے۔ رول بیک: تبدیلیوں کو کالعدم کریں اور اصل میں فٹ ہونے والے پچھلے ورژن پر واپس جائیں۔

---

13. پروٹوکول اور معیارات

AAIF / Agentic AI Foundation

لینکس فاؤنڈیشن کا ایک اقدام جو کھلے AI معیارات کے لیے غیر جانبدار حکمرانی فراہم کرتا ہے، بشمول MCP، AGENTS.md، اور مزید۔ پلاٹینم کے اراکین میں AWS، Anthropic، بلاک، بلومبرگ، Cloudflare، Google، Microsoft، اور OpenAI شامل ہیں۔

💡 یہ کیوں اہمیت رکھتا ہے: تصور کریں کہ کیا ہر کار بنانے والا مختلف ایندھن کی نوزل استعمال کرتا ہے۔ آپ ہمیشہ کے لیے ایک برانڈ میں بند ہو جائیں گے۔ AAIF یقینی بناتا ہے کہ AI معیارات (جیسے MCP) کھلے اور عالمگیر ہیں، لہذا آپ کا Digital FTEs پلیٹ فارمز پر کام کرتا ہے۔ ایک بار بنائیں، کہیں بھی تعینات کریں، کوئی وینڈر لاک ان نہیں۔

A2A (ایجنٹ-to-ایجنٹ Protocol)

ایک پروٹوکول جو AI ایجنٹوں کو ایک دوسرے کو دریافت کرنے، بات چیت کرنے، کاموں کو تفویض کرنے اور نتائج کو براہ راست شیئر کرنے کے قابل بناتا ہے۔

💡 مشابہت: MCP ایجنٹوں کو ٹولز سے جوڑتا ہے (کسی ڈیوائس کو پاور آؤٹ لیٹ میں لگانا)۔ A2A ایجنٹوں کو دوسرے ایجنٹوں سے جوڑتا ہے (ایک دوسرے کے ساتھ ہم آہنگی کرنے والے ساتھی کارکن)۔

OpenAPI

REST APIs کو مشین کے پڑھنے کے قابل فارمیٹ میں بیان کرنے کا ایک معیار، تاکہ انسان اور سافٹ ویئر دونوں بالکل ٹھیک سمجھ سکیں کہ API کیا کرتا ہے، اسے کیا ان پٹ کی توقع ہے، اور یہ کیا آؤٹ پٹ واپس کرتا ہے۔

🔹 مثال: weather API کے لیے ایک OpenAPI specification یہ بیان کرتی ہے: "Endpoint: /weather. Method: GET. Parameter: city (text, required). Response: temperature (number)، condition (text)، humidity (number) کے ساتھ JSON۔" کوئی بھی developer (یا AI ایجنٹ) اس تفصیل کو پڑھ کر فورا سمجھ سکتا ہے کہ API کو trial and error کے بغیر کیسے استعمال کرنا ہے۔

---

14. کاروبار، مصنوعات، اور حکمت عملی کی شرائط

SaaS (سافٹ ویئر as a Service)

سبسکرپشن پر انٹرنیٹ پر فراہم کردہ سافٹ ویئر۔ آپ لاگ ان کریں اور اسے استعمال کریں۔ کوئی تنصیب کی ضرورت نہیں ہے.

🔹 مثال: Gmail، Slack، Zoom، Salesforce، تمام SaaS پروڈکٹس۔ ایجنٹ فیکٹری thesis کا استدلال ہے کہ ہم SaaS (سیلنگ ٹول سبسکرپشنز) سے Digital FTEs کے ذریعے نتائج فروخت کرنے کی طرف بڑھ رہے ہیں۔

Per-Seat سافٹ ویئر

سافٹ ویئر تک رسائی حاصل کرنے والے ہر صارف کے لیے قیمت کا تعین کرنے والا ماڈل۔

🔹 مثال: آپ کی کمپنی روپے ادا کرتی ہے۔ پراجیکٹ مینجمنٹ ٹول کے لیے 5,000/month فی ملازم۔ 50 ملازمین = روپے 250، 000/month.

Workflow Automation

انسانی مداخلت کے بغیر خود بخود دہرائے جانے والے کاموں کو انجام دینے کے لیے ٹیکنالوجی کا استعمال۔

🔹 مثال: جب کوئی نیا گاہک آپ کی ویب سائٹ پر سائن اپ کرتا ہے، تو ایک خودکار ورک فلو ایک خوش آئند ای میل بھیجتا ہے، اپنا CRM ریکارڈ بناتا ہے، سیلز ٹیم کو مطلع کرتا ہے، اور فالو اپ شیڈول کرتا ہے، اس میں کوئی انسان شامل نہیں ہوتا ہے۔

ROI (Return on Investment)

آپ نے جو خرچ کیا اس کے مقابلہ میں آپ کو کتنی قیمت واپس ملتی ہے۔

🔹 Example: آپ Rs. 500,000 خرچ کر کے ایک Digital FTE build کرتے ہیں جو آپ کی ٹیم کو ہر month 100 hours بچاتا ہے، جن کی قدر Rs. 5,000,000/year ہے۔ یہ 10x ROI ہے۔

Operating ماڈل

کس طرح ایک تنظیم قدر فراہم کرنے کے لیے اپنے لوگوں، عمل اور ٹیکنالوجی کی تشکیل کرتی ہے۔ ایجنٹ فیکٹری thesis ایک نئے آپریٹنگ ماڈل کی تجویز پیش کرتا ہے: ہائبرڈ ہیومن ایجنٹ ٹیمیں۔

🔹 Example: traditional operating ماڈل: 50 human کسٹمر سروس reps، ہر ایک 30 tickets/day handle کرتا ہے = 1,500 tickets/day۔ ایجنٹ فیکٹری operating ماڈل: 10 human reps، 20 Digital FTEs supervise کرتے ہیں، جو collectively 8,000 tickets/day زیادہ consistency کے ساتھ handle کرتے ہیں۔ same department، fundamentally different ساخت۔

Monetization

کسی پروڈکٹ یا سروس سے آمدنی پیدا کرنا۔ کتاب متعدد AI منیٹائزیشن کی حکمت عملی سکھاتی ہے: منظم سبسکرپشنز، کامیابی کی فیس، انٹرپرائز لائسنس، اور skills مند بازار۔

Managed Subscription

ایک بار بار چلنے والا فیس ماڈل جہاں گاہک AI حل کے لیے monthly/annually ادا کرتے ہیں فراہم کنندہ میزبانی کرتا ہے، برقرار رکھتا ہے، اپ ڈیٹ کرتا ہے اور چلاتا ہے۔

🔹 Example: کسٹمر Rs. 200,000/month pay کرتا ہے ایسے Digital FTE کے لیے جو accounts receivable handle کرتا ہے، اور provider اسے fully managed رکھتا ہے۔

Success Fee

قیمت کا ایک ماڈل جہاں ادائیگی مخصوص نتائج کے حصول سے منسلک ہے: آپ صرف اس وقت ادائیگی کرتے ہیں (یا پریمیم ادا کرتے ہیں) جب حل قابل پیمائش نتائج فراہم کرتا ہے۔

🔹 مثال: "ہمارا AI ایجنٹ آپ کے کسٹمر سپورٹ کے اخراجات کو 30% کم کرتا ہے۔ ہم 20% بچت اپنی فیس کے طور پر لیتے ہیں۔ کوئی بچت نہیں، کوئی فیس نہیں۔"

ادارہ License

بڑی تنظیموں کے لیے لائسنسنگ کا معاہدہ، عام طور پر والیوم ڈسکاؤنٹس، حسب ضرورت، وقف حمایت، اور تعمیل کی ضمانتوں کے ساتھ۔

🔹 مثال: 5,000 ملازمین والا بینک ایک AI پلیٹ فارم کے لیے انٹرپرائز لائسنس پر بات چیت کرتا ہے: لامحدود صارفین، ان کے بنیادی بینکنگ سسٹم کے ساتھ حسب ضرورت انضمام، 24/7 وقف کردہ سپورٹ، SBP تعمیل سرٹیفیکیشن، اور آن پریمائس تعیناتی کا اختیار۔ $20/month انفرادی پلان کے لیے سائن اپ کرنے سے بہت مختلف ہے۔

Skill Marketplace

ایک ایسا بازار جہاں ڈویلپر دوبارہ قابل استعمال AI ایجنٹ کی skills (SKILL.md فائلیں، پلگ ان، کنیکٹر) بیچتے یا شیئر کرتے ہیں جو صلاحیتوں کا ایک ماحولیاتی نظام بناتے ہیں۔

شعبہ جاتی مہارت

کسی مخصوص فیلڈ یا صنعت کا گہرا علم، بشمول اصطلاحات، ضوابط، ورک فلو، درد کے نکات، اور مسابقتی حرکیات۔

🔹 مثال: بینکنگ ایجنٹوں کے لیے SBP کے ضوابط، فارماسیوٹیکل ایجنٹس کے لیے DRAP کی ضروریات، یا تجارتی ایجنٹوں کے لیے کسٹم ڈیوٹی کے ڈھانچے کو سمجھنا۔ ڈومین کی skill وہ کھائی ہے جو Digital FTEs کو قیمتی بناتی ہے۔

Reusable Intellectual Property

ملکیتی ٹولز، فریم ورک، ٹیمپلیٹس، یا ایجنٹ کنفیگریشنز جو ایک سے زیادہ کلائنٹس یا پروجیکٹس میں قابل استعمال ہیں، ہر مصروفیت کے ساتھ کمپاؤنڈنگ ویلیو بناتے ہیں۔

🔹 مثال: آپ ایک ٹیکسٹائل برآمد کنندہ کے لیے ایک ایجنٹ بناتے ہیں جو LC دستاویز کی جانچ کو خودکار کرتا ہے۔ بنیادی منطق (LCs کو پارس کرنا، ضوابط سے مماثلت، تضادات کو جھنڈا لگانا) دوبارہ قابل استعمال IP ہے۔ آپ اسے کم سے کم حسب ضرورت کے ساتھ مزید 10 برآمد کنندگان کے لیے تعینات کر سکتے ہیں، اسی کام سے دس گنا زیادہ آمدنی حاصل کر سکتے ہیں۔

Hybrid افرادی قوت

ایک تنظیمی ماڈل جہاں انسانی ملازمین اور Digital FTEs شانہ بشانہ کام کرتے ہیں، ہر ایک ان کاموں کو سنبھالتا ہے جو وہ بہترین طریقے سے انجام دیتے ہیں۔ انسان فیصلہ اور تخلیقی صلاحیتیں فراہم کرتے ہیں۔ ایجنٹ پیمانے اور مستقل مزاجی فراہم کرتے ہیں۔

🔹 مثال: کسٹمر سپورٹ ٹیم میں: AI ایجنٹ 80% معمول کے سوالات (آرڈر اسٹیٹس، رقم کی واپسی کا عمل، پاس ورڈ ری سیٹ) کو ہینڈل کرتے ہیں جبکہ انسانی ایجنٹ 20% کو ہینڈل کرتے ہیں جن کے لیے ہمدردی، پیچیدہ فیصلے، یا اضافہ کی ضرورت ہوتی ہے۔ نہ ہی مکمل بوجھ اکیلے ہینڈل کر سکتے ہیں: ایک ساتھ، وہ اعلی معیار پر 5x زیادہ گاہکوں کی خدمت کرتے ہیں۔

Outcome-Based Pricing

وقت گزارنے یا استعمال شدہ خصوصیات کے بجائے حاصل کردہ نتائج کی بنیاد پر چارج کرنا۔ کتاب کا استدلال ہے کہ یہ AI خدمات کا مستقبل ہے۔

Gain-Share ماڈل

قیمتوں کا تعین کرنے کا انتظام جہاں فراہم کنندہ قابل پیمائش بچت کا فیصد کماتا ہے یا حل فراہم کرتا ہے۔

🔹 مثال: آپ کا Digital FTE ایک کلائنٹ روپے بچاتا ہے۔ پروسیسنگ کے اخراجات میں سالانہ 10 ملین۔ 15% گین شیئر ماڈل کے تحت، آپ روپے کماتے ہیں۔ 1.5 million/year.

Hyperscaler

سب سے بڑے کلاؤڈ فراہم کنندگان (AWS, Azure, Google Cloud) بڑے پیمانے پر عالمی انفراسٹرکچر کے ساتھ جو اربوں صارفین کی خدمت کرنے کے قابل ہے۔

Go-to-مارکیٹ (GTM)

کسی پروڈکٹ کو گاہکوں تک پہنچانے کے لیے مکمل حکمت عملی، بشمول پوزیشننگ، قیمتوں کا تعین، تقسیم کے چینلز، اور سیلز اپروچ۔

Consultative Selling

ایک سیلز اپروچ جہاں آپ کوئی بھی حل تجویز کرنے سے پہلے خریدار کے مسئلے کو گہرائی سے سمجھتے ہیں، ایک قابل اعتماد مشیر کے طور پر کام کرتے ہیں، نہ کہ پروڈکٹ پشر۔

💡 مشابہت: ایک اچھا ڈاکٹر اس لمحے دوا نہیں لکھتا جب آپ چلتے ہیں۔ وہ سوالات پوچھتے ہیں، تشخیص کرتے ہیں، بنیادی وجہ کو سمجھتے ہیں، اور پھر علاج تجویز کرتے ہیں۔ مشاورتی فروخت اسی طرح کام کرتی ہے۔

Agile Development

سافٹ ویئر کی تعمیر کے لئے ایک تکراری نقطہ نظر۔ چھوٹے اضافے کو کثرت سے فراہم کریں، رائے حاصل کریں، ایڈجسٹ کریں، دہرائیں۔

💡 مشابہت: ایک مکمل گھر بنانے اور مالک کو پسند آنے کی امید کرنے کے دو سال گزارنے کے بجائے، آپ ایک کمرہ بنائیں، مالک کو دکھائیں، رائے حاصل کریں، اور اگلا کمرہ بنانے سے پہلے ایڈجسٹ کریں۔ تیز، سستا، اور مالک کو وہی ملتا ہے جو وہ اصل میں چاہتے ہیں۔

Stakeholder

کوئی بھی شخص جو کسی پروجیکٹ میں دلچسپی رکھتا ہو یا اس پر اثر انداز ہو، بشمول گاہک، مینیجرز، سرمایہ کار، ٹیم کے اراکین، ریگولیٹرز، اختتامی صارفین۔

🔹 مثال: اسپتال کے AI شیڈولنگ ایجنٹ کے لیے، اسٹیک ہولڈرز میں شامل ہیں: ڈاکٹر (جنہیں درست نظام الاوقات کی ضرورت ہے)، مریض (جن کو آسان تقرریوں کی ضرورت ہے)، اسپتال انتظامیہ (جن کو لاگت کی بچت کی ضرورت ہے)، IT ٹیم (جسے نظام کو برقرار رکھنے کی ضرورت ہے)، اور DRAP/regulators (جنہیں تعمیل کی ضرورت ہے)۔ ہر اسٹیک ہولڈر کی مختلف ضروریات ہوتی ہیں جن کو پراجیکٹ کو پورا کرنا چاہیے۔

Vertical مارکیٹ

منفرد ضروریات کے ساتھ ایک مخصوص صنعت کا مقام، جیسے صحت کی دیکھ بھال، بینکنگ، ٹیکسٹائل، لاجسٹکس، تعلیم۔ عمودی skill Digital FTEs فروخت کرنے کی کلید ہے۔

🔹 مثال: "کسٹمر سپورٹ ایجنٹ" ایک افقی (کراس انڈسٹری) پروڈکٹ ہے۔ "پاکستانی ہیلتھ انشورنس کمپنیوں کے لیے کلیمز پروسیسنگ ایجنٹ جو SECP کے ضوابط اور اردو طبی اصطلاحات کو سمجھتا ہے" ایک عمودی پروڈکٹ ہے۔ عمودی مصنوعات زیادہ قیمتوں کا حکم دیتی ہیں کیونکہ وہ مخصوص، تکلیف دہ مسائل کو حل کرتی ہیں جو عام ٹولز نہیں کر سکتے۔

---

15. حوالہ کردہ ٹولز اور مصنوعات

Claude

Anthropic کا AI ماڈلز کا خاندان۔ Claude Opus سب سے زیادہ قابل ہے؛ Claude سونیٹ صلاحیت اور رفتار کو متوازن کرتا ہے۔ Claude ہائیکو سب سے تیز اور سب سے زیادہ اقتصادی ہے۔

GPT

OpenAI کا AI ماڈلز کا خاندان (GPT-4، GPT-5، وغیرہ)، چیٹGPT اور بہت سی دوسری ایپلی کیشنز کو طاقت فراہم کرتا ہے۔

Gemini

Google کے AI ماڈلز کا خاندان، Google کی تمام مصنوعات میں مربوط اور API کے ذریعے دستیاب ہے۔

Anthropic

AI حفاظتی کمپنی جو Claude بناتی ہے۔ 2021 میں قائم کیا گیا، جس کا صدر دفتر سان فرانسسکو میں ہے۔

OpenAI

وہ کمپنی جو GPT اور ChatGPT بناتی ہے۔ 2015 میں قائم ہوا۔

OpenAI Agents SDK

OpenAI کی ٹول کٹ AI ایجنٹوں کو پروگرام کے مطابق بنانے کے لیے: اس کتاب کے حصہ 6 میں شامل ہے۔

Google ADK (ایجنٹ Development Kit)

Gemini ماڈلز کے ساتھ AI ایجنٹس بنانے کے لیے گوگل کی ٹول کٹ۔

FastAPI

APIs کی تعمیر کے لیے ایک جدید، تیز Python ویب فریم ورک: وسیع پیمانے پر AI ایجنٹ بیک اینڈز کے لیے استعمال کیا جاتا ہے۔ حصہ 6 میں تفصیل سے بتایا گیا ہے۔

Docusaurus

ایک جامد ویب سائٹ جنریٹر (میٹا کے ذریعے بنایا گیا) دستاویزات کی سائٹس بنانے کے لیے استعمال ہوتا ہے۔ یہ کتاب Docusaurus کے ساتھ بنائی گئی ہے۔

Markdown

ایک سادہ ٹیکسٹ فارمیٹنگ زبان جیسے علامات کا استعمال کرتے ہوئے جیسے # عنوانات کے لیے، ** بولڈ کے لیے، - فہرستوں کے لیے۔ تکنیکی دستاویزات کی زبان۔

VS Code (Visual Studio Code)

Microsoft کا ایک مشہور، مفت کوڈ ایڈیٹر، Claude Code کے ساتھ وسیع پیمانے پر استعمال ہوتا ہے۔

AWS (Amazon Web Services)

ایمیزون کا کلاؤڈ کمپیوٹنگ پلیٹ فارم، دنیا کا سب سے بڑا کلاؤڈ فراہم کنندہ۔

GCP (Google Cloud Platform)

گوگل کا کلاؤڈ کمپیوٹنگ پلیٹ فارم۔

Azure

Microsoft کا کلاؤڈ کمپیوٹنگ پلیٹ فارم۔

Cloudflare

ایک کلاؤڈ انفراسٹرکچر اور سیکیورٹی کمپنی جو CDN، ایج کمپیوٹنگ، R2 اسٹوریج، اور ورکرز فراہم کرتی ہے۔ کتاب کے تعیناتی فن تعمیر میں بڑے پیمانے پر استعمال کیا گیا ہے۔

---

آپ تیار ہیں۔ آپ کو اس میں سے کسی کو بھی یاد کرنے کی ضرورت نہیں ہے۔ اس صفحہ کو بک مارک کریں۔ جیسا کہ آپ کتاب پڑھتے ہیں، وہ اصطلاحات جو آج تجریدی لگتی ہیں ہینڈ آن پریکٹس کے ذریعے دوسری نوعیت بن جائیں گی۔

زبان سیکھنے کا بہترین طریقہ اسے استعمال کرنا ہے۔

آئیے بنائیں۔