سے بانی رکاوٹ کو مالک نمائندہ: Scaling ایک AI-Native کمپنی Past اس کا مالک کا Attention

15 تصورات اور دو lab tracks. "half-day" میں title ہے simulated track: کے بارے میں 2 کو 3 گھنٹے کا conceptual مطالعہ plus 2 کو 3 گھنٹے کا simulated lab کے ساتھ mock endpoints. full-implementation track ہے ایک separate 1-دن sprint کو 2-دن ورکشاپ: کے بارے میں 3 گھنٹے کا مطالعہ plus 6 کو 10 گھنٹے کا عملی lab. مکمل track کرتا ہے نہیں modify Paperclip's codebase; یہ registers آپ کا Identic AI بطور ایک Paperclip agent، builds signing-and-verification layer میں آپ کا اپنا integration skill، اور مشقیں مکمل cryptographic round-trip کے خلاف حقیقی Paperclip منظوری routes. چنیں track پہلے فیصلہ 1; دیکھیں حصہ 4 کے لیے details.

ایک continuation مختصر عملی کورس. یہ ہے Course Eight کا nine میں agentic-coding track، اور یہ ہے deep operationalization کا Invariant 2 کا ایجنٹ فیکٹری thesis: ہر human ضرورت ہے ایک نمائندہ. Courses Five، Six، اور Seven taught آپ کو تعمیر کریں، نظم و نگرانی کرنا، اور grow ایک AI-native کمپنی کا hired ورکرز. کیا those three کورسز left unresolved ہے کیا ہوتا ہے جب افرادی قوت gets بڑا enough کہ human مالک سکتا ہے نہیں longer پڑھیں ہر منظوری thread. Course Eight names یہ بطور ڈھانچہ کا last رکاوٹ اور سکھاتا ہے trust-delegation نمونہ کہ removes یہ: کیسے مالک کا نمائندہ (her Identic AI، Don Tapscott کا اصطلاح کے لیے ایک personal AI کہ carries اس کا صارف کا identity، preferences، اور اختیار) لیتا ہے routine نظم و نگرانی traffic on her behalf، applies her judgment، اور surfaces صرف فیصلے کہ genuinely ضرورت her.

single insight کہ بناتا ہے everything else click: ایک AI-native کمپنی stops scaling پر مالک کا attention، نہیں پر hiring API; مالک Identic AI ہے بنیادی اکائی کہ removes مالک بطور رکاوٹ بغیر removing مالک سے قابو. Courses Five کے ذریعے Seven let آپ hire ایک thousand ورکرز. Nothing میں those کورسز prevents مالک سے drowning میں منظوری threads جب she کرتا ہے. ہر تصور میں Course Eight either expands کیا نمائندہ decides autonomously، یا sharpens seam کہاں ایک فیصلہ لازمی come back کو human. دونوں ہیں ڈھانچہ.

Why this matters for the Agent Factory: Invariant 2 in full

ایجنٹ فیکٹری thesis names seven structural قواعد ایک AI-native کمپنی لازمی obey. Invariant 2 says ہر human ضرورت ہے ایک personal AI agent، ایک "نمائندہ،" کہ holds ان کا سیاق و سباق، ان کا judgment، اور ان کا اختیار on ان کا behalf. یہاں ہے architect کا framing sentence، ایک یہ entire کورس ہے built کے گرد:

"ایک بانی سکتا ہے hire ten ورکرز اور پڑھیں ہر منظوری; ایک بانی نہیں کر سکتا hire ایک thousand ورکرز اور پڑھیں ہر منظوری. بغیر ایک Identic AI کہ acts on مالک کا behalf، applying مالک کا known judgment کو routine فیصلے اور surfacing صرف ones کہ aren't routine، ہر previous invariant میں AI-native کمپنی caps باہر پر مالک کا attention. مالک کا Identic AI ہے نہیں ایک productivity ٹول. یہ ہے صرف ڈھانچے سے متعلق جواب کو سوال کا کیسے ایک AI-native کمپنی scales past اس کا بانی."

thesis specifies OpenClaw بطور نمائندہ یہ ships. یہ کورس سکھاتا ہے کیسے کو configure OpenClaw کے لیے ایک specific استعمال کریں کا نمائندہ: بطور کمپنی مالک کا نظم و نگرانی delegate، agent کہ holds مالک کا اختیار envelope اور brokers منظوری traffic on her behalf. کورس extends thesis بغیر contradicting یہ: thesis تعریف کرتا ہے نمائندہ; کورس سکھاتا ہے کیا نمائندہ has کو کریں، cryptographically اور operationally، کو safely absorb ایک افرادی قوت's worth کا منظوری traffic.

Courses Three کے ذریعے Seven operationalized دwasرا invariants میں depth: Three covered Invariant 4 (engine choice، runtime ہر agent چلتا ہے on)، Four covered Invariant 5 (ریکارڈ کا مستند نظام via MCP)، Five covered Invariant 7 ( nervous نظام کے ساتھ Inngest)، Six covered Invariant 3 ( management layer کے ساتھ Paperclip)، اور Seven covered Invariant 6 (hiring بطور ایک callable صلاحیت). Course Eight completes Invariant 2 کے ساتھ وہی depth. Course Nine پھر adds cross-cutting طریقہ کار، eval-driven development، کہ turns ہر ورکر، ہر hire، اور ہر delegated فیصلہ میں something measurably trustworthy میں پروڈکشن.

About the platform choice

Courses Five کے ذریعے Seven taught آپ کو استعمال کریں Paperclip بطور management layer، Inngest بطور operational envelope، اور Claude Managed Agents بطور worked-example runtime کے لیے hired ورکرز. Course Eight introduces OpenClaw (openclaw.ai، github.com/openclaw/openclaw، docs.openclaw.ai) بطور runtime کے لیے مالک کا نمائندہ، وہی OpenClaw ایجنٹ فیکٹری thesis names میں Invariant 2.

OpenClaw ہے ایک open-ماخذ personal AI assistant کہ چلتا ہے on صارف کا local machine (Mac، Windows، یا Linux)، ہے reachable کے ذریعے chat apps صارف پہلے ہی استعمال کرتا ہے، اور ہے built کے گرد persistent memory، صارف ڈیٹا sovereignty، اور skill extensibility. یہ exposes 50+ integrations، including 15+ chat channels (WhatsApp، Telegram، Discord، Slack، Signal، iMessage، اور زیادہ). تصور 4 walks کے ذریعے کیا OpenClaw اصل میں ہے، کیوں thesis ships یہ بطور نمائندہ، اور کیا alternatives would دیکھیں like if آپ wanted کو swap runtime.

delegated نظم و نگرانی بنیادی اکائی Course Eight سکھاتا ہے، کیسے ایک مالک کا Identic AI signs requests کو کمپنی کا Paperclip افرادی قوت، ہے نہیں ایک shipped integration درمیان OpenClaw اور Paperclip. یہ ہے ایک ڈھانچے سے متعلق نمونہ Course Eight سکھاتا ہے آپ کو assemble استعمال کرتے ہوئے OpenClaw's skills نظام اور Paperclip's verified-identity بنیادی اکائیاں. دونوں پروڈکٹس ship تعمیر blocks; کورس wires انہیں together.

Known rough edges as of May 2026 (don't be surprised when you hit them)

• OpenClaw ہے fast-moving. پروجیکٹ ہے اوپن سورس کے تحت ایک MIT license، کون سا ہے ایک حقیقی continuity guarantee، مگر یہ ہے اب بھی adding skills، integrations، اور بنیادی اکائیاں weekly، اور اس کا institutional position has shifted زیادہ than once میں اس کا پہلا six months. کورس سکھاتا ہے کے خلاف stable surface کا openclaw.ai اور docs.openclaw.ai بطور کا ہو سکتا ہے 2026; specific dates، نسخہ numbers، اور integration counts چاہیے be verified کے خلاف official site پہلے being treated بطور authoritative. Treat کوئی بھی چیز نہیں on those URLs بطور میں motion.
• مالک کا judgment-سیکھنا loop، کیسے Identic AI learns مالک کا values سے ان کا past منظوری فیصلے، ہے پر frontier کا کیا کا shipped today. Course Eight سکھاتا ہے ڈھانچے سے متعلق commitments اور عملی نمونے کہ کام میں ہو سکتا ہے 2026، اور explicitly names کون سا parts ہیں کھولیں research (تصورات 13 کے ذریعے 15).

TL;DR (read this first if you have 60 seconds)

four claims میں order:

1. ایک AI-native کمپنی stops scaling پر مالک کا attention، نہیں پر hiring API. Courses Five کے ذریعے Seven let آپ hire ایک thousand ورکرز; nothing میں those کورسز prevents مالک سے drowning میں منظوری threads جب she کرتا ہے.
2. ڈھانچے سے متعلق جواب ہے کو دیں مالک ایک Identic AI، ایک personal AI نمائندہ کہ lives on مالک کا hardware، knows her judgment نمونے، اور acts on her behalf کے لیے routine فیصلے جبکہ surfacing consequential ones.
3. OpenClaw ہے credible shipped runtime کے لیے یہ میں ہو سکتا ہے 2026. یہ ہے اوپن سورس، صارف-owned، reachable کے ذریعے مالک کا existing chat apps، اور built کے گرد persistent memory کا صارف. کورس سکھاتا ہے کیسے کو configure یہ بطور ایک نظم و نگرانی نمائندہ، نہیں بطور ایک general-purpose assistant.
4. trust-نمائندگی primitive، ڈھانچے سے متعلق نمونہ کہ lets human مالک اور مالک کا Identic AI دونوں act کے ساتھ اختیار جبکہ remaining distinguishable میں audit log، ہے central تکنیکی move Course Eight سکھاتا ہے. یہ ہے کیا بناتا ہے delegated نظم و نگرانی safe rather than reckless.

The plain-English version, if any of that lost you

میں Course Seven، we built ایک چھوٹا AI کمپنی کہ could hire ایک fourth AI ورکر ( قانونی specialist) کے تحت منظوری سے human مالک. کہ کام کرتا ہے جب کمپنی has four ورکرز. جب کمپنی has four hundred ورکرز، human مالک سکتا ہے't پڑھیں ہر منظوری anymore; she would be مطالعہ منظوریاں all دن. یہ کورس سکھاتا ہے مالک کیسے کو رکھتے ہیں her اپنا personal AI assistant (استعمال کرتے ہوئے ایک open-ماخذ ٹول called OpenClaw کہ چلتا ہے on her laptop) کہ reads منظوریاں on her behalf، بناتا ہے آسان فیصلے itself استعمال کرتے ہوئے نمونے یہ has learned سے her past فیصلے، اور صرف wakes her up جب something genuinely ضرورت ہے her judgment. کورس بھی سکھاتا ہے کمپنی کا management نظام کیسے کو tell difference درمیان مالک herself clicking "approve" اور مالک کا personal AI clicking "approve" on her behalf، کیونکہ دونوں ہیں authorized، مگر جانچ کا ریکارڈ has کو distinguish انہیں.

The ڈھانچے سے متعلق payoff: مالک کا attention ہے اب spent صرف on فیصلے کہ genuinely benefit سے ایک human کا judgment.

Courses Five کے ذریعے Seven recap: کہاں things were left (click کو expand)

If آپ've just finished Course Seven، سرسری پڑھیں اور move on. If آپ're picking یہ up cold یا یہ کا been ایک جبکہ، four pieces کا سیاق و سباق below ہیں load-bearing کے لیے rest کا Course Eight.

سے Course Five ( operational envelope): کمپنی کا ورکرز چلائیں اندر Inngest کا پائیدار-عمل درآمد wrapper، کون سا دیتا ہے انہیں crash-safe چلتا ہے، retry-on-failure، structured logging کو دو specific tables (activity_log اور cost_events)، اور step.wait_for_event پائیدار-pause بنیادی اکائی. کہ Inngest بنیادی اکائی lets ایک ورکر pause کے لیے گھنٹے یا days بغیر consuming compute during wait. Paperclip's منظوریاں، introduced میں Course Six، ہیں ایک separate mechanism: ایک منظوری ہے ایک decision record، نہیں ایک paused ورکر. Approving ایک کرتا ہے نہیں auto-resume کوئی بھی چیز; continuing کام ہے ایک explicit اگلا step. کیا Course Eight تبدیلیاں ہے نظم و نگرانی decision: routine منظوری کہ استعمال ہوا کو wait کے لیے مالک کا attention ہے اب fielded پہلا کے ذریعے مالک کا Identic AI، اور صرف consequential ones reach مالک herself.

سے Course Six ( management plane): کمپنی چلتا ہے on Paperclip، ایک open-ماخذ management layer (docs.paperclip.ing) کہ دیتا ہے افرادی قوت ایک org chart، اختیار envelopes (قواعد bounding کیا ہر ورکر سکتا ہے کریں)، منظوری gates (refunds پر $500 require انسانی منظوری)، اور ایک shared ریکارڈ کا مستند نظام. ورکرز میں worked مثال ہیں Tier-1 سپورٹ، Tier-2 specialist، اور Manager-Agent. Course Eight extends Paperclip once زیادہ، adding delegated-منظوری recognition path.

سے Course Seven ( hiring API): Paperclip exposes hiring بطور ایک callable صلاحیت. Manager-Agent سکتا ہے detect ایک صلاحیت gap اور propose ایک نیا hire، کون سا routes کے ذریعے وہی منظوری gate. Course Seven بھی introduces talent ledger (ایک SQL-queryable audit stream کا ہر hire، eval، اور retirement) اور auto-منظوری policy بنیادی اکائی، کون سا auto-approves routine hires کہ meet envelope، بجٹ، اور eval-pack thresholds. کمپنی hired ایک fourth ورکر، قانونی specialist، running on Claude Managed Agents via Paperclip's http adapter.

کیا کا left پر human مالک کا keyboard بعد Course Seven: ہر منظوری کہ doesn't meet auto-منظوری thresholds. ہر envelope-extension hire. ہر refund پر auto-منظوری ceiling. ہر termination. ہر CMA migration. ہر standing-policy edit. یہ ہے رکاوٹ Course Eight removes. Three اصطلاحات recur throughout کورس: Worker (ایک AI agent کمپنی hired)، envelope ( bounds on کیا ایک ورکر ہے allowed کو کریں)، اور Claude Managed Agents / CMA ( hosted-agent runtime Course Seven استعمال ہوا کے لیے worked مثال).

If any کا four feels shaky، linked Course Five، Six، اور Seven docs جائیں all طریقہ back کو پہلا اصول.

کہاں یہ fits: cheat sheet

15 تصورات اور 7 فیصلے کا Course Eight، پر ایک glance:

#	تصور	Part	One-line description
1	ایک AI-native کمپنی stops scaling پر مالک کا attention	کیوں	math سے Course Seven: کے بارے میں 5 کو 10 منظوریاں ایک دن پر 10 ورکرز; hundreds پر 1،000. مالک بن جاتا ہے رکاوٹ unless something acts on her behalf.
2	کیا Identic AI means: Tapscott کا framing بنایا گیا concrete	کیوں	Five properties: personalized، قدر-reflecting، extension-of-self، self-sovereign، persistent memory. Distinguishes Identic AI سے any دwasرا "AI assistant."
3	کیوں مالک specifically: نہیں افرادی قوت، نہیں customer	کیوں	دwasرا Identic AI استعمال کریں cases exist (customer-side، employee-side)، مگر load-bearing case کے لیے AI-native کمپنی ہے مالک کا. کورس سکھاتا ہے ایک اچھی طرح، نہیں three poorly.
4	OpenClaw: کیا یہ اصل میں ہے	ڈھانچہ	Verified سے openclaw.ai. local machine runtime، chat-app reachability، persistent memory، اوپن سورس، صارف-owned ڈیٹا.
5	persistent memory اور مالک کا local سیاق و سباق	ڈھانچہ	کہاں مالک کا accumulated judgment lives on her filesystem. session بنیادی اکائی سے docs.openclaw.ai. کیا persists، کیا doesn't.
6	Chat apps بطور interface layer	ڈھانچہ	کیوں OpenClaw reaches مالک کے ذریعے WhatsApp، Telegram، اور Discord rather than ایک ویب app. مالک ہے پہلے ہی میں chat; Identic AI lives کہاں مالک ہے.
7	trust-delegation problem	Governance	دو authorized principals ( owner-human اور مالک کا-Identic-AI). Manager-Agent has کو verify کون سا ایک ہے acting اور کیا اختیار کہ ایک carries.
8	Signed نمائندگی سے local credentials	Governance	کیا OpenClaw سکتا ہے sign کے ساتھ locally. کیا Paperclip management layer verifies. Passkeys، hardware-backed keys، اور ناکامی طریقے جب مالک کا machine ہے stolen.
9	two-envelope intersection	Governance	مالک کا اختیار envelope ("I سکتا ہے approve کوئی بھی چیز") meets Identic AI's delegated envelope ("I سکتا ہے approve routine فیصلے up کو یہ ceilings"). ان کا intersection ہے کیا executes.
حصہ 4	** 7 lab فیصلے**	Lab	install OpenClaw، onboard کے ساتھ مالک کا سیاق و سباق، تعمیر کریں ایک Paperclip-integration skill، رابطہ delegated منظوریاں، demonstrate شروع سے آخر تک، handle owner-overrides case، test device-switch اور stolen-laptop cases.
10	کیا Identic AI learns پر six months	audit	مالک کا accumulated فیصلہ نمونے. judgment-سیکھنا loop. کیسے OpenClaw's session نظام stores یہ. کیا بناتا ہے ایک نمونہ teachable vs. کیا stays پر مالک کا level.
11	نظم و نگرانی ledger: Identic AI's audit stream	audit	ایک parallel audit log کا کیا Identic AI decided on مالک کا behalf. مالک reads یہ weekly وہی طریقہ board reads Course Seven کا talent ledger.
12	جب Identic AI's judgment اور مالک کا diverge	audit	کیا ہوتا ہے جب Identic AI auto-approves something مالک would رکھتے ہیں declined. recalibration loop. کیوں یہ ہے ایک healthy signal، نہیں ایک ناکامی.
13	Self-sovereign memory: کہاں accumulated judgment lives long-term	کھولیں	Three ڈھانچے سے متعلق options. کیا ships میں ہو سکتا ہے 2026. کیا Tapscott calls "reinventing AI stack." Honest کے بارے میں کیا isn't solved.
14	قدر alignment beyond نمونہ-matching	کھولیں	frontier: کیسے ایک Identic AI learns مالک کا values ( قواعد کے تحت نمونے)، نہیں just نمونے themselves. Research preview، نہیں curriculum-ready.
15	کیا کا اگلا: Identic AI economy اور eval طریقہ کار	Forward	ڈھانچے سے متعلق completion پر end کا Course Eight; Course Nine adds eval طریقہ کار کہ بناتا ہے ڈھانچہ measurably trustworthy.

ہیں آپ ready کے لیے یہ کورس?

Prereq checklist

Five-item checklist. If any feels shaky، linked refreshers below get آپ وہاں.

1. آپ completed Courses Five کے ذریعے Seven، یا رکھتے ہیں built equivalent: ایک Inngest-wrapped ورکر، ایک Paperclip management layer کے ساتھ منظوری بنیادی اکائی، اور ایک working hiring API. Course Eight assumes company-side ڈھانچہ موجود ہے. If یہ doesn't، تعمیر کریں یہ پہلا.
2. آپ سکتا ہے پڑھیں TypeScript اور shell scripts، even if آپ سکتا ہے't لکھیں انہیں fluently. lab استعمال کرتا ہے TypeScript کے لیے Paperclip-integration skill اور shell کے لیے OpenClaw setup. آپ کا AI assistant (Claude Code یا OpenCode) types دونوں; آپ brief، review، اور approve. briefing نمونہ سے Courses Three کے ذریعے Seven continues unchanged.
3. آپ رکھتے ہیں ایک Mac، Linux، یا Windows machine آپ سکتا ہے install OpenClaw on. OpenClaw's one-line installer (curl -fsSL https://openclaw.ai/install.sh | bash) ضرورت ہے admin rights on پہلا چلائیں کے لیے Homebrew on macOS. lab depends on having ایک حقیقی running OpenClaw instance; وہاں ہے نہیں cloud-only shortcut کے لیے Course Eight.
4. آپ رکھتے ہیں پر least ایک chat app آپ سکتا ہے استعمال کریں کے لیے lab: WhatsApp، Telegram، Discord، Slack، Signal، یا iMessage. کورس defaults کو Telegram میں مثالیں کیونکہ OpenClaw docs کریں، مگر choice ہے yours.
5. آپ're comfortable کے ساتھ خیال کا ایک AI making فیصلے on آپ کا behalf، even if آپ're skeptical کے بارے میں کیسے far یہ چاہیے جائیں. کورس's central تکنیکی move ہے delegated اختیار; if آپ سکتا ہے't get past " AI ہے approving things میں my name،" lab won't land. تصور 12 addresses ناکامی cases directly; سرسری پڑھیں یہ پہلے deciding.

If any کا five feel shaky، شروع کریں کے ساتھ linked refreshers پہلے continuing. کورس ہے dense; prereqs بنائیں یہ feel light.

New here? Course Eight is the eighth of nine: here's the on-ramp

Course Eight closes architectural side کا ایجنٹ فیکٹری track; Course Nine adds discipline کا eval-driven development کہ turns ڈھانچہ میں measurably trustworthy پروڈکشن behavior. If five prerequisites above sound unfamiliar، کام backwards: Course Seven: سے Fixed کو dynamic افرادی قوت ہے direct prerequisite ( hiring API اور management plane Course Eight extends). پہلے کہ: Course Six: سے ایک ورکر کو ایک افرادی قوت (Paperclip plus management plane)، Course Five: سے Digital FTE کو پروڈکشن ورکر (Inngest plus operational envelope)، Course Three: تعمیر AI Agents ( agent loop)، اور PRIMM-AI+ باب if آپ're نیا کو AI-assisted کوڈنگ entirely. Course Eight references Course Six اور Seven تصورات ہر صفحہ یا دو; coming میں cold ہے harder than completing on-ramp.

If آپ سکتا ہے't کریں on-ramp درست اب مگر چاہتے ہیں کو follow تصورات، آپ سکتا ہے fake prerequisites کے ساتھ کم than مکمل stack: پڑھیں Paperclip Quickstart اور منظوریاں صفحہ; پڑھیں OpenClaw Getting Started; سرسری پڑھیں PRIMM-AI+ Lesson 1 کے لیے prediction-then-run rhythm کورس استعمال کرتا ہے میں ہر تصور. کے ساتھ those substitutes، آپ سکتا ہے follow Parts 1 کے ذریعے 3 اور Parts 5 کے ذریعے 6 conceptually. حصہ 4 lab درکار ہے دونوں ایک working Paperclip install (سے Course Seven) اور ایک working OpenClaw install (سے یہ کورس); وہاں ہیں نہیں shortcuts.

Glossary: 26 اصطلاحات ایک beginner سکتا ہے reference (click کو expand)

Course Eight استعمال کرتا ہے vocabulary سے across ایجنٹ فیکٹری track plus several نیا اصطلاحات specific کو Identic AI ڈھانچہ. اصطلاحات grouped کے ذریعے کیا they describe.

لوگ اور roles

• مالک / بانی / CEO: human principal who owns AI-native کمپنی. Courses Six اور Seven called یہ " board" جب فیصلہ was نظم و نگرانی-level; Course Eight استعمال کرتا ہے "مالک" کو emphasize کہ we're talking کے بارے میں ایک individual human کے ساتھ ایک Identic AI، نہیں ایک multi-person board.
• Identic AI: Don Tapscott کا اصطلاح (HBR IdeaCast Ep. 1066، Feb 17، 2026، اور his کتاب You کو Power کا Two) کے لیے ایک personalized AI کہ reflects اس کا صارف کا values، persists ان کا سیاق و سباق، اور acts بطور ایک extension کا انہیں. Five properties: personalized، قدر-reflecting، extension-of-self، self-sovereign، persistent memory.
• Maya: Course Eight کا worked-example مالک. بانی اور CEO کا customer-support کمپنی built across Courses Five کے ذریعے Seven. کورس follows her کے ذریعے lab.

OpenClaw بنیادی اکائیاں

• OpenClaw: open-ماخذ personal AI assistant (openclaw.ai). چلتا ہے on صارف کا local machine; reachable کے ذریعے chat apps; persistent memory; مکمل نظام access; skills اور پلگ انز. Course Eight کا worked-example runtime کے لیے Maya کا Identic AI.
• skill: OpenClaw's extensibility بنیادی اکائی. ایک skill ہے ایک unit کا صلاحیت (پڑھیں Gmail، قابو Spotify، talk کو Paperclip). skills سکتا ہے be لکھا گیا کے ذریعے صارف، contributed کے ذریعے community (ClawHub)، یا لکھا گیا کے ذریعے OpenClaw itself. Note: وہی word بطور Paperclip's skill بنیادی اکائی مگر ایک distinct concept; Paperclip skills install onto ورکرز، OpenClaw skills install onto صارف کا local OpenClaw.
• سیشن: OpenClaw's persistent-memory بنیادی اکائی (docs.openclaw.ai/تصورات/سیشن). unit کا accumulated سیاق و سباق کے لیے ایک صارف across وقت، across devices، across chat apps. کیا بناتا ہے OpenClaw ایک Identic AI rather than ایک stateless assistant.
• Onboard: OpenClaw's setup عمل. openclaw onboard walks صارف کے ذریعے persona setup، ماڈل selection، chat-app integration، اور initial skill installation.
• Companion App: OpenClaw's macOS menubar app (beta بطور کا ہو سکتا ہے 2026). ایک alternative کو chat-app interaction; useful جب مالک ہے پر her desk rather than on her فون.

Course Eight کا ڈھانچے سے متعلق تصورات

• مالک Identic AI: specific configuration کا ایک Identic AI کہ acts بطور ایک نظم و نگرانی نمائندہ کے لیے ایک AI-native کمپنی مالک. کورس's central تکنیکی آرٹفیکٹ. Maya کا OpenClaw، configured per Course Eight کا نمونہ، is her مالک Identic AI.
• Delegated نظم و نگرانی: load-bearing بنیادی اکائی کا Course Eight. نمونہ کے ذریعے کون سا Maya کا مالک Identic AI receives منظوری requests سے Paperclip management layer، applies Maya کا known judgment کو routine ones، اور surfaces صرف consequential ones کو Maya herself.
• Trust نمائندگی: verification mechanism کہ lets Paperclip management layer distinguish درمیان Maya-the-human اور Maya's-Identic-AI جب ایک منظوری click arrives. دونوں ہیں authorized; جانچ کا ریکارڈ records کون سا ایک acted.
• Owner-authority envelope: Maya کا personal اختیار envelope (analogous کو Course Six کا authority envelope concept). کیا Maya herself سکتا ہے approve. Distinct سے Identic AI's delegated envelope.
• Identic AI's delegated envelope: subset کا Maya کا اختیار کہ her Identic AI ہے allowed کو مشق on her behalf. سیٹ کے ذریعے Maya، recorded میں نظم و نگرانی ledger، narrower than Maya کا مکمل اختیار کے ذریعے ڈیزائن.
• Governance ledger: Course Eight کا parallel کو Course Seven کا talent ledger. append-only audit stream کا ہر فیصلہ Maya کا Identic AI بنایا گیا on her behalf. Maya reads یہ weekly.
• Judgment-سیکھنا loop: کیسے Maya کا Identic AI accumulates ایک ماڈل کا her فیصلے پر وقت. تصور 10 covers mechanics; تصور 14 covers frontier کا قدر alignment ( کھولیں research problem کا going سے نمونے کو values).
• Recalibration: loop کے ذریعے کون سا Maya corrects her Identic AI جب اس کا judgment diverges سے hers. تصور 12 covers یہ. Recalibration events ہیں themselves recorded میں نظم و نگرانی ledger.

سے Courses Three کے ذریعے Seven (referenced، defined زیادہ fully وہاں)

• ورکر: ایک single AI agent doing کام کے لیے کمپنی. Course Six defined یہ; Course Eight استعمال کرتا ہے یہ throughout.
• Manager-Agent: ورکر کہ orchestrates دwasرا ورکرز. Course Six اور Seven کا protagonist; Course Eight کا interlocutor کے لیے Maya کا Identic AI.
• Paperclip: management layer Course Six introduced اور Course Seven extended. Course Eight extends یہ once زیادہ، adding delegated-منظوری recognition path.
• اختیار envelope: Course Six کا mechanism کے لیے bounding کیا ایک ورکر سکتا ہے کریں. Course Eight analog ہے owner-اختیار envelope plus delegated envelope split.
• Activity log: append-only audit stream کا ہر افرادی قوت action. Distinct سے Course Eight کا نظم و نگرانی ledger (کون سا ہے Identic AI's audit stream).
• منظوری: Course Six اور Seven کا نظم و نگرانی gate. میں Paperclip، ایک منظوری ہے ایک decision record، نہیں ایک paused عمل: ایک board member یا ایک registered agent records ایک فیصلہ on یہ. (step.wait_for_event ہے Inngest کا پائیدار-pause بنیادی اکائی سے Course Five، ایک separate mechanism; Paperclip منظوریاں ہیں نہیں wired کو یہ.) Course Eight تبدیلیاں who fields routine ones: Maya کا Identic AI پہلے Maya herself.

Thesis-level

• AI-native کمپنی: Course Six اور Seven کا thesis-level اصطلاح کے لیے ایک کمپنی whose کام ہے مکمل primarily کے ذریعے AI ورکرز کے تحت human نظم و نگرانی. Course Eight argues کہ human نظم و نگرانی part کا یہ definition ہے incoherent بڑے پیمانے پر بغیر ایک مالک Identic AI.
• Invariant 2 / نمائندہ: Invariant 2 کا ایجنٹ فیکٹری thesis: every human ضرورت ہے ایک delegate. ایک personal agent کہ holds صارف کا identity، سیاق و سباق، اور اختیار envelope، اور brokers all downstream کام on صارف کا behalf. thesis names OpenClaw بطور نمائندہ; Course Eight سکھاتا ہے کیسے کو configure کہ نمائندہ بطور ایک نظم و نگرانی نمائندہ کے لیے ایک AI-native کمپنی مالک.
• Self-sovereign: Tapscott کا commitment کہ ایک Identic AI چاہیے be owned کے ذریعے صارف، نہیں ایک پلیٹ فارم. Course Eight inherits یہ commitment; OpenClaw ہے shipped پروڈکٹ کہ operationalizes یہ.

---

حصہ 1: کیوں مالک ہے رکاوٹ

thesis کا Courses Five کے ذریعے Seven was کہ ایک AI-native کمپنی سکتا ہے wasیع کرنا اس کا افرادی قوت indefinitely. hiring API ہے callable. منظوری بنیادی اکائی ہے reusable. talent ledger ہے queryable. Nothing میں ڈھانچہ stops کمپنی سے hiring اس کا tenth ورکر، اس کا hundredth، اس کا thousandth.

مگر something کرتا ہے cap ڈھانچہ، اور Course Seven left یہ implicit. ہر consequential فیصلہ اب بھی routes کو human مالک کا attention. ایک کمپنی کہ سکتا ہے hire 1،000 ورکرز مگر expects ایک human کو پڑھیں 1،000 ورکرز' worth کا منظوری threads ہے نہیں scaling. یہ ہے moving رکاوٹ سے "recruiting" کو "مالک attention." حصہ 1 بناتا ہے یہ argument concrete، پھر introduces ڈھانچے سے متعلق response: مالک کا Identic AI. Three تصورات.

تصور 1: ایک AI-native کمپنی stops scaling پر مالک کا attention، نہیں پر hiring API

یہ ہے heaviest concept میں کورس کیونکہ everything else rests on یہ. If argument یہاں doesn't land، rest کا Course Eight reads like forward-looking speculation کے بارے میں personal AI. If argument کرتا ہے land، rest کا Course Eight reads like solving ایک concrete problem previous three کورسز بنایا گیا.

argument ہے structural، مگر easiest طریقہ کو دیکھیں یہ ہے کو put numbers on یہ. We'll استعمال کریں Course Seven کا اصل worked مثال: customer-support کمپنی built across Courses Five کے ذریعے Seven، کون سا کے ذریعے end کا Course Seven has four ورکرز (Tier-1 سپورٹ، Tier-2 specialist، Manager-Agent، اور قانونی specialist just hired میں Course Seven کا فیصلہ 4). Maya، کمپنی کا بانی اور CEO، ہے human مالک. کے ذریعے end کا Course Seven، ہر consequential منظوری اب بھی pings Maya کا فون.

** math پر four ورکرز.** Let کا count کیا hits Maya کا فون میں ایک typical week کے ساتھ Course Seven افرادی قوت، استعمال کرتے ہوئے realistic rates سے operational مثالیں میں Courses Six اور Seven.

منظوری ماخذ	Per ورکر per week	پر 4 ورکرز
Refund > envelope ceiling (Course Six کا refund_max=$500)	~2	~8
Envelope-extension hire (Course Seven کا تصور 8: auto-منظوری سکتا ہے't bypass)	~0.1	~0.4
Termination فیصلہ	~0.05	~0.2
Budget override (ورکر hit اس کا monthly ceiling)	~0.25	~1
CMA migration یا substrate تبدیلی	~0.05	~0.2
Standing-policy edit (نیا auto-منظوری قاعدہ)	~0.5	~2
Total per week		~12

Twelve منظوری events per week. کے بارے میں دو per کاروباری دن. Maya سکتا ہے handle یہ on her فون درمیان meetings. owner-attention لاگت ہے حقیقی مگر manageable. یہ ہے regime Course Seven کا ڈھانچہ was ڈیزائن کیا گیا کے لیے.

** math پر forty ورکرز.** اب suppose Maya کا کمپنی has grown پر six months. Manager-Agent has detected eight زیادہ صلاحیت gaps اور hired ورکرز کے لیے ہر: ایک Billing specialist، ایک Refund Analyst، ایک Onboarding ورکر، ایک Churn-Risk ورکر، three زیادہ Tier-2 specialists کے لیے مختلف پروڈکٹ lines، اور ایک Senior قانونی Reviewer. auto-منظوری policy سے تصور 9 کا Course Seven covers زیادہ تر Tier-1 burst hires. اس لیے far اس لیے اچھا. مگر ہر ورکر generates اس کا اپنا stream کا consequential منظوریاں.

پر 40 ورکرز	Per week
Refunds > envelope ceiling	~80
Envelope-extension hires	~4
Termination فیصلے	~2
Budget overrides	~10
CMA migrations / substrate تبدیلیاں	~2
Standing-policy edits	~20
Total per week	~118

کے بارے میں 17 per کاروباری دن. Maya ہے اب spending three کو four گھنٹے daily مطالعہ منظوری threads. یہ ہے regime کہاں Maya starts asking whether she چاہیے hire ایک human chief-of-staff کو triage queue. کہ کا ایک tell. ڈھانچہ ہے آغاز کو fail original thesis: Maya ہے being asked کو شامل کریں humans کو wasیع کرنا افرادی قوت.

** math پر four hundred ورکرز.** Suppose Maya keeps growing. کے ذریعے month 18، کمپنی چلتا ہے 400 ورکرز، اب بھی چھوٹا کے لیے ایک AI-native کمپنی، مگر اچھی طرح past size کہاں Course 5-7 ڈھانچہ was stress-tested.

پر 400 ورکرز	Per week
Refunds > envelope ceiling	~800
Envelope-extension hires	~40
Termination فیصلے	~20
Budget overrides	~100
CMA migrations / substrate تبدیلیاں	~20
Standing-policy edits	~200
Total per week	~1،180

کے بارے میں 170 منظوری events per کاروباری دن. Maya نہیں کر سکتا پڑھیں 170 منظوری threads per دن، نہیں matter کیسے تیز she scrolls. ڈھانچہ has stopped working. hiring loop ہے اب generating زیادہ منظوری traffic than مالک سکتا ہے عمل. Maya has hit owner-attention رکاوٹ.

The scaling math دیتا ہے رکاوٹ ایک number: ایک AI-native کمپنی hits اس کا owner-attention ceiling somewhere درمیان 10 اور 40 ورکرز، اچھی طرح پہلے any دwasرا scaling constraint binds.

کیا ہیں ڈھانچے سے متعلق responses دستیاب کو her? وہاں ہیں exactly three، اور کورس ضرورت ہے آپ کو internalize کہ دو کا انہیں ہیں wrong پہلے third ایک ( Identic AI) reads بطور جواب rather than بطور ایک novelty.

Wrong response ایک: auto-approve زیادہ aggressively. Maya could expand auto-منظوری policy سے تصور 9 کا Course Seven کو cover زیادہ categories. Currently policy auto-approves Tier-1 burst hires کے تحت ایک $250/month envelope; she could raise ceiling کو $1،000/month، یا include refund فیصلے up کو $2،000. یہ would reduce queue. یہ would بھی abandon safety property کہ entire seven-invariant thesis ہے built on. وجہ Course Seven kept envelope-extension چیک outside auto-منظوری surface (تصور 8) ہے کہ any اختیار ایک ورکر has کہ نہیں ورکر had before ہے ایک فیصلہ human has کو consciously بنائیں. Auto-approving زیادہ aggressively reverses کہ commitment. یہ says: we سکتا ہے't be bothered کو نظم و نگرانی کرنا بڑے پیمانے پر، اس لیے we'll declare thبڑے پیمانے پر doesn't ضرورت نظم و نگرانی. کہ کا AI-native equivalent کا ایک unreviewed pull-request culture. یہ کام کرتا ہے until یہ doesn't.

Wrong response B: شامل کریں humans کو منظوری pool. Maya could hire ایک human chief-of-staff کو triage منظوریاں، یا appoint دو co-founders بطور additional approvers. یہ would reduce per-person queue. یہ would بھی reintroduce org-chart hierarchy کہ AI-native کمپنیاں were supposed کو flatten. Course Six کا whole ڈھانچے سے متعلق argument was کہ Manager-Agent absorbs middle-management coordination layer; if Maya اب adds ایک human management layer above Manager-Agent کو handle منظوریاں، she has rebuilt کمپنی shape Courses 5-7 spent three کورسز removing. Worse: ہر human she adds has وہی scaling ceiling she کرتا ہے. دو co-founders عمل کے بارے میں 30 منظوریاں per کاروباری دن بجائے کا 17. Three handle کے بارے میں 50. ڈھانچہ اب بھی caps باہر پر کے بارے میں 10 times افرادی قوت per human; یہ just caps باہر پر ایک slightly higher number. آپ نہیں کر سکتا wasیع کرنا ایک AI-native کمپنی کے ذریعے adding humans کو اس کا نظم و نگرانی loop. If آپ could، یہ wouldn't be AI-native.

درست response: مالک کا Identic AI. ایک personal AI نمائندہ، running on Maya کا hardware، کہ has learned Maya کا منظوری نمونے سے her past 200 فیصلے. جب ایک نیا منظوری request arrives، Identic AI either resolves یہ autonomously (جب Maya کا اپنا نمونہ ہے واضح اور request ہے routine) یا surfaces یہ کو Maya (جب request ہے novel، consequential، یا outside نمونے Identic AI has confidently learned). Maya کا attention ہے اب spent صرف on فیصلے کہ genuinely benefit سے ایک human کا judgment، اور افرادی قوت سکتا ہے grow بغیر re-creating رکاوٹ.

Notice کیا یہ response کرتا ہے not کریں. یہ کرتا ہے نہیں auto-approve کے تحت ایک policy Maya wrote once اور forgot کے بارے میں. یہ applies Maya's judgment، کون سا Identic AI has accumulated سے watching Maya decide. یہ کرتا ہے نہیں نمائندہ authority: Maya remains principal; Identic AI acts on her behalf، کے ساتھ her explicit consent، اور ہر action ہے recorded میں ایک audit stream Maya reviews. ** مالک remains میں loop; مالک کا attention کرتا ہے نہیں remain میں loop on routine traffic.**

یہ ہے ڈھانچے سے متعلق بنیادی اکائی Invariant 2 کا thesis names: the delegate. thesis says یہ abstractly ("ہر human ضرورت ہے ایک نمائندہ کہ holds ان کا سیاق و سباق، represents ان کا judgment، carries ان کا اختیار envelope، اور brokers all downstream کام on ان کا behalf"). Course Eight operationalizes یہ concretely کے لیے مالک کا ایک AI-native کمپنی. Without یہ، previous six operationalized invariants (engines، ریکارڈ کا مستند نظام، nervous نظام، management layer، hiring API) cap باہر پر ایک افرادی قوت کا ایک few dozen. کے ساتھ یہ، ڈھانچہ scales کو size کا افرادی قوت، نہیں size کا مالک کا calendar.

PRIMM: Predict

آپ're Maya. آپ کا کمپنی has 80 ورکرز پر month nine. auto-منظوری policy سے تصور 9 کا Course Seven covers Tier-1 burst hires. Manager-Agent کا gap-detection signals fire on ایک نیا نمونہ: ایک unexpected volume کا Spanish-language customer سوالات پر three weeks. Manager-Agent drafts ایک hire proposal کے لیے ایک Spanish-Language Tier-2 specialist. proposed اختیار envelope ہے identical کو existing English-language Tier-2 (نہیں envelope-extension چیک needed). proposed بجٹ ہے $800/month، اچھی طرح اندر Course Seven کا auto-منظوری ceiling. eval pack passes.

دو predictions، لکھا گیا separately on paper پہلے آپ پڑھیں on:

1. کے تحت Course Seven کا auto-منظوری policy (تصور 9 کا Course Seven، کون سا صرف checks envelope، بجٹ، اور eval-pack thresholds): کرتا ہے یہ hire get auto-approved بغیر involving Maya? Predict yes یا نہیں.
2. کے تحت کیا Course Eight گا سکھائیں ( مالک Identic AI applying Maya کا accumulated judgment): کرتا ہے Maya کا Identic AI auto-approve یہ، یا surface یہ کو Maya? Predict surface یا auto-approve.

If آپ کا دو predictions ہیں وہی، آپ haven't yet seen distinction Course Eight ہے built on. If they're مختلف، آپ've seen یہ. Either ہے fine; پڑھیں on.

جوابات:

1. Yes، Course Seven کا auto-منظوری policy fires. hire fits policy کا stated معیار: known envelope، eval pack passes، اندر بجٹ ceiling. policy has نہیں طریقہ کو جانیں یہ hire ہے مختلف سے ایک routine burst-capacity hire.
2. ** مالک Identic AI surfaces یہ کو Maya**، نہیں کیونکہ Course Seven کا policy ہے wrong، مگر کیونکہ Identic AI encodes ایک class کا judgment Course Seven کا policy نہیں کر سکتا. Spanish-language سپورٹ ہے ایک حکمت عملی سے متعلق expansion کا Maya کا market، نہیں just additional capacity. Maya might چاہتے ہیں کو think کے بارے میں whether کمپنی ہے ready کو commit کو bilingual سپورٹ contractually، whether پرائیویسی policy اور اصطلاحات کا service ضرورت Spanish translations، whether یہ hire signals ایک broader پروڈکٹ direction.

** distinction ہے قاعدہ vs. judgment.** ایک قاعدہ سکتا ہے be encoded once اور applied uniformly. ایک judgment ہے learned سے مالک کا past decisions اور applied per-situation. Course Seven کا policy ہے ایک قاعدہ; مالک Identic AI ہے ایک judgment-applier. دونوں ہیں valuable: قاعدہ handles 90% کا routine cases پر zero owner-attention لاگت، judgment handles remaining 10% کہ genuinely benefit سے ایک human-trained نمونہ. یہ ہے کیا کورس گا سکھائیں آپ کو تعمیر کریں.

Bottom سطر: تصور 1's math دیتا ہے افرادی قوت-vs-attention رکاوٹ ایک number. AI-native کمپنی hits اس کا owner-attention ceiling somewhere درمیان 10 اور 40 ورکرز، اچھی طرح پہلے any دwasرا scaling constraint. نمائندہ بنیادی اکائی Invariant 2 names ہے کیا removes cap، نہیں کے ذریعے reducing number کا فیصلے، مگر کے ذریعے routing routine ones کے ذریعے مالک کا known judgment بجائے کا مالک کا اصل attention. دو ڈھانچے سے متعلق responses ہیں wrong (auto-approve زیادہ aggressively; شامل کریں humans کو loop) اور صرف ایک ہے درست ( نمائندہ). math ہے case کے لیے why.

تصور 2: کیا Identic AI means: Tapscott کا framing بنایا گیا concrete

ڈھانچے سے متعلق بنیادی اکائی کہ solves رکاوٹ ہے Identic AI، بطور defined کے ذریعے Don Tapscott میں his HBR IdeaCast interview (Episode 1066، February 17، 2026) اور his کتاب You کو Power کا دو: Redefining Human Potential میں Age کا Identic AI. Course Eight inherits Tapscott کا vocabulary کیونکہ یہ کا cleanest دستیاب framing کے لیے کیا we're تعمیر، اور کیونکہ adopting یہ ties کورس کو ایک موجودہ management-discourse conversation rather than coining yet دwasرا اصطلاح.

Tapscott کا definition، verbatim سے transcript:

" rise کا intelligent companions کہ really سیکھیں who we ہیں، اور they reflect our values اور ultimately operate بطور extensions کا ourselves... ایک subset کا agentic AI، we call انہیں Identic AI"

Five properties he names، ہر کا کون سا Course Eight گا return کو:

1. Personalized: ایک single individual کا agent، نہیں ایک افرادی قوت agent. Maya کا Identic AI ہے Maya's. وہاں ہے نہیں shared instance، نہیں ٹیم account، نہیں organizational tier. unit ہے ایک human، ایک Identic AI.
2. Reflects صارف کا values اور judgment: trained on صارف کا دستاویزات، فیصلے، communications، accumulated سیاق و سباق. Identic AI ہے نہیں ایک generic AI assistant configured کے ساتھ صارف کا name; یہ ہے ایک AI کہ has learned صارف پر وقت.
3. Extension کا self: meant کو feel like extended cognition، نہیں ایک ٹول صارف invokes. میں Tapscott کا framing: "یہ کا becoming ایک part کا human experience." میں Maya کا case: she کرتا ہے نہیں "log میں کو her Identic AI" طریقہ she logs میں کو Paperclip. Identic AI ہے reachable میں her chat apps، on her فون، میں her menu bar; یہ acts جب she acts; یہ knows کیا she کا working on.
4. Self-sovereign: صارف-owned، نہیں پلیٹ فارم-owned. Tapscott کا emphasis throughout transcript: "Identic AI ضرورت ہے کو be self-sovereign. We ضرورت کو اپنا our اپنا superintelligence." accumulated سیاق و سباق، learned نمونے، judgment ماڈل: یہ belong کو صارف. They ہیں نہیں held hostage کے ذریعے ایک پلیٹ فارم. They survive صارف changing devices، changing employers، changing chat-app preferences.
5. persistent memory: accumulates علم کا صارف continuously. Tapscott کا مثال سے transcript: "کے لیے digital Don، کے لیے مثال، I've input کے بارے میں 500 دستاویزات، everything I could find کہ I've لکھا گیا my speeches، my PowerPoints، my کتابیں اور articles اور interviews اور all kinds کا stuff like کہ. اور یہ کا سیکھنا کے بارے میں me اور کیسے I view things اور کیسے I think کے بارے میں things."

All five properties لازمی be present together; fifth، self-sovereign، ہے ایک زیادہ تر easily abandoned اور ایک کہ determines runtime choice میں تصور 4.

یہ five properties ہیں discriminating definition. They distinguish Identic AI سے:

• General-purpose AI assistants (کون سا lack persistent memory اور don't reflect صارف کا specific judgment)
• افرادی قوت agents (کون سا ہیں owned کے ذریعے ایک کمپنی، نہیں کے ذریعے ایک individual; Course 5-7's ورکرز ہیں افرادی قوت agents)
• Customer-side AI agents (کون سا serve ایک صارف مگر ہیں typically پلیٹ فارم-owned اور پلیٹ فارم-hosted; they fail self-sovereign property)
• Personal assistants بغیر سیکھنا (ایک chat-app bot کہ schedules meetings ہے helpful مگر doesn't accumulate صارف کا judgment پر وقت)

** discriminator زیادہ تر قارئین under-weight ہے self-sovereignty.** Tapscott returns کو یہ repeatedly کیونکہ، میں his view، AI industry کا default trajectory ہے toward پلیٹ فارم-owned Identic AI اور against صارف-owned Identic AI. سے transcript: " biggest سوال کے لیے me ہے who کا going کو اپنا digital Adi? Mark Zuckerberg? Google? یہ ہے ایک extension کا آپ اور آپ کا intelligence. اور if they اپنا یہ، کہ کا ایک big problem." If Maya کا Identic AI ہے hosted کے ذریعے ایک پلیٹ فارم کہ سکتا ہے پڑھیں her judgment نمونے، modify انہیں، downrank انہیں، یا revoke her access کو انہیں، پھر her Identic AI ہے نہیں اصل میں acting on her behalf. یہ ہے acting on پلیٹ فارم کا behalf کے ساتھ Maya کا ڈیٹا. Course Eight commits کو self-sovereign property بطور ایک non-negotiable ڈھانچے سے متعلق property، اور کہ commitment ہے کیا determines runtime choice میں تصور 4 (OpenClaw، کیونکہ یہ چلتا ہے on Maya کا hardware اور stores her سیاق و سباق on her filesystem، نہیں بطور ایک opt-in، بطور default ڈھانچہ).

کیسے Identic AI maps onto Course Eight کا specific استعمال کریں case. Course Eight ہے نہیں تدریس general-purpose Identic AI. یہ ہے تدریس ایک specific configuration: Owner Identic AI، ایک Identic AI configured کو act بطور ایک نظم و نگرانی نمائندہ کے لیے مالک کا ایک AI-native کمپنی. دwasرا valid Identic AI configurations exist (ایک personal Identic AI کہ چلتا ہے آپ کا household، manages آپ کا calendar، drafts آپ کا email; Tapscott کا "digital Don" مثال fits یہ) اور Course Eight گا return کو انہیں briefly میں تصور 15 بطور broader Identic AI economy ڈھانچہ enables. مگر کورس's load-bearing مثال ہے Maya کا Identic AI میں اس کا capacity بطور her نظم و نگرانی نمائندہ. کہ capacity ہے کیا operationalizes Invariant 2 کے لیے AI-native کمپنی، اور کہ کا capacity Course Eight سکھاتا ہے.

four lower-numbered properties (personalized، قدر-reflecting، extension-of-self، persistent memory) ہیں operational requirements; fifth (self-sovereign) ہے ایک ڈھانچے سے متعلق commitment. بغیر fifth، دwasرا four اب بھی کام، مگر they کام against مالک rather than کے لیے her. Course Eight سکھاتا ہے all five، اور treats fifth بطور load-bearing ایک.

Bottom سطر: Identic AI، میں Don Tapscott کا framing، ہے ایک personalized AI کہ reflects اس کا صارف کا values، persists ان کا سیاق و سباق across وقت، acts بطور ایک extension کا انہیں، اور remains owned کے ذریعے صارف، نہیں کے ذریعے ایک پلیٹ فارم. Five properties; fifth (self-sovereign) ہے ایک زیادہ تر easily abandoned اور ایک کورس refuses کو compromise on. مالک Identic AI ہے specific configuration Course Eight سکھاتا ہے: ایک Identic AI configured کو act بطور AI-native کمپنی مالک کا نظم و نگرانی delegate.

تصور 3: کیوں مالک specifically: نہیں افرادی قوت، نہیں customer

ایک reasonable قاری پر یہ point سکتا ہے پوچھیں: if Identic AI ہے اس لیے اہم، کیوں ہے کورس صرف تدریس مالک کا? کیوں نہیں سکھائیں customer-side Identic AI، یا employee-side Identic AI، یا peer-to-peer Identic AI interactions، یا Identic AI economy زیادہ broadly? جواب ہے کہ Course Eight بناتا ہے ایک deliberate scope choice، اور استدلال matters.

وہاں ہیں پر least four categories کا Identic AI استعمال کریں case relevant کو ایک AI-native کمپنی:

استعمال کریں case	Whose Identic AI	کیا یہ کرتا ہے	Maturity میں ہو سکتا ہے 2026
مالک / نظم و نگرانی نمائندہ	مالک کا ایک AI-native کمپنی	Pre-filters منظوری traffic، applies مالک کا judgment، surfaces consequential فیصلے	Shipped (OpenClaw plus نمونہ Course Eight سکھاتا ہے)
Customer-side personal AI	ایک individual customer	Interacts کے ساتھ کمپنیاں on customer کا behalf، holds customer کا سیاق و سباق، بناتا ہے purchases	Partially shipped (OpenClaw موجود ہے; کمپنیاں don't yet accept signed customer-Identic-AI requests بطور ایک normal interaction channel)
Employee-side نمائندہ	ایک employee کا ایک AI-native کمپنی	Drafts emails، prepares کے لیے meetings، manages employee کا اپنا کام delegated کے ذریعے افرادی قوت	Partially shipped (OpenClaw سکتا ہے کریں یہ; integration کے ساتھ کمپنی ورک فلو varies)
Peer-to-peer / Identic AI economy	دو individuals' Identic AIs interacting directly	Negotiate deals، schedule، coordinate بغیر humans میں loop	Speculative; Tapscott کا "infinite number کا vice presidents" end-state

Course Eight سکھاتا ہے پہلا ایک ( مالک کا) اور کرتا ہے نہیں سکھائیں دwasرے. Three reasons:

پہلا، load-bearing argument سے تصور 1 ہے کے بارے میں مالک specifically. scaling-impossibility math doesn't apply کو customers یا employees میں وہی طریقہ. ایک customer کے ساتھ نہیں Identic AI ہے mildly inconvenienced; کمپنی افرادی قوت سکتا ہے اب بھی serve انہیں کے ذریعے traditional channels. ایک employee بغیر ایک Identic AI کام کرتا ہے وہی طریقہ employees ہمیشہ رکھتے ہیں; productivity ہے lower than یہ could be مگر کمپنی functions. صرف مالک کا رکاوٹ stops کمپنی سے scaling. کورس's claim، کہ مالک Identic AI ہے کیا operationalizes Invariant 2 کے لیے ایک AI-native کمپنی، ہے true specifically کیونکہ مالک کا case ہے ایک کہ بناتا ہے ڈھانچہ incoherent بغیر یہ. دwasرا cases ہیں valuable مگر نہیں load-bearing.

Second، customer-side Identic AI استعمال کریں case isn't fully shipped yet، اور ڈھانچہ has کھولیں gaps Course Eight نہیں کر سکتا honestly close. Tapscott کا transcript gestures پر customer-side استعمال کریں case ("ایک doctor کہ کا been کو ہر medical school میں دنیا، آپ کا استاد کہ کا literally ایک know-it-all") مگر trust-نمائندگی درمیان ایک stranger کا Identic AI اور ایک کمپنی کا افرادی قوت ہے ایک harder کھولیں problem than مالک کا case. کے ساتھ Maya، دونوں owner-authority envelope اور Identic AI's delegated envelope ہیں configured کے ذریعے Maya herself; trust ماڈل ہے one-party. کے ساتھ ایک arbitrary customer، کمپنی has کو verify identity، اختیار، اور authorization across ایک untrusted boundary; trust ماڈل ہے multi-party کے ساتھ نہیں shared root. Courses 5-7 didn't سکھائیں کہ level کا cross-party trust either; تدریس یہ میں Course Eight would require introducing بنیادی اکائیاں rest کا track doesn't depend on. Honest pedagogy: سکھائیں load-bearing case اچھی طرح; gesture پر broader case بطور کھولیں frontier.

Third، ایک کورس کہ tries کو سکھائیں all four cases سکھاتا ہے none کا انہیں اچھی طرح. track کا نمونہ across Courses 3-7 ہے کو سکھائیں ایک thing deeply، کے ساتھ ایک مکمل worked مثال، اور کو gesture پر adjacent cases میں sidebars اور forward-look حصہ. Course Six taught افرادی قوت، نہیں broader AI-native organization. Course Seven taught hiring API، نہیں مکمل lifecycle including offboarding کو outside counsel. Course Eight سکھاتا ہے مالک Identic AI، نہیں broader Identic AI economy. تصور 15 returns کو broader picture بطور closing forward-look، naming customer-side اور employee-side اور peer-to-peer cases بطور اگلا ڈھانچے سے متعلق frontiers. مگر lab، worked مثال، 15 تصورات کا تدریس: all کے بارے میں Maya کا case.

ایک useful test کے لیے whether Course Eight بنایا گیا درست scope choice: if ایک قاری finishes Course Eight اور successfully sets up Maya کا مالک Identic AI میں ان کا اپنا AI-native کمپنی، architecture کام کرتا ہے بڑے پیمانے پر. مالک کا attention ہے نہیں longer رکاوٹ. seven invariants سے Courses 3-7 ہیں اب مکمل. If وہی قاری wants کو extend مالک Identic AI نمونے کو دwasرا استعمال کریں cases (ایک customer-side Identic AI میں ان کا پروڈکٹ، ایک employee-side نمائندہ کے لیے ان کا ٹیم)، they رکھتے ہیں ڈھانچے سے متعلق ٹولز کو کریں اس لیے، اور Course Eight names کہاں ہر extension ہے shipped vs. کھولیں. ** کورس delivers load-bearing case completely اور names rest honestly.** کہ کا pedagogical commitment.

PRIMM: Predict

Course Eight سکھاتا ہے مالک Identic AI اور نہیں دwasرا three استعمال کریں cases. ہر option below ہے ایک real argument someone could بنائیں کے لیے کہ scope choice. Predict کون سا ایک ہے کورس's اصل استدلال، پہلے آپ پڑھیں on. point کا prediction ہے کہ زیادہ than ایک کا یہ ہے defensible; آپ رکھتے ہیں کو چنیں ایک کہ matches کورس's central argument specifically.

(ایک) مالک کا case ہے صرف ایک mature enough کو ship: customer-side اور peer-to-peer Identic AI ضرورت cross-party trust بنیادی اکائیاں کہ don't exist میں ہو سکتا ہے 2026، اس لیے کورس سکھاتا ہے کیا کا buildable today. (b) مالک کا case ہے load-bearing ایک: تصور 1's scaling math دکھاتا ہے کہ بغیر مالک Identic AI، Courses 5-7's ڈھانچہ itself ہے incoherent past ایک few dozen ورکرز. دwasرا cases ہیں valuable مگر کمپنی اب بھی functions بغیر انہیں. (c) مالک کا case ہے pedagogically simplest: یہ کا ایک one-party trust ماڈل (Maya configures دونوں envelopes herself)، اس لیے یہ کا cleanest place کو سکھائیں trust-delegation بنیادی اکائی پہلے harder cases. (d) مالک کا case has clearest commercial demand: AI-native کمپنی owners ہیں buyers who گا pay کے لیے ایک نظم و نگرانی نمائندہ پہلا، اس لیے کورس سکھاتا ہے کو market.

جواب: (b). All four contain something true، کون سا ہے کیوں یہ ہے ایک حقیقی prediction اور نہیں ایک مطالعہ چیک. (ایک) ہے true (تصور 3 says exactly یہ کے بارے میں customer-side maturity) مگر یہ کا ایک consequence کا scope choice، نہیں وجہ کے لیے یہ. (c) ہے true (تصور 3 names one-party trust ماڈل بطور ایک تدریس advantage) مگر again یہ کا ایک benefit، نہیں load-bearing وجہ. (d) ہو سکتا ہے اچھی طرح be true مگر کورس بناتا ہے نہیں commercial-demand argument. کورس's اصل استدلال ہے (b): مالک کا رکاوٹ ہے ایک whose absence breaks architecture. تصور 1's math ہے case. customer-side، employee-side، اور peer-to-peer cases ہیں valid Identic AI configurations، مگر کمپنی functions بغیر انہیں; صرف مالک کا case بناتا ہے Courses 5-7 incoherent بڑے پیمانے پر. Course Eight سکھاتا ہے load-bearing case completely; تصور 15 names دwasرے بطور کھولیں frontier.

Bottom سطر: Course Eight سکھاتا ہے ایک specific Identic AI configuration، مالک Identic AI، کیونکہ کہ کا استعمال کریں case whose absence بناتا ہے Courses 5-7's ڈھانچہ incoherent بڑے پیمانے پر. دwasرا Identic AI cases (customer-side، employee-side، peer-to-peer) ہیں valuable مگر نہیں load-bearing کے لیے AI-native کمپنی کا scaling argument. کورس delivers load-bearing case completely اور names rest honestly میں تصور 15.

---

حصہ 2: OpenClaw runtime

حصہ 1 named problem اور committed کو ایک scope. حصہ 2 introduces runtime، OpenClaw، اور walks کے ذریعے کیا یہ اصل میں ہے، کہاں یہ lives، اور کیسے Maya talks کو یہ. Three تصورات: کیا OpenClaw ہے، verified سے official ماخذ (تصور 4); کہاں Maya کا accumulated سیاق و سباق lives on her filesystem (تصور 5); اور کیوں OpenClaw chose chat apps پر ایک ویب app بطور interface layer (تصور 6).

تصور 4: OpenClaw، کیا یہ اصل میں ہے

OpenClaw ہے runtime Course Eight سکھاتا ہے کے خلاف. پہلے any کا ڈھانچے سے متعلق نمونے میں تصورات 7 کے ذریعے 15 بنائیں sense، آپ ضرورت ایک clean ذہنی نمونہ کا کیا OpenClaw اصل میں ہے، verified سے openclaw.ai اور docs.openclaw.ai، نہیں سے نمونہ-matching کے خلاف earlier personal-AI پروڈکٹس.

** verified facts**، drawn directly سے official site اور docs:

• چلتا ہے on صارف کا local machine. Mac، Windows، یا Linux. installer ہے curl -fsSL https://openclaw.ai/install.sh | bash یا npm i -g openclaw. بعد install، openclaw onboard walks setup.
• اوپن سورس. github.com/openclaw/openclaw. MIT-licensed. صارف سکتا ہے پڑھیں، fork، modify، اور self-host.
• Reachable کے ذریعے chat apps صارف پہلے ہی استعمال کرتا ہے. OpenClaw lists 50+ integrations، including 15+ chat channels (WhatsApp، Telegram، Discord، Slack، Signal، iMessage، اور زیادہ) پر openclaw.ai/integrations. صارف کرتا ہے نہیں install ایک نیا app; they message OpenClaw میں ان کا existing chat app.
• persistent memory. site کا headline phrase: "یاد رکھتا ہے آپ اور بن جاتا ہے uniquely yours. آپ کا preferences، آپ کا سیاق و سباق، آپ کا AI." session بنیادی اکائی (docs.openclaw.ai/تصورات/سیشن) ہے unit کا accumulated سیاق و سباق.
• مکمل نظام access on صارف کا machine. پڑھیں اور لکھیں فائلیں، چلائیں shell commands، execute scripts (docs.openclaw.ai/bash). مکمل access یا سینڈ باکسڈ: صارف کا choice.
• browser قابو. سکتا ہے browse ویب، fill forms، extract ڈیٹا سے any site (docs.openclaw.ai/browser).
• skills اور پلگ انز. Extensible کے ساتھ community skills (clawhub.ai) یا صارف-built ones (docs.openclaw.ai/skills). OpenClaw سکتا ہے even لکھیں اس کا اپنا.
• Model-agnostic. Anthropic، OpenAI، یا local ماڈلز. صارف picks during onboarding.
• Companion app. ایک macOS menubar app (beta میں ہو سکتا ہے 2026) کے لیے desktop access alongside chat-app interface.

Institutional signals worth noting. OpenClaw's زیادہ تر load-bearing signal ہے structural rather than reputational: پروجیکٹ ہے اوپن سورس کے تحت ایک MIT license. کہ license ہے ایک continuity guarantee، کیونکہ codebase پر github.com/openclaw/openclaw سکتا ہے be forked اور self-hosted کے ذریعے anyone، regardless کا کیا ہوتا ہے کو پروجیکٹ کا stewards. Beyond license، پروجیکٹ has ایک بہت بڑا GitHub following (hundreds کا thousands کا stars)، اور یہ has major-vendor sponsorship; بطور کا ہو سکتا ہے 2026 sponsor list includes OpenAI، GitHub، NVIDIA، Vercel، اور Convex، though ایک sponsor list ہے kind کا fact کہ shifts، اس لیے treat یہ بطور ایک as-of-May-2026 مثال rather than ایک load-bearing claim. بانی، Peter Steinberger، joined OpenAI میں early 2026 جبکہ پروجیکٹ continues بطور ایک open-ماخذ effort. Specific counts اور sponsor details چاہیے be verified پر openclaw.ai اور پروجیکٹ کا GitHub پہلے being quoted authoritatively.

کیوں یہ signals matter کے لیے Course Eight. Course Eight کا central ڈھانچے سے متعلق commitment ہے self-sovereignty: Maya کا accumulated judgment ہے hers، نہیں ایک پلیٹ فارم کا. خطرہ کے ساتھ any open-ماخذ personal-AI پروجیکٹ ہے کہ یہ shuts down، gets acquired میں ایک closed-ماخذ پروڈکٹ، یا pivots اس کا data-ownership ماڈل. signal کہ pushes hardest کے خلاف کہ خطرہ ہے MIT license itself. Institutional backing ( major sponsor list، بانی کا hire کے ذریعے OpenAI) indicates پروجیکٹ has resources اور ایک industry stake، مگر sponsorship اور hiring سکتا ہے دونوں تبدیلی. اوپن سورس ہے durability guarantee کہ survives ایک تبدیلی کا stewards: even if پروجیکٹ کا direction shifts، codebase سکتا ہے be forked اور self-hosted، اور Maya کا runtime سکتا ہے continue. None کا یہ signals ہے ایک proof کا long-term durability. Together، کے ساتھ MIT license بطور anchor، they بنائیں OpenClaw زیادہ تر credible self-sovereign Identic AI runtime کو تعمیر کریں ایک curriculum کے خلاف میں ہو سکتا ہے 2026.

** ذہنی نمونہ: کیسے OpenClaw differs سے ایک chatbot.** ایک قاری coming کو OpenClaw سے ChatGPT یا Claude.ai has ایک ذہنی نمونہ کا "ایک AI میں ایک chat window I کھولیں جب I چاہتے ہیں کو پوچھیں something." کہ ماڈل ہے wrong کے لیے ایک Identic AI میں three specific طریقے:

ذہنی نمونہ	Chatbot	مالک Identic AI (OpenClaw)
جب کرتا ہے AI act?	صرف جب صارف explicitly opens app اور types	Continuously، میں background; proactively جب صارف has standing instructions; via heartbeat checks
کہاں کرتا ہے AI live?	میں ایک tab صارف opens	میں صارف کا chat apps پہلے ہی (WhatsApp، Telegram) اور میں صارف کا filesystem
کیا کرتا ہے AI remember?	Within-conversation سیاق و سباق کہ کا discarded درمیان سیشنز	persistent سیشن across all interactions، all devices، all وقت
Who initiates?	صارف، ہر وقت	Either party: صارف سکتا ہے پوچھیں، اور AI سکتا ہے بھی surface things proactively

fourth row ہے زیادہ تر اہم اور easiest کو miss. میں ایک chatbot، صارف ہے ہمیشہ initiator. میں ایک Identic AI، the AI ہے بھی ایک initiator. Claudia سکتا ہے send Maya ایک Telegram message پر any moment ("ایک customer کا refund request just arrived; مبنی on our نمونے، یہ ہے ایک I'd auto-approve. OK کو proceed?"). یہ bidirectional initiation ہے کیا بناتا ہے ایک Identic AI useful کے لیے نظم و نگرانی نمائندگی. ایک chatbot Maya has کو کھولیں اور consult نہیں کر سکتا pre-filter منظوری threads; ایک Identic AI کہ messages Maya جب یہ ضرورت ہے کو سکتا ہے.

Concretely، کیا ایک پہلا سیشن looks like. ایک صارف who چلتا ہے curl -fsSL https://openclaw.ai/install.sh | bash پھر openclaw onboard walks کے ذریعے approximately یہ sequence (per docs پر docs.openclaw.ai/getting-started):

1. چنیں ایک ماڈل. Anthropic Claude، OpenAI GPT، یا ایک local ماڈل. (کے لیے Course Eight، we'll استعمال کریں Claude opus-4-7 بطور default.)
2. Name آپ کا OpenClaw. صارفین name ان کا Identic AI، "Claudia،" "Jarvis،" "Brosef،" اور چنیں ایک persona tone. naming بناتا ہے Identic AI feel like ایک entity rather than ایک service: once یہ has ایک name، صارفین tend کو refer کو ان کا OpenClaw کے ذریعے name میں conversation.
3. چنیں ایک primary chat app. Telegram (زیادہ تر عام، easiest bot setup)، WhatsApp، Discord، Signal، iMessage، یا Slack. صارف بناتا ہے ایک bot میں ان کا chat app (کے لیے مثال، via @BotFather on Telegram) اور pastes token میں OpenClaw.
4. Initial skill installation. OpenClaw پوچھتا ہے کیا صارف wants ان کا Identic AI کو be اچھا پر: calendar management، email، کوڈ، نظم و نگرانی، all کا above. Selected skills install سے clawhub.ai ( community skills marketplace). کے لیے Course Eight کا purposes، none کا default skills handle Paperclip integration; we'll لکھیں کہ ایک میں فیصلہ 3.
5. ایک پہلا conversation. صارف opens ان کا chat app، finds ان کا OpenClaw bot، types "hello." OpenClaw responds میں chosen persona، اور سے کہ moment on، Identic AI ہے reachable میں صارف کا normal communication flow. نہیں separate app کو کھولیں.

whole onboard لیتا ہے 5 کو 10 منٹ. ڈھانچے سے متعلق commitments Course Eight depends on، local filesystem storage، persistent سیشن، chat-app reachability، ہیں baked میں install rather than configured per-صارف.

کیوں OpenClaw بطور Maya کا runtime، نہیں ایک alternative:

Alternative	کیوں نہیں کے لیے Course Eight
Claude Agent SDK + custom Identic AI	آپ سکتا ہے تعمیر کریں یہ، مگر آپ assemble persistence، chat-app integration، skill management، اور onboarding yourself. OpenClaw ships all کا those.
OpenAI Agents SDK + custom Identic AI	وہی problem، plus ڈھانچہ ہے closer کو cloud-افرادی قوت shape than کو ایک personal-AI shape.
ایک hosted SaaS personal AI (کے لیے مثال، ایک hypothetical "Claude کے لیے Personal")	Fails self-sovereign property. Maya کا accumulated judgment lives on ایک پلیٹ فارم کہ سکتا ہے پڑھیں، modify، یا revoke یہ. Tapscott کا central commitment ہے violated.
Roll-your-own استعمال کرتے ہوئے Inngest + ایک custom front-end	Possible، مگر آپ spend کورس تدریس plumbing rather than تدریس Identic AI. کورس's قدر ہے میں architectural نمونے، نہیں runtime mechanics.

OpenClaw fits requirements on ہر محور: یہ ships، یہ کا اوپن سورس، یہ stores صارف کا سیاق و سباق on صارف کا filesystem کے ذریعے default، اور یہ reaches صارف کے ذریعے chat apps they're پہلے ہی میں. کے لیے Course Eight کا worked مثال، یہ کا runtime thesis names. کے لیے آپ کا حقیقی ڈیپلائمنٹ، ڈھانچے سے متعلق نمونے transfer کو دwasرا runtimes; OpenClaw ہے مثال، نہیں requirement.

If آپ سکتا ہے't استعمال کریں OpenClaw: transfer guidance. Compliance constraints، model-provider restrictions، یا تعمیر کریں-vs-buy preferences ہو سکتا ہے put OpenClaw باہر کا reach. ڈھانچے سے متعلق نمونے میں Course Eight اب بھی apply; آپ'll just operationalize انہیں on ایک مختلف runtime. یہاں کا کیسے load-bearing OpenClaw بنیادی اکائیاں map کو کیا آپ'd تعمیر کریں yourself:

OpenClaw بنیادی اکائی	آپ کو کیا چاہیے کو فراہم کریں	Suggested substrate
agent loop (تصور 4)	ایک model-calling loop کے ساتھ ٹول عمل درآمد	Claude Agent SDK یا OpenAI Agents SDK کے ساتھ ایک long-running daemon عمل
Local-machine runtime (تصور 4)	ایک عمل کہ survives reboots اور stays running on مالک کا hardware	systemd on Linux، launchd on macOS، ایک Windows service، یا ایک چھوٹا Docker container مالک چلتا ہے locally
session بنیادی اکائی (تصور 5)	persistent سیاق و سباق storage on مالک کا filesystem	ایک directory daemon reads اور writes; structured JSON یا SQLite ہے enough; whatever schema آپ چنیں ہے yours
Chat-app reachability (تصور 6)	ایک طریقہ کے لیے مالک کو message agent اور get responses	ایک single chat-app bot (Telegram bots ہیں simplest; BotFather flow لیتا ہے کے بارے میں 5 منٹ). 50+ integrations ہیں OpenClaw's قدر-add، نہیں ایک requirement کا ڈھانچہ
skills اور پلگ انز نظام	ایک extension mechanism کے لیے صلاحیتیں like "talk کو Paperclip"	Hand-written Python یا TypeScript functions registered بطور ٹولز میں آپ کا Agent SDK
signing اہم (تصور 8)	ایک ed25519 اہم pair stored on مالک کا filesystem	Standard library کوڈ: crypto.subtle میں browser، crypto میں Node، cryptography میں Python

کیا تبدیلیاں versus Course Eight بطور لکھا گیا: آپ لکھیں زیادہ glue کوڈ (skill manifests، daemon supervision، chat-app integration). کیا stays وہی: trust-delegation بنیادی اکائی (تصورات 7 کے ذریعے 9)، نظم و نگرانی ledger schema (تصور 11)، two-envelope intersection، recalibration loop. تعمیر effort کو assemble ایک Course-Eight-equivalent on Claude Agent SDK: roughly ایک weekend کے لیے ایک experienced engineer. طریقہ کار ہے میں نمونے، نہیں runtime.

Bottom سطر: OpenClaw ہے open-ماخذ، صارف-owned personal AI runtime Course Eight سکھاتا ہے کے خلاف. یہ چلتا ہے on مالک کا local machine، stores سیاق و سباق on مالک کا filesystem، اور ہے reachable کے ذریعے chat apps مالک پہلے ہی استعمال کرتا ہے. بطور کا ہو سکتا ہے 2026، یہ ہے credible shipped operationalization کا Tapscott کا self-sovereign Identic AI commitment: اوپن سورس کے تحت ایک MIT license، کے ساتھ ایک بڑا GitHub following اور major-vendor sponsorship. کورس's نمونے transfer کو دwasرا runtimes، مگر OpenClaw ہے worked example.

تصور 5: persistent memory اور مالک کا local سیاق و سباق

single property کہ turns OpenClaw سے "دwasرا AI chatbot" میں "Maya کا Identic AI" ہے persistent memory. بغیر یہ، Maya would رکھتے ہیں کو re-explain her judgment کو OpenClaw on ہر interaction; قدر کا ایک Identic AI ہے precisely کہ یہ doesn't forget. تصور 5 walks کے ذریعے کیسے OpenClaw's persistent memory کام کرتا ہے، کہاں Maya کا accumulated سیاق و سباق اصل میں lives، اور کیا ڈھانچہ implies کے لیے Course Eight کا central استعمال کریں case.

** session بنیادی اکائی.** OpenClaw organizes persistent سیاق و سباق کے گرد کیا اس کا docs call سیشن: unit کا accumulated سیاق و سباق کے لیے ایک صارف across وقت، across devices، across chat apps. Three things کو جانیں کے بارے میں سیشن ماڈل:

1. Storage ہے local. Maya کا سیشن lives on Maya کا hardware، میں her filesystem، میں her home directory کے تحت OpenClaw config path. یہ ہے نہیں synced کو ایک cloud account کے ذریعے default. وہاں ہے نہیں "OpenClaw Cloud" کہ stores Maya کا سیاق و سباق. (Maya سکتا ہے opt میں کو syncing کے لیے multi-device استعمال کریں; تصور 13 walks tradeoffs.)
2. Storage ہے human-readable. سیشن ہے structured ڈیٹا on Maya کا disk کہ she سکتا ہے inspect، edit، نسخہ کے ساتھ git، encrypt، back up، یا destroy پر her discretion. Tapscott کا self-sovereignty commitment ہے operationalized یہاں بطور ایک filesystem property: Maya owns فائلیں; فائلیں ہیں Maya کا سیاق و سباق.
3. Storage accumulates. ہر interaction adds کو سیشن. Maya messages OpenClaw on Telegram کے بارے میں ایک refund فیصلہ; کہ فیصلہ joins سیشن. She approves ایک hire پر coffee کے ذریعے menubar app; کہ منظوری joins سیشن. Six months میں، سیشن contains hundreds کا Maya کا recorded فیصلے، preferences، communication نمونے، اور explicit instructions.

کیا gets persisted، concretely. OpenClaw's سیشن captures زیادہ than just chat transcript. سے docs:

Persisted	کیا یہ ہے	کیوں یہ matters کے لیے مالک Identic AI
Conversation history	literal exchange کا messages درمیان Maya اور OpenClaw across chat apps	raw record. Maya سکتا ہے re-read کیا she said اور کیا OpenClaw did.
صارف preferences	Explicit statements Maya بناتا ہے ("I prefer morning meetings"; "Don't approve کوئی بھی چیز پر $5،000 بغیر me")	Standing instructions Identic AI applies thereafter
skills installed اور configured	کون سا OpenClaw skills Maya has installed; ان کا configurations	Identic AI's صلاحیت surface، including Paperclip-integration skill Course Eight builds
Persona	Maya کا named identity کے لیے OpenClaw (کے لیے مثال، "Maya کا Lobster" یا "Claudia") اور persona OpenClaw پروجیکٹس back	Continuity کا identity across chats اور devices
Activity log	کیا OpenClaw did اور جب: ہر skill invocation، ہر external API call، ہر فیصلہ	جانچ کا ریکارڈ کہ بن جاتا ہے Course Eight کا نظم و نگرانی ledger (تصور 11)
Derived نمونے	Identic AI's accumulated ماڈل کا Maya کا judgment، learned پر وقت	judgment-سیکھنا loop کورس ہے centrally کے بارے میں

کیا کرتا ہے not get persisted کے ذریعے default: ephemeral environmental state (کون سا chat app Maya happened کو استعمال کریں کے لیے ایک دیا گیا message، precise timestamp پر millisecond resolution، اور similar). یہ ہیں recorded مگر نہیں surfaced بطور part کا identity-relevant سیشن. distinction matters کیونکہ تصور 13's سوال، what travels کے ساتھ Maya across devices اور employers، ہے exactly سوال کا کون سا subset کا سیشن ہے identity-relevant.

کیوں filesystem-local storage ہے load-bearing ڈھانچے سے متعلق commitment. یہ ہے part کا OpenClaw ڈھانچہ زیادہ تر easily missed. بہت سے AI پروڈکٹس advertise "persistent memory" جبکہ quietly meaning "we store آپ کا memory میں our cloud، اور آپ trust us کے ساتھ یہ." OpenClaw's choice، Maya کا filesystem کے ذریعے default، ہے qualitatively مختلف. یہ means:

• Maya سکتا ہے پڑھیں her اپنا سیاق و سباق کے ساتھ cat ~/.openclaw/session/*.json (یا whatever path ہے پر وقت کا writing; consult docs.openclaw.ai/تصورات/سیشن کے لیے مستند layout).
• Maya سکتا ہے back up her سیاق و سباق کے ساتھ وہی ٹولز she استعمال کرتا ہے کے لیے any دwasرا فائلیں (وقت Machine، rsync، Git، encrypted external drives).
• Maya سکتا ہے move her سیاق و سباق کو ایک نیا device کے ذریعے moving فائلیں.
• Maya سکتا ہے destroy her سیاق و سباق کے ذریعے deleting فائلیں. وہاں ہے نہیں "delete request" کو فائل کے ساتھ ایک vendor.
• Maya سکتا ہے encrypt her سیاق و سباق پر rest کے ساتھ her existing disk-encryption ٹولز.
• Maya کا سیاق و سباق ہے نہیں held hostage کے ذریعے any پلیٹ فارم. If OpenClaw پروجیکٹ shut down tomorrow، Maya کا accumulated سیاق و سباق would اب بھی exist on her disk; she could پڑھیں یہ، parse یہ، اور load یہ میں ایک مختلف runtime.

یہ ہے property کہ satisfies Tapscott کا self-sovereignty commitment. یہ ہے بھی property کہ بناتا ہے Maya کا Identic AI survive her changing her chat app، her ماڈل provider، even (کے ساتھ effort) her runtime. ** سیشن ہے Maya کا; runtime ہے configurable.**

PRIMM: Predict

Maya has been استعمال کرتے ہوئے OpenClaw کے لیے six months. Her سیشن directory on her Mac ہے کے بارے میں 240 MB. She switches employers: she sells her موجودہ AI-native کمپنی اور starts ایک نیا ایک. کون سا کا following parts کا her سیشن چاہیے she expect کو carry forward کو her نیا کمپنی، اور کون سا چاہیے نہیں?

Items: (ایک) her communication style اور tone preferences، (b) her past منظوری فیصلے on ورکرز پر old کمپنی، (c) Paperclip-integration skill کا configuration pointing پر old کمپنی کا API endpoint، (d) her standing instruction "ہمیشہ escalate envelope-extension hires"، (e) activity log کا ہر action OpenClaw took پر old کمپنی.

Predict کے لیے ہر: travels کے ساتھ Maya / stays کے ساتھ old کمپنی / یہ کا complicated. پھر پڑھیں on.

---

جواب: (ایک) travels. Communication style ہے ایک personal نمونہ، نہیں کمپنی property. (b) یہ کا complicated. نمونے derived سے those فیصلے ("Maya tends کو approve hires کے ساتھ envelope extensions جب X مگر نہیں Y") travel; decisions themselves (کون سا were کے بارے میں specific ورکرز اور specific issues پر old کمپنی) stay، بطور ایک matter کا confidentiality. (c) stays. کہ skill کا configuration ہے pointed پر old کمپنی کا endpoint; نیا کمپنی has مختلف endpoints، possibly مختلف auth. ( skill itself سکتا ہے travel بطور ایک recipe اور be reconfigured.) (d) travels. کہ کا ایک standing personal instruction; یہ applies anywhere. (e) stays. activity log records actions taken پر old کمپنی کے خلاف old کمپنی کا نظام; یہ کا audit ڈیٹا old کمپنی has rights کو، نہیں ڈیٹا Maya owns.

یہ ہے Harper Carroll seam سے Course Seven کا تصور 13، applied کو Maya کا سیشن: نمونے travel، specific records don't. filesystem layout کا OpenClaw سیشن بناتا ہے یہ distinction enforceable. Maya سکتا ہے package اور migrate personal-نمونے subset اور leave company-records subset behind.

Bottom سطر: Maya کا Identic AI ہے Maya کا سیشن، ایک structured local store کا her conversation history، preferences، skills، persona، activity log، اور derived نمونے. یہ lives on her filesystem، میں human-readable فائلیں she owns. یہ ہے کیا بناتا ہے ڈھانچہ self-sovereign اور کیا بناتا ہے Maya کا accumulated judgment survive ہر تبدیلی کا device، employer، یا chat app. سیشن ہے Maya کا; everything else ہے configuration.

تصور 6: Chat apps بطور interface layer

non-obvious ڈھانچے سے متعلق choice OpenClaw بناتا ہے ہے کہ یہ کرتا ہے نہیں رکھتے ہیں اس کا اپنا صارف interface کے لیے صارف-to-AI conversation. وہاں ہے نہیں OpenClaw ویب app، نہیں OpenClaw mobile app کے لیے chatting. صارف talks کو OpenClaw کے ذریعے chat apps صارف پہلے ہی استعمال کرتا ہے: WhatsApp، Telegram، Discord، Slack، Signal، iMessage. تصور 6 walks کے ذریعے کیوں یہ ہے درست ڈھانچے سے متعلق choice کے لیے ایک Identic AI اور کیا یہ implies کے لیے Course Eight worked مثال.

کیوں نہیں ایک dedicated app. default move کے لیے ایک AI پروڈکٹ ہے کو ship ایک chat UI کا اس کا اپنا: ایک ویب app، ایک mobile app، دونوں. OpenClaw deliberately doesn't. استدلال، drawn سے پروجیکٹ کا ڈیزائن choices، ہے کہ ایک Identic AI چاہیے live کہاں صارف پہلے ہی lives، نہیں کہاں پروڈکٹ wants صارف کو live. صارف ہے پہلے ہی میں ان کا chat apps all دن: group threads کے ساتھ ان کا ٹیم، DMs کے ساتھ ان کا family، WhatsApp کے ساتھ ان کا partner. Putting Identic AI میں those apps means:

• صارف doesn't سیاق و سباق-switch کو talk کو یہ.
• صارف سکتا ہے include Identic AI میں group chats کے ساتھ دwasرا humans (Maya سکتا ہے شامل کریں her OpenClaw کو ایک board-discussion Slack channel; her Identic AI participates بطور ایک peer).
• صارف کا existing notification نظام handles attention routing (Maya کا فون buzzes کے لیے OpenClaw وہی طریقہ یہ buzzes کے لیے messages سے her ٹیم).
• صارف has نہیں separate app کو remember کو کھولیں.
• Identic AI inherits all conveniences کا chat apps: voice messages، فائل attachments، group threads، search history.

** chat-channel integrations ہیں ایک ڈھانچے سے متعلق commitment، نہیں ایک feature list.** OpenClaw lists 50+ integrations، including 15+ chat channels (WhatsApp، Telegram، Discord، Slack، Signal، iMessage، اور زیادہ) پر openclaw.ai/integrations. chat-channel سیٹ ہے part کہ matters یہاں. صارف picks ان کا preferred chat app یا apps during openclaw onboard; OpenClaw integrates کے ساتھ those; صارف starts messaging. وہاں ہے نہیں سیکھنا curve کے لیے chat interface کیونکہ صارف پہلے ہی knows کیسے ان کا chat app کام کرتا ہے.

کیا یہ means کے لیے Maya. میں Course Eight worked مثال، Maya configures OpenClaw کو be reachable کے ذریعے Telegram. (We چنیں Telegram کیونکہ OpenClaw docs استعمال کریں یہ بطور default مثال، اور کیونکہ Telegram has clean bot semantics. Maya could equally استعمال کریں WhatsApp یا Signal.) Maya names her OpenClaw "Claudia" during onboarding. سے پھر on:

• جب Maya wants کو message her Identic AI، she opens Telegram، finds chat کے ساتھ Claudia، اور types. وہی gesture بطور messaging ایک teammate.
• جب her Identic AI wants کو surface something کو her (ایک منظوری کہ ضرورت ہے her judgment، ایک weekly نظم و نگرانی-ledger summary)، یہ sends her ایک Telegram message. وہی notification flow بطور any دwasرا message.
• جب Maya ہے پر her desk، she سکتا ہے استعمال کریں OpenClaw's macOS menubar app بجائے کا switching کو Telegram. سیشن ہے shared.
• جب Maya travels اور استعمال کرتا ہے her فون، وہی Claudia ہے وہاں. سیشن syncs across her devices (کے ساتھ ڈھانچے سے متعلق caveats سے تصور 13 کے بارے میں کیسے کہ sync کام کرتا ہے).

** implication کے لیے trust-delegation problem.** یہ ہے subtle اور worth noting پہلے حصہ 3 walks میں یہ. کیونکہ OpenClaw lives میں chat apps صارف پہلے ہی trusts، صارف-کو-OpenClaw trust ہے inherited سے chat app کا اپنا auth. Maya ہے پہلے ہی logged میں کو Telegram بطور Maya; she ہے پہلے ہی recipient کا messages sent کو her Telegram account; OpenClaw doesn't ضرورت کو re-authenticate her پر صارف-to-AI boundary. ** trust-delegation problem میں Course Eight ہے therefore نہیں "کیسے کرتا ہے OpenClaw جانیں یہ کا Maya"، کون سا ہے solved کے ذریعے Telegram's اپنا auth، مگر "کیسے کرتا ہے Paperclip management layer جانیں کہ ایک منظوری request originating سے Maya کا OpenClaw ہے genuinely Maya-authorized."** کہ کا تصور 7's problem.

Try with AI

Paste یہ میں آپ کا AI کوڈنگ assistant:

"OpenClaw reaches صارف کے ذریعے chat apps بطور اس کا primary interface: WhatsApp، Telegram، Discord، Slack، Signal، iMessage، اور زیادہ. ڈھانچے سے متعلق commitment ہے کہ Identic AI lives کہاں صارف پہلے ہی lives، نہیں میں ایک separate app. سے صارف کا perspective، یہ ہے ایک واضح کامیابی: zero سیاق و سباق switching، existing notifications، group chats. سے ایک سیکیورٹی perspective، list three things صارف چاہیے verify کے بارے میں ان کا chosen chat app پہلے treating ان کا OpenClaw conversation بطور trustworthy کے لیے نظم و نگرانی فیصلے. کے لیے مثال: ہے chat encrypted شروع سے آخر تک? کیا ہوتا ہے if chat-app provider ہے compelled کو hand پر messages? کیا ہے recovery story if صارف کا chat-app account ہے compromised?"

کیا آپ're سیکھنا: chat-app interface inherits trust سے chat app، اور کہ trust has حقیقی properties Maya چاہیے verify. Telegram's شروع سے آخر تک encryption ہے opt-in (صرف کے لیے "Secret Chats"); WhatsApp ہے شروع سے آخر تک کے ذریعے default; iMessage ہے شروع سے آخر تک اندر Apple کا نظام. ہر choice has implications کے لیے whether Paperclip integration ہے treating chat-app messages بطور cryptographic evidence کا Maya کا intent (یہ چاہیے نہیں) یا بطور ایک convenience channel (یہ چاہیے). signed-delegation بنیادی اکائی میں تصور 8 ہے کیا بناتا ہے نظم و نگرانی فیصلے cryptographically grounded regardless کا کون سا chat app routes انہیں.

Bottom سطر: OpenClaw's chat-app-first interface ڈھانچہ ہے ایک deliberate choice: Identic AI lives کہاں مالک پہلے ہی lives، نہیں میں ایک separate app. کے لیے Maya، یہ means Telegram (یا WhatsApp، یا any کا supported chat channels) بن جاتا ہے her interface کو her مالک Identic AI. ڈھانچے سے متعلق implication کے لیے trust نمائندگی ہے کہ صارف-to-OpenClaw auth ہے inherited سے chat app; load-bearing trust problem ہے on OpenClaw-کو-Paperclip boundary، کون سا تصور 7 لیتا ہے up.

---

حصہ 3: Trust نمائندگی اور نظم و نگرانی

Parts 1-2 named problem (Maya سکتا ہے't پڑھیں منظوریاں بڑے پیمانے پر)، ڈھانچے سے متعلق بنیادی اکائی کہ solves یہ (Identic AI)، اور runtime کہ operationalizes یہ (OpenClaw). حصہ 3 لیتا ہے up load-bearing تکنیکی move کا Course Eight: کیسے کمپنی کا Paperclip management layer سکتا ہے safely accept منظوری فیصلے سے Maya کا Identic AI بغیر abandoning safety property entire seven-invariant thesis depends on. Three تصورات.

تصور 7: trust-delegation problem

جب Maya logs میں Paperclip اور clicks "approve" on ایک hire proposal، Manager-Agent records کہ human مالک approved. جب Maya کا Identic AI ("Claudia") clicks "approve" on ایک routine hire proposal پر 3 AM جبکہ Maya ہے asleep، Manager-Agent records کہ something approved. ** سوال تصور 7 لیتا ہے up ہے کیا چاہیے be مختلف کے بارے میں یہ دو cases اور کیا چاہیے be وہی.**

naive جوابات ہیں دونوں wrong:

Naive جواب ایک: treat انہیں وہی. "Claudia ہے authorized; her click ہے Maya کا click; record یہ بطور Maya-approved." یہ collapses distinction اور پیدا کرتا ہے ایک جانچ کا ریکارڈ کہ lies. Six months later جب Maya ہے reviewing کیسے ایک particular فیصلہ was بنایا گیا، she نہیں کر سکتا tell سے activity log whether she بنایا گیا یہ herself یا her Identic AI بنایا گیا یہ on her behalf. information needed کے لیے recalibration (تصور 12)، namely did my Identic AI handle یہ اچھی طرح، یا کریں I ضرورت کو درست یہ?، ہے gone. Truthful auditing درکار ہے distinguishing دو principals.

Naive جواب B: ہمیشہ require human. "Claudia سکتا ہے't approve کوئی بھی چیز; she سکتا ہے صرف message Maya منظوری requests، اور Maya clicks 'approve' herself." یہ ہے ڈھانچہ without ایک Identic AI; we رکھتے ہیں نہیں بنایا گیا progress. whole point کا حصہ 1's argument ہے کہ Maya سکتا ہے't be میں loop on ہر routine منظوری. ایک Identic AI کہ سکتا ہے صرف relay messages ہے نہیں solving scaling problem.

** درست جواب ہے structurally ایک three-part move:**

1. ** Identic AI has اس کا اپنا identity میں نظام.** Maya کا OpenClaw، configured بطور Claudia، has ایک distinct identity کہ Paperclip recognizes: Claudia ہے registered بطور ایک Paperclip agent، کے ساتھ her اپنا اہم. Claudia ہے not ایک صارف account; she ہے ایک delegated agent کا Maya's. یہ ہے ایک نیا principal type previous کورسز didn't ضرورت.
2. ** Identic AI's اختیار ہے ایک subset کا Maya کا اختیار، سیٹ کے ذریعے Maya، کے ساتھ واضح limits.** Maya سکتا ہے approve کوئی بھی چیز میں owner-authority envelope; Claudia سکتا ہے approve ایک configured subset (تصور 9 walks intersection). subset ہے recorded: Maya knows کیا Claudia ہے allowed کو کریں; Claudia knows; Paperclip stores یہ.
3. ** جانچ کا ریکارڈ records کون سا principal acted، اور آپ رکھتے ہیں کو be honest کے بارے میں where کہ record lives.** یہاں ہے part کہ ہے آسان کو get wrong، اس لیے کورس states یہ plainly up front. کے خلاف حقیقی Paperclip 2026.513.0، منظوری routes ہیں board-scoped: ایک approve، reject، یا request-revision call ہے recorded بطور ایک board action، اس لیے Paperclip's اپنا activity_log writes actor_type='user' whether Maya clicked یہ یا Claudia drove یہ. Paperclip کرتا ہے نہیں natively distinguish owner-human سے owner-identic-ai on ایک منظوری. اس لیے two-principal distinction lives میں ** کورس's اپنا governance_ledger table**: ہر فیصلہ Claudia بناتا ہے writes ایک governance_ledger row carrying principal='owner_identic_ai'، her attestation، اور her استدلال. ایک Maya-resolved منظوری has نہیں such row. Join دو tables on منظوری id اور distinction ہے fully recoverable. ( simulated-track mock لیتا ہے ایک shortcut: یہ implements native actor: owner_identic_ai attribution directly، purely بطور ایک تدریس simplification. حقیقی Paperclip کرتا ہے نہیں، اور full-implementation track ہے honest کے بارے میں کہ throughout حصہ 4.)

یہ three-part move ہے کیا بناتا ہے delegated نظم و نگرانی safe rather than reckless. اصول holds میں دونوں tracks: دو principals، ایک human، distinct audit truth. کیا differs ہے mechanism: native attribution میں mock، governance_ledger کے خلاف حقیقی Paperclip. Maya delegates، مگر doesn't disappear: audit record بناتا ہے her ہمیشہ recoverable.

Two principals، ایک human: کے خلاف حقیقی Paperclip distinction lives میں کورس's اپنا نظم و نگرانی_ledger، joined کو Paperclip's activity_log on منظوری id، اس لیے ہر delegated فیصلہ stays recoverable. mock implements یہ natively بطور ایک تدریس simplification.

کہاں یہ ہے genuinely مشکل. naive جوابات fail میں obvious طریقے، مگر درست جواب has ایک genuinely مشکل implementation سوال buried میں یہ: کیسے کرتا ہے Paperclip management layer verify کہ ایک request claiming کو be سے "Maya کا Identic AI" ہے میں fact سے Maya کا Identic AI، اور نہیں سے some دwasرا عمل pretending کو be? If anyone سکتا ہے post actor: owner_identic_ai, principal: maya کو منظوری API اور رکھتے ہیں یہ accepted، whole ڈھانچہ ہے broken. verification mechanism، signed نمائندگی سے local credentials، ہے کیا تصور 8 لیتا ہے up.

Bottom سطر: trust-delegation problem ہے load-bearing تکنیکی move کا Course Eight. دو principals ہیں authorized، human مالک اور مالک کا Identic AI، اور ڈھانچہ has کو distinguish انہیں میں audit truth، bound Identic AI's اختیار بطور ایک subset کا مالک کا، اور verify Identic AI's identity cryptographically. Neither "treat انہیں وہی" nor "ہمیشہ require human" کام کرتا ہے. three-part move ہے distinct identity، bounded اختیار، اور truthful audit. honest detail: کے خلاف حقیقی Paperclip منظوری routes ہیں board-scoped، اس لیے two-principal distinction ہے نہیں carried کے ذریعے Paperclip's activity_log; یہ lives میں کورس's اپنا governance_ledger. simulated mock implements native attribution بطور ایک تدریس simplification. اصول ہے identical میں دونوں tracks; mechanism differs.

تصور 8: Signed نمائندگی سے local credentials

Primer for readers new to public-key cryptography

اگلا دو تصورات اور فیصلے 4-5 استعمال کریں signed-delegation بنیادی اکائیاں. If "ed25519" اور "signature verification" don't پہلے ہی sit میں آپ کا toolkit، یہاں کا 90-second نسخہ: ایک ed25519 اہم pair ہے ایک pair کا related فائلیں، ایک private key (ایک secret آپ کا machine holds، کے بارے میں 32 bytes) اور ایک public key (ایک non-secret derived سے یہ، بھی کے بارے میں 32 bytes). جب آپ کا machine signs ایک payload، یہ پیدا کرتا ہے ایک short string ( signature) کہ anyone holding آپ کا public اہم سکتا ہے verify mathematically، proving payload came سے whoever holds private اہم، بغیر revealing private اہم. ed25519 ہے modern default: چھوٹا keys، تیز عملی کام، محفوظ enough کہ entire ویب's TLS بنیادی ڈھانچا ہے moving کو یہ. مستند JSON encoding matters کیونکہ sign-and-verify operation ہے پر exact bytes، نہیں پر " وہی ڈیٹا": if signer اور verifier serialize JSON differently (کے لیے مثال، اہم ordering)، signature won't verify even though ڈیٹا ہے logically identical. Standard practice ہے کو sort keys اور strip extra whitespace پہلے signing. All three بنیادی اکائیاں، ed25519، signature verification، اور مستند JSON، ship میں standard Node اور browser libraries. Claude Code یا OpenCode handles implementation details میں فیصلے 4-5; یہ مختصر رہنما ہے اس لیے briefings پڑھیں بطور engineering، نہیں magic.

verification mechanism استعمال کرتا ہے بنیادی اکائیاں کہ ship میں ہو سکتا ہے 2026: filesystem-stored signing keys، optionally hardware-backed via پلیٹ فارم keystores (macOS Keychain، Windows Credential مینیجر، Linux libsecret)، combined کے ساتھ passkey/WebAuthn-style cryptographic challenges on Paperclip side. یہ ہے ایک کا parts کا Course Eight کہ wires together تعمیر blocks دونوں پروڈکٹس ship rather than استعمال کرتے ہوئے ایک single shipped integration; تعمیر blocks ہیں stable، wiring ہے کیا کورس سکھاتا ہے آپ کو assemble.

** signing اہم on Maya کا machine.** During Course Eight lab (فیصلہ 1)، Maya کا OpenClaw ہے configured کے ساتھ ایک fresh cryptographic اہم pair. private اہم lives میں Maya کا home directory (یا، optionally، میں her پلیٹ فارم keystore). public اہم ہے registered کے ساتھ Paperclip management layer بطور belonging کو "Maya کا Identic AI." سے پھر on:

• جب Maya کا OpenClaw بناتا ہے ایک request کو Paperclip's منظوری API on Maya کا behalf، OpenClaw signs فیصلہ payload کے ساتھ private اہم.
• کورس's اپنا نمائندگی layer (فیصلہ 5) verifies signature کے ساتھ registered public اہم. (Paperclip itself has نہیں signature field on منظوری routes; ed25519 attestation ہے کورس's اپنا layer، نہیں something Paperclip checks. signature اب بھی کرتا ہے حقیقی کام: یہ proves فیصلہ came سے Claudia کا اہم اور was نہیں tampered کے ساتھ پہلے نمائندگی layer drives حقیقی Paperclip route.)
• If signature ہے valid، نمائندگی layer knows request ہے genuinely سے Maya کا registered Identic AI.
• request ہے processed کے ذریعے bounded-authority چیک (تصور 9); نمائندگی layer پھر calls حقیقی board-scoped منظوری route، اور writes ایک governance_ledger row recording principal: owner_identic_ai. (Paperclip's اپنا activity_log records منظوری بطور ایک board action، actor_type='user'; owner-human vs owner-identic-ai distinction ہے میں governance_ledger. تصور 7 اور حصہ 4 cover یہ میں مکمل.)

کیوں filesystem (یا پلیٹ فارم keystore) اور نہیں " cloud." signing اہم ہے Maya کا; یہ چاہیے live کہاں Maya سکتا ہے قابو یہ. Filesystem storage means Maya سکتا ہے back یہ up، copy یہ کو ایک نیا device، یا destroy یہ وہی طریقہ she controls rest کا her OpenClaw سیشن. پلیٹ فارم-keystore storage (macOS Keychain اور like) adds hardware backing: اہم نہیں کر سکتا be exported بغیر Maya کا OS authentication، کون سا raises bar کے لیے ایک attacker who gains filesystem access مگر نہیں صارف-session access. دونوں ہیں local-by-default; neither leaks Maya کا identity کو ایک third party.

** stolen-laptop ناکامی طریقہ.** کیا ہوتا ہے if Maya کا Mac ہے stolen? Three ناکامی scenarios، ordered کے ذریعے severity:

1. laptop stolen، Maya نہیں logged میں، FileVault encrypted. attacker has device مگر نہیں کر سکتا پڑھیں filesystem. private اہم ہے unreadable. نہیں attack surface; Maya replaces laptop اور re-onboards on ایک نیا ایک.
2. laptop stolen، Maya logged میں مگر screen ہے locked. attacker has device، disk ہے decrypted، مگر they نہیں کر سکتا unlock screen. private اہم ہے on disk مگر attacker نہیں کر سکتا trigger OpenClaw کو استعمال کریں یہ. Some خطرہ if attacker has filesystem-level access (کے لیے مثال، booting سے ایک external drive); پلیٹ فارم keystore طریقہ raises یہ bar.
3. laptop stolen، attacker has Maya کا سیشن active. attacker سکتا ہے talk کو Maya کا OpenClaw، سکتا ہے sign requests بطور Maya کا Identic AI، سکتا ہے approve things پر Paperclip up کو Claudia کا delegated اختیار. یہ ہے worst case. ** mitigation ہے revocation پر Paperclip side**: Maya، سے ایک مختلف device، registers ایک نیا public اہم اور revokes stolen ایک. کورس's lab (فیصلہ 7) walks یہ revocation flow.

** recovery story ہے load-bearing detail.** ایک signed-delegation ڈھانچہ کہ has نہیں recovery path کے لیے ایک stolen device ہے fragile. کورس سکھاتا ہے revocation flow بطور part کا فیصلہ 7 کیونکہ کہ کا کہاں ڈھانچے سے متعلق commitment بن جاتا ہے operational: Maya سکتا ہے ہمیشہ، سے any device she اب بھی controls، log میں Paperclip (کے ساتھ her اپنا owner-human credentials، نہیں her Identic AI's credentials) اور revoke any Identic AI اہم کہ کا been compromised.

** relationship کو passkeys.** Maya کا owner-human credentials میں Paperclip ہیں themselves protected کے ذریعے passkeys / WebAuthn، وہی بنیادی اکائی broader ویب ہے moving toward میں 2026. Maya signs میں Paperclip کے ساتھ her passkey (کون سا ہے bound کو ایک device she controls، hardware-backed کہاں possible). Identic AI signing اہم ہے ایک separate credential: یہ represents Claudia، نہیں Maya، اور Maya سکتا ہے revoke یہ سے her passkey-authenticated سیشن. دو credentials، دو principals، ایک human; ڈھانچہ distinguishes انہیں cleanly.

PRIMM: Predict

Maya کا کمپنی has ایک published API پر https://maya-co.com/api. Someone outside کمپنی tries کو send ایک منظوری-acceptance request claiming کو be Maya کا Identic AI. request includes ایک signature field. بغیر registered public اہم on فائل، request would be impossible کو verify. Predict: میں order آپ کا نمائندگی layer کا verification logic چلتا ہے (فیصلہ 5's three gates)، کون سا چیک fails پہلا? (ایک) signature cryptographic validity، (b) signer-key-is-registered، (c) bounded-authority-check (تصور 9)، (d) نظم و نگرانی-ledger لکھیں. پھر پڑھیں on.

---

جواب: (b). پہلا thing آپ کا نمائندگی layer checks ہے whether public اہم signature was بنایا گیا کے ساتھ ہے ایک registered Identic AI اہم کے لیے ایک known مالک. If signer اہم ہے نہیں on فائل، layer rejects request پہلے doing any cryptographic verification. (آپ سکتا ہے verify signature cryptographically، مگر if یہ کا signed کے ساتھ ایک unknown اہم، result کا verification doesn't مدد: ایک valid signature سے ایک unknown اہم ہے اب بھی ایک unknown principal.) ** پہلا gate ہے identity registration; cryptographic validity ہے second gate.** یہ ordering matters کیونکہ یہ prevents attackers سے spending CPU on signature verification کے لیے arbitrary inbound requests; صرف requests سے registered principals get کہ far. (Note یہ verification ہے کورس's اپنا نمائندگی layer، نہیں Paperclip: Paperclip has نہیں signature field on منظوری routes. تصور 7 اور فیصلہ 5 cover کیوں.)

Bottom سطر: signed نمائندگی lets Maya کا Identic AI act on her behalf پر Paperclip بغیر ambiguity کے بارے میں کون سا principal acted. signing اہم lives on Maya کا machine (filesystem یا پلیٹ فارم keystore); public اہم ہے registered اس لیے کورس's اپنا نمائندگی layer سکتا ہے verify Claudia کا attestations; کہ layer writes delegated principal میں governance_ledger. stolen-laptop case ہے handled کے ذریعے revocation: Maya سکتا ہے ہمیشہ invalidate her Identic AI's credentials سے any device she اب بھی controls. ڈھانچہ ہے robust میں ناکامی طریقہ کہ matters.

تصور 9: two-envelope intersection

Maya کا اختیار envelope، میں Paperclip's ماڈل، ہے کیا she سکتا ہے approve: کوئی بھی چیز میں کمپنی کا اختیار surface، up کو اور including envelope-extension hires، terminations، اور unlimited refunds. کہ ہے نہیں درست envelope کے لیے Claudia. Claudia کا delegated envelope ہے ایک deliberately narrower subset کا Maya کا، سیٹ کے ذریعے Maya، اور recorded پر Paperclip بطور part کا registered Identic AI's metadata. تصور 9 walks intersection logic: کیا gets executed جب Claudia acts ہے not کیا Claudia claims اختیار کے لیے، اور not کیا Maya could کریں; یہ ہے intersection کا دو.

** دو envelopes، concretely.** کے لیے Course Seven customer-support کمپنی، Maya کا envelopes دیکھیں something like یہ:

Maya کا owner-authority envelope (کیا Maya herself سکتا ہے approve)	Claudia کا delegated envelope (کیا Maya کا Identic AI سکتا ہے approve on her behalf)
Refunds: unlimited	Refunds: up کو $2،000
Hires اندر existing envelope: yes	Hires اندر existing envelope: yes
Hires extending کمپنی envelope: yes	Hires extending کمپنی envelope: نہیں، surface کو Maya
Terminations: yes	Terminations: نہیں، surface کو Maya
Budget overrides: unlimited	Budget overrides: up کو 20% پر monthly cap
Standing-policy edits: yes	Standing-policy edits: نہیں، surface کو Maya
CMA migrations: yes	CMA migrations: up کو ایک per quarter، صرف کے لیے ورکرز below $1،000/mo بجٹ

نمونہ: Claudia سکتا ہے act autonomously on routine، bounded فیصلے; she defers کو Maya on حکمت عملی سے متعلق، irreversible، یا category-changing فیصلے. Maya sets یہ thresholds during Course Eight lab (فیصلہ 4) اور revisits انہیں quarterly.

An action executes صرف جب یہ sits اندر دونوں envelopes پر once: strict intersection، never union.

** intersection logic.** جب Claudia attempts کو act، Paperclip computes:

1. ہے یہ action میں owner-authority envelope? (کہ ہے، would Maya herself be allowed کو approve یہ?) Yes کے لیے everything میں یہ مثال، کیونکہ Maya owns کمپنی; نہیں کے لیے، کہتے ہیں، ایک request کہ exceeds کمپنی کا overall بجٹ cap، کون سا Maya نہیں کر سکتا unilaterally approve either.
2. ہے یہ action میں Identic AI's delegated envelope? (کہ ہے، ہے Claudia allowed کو act on یہ?) Yes کے لیے refunds up کو $2،000; نہیں کے لیے envelope-extension hires.
3. ** action proceeds صرف if دونوں ہیں yes.** If صرف (1) ہے yes اور (2) ہے نہیں، action surfaces کو Maya بطور ایک منظوری request she handles herself.

کیوں intersection ہے درست ماڈل، نہیں union. Maya کا اختیار ہے ایک ceiling، نہیں ایک transferable bundle. Claudia نہیں کر سکتا exceed Maya کا اختیار; if Maya سکتا ہے approve up کو $X، Claudia نہیں کر سکتا approve زیادہ. مگر Claudia ہے بھی bounded below Maya کا ceiling کے ذریعے Maya کا deliberate choice: Maya might کہتے ہیں "I trust Claudia کے ساتھ up کو $2،000 میں refunds، مگر $5،000 refunds I چاہتے ہیں کو دیکھیں myself." ڈھانچہ has کو encode دونوں bounds، اور intersection ہے صرف logic کہ کرتا ہے.

** standing-instructions surface.** Maya سکتا ہے extend یا contract Claudia کا delegated envelope کے ذریعے giving Claudia standing instructions. مثالیں Maya might دیں پر six months:

• "Approve any refund up کو $2،000 if customer کا account ہے زیادہ than دو years old اور they رکھتے ہیں نہیں prior refunds."
• "ہمیشہ surface envelope-extension hires کو me، even if نیا اختیار ہے something we've granted پہلے."
• "کے لیے اگلا month، جبکہ we're testing نیا پروڈکٹ سطر، surface any hire کو کہ پروڈکٹ سطر کو me."
• "If ایک ورکر کا بجٹ overrun ہے correlated کے ساتھ ایک known incident میں activity log، آپ سکتا ہے approve override up کو 50%، مگر flag یہ میں weekly نظم و نگرانی-ledger summary."

یہ instructions accumulate میں Maya کا سیشن بطور part کا persistent memory (تصور 5). Identic AI applies انہیں میں conjunction کے ساتھ delegated-envelope ceiling. ** result ہے کہ Maya کا policy ہے learned اور updated میں plain language، نہیں encoded once میں ایک static config فائل.** یہ ہے تصور 1 distinction درمیان ایک قاعدہ اور ایک judgment، operationalized.

Bottom سطر: action Claudia executes ہے intersection کا Maya کا owner-authority envelope ( ceiling) اور Claudia کا delegated envelope (Maya کا chosen subset). intersection ہے صرف logic کہ correctly bounds ایک Identic AI's اختیار: یہ نہیں کر سکتا exceed مالک کا، اور یہ نہیں کر سکتا exceed کیا مالک has chosen کو نمائندہ. Maya extends اور contracts delegated envelope کے ذریعے standing instructions she دیتا ہے Claudia میں plain language، making policy ایک judgment Maya updates پر وقت، نہیں ایک قاعدہ encoded once.

---

حصہ 4: worked مثال: wiring Maya کا Identic AI

Parts 1-3 explained ڈھانچہ. حصہ 4 walks کے ذریعے assembling یہ concretely. Seven فیصلے، ہر ایک ایک briefing کو آپ کا Claude Code یا OpenCode سیشن، never typed یا edited کے ذریعے hand. کے ذریعے end کا حصہ 4، آپ کا مالک Identic AI ہے installed on ایک Mac، reachable کے ذریعے Telegram، اور configured کے ساتھ ایک delegated envelope. کیا "demonstrably handling routine منظوریاں" means depends on آپ کا track: on full-implementation track، Maya کا Identic AI ہے wired کو her حقیقی Course Seven Paperclip ڈیپلائمنٹ اور مشقیں مکمل cryptographic round-trip کے خلاف live منظوری routes. On simulated track، آپ مشق وہی ڈھانچے سے متعلق نمونے کے خلاف ایک local Paperclip mock: آپ finish کے ساتھ ایک working demo اور ایک sound ذہنی نمونہ، مگر پروڈکشن wiring کو ایک حقیقی Paperclip ہے نہیں part کا simulated lab. دونوں tracks end کے ساتھ ایک Identic AI کہ handles ایک flood کا routine منظوریاں اور surfaces consequential ones; they differ میں whether Paperclip on دwasرا end ہے حقیقی.

Pick your track before Decision 1: the choice changes every briefing

Course Eight کا lab چلتا ہے دو طریقے. چنیں پہلے فیصلہ 1: choice affects کیسے آپ پڑھیں ہر briefing، کیسے much وقت آپ commit، اور کیا آپ end up کے ساتھ. Don't switch mid-lab; wiring won't stay مستقل.

1. مکمل implementation (کے لیے owners کا ایک اصل Paperclip-running AI-native کمپنی). آپ کریں نہیں modify Paperclip's codebase. آپ mint ایک حقیقی Paperclip board API اہم (سے board_api_keys) اور hand یہ کو آپ کا Identic AI: کہ board credential ہے کیا authenticates her calls کو حقیقی منظوری routes (POST /api/approvals/{id}/approve اور friends). آپ بھی register her بطور ایک حقیقی Paperclip agent کے ساتھ ایک agent_api_keys entry، کون سا دیتا ہے her ایک Paperclip identity اور ایک revocation surface (نہیں کیا authenticates approve call). آپ تعمیر کریں آپ کا اپنا signing، signature-verification، اور delegated-envelope layer اندر OpenClaw integration skill، plus آپ کا اپنا additive governance_ledger table، اور مشق مکمل cryptographic round-trip کے خلاف ایک live Paperclip ڈیپلائمنٹ. وقت: 6 کو 10 گھنٹے کا lab on top کا 3 گھنٹے کا مطالعہ; realistically ایک 1-دن sprint، یا 2 days کے ساتھ thinking room. نتیجہ: ایک پروڈکشن معیار کا مالک Identic AI کے لیے آپ کا حقیقی کمپنی.
2. Simulated (کے لیے everyone else: learners، students، لوگ بغیر ایک ڈیپلائے Paperclip). آپ چلائیں ایک mock Paperclip endpoint کہ accepts ایک simplified API shape، returns canned responses، اور writes کو ایک local governance_ledger.json. ڈھانچے سے متعلق نمونے ہیں exercised; پروڈکشن wiring ہے نہیں. وقت: 2 کو 3 گھنٹے کا lab on top کا 2 گھنٹے کا مطالعہ; ایک comfortable half-day. نتیجہ: ایک working understanding کا مالک Identic AI plus ایک local demo.

زیادہ تر فیصلے کام کے لیے دونوں tracks کے ساتھ وہی briefing. فیصلے 3، 5، 6، اور 7 genuinely diverge: those carry ایک labeled Simulated track block اور Full-implementation track block. simulated mock keeps simplified routes (including ایک single /resolve route); مکمل track استعمال کرتا ہے حقیقی Paperclip surface.

** ایک thing track choice تبدیلیاں conceptually**: کہاں two-principal distinction lives. تصورات 7-9 پہلے ہی taught یہ، اس لیے یہ ہے ایک cross-reference، نہیں نیا material. کے خلاف حقیقی Paperclip 2026.513.0، منظوری routes ہیں board-scoped: ہر activity_log row they لکھیں ہے actor_type='user'، اس لیے Paperclip نہیں کر سکتا tell ایک Claudia-resolved منظوری سے ایک Maya-resolved ایک. distinction lives میں کورس's اپنا governance_ledger. simulated mock implements native owner_identic_ai attribution directly، بطور ایک تدریس simplification. full-implementation track below ہے honest کے بارے میں یہ throughout.

Lab Setup: پہلے فیصلہ 1

فیصلے below ہیں لکھا گیا کو be executed کے ذریعے Claude Code یا OpenCode (آپ کا ایجنٹک کوڈنگ ٹول; دیکھیں ایجنٹک کوڈنگ مختصر عملی کورس if either ہے unfamiliar). آپ کریں نہیں type یا edit کوڈ manually anywhere میں یہ lab. ہر فیصلہ ہے briefed کو آپ کا ایجنٹک کوڈنگ ٹول، کون سا پیدا کرتا ہے ایک منصوبہ، آپ review اور approve منصوبہ، اور پھر ٹول implements یہ. یہ ہے وہی طریقہ کار Courses Three کے ذریعے Seven استعمال ہوا.

If آپ skip یہ setup اور try کو drive lab کے ساتھ ایک generic chat AI، three specific ناکامی طریقے گا bite آپ: (1) chat AI سکتا ہے't پڑھیں یا edit آپ کا filesystem، اس لیے ہر کوڈ آرٹفیکٹ has کو be copy-pasted میں اور باہر کا chat، doubling lab وقت; (2) وہاں کا نہیں منصوبہ طریقہ equivalent، اس لیے AI گا شروع کریں writing کوڈ پہلے آپ've reviewed طریقہ، اور آپ'll spend گھنٹے undoing wrong directions; (3) وہاں کا نہیں project-قواعد فائل AI reads on ہر سیشن، اس لیے ہر سیشن re-learns constraints (don't touch پروڈکشن نظم و نگرانی_ledger; ہمیشہ چلائیں tests پہلے committing; never edit course-seven-export/ since یہ کا read-only)، اور آپ'll repeat yourself constantly.

Setup ہے دو moves: install آپ کا کوڈنگ agent، پھر download starter پروجیکٹ. کے بارے میں 10 منٹ total.

1. install Claude Code یا OpenCode

چنیں ایک. دونوں کام کے لیے entire lab; چنیں مبنی on آپ کا ماڈل preference اور کیسے much config قابو آپ چاہتے ہیں. (If آپ پہلے ہی رکھتے ہیں ایک installed، skip کو step 2، مگر چلائیں upgrade command کو بنائیں sure آپ're on تازہ ترین نسخہ.)

# macOS / Linux / WSL: recommended (auto-updates)
curl -fsSL https://claude.ai/install.sh | bash

# Or via Homebrew (no auto-update)
brew install --cask claude-code

# Verify and update
claude update
claude --version

مکمل installation reference: docs.claude.com/claude-code.

2. Download starter پروجیکٹ

Everything else lab ضرورت ہے ہے pre-wired میں ایک starter پروجیکٹ. Download یہ، unzip یہ، اور آپ رکھتے ہیں ایک حقیقی git init-able course-eight-lab/ فولڈر کے ساتھ پروجیکٹ قواعد فائل، اجازتیں اور حفاظتی حدود، reusable verification commands، simulated-track mock، اور Maya کا read-only منظوری history پہلے ہی میں place.

Download: identic-ai-crash-کورس.zip

earlier draft کا یہ کورس had آپ hand-type roughly 350 lines کا config across six setup steps. کہ config اب ships میں zip، اس لیے آپ پڑھیں یہ اور چلائیں یہ بجائے کا transcribing یہ. یہاں ہے layout، اور کیوں ہر piece matters:

identic-ai-crash-course/
├── README.md                      # human entry: what this is, pick a track, next step
├── CLAUDE.md                      # the project rules file (Claude Code)
├── AGENTS.md                      # the project rules file (OpenCode)
├── opencode.json                  # OpenCode: instruction files + permissions + plugin wiring
├── .claude/
│   ├── settings.json              # permissions allow/deny + 3 PreToolUse guardrail hooks
│   └── commands/                  # /verify-audit-trail and /verify-envelope slash commands
├── .opencode/
│   ├── plugins/course-eight-guardrails.js   # the same 3 guardrails as an OpenCode plugin
│   └── commands/                  # the two slash commands for OpenCode
├── mocks/
│   └── paperclip-mock.ts          # the simulated-track Paperclip stand-in
├── course-seven-export/
│   ├── README.md                  # read-only input, do not edit
│   └── approvals.json             # a sample of Maya's past approval decisions
└── docs/
    ├── course-eight-architecture.md      # architectural background the rules file @-references
    ├── governance-ledger-schema.sql      # the schema Decisions 5 and 11 build against
    └── openclaw-skills-reference.md      # OpenClaw skills system pointer notes

کیا ہر piece ہے کے لیے:

• CLAUDE.md / AGENTS.md ( پروجیکٹ قواعد فائل). یہ ہے load-bearing سیاق و سباق: آپ کا کوڈنگ agent reads یہ پر شروع کریں کا ہر سیشن، اس لیے یہ knows stack، دو lab tracks، critical قواعد (never edit course-seven-export/، never print signing اہم، چلائیں npm test بعد Paperclip-side تبدیلیاں، daemon-stop step میں فیصلہ 7 ہے mandatory)، اور کہاں on-demand reference docs live. ہر فیصلہ below assumes یہ قواعد ہیں میں place. opencode.json carries وہی instruction-فائل wiring کے لیے OpenCode.
• ** اجازتیں block (.claude/settings.json allow/deny، opencode.json اجازت) plus hooks/plugin.** Together یہ ہیں deny-and-refuse safety layer. اجازتیں block says "پوچھیں پہلے doing dangerous things." hooks (.claude/settings.json PreToolUse) اور OpenCode پلگ ان (.opencode/plugins/course-eight-guardrails.js) کہتے ہیں "اصل میں، just refuse یہ things، never even پوچھیں." Three حفاظتی حدود ہیں deterministic rather than agent-judgment: refuse کو commit ایک governance_ledger.json carrying ایک پروڈکشن DB pointer، refuse edits کو read-only course-seven-export/، اور refuse کو commit ایک .pem private signing اہم. combination ہے درست safety property: زیادہ تر catastrophic possible mistake (leaking Maya کا private signing اہم کو ایک public repo) ہے structurally blocked.
• ** slash commands (.claude/commands/، .opencode/commands/).** /verify-audit-trail اور /verify-envelope ہیں reusable verification ورک فلو saved once اس لیے آپ don't re-type instructions. آپ'll چلائیں audit-trail چیک بعد فیصلہ 6 اور again بعد فیصلہ 7; آپ'll چلائیں envelope چیک whenever آپ چاہتے ہیں کو confirm local envelope اب بھی matches کیا Paperclip has registered.
• mocks/paperclip-mock.ts. simulated-track Paperclip stand-in. یہ ships کے ساتھ پڑھیں side working: ایک healthcheck، pending-منظوری queue، ایک بنیادی human-resolve path، ایک test helper کہ injects ایک workload، اور governance_ledger.json writer. signed-delegation gating اور identity-registration endpoints ہیں deliberately left بطور marked stubs، کیونکہ تعمیر انہیں is فیصلے 4 اور 5. کریں نہیں pre-fill انہیں; lab walks آپ کے ذریعے یہ.
• course-seven-export/approvals.json. Maya کا past منظوری فیصلے: read-only judgment input فیصلہ 2 imports اس لیے Claudia starts کے ساتھ ایک ماڈل کا Maya کا judgment بجائے کا سیکھنا سے zero. حفاظتی حدود actively refuse edits یہاں; modifying یہ would mean Claudia کا seeded نمونے نہیں longer reflect ایک حقیقی history.
• docs/. Background قواعد فائل @-references on demand: ڈھانچہ سیاق و سباق، نظم و نگرانی-ledger schema فیصلے 5 اور 11 تعمیر کریں کے خلاف، اور orientation notes on OpenClaw skills نظام. agent loads یہ صرف جب ایک فیصلہ ضرورت ہے انہیں، نہیں preemptively.

آپ کا job: unzip پروجیکٹ، پھر میں ایک terminal:

cd identic-ai-crash-course
git init

git init ہے non-negotiable کے لیے OpenCode صارفین (اس کا /undo feature درکار ہے git). یہ کا strongly recommended کے لیے Claude Code صارفین too: commits ہیں کیسے آپ save progress درمیان فیصلے، اور daemon-stop fix میں فیصلہ 7 assumes lab ہے git-tracked.

پھر کھولیں فولڈر کے ساتھ آپ کا کوڈنگ agent:

• Claude Code: claude
• OpenCode: opencode

Verifying setup

پہلے آغاز فیصلہ 1، چلائیں ایک فوری sanity چیک اندر Claude Code یا OpenCode کو confirm قواعد loaded.

میں Claude Code پرامپٹ، type:

What rules are you following for this session? List any instructions
from my project's CLAUDE.md file, and confirm the hooks block in
.claude/settings.json loaded.

آپ چاہیے دیکھیں Claude Code list lab قواعد سے CLAUDE.md اور confirm three PreToolUse hooks ہیں active. If یہ says یہ has نہیں special instructions یا hooks aren't loaded، recheck کہ آپ opened claude سے اندر identic-ai-crash-course/ directory.

Plan-then-Execute طریقہ کار

ہر فیصلہ below has دو phases: منصوبہ (read-only investigation; پیدا کریں ایک لکھا گیا منصوبہ; آپ review) اور Execute ( ٹول implements بعد آپ approve منصوبہ). یہ ہے non-negotiable کے لیے three reasons:

1. ایک منصوبہ آپ review لیتا ہے 30 seconds; reverting ایک wrong implementation لیتا ہے much longer.
2. Plans saved کو docs/plans/decision-N.md survive /clear اور سکتا ہے be resumed across سیشنز.
3. plan-then-execute split lets آپ save tokens (اور money) کے ذریعے planning on ایک فرنٹیئر ماڈل اور executing on ایک سستا ایک (دیکھیں agentic-coding مختصر عملی کورس's Plan/Execute composition نمونہ).

کے لیے ہر فیصلہ: press Shift+Tab twice کو enter منصوبہ طریقہ (read-only). brief requirements. Review منصوبہ Claude Code پیدا کرتا ہے. پوچھیں کے لیے منصوبہ کو be saved کو docs/plans/decision-N.md. پھر press Shift+Tab کو exit منصوبہ طریقہ اور authorize عمل درآمد.

فیصلے below describe brief آپ دیں کو ٹول: کیا کو منصوبہ اور execute. They کریں نہیں repeat Plan-then-Execute ورک فلو ہر وقت; کہ کا اب آپ کا standing operating procedure کے لیے lab.

---

فیصلہ 1: install OpenClaw on Maya کا Mac

ایک سطر میں: install OpenClaw on ایک clean Mac، چلائیں openclaw onboard، walk persona/model/chat-app setup، اور verify install کام کرتا ہے کے ذریعے messaging Claudia ایک "hello" کے ذریعے Telegram.

Everything downstream depends on ایک clean OpenClaw install. Lab ناکامیاں میں فیصلے 2-7 trace back کو ایک partially-completed فیصلہ 1 کے بارے میں 80% کا وقت. persona name آپ چنیں یہاں ہے name Claudia گا استعمال کریں forever میں آپ کا نظم و نگرانی ledger; ماڈل آپ چنیں affects Claudia کا استدلال quality on novel cases; chat-app integration ہے آپ کا صرف interface کو her. Treat یہ بطور foundation فیصلہ، نہیں ایک setup step.

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-1.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

I ضرورت کو install OpenClaw on ایک fresh Mac اور get کے ذریعے onboarding flow. Per official site پر openclaw.ai اور docs پر docs.openclaw.ai/getting-started. Requirements:

1. install OpenClaw. چلائیں curl -fsSL https://openclaw.ai/install.sh | bash (auto-installs Node.js اور dependencies)، یا npm i -g openclaw if Node.js ہے پہلے ہی سیٹ up.
2. چلائیں openclaw onboard --install-daemon اور walk کے ذریعے پرامپٹس. --install-daemon flag registers gateway بطور ایک managed background service، اس لیے openclaw gateway stop اور openclaw gateway start controls استعمال ہوا میں فیصلہ 7 اصل میں رکھتے ہیں ایک service کو act on.
3. Persona configuration: name OpenClaw Claudia.
4. ماڈل selection: چنیں claude-opus-4-7 بطور ماڈل.
5. Chat-app integration: configure Telegram بطور primary chat app. یہ درکار ہے creating ایک Telegram bot via @BotFather اور pasting bot token میں onboard flow.
6. Verification round-trip: send Claudia ایک hello message میں Telegram اور confirm she responds کے ساتھ configured persona greeting.
7. Report back: path کو OpenClaw config directory (typically ~/.openclaw/)، Telegram bot username، اور any onboard پرامپٹس کہ asked کے لیے choices beyond کیا کا specified above (اس لیے I جانیں کیا defaults got picked).

کیا کو expect. آپ کا assistant پیدا کرتا ہے install + onboard flow، verifies Telegram round-trip، اور رپورٹس back configured state. نتیجہ چاہیے include:

• path کو OpenClaw config directory on Maya کا Mac (typically ~/.openclaw/)
• bot username Maya گا استعمال کریں کو reach Claudia میں Telegram
• ماڈل اور persona configuration confirmed
• ایک successful round-trip: Maya messages "hello"، Claudia responds میں persona

Troubleshooting:

• Homebrew پرامپٹس کے لیے admin password on پہلا run. Expected: required کے لیے نظام dependencies. Approve اور continue.
• Telegram BotFather setup fails. زیادہ تر عام cause: Maya doesn't رکھتے ہیں ایک Telegram account. بنائیں ایک پہلا (free، 2-منٹ setup)، پھر re-run openclaw onboard.
• Claudia responds مگر persona ہے wrong. onboard flow کا persona configuration didn't save. Re-run onboarding کے ساتھ config scope reset: openclaw onboard --reset --reset-scope config.
• Install hangs on "downloading dependencies." Network یا DNS issue. Verify کے ساتھ curl -fsSL https://openclaw.ai/health اور چیک Node.js install separately if کہ fails.

Bottom سطر کا فیصلہ 1. ایک working OpenClaw install کہاں Maya سکتا ہے message Claudia میں Telegram اور get ایک persona-aware response. config directory موجود ہے on disk; bot ہے registered کے ساتھ Telegram; ماڈل ہے سیٹ. Everything downstream wires onto یہ foundation.

If something breaks in Decisions 2-7, check these three things first

میں یہ order; they account کے لیے roughly 80% کا lab ناکامیاں during OpenClaw + Paperclip integration.

1. OpenClaw نہیں installed cleanly یا onboarding incomplete. چلائیں openclaw status کو verify; re-run openclaw onboard if کوئی بھی چیز looks off. زیادہ تر عام cause کا mysterious ناکامیاں میں فیصلے 2-7 ہے ایک partially-completed onboard سے فیصلہ 1.
2. Paperclip نہیں running، یا نہیں reachable سے Maya کا machine. OpenClaw running on Maya کا Mac has کو be able کو reach Paperclip's API endpoint. If Paperclip ہے on ایک مختلف machine یا ایک private network، verify connectivity کے ساتھ curl $PAPERCLIP_API_URL/api/health پہلے assuming integration skill ہے broken.
3. Identic AI's board API اہم نہیں میں place، یا نمائندگی layer incomplete. میں مکمل track، Claudia drives حقیقی منظوری routes کے ساتھ ایک Paperclip board API اہم (فیصلہ 4): منظوری routes call assertBoard()، اس لیے ایک board-level credential ہے کیا they accept. If کہ board اہم ہے missing یا wrong، Paperclip rejects her calls پہلے آپ کا نمائندگی layer ever چلتا ہے. Separately، she ہے بھی registered بطور ایک Paperclip agent کے ساتھ ایک agent_api_keys entry، کون سا دیتا ہے her ایک identity اور ایک revocation surface مگر ہے نہیں کیا authenticates approve call. آپ کا اپنا verification layer (فیصلہ 5) checks ed25519 attestation اور delegated envelope; if کہ layer ہے incomplete، Claudia کا فیصلے never reach POST /api/approvals/{id}/approve.

If none کا three explains آپ کا ناکامی، چیک کورس-eight-issues GitHub label.

فیصلہ 2: Onboard Maya کا persona اور import her judgment سیاق و سباق

ایک سطر میں: configure Claudia کے ساتھ Maya کا persona، role سیاق و سباق (she کا CEO کا ایک AI-native customer-support کمپنی)، اور import any دستیاب history کا her past منظوری فیصلے اس لیے Claudia has ایک آغاز ماڈل کا Maya کا judgment.

تصور 10 names three layers کا سیاق و سباق Claudia accumulates پر وقت: standing instructions، per-decision فیڈبیک، derived نمونے. فیصلہ 2 seeds all three layers سے historical record. بغیر یہ seed، Claudia starts سے zero اور Maya has کو spend her پہلا month تدریس Claudia سے scratch کے ذریعے overrides. کے ساتھ یہ seed، Claudia starts month ایک کے ساتھ roughly 200 imported فیصلے worth کا نمونہ-matching; Maya کا first-month overrides refine ایک already-credible آغاز ماڈل.

PRIMM: Predict

Suppose Maya doesn't رکھتے ہیں ایک clean JSON export کا her past منظوریاں: she کا been running کے لیے nine months on Paperclip مگر has never extracted her فیصلہ history. Three options کے لیے seeding Claudia: (ایک) skip import; let Claudia سیکھیں سے scratch پر اگلا roughly 30 days، (b) export ایک partial history ( last 30 days، آسان کو compile سے Paperclip activity log)، یا (c) spend ایک Saturday writing مکمل export script. Predict کون سا option Course Eight recommends، پھر پڑھیں briefing.

---

جواب: (b)، partial history کا last 30 days. Option (ایک) wastes پہلا month; Maya کرتا ہے کام کا تدریس Claudia بغیر benefit کا having Claudia. Option (c) ہے درست جواب if Maya has وقت، مگر realistically زیادہ تر owners won't. Option (b) ہے pragmatic middle: 30 days کا imported history دیتا ہے Claudia ایک defensible آغاز ماڈل on high-volume فیصلہ types (refunds، بجٹ overrides) جبکہ leaving low-volume فیصلے (envelope-extension hires، terminations) explicit per standing instructions میں فیصلہ 4. کورس's briefing assumes (c) ہے achievable; if یہ isn't، fall back کو (b).

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-2.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

Claudia ہے installed; اب configure her کے لیے Maya کا specific role. Maya ہے founder/CEO کا ایک AI-native customer-support کمپنی built across Courses Five-Seven. کمپنی has four ورکرز: Tier-1 سپورٹ، Tier-2 specialist، Manager-Agent، اور قانونی specialist، managed کے ذریعے Paperclip. Requirements:

1. تعمیر ایک persona دستاویز میں OpenClaw's agent workspace (~/.openclaw/workspace/). OpenClaw reads USER.md میں workspace بطور پائیدار سیاق و سباق کے بارے میں اس کا صارف، اس لیے لکھیں Maya کا persona میں ~/.openclaw/workspace/USER.md (یا ایک context/ فائل referenced سے یہ)، capturing:

• Maya کا role (founder/CEO کا ایک AI-native customer-support کمپنی)
• کمپنی کا موجودہ ورکر roster اور کیا ہر ورکر کرتا ہے
• Maya کا communication style (terse، direct، comma-spliced)
• Maya کا known policy thresholds سے Courses Five-Seven (refund ceiling $500، monthly بجٹ cap default $1,000، auto-منظوری policy سے Course Seven تصور 9 active)

2. Import Maya کا past منظوری history. وہاں کا ایک JSON export پر ./course-seven-export/approvals.json containing historical منظوری فیصلے. OpenClaw's persistent memory ہے workspace، نہیں ایک separate import store، اس لیے place فائل میں workspace (کے لیے مثال ~/.openclaw/workspace/context/approvals.json) اور reference یہ سے USER.md یا MEMORY.md اس لیے OpenClaw indexes یہ بطور پائیدار سیاق و سباق. دیکھیں docs.openclaw.ai/تصورات/سیشن.
3. Verification round-trip: کے ذریعے Telegram، پوچھیں Claudia "کیا کریں آپ جانیں کے بارے میں کیسے I approve refunds?" اور confirm she returns ایک plausible جواب drawn سے imported history (نہیں generic AI-assistant patter; response چاہیے reference specific نمونے سے imported فیصلے).
4. Report back: import skill کا name، on-disk location کا loaded سیشن ڈیٹا، اور ایک transcript کا verification round-trip.

کیا کو expect. آپ کا assistant پیدا کرتا ہے:

• Maya کا persona لکھا گیا میں ~/.openclaw/workspace/USER.md (human-readable; Maya سکتا ہے review اور edit)
• approvals.json placed میں workspace بطور ایک پائیدار سیاق و سباق فائل، referenced سے USER.md یا MEMORY.md اس لیے Claudia draws on یہ
• ایک verification round-trip: Maya messages "کیا کریں آپ جانیں کے بارے میں کیسے I approve refunds?" اور Claudia responds کے ساتھ ایک summary like "مبنی on آپ کا past فیصلے، آپ approve کے بارے میں 94% کا refunds کے تحت $500 بغیر comment، کے بارے میں 70% میں $500 کو $1،500 range کے ساتھ occasional surfacing، اور surface nearly all پر $1،500..." exact phrasing varies; کیا matters ہے کہ Claudia draws on imported ڈیٹا، نہیں generic AI-assistant patter.

Troubleshooting:

• No approvals.json export available. استعمال کریں PRIMM-predicted fallback (b): لکھیں ایک smaller script کو pull last 30 days سے Paperclip's activity_log table، filtering کے لیے actor_type = 'user' اور action میں (approval.approved، approval.rejected، approval.revision_requested); per-decision detail ہے میں details jsonb column.
• Claudia's verification response ہے generic ("I don't جانیں آپ کا منظوری history yet"). سیاق و سباق فائل ہے نہیں میں workspace یا ہے نہیں referenced سے USER.md/MEMORY.md. Confirm approvals.json ہے کے تحت ~/.openclaw/workspace/، کہ ایک workspace فائل points پر یہ، اور کہ JSON parsed (ایک عام ناکامی ہے ایک malformed timestamp field). Restart gateway یا شروع کریں ایک fresh سیشن اس لیے OpenClaw re-indexes workspace.
• The persona فائل ہے wrong کے بارے میں something. Edit maya.md directly. Claudia re-reads یہ on اگلا interaction.

Bottom سطر کا فیصلہ 2. Claudia knows who Maya ہے، کیا کمپنی looks like، اور has ایک seeded ماڈل کا Maya کا past منظوری فیصلے. Layer 1 (standing instructions) گا be سیٹ میں فیصلہ 4; Layer 2 (فیڈبیک) accumulates بطور Maya operates; Layer 3 (derived نمونے) accumulates سے historical seed اور forward.

فیصلہ 3: تعمیر Paperclip-integration skill

ایک سطر میں: لکھیں ایک OpenClaw skill کہ lets Claudia پڑھیں Paperclip منظوری queue، sign منظوری فیصلے کے ساتھ Maya کا Identic AI اہم، اور post انہیں back کو Paperclip's API.

یہ ہے load-bearing skill: ایک کہ turns Claudia سے "ایک personal AI Maya سکتا ہے chat کے ساتھ" میں "Maya کا Identic AI configured کے لیے نظم و نگرانی." skill ہے bridge درمیان OpenClaw's session-and-skill ڈھانچہ (تصورات 5-6) اور Paperclip's منظوری API (Course Six). یہ کا بھی skill کہ carries زیادہ تر کا آپ کا اپنا integration کوڈ، دونوں OpenClaw skill plumbing اور signing-and-verification layer کہ wraps Paperclip's API. Spend وقت getting یہ درست; فیصلے 4-7 تعمیر کریں on top کا یہ.

** skill کا three responsibilities، separated cleanly:**

1. Poll کے لیے pending منظوریاں. Either ہر 60 seconds (cron-style) یا on demand جب Maya messages Claudia. polling cadence ہے ایک tradeoff: زیادہ تیز means lower latency on routine منظوریاں; slower means lower API load on Paperclip. 60 seconds ہے ایک defensible default.
2. وجہ کے بارے میں ہر منظوری. کے لیے ہر pending item، Claudia استعمال کرتا ہے her persona (فیصلہ 2) plus standing instructions (فیصلہ 4) plus accumulated نمونے (پر وقت، تصور 10) کو decide: approve، request revision، یا surface کو Maya.
3. Sign اور post فیصلہ. جب Claudia decides کو approve، skill signs فیصلہ payload کے ساتھ Maya کا Identic AI signing اہم (generated میں فیصلہ 4). کہاں فیصلہ goes اگلا ہے ایک part کہ diverges کے ذریعے track، دیکھیں split below.

Simulated track

Responsibility 3 posts کو mock کا single resolve route. mock پر mocks/paperclip-mock.ts keeps ایک simplified shape: ایک POST .../approvals/{id}/resolve route stands میں کے لیے whole فیصلہ flow. کہ ہے fine کے لیے ایک stand-in; آپ تعمیر کریں real-route logic صرف میں مکمل track.

Full-implementation track

Responsibility 3 posts کو حقیقی Paperclip route. Paperclip 2026.513.0 has نہیں resolve verb: فیصلہ verbs ہیں approve، reject، اور request-revision، ہر اس کا اپنا POST sub-route. جب Claudia decides کو approve، skill calls POST /api/approvals/{approvalId}/approve (کے ساتھ ایک optional decisionNote). یہ routes call assertBoard(): they accept ایک Paperclip board API اہم، نہیں ایک agent اہم. اس لیے credential skill posts کے ساتھ ہے board API اہم Maya minted کے لیے Claudia میں فیصلہ 4. (ایک agent اہم gets ایک 403 "Board access required" on یہ routes; کہ ہے کیوں نمائندگی credential ہے board-scoped.) ed25519 signature ہے your own attestation layer، نہیں something Paperclip checks; آپ کا verification layer (فیصلہ 5) verifies یہ اور checks delegated envelope before skill ever calls حقیقی route.

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-3.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

تعمیر load-bearing skill کہ lets Claudia talk کو Paperclip. Installable via OpenClaw's skills نظام per docs.openclaw.ai/skills. Three responsibilities، separated cleanly. Requirements:

1. Poll کے لیے pending منظوریاں. Hit pending-منظوریاں queue ہر 60 seconds (configurable)، یا be invokable on demand جب Maya messages Claudia. مکمل track: GET /api/companies/{companyId}/approvals?status=pending. Simulated track: mock کا equivalent queue route.
2. وجہ کے بارے میں ہر pending منظوری. کے لیے ہر item، پوچھیں Claudia (استعمال کرتے ہوئے OpenClaw's استدلال interface) whether کو approve، request revision، یا surface کو Maya. استعمال کریں Claudia کا persona سیاق و سباق، standing instructions Maya has دیا گیا (Layer 1)، اور per-decision فیڈبیک نمونے (Layer 2) سے her سیشن.
3. Sign اور post فیصلہ. جب Claudia decides کو approve، sign فیصلہ payload کے ساتھ Maya کا Identic AI signing اہم (placeholder path کے لیے اب; حقیقی اہم gets generated میں فیصلہ 4). پھر post: میں مکمل track، POST /api/approvals/{approvalId}/approve کے ساتھ ایک optional decisionNote ( call ہے authenticated کے ذریعے Claudia کا Paperclip board API اہم، minted میں فیصلہ 4; منظوری routes require board access، نہیں ایک agent اہم); میں simulated track، mock کا single POST .../approvals/{id}/resolve stub route. signature ہے آپ کا اپنا attestation layer; full-track verification کا یہ lands میں فیصلہ 5.
4. skill metadata. Name skill paperclip-governance-delegate. configuration فائل چاہیے expose یہ parameters:

• PAPERCLIP_API_URL
• PAPERCLIP_COMPANY_ID
• polling_interval_seconds (default 60)
• signing_key_path (default ~/.openclaw/keys/identic-ai.pem)

5. installation: ایک locally-authored skill lives میں workspace skills directory، پر ~/.openclaw/workspace/skills/paperclip-governance-delegate/SKILL.md (YAML frontmatter plus ایک markdown body; فولڈر name لازمی match skill name). OpenClaw discovers یہ on اگلا fresh سیشن یا بعد openclaw gateway restart. (openclaw skills install ہے کے لیے pulling skills سے ClawHub کے ذریعے name، نہیں کے لیے local skills.) Confirm کے ساتھ openclaw skills list.
6. Dry-run طریقہ (critical). Include ایک --dry-run flag کہ polls اور reasons کے خلاف Paperclip's حقیقی منظوری queue مگر صرف logs کیا Claudia would do، بغیر اصل میں posting فیصلے. Maya استعمال کرتا ہے یہ کے لیے پہلا week بطور ایک confidence-تعمیر period پہلے going live.
7. Report back: skill directory ڈھانچہ، manifest path، confirmation کہ openclaw skills list دکھاتا ہے skill، اور ایک sample dry-run log.

کیا کو expect. آپ کا assistant پیدا کرتا ہے:

• ایک skill directory ./paperclip-governance-delegate/ containing skill manifest، polling loop، per-منظوری استدلال پرامپٹ template، اور signing-and-posting logic (کے ساتھ ایک placeholder کہاں فیصلہ 4's حقیقی اہم گا plug میں)
• ایک configuration فائل (کے لیے مثال، config.yaml) کے ساتھ exposed parameters
• --dry-run طریقہ کہ logs کو stdout/فائل مگر doesn't post: critical کے لیے first-week confidence period
• skill installed locally اور visible میں openclaw skills list

Troubleshooting:

• Skill installs مگر doesn't run. OpenClaw skills require ایک SKILL.md manifest (YAML frontmatter plus markdown body) پر skill root; چیک ~/.openclaw/workspace/skills/paperclip-governance-delegate/SKILL.md، confirm name میں frontmatter matches فولڈر name، اور restart gateway اس لیے OpenClaw re-indexes workspace.
• Polling succeeds مگر returns نہیں منظوریاں جب وہاں چاہیے be pending ones. Verify PAPERCLIP_COMPANY_ID matches کمپنی آپ سیٹ up میں Course Seven; verify API URL ہے reachable سے Claudia کا machine.
• Claudia's استدلال پرامپٹ پیدا کرتا ہے inconsistent results across similar منظوریاں. استدلال template ضرورت ہے زیادہ ڈھانچہ; شامل کریں explicit checks کے لیے standing instructions پہلے invoking persona-driven judgment.

Bottom سطر کا فیصلہ 3. skill ہے installed، configured، اور operational میں dry-run طریقہ. Claudia سکتا ہے پڑھیں منظوری queue اور پیدا کریں reasoned فیصلے کے لیے ہر item; she سکتا ہے't yet post انہیں کیونکہ signing اہم doesn't exist yet. فیصلہ 4 بناتا ہے posting حقیقی.

فیصلہ 4: Generate Maya کا Identic AI signing اہم اور configure delegated envelope

ایک سطر میں: generate cryptographic اہم pair کے لیے Claudia، mint Paperclip board API اہم she گا drive منظوری routes کے ساتھ، register her بطور ایک Paperclip agent کے لیے identity اور revocation، اور configure Claudia کا delegated envelope ( thresholds she کا allowed کو act on autonomously vs surface کو Maya).

دو ڈھانچے سے متعلق بنیادی اکائیاں ship میں یہ فیصلہ: ** cryptographic identity** (تصور 8) اور ** delegated envelope** (تصور 9). دونوں ہیں سیٹ once اور revisited periodically; دونوں shape ہر downstream فیصلہ Claudia بناتا ہے. delegated envelope ہے especially sensitive: too wide اور Claudia لیتا ہے actions Maya would رکھتے ہیں wanted کو دیکھیں; too narrow اور eighth-invariant scaling property doesn't kick میں.

PRIMM: Predict

Maya ہے configuring Claudia کا delegated envelope کے لیے پہلا وقت. Her instinct ہے کو شروع کریں conservatively: low refund ceiling، surface nearly everything. ایک colleague (her co-founder) argues opposite: شروع کریں wide اور let Maya کا overrides narrow Claudia down پر وقت. Predict کون سا طریقہ Course Eight recommends، اور کیا operational consequence ہے کے لیے پہلا month.

---

جواب: Course Eight recommends آغاز conservatively، مگر کے ساتھ ایک deliberate widening منصوبہ. Reasons: (ایک) overrides ہیں expensive کو Maya: ہر override ہے ایک سیاق و سباق-switch اور ایک فیڈبیک message; if Claudia کا envelope ہے too wide، پہلا month ہے ایک flood کا overrides کہ defeats purpose. (b) Conservative starts let Maya observe Claudia کا استدلال پہلے trusting زیادہ فیصلے کو her. (c) Widening ہے easier than tightening operationally: Maya adds ایک Layer 1 instruction "آپ سکتا ہے اب auto-approve refunds up کو $X" اور Claudia adjusts immediately; tightening درکار ہے زیادہ nuanced standing-instruction edits. Operational consequence کے لیے پہلا month: surface rate کے گرد 20 کو 25% (high مگر bounded)، override rate کے گرد 3 کو 5%، کے ساتھ دونوں numbers dropping کے ذریعے month 2 بطور Maya widens envelope deliberately. trajectory میں تصور 10's six-month walkthrough assumes یہ conservative شروع کریں.

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-4.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

Generate Claudia کا cryptographic identity اور configure her delegated envelope. دو ڈھانچے سے متعلق بنیادی اکائیاں ship میں یہ فیصلہ: signing اہم (تصور 8) اور delegated envelope (تصور 9). Requirements:

1. Generate ایک fresh ed25519 اہم pair. Store private اہم پر ~/.openclaw/keys/identic-ai.pem کے ساتھ strict اجازتیں (chmod 600). Store public اہم separately; آپ کا اپنا verification layer (فیصلہ 5) استعمال کرتا ہے یہ کو verify Claudia کا attestations.
2. Optional hardware-backed storage (macOS صرف). If Maya ہے on macOS اور wants hardware-backed protection، استعمال کریں Security فریم ورک کو store private اہم میں Keychain بجائے کا on filesystem; path بن جاتا ہے ایک Keychain reference.
3. Mint board API اہم، پھر register Claudia بطور ایک agent. مکمل track، دو distinct credentials:

• ** board API اہم ہے نمائندگی credential.** Paperclip has ایک حقیقی board_api_keys table، اور منظوری routes call assertBoard()، اس لیے ایک board-level credential ہے کیا they accept. Minting ایک ہے نہیں ایک single CLI verb: یہ ہے Paperclip's CLI auth-challenge flow. POST /api/cli-auth/challenges کے ساتھ {"requestedAccess": "board"} returns ایک boardApiToken (ایک pcp_board_... قدر) plus ایک approvalUrl; Maya opens کہ URL میں Paperclip dashboard کو approve challenge، اور token ہے پھر live. (On ایک local_trusted dev ڈیپلائمنٹ token ہے issued immediately; on ایک حقیقی ڈیپلائمنٹ dashboard-منظوری step ہے human gate.) کہ boardApiToken ہے کیا Claudia holds اور posts کے ساتھ. Conceptually یہ board اہم is نمائندگی: Maya hands her Identic AI ایک board-level credential، deliberately scoped down کے ذریعے آپ کا اپنا نمائندگی layer (فیصلہ 5)، نہیں کے ذریعے Paperclip.
• ** agent registration ہے identity plus ایک revocation surface.** Register Claudia بطور ایک حقیقی Paperclip agent (ایک row میں agents) اور issue her ایک agent_api_keys entry. یہ دیتا ہے her ایک Paperclip identity اور something Maya سکتا ہے revoke میں فیصلہ 7. یہ ہے not کیا authenticates approve call. حقیقی constraints کو respect: agents.role ہے ایک server-validated enum کے ساتھ نہیں identic_ai قدر، استعمال کریں general; adapterType ہے enum-validated (claude_local، acpx_local، codex_local، ...)، نہیں claude_code; اور وہاں ہے نہیں paperclipai agent create CLI verb، agent creation ہے API-صرف via POST /api/companies/{companyId}/agents ( paperclipai agent local-cli <ref> verb صرف mints ایک اہم کے لیے ایک agent کہ پہلے ہی موجود ہے).
• Record delegated envelope بطور ایک principal_permission_grants row whose scope jsonb holds envelope thresholds. Paperclip stores یہ; یہ کرتا ہے نہیں enforce یہ on approve route (آپ کا فیصلہ 5 layer کرتا ہے).

Simulated track: call mock کا stub registration endpoint، کون سا returns ایک principal id اور stores envelope کے لیے آپ. Either طریقہ، public اہم ہے registered alongside اس لیے آپ کا verification layer سکتا ہے چیک Claudia کا signatures.

4. Conservative initial delegated envelope. Maya سکتا ہے widen یہ later via standing instructions. Encode یہ thresholds:

• Refunds: auto-approve up کو $2,000; surface کوئی بھی چیز پر
• Hires اندر existing envelope: auto-approve
• Hires extending کمپنی envelope: ہمیشہ surface کو Maya
• Terminations: ہمیشہ surface کو Maya
• Budget overrides: auto-approve up کو 20% پر monthly cap; surface کوئی بھی چیز پر
• CMA migrations: surface کے لیے پہلا quarter; auto-approve later صرف کے لیے ورکرز کے تحت $1,000/mo بجٹ
• Standing-policy edits: ہمیشہ surface کو Maya

5. Maya confirmation step (required پہلے submitting). Send Maya ایک Telegram message via Claudia: "یہاں کا proposed delegated envelope: [JSON summary]. Reply CONFIRM کو register، یا send edits." صرف submit registration on Maya کا CONFIRM response.
6. Persist credentials اور ids. On successful registration، store میں Claudia کا سیشن: board API اہم she posts منظوری فیصلے کے ساتھ، her registered agent id (مکمل track) یا mock کا principal id (simulated track)، اور principal_permission_grants id کے لیے envelope. فیصلہ 3 skill استعمال کرتا ہے board اہم جب posting; فیصلہ 7 استعمال کرتا ہے agent id اور agent_api_keys id جب revoking.
7. لکھیں envelope کو disk. Save final envelope JSON کو ~/.openclaw/governance/delegated-envelope.json اس لیے Maya سکتا ہے directly edit یہ later جب widening یا narrowing Claudia کا اختیار.
8. Report back: اہم fingerprint (نہیں private اہم itself)، Keychain reference if استعمال ہوا، board API اہم id، registered agent id اور agent_api_keys id، اور transcript کا Maya کا CONFIRM round-trip.

کیا کو expect. آپ کا assistant پیدا کرتا ہے:

• ایک fresh ed25519 اہم pair، private اہم پر configured path کے ساتھ 600 اجازتیں (یا میں Keychain if Maya chose کہ option)
• Optional macOS Keychain integration if Maya ہے on Mac اور chose hardware-backed storage
• ایک Telegram round-trip showing Maya proposed envelope اور getting her CONFIRM
• مکمل track: ایک minted Paperclip board API اہم ( نمائندگی credential)، Claudia registered بطور ایک Paperclip agent کے ساتھ ایک agent_api_keys entry (identity plus revocation surface)، اور delegated envelope stored بطور ایک principal_permission_grants row. Simulated track: mock کا stub registration.
• envelope persisted کو ~/.openclaw/governance/delegated-envelope.json کے لیے direct editing

Troubleshooting:

• No identity-registration endpoint کو call. مکمل track: وہاں ہے نہیں custom Paperclip endpoint کو invent یہاں. آپ mint board API اہم سے board_api_keys، register Claudia کے ساتھ Paperclip's حقیقی agent بنیادی اکائی (POST /api/companies/{companyId}/agents، پھر issue ایک agent_api_keys entry)، اور record delegated envelope بطور ایک principal_permission_grants row. وہاں ہے نہیں paperclipai agent create CLI verb; agent creation ہے API-صرف. فیصلہ 5 builds آپ کا اپنا verification layer کہ reads those، نہیں ایک نیا Paperclip route. Simulated track: mock ships ایک stub registration endpoint; if یہ returns 404، کہ stub ہے کیا آپ implement (یہ ہے part کا simulated-track کام، نہیں مکمل track کا).
• Agent registration rejected on role یا adapterType. دونوں ہیں server-validated enums. role has نہیں identic_ai قدر، استعمال کریں general. adapterType ہے ایک کا claude_local، acpx_local، codex_local، اور similar، نہیں claude_code. Claudia کا "Identic AI" character lives میں آپ کا governance_ledger، نہیں میں Paperclip's agent enums.
• Maya doesn't CONFIRM; wants کو edit envelope. Expected اور fine. conservative defaults ہیں آغاز points; Maya ہو سکتا ہے رکھتے ہیں specific values سے her عملی کام. Re-send proposed envelope کے ساتھ her edits اور re-request CONFIRM.
• Key اجازتیں error (chmod 600 fails). Filesystem-level issue; چیک کہ ~/.openclaw/keys/ directory ہے owned کے ذریعے Maya کا صارف.

Bottom سطر کا فیصلہ 4. Maya کا Identic AI اب holds ایک Paperclip board API اہم ( credential she drives منظوری routes کے ساتھ) اور ہے registered بطور ایک Paperclip agent (her identity اور revocation surface)، carrying ایک configured delegated envelope recorded پر Paperclip مگر enforced کے ذریعے آپ کا اپنا فیصلہ 5 layer. conservative initial envelope means پہلا month گا feel "surface-heavy": کہ کا point. Widening ہوتا ہے deliberately via standing-instruction edits، نہیں کے ذریعے initial over-permissioning.

فیصلہ 5: تعمیر delegation-and-verification layer

ایک سطر میں: تعمیر کریں layer کہ بناتا ہے Claudia کا credentials meaningful، gates کہ verify her ed25519 attestation اور چیک delegated envelope پہلے any فیصلہ reaches Paperclip، plus آپ کا اپنا governance_ledger table. میں مکمل track یہ layer lives میں آپ کا integration skill اور wraps Paperclip's حقیقی منظوری routes; میں simulated track یہ lives میں mock.

فیصلے 1-4 سیٹ up Claudia اور gave her credentials; فیصلہ 5 بناتا ہے those credentials meaningful. یہ ہے کہاں trust-delegation بنیادی اکائی (تصور 7)، signed-delegation verification (تصور 8)، اور two-envelope intersection (تصور 9) all بن جاتے ہیں live کوڈ. بغیر فیصلہ 5، Claudia سکتا ہے sign all فیصلے she wants: nothing verifies signature یا checks envelope، اس لیے ایک signed فیصلہ ہے just ایک unchecked API call.

PRIMM: Predict

پہلے آپ تعمیر کریں verification layer، predict جواب کو single زیادہ تر counterintuitive fact کے بارے میں یہ. میں فیصلہ 4 آپ minted Claudia دو Paperclip credentials: ایک board API اہم اور ایک agent API اہم. ایک کا انہیں ہے credential she اصل میں استعمال کرتا ہے کو drive حقیقی منظوری routes (POST /api/approvals/{id}/approve اور friends). دwasرا ہے just her identity اور ایک revocation surface.

Predict: کون سا ایک drives منظوری routes، board API اہم یا agent API اہم? اور کیوں would یہ be کہ ایک، دیا گیا کہ Claudia ہے ایک agent، نہیں ایک board member?

---

جواب: ** board API اہم.** یہ ہے counterintuitive part. Paperclip's منظوری routes (approve، reject، request-revision) all call assertBoard(): they accept ایک board-level credential اور nothing else. ایک agent API اہم، even Claudia کا اپنا، gets ایک 403 "Board access required" on یہ routes. اس لیے credential کہ lets Claudia drive ایک منظوری decision has کو be board-scoped. کہ ہے exactly کیوں فیصلہ 4 had Maya mint ایک board API اہم for Claudia: board اہم، deliberately scoped down کے ذریعے آپ کا اپنا نمائندگی layer، is نمائندگی. agent registration دیتا ہے Claudia ایک Paperclip identity اور something Maya سکتا ہے revoke میں فیصلہ 7، مگر یہ ہے نہیں کیا authenticates approve call. If آپ تعمیر کریں verification layer expecting ایک agent اہم کو کام on منظوری routes، ہر ایک کا Claudia کا فیصلے گا 403 پہلے آپ کا gates ever چلائیں. (Simulated track: mock کا single /resolve route کرتا ہے نہیں enforce یہ distinction; یہ ہے ایک full-track reality. simulated track اب بھی سکھاتا ہے یہ اس لیے آپ کا ذہنی نمونہ ہے درست if آپ later جائیں مکمل.)

ایک concrete anchor پہلے قواعد. clearest single explanation کا کیسے یہ whole layer behaves ہے ایک routine refund walked شروع سے آخر تک، کے ذریعے Claudia کا استدلال، three gates، حقیقی Paperclip call، اور دونوں audit rows. پڑھیں یہ trace پہلا; پھر three gates اور route reference below پڑھیں بطور ایک lookup، نہیں بطور something کو absorb cold. trace ہے shown میں اس کا full-implementation-track shape: حقیقی Paperclip routes، حقیقی activity_log columns. entries ہیں illustrative: synthesized کو دکھائیں shape کا ڈیٹا، نہیں exported سے ایک running implementation. (میں simulated track steps ہیں وہی میں spirit، مگر mock کا single /resolve route اور simplified row shapes stand میں کے لیے حقیقی Paperclip surface.)

A routine refund moves سے pending کو ایک recorded فیصلہ میں کے بارے میں 40 seconds، fully خودمختار اور fully audited، کے ساتھ دو joinable audit rows اور zero human interruption.

1. منظوری arrives پر Paperclip. ایک refund پر envelope ceiling ہے modeled بطور ایک request_board_approval منظوری، کے ساتھ refund detail اندر payload jsonb (Paperclip's منظوری type enum ہے hire_agent، approve_ceo_strategy، budget_override_required، request_board_approval; وہاں ہے نہیں refund type). Note وہاں ہے نہیں top-level issueIds column on approvals: issue لنکس live میں separate issue_approvals join table، اور details.linkedIssueIds ہے populated کے ذریعے service جب row ہے لکھا گیا.

{
  "id": "apr_01HZ4Q...",
  "companyId": "co_maya...",
  "type": "request_board_approval",
  "status": "pending",
  "requestedByAgentId": "worker_tier1_support",
  "payload": {
    "kind": "refund",
    "amountCents": 89000,
    "currency": "USD",
    "customerId": "C-3421",
    "accountAgeDays": 1167,
    "priorRefunds6mo": 0,
    "reason": "billing-error-duplicate-charge"
  },
  "createdAt": "2026-05-12T09:14:03.117Z"
}

2. Claudia کا polling skill picks یہ up (سے فیصلہ 3; polling cadence ہے کے بارے میں 60s):

[2026-05-12T09:14:42] claudia.skill.paperclip-governance-delegate:
  poll GET /api/companies/co_maya/approvals?status=pending → found 1 pending (apr_01HZ4Q...)
  routing to per-approval reasoning prompt

3. Claudia reasons (سے per-منظوری استدلال پرامپٹ template، فیصلہ 3):

[2026-05-12T09:14:42] claudia.reasoning:
  input: approval=apr_01HZ4Q..., payload.kind=refund, amount=$890, customer_age=3.2yr, prior_refunds=0
  layer-1 check (standing instructions):
    - "auto-approve refunds under $2,000 with no prior refunds and account >2yr" → MATCH
  layer-3 pattern (derived):
    - "Maya tends to approve fast in this band; ~91% historical match" → REINFORCES
  decision: approve
  confidence: 0.91
  reasoning_summary: "Long-tenure customer (3.2yr), no prior refunds, amount within
                     delegated envelope ($2,000 ceiling), pattern reinforces standing rule."

4. Claudia کا نمائندگی layer signs اور gates فیصلہ (فیصلہ 5's three gates، چلائیں پہلے any call کو Paperclip):

[2026-05-12T09:14:43] delegation-layer.gate-check:
  signed decision payload with ed25519 (signature ed25519:k7n2m...8q3w)
  gate 1: signer's credentials recognized and unrevoked (board API key bk_claudia_maya;
          agent ag_claudia_maya registered) → PASS
  gate 2: ed25519 signature verifies against Claudia's registered public key → PASS
  gate 3: delegated envelope (principal_permission_grants.scope):
    payload.kind=refund, amount=$890, ceiling=$2,000 → IN ENVELOPE → PASS
  all gates passed → calling the real Paperclip route

5. نمائندگی layer calls حقیقی Paperclip approve route (POST /api/approvals/{approvalId}/approve، authenticated کے ذریعے Claudia کا board API اہم، کیونکہ approve route درکار ہے board access):

[2026-05-12T09:14:43] delegation-layer.post:
  POST /api/approvals/apr_01HZ4Q.../approve
  auth: Claudia's board API key
  body: { "decisionNote": "auto-approved by Owner Identic AI; attestation ed25519:k7n2m...8q3w" }
  → 200 OK  (the approval's status is now 'approved'; this is a recorded decision,
             it does not move issue iss_3421 or resume a Worker)

6. Paperclip writes activity_log row (حقیقی columns; approve route ہے ایک board action، اس لیے row ہے actor_type='user'، نہیں actor_type='agent'):

{
  "id": "act_8z2k...",
  "company_id": "co_maya...",
  "actor_type": "user",
  "actor_id": "local-board",
  "agent_id": null,
  "action": "approval.approved",
  "entity_type": "approval",
  "entity_id": "apr_01HZ4Q...",
  "details": {
    "type": "request_board_approval",
    "linkedIssueIds": ["iss_3421"],
    "decisionNote": "auto-approved by Owner Identic AI; attestation ed25519:k7n2m...8q3w"
  },
  "created_at": "2026-05-12T09:14:43.298Z",
  "run_id": null
}

یہ row looks exactly like ایک Maya would لکھیں resolving منظوری herself. Paperclip نہیں کر سکتا tell انہیں apart; اگلا row، میں آپ کا اپنا governance_ledger، ہے کیا carries distinction.

7. آپ کا governance_ledger writes Claudia کا parallel row (آپ کا اپنا additive table، schema میں docs/governance-ledger-schema.sql):

{
  "ledger_id": "gov_2k8z...",
  "approval_id": "apr_01HZ4Q...",
  "principal": "owner_identic_ai",
  "acting_on_behalf_of": "owner_human_maya",
  "signer_agent_id": "ag_claudia_maya",
  "action_taken": "approve",
  "confidence": 0.91,
  "layer_source": "standing_instruction",
  "layer_reference": "si_refund_under_2000_long_tenure_no_priors",
  "reasoning_summary": "Long-tenure customer (3.2yr), no prior refunds, amount within delegated envelope, pattern reinforces standing rule.",
  "attestation": "ed25519:k7n2m...8q3w",
  "override_status": null,
  "timestamp": "2026-05-12T09:14:43.298Z"
}

Total elapsed: کے بارے میں 40 seconds سے pending منظوری کو recorded فیصلہ (mostly Claudia کا استدلال latency plus signature crypto). Maya was نہیں interrupted. دو rows، Paperclip's activity_log row (ایک board action، actor_type='user') plus آپ کا governance_ledger row کے ساتھ principal='owner_identic_ai'، بنائیں فیصلہ recoverable later: Maya سکتا ہے SQL-query دونوں tables (joined on منظوری id) کو reconstruct exactly کیا Claudia did اور کیوں. Paperclip's row alone نہیں کر سکتا tell her whether she یا Claudia resolved یہ; governance_ledger row ہے کیا جوابات کہ. Note کیا step 5 did not کریں: یہ recorded ایک فیصلہ; یہ did نہیں move issue iss_3421 یا resume ایک ورکر. Driving کہ issue forward ہے ایک separate explicit step (PATCH /api/issues/iss_3421 کو سیٹ اس کا status، یا assigning ایک ورکر کو چنیں یہ up)، exactly بطور Course Six اور Seven taught.

کہ ہے whole layer میں ایک trace. Steps 4، 5، اور 7 ہیں exactly کیا فیصلہ 5 builds: three gates، حقیقی Paperclip call، اور governance_ledger لکھیں. rest کا فیصلہ 5 ہے قواعد behind کہ trace: پہلا three gates میں detail، پھر route reference بطور ایک lookup table آپ scan جب آپ ضرورت یہ، نہیں something کو پڑھیں linearly.

دو tracks diverge sharply یہاں. پڑھیں block کے لیے آپ کا track.

Simulated track

آپ implement gating اور identity endpoints میں local mock پر mocks/paperclip-mock.ts، کہاں signed-delegation gating اور stub registration endpoint ہیں پہلے ہی marked بطور stubs کے لیے آپ کو fill. mock keeps ایک simplified shape: ایک single POST .../approvals/{id}/resolve route stands میں کے لیے whole فیصلہ flow، اور mock itself چلتا ہے three gates پہلے resolving. یہ ہے working content simulated track was built اور tested کے خلاف; تعمیر کریں یہ exactly بطور mock کا stubs ہیں laid باہر.

brief below، میں اس کا simulated form: modify mock کا /resolve stub کو accept ایک signature اور signer_principal_id، چلائیں three gates (signer registered، signature verifies، action اندر stored envelope)، اور on success لکھیں دونوں ایک mock activity_log entry اور ایک governance_ledger.json row. Implement mock کا stub registration اور revocation endpoints. پھر jump کو shared "کیا کو expect" notes below.

Full-implementation track

worked trace above showed layer running. یہ block ہے قواعد behind یہ، میں three parts: (ایک) کیا آپ تعمیر کریں، (B) three gates میں detail، (C) route reference بطور ایک lookup table. پڑھیں ایک اور B; سرسری پڑھیں C اور return کو یہ جب آپ رابطہ اصل calls.

Part ایک: کیا آپ تعمیر کریں (اور کیا آپ don't). وہاں ہیں نہیں نیا Paperclip endpoints کو تعمیر کریں. Paperclip 2026.513.0 پہلے ہی owns منظوری routes، board_api_keys table، agents registry، agent_api_keys، principal_permission_grants، اور activity_log. کیا آپ تعمیر کریں میں فیصلہ 5 ہے your اپنا نمائندگی layer اندر paperclip-governance-delegate skill، plus آپ کا اپنا additive governance_ledger table. Paperclip never verifies ایک signature اور never enforces delegated envelope on approve route; آپ کا layer کرتا ہے دونوں، اور صرف پھر calls حقیقی Paperclip route کے ساتھ Claudia کا board API اہم.

Part B: three gates، میں order، کے لیے ہر فیصلہ Claudia reaches. یہ ہے steps 4 اور 5 کا worked trace، میں detail.

1. Gate 1، signer ہے ایک recognized principal. Confirm Claudia کا credentials ہیں اب بھی اچھا: her board API اہم ( ایک she posts کے ساتھ) ہے present اور نہیں revoked، اور her registered agents row plus agent_api_keys entry اب بھی exist (فیصلہ 7 revokes یہاں). ایک revoked board اہم gets ایک 403 on منظوری routes; ایک revoked agent اہم fails agent-only routes. یہ gate fails تیز اور ہے قابل جانچ میں آپ کا governance_ledger.
2. Gate 2، signature verification. Verify Claudia کا ed25519 signature پر مستند-JSON فیصلہ payload کے خلاف her registered public اہم. یہ ہے آپ کا اپنا attestation layer; یہ ہے thing کہ proves فیصلہ came سے Claudia کا اہم اور was نہیں tampered کے ساتھ. Paperclip has نہیں signature field، اس لیے یہ gate موجود ہے صرف میں آپ کا layer.
3. Gate 3، delegated envelope. پڑھیں delegated envelope سے Claudia کا principal_permission_grants.scope jsonb اور test کہ claimed action (type، amount) ہے اندر یہ. Paperclip stores یہ row مگر کرتا ہے نہیں enforce یہ on approve route، اس لیے یہ gate ہے آپ کا layer کا طریقہ کار، نہیں ایک Paperclip-enforced boundary. enforced اختیار ہے intersection کا مالک کا envelope اور یہ delegated subset (تصور 9).

پھر: on all three gates passing، call حقیقی Paperclip route (Part C)، authenticated کے ذریعے Claudia کا board API اہم، کے ساتھ ایک optional decisionNote (آپ ہو سکتا ہے echo ed25519 signature وہاں کے لیے audit). اور لکھیں ایک governance_ledger row (آپ کا اپنا table، schema میں docs/governance-ledger-schema.sql)، joinable کو Paperclip's activity_log کے ذریعے منظوری id. کہ row carries owner-human vs owner-identic-ai distinction; Paperclip's activity_log کرتا ہے نہیں (دیکھیں honesty correction below).

Part C: حقیقی Paperclip routes آپ کا layer calls (verified کے خلاف 2026.513.0; ایک lookup table، scan یہ جب آپ رابطہ calls، آپ کریں نہیں ضرورت کو memorize یہ):

• POST /api/approvals/{approvalId}/approve (200 کے لیے ایک board caller)، body {decisionNote?}. body ہو سکتا ہے بھی carry ایک decidedByUserId، مگر Paperclip ignores یہ: route attributes فیصلہ کو authenticated actor، نہیں کو کہ field. کریں نہیں treat یہ بطور ایک meaningful input.
• POST /api/approvals/{approvalId}/reject (200)، POST /api/approvals/{approvalId}/request-revision (200). All three call assertBoard(): ایک agent-API-اہم caller gets ایک 403 "Board access required".
• GET /api/companies/{companyId}/approvals?status=pending (200) کے لیے poll، GET /api/approvals/{approvalId} (200) کو پڑھیں ایک
• GET /api/companies/{companyId}/activity (200) کو پڑھیں back جانچ کا ریکارڈ

Note action routes ہیں flat (/api/approvals/{id}/approve)، نہیں company-scoped. وہاں ہے نہیں resolve verb اور نہیں PATCH /api/approvals/{id}: فیصلہ verbs ہیں approve، reject، اور request-revision، ہر ایک POST sub-route.

Be honest کے بارے میں کیا Paperclip's activity_log records کے لیے منظوریاں. یہ ہے load-bearing correction. منظوری routes ہیں board actions: ہر activity_log row they لکھیں ہے actor_type='user'، actor_id='local-board' ( board صارف id)، agent_id=null. ایک منظوری Claudia resolves اور ایک Maya resolves herself دونوں land بطور actor_type='user'; Paperclip نہیں کر سکتا tell انہیں apart، کیونکہ کو Paperclip they ہیں دونوں board callers. actor_type='agent' ہے حقیقی میں activity_log، مگر صرف کے لیے issue، heartbeat، اور چلائیں activity، never کے لیے ایک منظوری فیصلہ. اس لیے two-principal distinction ہے نہیں something آپ inherit سے Paperclip کے لیے منظوریاں. یہ lives میں آپ کا governance_ledger: row Claudia writes carries principal='owner_identic_ai' کے ساتھ her attestation اور استدلال، اور کہ ہے کیا tells ایک Claudia-resolved منظوری apart سے ایک Maya-resolved ایک. یہ ہے exactly کیوں کورس builds governance_ledger: یہ ہے audit truth Paperclip کرتا ہے نہیں natively فراہم کریں کے لیے منظوریاں. ڈھانچہ ہے working بطور ڈیزائن کیا گیا، نہیں falling short.

Approving ہے ایک فیصلہ record، نہیں ایک state machine. یہ ہے single زیادہ تر اہم correction کو earlier draft. Approving ایک منظوری میں Paperclip records فیصلہ. یہ کرتا ہے نہیں تبدیلی linked issue کا status، کرتا ہے نہیں execute payload action، اور کرتا ہے نہیں resume any ورکر. وہاں ہے نہیں step.wait_for_event Worker-resume wired کو Paperclip منظوریاں (کہ بنیادی اکائی belongs کو Inngest، Course Five). Continuing کام بعد ایک منظوری ہے ایک separate، explicit step: PATCH /api/issues/{id} کو move issue کا status، یا assign ایک ورکر اس لیے اس کا اگلا heartbeat picks issue up، یا enqueue ایک agent_wakeup_request. آپ کا نمائندگی layer کا job ends پر " فیصلہ ہے recorded اور نظم و نگرانی_ledger row ہے لکھا گیا"; driving follow-on کام ہے اس کا اپنا step، exactly بطور Course Six اور Seven taught.

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-5.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

تعمیر delegation-and-verification layer. مکمل track: یہ layer lives میں paperclip-governance-delegate skill اور wraps Paperclip's حقیقی منظوری routes; آپ شامل کریں نہیں Paperclip endpoints. Simulated track: implement equivalent gating اور stub endpoints میں mocks/paperclip-mock.ts. Requirements:

1. Three gates، چلائیں پہلے any فیصلہ ہے posted. کے لیے ہر فیصلہ Claudia reaches:

• Gate 1، signer ہے ایک recognized principal. مکمل track: confirm Claudia کا board API اہم ( ایک she posts کے ساتھ) ہے present اور نہیں revoked، اور her agents row plus agent_api_keys entry اب بھی exist. Simulated track: دیکھیں up signer_principal_id میں mock کا registration store. If نہیں recognized یا revoked، refuse اور لکھیں ایک governance_ledger row recording refused attempt (forgery اور stale-key attempts لازمی be قابل جانچ).
• Gate 2، signature verification. Verify Claudia کا ed25519 signature پر مستند-JSON فیصلہ payload کے خلاف her registered public اہم. If invalid، refuse اور record یہ. Paperclip has نہیں signature field; یہ gate lives صرف میں آپ کا layer.
• Gate 3، delegated envelope. مکمل track: پڑھیں envelope سے Claudia کا principal_permission_grants.scope jsonb. Simulated track: پڑھیں envelope mock stored پر registration. Test claimed action (type، amount) کے خلاف یہ; if outside، refuse اور record یہ. Paperclip کرتا ہے نہیں enforce یہ on approve route; آپ کا layer کرتا ہے.

2. On all three gates passing، post فیصلہ. مکمل track: call حقیقی Paperclip route، POST /api/approvals/{approvalId}/approve (یا /reject، یا /request-revision)، authenticated کے ذریعے Claudia کا board API اہم ( منظوری routes require board access)، کے ساتھ ایک optional decisionNote (آپ ہو سکتا ہے echo signature وہاں کے لیے audit). Simulated track: resolve کے ذریعے mock کا single /resolve stub route.
3. Be honest کے بارے میں Paperclip's attribution; کریں نہیں fake یہ. کریں نہیں invent ایک actor field on Paperclip's row. میں مکمل track، approve route ہے ایک board action: Paperclip writes activity_log row itself کے ساتھ actor_type='user'، actor_id='local-board' ( board صارف id)، agent_id=null، entity_type='approval'، entity_id=<approval id>, action='منظوری.approved'. An approval Claudia resolves and one Maya resolves herself look identical in activity_log. The owner-human vs owner-identic-ai distinction is carried by your نظم و نگرانی_ledger row، نہیں کے ذریعے Paperclip. میں simulated track، mock implements native principal attribution کے لیے تدریس clarity; کریں نہیں expect حقیقی Paperclip کو.
4. کریں نہیں resume ایک ورکر. Approving ہے ایک فیصلہ record. یہ کرتا ہے نہیں تبدیلی linked issue یا resume کوئی بھی چیز. Continuing کام ہے ایک separate explicit step (PATCH /api/issues/{id} کو سیٹ status، یا assign ایک ورکر، یا enqueue ایک agent_wakeup_request); کہ step ہے باہر کا scope کے لیے یہ layer.
5. بنائیں governance_ledger table کے ساتھ schema میں docs/governance-ledger-schema.sql. یہ ہے آپ کا اپنا additive table; یہ کرتا ہے نہیں touch Paperclip's schema. لکھیں ایک row per فیصلہ Claudia بناتا ہے (posted یا refused)، joinable کو activity_log کے ذریعے منظوری id.
6. Revocation، کے لیے فیصلہ 7. مکمل track: revoking Claudia کا credentials ہے ایک board-credentialed operation. DELETE /api/agents/{id}/keys/{keyId} ہے حقیقی route کے لیے revoking ایک agent_api_keys entry (یہ sets revoked_at); revoking board API اہم Claudia holds ہے parallel move. دونوں require owner-human کا board credentials; وہاں ہے نہیں endpoint کے لیے آپ کو تعمیر کریں. Simulated track: implement mock کا stub revocation endpoint، اور بنائیں یہ require mock کا owner-human auth، never ایک Identic-AI signature.
7. Library suggestions: کے لیے ed25519 میں TypeScript استعمال کریں @noble/ed25519; میں Node، built-in crypto module; مستند JSON کے لیے signing چاہیے sort keys اور strip whitespace اس لیے signer اور verifier byte-match.
8. Report back: gate implementation، ایک successful test کا ہر gate (including refusal paths)، حقیقی Paperclip route call (مکمل track) یا mock resolve (simulated track)، اور ایک sample governance_ledger row.

کیا کو expect. آپ کا assistant پیدا کرتا ہے:

• ایک three-gate verification layer: signer-is-registered-agent، signature verifies، action اندر delegated envelope
• Signature verification استعمال کرتے ہوئے ایک standard ed25519 library (میں TypeScript، @noble/ed25519 ہے typical choice; میں Node، built-in crypto module کام کرتا ہے)
• Envelope intersection logic کہ reads delegated envelope (principal_permission_grants.scope میں مکمل track، mock کا store میں simulated track) اور tests claimed action کے خلاف یہ
• مکمل track: حقیقی calls کو POST /api/approvals/{id}/approve اور friends کے ساتھ Claudia کا board API اہم، کے ساتھ Paperclip writing activity_log rows کہ carry actor_type='user' ( approve route ہے ایک board action). Simulated track: mock کا /resolve route doing equivalent، کے ساتھ mock کا native principal attribution.
• آپ کا اپنا governance_ledger table بنایا گیا اور ایک row لکھا گیا کے لیے ہر فیصلہ Claudia بناتا ہے: یہ ہے کہاں owner-human vs owner-identic-ai distinction lives

Troubleshooting:

• Signature verification کام کرتا ہے میں tests مگر fails کے خلاف حقیقی key. زیادہ تر عام: payload encoding mismatch. Verify دونوں signer اور verifier استعمال کریں وہی مستند JSON encoding (sorted keys، نہیں extra whitespace) پہلے signing/verifying.
• Envelope چیک passes کے لیے actions کہ چاہیے be outside envelope. envelope میں scope (یا mock کا store) ہے زیادہ permissive than intended. Test edge cases explicitly: ایک refund کا $2،000.01 کے خلاف ایک envelope کا $2،000 چاہیے fail; ایک refund کا exactly $2،000 depends on inclusive vs exclusive semantics (چنیں ایک، دستاویز یہ).
• Approving did نہیں move issue یا resume Worker. کہ ہے درست behavior، نہیں ایک bug. ایک Paperclip منظوری ہے ایک فیصلہ record. Continuing کام ہے ایک separate explicit step; رابطہ کہ step on اس کا اپنا، بعد فیصلہ ہے recorded.
• governance_ledger rows ہیں لکھا گیا مگر Maya کا weekly summary (تصور 11) doesn't include them. مختلف concern; کہ کا ایک فیصلہ 6+ wiring issue، نہیں فیصلہ 5. Verify ledger has rows پہلا.

Bottom سطر کا فیصلہ 5. آپ کا نمائندگی layer verifies Claudia کا attestation، enforces delegated envelope، اور صرف پھر drives حقیقی Paperclip منظوری routes کے ساتھ her board API اہم (مکمل track) یا mock (simulated track). کے خلاف حقیقی Paperclip approve route ہے ایک board action، اس لیے activity_log records actor_type='user' either طریقہ; owner-human vs owner-identic-ai distinction lives میں آپ کا اپنا governance_ledger، کون سا ہے exactly audit truth یہ کورس builds یہ کو فراہم کریں. Everything Claudia کرتا ہے سے یہاں flows کے ذریعے یہ verification path.

فیصلہ 6: End-to-end demonstration کے ساتھ ایک flood کا routine منظوریاں plus ایک consequential

ایک سطر میں: generate ایک realistic week کا worth کا منظوری requests کے خلاف Course Seven افرادی قوت، زیادہ تر routine، ایک consequential، اور watch Claudia handle routines autonomously جبکہ correctly surfacing consequential ایک کو Maya via Telegram.

یہ ہے moment eighth-invariant promise بن جاتا ہے operationally observable. فیصلے 1-5 ہیں setup; فیصلہ 6 ہے proof. If demonstration doesn't دکھائیں scaling property (Claudia handles routine تیز، surfaces consequential کو Maya، ایک governance_ledger row کے لیے ہر فیصلہ she بناتا ہے)، something earlier ہے wrong. Treat demonstration بطور دونوں ایک verification کا prior فیصلے اور ایک honest stress-test کا ڈھانچہ.

PRIMM: Predict

آپ're کے بارے میں کو inject 30 synthetic منظوری requests میں Paperclip اور watch Claudia handle انہیں. mix: 22 refunds میں $500 کو $1،500 range، 4 refunds میں $1،500 کو $2،000 range، 2 بجٹ overrides پر 10 کو 15% پر cap، 1 new-language Tier-2 hire (نہیں envelope extension)، 1 envelope-extension hire.

ایک standing instruction آپ ضرورت کے لیے یہ prediction، restated یہاں اس لیے آپ کریں نہیں رکھتے ہیں کو hunt کے لیے یہ: Maya has ایک standing instruction کہ پہلا hire میں ایک نیا language ہے ایک حکمت عملی سے متعلق moment اور لازمی be surfaced کو her، even جب hire ضرورت ہے نہیں envelope extension. (یہ ہے instruction تصور 1 PRIMM established.)

دو predictions:

1. کیسے بہت سے کا 30 چاہیے Claudia handle autonomously (auto-approve) vs surface کو Maya، کے تحت conservative envelope سے فیصلہ 4?
2. Roughly کیسے long چاہیے autonomous-decision processing لیں، شروع سے آخر تک، کے لیے all کا those (assuming ایک 60-second poll cycle)?

---

جوابات:

1. 28 خودمختار، 2 surfaced. 22 refunds میں $500 کو $1،500 ہیں all میں delegated envelope، اس لیے all خودمختار (22). 4 refunds میں $1،500 کو $2،000 ہیں اب بھی کے تحت $2،000 ceiling، اس لیے خودمختار (4 زیادہ، 26 total). 2 بجٹ overrides پر 10 کو 15% ہیں کے تحت 20% ceiling، اس لیے خودمختار (2 زیادہ، 28 total). new-language hire ہے outside delegated envelope per Maya کا standing instruction سے تصور 1 PRIMM Predict (ایک Spanish-language پہلا hire ہے ایک حکمت عملی سے متعلق moment)، اس لیے surfaced. envelope-extension hire ہے outside delegated envelope کے ذریعے definition، اس لیے surfaced. 2 surfaced، 28 خودمختار.
2. 2 کو 3 منٹ total. کے ساتھ ایک 60-second poll cycle، Claudia picks up 30 requests on her پہلا poll cycle بعد injection. استدلال کے بارے میں ہر لیتا ہے roughly 3 کو 5 seconds کے لیے routine cases ( پرامپٹ template ہے short، فیصلے ہیں واضح). All 28 خودمختار فیصلے resolve اندر roughly 2 منٹ. 2 surfaced جائیں کو Maya کا Telegram اور wait کے لیے her response، کون سا doesn't count کے خلاف Claudia کا processing وقت.

If آپ کا prediction ہے far off، something میں آپ کا understanding کا envelope یا polling ڈھانچہ ہے wrong. استعمال کریں demonstration کو recalibrate.

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-6.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

Demonstrate مکمل pipeline شروع سے آخر تک. Generate ایک synthetic workload کا 30 منظوری requests کے ساتھ realistic distribution، post انہیں کو Paperclip، اور verify Claudia handles routine items autonomously جبکہ surfacing consequential ones. Requirements:

1. Generate 30 synthetic منظوری requests کے ساتھ یہ distribution:

• 22 refunds میں $500-$1,500 range (Claudia چاہیے auto-approve)
• 4 refunds میں $1,500-$2,000 range (Claudia auto-approves مگر flags میں weekly summary)
• 2 بجٹ overrides پر 10-15% پر cap (Claudia auto-approves)
• 1 hire proposal کے لیے ایک Spanish-Language Tier-2 specialist کے ساتھ نہیں envelope extension (Claudia surfaces کو Maya per standing instruction سے تصور 1's PRIMM Predict: "پہلا hire میں ایک نیا language ہے ایک حکمت عملی سے متعلق moment")
• 1 envelope-extension hire proposal (Claudia surfaces; outside delegated envelope کے ذریعے definition)

2. Inject all 30 میں Paperclip's منظوری queue (مکمل track: بنائیں انہیں via POST /api/companies/{companyId}/approvals; simulated track: mock کا queue-injection helper). trigger Claudia کا polling skill (یا wait کے لیے اگلا 60-second poll cycle).
3. Capture precise timing. We'll compare کو prediction میں PRIMM Predict above.
4. Verify کے خلاف جانچ کا ریکارڈ:

• 28 منظوریاں چاہیے اب رکھتے ہیں status: approved. مکمل track: ہر has ایک matching Paperclip activity_log row، اور کیونکہ approve route ہے ایک board action کہ row carries actor_type='user'، actor_id='local-board'، agent_id=null. fact کہ Claudia (نہیں Maya) drove یہ ہے recorded میں آپ کا governance_ledger، نہیں میں activity_log. Simulated track: mock کا equivalent rows.
• ہر کا 28 بھی has ایک governance_ledger row کے ساتھ principal='owner_identic_ai': کہ ہے row کہ attributes فیصلہ کو Claudia
• 2 منظوریاں چاہیے اب بھی be status: pending، waiting کے لیے Maya

5. Verify Maya received Telegram messages. She چاہیے رکھتے ہیں 2 messages سے Claudia summarizing 2 surfaced منظوریاں، ہر کے ساتھ Claudia کا استدلال کے لیے کیوں she surfaced rather than auto-approved.
6. Verify timing matches prediction (اندر ایک order کا magnitude; اصل numbers depend on ماڈل latency).
7. Verify نظم و نگرانی_ledger. 28 rows چاہیے be لکھا گیا کے ساتھ schema fields سے تصور 11: action_taken، confidence، layer_source، reasoning_summary، attestation.
8. Maya-response round-trip. رکھتے ہیں Maya resolve ایک کا 2 surfaced منظوریاں herself (approve Spanish-language hire) بطور owner-human: مکمل track، کے ذریعے Paperclip's dashboard; simulated track، mock کا human-resolve path. Verify فیصلہ ہے recorded اور Paperclip writes ایک نیا activity_log row کے ساتھ actor_type='user'، joinable کو surfaced منظوری کے ذریعے entity_id. (Recording فیصلہ کرتا ہے نہیں itself move linked issue; کہ follow-on step ہے separate.)
9. Maya مشقیں ایک override ( تصور 12 mechanic، mandatory). چنیں ایک کا 28 منظوریاں Claudia auto-approved، ایک refund near top کا band ہے ایک اچھا choice، اور رکھتے ہیں Maya reverse یہ: she decides، on review، کہ یہ ایک چاہیے نہیں رکھتے ہیں been auto-approved. Record override کے ذریعے writing governance_ledger.override_status field کو overridden_by_owner on کہ منظوری's row، کے ساتھ ایک override_reason (کے لیے مثال، "یہ customer has ایک نمونہ I چاہتے ہیں کو دیکھیں myself"). یہ ہے حقیقی تصور 12 recalibration mechanic: override ہے training ڈیٹا، نہیں just ایک correction. Verify row اب دکھاتا ہے override_status='overridden_by_owner' اور وجہ ہے captured.
10. چلائیں audit-trail JOIN yourself ( spine بنایا گیا observable). چلائیں /verify-audit-trail slash command سے starter zip (یہ performs activity_log JOIN governance_ledger on منظوری id). Observe directly: ایک Claudia-resolved منظوری اور Maya-resolved Spanish-language hire ہیں indistinguishable میں activity_log alone، دونوں actor_type='user'; صرف governance_ledger row، present کے لیے Claudia کا، absent کے لیے Maya کا، reveals کون سا was Identic AI's. یہ ہے two-principal distinction، observed rather than پڑھیں کے بارے میں.
11. رکھتے ہیں Claudia generate weekly نظم و نگرانی summary ( تصور 11 digest، built نہیں just پڑھیں). پوچھیں Claudia، کے ذریعے Telegram، کو پیدا کریں weekly نظم و نگرانی digest سے governance_ledger rows یہ demonstration just wrote: totals، breakdown کے ذریعے category، ایک override Maya just بنایا گیا، اور any confidence flags. Compare اس کا shape کو sample summary میں تصور 11. یہ ہے digest Maya consumes weekly; یہاں آپ generate یہ once سے حقیقی ledger rows اس لیے form factor ہے concrete، نہیں just described.
12. Report back: timing breakdown، audit-row counts (activity_log + نظم و نگرانی_ledger)، دو Telegram messages Maya received، Maya-response flow، override row، JOIN-query نتیجہ، اور generated weekly summary.

کیا کو expect. آپ کا assistant generates workload، چلتا ہے demonstration، اور رپورٹس back:

• 28 خودمختار منظوریاں resolved اندر roughly 2 کو 3 منٹ
• 2 surfaced منظوریاں waiting کے لیے Maya میں Telegram کے ساتھ Claudia کا استدلال attached
• Activity_log showing board-action rows; نظم و نگرانی_ledger showing 28 rows کے ساتھ استدلال summaries اور confidence scores
• Maya کا response کو ایک surfaced منظوری flows کے ذریعے کو resolution
• ایک auto-منظوری overridden کے ذریعے Maya، کے ساتھ override_status اور override_reason لکھا گیا کو governance_ledger row
• /verify-audit-trail JOIN نتیجہ، showing Claudia-resolved اور Maya-resolved منظوریاں ہیں identical میں activity_log اور distinguished صرف کے ذریعے governance_ledger
• ایک Claudia-generated weekly نظم و نگرانی summary built سے demonstration کا حقیقی ledger rows

Troubleshooting:

• Demonstration چلتا ہے مگر نہیں Telegram messages reach Maya. chat-app integration سے فیصلہ 1 isn't wired میں skill کا surfacing logic. چیک skill کا notification handler.
• Claudia approves something she چاہیے رکھتے ہیں surfaced. envelope چیک میں فیصلہ 5 ہے too permissive. Walk specific منظوری کے ذریعے تصور 9's intersection logic کے ذریعے hand کو identify کون سا چیک missed.
• Timing ہے far slower than predicted (10x یا زیادہ). ماڈل latency ہے usual culprit. چیک پرامپٹ template length; if یہ includes verbose سیاق و سباق کے لیے ہر فیصلہ، latency multiplies. Trim پرامپٹ کو essentials.

** worked trace lives میں فیصلہ 5.** clearest single explanation کا کیا فیصلہ 6 پیدا کرتا ہے ہے seven-step worked منظوری thread پر شروع کریں کا فیصلہ 5: ایک routine refund walked شروع سے آخر تک، کے ذریعے Claudia کا استدلال، three gates، حقیقی Paperclip call، اور دونوں audit rows. فیصلہ 6 ہے کہ وہی trace، چلائیں 28 times میں parallel کے ساتھ 2 surfaced. If آپ skipped یہ، پڑھیں یہ اب: یہ ہے concrete picture کا ایک single خودمختار منظوری، اور demonstration یہاں ہے just کہ picture پر volume.

** 2 surfaced منظوریاں دیکھیں مختلف سے 28 خودمختار ones.** کے لیے ایک surfaced منظوری، Claudia writes ایک governance_ledger row کے ساتھ action_taken: "surface_to_owner" اور sends ایک Telegram message کو Maya rather than calling Paperclip's approve route. جب Maya later resolves surfaced منظوری herself (مکمل track: Paperclip's dashboard; simulated track: mock کا human-resolve path)، her action writes ایک Paperclip activity_log row کے ساتھ actor_type='user' اور actor_id سیٹ کو her board صارف id. کہ row ہے shaped وہی بطور ایک Claudia کا نمائندگی layer produced کے لیے 28 خودمختار منظوریاں: دونوں ہیں board actions. two-principal distinction ہے observable کے ذریعے joining activity_log کو governance_ledger on منظوری id: ایک منظوری Claudia resolved has ایک governance_ledger row کے ساتھ principal='owner_identic_ai'; ایک Maya resolved directly has نہیں such row. distinction lives میں آپ کا ledger، نہیں میں activity_log.

Bottom سطر کا فیصلہ 6. شروع سے آخر تک pipeline کام کرتا ہے، اور آپ رکھتے ہیں اب done spine، نہیں just پڑھیں یہ. نمائندہ بنیادی اکائی کا promise (Claudia handles routine تیز، surfaces consequential، ہر فیصلہ she بناتا ہے recorded میں governance_ledger) ہے operationally observable: آپ ran activity_log JOIN governance_ledger query yourself اور saw کہ two-principal distinction lives میں آپ کا ledger، نہیں میں Paperclip's جانچ کا ریکارڈ. آپ exercised تصور 12 override mechanic کے ذریعے reversing ایک کا Claudia کا auto-منظوریاں میں override_status field. اور آپ had Claudia generate تصور 11 weekly digest سے حقیقی ledger rows. یہ ہے moment کورس's central ڈھانچے سے متعلق claim ہے verified میں کوڈ، اور وجہ کورس builds governance_ledger پر all.

فیصلہ 7: Stolen-laptop recovery اور device-switch continuity

ایک سطر میں: simulate دو operational scenarios، Maya کا laptop ہے stolen (revoke Claudia کا Paperclip credentials سے ایک مختلف device) اور Maya gets ایک نیا Mac (migrate her OpenClaw سیشن کو یہ)، اور verify دونوں flows کام correctly.

تصور 8 named stolen-laptop case بطور load-bearing ناکامی طریقہ. ایک ڈھانچہ کہ has نہیں recovery story کے لیے یہ ہے fragile. فیصلہ 7 verifies recovery story کام کرتا ہے، نہیں کے ذریعے writing یہ سے scratch، مگر کے ذریعے exercising revocation flow میں دو realistic scenarios. ایک successful فیصلہ 7 ہے proof کہ Maya کا Identic AI ہے recoverable، نہیں just ڈیپلائے کیے جا سکنے والے.

mechanism کہ بناتا ہے revocation کام: Claudia holds دو Paperclip credentials، ایک board API اہم (کیا she drives منظوری routes کے ساتھ) اور ایک agent_api_keys entry (her agent identity). Revoking Claudia means revoking دونوں: board API اہم، اور agent اہم via DELETE /api/agents/{id}/keys/{keyId} (کون سا sets revoked_at). Once board اہم ہے revoked، "stolen" OpenClaw سیشن gets ایک 403 on منظوری routes; once agent اہم ہے revoked، یہ fails agent-only routes too. میں مکمل track، دونوں revocations ہیں Paperclip-side actions taken کے ساتھ owner-human کا board credentials; وہاں ہے نہیں Identic-AI signature path کو either. میں simulated track، mock کا stub revocation endpoint کرتا ہے equivalent.

ایک note on testing ایک revoked اہم میں dev. میں local_trusted dev طریقہ، ایک revoked یا invalid bearer token on ایک board route ہے silently ignored اور request falls back کو local-board actor، اس لیے "post کو approve route کے ساتھ revoked اہم" کرتا ہے نہیں cleanly demonstrate revocation. Test کے خلاف ایک agent-only route بجائے (کے لیے مثال GET /api/agents/me، کون سا returns 401 کے لیے ایک revoked agent اہم)، یا چیک revoked_at column directly. brief below استعمال کرتا ہے agent-only route.

دو scenarios cover مختلف ناکامی طریقے:

Scenario	ناکامی طریقہ	کیا we're testing
Stolen laptop	Adversarial: someone has Maya کا signing اہم + دونوں API keys	Revocation کام کرتا ہے; نیا agent + board-key registration کام کرتا ہے; old keys dead
Planned device switch	Operational: Maya wants کو move کو ایک نیا machine	سیشن migration کام کرتا ہے; نیا device کا Claudia ہے مستقل کے ساتھ old

** brief.** میں آپ کا ایجنٹک کوڈنگ ٹول، switch کو منصوبہ طریقہ، paste brief below، پوچھیں ٹول کو پیدا کریں ایک لکھا گیا منصوبہ اور save یہ کو docs/plans/decision-7.md، review یہ، پھر switch باہر کا منصوبہ طریقہ کو execute.

دو scenarios کو test میں sequence: stolen-laptop revocation، پھر planned device switch. Requirements:

Scenario 1، stolen-laptop revocation:

1. Simulate loss. Treat Maya کا primary Mac بطور compromised: attacker has Claudia کا ed25519 signing اہم اور دونوں her Paperclip credentials ( board API اہم اور agent API اہم).
2. Revoke Claudia کا Paperclip credentials. سے ایک مختلف device (Maya logging میں کو Paperclip on ایک second device کے ساتھ her board credentials)، revoke دونوں: Claudia کا board API اہم، اور her agent_api_keys entry via DELETE /api/agents/{id}/keys/{keyId} (مکمل track; simulated track: call mock کا stub revocation endpoint). یہ لازمی be مکمل کے ساتھ Maya کا owner-human board credentials، never ایک Identic-AI signature: ایک compromised Identic AI لازمی نہیں be able کو revoke یا re-register itself.
3. Verify human-auth requirement. Attempt revocation کے ساتھ ایک Identic-AI-signed request بجائے کا board credentials اور confirm یہ ہے rejected. (یہ verifies safety property: ایک compromised Identic AI نہیں کر سکتا revoke itself.)
4. Verify old keys ہیں dead. سے "stolen" OpenClaw سیشن، call ایک agent-only route، GET /api/agents/me، کے ساتھ Claudia کا now-revoked agent API اہم; Paperclip لازمی return 401. (کریں نہیں test یہ کے ساتھ approve route: میں local_trusted dev طریقہ ایک revoked bearer on ایک board route ہے silently ignored اور falls back کو local-board، اس لیے approve route would نہیں دکھائیں revocation. agent-only route ہے clean test. Checking revoked_at directly میں DB بھی کام کرتا ہے.)
5. Re-register on ایک fresh device. On ایک مختلف machine، generate ایک نیا ed25519 اہم pair، mint ایک fresh board API اہم، اور register Claudia بطور ایک Paperclip agent again کے ساتھ ایک fresh agent_api_keys entry، all کے ذریعے Maya کا board-credentialed سیشن، وہی persona، وہی delegated envelope (principal_permission_grants.scope) بطور پہلے.
6. Verify Claudia ہے fully operational on نیا device.

Scenario 2، planned device switch:

7. STOP DAEMON پہلا (critical step). On old device، چلائیں openclaw gateway stop اور confirm کے ساتھ openclaw status کہ عمل ہے نہیں longer running. Copying ایک live سیشن directory جبکہ daemon ہے running سکتا ہے corrupt embedded SQLite ڈیٹا بیس یا cause نیا device کو silently drop recent فیصلے Claudia بنایا گیا. clean stop ہے non-negotiable.
8. Copy سیشن. Move ~/.openclaw/ سے old device کو نیا ایک، except کے لیے signing keys directory، کون سا gets regenerated.
9. Generate ایک نیا اہم pair on نیا device. Mint ایک fresh board API اہم اور register Claudia بطور ایک Paperclip agent کے ساتھ ایک fresh agent API اہم، all کے ذریعے Maya کا board-credentialed سیشن، بطور ایک replacement کے لیے old credentials ( Claudia identity stays continuous میں آپ کا نظم و نگرانی ledger; صرف credentials تبدیلی). پھر revoke old board API اہم اور old agent_api_keys entry.
10. شروع کریں daemon on نیا device. چلائیں openclaw gateway start اور verify کے ساتھ openclaw status.
11. Verify سیشن continuity. پوچھیں Claudia on نیا device "کیا was last منظوری آپ handled?"; she چاہیے reference اصل last منظوری سے old device کا سیشن. Persona، standing instructions، learned نمونے: all present.
12. چلائیں ایک verification منظوری. Send ایک fresh منظوری request; confirm Claudia handles یہ correctly کے ساتھ audit entries مستقل کے ساتھ کیا old device would رکھتے ہیں produced.

Documentation کے لیے ہر scenario: کیا was preserved across transition، کیا was not preserved اور کیوں، اور کیا Maya had کو کریں manually vs کیا was automatic.

کیا کو expect. آپ کا assistant چلتا ہے دونوں scenarios اور رپورٹس:

• Stolen-laptop scenario: revocation succeeds کے ساتھ owner-human کا board credentials، fails (correctly) کے ساتھ ایک Identic-AI-signed request. "stolen" سیشن کا revoked agent اہم returns 401 on GET /api/agents/me، اور اس کا board اہم returns 403 on منظوری routes. ایک نیا board API اہم plus agent registration on ایک fresh device، مکمل کے ذریعے Maya کا board-credentialed سیشن، ہے fully operational. Claudia کا persona، standing instructions، اور accumulated نمونے survived (کیونکہ they live میں سیشن on Maya کا filesystem، کون سا stolen laptop took، اس لیے practically Maya restores her سیشن سے her backup; ڈھانچے سے متعلق test verifies نمونے themselves ہیں recoverable سے کہ backup).
• Device-switch scenario: سیشن migrates intact via filesystem copy. نیا device کا Claudia has وہی persona، history، اور نمونے. fresh board API اہم plus agent re-registration ہیں صرف credential-level تبدیلی. Governance ledger remains intact اور continuous.

Troubleshooting:

• The revocation path accepts ایک Identic-AI-signed request. auth requirement ہے wrong; revocation لازمی require owner-human کا board credentials. Fix یہ (مکمل track: revocation ہے ایک board-credentialed Paperclip action کے ذریعے تعمیر، اس لیے چیک آپ ہیں نہیں routing یہ کے ذریعے Claudia کا agent auth; simulated track: fix mock کا stub revocation endpoint). ایک compromised Identic AI لازمی نہیں be able کو revoke itself.
• New device کا Claudia doesn't رکھتے ہیں old session. سیشن migration via filesystem copy ہے simplest case; if یہ fails، چیک کہ entire ~/.openclaw/ was copied (skills، persona، history) اور نہیں just configuration فائلیں.
• Governance ledger has ایک gap during transition. Expected if transition لیتا ہے meaningful وقت; دستاویز gap اور confirm Maya didn't lose any in-flight منظوریاں during switch.

Bottom سطر کا فیصلہ 7. دونوں ناکامی طریقے ہیں covered. Maya سکتا ہے recover سے ایک stolen laptop; Maya سکتا ہے migrate کو ایک نیا device cleanly. ڈھانچہ کا recovery story ہے verified، نہیں just declared. یہ concludes lab.

---

حصہ 5: Operational realism: کیا Identic AI learns اور کیسے audit کام کرتا ہے

lab میں حصہ 4 پیدا کرتا ہے ایک working مالک Identic AI. حصہ 5 ہے کے بارے میں کیا ہوتا ہے over time: کیا Claudia learns پر six months کا Maya کا فیصلے، کیسے Maya audits Claudia کا behavior کے ذریعے ایک parallel ledger، اور کیا کو کریں جب Claudia اور Maya disagree. Three تصورات، وہی shape بطور Course Seven کا حصہ 5.

تصور 10: کیا Identic AI learns پر six months

میں demonstration میں فیصلہ 6، Claudia was پہلے ہی configured کے ساتھ 200 imported historical منظوری فیصلے (فیصلہ 2) اور ایک standing-instructions دستاویز (فیصلہ 4). کہ ہے آغاز state. پر six months کا operation، Claudia accumulates much زیادہ، اور تصور 10 walks کے ذریعے کیا kind کا accumulation اصل میں مدد کرتا ہے her be Maya کا Identic AI rather than just ایک chat log کا Maya کا life.

Three layers کا accumulated سیاق و سباق.

Layer 1: explicit standing instructions. Maya tells Claudia things میں Telegram. instructions ہیں first-class: Claudia records انہیں، indexes انہیں، applies انہیں reliably. They ہیں قواعد Maya writes consciously. Concrete مثالیں Maya might رکھتے ہیں دیا گیا کے ذریعے month three:

• "ہمیشہ surface envelope-extension hires کو me، نہیں exceptions."
• "Refunds کے تحت $300 کے ساتھ customer-account-age پر دو years: auto-approve."
• "Refunds کے لیے customers کے ساتھ زیادہ than three prior refunds میں last six months: ہمیشہ surface کو me regardless کا amount."
• "Budget overrides on ورکرز میں ان کا پہلا 30 days کا operation: ہمیشہ surface کو me."
• "Never auto-approve کوئی بھی چیز کہ touches قانونی specialist کا اختیار envelope."

یہ پڑھیں like کمپنی policy کیونکہ کہ ہے کیا they ہیں: Maya کا policy، expressed میں plain language، accumulated incrementally بطور she discovers کیا قواعد she اصل میں wants.

Layer 2: per-decision فیڈبیک. ہر وقت Maya overrides Claudia، Maya دیتا ہے فیڈبیک. یہ ہیں corrections کو نمونے، layered on top کا explicit قواعد. Concrete مثالیں:

• (Claudia auto-approved ایک $1،400 refund. Maya overrides.) "آپ چاہیے رکھتے ہیں surfaced یہ. یہ customer کا been کے ساتھ us 6 weeks، کہ کا نہیں long-tenure نمونہ I trust."
• (Claudia surfaced ایک routine Tier-1 hire کو Maya. Maya approves اور adds:) "آپ سکتا ہے approve یہ بغیر me. Tier-1 hires کے تحت $300/month، established envelope، یہ ہے exactly auto-approve case."
• (Claudia approved ایک بجٹ override کا 18% on ایک 4-month-old ورکر. Maya doesn't override مگر comments:) "Fine یہ وقت، مگر going forward note کہ یہ ورکر has had دو overrides میں ایک row; third چاہیے come کو me."

یہ feedbacks join Claudia کا سیشن اور refine future behavior. Critically، they ہیں نہیں just corrections; they include Maya کا استدلال. استدلال ہے کیا lets Claudia apply سبق کو similar-but-not-identical cases later.

Layer 3: derived نمونے. سے watching Maya کا فیصلے پر وقت، Claudia builds ماڈلز کہ Maya never stated بطور قواعد. Concrete مثالیں کہ might emerge کے ذریعے month five:

• "Maya approves refunds زیادہ تیز on Mondays than Fridays. Possible inference: Friday refunds get scrutinized زیادہ، perhaps کیونکہ کا weekend customer-service load."
• "Maya tends کو surface بجٹ-override requests if ورکر کا recent activity log دکھاتا ہے ایک single large-لاگت incident، even اندر auto-approve envelope."
• "Maya has approved ہر hire سے ایک Tier-1 پروڈکٹ سطر میں last 40 days; she has surfaced ہر hire سے نیا EU پروڈکٹ سطر. نمونہ suggests EU سطر ہے میں ایک مختلف trust phase."

ہر derived نمونہ آتا ہے کے ساتھ ایک confidence level. Some ہیں مضبوط بعد 50 فیصلے; some ہیں wrong بعد 500. ** Identic AI's honesty کے بارے میں کون سا layer ایک فیصلہ آتا ہے سے ہے کیا بناتا ہے Maya able کو recalibrate جب she چاہیے.**

ایک six-month walkthrough. یہاں ہے کیا Maya might experience across her پہلا six months کے ساتھ Claudia، میں rough order:

Month	کیا کا happening	کیا Claudia ہے doing
0 (فیصلے 1-4)	OpenClaw installed; 200 historical منظوریاں imported; 8 standing instructions configured	نمونہ-matches imported history; applies standing instructions reliably; surfaces ~20% کا فیصلے کیونکہ نمونے ہیں اب بھی thin
1	Maya overrides Claudia ~12 times; دیتا ہے فیڈبیک ہر وقت	Layer 2 فیڈبیک joins سیشن; behavior on similar cases improves visibly اندر month
2	Maya adds 3 زیادہ standing instructions میں response کو recurring surface نمونے	Surfacing rate drops کو ~12%; auto-منظوری reliability holds
3	پہلا emerging Layer 3 نمونہ: Claudia notes Maya کا tendency کو surface بجٹ overrides on first-month ورکرز; starts surfacing انہیں proactively	Maya confirms نمونہ ہے درست; یہ joins explicit قواعد میں Layer 1 اگلا وقت Maya edits
4-5	Surfacing rate stabilizes کے گرد 8-10%; override rate drops کو ~3%; weekly نظم و نگرانی-ledger reviews لیں ~10 منٹ	Steady state; Layer 3 نمونے ہیں accumulating مگر slowly
6	ایک novel case arrives: Manager-Agent proposes hiring ایک ورکر کے لیے ایک regulatory-compliance کام نہیں ورکر has held پہلے	Claudia recognizes "نہیں نمونہ، surface" اور routes کو Maya; Maya بناتا ہے ایک fresh judgment، comments her استدلال، joins بطور ایک نیا نمونہ

Notice trajectory: ** early months ہیں heavy میں فیڈبیک (Layer 2) اور explicit قواعد (Layer 1)، کیونکہ Maya ہے actively تدریس Claudia. کے ذریعے month 4-5، rate کا corrections drops sharply، نہیں کیونکہ Claudia has memorized ہر case، مگر کیونکہ Maya کا style کا فیصلہ سازی ہے اب reasonably captured. کے ذریعے month 6، Maya کا attention ہے spent on novel cases، recalibrations، اور weekly summaries. ** eighth-invariant promise، کہ Maya کا attention ہے freed کے لیے کیا genuinely ضرورت ہے her judgment، ہے operationally observable میں یہ trajectory.

** boundary درمیان teachable اور نہیں.** نہیں everything میں Maya کا سیشن ہے ایک teachable نمونہ. lower layers (explicit instructions، per-decision فیڈبیک) ہیں reliably applied; third layer (derived نمونے) ہے probabilistic اور varies میں quality. ایک اچھا Identic AI tells difference اور ہے honest کے بارے میں کون سا layer یہ ہے drawing سے. Claudia might کہتے ہیں میں her weekly نظم و نگرانی summary: "یہ week I auto-approved 47 refunds مبنی on آپ کا explicit instruction; I deferred 3 کو آپ مبنی on نمونے I've learned مگر I'm صرف moderately confident کے بارے میں." کہ honesty ہے کیا بناتا ہے Maya able کو recalibrate جب she چاہیے (تصور 12).

Try with AI

Paste یہ میں آپ کا AI کوڈنگ assistant: "تصور 10 describes three layers کا سیاق و سباق ایک مالک Identic AI accumulates: explicit standing instructions، per-decision فیڈبیک، اور derived نمونے. دیا گیا three layers، ڈیزائن ایک one-paragraph instruction Claudia could include میں her weekly نظم و نگرانی summary کہ بناتا ہے یہ واضح کو Maya کون سا فیصلے came سے کون سا layer، اس لیے Maya knows کہاں کو focus her recalibration attention. instruction چاہیے be concrete enough کہ Maya سکتا ہے act on یہ; vague enough کہ یہ doesn't require Claudia کو re-explain her استدلال میں detail ہر week. دکھائیں me three مختلف drafts کا یہ instruction، varying کیسے prominent layer-attribution ہے."

کیا آپ're سیکھنا: layer-attribution problem ہے central کو honest Identic AI ڈیزائن. If Claudia hides کون سا layer she ہے drawing سے، Maya سکتا ہے't recalibrate اچھی طرح. If Claudia explains too much، weekly summary بن جاتا ہے unreadable. درست balance ہے ایک ڈیزائن choice; مشق has آپ بنائیں کہ choice اور دیکھیں tradeoff.

Bottom سطر: پر six months، Claudia accumulates three layers کا سیاق و سباق: explicit standing instructions Maya writes (Layer 1، قابل اعتماد)، per-decision فیڈبیک Maya دیتا ہے جب Claudia gets something wrong (Layer 2، قابل اعتماد، includes Maya کا استدلال)، اور derived نمونے Claudia learns سے watching Maya decide (Layer 3، probabilistic، varies میں confidence). trajectory across months ہے سے heavy active-تدریس (months 1-3) کو steady-state کے ساتھ occasional novel-case recalibration (months 4-6+). ایک اچھا Identic AI ہے honest کے بارے میں کون سا layer یہ ہے drawing سے میں any دیا گیا فیصلہ; کہ honesty ہے کیا بناتا ہے Maya کا recalibration loop work.

تصور 11: نظم و نگرانی ledger: Identic AI's audit stream

میں Course Seven، talent ledger was کمپنی کا audit stream: ہر hire، eval، retirement، اور rehire event across افرادی قوت's history، queryable کے ساتھ SQL. Course Eight adds ایک parallel audit stream: ** نظم و نگرانی ledger**، کون سا records ہر فیصلہ Claudia بنایا گیا on Maya کا behalf.

دو parallel ledgers، ایک حقیقت کا مستند ماخذ کے لیے ہر. talent ledger records کیا افرادی قوت did. نظم و نگرانی ledger records کیا Maya's Identic AI did on Maya کا behalf. They share ایک join اہم ( منظوری ID، ماخذ issue ID، ورکر ID)، اس لیے ایک analyst سکتا ہے correlate انہیں (which فیصلے affecting ورکر X پر وقت were بنایا گیا کے ذریعے Maya herself vs Claudia on her behalf?)، مگر they ہیں distinct sources کا truth maintained separately. Maya owns نظم و نگرانی ledger; کمپنی owns talent ledger.

** schema، concretely.** ہر row میں نظم و نگرانی ledger captures:

governance_ledger
├── ledger_id                  -- primary key for this governance row
├── timestamp                  -- ISO 8601, millisecond resolution
├── approval_id                -- joins to talent_ledger / activity_log
├── source_issue_id            -- joins to the originating issue (refund request, hire proposal, etc.)
├── principal                  -- "owner_identic_ai" (always: this ledger is Identic-AI-only)
├── acting_on_behalf_of        -- the human owner's ID (Maya's ID)
├── action_taken               -- approve / request_revision / surface_to_owner / decline
├── confidence                 -- 0.0 to 1.0: Claudia's self-rated confidence
├── layer_source               -- "standing_instruction" / "per_decision_feedback" / "derived_pattern"
├── layer_reference            -- the specific instruction or pattern that triggered (FK)
├── reasoning_summary          -- 1-2 sentences explaining why
├── override_status            -- null initially; "overridden_by_owner" if Maya later corrected
└── override_reason            -- if overridden, Maya's stated reason (joins back as Layer 2 feedback)

field names match worked مثال میں حصہ 4's فیصلہ 6: ledger_id، approval_id، principal، acting_on_behalf_of، action_taken، confidence، layer_source، layer_reference، reasoning_summary، override_status، timestamp.

ایک sample week کا entries. کیا four rows سے Maya کا نظم و نگرانی ledger might دیکھیں like، میں plain English:

وقت	Action	کیوں	Layer	Confidence
Mon 09:14	Approved refund کا $890 کو customer C-3421	customer has account-age 3.2 years، نہیں prior refunds، matches my "long-tenure، low-prior" نمونہ (Layer 3)	derived_نمونہ	0.91
Mon 11:02	Surfaced کو Maya: refund کا $1،400 کو customer C-7755	customer has 2 prior refunds میں last 4 months; آپ کا standing instruction (Layer 1: "زیادہ than 3 prior refunds، ہمیشہ surface") almost triggers; I surfaced conservatively پر 2	standing_instruction	0.78
Tue 03:11	Approved بجٹ override کا 12% کے لیے ورکر W-tier1-eu-3	ورکر ہے میں month 4، override ہے کے لیے handling ایک documented incident سے activity log، auto-approve per delegated envelope	standing_instruction	0.96
Wed 16:48	Surfaced کو Maya: hire proposal کے لیے Compliance specialist	نہیں prior hire کا یہ type میں talent ledger; نہیں learned نمونہ; defaulting کو surface	derived_نمونہ (absence)	0.45

ہر row ہے queryable، joinable، exportable. Maya doesn't پڑھیں یہ raw; her weekly summary ہے generated سے یہ.

** weekly review نمونہ.** Maya reads نظم و نگرانی ledger weekly وہی طریقہ Course Seven board reads talent ledger: نہیں row کے ذریعے row، مگر بطور ایک summary. Claudia پیدا کرتا ہے ایک weekly digest sent کو Maya کا Telegram. ایک realistic مثال:

Weekly Governance Summary، Week کا ہو سکتا ہے 6-12

Totals: 142 فیصلے handled. 134 auto-approved (94%). 8 surfaced کو آپ (6%). آپ overrode 1 کا my auto-منظوریاں (0.7%).

Breakdown کے ذریعے category:

• Refunds: 97 (94 approved، 3 surfaced)
• Budget overrides: 28 (27 approved، 1 surfaced)
• Substrate migrations: 12 (12 approved)
• Policy-edit confirmations: 5 (2 approved، 3 surfaced)

آپ کا override یہ week: refund کا $1،847 کو customer C-4429 (Tuesday). آپ کا comment: "یہ customer has multiple prior refunds، چاہیے رکھتے ہیں surfaced." I've updated نمونہ: کے لیے customers کے ساتھ 2+ prior refunds میں last 6 months، I'll اب surface regardless کا amount. (Layer 2 فیڈبیک joined.)

Confidence flags I'd like آپ کو glance پر:

• دو refunds I approved پر confidence 0.62-0.68 (lower than my usual 0.85+ threshold). دونوں involved unusual نمونے I haven't seen often. They're میں ledger پر rows G-2204 اور G-2241 if آپ چاہتے ہیں کو spot-check.
• ایک derived نمونہ ہے آغاز کو emerge: refund timing seems کو vary کے ذریعے دن کا week میں آپ کا فیصلے. I'm نہیں acting on یہ yet، too early.

اگلا week کا expected load: مبنی on افرادی قوت's موجودہ size اور past 4 weeks، expect ~150 فیصلے. نہیں major پروجیکٹس changing my expected workload.

یہ ہے form factor Maya اصل میں consumes. نہیں row-by-row review، نہیں raw logs، ایک structured weekly summary کے ساتھ نمونے، exceptions، اور confidence flags surfaced.

** weekly review ہے کیا keeps Maya میں loop at درست wasیع کرنا.** She doesn't پڑھیں ہر فیصلہ; she reads نمونے کا فیصلے اور exceptions. ** نظم و نگرانی ledger turns six months کا Claudia کا actions میں ایک queryable، summarizable audit کہ Maya سکتا ہے act on**، نہیں just ایک blob کا history.

ایک مثال SQL query Maya might چلائیں. Suppose ایک customer-success ٹیم member پوچھتا ہے Maya کے بارے میں ایک series کا refund فیصلے on ایک single customer. Maya سکتا ہے query her ledger:

SELECT timestamp, action_taken, reasoning_summary, layer_source, override_status
FROM governance_ledger
WHERE source_issue_id IN (
  SELECT issue_id FROM activity_log
  WHERE customer_id = 'C-4429'
)
ORDER BY timestamp;

result ہے مکمل audit کا ہر نظم و نگرانی فیصلہ Claudia بنایا گیا on issues touching کہ customer. Maya سکتا ہے verify Claudia handled customer correctly، identify whether any فیصلے چاہیے رکھتے ہیں come کو her، اور فراہم کرنا learnings back. ** نظم و نگرانی ledger ہے کیا بناتا ہے delegated نظم و نگرانی قابل جانچ rather than just operational.**

Try with AI

Paste یہ میں آپ کا AI کوڈنگ assistant: "I'm designing نظم و نگرانی ledger schema کے لیے ایک مالک Identic AI. schema سے تصور 11 کا Course Eight ہے ایک reasonable آغاز point. دیا گیا schema، ڈیزائن three additional queries Maya might چاہتے ہیں کو چلائیں beyond customer-issue مثال. کے لیے ہر query، لکھیں SQL اور explain کیا operational سوال Maya ہے answering. queries چاہیے be kind کا thing Maya would اصل میں چاہتے ہیں کو پوچھیں during ایک weekly review یا جب investigating ایک specific concern، نہیں synthetic مشقیں."

کیا آپ're سیکھنا: نظم و نگرانی ledger isn't valuable just کیونکہ یہ logs فیصلے; یہ ہے valuable کیونکہ Maya سکتا ہے interrogate یہ. queries آپ'd چاہتے ہیں exist on ایک spectrum سے "کیا did Claudia کریں یہ week" (weekly review) کو "did Claudia handle یہ specific situation correctly" (investigation) کو "ہیں Claudia کا learned نمونے drifting" (calibration چیک). Knowing کون سا queries آپ'd لکھیں tells آپ کیا آپ اصل میں expect کو استعمال کریں ledger کے لیے.

Bottom سطر: نظم و نگرانی ledger ہے audit stream کا ہر فیصلہ Claudia بنایا گیا on Maya کا behalf، append-only، queryable، summarized weekly کے لیے Maya. یہ ہے parallel کو Course Seven کا talent ledger: دو audit streams، ایک حقیقت کا مستند ماخذ کے لیے ہر، joined کے ذریعے منظوری اور issue IDs. weekly summary ہے کیا بناتا ہے ڈھانچہ self-monitoring پر مالک کا wasیع کرنا; Maya reads نمونے اور exceptions، نہیں individual rows. SQL queryability ہے کیا بناتا ہے investigation tractable جب Maya ضرورت ہے it.

تصور 12: جب Identic AI's judgment اور مالک کا diverge

زیادہ تر اہم operational concept میں حصہ 5 ہے کیسے کو handle case جب Maya disagrees کے ساتھ Claudia. ایک قاری کا instinct، بعد تصور 11، might be کہ یہ ہے ایک ناکامی طریقہ: Claudia did something wrong، Maya corrects یہ، ideally یہ stops happening. کہ instinct ہے wrong. Disagreement درمیان Maya اور Claudia ہے ایک healthy signal، اور ڈھانچہ ہے ڈیزائن کیا گیا کو بنائیں یہ productive rather than punishing.

کیوں disagreement ہے healthy. Three reasons:

پہلا، نہیں derived نمونہ ہے درست on پہلا attempt. Claudia کا Layer 3 نمونے (تصور 10) ہیں learned approximations. Some گا be اچھا بعد 50 فیصلے; some گا be wrong بعد 500. صرف طریقہ کو discover کون سا ہے کون سا ہے کو watch کہاں they fail. If Claudia اور Maya never disagree، Claudia hasn't yet been pushed میں novel territory; نمونے haven't been stress-tested. Disagreement ہے signal کہ boundary کا Claudia کا قابل اعتماد judgment has been touched.

Second، Maya کا judgment evolves. Maya میں month ایک اور Maya میں month six ہیں نہیں وہی person: she کا learned things کے بارے میں her کاروباری، market has changed، افرادی قوت has grown. نمونے Claudia learned میں month ایک گا gradually بن جاتے ہیں باہر کا date. Disagreement ہے signal کہ Maya کا judgment has moved اور Claudia ضرورت ہے کو catch up.

Third، recalibration loop ہے itself ایک تدریس moment. جب Maya overrides Claudia، she usually دیتا ہے ایک one-sentence وجہ ("یہ customer has prior refunds، چاہیے رکھتے ہیں surfaced"). کہ وجہ joins per-decision فیڈبیک layer (Layer 2 سے تصور 10). اگلا وقت ایک similar نمونہ arises، Claudia weighs نیا فیڈبیک کے خلاف old نمونہ. ** override ہے نہیں just ایک correction; یہ ہے training ڈیٹا Claudia استعمال کرتا ہے کو refine her future behavior.**

** escape valve.** Architecturally، Maya سکتا ہے ہمیشہ override Claudia. جب Maya reverses ایک کا Claudia کا فیصلے، her override ہے ایک fresh board action: یہ writes ایک نیا activity_log row (ایک board action، exactly like any owner-human فیصلہ) اور یہ sets override_status کو overridden_by_owner on Claudia کا original governance_ledger row، کے ساتھ Maya کا وجہ. دونوں original Identic AI فیصلہ اور Maya کا correction ہیں preserved، اور governance_ledger ہے کیا tells مکمل story، since Paperclip's اپنا activity_log records Claudia کا فیصلہ اور Maya کا override identically بطور board actions. وہاں ہے نہیں ناکامی طریقہ کہاں Maya ہے locked باہر کا her اپنا کمپنی کے ذریعے her Identic AI. ڈھانچہ کا commitment ہے کہ human ہے ہمیشہ recoverable.

** unhealthy نمونے.** Three نمونے are warning signs:

1. Sustained، high-frequency divergence. If Maya ہے overriding Claudia 20%+ کا وقت، configuration ہے wrong. Either delegated envelope ہے too broad (Claudia ہے acting on فیصلے she shouldn't)، یا Claudia کا learned نمونے ہیں systematically miscalibrated. وقت کو revisit فیصلہ 4.
2. Maya stopping مطالعہ نظم و نگرانی ledger. If Maya ہے too busy کو پڑھیں weekly summary، جانچ کا ریکارڈ بن جاتا ہے dead weight. ڈھانچہ صرف کام کرتا ہے if Maya stays میں loop پر درست wasیع کرنا; if she opts باہر entirely، she ہے back کو de facto auto-منظوری، wrong response ایک سے تصور 1.
3. Claudia surfacing too much. mirror ناکامی: if Claudia surfaces 30%+ کا فیصلے کو Maya، scaling property breaks. Claudia ہے being too conservative; delegated envelope یا her confidence thresholds ضرورت کو be relaxed.

بطور ایک rough heuristic، اور numbers چاہیے be treated بطور ایک آغاز orientation rather than ایک benchmark کو optimize کے خلاف، ایک healthy operational state looks something like 90-95% کا فیصلے handled autonomously کے ذریعے Claudia، 5-10% surfaced کو Maya، کے تحت 5% overrides. exact numbers vary کے ذریعے کمپنی، کے ذریعے Maya کا خطرہ tolerance، اور کے ذریعے type کا کام افرادی قوت ہے doing. ** numerical ranges above ہیں illustrative، نہیں measured کے خلاف ایک published dataset.** کیا matters زیادہ than hitting specific percentages ہے shape: زیادہ تر فیصلے خودمختار، ایک meaningful مگر چھوٹا fraction surfaced، overrides rare enough کہ ہر ایک ہے پڑھیں closely.

PRIMM: Predict

کے لیے ہر scenario below، classify یہ بطور healthy، unhealthy: configuration، unhealthy: disengagement، یا unhealthy: over-conservative:

1. بعد six months، Claudia auto-approves 92% کا فیصلے; Maya overrides 2%; Maya reads weekly summary ہر Friday.
2. بعد three months، Claudia surfaces 35% کا فیصلے کو Maya; Maya processes انہیں اندر گھنٹے.
3. بعد eight months، Claudia auto-approves 98% کا فیصلے; Maya hasn't پڑھیں weekly summary میں ایک month.
4. بعد دو months، Claudia auto-approves 88% کا فیصلے; Maya overrides 22% کا those.
5. بعد four months، Claudia auto-approves 91% کا فیصلے; Maya overrides 4%; Maya occasionally adds ایک Layer 1 instruction میں response کو override نمونے.

جوابات: (1) healthy: اندر target ranges، مالک engaged. (2) unhealthy: over-conservative: surfacing rate ہے too high; Claudia کا confidence thresholds یا delegated envelope ضرورت کو be loosened. (3) unhealthy: disengagement: Maya has effectively delegated everything; یہ ہے de facto auto-منظوری، Wrong Response ایک سے تصور 1. (4) unhealthy: configuration: 22% override rate means delegated envelope ہے wrong یا Claudia کا نمونے ہیں systematically miscalibrated; وقت کو revisit فیصلہ 4. (5) healthy: active recalibration via standing-instruction edits ہے exactly loop تصور 12 advocates.

Bottom سطر: جب Maya اور Claudia disagree، ڈھانچہ treats یہ بطور healthy signal، نہیں ناکامی. override updates Claudia کا per-decision فیڈبیک; نمونے refine پر وقت; Maya remains میں قابو کیونکہ escape valve ہے ہمیشہ دستیاب. unhealthy نمونے کو watch کے لیے ہیں sustained high-frequency divergence (configuration wrong)، Maya disengaging سے نظم و نگرانی ledger (ڈھانچہ defeated)، اور Claudia over-surfacing (scaling property broken). ایک healthy state ہے ~90-95% خودمختار، ~5-10% surfaced، کے تحت 5% overridden.

---

حصہ 6: honest frontier

کورس has been honest throughout کے بارے میں کون سا parts کا ڈھانچہ ہیں shipped vs کون سا ہیں کھولیں research. حصہ 6 ہے explicit treatment کا کھولیں frontier: three تصورات on کیا isn't fully solved میں ہو سکتا ہے 2026، کیا path forward looks like، اور کہاں Course Eight کا eighth-invariant claim genuinely lands vs کہاں یہ gestures.

تصور 13: Self-sovereign memory، کہاں مالک کا accumulated judgment lives long-term

تصور 5 established کہ Maya کا OpenClaw سیشن lives on her local filesystem کے ذریعے ڈیزائن، نہیں بطور ایک opt-in. کہ property satisfies Tapscott کا self-sovereignty commitment کے لیے ایک single device. کیا یہ کرتا ہے نہیں satisfy، fully، ہے multi-device case.

ایک clarification پہلے continuing: interface reachability ہے نہیں سیشن location. OpenClaw's 50+ integrations (including 15+ chat channels: WhatsApp، Telegram، Discord، Slack، Signal، iMessage) mean Maya سکتا ہے reach her Identic AI سے anywhere she has her فون یا laptop اور her chat apps. Telegram on her فون، Telegram on her laptop، Discord میں ایک coworker کا office: all ہیں interfaces کو وہی Identic AI. مگر interface reachability اور where سیشن itself lives ہیں مختلف سوالات. chat apps ہیں stateless proxies; سیشن (Maya کا accumulated سیاق و سباق، learned نمونے، signing keys) lives on whatever device ہے running OpenClaw daemon. کے ذریعے default کہ کا ایک device. multi-device case below ہے کے بارے میں کیسے the session gets کو ایک second device، نہیں کے بارے میں کیسے Maya reaches یہ.

** three ڈھانچے سے متعلق options، today.** جب Maya wants her Identic AI کو follow her across her laptop، her فون، her کام machine، her home Mac، وہاں ہیں three نمونے shipped میں ہو سکتا ہے 2026:

1. Single-device sovereignty ( default). سیشن lives on ایک device. Maya استعمال کرتا ہے OpenClaw سے کہ device صرف. Self-sovereign میں strict sense; constrained میں عملی sense.
2. صارف-hosted sync. Maya چلتا ہے her اپنا sync layer: ایک private server she controls (ایک Raspberry Pi پر home، ایک چھوٹا VPS)، running ایک open-ماخذ sync پروٹوکول. Her OpenClaw on ہر device pushes اور pulls سے sync server. اب بھی self-sovereign میں strict sense (Maya owns server); higher operational burden.
3. Encrypted-with-صارف-key cloud sync. Maya استعمال کرتا ہے ایک third-party sync service، مگر سیشن ہے encrypted client-side کے ساتھ ایک اہم صرف Maya holds. cloud provider stores ciphertext; keys never leave Maya کا devices. Self-sovereign in practice if encryption ہے correctly implemented، مگر Maya ہے trusting encryption implementation اور absence کا side-channel leaks.

OpenClaw supports پہلا option باہر کا box اور gestures پر second اور third، مگر none کا three ہے ایک clean، no-tradeoff solution کے لیے multi-device case میں ہو سکتا ہے 2026. Tapscott calls یہ "reinventing AI stack." He کا درست.

کیا کا اصل میں کھولیں research. Three سوالات don't yet رکھتے ہیں shipped جوابات:

1. کیسے کرتا ہے صارف کا accumulated سیاق و سباق survive runtime obsolescence? If OpenClaw پروجیکٹ shuts down میں 2030 اور صارف has 4 years کا accumulated سیشن ڈیٹا، سکتا ہے they migrate کو ایک مختلف runtime? Today: میں اصول yes ( ڈیٹا ہے on ان کا filesystem، human-readable); میں practice اگلا runtime would رکھتے ہیں کو import OpenClaw سیشن format، کون سا assumes format ہے stable. یہ ہے ایک long-term sovereignty سوال.
2. کیا کے بارے میں cryptographic identity? Maya کا signing اہم represents Claudia. If Maya wants کو move کو ایک مختلف runtime کہ استعمال کرتا ہے ایک مختلف identity پروٹوکول، کیا ہوتا ہے کو Claudia کا continuity پر Paperclip? relationship درمیان the runtime کا notion کا Identic AI identity اور the wider نظام کا notion کا delegated identity ہے نہیں standardized.
3. کیا کے بارے میں backups اور recovery? If Maya loses her devices، her backups، اور her primary credentials simultaneously، she loses her Identic AI. نمونہ کہ ships میں ہو سکتا ہے 2026 ہے Maya ہے responsible کے لیے her اپنا backups. Whether ڈھانچہ چاہیے سپورٹ ایک stronger recovery story (Shamir-split keys، social recovery) ہے ایک active ڈیزائن سوال.

Course Eight سکھاتا ہے ڈھانچے سے متعلق commitments (filesystem-local کے ذریعے default، صارف-owned keys، نہیں پلیٹ فارم lock-in) اور names کہاں operationalization ہے partial. کورس کرتا ہے نہیں pretend multi-device، multi-runtime، long-term-sovereignty story ہے fully solved.

Bottom سطر: single-device self-sovereignty story ہے solved کے ذریعے OpenClaw's filesystem-local سیشن ڈیزائن. multi-device case has three نمونے، ہر کے ساتھ tradeoffs. long-term sovereignty case (runtime obsolescence، identity continuity، recovery) ہے genuinely کھولیں research بطور کا ہو سکتا ہے 2026. Course Eight سکھاتا ہے ڈھانچے سے متعلق commitments اور names کیا کا نہیں yet shipped.

تصور 14: قدر alignment beyond نمونہ-matching

تصور 10 distinguished three layers کا Claudia کا accumulated سیاق و سباق: explicit standing instructions، per-decision فیڈبیک، اور derived نمونے. third layer ہے part Course Eight ہے least confident تدریس. نمونہ-matching ہے نہیں قدر alignment، اور distinction matters.

Patterns ہیں surface; values ہیں ڈھانچہ. Claudia might سیکھیں کہ "Maya tends کو approve refunds میں $500-$2،000 range جب customer کا account ہے زیادہ than دو years old." کہ کا ایک نمونہ. underlying قدر Maya ہے acting on might be "long-tenure customers represent low fraud خطرہ اور high churn خطرہ، اس لیے I prioritize ان کا satisfaction": ایک structural belief کے بارے میں customer-کاروباری dynamics. دو مختلف policies could پیدا کریں وہی نمونہ: ایک مبنی on Maya کا customer-relationship values، دwasرا مبنی on، کہتے ہیں، ایک arbitrary heuristic Maya picked up سے ایک podcast. Claudia سیکھنا نمونہ ہے genuinely helpful کے لیے routine فیصلے; Claudia confusing نمونہ کے ساتھ قدر ہے dangerous جب نمونہ breaks (ایک long-tenure customer attempts ایک fraudulent refund; نمونہ says "approve"; قدر says "verify پہلا").

کہاں یہ matters operationally. نمونہ-matching کام کرتا ہے اچھی طرح جب دنیا ہے stable. یہ fails میں cases ڈھانچہ زیادہ تر ضرورت ہے کو handle correctly: novel situations، edge cases، moments Maya کا judgment ہے زیادہ تر valuable. ایک Identic AI کہ نمونہ-matches her past فیصلے ہے اچھا پر routine; ایک Identic AI کہ کا modeled her values ہے اچھا پر novel. latter ہے کیا Tapscott کا transcript gestures پر جب he talks کے بارے میں "reflecting آپ کا values." یہ ہے نہیں کیا shipped میں ہو سکتا ہے 2026.

** research preview state.** Anthropic اور دwasرا labs رکھتے ہیں research previews کہ جائیں further: قدر-elicitation interviews، اصول-extraction سے past فیصلے، explicit "کیا would آپ کریں if..." dialogues کہ surface underlying ڈھانچہ. یہ exist; none کا انہیں ہے curriculum-ready میں ہو سکتا ہے 2026 میں sense کہ Course Eight could سکھائیں انہیں بطور ایک stable نمونہ. Course Eight commitment ہے کو سکھائیں نمونہ-matching layer اچھی طرح (تصورات 10-12) اور کو name قدر-alignment layer بطور کھولیں frontier.

کیا یہ implies کے لیے نمائندہ بنیادی اکائی. Course Eight کا claim ہے کہ مالک Identic AI removes owner-attention رکاوٹ. claim ہے true پر نمونہ-matching layer: Claudia handles routine فیصلے correctly often enough کو wasیع کرنا Maya کا افرادی قوت اچھی طرح past 10-40 ورکر ceiling. claim ہے not fully true پر قدر-alignment layer: Claudia گا sometimes بنائیں ایک novel فیصلہ Maya would رکھتے ہیں بنایا گیا differently، اور ڈھانچہ has کو assume یہ اور ڈیزائن کے لیے recalibration (تصور 12). نمائندہ بنیادی اکائی scales AI-native کمپنی کے ذریعے ایک order کا magnitude، نہیں infinitely. Past some wasیع کرنا (hundreds کا ورکرز، thousands?)، residual novel-decision rate بن جاتا ہے بڑا enough کہ pure نمونہ-matching نمائندگی doesn't رکھیں up، اور قدر-alignment research has کو ship کے لیے ڈھانچہ کو wasیع کرنا further. We don't جانیں exactly کہاں کہ ceiling ہے; کورس ہے honest کے بارے میں یہ being باہر وہاں.

Bottom سطر: Claudia کا نمونہ-matching layer (تصور 10) handles routine اچھی طرح; her قدر-alignment layer ( کھولیں frontier) handles novel poorly. Course Eight کا eighth-invariant claim ہے true پر نمونہ-matching layer: Maya سکتا ہے wasیع کرنا her افرادی قوت past previous attention ceiling. claim ہے partial پر قدر-alignment layer; وہاں ہے ایک ceiling somewhere باہر وہاں beyond کون سا pure نمونہ-matching نمائندگی stops scaling. کہاں کہ ceiling sits depends on قدر-alignment research کہ hasn't shipped yet. کورس ہے honest کے بارے میں partial.

تصور 15: کیا کا اگلا، Identic AI economy، eval طریقہ کار، اور closing کا ڈھانچے سے متعلق بنیادی اکائیاں

Course Eight ہے last کورس میں architectural sequence کا ایجنٹ فیکٹری track. Course Nine، کون سا سکھاتا ہے cross-cutting طریقہ کار کا eval-driven development، closes track itself. تصور 15 closes Course Eight اور points پر کیا آتا ہے اگلا پر دو scales: اندر track (Course Nine اور eval طریقہ کار) اور beyond یہ ( کھولیں frontiers کا Identic AI economy). Three things کو name: کہاں مالک Identic AI ڈھانچہ leads اگلا، کیا دwasرا Identic AI استعمال کریں cases (customer-side، employee-side، peer-to-peer) اصل میں دیکھیں like بطور field matures، اور کیا seven-invariant ڈھانچہ بن جاتا ہے once eval طریقہ کار کا Course Nine ہے wrapped کے گرد یہ.

** Identic AI economy بطور Tapscott describes یہ.** سے HBR transcript: "I think کہ we گا spend ایک lot کم وقت میں عمل درآمد related activities. ... AI agents سکتا ہے handle coordination analysis، scheduling، flow کے ذریعے all دwasرا stuff کے بارے میں عمل درآمد، they سکتا ہے کریں کہ پر machine speed. Execution increasingly بن جاتا ہے commoditized. اور اس لیے بطور ایک مینیجر اور executive، کیا differentiates ایک firm ہے نہیں longer آپ کا ability کو execute، مگر آپ کا ability کو think big picture، کو چنیں درست goals، کو تعریف کریں purpose، کو بنائیں high quality حکمت عملی سے متعلق judgments." ڈھانچے سے متعلق shape Tapscott ہے describing ہے ایک network کا Identic AIs: owner-side پر ہر AI-native کمپنی، employee-side پر ہر افرادی قوت، customer-side پر ہر individual، interacting کے تحت signed credentials، کے ساتھ humans intervening صرف on consequential یا حکمت عملی سے متعلق. Course Eight builds ایک node کا کہ network completely; network itself ہے کیا Course Eight points پر.

Customer-side Identic AI بطور sidebar استعمال کریں case. ایک customer Sarah، میں 2027 یا 2028 یا 2030، has her اپنا OpenClaw running on her laptop. She wants کو interpret ایک contract clause سے Maya کا کمپنی. She messages Sarah-OpenClaw ( customer کا Identic AI، نہیں Maya کا) via WhatsApp: "سکتا ہے آپ talk کو ContractCo کے بارے میں clause 7.3 کا my contract?" Sarah-OpenClaw signs ایک request کے ساتھ Sarah کا credentials اور posts کو Maya کا کمپنی کا Manager-Agent. Manager-Agent verifies Sarah کا identity (passkey plus signature، وہی بنیادی اکائیاں Course Eight سکھاتا ہے کے لیے Maya کا case مگر across ایک untrusted boundary)، routes کو قانونی specialist، returns جواب. Sarah کا Identic AI اور Maya کا افرادی قوت meet بطور peers میں network، mediated کے ذریعے signed credentials، کے ساتھ neither side owning whole interaction. یہ ہے ڈھانچہ Course Eight enables مگر کرتا ہے نہیں deliver. trust-delegation بنیادی اکائیاں میں تصورات 7-9 transfer; cross-party trust ماڈل ہے missing piece.

Employee-side Identic AI. ایک ورکر میں Maya کا کمپنی، ایک employee rather than ایک hired AI ورکر، has ان کا اپنا Identic AI کہ مدد کرتا ہے انہیں draft emails، prepare کے لیے meetings، manage ان کا کام. employee Identic AI talks کو کمپنی کا افرادی قوت اور کو employee کا اپنا Identic AI peers. یہ ہے استعمال کریں case OpenClaw پہلے ہی serves اچھی طرح کے لیے individual صارفین: ایک personal AI living on ایک person کا machine، reachable کے ذریعے ان کا chat apps، ہے exactly single-node configuration OpenClaw ships. Course Eight didn't سکھائیں یہ کیونکہ load-bearing case was مالک کا; مگر ڈھانچہ extends naturally.

Peer-to-peer Identic AI. دو individuals' Identic AIs interacting directly: Maya کا Identic AI talks کو her co-founder کا Identic AI کو coordinate ایک meeting; Sarah کا Identic AI negotiates ایک refund کے ساتھ Maya کا Identic AI directly. Tapscott کا end-state ہے humans میں loop صرف on حکمت عملی سے متعلق; routine interaction ہوتا ہے درمیان AIs. یہ ہے زیادہ speculative than دwasرے; trust-delegation problem پر peer-to-peer layer has کھولیں subproblems.

** seven-invariant thesis، operationalized.** کیا was speculative جب Course Three opened ہے concrete بعد Course Eight closes. استعمال کرتے ہوئے مستند thesis ordering اور naming:

Invariant	کیا یہ درکار ہے	Course کہ operationalizes یہ میں depth
1. human ہے principal	Human intent، بجٹ، اختیار envelope، جوابدہی	Foundational across track
2. ہر human ضرورت ہے ایک نمائندہ	ایک personal agent holding سیاق و سباق، judgment، اور اختیار envelope	Course Eight
3. افرادی قوت ضرورت ہے ایک management layer	Hire، assign، نظم و نگرانی کرنا، observe، retire: افرادی قوت OS	Course Six (Paperclip)
4. ہر ورکر picks اس کا اپنا engine	Per-Worker runtime matched کو job	Course Three (introduces engine choice)
5. ہر ورکر چلتا ہے کے خلاف ایک ریکارڈ کا مستند نظام	Authoritative store reachable via MCP	Course Four
6. افرادی قوت ہے expandable کے تحت policy	Hiring بطور ایک callable صلاحیت	Course Seven (Claude Managed Agents)
7. افرادی قوت چلتا ہے on ایک nervous نظام	events، durability، flow قابو کے تحت envelope	Course Five (Inngest)

Seven invariants، six کورسز operationalizing انہیں میں depth (Three، Four، Five، Six، Seven، Eight; Invariant 1 چلتا ہے کے ذریعے all کا انہیں بطور foundational commitment کو human principal). ڈھانچہ ہے operationalized. ایک AI-native کمپنی کہ has all seven ہے wasیع پیمانے پر قابل تwasیع، قابل جانچ، governable، اور built کے گرد بنیادی اکائیاں کہ aren't going کو be obsoleted کے ذریعے اگلا runtime release، کیونکہ ڈھانچہ commits کو نمونے، نہیں vendors. کیا Course Nine پھر adds ہے eval-driven طریقہ کار کہ turns "built اور running" میں "measurably trustworthy." ڈھانچہ ہے مکمل بعد Course Eight; curriculum ہے مکمل بعد Course Nine.

کیا کا اگلا، اندر track اور beyond یہ. Course Eight gestured پر three کھولیں research areas: self-sovereign memory across runtimes (تصور 13)، قدر alignment beyond نمونہ-matching (تصور 14)، اور cross-party trust ماڈل کے لیے customer-side اور peer-to-peer Identic AI (تصور 15). یہ ہیں نہیں curriculum yet; they ہیں active research frontier. ایک قاری finishing Course Eight has فریم ورک کو جانچیں solutions کو یہ problems بطور they ship: کیا بناتا ہے ایک قدر-alignment proposal credible، کیا بناتا ہے ایک cross-party trust ڈھانچہ self-sovereign، کیا بناتا ہے ایک long-term sovereignty story honest.

** ڈھانچے سے متعلق بنیادی اکائیاں ہیں operationalized بعد Course Eight; track continues میں Course Nine.** Course Nine سکھاتا ہے کیا was deliberately deferred across ڈھانچے سے متعلق sequence: cross-cutting discipline کا eval-driven development. ہر ورکر built میں Courses 3-7، ہر hire authorized میں Course Seven، اور ہر delegated فیصلہ Claudia بناتا ہے میں Course Eight has وہی property: none کا انہیں ہے measurably trustworthy until اس کا behavior has been evaluated، traced، graded، اور improved. Course Nine لیتا ہے up کہ طریقہ کار استعمال کرتے ہوئے ایک layered eval stack (trace grading کے لیے agent behavior، repo-level evals کے لیے development ورک فلو، RAG evals کے لیے علم layer، پروڈکشن observability). analogy: test-driven development was closing طریقہ کار کا any SaaS engineering curriculum; eval-driven development ہے closing طریقہ کار کا any agentic-AI curriculum. ڈھانچہ (Courses 3-8) plus طریقہ کار (Course 9) equals مکمل ایجنٹ فیکٹری track.

Bottom سطر: Course Eight operationalizes Invariant 2 کا ایجنٹ فیکٹری thesis، نمائندہ، میں specific configuration کہ lets ایک AI-native کمپنی wasیع کرنا past اس کا بانی کا attention. seven ڈھانچے سے متعلق invariants ہیں all operationalized میں depth across Courses 3-8; Course Nine adds cross-cutting طریقہ کار کا eval-driven development کہ turns ڈھانچہ میں something measurably trustworthy میں پروڈکشن. کھولیں research frontiers named میں تصورات 13-15 (self-sovereign memory، قدر alignment، cross-party trust) sit beyond دونوں ڈھانچہ اور طریقہ کار; they ہیں اگلا decade کا work.

---

کیسے کو اصل میں get اچھا پر یہ

مطالعہ Course Eight کرتا ہے نہیں بنائیں آپ اچھا پر تعمیر مالک Identic AI. استعمال کرتے ہوئے یہ کرتا ہے، اور path looks like یہ: four phases، میں order، پر ایک few weeks.

Phase 1: Live کے ساتھ ایک Identic AI میں low stakes (week 1). install OpenClaw on آپ کا اپنا machine، آپ کا حقیقی machine، نہیں ایک سینڈ باکس. Onboard ایک حقیقی persona: yours، نہیں Maya کا. Message یہ کے ذریعے آپ کا حقیقی chat app کے بارے میں آپ کا حقیقی دن. دیں یہ ایک few standing instructions کے بارے میں کیسے آپ چاہتے ہیں یہ کو handle آپ کا حقیقی email یا آپ کا حقیقی calendar یا آپ کا حقیقی کام list. یہ phase ہے نہیں کے بارے میں نظم و نگرانی. یہ کا کے بارے میں تعمیر intuition کے لیے کیا ایک Identic AI feels like جب یہ کا اصل میں living کے ساتھ آپ، جب اس کا memory accumulates، جب یہ surprises آپ کے ساتھ ایک proactive nudge. آپ'll be ready کے لیے نظم و نگرانی استعمال کریں case صرف بعد یہ phase lands; jumping straight کو delegated نظم و نگرانی بغیر personal-AI intuition پیدا کرتا ہے calibration mistakes.

Phase 2: Watch کہاں یہ gets آپ wrong (week 2). Pay attention کو moments آپ کا Identic AI surfaces something آپ'd رکھتے ہیں ignored، یا auto-acts on something آپ'd رکھتے ہیں wanted کو دیکھیں. ہر کا یہ ہے ایک signal: either standing instructions ہیں off، یا نمونے یہ کا سیکھنا ہیں misfiring. درست میں plain language; watch اگلا similar case کو دیکھیں if correction stuck. آپ کا sense کا جب کو trust آپ کا Identic AI اور جب نہیں کو ہے built کے ذریعے watching یہ act on آپ کا حقیقی فیصلے، نہیں کے ذریعے مطالعہ کے بارے میں Maya.

Phase 3: Apply ڈھانچہ کو نظم و نگرانی (week 3+). If آپ're ایک AI-native-company مالک، configure آپ کا Identic AI بطور ایک نظم و نگرانی نمائندہ کے خلاف آپ کا حقیقی Paperclip افرادی قوت. استعمال کریں conservative envelope سے فیصلہ 4 بطور آپ کا آغاز point. سیٹ dry-run طریقہ (فیصلہ 3's --dry-run flag) کے لیے پہلا three days; پڑھیں کیا Claudia would رکھتے ہیں مکمل; تعمیر کریں calibration confidence پہلے enabling حقیقی signing. پھر جائیں live کے ساتھ حقیقی signing کے لیے ایک week; watch نظم و نگرانی ledger; expect کو refine standing instructions actively. Invariant 2، نمائندہ، بن جاتا ہے ایک property کا آپ کا operation، نہیں ایک concept سے ایک کورس. کہ کا جب Course Eight has مکمل اس کا کام.

Phase 4: Steady state اور active calibration (month 2+). بعد roughly 4 weeks کا operation، rhythm چاہیے feel invisible: آپ چیک میں کے ساتھ آپ کا Identic AI ایک few times per دن on surfaced منظوریاں، پڑھیں weekly نظم و نگرانی summary میں 10 منٹ، occasionally edit ایک standing instruction. ڈھانچے سے متعلق نمونے سے Course Eight ہیں اب بھی doing کام، مگر آپ experience انہیں بطور "my AI handles routine، I handle consequential، I review weekly." کہ کا point.

ایک ناکامی طریقہ کو watch کے لیے میں آپ کا اپنا استعمال کریں. زیادہ تر عام طریقہ قارئین misuse Course Eight ہے opting باہر کا weekly review. ڈھانچہ کا safety property، کہ Maya remains principal کے ساتھ مکمل audit recovery، صرف holds if Maya stays میں loop پر درست wasیع کرنا. If آپ find yourself ignoring آپ کا نظم و نگرانی summary کے لیے دو weeks running، آپ've drifted میں Wrong Response ایک سے تصور 1 (de facto auto-منظوری). Recover کے ذریعے re-engaging کے ساتھ weekly review پہلے changing کوئی بھی چیز else.

If آپ're نہیں ایک AI-native-company مالک: نمونے اب بھی apply پر smaller scales. ایک Identic AI handling آپ کا personal email منظوریاں، آپ کا calendar conflicts، یا آپ کا information triage استعمال کرتا ہے وہی three-layer سیکھنا ماڈل اور وہی recalibration loop. Course Eight سکھاتا ہے ڈھانچہ; surface آپ apply یہ کو ہے yours کو چنیں.

---

فوری reference

15 تصورات ایک سطر میں ہر

1. ایک AI-native کمپنی stops scaling پر مالک کا attention. hiring API ہے callable; مالک ہے نہیں. Somewhere درمیان 10 اور 40 ورکرز، مالک بن جاتا ہے رکاوٹ.
2. Identic AI ہے ڈھانچے سے متعلق جواب، per Tapscott کا HBR framing: personalized + قدر-reflecting + extension-of-self + self-sovereign + persistent memory.
3. مالک Identic AI ہے load-bearing case. Course Eight سکھاتا ہے ایک configuration اچھی طرح; تصور 15 names دwasرے (customer-side، employee-side، peer-to-peer) بطور frontier.
4. OpenClaw ہے runtime. اوپن سورس، صارف-owned، local-machine، chat-app-reachable. Verified سے openclaw.ai.
5. ** سیشن ہے Maya کا.** Her accumulated سیاق و سباق lives on her filesystem میں human-readable فائلیں. Self-sovereignty operationalized.
6. Chat apps بطور interface layer. Identic AI lives کہاں مالک پہلے ہی lives: 50+ integrations، including 15+ chat channels (WhatsApp، Telegram، Discord، Slack، Signal، iMessage)، نہیں ایک separate app.
7. دو principals، distinct identities. Paperclip's activity_log records ہر منظوری بطور ایک board action; کورس's اپنا governance_ledger carries owner-human vs owner-identic-ai distinction. Truthful auditing درکار ہے distinguishing.
8. Signed نمائندگی سے local credentials. Maya کا Identic AI signs کے ساتھ ایک اہم Maya owns; Paperclip verifies; revocable سے any device Maya اب بھی controls.
9. ** two-envelope intersection.** Maya کا owner-authority envelope (ceiling) intersected کے ساتھ Claudia کا delegated envelope (subset Maya chose) equals کیا اصل میں executes.
10. Three layers کا accumulated سیاق و سباق: explicit standing instructions، per-decision فیڈبیک، derived نمونے. third ہے probabilistic; honest Identic AIs کہتے ہیں اس لیے.
11. ** نظم و نگرانی ledger.** Append-only audit کا ہر فیصلہ Identic AI بنایا گیا on مالک کا behalf. Weekly summary کو Maya.
12. Disagreement ہے healthy signal. Maya overrides Claudia اور نمونہ updates. ایک sustained 20%+ override rate means configuration ہے wrong.
13. Self-sovereign memory پر multi-device اور long-term layer ہے کھولیں research. Course Eight سکھاتا ہے commitments اور names partial.
14. Patterns ہیں نہیں values. Claudia handles routine اچھی طرح; novel poorly. نمائندہ بنیادی اکائی scales افرادی قوت کے ذریعے ایک order کا magnitude، نہیں infinitely.
15. ** ڈھانچے سے متعلق sequence closes بعد Course Eight; track closes بعد Course Nine.** Seven ڈھانچے سے متعلق invariants operationalized میں depth across Courses 3-8; eval-driven development (Course Nine) ہے cross-cutting طریقہ کار کہ turns ڈھانچہ میں measurably trustworthy behavior. Customer-side اور peer-to-peer Identic AI ہیں کھولیں research frontier beyond دونوں.

Command quick-ref

چاہتے ہیں کو...	OpenClaw command
install on ایک نیا machine	curl -fsSL https://openclaw.ai/install.sh | bash یا npm i -g openclaw
Onboard کے لیے پہلا وقت	openclaw onboard
چیک install	openclaw status
List installed skills	openclaw skills list
install ایک نیا skill	openclaw skills install <name> (سے ClawHub)
Update کو تازہ ترین	openclaw update --channel stable

File location quick-ref

کیا	کہاں
سیشن اور accumulated سیاق و سباق	~/.openclaw/workspace/ ( agent workspace ہے OpenClaw's persistent memory)
Persona اور پائیدار سیاق و سباق	~/.openclaw/workspace/USER.md، MEMORY.md، اور workspace context/ فائلیں
Identic AI signing اہم	~/.openclaw/keys/identic-ai.pem (یا پلیٹ فارم keystore)
Locally-authored skills	~/.openclaw/workspace/skills/<name>/SKILL.md
Logs	via openclaw logs (consult OpenClaw docs کے لیے on-disk log locations)

Extension type فیصلہ tree

Need the owner's Identic AI to handle a routine decision class autonomously?
    → Configure the delegated envelope (Decision 4 / Concept 9) and a standing instruction.

Need to teach the Identic AI a new pattern from a recent override?
    → That's automatic: per-decision feedback joins Layer 2. Concept 10.

Need the company workforce to recognize a new Identic AI principal?
    → Identity registration at Paperclip (Decision 4 / Concept 8).

Need to revoke a compromised Identic AI?
    → Revocation flow (Decision 7 / Concept 8). From any device Maya still controls.

جب something feels wrong

The owner is reading too many approvals → delegated envelope is too narrow.
    Concept 9. Expand the envelope conservatively, watch for new failure modes.

The Identic AI is auto-approving things the owner would have surfaced → patterns
    are miscalibrated. Concept 12. Use the override; the next pattern update incorporates it.

The Identic AI is unreachable → check chat-app integration first (Decision 1),
    then OpenClaw daemon status (`openclaw status`), then the Paperclip-integration
    skill's config (Decision 3).

The audit trail is incomplete → governance ledger writes are silently failing.
    Concept 11. Check Paperclip's activity_log for the missing rows; the Identic AI's
    side of the write may have succeeded while Paperclip's side failed.

---

References اور further مطالعہ

• Tapscott، Don. (2026). You کو Power کا دو: Redefining Human Potential میں Age کا Identic AI. ماخذ کے لیے "Identic AI" framing Course Eight inherits.
• HBR IdeaCast Episode 1066، "کے ساتھ Rise کا Agents، We ہیں Entering دنیا کا Identic AI" (February 17، 2026). Don Tapscott interviewed کے ذریعے Adi Ignatius. hbr.org/podcast/2026/02/with-rise-of-agents-we-are-entering-the-world-of-identic-ai
• OpenClaw official site: openclaw.ai
• OpenClaw documentation: docs.openclaw.ai
• OpenClaw GitHub: github.com/openclaw/openclaw
• Paperclip documentation: docs.paperclip.ing
• Course Seven ( direct prerequisite): From Fixed کو dynamic Workforce
• Course Six ( management plane): From ایک ورکر کو ایک Workforce
• Course Five ( operational envelope): From Digital FTE کو پروڈکشن Worker
• Course Nine ( اگلا کورس): Eval-Driven Development کے لیے Agentic AI، cross-cutting طریقہ کار کہ turns Courses 3-8 ڈھانچہ میں measurably trustworthy پروڈکشن behavior

---

Course Eight ہے deep operationalization کا Invariant 2 کا ایجنٹ فیکٹری thesis: نمائندہ کہ holds human کا سیاق و سباق، judgment، اور اختیار envelope. Course Nine پھر adds cross-cutting طریقہ کار کا eval-driven development کہ turns ہر ورکر، ہر hire، اور ہر delegated فیصلہ میں something measurably trustworthy. کیا آپ تعمیر کریں کے ساتھ دونوں، ڈھانچہ سے Courses 3-8 اور طریقہ کار سے Course 9، ہے کیا آتا ہے next.