Paperclip کے ساتھ Workforce بنانا: مختصر عملی کورس

6 Scenarios، Zero کو ایک Managed AI Workforce

Paperclip ہے ** کمپنی** کو OpenClaw's employee. کہاں OpenClaw مختصر عملی کورس gave آپ ایک AI ورکر کہ lives on آپ کا laptop، یہ ایک دیتا ہے آپ کمپنی کہ hires، governs، اور audits ایک fleet کا انہیں. ایک ورکر ہے ایک function; ایک افرادی قوت ہے ایک org chart کا ورکرز running کے خلاف budgets، کے تحت منظوریاں، leaving ایک جانچ کا ریکارڈ. Paperclip ہے کمپنی کے گرد ورکر.

Paperclip ہے young اور moving تیز: tens کا thousands کا GitHub stars کے ذریعے mid-2026، MIT-licensed، self-hosted، اور یہ چلتا ہے entirely on آپ کا laptop کے ساتھ ایک command (نہیں account، نہیں credit card، نہیں cloud setup). وہی friction-free property OpenClaw earned کے لیے ورکر، Paperclip earns کے لیے کمپنی کے گرد یہ.

کے ذریعے end کا یہ ninety منٹ آپ گا رکھتے ہیں ایک حقیقی AI-native کمپنی running on آپ کا machine: ایک کمپنی entity کے ساتھ ایک defined purpose، ایک ورکر hired کے خلاف ایک adapter اور ready کو receive کام، ایک inbound issue assigned اور worked کے ذریعے کو completion کے ذریعے ایک keyless local ورکر، ایک منظوری filed کو آپ ( board) اور decided کے ساتھ ایک permanent audited record، ایک حقیقی LLM-backed ورکر added اس لیے ایک بجٹ finally has ڈیٹا کو enforce، اور ایک single SQL query کہ reconstructs everything کہ happened میں milliseconds. نہیں ایک demo آپ'll forget کے ذریعے Friday; ایک substrate آپ'll touch tomorrow.

---

کیسے یہ مختصر عملی کورس کام کرتا ہے. آپ download ایک tiny فولڈر، hand یہ کو آپ کا کوڈنگ agent (Claude Code یا OpenCode)، اور walk کے ذریعے six scenarios. agent reads فولڈر، installs Paperclip، sets up آپ کا پہلا کمپنی، hires آپ کا پہلا ورکر، assigns آپ کا پہلا issue، فائلیں پہلا منظوری، swaps keyless stub ورکر کے لیے ایک حقیقی LLM ورکر اس لیے بجٹ has something کو meter، اور جوابات ایک CFO-grade audit سوال کے ذریعے querying activity log. آپ steer; agent کام کرتا ہے; Paperclip بن جاتا ہے management plane آپ کا افرادی قوت چلتا ہے کے ذریعے.

مطالعہ path · prereqs · deep نسخہ (click کو expand)

مطالعہ path (six scenarios + ایک monthly habit):

1. Stand up Paperclip اور تعریف کریں آپ کا کمپنی. Onboard، dashboard up، ایک کمپنی configured. ~15 min.
2. Hire آپ کا پہلا ورکر. ایک keyless local ورکر (worker-stub.py، shipped میں آپ کا download) registered on http adapter، ready کو receive heartbeats. ~15 min.
3. Send کمپنی اس کا پہلا حقیقی issue. ایک issue ہے بنایا گیا، assigned کو ورکر پر بنائیں وقت، picked up on اگلا heartbeat، اور resolved. ~15 min.
4. File ایک منظوری کے لیے ایک risky action. ایک $750 refund ضرورت ہے board sign-off; آپ فائل request، decide یہ، اور پڑھیں audited record. ~15 min.
5. Swap میں ایک حقیقی LLM ورکر; دیں بجٹ teeth. keyless stub کرتا ہے نہیں billable کام، اس لیے بجٹ never moves. شامل کریں ایک حقیقی Gemini-backed ورکر اور watch spend accrue. ~15 min.
6. Query جانچ کا ریکارڈ like ایک CFO. ایک SQL query، whole کمپنی history، میں milliseconds. ~10 min.
7. (Once ایک month، نہیں today) چلائیں افرادی قوت audit. ~10 min جب وقت آتا ہے.

ہر scenario ends on ایک runnable success. If ninety منٹ میں ایک sitting ہے too much، لیں انہیں بطور separate sittings; everything persists درمیان انہیں. Scenarios 3 کے ذریعے 6 تعمیر کریں on کمپنی اور ورکر سے 1 اور 2.

Prerequisites ( صفحہ assumes یہ):

1. Claude Code یا OpenCode installed. Either کام کرتا ہے. If neither، کریں ایجنٹک کوڈنگ مختصر عملی کورس پہلا.
2. Node.js 20 یا later. چلائیں node --version میں ایک terminal. Below v20.0.0، install LTS سے nodejs.org/en/download; آپ کا کوڈنگ agent گا walk آپ کے ذریعے یہ if آپ پوچھیں.
3. Python 3. چلائیں python3 --version. ورکر آپ hire میں Scenario 2 ہے ایک چھوٹا Python فائل (worker-stub.py، کے گرد 120 lines) کہ ships میں آپ کا download اور استعمال کرتا ہے صرف standard library: nothing کو pip install. macOS اور زیادہ تر Linux ship Python 3 پہلے ہی; on Windows، آپ کا کوڈنگ agent گا مدد آپ install یہ.
4. ایک free Gemini API اہم، کے لیے Scenario 5 صرف. Scenarios 1 کے ذریعے 4 اور Scenario 6 چلائیں کے ساتھ نہیں API اہم پر all. Scenario 5 swaps keyless stub کے لیے ایک حقیقی LLM ورکر، اور کہ ایک ضرورت ہے ایک اہم. Google's free tier ہے enough; یہ ہے وہی اہم OpenClaw مختصر عملی کورس استعمال کرتا ہے. Get ایک پر aistudio.google.com پہلے آپ شروع کریں، یا جب آپ reach Scenario 5.
5. آپ've مکمل ایک کا prior مختصر عملی کورسs on AI ورکرز، ideally OpenClaw یا Digital FTE. point کا Paperclip ہے کو manage ایک افرادی قوت کا ورکرز; آپ چاہیے جانیں کیا ایک ورکر ہے پہلے آپ شروع کریں hiring انہیں.

چاہتے ہیں patient نسخہ? دو companion مختصر عملی کورسs sit on either side کا یہ ایک میں track. سے Digital FTE کو پروڈکشن ورکر wraps ایک single ورکر میں Inngest کا durability envelope: step درست پہلے ایک افرادی قوت. سے Fixed کو dynamic افرادی قوت turns hiring میں ایک callable صلاحیت: step درست بعد. یہ صفحہ plus AGENTS.md brief covers management plane شروع سے آخر تک; those دو layer onto یہ، they don't replace یہ.

---

collaboration نمونہ

Three actors share یہ صفحہ: آپ، آپ کا کوڈنگ agent، اور Paperclip. آپ paste پرامپٹس اور بنائیں calls صرف ایک human سکتا ہے بنائیں. آپ کا کوڈنگ agent چلتا ہے Paperclip CLI اور API، watches logs، اور recovers سے ناکامیاں. Paperclip ہے management plane: یہ holds کمپنی، hires ورکرز، carries کام کو انہیں on ایک heartbeat، اور records ہر action.

ہر scenario استعمال کرتا ہے وہی five-step rhythm:

1. آپ paste ایک sentence میں آپ کا کوڈنگ agent. یہ کا ایک brief، نہیں ایک script. آپ describe نتیجہ آپ چاہتے ہیں; آپ don't enumerate steps.
2. آپ کا agent consults AGENTS.md (پہلے ہی میں اس کا سیاق و سباق: CLAUDE.md میں فولڈر imports یہ automatically پر سیشن شروع کریں، اس لیے نہیں fetch step) اور proposes ایک منصوبہ. یہ names commands یہ intends کو چلائیں اور flags any فیصلہ points. یہ پوچھتا ہے پہلے پہلا destructive command.
3. آپ approve اور watch. agent چلتا ہے install commands، hits API، watches server log، اور دکھاتا ہے آپ کیا یہ sees. جب یہ hits ایک known ناکامی، یہ recognizes نمونہ سے brief اور applies documented fix.
4. آپ کا agent stops پر seam. Some moves صرف آپ سکتا ہے بنائیں: opening dashboard URL، deciding whether ایک $750 refund چاہیے be granted، exporting ایک API اہم. agent names seam اور waits.
5. آپ're مکمل جب ایک observable thing ہوتا ہے. ایک نیا row appears میں activity log. ایک issue moves کو done. ایک SQL query returns history آپ expected. ہر scenario tells آپ کیا کو watch کے لیے.

کہ کا یہ. agent کرتا ہے کیا ایک agent کرتا ہے اچھی طرح: install، configure، debug، query، recover. آپ کریں کیا صرف آپ سکتا ہے کریں: decide، approve، اور act on things tied کو آپ کا accounts. یہ rhythm (describe مقصد، get منصوبہ، approve، execute کے ساتھ verification پر ہر step) ہے وہی prompting نمونہ taught میں AI Prompting میں 2026 مختصر عملی کورس; ہر scenario below استعمال کرتا ہے دو short paste پرامپٹس rather than ایک wall کا instructions، اس لیے آپ experience rhythm بجائے کا مطالعہ کے بارے میں یہ.

One recovery move for the whole crash course

If کوئی بھی چیز goes sideways پر any point، آپ don't ضرورت کو جانیں CLI commands یا error codes. Paste یہ کو آپ کا agent:

Something didn't کام. چلائیں paperclipai doctor، پھر پڑھیں زیادہ تر recent Paperclip server log، tell me میں plain language کیا آپ دیکھیں، اور propose ایک fix I سکتا ہے approve.

آپ کا agent چلتا ہے diagnostic، reads log، names کیا یہ sees، اور proposes fix. آپ approve. کہ کا recovery loop کے لیے ہر scenario on یہ صفحہ.

If a scenario takes too long

ہر scenario has ایک budgeted وقت (shown میں H2). If آپ چلائیں past 2x کہ بجٹ (e.g.، past 30 منٹ on ایک 15-منٹ scenario)، pull آپ کا agent back اور paste: "کیا کا blocking us، میں ایک sentence? Let کا re-plan سے وہاں." Spinning past بجٹ usually means agent ہے improvising; re-anchoring on منصوبہ fixes یہ.

فولڈر آپ'll download has exactly three فائلیں: AGENTS.md (ایک compact operational reference کے لیے any کوڈنگ agent doing Paperclip کام)، CLAUDE.md (ایک سطر، @AGENTS.md، کون سا tells Claude Code کو import brief automatically)، اور worker-stub.py ( keyless local ورکر آپ hire میں Scenario 2). کہ کا whole environment.

Download paperclip-crash-کورس.zip

Unzip anywhere. کھولیں ایک terminal میں unzipped فولڈر. Launch آپ کا کوڈنگ agent:

cd paperclip-crash-course
claude

آپ کا agent اب has brief loaded. We walk کے ذریعے six scenarios ایک پر ایک وقت; ہر ایک ends on ایک runnable success پہلے اگلا begins. یہ brief assumes ایک capable کوڈنگ agent (Claude Code، یا OpenCode running ایک موجودہ فرنٹیئر ماڈل). Older یا smaller ماڈلز گا drift، زیادہ تر visibly on precise JSON کا Scenario 2's Worker-create body اور SQL کا Scenario 6; if آپ کا agent کا پہلا منصوبہ میں Scenario 1 looks vague یا generic بجائے کا specific کو آپ کا machine، کہ کا signal کو switch کو ایک stronger ایک پہلے آپ جائیں further.

---

پہلے Scenario 1: confirm آپ کا agent has brief loaded (~30 sec)

ایک paste tells آپ whether CLAUDE.md did اس کا job اور pulled AGENTS.md میں آپ کا agent کا سیاق و سباق:

کیا سکتا ہے آپ کریں کے لیے Paperclip?

If reply names specific Paperclip کام ( pre-install probe، company-and-Worker shape، heartbeat contract، create-time issue assignment، منظوری payload، بجٹ reality، activity-log queries، monthly audit habit)، آپ're loaded اور ready کے لیے Scenario 1. If یہ sounds like generic AI صلاحیت talk کے ساتھ نہیں Paperclip-specific details، import didn't fire: close agent، confirm آپ're اندر unzipped paperclip-crash-course/ فولڈر، اور relaunch.

What's actually in AGENTS.md (the file your agent is now reading)

آپ'll never ضرورت کو پڑھیں یہ فائل yourself; کہ کا point. مگر knowing اس کا shape مدد کرتا ہے آپ پوچھیں بہتر سوالات ("walk me کے ذریعے منظوریاں حصہ" کام کرتا ہے کیونکہ حصہ موجود ہے). brief covers، میں order:

PART 1 :: PRINCIPLES (apply everywhere)
  Versions this brief was verified against
  Source of truth, in order         ← live docs > this brief > the running install
  Critical: discover before you act  ← table of intent → where to confirm
  Working pattern (every task)       ← read → propose → ask → execute → verify
  Past tense is for completed actions only
  Trust progression                  ← ask each, then blanket; re-acquire on anomaly
  Safety rails (non-negotiable)
  Secrets discipline
  Sourcing claims that exist only in this brief

PART 2 :: OPERATIONS (verified against a live install)
  Install and onboard            ← the pre-install probe + the onboard flow
  Configure                      ← second instance, keeping the server alive
  Companies                      ← create, goals, projects
  Agents (Workers) and adapters  ← the real adapter list + the verified create body
  The heartbeat contract         ← what the http adapter actually POSTs
  Issues and assignment          ← no routing engine; assign at create time
  Approvals                      ← the payload + why it's a decision record
  Budgets                        ← why they only move for LLM Workers
  Audit trail                    ← activity_log + the real connection string
  Diagnose and recover           ← the most common failures
  When you don't know what to do ← three-layer fallback

If ایک particular حصہ کا AGENTS.md feels relevant later، آپ سکتا ہے پوچھیں آپ کا agent کو walk آپ کے ذریعے یہ پہلے acting (e.g.، "walk me کے ذریعے منظوریاں حصہ کا AGENTS.md پہلے we فائل کہ request"). brief was لکھا گیا اس لیے agent سکتا ہے self-direct سے یہ.

Note on the lab path: run the whole pipeline keyless

ورکر آپ'll hire میں Scenario 2 ہے worker-stub.py، ایک keyless local ورکر کہ ships میں آپ کا download. یہ چلتا ہے on Paperclip's http adapter: ہر heartbeat، Paperclip POSTs مکمل issue کو stub، اور stub posts ایک disposition back. نہیں LLM، نہیں API اہم، نہیں second ٹول. آپ چلائیں entire management plane (heartbeats، assignment، منظوریاں، audit) شروع سے آخر تک on کیا آپ پہلے ہی رکھتے ہیں، کے ذریعے Scenarios 1 کے ذریعے 4 اور Scenario 6. پھر میں Scenario 5 آپ شامل کریں ایک thing، ایک free Gemini اہم، کے لیے ایک deliberate وجہ: keyless stub کرتا ہے نہیں billable کام، اس لیے ایک بجٹ has nothing کو meter کے خلاف یہ. حقیقی LLM ورکر ہے کیا دیتا ہے بجٹ something کو enforce. pipeline shape ہے identical either طریقہ; keyless stub just پیدا کرتا ہے ایک stub disposition بجائے کا ایک drafted reply.

---

Scenario 1: Stand up Paperclip اور تعریف کریں آپ کا کمپنی (~15 min)

مقصد: Paperclip running on آپ کا laptop، ایک کمپنی configured ("Acme customer سپورٹ" یا whatever name آپ چنیں)، dashboard reachable میں آپ کا browser. دو پرامپٹس: پوچھیں کے لیے منصوبہ، approve اور execute.

1a. Onboard اور verify install

پہلا پرامپٹ: describe کیا آپ چاہتے ہیں اور پوچھیں کے لیے منصوبہ.

I'd like کو get Paperclip running on my laptop اور walk کے ذریعے ایک پہلا کمپنی called Acme customer سپورٹ. پہلے آپ touch کوئی بھی چیز، چلائیں pre-install probe سے آپ کا brief اور walk me کے ذریعے آپ کا منصوبہ میں plain language: کیا آپ checked، کیا آپ'll تبدیلی، کہاں آپ'll ضرورت me کو step میں.

آپ کا agent reads AGENTS.md، چلتا ہے pre-install probe (Node نسخہ، prior installs، port availability، prior ڈیٹا directory، دwasرا running Paperclip processes)، اور proposes ایک منصوبہ. یہ گا flag ایک place یہ likely ضرورت ہے آپ: if وہاں کا any stale state (ایک prior paperclipai install، ایک عمل holding default port)، یہ pauses کے لیے آپ کا فیصلہ پہلے touching یہ. پڑھیں منصوبہ. If something feels off، push back. پوچھیں "کیوں ہیں آپ doing کہ?" اور agent گا explain یا adjust.

Second پرامپٹ: approve اور let یہ چلائیں.

منصوبہ looks اچھا. جائیں ahead step کے ذریعے step، اور tell me کیا آپ دیکھیں پر ہر step. Pause پہلے any destructive command. جب onboarding finishes، name dashboard URL اس لیے I سکتا ہے confirm I دیکھیں یہ میں my browser; یہ auto-opens میں some setups.

agent چلتا ہے onboarding command سے brief، watches اس کا نتیجہ، اور captures operational values script prints: API host، dashboard URL، data-directory path، embedded Postgres port، اور config-فائل path. یہ saves یہ میں ایک project-local فائل آپ قابو (never echoed back میں chat). ایک چھوٹا thing brief tells آپ کا agent کو get درست: onboard banner labels اس کا API سطر کے ساتھ ایک /api suffix، مگر agent captures bare host بغیر یہ، اس لیے later API calls کریں نہیں end up کے ساتھ ایک doubled /api/api/ path. آپ کریں نہیں ضرورت کو track یہ yourself; یہ ہے just kind کا detail brief موجود ہے کو handle. میں default loopback bind طریقہ نہیں bootstrap API اہم ہے issued (trust ہے loopback-scoped)، اور آپ کا agent گا کہتے ہیں اس لیے if آپ پوچھیں کیوں نہیں اہم appears. جب onboarding finishes، dashboard typically auto-opens میں آپ کا default browser.

1a مکمل جب: agent رپورٹس API server ہے listening، آپ سکتا ہے کھولیں dashboard URL میں آپ کا browser، اور dashboard renders بغیر errors.

1b. تعریف کریں آپ کا پہلا کمپنی

Paste یہ کو آپ کا agent:

اب تعریف کریں کمپنی. Name یہ Acme customer سپورٹ. اس کا purpose: "Respond کو customer inquiries اندر 4 گھنٹے، کے ساتھ refund فیصلے بنایا گیا consistently اور اندر policy." شامل کریں ایک مقصد، "Reduce average response وقت کو کے تحت 4 گھنٹے،" اور ایک پروجیکٹ، "Inbound email triage." چیک live API کے لیے exact field names پہلا، پھر بنائیں انہیں. جب آپ're مکمل، دکھائیں me کیا کا اب visible میں dashboard.

agent reads کمپنیاں حصہ کا brief، confirms field names کے خلاف running API ( brief notes کہ کمپنی کا purpose goes میں ایک description field، اور کہ ایک unknown field name fails silently rather than loudly)، بناتا ہے کمپنی، مقصد، اور پروجیکٹ، پھر walks آپ کو dashboard کو confirm.

آپ're مکمل کے ساتھ Scenario 1 جب: آپ کا dashboard دکھاتا ہے ایک کمپنی called "Acme customer سپورٹ" کے ساتھ ایک مقصد اور ایک پروجیکٹ، اور activity log دکھاتا ہے matching creation rows (آپ کا agent گا پڑھیں back exact action names Paperclip recorded; they دیکھیں like company.created، goal.created، project.created). ہر future action lays on top کا یہ baseline.

Carry-forward into Scenario 2

کمپنی ID Paperclip assigned ہے اب میں project-local فائل agent بنایا گیا. آپ کا agent reads سے کہ فائل میں ہر later scenario، اس لیے آپ never ضرورت کو remember ID yourself. رکھیں آپ کا agent running میں unzipped فولڈر اس لیے یہ has فائل میں اس کا working directory.

---

Scenario 2: Hire آپ کا پہلا ورکر (~15 min)

** concept.** ایک ورکر میں Paperclip ہے ایک configured role: ایک name، ایک runtime، اجازتیں، ایک بجٹ، ایک heartbeat schedule. (Paperclip's اپنا API calls یہ "agents"; یہ صفحہ says "ورکر" throughout اس لیے یہ ہے never confused کے ساتھ کوڈنگ agent آپ ہیں pasting پرامپٹس میں. جب آپ کا agent دکھاتا ہے آپ ایک request کو /agents، کہ ہے وہی thing.) runtime ہے plugged میں کے ذریعے ایک adapter. Paperclip ships ایک range کا انہیں: LLM runtimes (claude_local، codex_local، gemini_local، اور زیادہ)، ایک openclaw_gateway، ایک process adapter کہ چلتا ہے ایک command on ہر heartbeat، اور ایک http adapter کہ POSTs ہر heartbeat کو ایک URL آپ قابو. آپ کا agent سکتا ہے list موجودہ سیٹ کے ساتھ ایک API call کے خلاف آپ کا install.

کے لیے یہ مختصر عملی کورس آپ'll hire آپ کا پہلا ورکر on http adapter، pointed پر worker-stub.py، keyless local ورکر کہ shipped میں آپ کا download. یہ کا ایک چھوٹا Python فائل استعمال کرتے ہوئے صرف standard library. ہر وقت Paperclip assigns یہ کام، یہ POSTs مکمل issue کو stub; stub reads issue اور posts ایک disposition back، کون سا moves issue کو done. نہیں LLM، نہیں API اہم. pipeline shape (heartbeat، assignment، منظوری، audit) ہے exactly کیا یہ would be کے لیے ایک حقیقی LLM ورکر; صرف work-product ہے ایک stub disposition بجائے کا ایک drafted reply. Scenario 5 ہے کہاں آپ swap یہ کے لیے ایک حقیقی LLM-backed ورکر.

ایک note on اختیار. جب آپ hire ورکر، آپ'll describe کیا یہ کا allowed کو کریں میں plain language میں ایک capabilities field: reads CRM records، drafts replies، refunds پر $50 اور outbound external email ضرورت board منظوری. Think کا کہ بطور ورکر کا اختیار envelope. میں Paperclip 2026's release کہ envelope ہے stored بطور description آپ wrote، نہیں enforced field-by-field کے ذریعے runtime; حقیقی enforcement seam ہے منظوری gate آپ'll رابطہ میں Scenario 4. envelope ہے اب بھی درست ذہنی نمونہ: یہ کا سطر کہ، جب ایک کام crosses یہ، چاہیے پیدا کریں ایک منظوری request rather than ایک action.

آپ hire کے ذریعے defining role اور registering یہ کے ذریعے API. دو پرامپٹس: شروع کریں stub اور draft role، پھر register اور verify.

2a. شروع کریں stub ورکر اور draft role

پہلا پرامپٹ: orient، پھر draft.

I'd like کو hire ایک ورکر called Tier-1 customer سپورٹ، running on http adapter pointed پر worker-stub.py کہ came میں یہ فولڈر. پہلا، walk me کے ذریعے کیا worker-stub.py کرتا ہے اور کیسے آپ'll شروع کریں یہ. پھر دکھائیں me agent-create request body سے آپ کا brief پہلے آپ register کوئی بھی چیز: I چاہتے ہیں کو دیکھیں role name، adapter اور اس کا config، صلاحیتیں text، اجازتیں، بجٹ، اور heartbeat schedule. سیٹ monthly بجٹ چھوٹا on purpose; Scenario 5 گا استعمال کریں ایک حقیقی ورکر کو دکھائیں کیا ایک بجٹ meters.

آپ کا agent reads Agents حصہ کا brief، explains worker-stub.py (یہ کا ایک tiny HTTP server: یہ listens کے لیے Paperclip's heartbeat POST، reads issue باہر کا payload، اور PATCHes ایک done disposition back)، اور دکھاتا ہے آپ کیسے یہ گا شروع کریں یہ (ایک python3 command، کے ساتھ ایک listening port اور آپ کا Paperclip API URL بطور arguments). پھر یہ drafts agent-create body اور دکھاتا ہے آپ ڈھانچہ: name، adapterType (http) اور adapterConfig ( stub کا URL)، capabilities ( اختیار text میں plain prose)، permissions، budgetMonthlyCents، اور heartbeat schedule کے تحت runtimeConfig. پڑھیں یہ. If ایک field looks wrong، پوچھیں; agent گا confirm کے خلاف live API.

Second پرامپٹ: شروع کریں، register، verify.

Looks اچھا. شروع کریں stub ورکر، register role کے ساتھ Paperclip، اور confirm یہ appears میں dashboard. دکھائیں me agent ID Paperclip assigned، اگلا heartbeat وقت، اور stub کا اپنا log فائل اس لیے I سکتا ہے دیکھیں یہ کا listening.

agent starts worker-stub.py (یہ keeps running میں background، logging ہر heartbeat یہ receives)، registers role کے ذریعے API، captures assigned agent ID میں project-local فائل، اور پوچھتا ہے آپ کو refresh dashboard.

آپ're مکمل کے ساتھ Scenario 2 جب: dashboard دکھاتا ہے ایک ورکر called "Tier-1 customer سپورٹ،" worker-stub.py ہے running اور اس کا log فائل موجود ہے، اور activity log دکھاتا ہے Worker-creation row (آپ کا agent گا پڑھیں back exact action name; یہ looks like agent.created). ایک thing کو جانیں going میں: Paperclip ورکرز ہیں immutable بعد creation. آپ سکتا ہے't edit ایک ورکر کا adapter یا بجٹ later; آپ hire ایک نیا ایک. کہ کا کیوں Scenario 5 hires ایک fresh LLM ورکر rather than upgrading یہ ایک.

Carry-forward into Scenario 3

آپ کا ورکر ہے registered اور worker-stub.py ہے running، مگر ورکر کا issue queue ہے empty. اگلا scenario دیتا ہے یہ حقیقی کام. رکھیں stub عمل running: if آپ close یہ، heartbeats arrive پر ایک dead URL اور issues won't resolve. If آپ stop کے لیے دن، آپ کا agent سکتا ہے restart stub جب آپ چنیں Scenario 3 back up.

---

Scenario 3: Send کمپنی اس کا پہلا حقیقی issue (~15 min)

** concept.** کمپنی موجود ہے، ورکر موجود ہے، مگر nothing has been assigned. میں حقیقی پروڈکشن، ایک customer email would trigger ایک event کہ بناتا ہے ایک Paperclip issue. Paperclip 2026 has نہیں قواعد-based routing engine: وہاں ہے نہیں "if issue matches X، send یہ کو ورکر Y" layer. Assignment ہے direct، اور یہ matters when آپ کریں یہ. ایک issue بنایا گیا کے ساتھ ایک assignee پر بنائیں وقت ہے wired میں heartbeat orchestration: یہ کا born ready، اور اگلا heartbeat picks یہ up. ایک issue بنایا گیا کے ساتھ نہیں assignee، پھر assigned later، کرتا ہے نہیں get picked up وہی طریقہ. اس لیے move ہے: بنائیں issue اور name اس کا ورکر میں وہی step.

کیا ہوتا ہے اگلا ہے interesting part: ورکر کا اگلا heartbeat fires، Paperclip POSTs مکمل issue کو worker-stub.py، stub reads یہ اور posts ایک done disposition، اور issue moves todo کو in_progress کو done، کے ساتھ ایک activity-log row recording ہر step.

دو پرامپٹس: بنائیں اور assign issue، پھر watch ورکر چنیں یہ up.

3a. بنائیں ایک inbound issue، assigned پر بنائیں وقت

Paste یہ کو آپ کا agent:

بنائیں ایک inbound issue کے لیے "Inbound email triage" پروجیکٹ: ایک customer (call انہیں C-4429) ہے asking کے بارے میں ایک $30 refund on ایک پروڈکٹ کہ arrived damaged. لکھیں description بطور ایک realistic two-sentence customer email. Assign یہ کو Tier-1 customer سپورٹ پر بنائیں وقت، میں وہی command، نہیں بطور ایک follow-up edit. جب یہ کا بنایا گیا، دکھائیں me issue ID Paperclip assigned اور کیا status یہ کا میں درست اب.

آپ کا agent reads issues حصہ کا brief، بناتا ہے issue کے ساتھ ورکر named بطور assignee میں بنائیں command، اور دکھاتا ہے آپ issue identifier (یہ looks like ACM-1).

مکمل کے ساتھ 3a جب: dashboard کا issue queue دکھاتا ہے ایک issue assigned کو Tier-1 customer سپورٹ، میں status todo، اور activity log دکھاتا ہے issue.created row.

3b. دیکھیں ورکر چنیں یہ up

ایک heads-up پہلے آپ paste یہ. ورکر آپ hired has wake on assignment سیٹ، اس لیے assigning issue پر بنائیں وقت fired ایک heartbeat immediately. کے ذریعے وقت آپ پڑھیں یہ، issue ہو سکتا ہے پہلے ہی be done. کہ ہے نظام working، نہیں ایک step آپ missed. اس لیے یہ پرامپٹ ہے نہیں "بنائیں یہ happen"; یہ ہے "دکھائیں me کیا پہلے ہی happened، میں record."

Paste یہ کو آپ کا agent:

دکھائیں me کیا پہلے ہی happened کے ساتھ کہ issue. Pull up worker-stub.py's اپنا log فائل اور issue کا rows میں activity log، اور walk me کے ذریعے sequence: heartbeat کہ fired on assignment، stub receiving issue، stub posting اس کا disposition back، اور issue reaching ایک terminal status. Tell me کون سا fields prove کام اصل میں happened rather than issue just being flipped کو مکمل. If کے لیے some وجہ issue ہے نہیں مکمل yet، fire ایک heartbeat کے لیے Tier-1 کے ذریعے hand اور پھر walk me کے ذریعے وہی sequence.

agent reads دونوں records اور narrates sequence کہ پہلے ہی ran: ورکر woke on assignment، Paperclip POSTed issue کو stub، stub PATCHed ایک done disposition back. issue ہے پر done کے ساتھ دونوں ایک startedAt اور ایک completedAt timestamp سیٹ. activity log records چلائیں. (If heartbeat schedule had نہیں fired yet، brief بھی has command کے لیے ایک on-demand heartbeat، اس لیے agent سکتا ہے trigger یہ بغیر waiting باہر cadence.)

آپ're مکمل کے ساتھ Scenario 3 جب: issue has moved سے todo کے ذریعے in_progress کو done، activity log دکھاتا ہے transition، اور worker-stub.py's log دکھاتا ہے heartbeat یہ received اور disposition یہ posted back. نہیں لاگت ہے recorded کے خلاف یہ issue، کون سا ہے درست: Scenario 5 covers کیوں، اور کہاں لاگت ڈیٹا starts کو exist.

Carry-forward into Scenario 4

آپ کا ورکر has ایک issue کے تحت اس کا belt، اس لیے activity log ہے نہیں longer empty جب آپ شامل کریں منظوری step اگلا. Scenario 4 deliberately کام کرتا ہے کے ساتھ ایک issue whose action (ایک بڑا refund) ہے above کیا ایک Tier-1 ورکر چاہیے decide alone، کو دکھائیں کیسے ایک board sign-off ہے filed اور recorded.

---

Scenario 4: File ایک منظوری کے لیے ایک risky action (~15 min)

** concept.** Some actions ہیں above ایک Tier-1 ورکر کا pay grade: ایک $750 refund، ایک contract تبدیلی، کوئی بھی چیز کہ crosses اختیار envelope آپ described میں Scenario 2. Paperclip's جواب ہے منظوری: ایک tracked board فیصلہ record. ایک حقیقی LLM ورکر، استدلال کے بارے میں ایک $750 refund، would recognize action exceeds اس کا اختیار اور فائل ایک منظوری request rather than acting. آپ کا keyless stub ورکر doesn't وجہ، اس لیے میں یہ scenario آپ act بطور board کا hand: آپ فائل منظوری request کہ ایک ورکر would فائل، اور پھر آپ decide یہ.

دو things کو be honest کے بارے میں up front، کیونکہ they shape کیا "مکمل" means یہاں:

• ایک منظوری ہے ایک فیصلہ record، نہیں ایک state machine. Filing ایک منظوری کرتا ہے نہیں suspend ایک ورکر، اور approving یہ کرتا ہے نہیں automatically resume ایک، تبدیلی linked issue کا status، یا execute approved action. Acting on فیصلہ ہے ایک separate، explicit step. کیا Paperclip دیتا ہے آپ ہے پائیدار، audited record کا who decided کیا، کے ساتھ کیا rationale، اور جب. کہ record ہے valuable thing: یہ کا کیا ایک auditor reads six months later.
• ** teachable moment ہے جانچ کا ریکارڈ**، نہیں ایک automated unblock. Watch کے لیے row میں activity log، نہیں کے لیے issue کو move on اس کا اپنا.

دو پرامپٹس: فائل request، پھر decide یہ.

4a. File منظوری request

Paste یہ کو آپ کا agent:

بنائیں ایک inbound issue: customer C-1138 ہے asking کے لیے ایک $750 refund on ایک پروڈکٹ they bought three months ago; they کہتے ہیں یہ arrived defective اور they رکھتے ہیں photos. کریں نہیں assign یہ کو ایک ورکر yet: یہ ہے ایک action کہ ضرورت ہے board sign-off پہلے anyone acts on یہ. پھر، acting بطور ایک ورکر would جب یہ hits ایک action above اس کا اختیار، فائل ایک board منظوری request linked کو کہ issue. استعمال کریں منظوری type کے لیے ایک board فیصلہ. میں payload، put action ("issue ایک $750 refund")، rationale ( customer کا history، damage photos، policy on documented defects)، اور دو یا three alternatives considered (partial refund، store credit، نہیں refund). دکھائیں me منظوری میں pending status، اور confirm issue itself ہے اب بھی sitting untouched.

agent بناتا ہے issue بغیر ایک assignee (اس لیے stub ورکر never picks یہ up; یہ sits پر اس کا default آغاز status)، پھر فائلیں منظوری request کے ذریعے کمپنی کا منظوریاں API: board-decision type، اور ایک free-form payload carrying action، rationale، اور alternatives verbatim. یہ لنکس منظوری کو issue. activity log gets ایک approval.created row.

مکمل کے ساتھ 4a جب: issue موجود ہے، unassigned اور untouched پر اس کا default status، منظوریاں queue میں dashboard has ایک pending entry، اور agent stops کو hand فیصلہ کو آپ.

4b. Decide یہ

یہ part ہے yours. پڑھیں request آپ کا agent filed: amount، rationale، alternatives. Decide.

Paste یہ کو آپ کا agent بعد آپ decide:

I've decided کو approve یہ refund (یا: کو reject یہ; tell me کون سا اور کیوں ایک سطر میں). Record my فیصلہ. پھر walk me کے ذریعے activity-log rows کے لیے یہ منظوری اور دکھائیں me field کہ proves I، human board، was decider، نہیں ایک agent. اور remind me explicitly کیا did not happen automatically: issue ہے اب بھی sitting کہاں یہ was، اور کیا I'd رکھتے ہیں کو کریں اگلا کو اصل میں act on یہ فیصلہ.

agent records آپ کا فیصلہ ( منظوری moves کو approved یا rejected، کے ساتھ decider کا identity اور ایک فیصلہ timestamp stamped on یہ). یہ walks آپ کے ذریعے activity log: approval.approved (یا approval.rejected) row، کے ساتھ actor_type سیٹ کو user اور ایک actor_id identifying board. پھر یہ names honest part: linked issue did نہیں تبدیلی status on اس کا اپنا. If آپ چاہتے ہیں issue closed یا refund "issued" (simulated، since وہاں کا نہیں payment processor wired)، کہ کا ایک separate command، اور agent گا کریں یہ if آپ پوچھیں.

آپ're مکمل کے ساتھ Scenario 4 جب: activity log contains منظوری chain (request filed، فیصلہ recorded کے ذریعے آپ)، linked issue ہے visibly unchanged کے ذریعے فیصلہ، آپ سکتا ہے name field کہ distinguishes ایک human decider سے ایک agent action (actor_type)، اور آپ سکتا ہے state میں آپ کا اپنا words کیوں ایک منظوری ہے ایک فیصلہ record rather than ایک automatic unblock.

Carry-forward into Scenario 5

آپ اب رکھتے ہیں ایک چھوٹا مگر حقیقی activity log: دو issues، ایک منظوری، heartbeat چلتا ہے behind انہیں. ایک table ہے اب بھی empty، though: وہاں ہے نہیں لاگت ڈیٹا yet. Scenario 5 ہے کہاں کہ تبدیلیاں، اور یہ ہے ایک scenario کہ ضرورت ہے ایک API اہم.

---

Scenario 5: Swap میں ایک حقیقی LLM ورکر; دیں بجٹ teeth (~15 min)

** concept.** ہر ورکر has ایک monthly بجٹ، سیٹ میں cents جب آپ hire یہ. مگر ایک بجٹ صرف has something کو enforce جب ایک ورکر کرتا ہے billable کام: keyless stub کرتا ہے none، اس لیے اس کا spend stays پر zero اور اس کا بجٹ never moves. کہ ہے honest shape کا thing، نہیں ایک bug میں lab. کو دیکھیں ایک بجٹ اصل میں meter something، آپ ضرورت ایک ورکر backed کے ذریعے ایک حقیقی LLM runtime.

اس لیے یہ scenario کرتا ہے swap. آپ'll hire ایک نیا ورکر on gemini_local adapter (ایک fresh hire، نہیں ایک edit، کیونکہ ورکرز ہیں immutable، بطور Scenario 2 noted)، دیں یہ ایک deliberately tiny monthly بجٹ، اور pile on enough کام کو چلائیں کہ بجٹ down. پھر آپ watch کیا Paperclip اصل میں کرتا ہے بطور spend climbs toward limit. یہ ہے ایک scenario کہ ضرورت ہے ایک API اہم: ایک free Gemini اہم، وہی ایک OpenClaw مختصر عملی کورس استعمال کرتا ہے. Gemini ہے path یہ صفحہ walks کیونکہ free tier keeps scenario keyless-adjacent; if آپ پہلے ہی رکھتے ہیں ایک اہم کے لیے دwasرا low-لاگت runtime (codex_local کے ساتھ ایک سستا OpenAI ماڈل، کے لیے instance)، کہ demonstrates identical بجٹ mechanic، اور آپ کا agent سکتا ہے adjust adapter accordingly.

ایک پرامپٹ کو hire LLM ورکر، ایک کو دیں یہ کام اور watch بجٹ.

5a. Hire LLM ورکر

Paste یہ کو آپ کا agent:

I چاہتے ہیں کو شامل کریں ایک حقیقی LLM ورکر اب. I'll export GEMINI_API_KEY میں my shell پہلے آپ شروع کریں: tell me جب آپ ضرورت me کو کریں کہ. Hire ایک نیا ورکر called Tier-1 customer سپورٹ (LLM) on gemini_local adapter، استعمال کرتے ہوئے cheapest موجودہ capable Gemini ماڈل. دیں یہ ایک deliberately چھوٹا monthly بجٹ، ایک dollar یا دو، اس لیے I سکتا ہے watch spend accrue کے خلاف یہ. Walk me کے ذریعے بنائیں body پہلے آپ register، اور remind me کیوں we're hiring ایک نیا ورکر بجائے کا editing stub ایک.

آپ کا agent reminds آپ کہ ورکرز ہیں immutable (hence ایک نیا hire، نہیں ایک edit)، names point کہاں آپ ضرورت کو export اہم، اور drafts agent-create body: وہی shape بطور Scenario 2's، مگر کے ساتھ adapterType سیٹ کو gemini_local اور ایک چھوٹا budgetMonthlyCents. یہ registers ورکر بعد آپ've exported اہم.

5b. دیں یہ کام اور watch بجٹ

Paste یہ کو آپ کا agent:

اب دیں LLM ورکر کام. بنائیں کے بارے میں ten short inbound سپورٹ issues، varied ایک little، اور assign ہر ایک کو نیا LLM ورکر پر بنائیں وقت. Fire heartbeats اس لیے یہ کام کرتا ہے کے ذریعے انہیں. Tail Paperclip server log. I چاہتے ہیں کو دیکھیں دو things: per-run لاگت ڈیٹا شروع کریں کو exist (یہ didn't، کے لیے keyless stub)، اور ورکر کا monthly spend climb toward بجٹ I سیٹ. Tell me، میں plain language، exactly کیا Paperclip کرتا ہے بطور spend approaches اور پھر crosses limit: کہ کا behavior I چاہتے ہیں کو observe.

agent بناتا ہے اور assigns issues، fires heartbeats، اور tails log. یہ وقت ورکر کرتا ہے billable کام، اس لیے per-run usage ڈیٹا starts landing on heartbeat records، اور ورکر کا monthly spend moves off zero. agent narrates کیا Paperclip اصل میں کرتا ہے بطور بجٹ چلتا ہے down اور رپورٹس یہ کو آپ plainly: یہ ہے ایک live observation، نہیں ایک scripted نتیجہ، اور آپ کا agent کا job ہے کو tell آپ کیا یہ sees.

آپ're مکمل کے ساتھ Scenario 5 جب: نیا LLM ورکر has resolved حقیقی issues، per-run لاگت ڈیٹا موجود ہے کہاں یہ was empty پہلے، ورکر کا monthly spend has moved کے خلاف بجٹ آپ سیٹ، اور آپ کا agent has told آپ میں plain language کیا Paperclip did بطور بجٹ approached اس کا limit.

A word on the API key

Export اہم میں آپ کا shell (export GEMINI_API_KEY=...); never paste یہ میں ایک فائل میں پروجیکٹ، اور never let آپ کا agent لکھیں یہ میں ایک. AGENTS.md tells آپ کا agent وہی thing. If آپ ever paste ایک اہم somewhere یہ shouldn't be، rotate یہ. ایک free-tier اہم ہے low-stakes، مگر habit ہے point.

Carry-forward into Scenario 6

آپ اب رکھتے ہیں دو ورکرز ( keyless stub اور LLM-backed ایک)، ایک dozen-plus issues، ایک منظوری، اور (نیا میں یہ scenario) حقیقی لاگت ڈیٹا. کہ کا enough history کو بنائیں audit query میں Scenario 6 return something worth مطالعہ.

---

Scenario 6: Query جانچ کا ریکارڈ like ایک CFO (~10 min)

** concept.** whole point کا ایک management plane ہے کہ someone outside افرادی قوت (ایک CFO، قانونی، عملی کام، compliance) سکتا ہے reconstruct کیا happened سے ڈیٹا بیس alone، میں seconds، بغیر asking anyone. Paperclip keeps کہ history میں ایک embedded Postgres ڈیٹا بیس. table کہ matters زیادہ تر ہے activity_log: ایک row per mutating action (کمپنی بنایا گیا، issue بنایا گیا، منظوری decided، ورکر hired، heartbeat invoked)، کے ساتھ actor، action، اور entity یہ touched. ایک second table، cost_events، holds dollar story (provider، ماڈل، tokens، لاگت میں cents per billable چلائیں) اور has rows صرف once ایک LLM ورکر has مکمل billable کام، کون سا ہے کیوں یہ was empty until Scenario 5.

ایک پرامپٹ: کھولیں Postgres، چلائیں history query اور لاگت query، پڑھیں جوابات.

Paste یہ کو آپ کا agent:

وقت کو play CFO. جوڑیں کو embedded Paperclip Postgres (آپ کا brief covers کیسے کو assemble connection string). پہلا، چلائیں "کیا happened، میں order" query کے خلاف activity_log کے لیے our کمپنی: ہر action کے ساتھ اس کا actor اور entity یہ touched، oldest پہلا. پھر چلائیں لاگت query کے خلاف cost_events: total لاگت today، میں dollars. دکھائیں me SQL اور results کے لیے دونوں. Finally، walk me کے ذریعے ایک activity_log row کے لیے منظوری I decided میں Scenario 4، اور point کو fields ایک auditor would استعمال کریں کو confirm I was decider.

agent reads Audit-trail حصہ کا brief، assembles Postgres connection string سے آپ کا install کا config فائل (وہاں ہے نہیں shortcut command کے لیے یہ; brief دکھاتا ہے کیسے)، اور چلتا ہے دو queries:

1. کیا happened، میں order: ایک SELECT پر activity_log filtered کو آپ کا کمپنی، ordered کے ذریعے وقت. یہ returns مکمل spine کا آپ کا چلائیں: کمپنی اور پروجیکٹ creation، دونوں ورکرز hired، ہر issue بنایا گیا، heartbeats، منظوری filed اور decided. یہ ہے query کہ کام کرتا ہے کے ساتھ نہیں LLM ورکر پر all; یہ کا keyless heart کا audit story.

2. Total لاگت today: ایک SELECT SUM(...) پر cost_events، converting integer cents column کو dollars، filtered کو today. پہلے Scenario 5 یہ returned nothing; اب یہ returns حقیقی (چھوٹا) لاگت کا آپ کا LLM ورکر کا چلتا ہے.

پھر agent دکھاتا ہے آپ ایک activity_log row کے لیے منظوری آپ decided: action (approval.approved یا approval.rejected)، actor_type سیٹ کو user، actor_id identifying board، اور timestamp. کہ ہے کیسے ایک auditor reconstructs آپ کا فیصلہ.

آپ're مکمل کے ساتھ Scenario 6 جب: history query returns ordered story کا آپ کا whole چلائیں، لاگت query returns ایک حقیقی number سے آپ کا Scenario 5 ورکر، اور آپ سکتا ہے name column میں activity_log (actor_type) کہ tells ایک human فیصلہ apart سے ایک agent action.

---

Scenario 7: آپ کا monthly افرادی قوت audit (~10 min/month)

** concept.** ایک کمپنی accumulates پر وقت: ورکرز hired، budgets سیٹ، منظوریاں decided، schedules running. ہر addition was ایک چھوٹا فیصلہ آپ approved; chain compounds. defense ہے نہیں vigilance پر ہر step (آپ'd never catch کیا doesn't yet exist); یہ کا ایک ten-minute review on ایک fixed cadence. یہ scenario isn't part کا آپ کا پہلا ninety منٹ; یہ کا move آپ بنائیں once ایک month کے لیے rest کا کمپنی کا life.

Paste یہ کو آپ کا agent (جب وقت آتا ہے):

چلائیں my Paperclip monthly افرادی قوت audit. Walk کے ذریعے everything کہ کا been hired، configured، scheduled، decided، یا paused since last audit. Flag کوئی بھی چیز I didn't explicitly sign off on، any ورکر کہ hasn't مکمل productive کام، any بجٹ کہ کا drifted سے کہاں I سیٹ یہ، اور any setting کہ کا looser than یہ چاہیے be. Summarize lot بطور ایک single short report I سکتا ہے either approve یا trim.

آپ کا agent reads activity log، موجودہ ورکر roster، budgets، اور audit tables، اور پیدا کرتا ہے ایک one-page report.

مکمل جب: آپ've spent ten منٹ reviewing report اور بنایا گیا پر least ایک فیصلہ (tighten ایک ورکر کا اختیار text، prune ایک بجٹ back، retire ایک unused ورکر، raise ایک منظوری threshold). Mark آپ کا calendar کے لیے اگلا month.

---

کیوں یہ کام کرتا ہے

دو things stay fresh; ایک thing stays پائیدار.

Fresh #1: scenarios on یہ صفحہ live on کتاب site. آپ کا agent reads انہیں جب آپ tell یہ کون سا scenario آپ're on.

Fresh #2: موجودہ Paperclip commands اور API shape live پر paperclip.ing/llms.txt، ایک LLM-friendly index کا مکمل docs، plus docs.paperclip.ing کے لیے patient walkthrough. آپ کا agent reads انہیں fresh پہلے any non-trivial operation. Paperclip ships تیز; یہ ہے کیسے brief stays accurate even جب individual flags drift.

Durable: فولڈر آپ downloaded holds AGENTS.md (کیا Paperclip ہے، کیسے کو navigate اس کا docs، safety rails، verified operational shapes، recovery نمونے)، CLAUDE.md ( one-line import marker)، اور worker-stub.py ( keyless ورکر itself). AGENTS.md covers کمپنیاں، ورکرز اور adapters، heartbeat contract، issues اور assignment، منظوریاں، budgets، audit، اور diagnosis. یہ کا longer than یہ صفحہ کیونکہ یہ covers everything ایک کوڈنگ agent might be asked کو کریں کے ساتھ Paperclip، نہیں just six scenarios above. Nothing میں فولڈر goes stale، اس لیے آپ download یہ once اور reuse یہ.

نمونہ ہے چھوٹا کے ذریعے ڈیزائن: ایک operational reference، ایک import marker، ایک runnable ورکر. Three فائلیں. intelligence isn't میں فائلیں; یہ کا میں آپ کا کوڈنگ agent مطالعہ انہیں اور applying انہیں کو whatever آپ پوچھیں اگلا. آپ didn't walk کے ذریعے six disconnected demos; آپ assembled ایک کمپنی آپ'll touch tomorrow.

---

کیا کا اصل میں running اب

نہیں six demos: ایک running نظام. Inventory کا کیا persists بعد Scenario 6:

آرٹفیکٹ	کیا یہ اصل میں ہے	کیوں یہ matters tomorrow
Paperclip server	ایک long-running Node.js عمل holding API اور embedded Postgres	آپ کا کمپنی survives closing آپ کا terminal اور rebooting
ڈیٹا directory	All آپ کا کمپنی ڈیٹا، encrypted secrets، server logs	substrate; back یہ directory up طریقہ آپ back up dotfiles
ایک کمپنی	ایک purpose، ایک مقصد، ایک پروجیکٹ، اور company-scoped isolation کے گرد انہیں	boundary ہر ورکر، issue، اور منظوری lives اندر
دو ورکرز	keyless worker-stub.py ورکر اور gemini_local LLM ورکر	ایک ورکر proves pipeline keyless; دwasرا دکھاتا ہے economics
worker-stub.py	ایک چھوٹا local HTTP عمل، listening کے لیے heartbeats	آپ کا پہلا ورکر، اور template کے لیے any keyless ورکر آپ لکھیں اگلا
issues اور activity log	issues assigned اور worked، plus row-by-row record کا ہر action	Reproducible افرادی قوت behavior، queryable history
ایک منظوری	ایک board فیصلہ filed اور decided، recorded permanently	audited sign-off آپ کا افرادی قوت استعمال کرتا ہے کے لیے risky actions
ایک بجٹ کے ساتھ ڈیٹا	LLM ورکر کا monthly بجٹ، کے ساتھ حقیقی spend metered کے خلاف یہ	number کہ بناتا ہے "نہیں runaway spend" enforceable بجائے کا decorative
audit queries آپ سکتا ہے چلائیں	SQL پر activity_log (اور cost_events) کہ جوابات stakeholder سوالات تیز	view ایک CFO، قانونی، یا compliance سکتا ہے استعمال کریں بغیر asking آپ
AGENTS.md اور recovery سطر	پائیدار brief آپ کا agent reads on ہر سیشن	skill آپ reuse کے لیے lifetime کا یہ کمپنی

ایک working دن کے ساتھ یہ looks like: ایک حقیقی customer message arrives; ایک integration (yours کو رابطہ later) بناتا ہے ایک Paperclip issue assigned کو ایک ورکر; اگلا heartbeat carries یہ کو ورکر; ورکر drafts ایک reply; آپ decide high-stakes ones میں dashboard; once ایک month آپ چلائیں audit.

If any کا those آرٹفیکٹس جائیں missing later (ایک laptop wipe، ایک accidental delete، ایک نسخہ upgrade gone wrong)، brief plus ایک fresh onboard plus ایک restore کا آپ کا ڈیٹا directory سے backup gets آپ back کو یہ exact picture.

Before you wire a real customer channel

مختصر عملی کورس ہے single-صارف: آپ're human board، اور آپ're ایک creating issues کے لیے testing. Wiring ایک حقیقی inbound ماخذ (ایک سپورٹ inbox، ایک contact form، ایک event سے آپ کا existing نظام) means strangers سکتا ہے لکھیں میں آپ کا افرادی قوت. پہلے آپ کریں کہ، دو things لازمی be true: ہر ورکر کہ processes inbound content لازمی رکھتے ہیں ایک tight، clearly described اختیار envelope (نہیں broad latitude just کیونکہ کام ہے "کسٹمر سپورٹ")، اور آپ ضرورت ایک deliberate منصوبہ کے لیے inputs کہ don't map کو any ورکر (نہیں orphaned issues). Stay single-صارف until آپ've thought دونوں کے ذریعے.

---

کہاں کو جائیں اگلا

بعد Scenario 6، آپ رکھتے ہیں ایک working AI-native کمپنی: دو ورکرز، ایک demonstrated منظوری، ایک بجٹ کے ساتھ حقیقی ڈیٹا behind یہ، اور ایک جانچ کا ریکارڈ کہ جوابات stakeholder سوالات میں seconds. کہ کا زیادہ تر کا surface زیادہ تر لوگ ضرورت کو get started.

کے لیے patient walkthrough کا any topic یہ صفحہ touched (یا کوئی بھی چیز یہ skipped)، several deeper مختصر عملی کورسs sit alongside یہ ایک میں getting-started directory. فوری map:

آپ چاہتے ہیں...	جائیں کو
Wrap ایک single ورکر میں ایک پائیدار ورک فلو engine پہلے آپ manage ایک fleet	سے Digital FTE کو پروڈکشن ورکر: Inngest durability envelope
Turn hiring میں ایک callable صلاحیت (ورکرز کہ hire دwasرا ورکرز کے تحت policy)	سے Fixed کو dynamic افرادی قوت: successor کو یہ کورس
استعمال کریں Paperclip's REST API بطور ٹولز سے اندر دwasرا agent	چیک docs.paperclip.ing کے لیے موجودہ MCP server package; pin نسخہ
ڈیپلائے Paperclip کو ایک cloud یا shared host (multi-machine، multi-صارف)	live docs پر docs.paperclip.ing; verify کیا has shipped پہلے آپ rely on یہ
رابطہ OpenClaw بطور edge layer درمیان humans اور آپ کا افرادی قوت	OpenClaw مختصر عملی کورس

کے لیے everything else، آپ کا AGENTS.md پہلے ہی covers زیادہ تر کا پلیٹ فارم. پوچھیں آپ کا کوڈنگ agent: "کیا کرتا ہے AGENTS.md کہتے ہیں کے بارے میں heartbeat contract?" یا "Walk me کے ذریعے منظوریاں حصہ کا AGENTS.md." brief ہے reference; یہ صفحہ ہے tour.

** meta-سبق**: زیادہ تر valuable thing میں آپ کا unzipped فولڈر ہے AGENTS.md. لیں ایک evening کو پڑھیں یہ end کو end (نہیں کے لیے install steps، مگر کے لیے shape کا دستاویز: discover-before-act table، working نمونہ، عملی کام کے ذریعے کام type، diagnostic checklists). پھر لکھیں ایک کے لیے whatever ٹول آپ'll اگلا put ایک کوڈنگ agent میں front کا. نمونہ ہے portable: ہر ٹول کے ساتھ ایک learnable surface has ایک AGENTS.md worth writing. Paperclip was ایک clean target کیونکہ install benefits سے agent-driven setup اور عملی کام decompose میں paste-and-watch scenarios; آپ گا find دwasرے. Author اگلا ایک.

---

Flashcards Study Aid