2026 میں AI پرامپٹنگ: فوری کورس

13 تصورات، حقیقی استعمال کا 80%

زیادہ تر لوگ AI کو ایک Google search کی طرح استعمال کرتے ہیں۔ وہ ایک مختصر سوال ٹائپ کرتے ہیں، جواب پر سرسری نظر ڈالتے ہیں، اور آگے بڑھ جاتے ہیں۔ یہ معلوماتِ عامہ کے لیے تو چل جاتا ہے۔ مگر ہر اس چیز کے لیے ناکام رہتا ہے جو آپ کی زندگی اور آپ کے کام میں واقعی اہمیت رکھتی ہے۔

ماہر صارفین کچھ مختلف کرتے ہیں۔ وہ AI کو اسی طرح بریف کرتے ہیں جیسے وہ ایک ذہین مگر نئے ساتھی کو کریں گے: فائلوں، سیاق، شرائط، اور ایک واضح مطالبے کے ساتھ۔ وہ ایک کے بجائے تین اختیارات کی توقع کرتے ہیں۔ وہ بحث کرتے ہیں۔ وہ بار بار دہراتے ہیں۔ وہ کام کو پرکھتے ہیں۔ ایک ناتجربہ کار پرامپٹ اور ماہر صارف کے پرامپٹ کے درمیان فرق ذہانت نہیں ہے؛ یہ چند ایسی عادتیں ہیں جو کوئی بھی ایک دوپہر میں سیکھ سکتا ہے۔

یہ صفحہ وہی دوپہر ہے۔ تیرہ تصورات، چار مختصر حصوں میں تقسیم۔ نہ کوئی کوڈ، نہ کوئی سیٹ اپ، نہ کوئی ایسی اصطلاح جس کا اندازہ آپ سیاق سے نہ لگا سکیں۔

📚 تدریسی معاون

مکمل سلائیڈ شو کھولیں

مکمل پریزنٹیشن دیکھیں ، 2026 میں AI پرامپٹنگ

---

ایک حقیقت اس صفحے کی ہر دوسری بات کی بنیاد ہے: ماڈل کے پاس اپنی کوئی یادداشت نہیں ہے۔ ہر بار جب آپ بھیجیں دباتے ہیں، یہ بالکل نئے سرے سے جواب دیتا ہے، صرف وہی استعمال کرتے ہوئے جو اُس لمحے اس کی سیاق کی کھڑکی میں موجود ہے، یعنی آپ کا پرامپٹ، اب تک کی گفتگو، آپ کی منسلک کردہ کوئی بھی فائلیں، اور وہ پوشیدہ ڈھانچہ جو ٹول خود شامل کرتا ہے۔ یہ کل کی گفتگو کو آج میں ساتھ نہیں لاتا۔ یہ نشستوں کے درمیان آپ کو نہیں جانتا۔ انجینئر اسے stateless کہتے ہیں۔ (کچھ مصنوعات اس کے اوپر ایک "memory" فیچر لگا دیتی ہیں جو خاموشی سے ہر باری پر آپ کے بارے میں چند حقائق دوبارہ سیاق میں ڈال دیتا ہے، مگر وہ حقائق پھر بھی سیاق ہیں، انسانی معنوں میں یادداشت نہیں۔)

اسی لیے ایک بصیرت نیچے کے ہر حصے میں دوڑتی ہے: اس صفحے کی تقریباً ہر "اعلیٰ تکنیک" دو میں سے ایک چال ہے، یعنی درست سیاق اندر لانا، یا غلط سیاق باہر رکھنا۔ ماڈل اس جواب کے لیے صرف وہی دیکھتا ہے جو اس کی سیاق کی کھڑکی میں ہے۔ آپ کا کام یہ کنٹرول کرنا ہے کہ اندر کیا جائے۔ ہر حصے کو اسی عینک سے پڑھیں۔

ٹولز کے بارے میں ایک نوٹ: مثالوں میں ChatGPT، Claude، اور Gemini کا حوالہ ہے کیونکہ زیادہ تر قارئین کے پاس انہی میں سے کوئی ایک ہوتا ہے۔ مہارتیں کسی بھی جدید چیٹ AI پر منتقل ہو جاتی ہیں۔ جہاں کوئی فیچر کسی ایک مصنوعے کے ساتھ خاص ہو، اسے واضح طور پر نام دیا جاتا ہے۔

اسے کیسے پڑھیں

ابھی، آگے پڑھنے سے پہلے، کسی دوسرے براؤزر ٹیب میں Claude، ChatGPT، یا Gemini میں سے کسی ایک کا مفت اکاؤنٹ کھول لیں۔ ہر ایک کا ایک مفت درجہ ہے جس میں سائن اپ کرنے میں تقریباً ایک منٹ لگتا ہے۔ آپ کو ابھی اس میں کچھ کرنے کی ضرورت نہیں؛ بس اسے کھلا رکھیں۔ پھر شکل سمجھنے کے لیے ایک بار سیدھا پڑھ لیں، اور پرامپٹس آزمانے کے لیے اختتامی حصے میں واپس آئیں۔ آزمائے بغیر پڑھنا آپ کو الفاظ دیتا ہے؛ آزمانا آپ کو مہارت دیتا ہے۔ (اختتامی مشقوں میں سے ایک آپ سے دو ٹولز کا آمنے سامنے موازنہ کرنے کو کہتی ہے، اس لیے وہاں پہنچنے تک شاید آپ ایک دوسرا مفت اکاؤنٹ بھی کھلا رکھنا چاہیں۔)

ایک مختصر نوٹ کہ آپ کے آخری بار دیکھنے کے بعد سے کیا بدلا

اگر آپ نے 2022 یا 2023 میں ChatGPT استعمال کیا اور اسے ایک ذہین کھلونا سمجھ کر چھوڑ دیا، تو جو ٹول آپ کو یاد ہے وہ وہ ٹول نہیں جو اب آپ کے پاس ہے۔ کچھ تبدیلیاں جو خاموشی سے ہوئیں:

• سیاق کی کھڑکیاں تقریباً 1000 گنا بڑھ گئیں۔ 2022 کا ماڈل چند ہزار الفاظ سنبھالتا تھا۔ 2026 کا ماڈل لاکھوں سنبھالتا ہے، کبھی کبھی دس لاکھ۔ یہ بدل دیتا ہے کہ آپ ایک پرامپٹ میں کیا ٹھونس سکتے ہیں: ایک پوری کتاب، کئی دنوں کی تقریر، معاہدوں کا ایک پورا فولڈر۔

• استدلال حقیقی بن گیا۔ "قدم بہ قدم سوچیں" کبھی ایک جادوئی جملہ ہوا کرتا تھا۔ اب ماڈلز کے پاس واضح سوچنے کے انداز ہیں جو جواب دینے سے پہلے سیکنڈوں، کبھی منٹوں تک چلتے ہیں، اور کئی طریقوں کو کھنگالتے ہیں۔ اس کا اندازہ لگانے کا ایک طریقہ: ایک سال پہلے، سب سے مشکل کام جو AI بھروسے کے ساتھ مکمل کر سکتا تھا وہ ایسا تھا جس میں کسی شخص کو چند منٹ لگتے۔ آج وہ ایسا کام ہے جس میں کسی شخص کو ایک گھنٹہ یا اس سے زیادہ لگتا۔ تصور 5 میں ماپے گئے اعداد موجود ہیں۔

• Web search ایک بلٹ اِن ٹول بن گیا۔ ماڈل خود طے کرتا ہے کہ کب کسی سوال کو تازہ معلومات کی ضرورت ہے، ایک search چلاتا ہے، چند صفحے پڑھتا ہے، اور جو ملے اسے جواب میں استعمال کرتا ہے۔ 2022 کا ماڈل صرف اسی سے جواب دے سکتا تھا جو اس نے تربیت کے وقت یاد کیا تھا؛ 2026 کا ماڈل جواب کے بیچ میں کوئی چیز جا کر دیکھ سکتا ہے۔ یہ ہر اس چیز کے لیے سب سے زیادہ معنی رکھتا ہے جو بدلتی رہتی ہے، یعنی خبریں، قیمتیں، حالیہ ضوابط، اس ہفتے کے کھیلوں کے سکور۔

• کوڈ چلانا بھی ایک بلٹ اِن ٹول بن گیا۔ ماڈل ایک چھوٹا پروگرام لکھ سکتا ہے، اسے چلا سکتا ہے، نتیجہ دیکھ سکتا ہے، اور اس نتیجے کو اپنے جواب میں استعمال کر سکتا ہے۔ یہ ہر اس چیز کے لیے سب سے زیادہ معنی رکھتا ہے جس کا یہ ورنہ ذہن میں اندازہ لگاتا، یعنی حقیقی اعداد پر حساب، کسی spreadsheet کو پڑھنا، ایک تیز simulation چلانا۔ search اور کوڈ چلانے، دونوں ٹولز زیادہ تر پوشیدہ ہوتے ہیں: زیادہ تر صارفین کو پتہ نہیں چلتا کہ کب کوئی چلتا ہے، اس لیے وہ نہیں بتا سکتے کہ جواب یادداشت سے آیا، کسی تازہ ویب صفحے سے، یا کسی حساب سے۔ ایک بار جب آپ غور کرنا شروع کریں، آپ کے پرامپٹس تیز ہو جاتے ہیں، کیونکہ آپ پوچھ سکتے ہیں "کیا تم نے واقعی اسے search کیا؟" یا ماڈل سے کہہ سکتے ہیں "اعداد کا حساب لگاؤ، اندازہ مت لگاؤ۔"

• Multimodal اب ایک ضمنی بات نہیں رہی۔ آپ ایک تصویر، ایک PDF، ایک spreadsheet، ایک voice memo، یا فائلوں کا ایک فولڈر کسی پرامپٹ میں ڈال سکتے ہیں اور ان کے بارے میں سوال پوچھ سکتے ہیں۔ ماڈل ان سب کو ایک ہی دھارے میں سنبھالتا ہے۔

• ڈیسک ٹاپ ایپس آ گئیں۔ مصنوعات کی ایک نئی قسم (Cowork، OpenWork) آپ کی فائلیں ڈھونڈ سکتی ہے، ای میلز کا مسودہ بنا سکتی ہے، اور اجازت کے ساتھ spreadsheets اپ ڈیٹ کر سکتی ہے۔ یہ اب چیٹ نہیں رہی؛ یہ کسی ساتھی کو ایک چھوٹا کام سونپنے کے زیادہ قریب ہے۔

• ڈویلپرز کے لیے کمانڈ لائن ایجنٹس آ گئے۔ Claude Code اور OpenCode جیسے ٹولز ٹرمینل میں رہتے ہیں، ایک پورے کوڈ بیس میں پڑھتے ہیں، ایک ساتھ کئی فائلیں ایڈٹ کرتے ہیں، ٹیسٹ چلاتے ہیں، اور واپس رپورٹ کرتے ہیں۔ وہی تبدیلی جو ڈیسک ٹاپ ایپس میں ہے، یعنی AI کا حقیقی چیزوں پر عمل کرنا بجائے ان کو بیان کرنے کے، مگر ان لوگوں کے لیے جو کوڈ لکھتے ہیں۔

اگر ان ٹولز کا آپ کا ذہنی نقشہ اٹھارہ مہینے بھی پرانا ہے، تو آپ انہیں آج جو وہ کر سکتے ہیں اس کا شاید 20% پر استعمال کر رہے ہیں۔ یہ صفحہ وہ فاصلہ پاٹتا ہے۔

---

حصہ 1: AI چیزوں کو کیسے جانتا ہے

ایک بار جب آپ سمجھ لیں کہ جب آپ AI سے کوئی سوال پوچھتے ہیں تو دراصل کیا ہو رہا ہے، تو آپ ناکامیوں پر حیران ہونا چھوڑ دیتے ہیں۔

1. ناتجربہ کار بمقابلہ ماہر صارف

دیکھیں کہ دونوں پرامپٹس کے درمیان کیا بدلتا ہے۔ سوال وہی ہے؛ بریفنگ نہیں۔

عملی میدان سے چند اور حقیقی تضادات:

• کار خریدنا۔ ناتجربہ کار: "کون سی کار سب سے بہتر ہے؟" ماہر صارف: spec sheets، ڈیلر کے quotes، اور انشورنس پلان اپ لوڈ کرتا ہے، پھر پوچھتا ہے "trade-offs کیا ہیں؟ سب کچھ پڑھو اور خوب سوچو۔"
• کام پر اپنا جائزہ۔ ناتجربہ کار: "میرے باس کے لیے میرا اپنا جائزہ لکھ دو۔" ماہر صارف: اپنے project tracker کا ایک سکرین شاٹ، حالیہ پروجیکٹ دستاویزات، اور نوٹوں کا ایک voice memo اپ لوڈ کرتا ہے، پھر مسودے کا کہتا ہے۔
• ایک کاروباری خیال کی تنقید۔ ناتجربہ کار: "میرے پاس ایک زبردست کاروباری خیال ہے، چلتا پھرتا tie-dyeing، اس کی تنقید کرو۔" یہ خوشامد کا چارہ ہے، AI زیادہ تر تعریف ہی کرے گا۔ ماہر صارف: "معروضی تجزیہ کرو۔ یہ معیار استعمال کرو: کیا حل کرنے کے قابل کوئی مسئلہ ہے، کیا کوئی بازار ہے، کیا کوئی مسابقتی برتری ہے؟" AI نے اس خیال کو 100 میں سے 8 نمبر دیے اور وجہ بتائی۔
• ایک بلاگ پوسٹ لکھنا۔ ناتجربہ کار: "BlackBerry کے بارے میں ایک بلاگ پوسٹ لکھو۔" نتیجہ: AI کا بے معنی مواد۔ Slop اس AI پیداوار کی اصطلاح ہے جو سطح پر رواں اور اندر سے خالی ہو، یعنی گرامر کے لحاظ سے صاف، ہلکی سی Wikipedia جیسی، "آج کے تیز رفتار دور میں" جیسے فقروں سے بھری، اور ایسا کچھ نہ کہتی جو کوئی قاری ایک گھنٹے بعد یاد رکھے۔ یہ وہی ہے جو AI طے شدہ طور پر تب پیدا کرتا ہے جب آپ اسے کوئی سیاق اور کوئی شرائط نہ دیں۔ ماہر صارف: پہلے خاکہ، خاکے پر تنقید، ہر عنوان کو نکات میں پھیلانا، نکات پر تنقید، اور تب جا کر نثر کا کہنا۔

وہ ذہنی نقشہ جو ان سب کو جوڑتا ہے: AI ایک بہت ذہین تازہ کالج گریجویٹ کی طرح ہے۔ بہت پُرعزم۔ ابھی آپ کے بارے میں زیادہ نہیں جانتا۔ اسے ایسے ہی بریف کریں۔ کیا ایک نئے ساتھی کے پاس یہ کام اچھی طرح کرنے کے لیے کافی معلومات ہوتیں؟ اگر نہیں، تو اسے اور دیں۔

2. پہلے سے تربیت یافتہ علم

اے آئی نے دنیا کا تجربہ کر کے نہیں سیکھا۔ اس کا کوئی جسم نہیں، کوئی حواس نہیں، اس میں گھومنے پھرنے کا کوئی وقت نہیں گزرا۔ اس نے دنیا کے بارے میں متن پڑھ کر سیکھا، یعنی انٹرنیٹ کے بے پناہ متن سے۔ Reddit اور Quora کے دھاگے، Wikipedia، کتابیں، خبریں، تحقیقی مقالے، بلاگز، فورمز۔

تربیتی ڈیٹا میں تعدد تقریباً جواب کی قابلِ اعتماد ہونے کے برابر ہے۔ تو:

• مضبوط: کھانا پکانا، مشہور شخصیات کی گپ شپ، عام طبی مشورہ، سرفہرست 1000 فلمیں، مقبول پروگرامنگ زبانیں، Voyager 1 ریکارڈ پر کیا ہے (1970 کی دہائی میں چھوڑا گیا NASA کا خلائی جہاز، زمین سے تقریباً 25 ارب میل دور، 55 زبانوں میں سلام لیے ہوئے)، بلیاں دیواروں کو کیوں گھورتی ہیں (وہ باریک آوازیں اور حرکتیں محسوس کرتی ہیں جو انسان نہیں کر پاتے)۔
• کم: quasars (آسمان میں انتہائی روشن اجسام جو بلیک ہولز سے توانائی پاتے ہیں)، کینٹونی زبان (انٹرنیٹ متن کا 0.1% سے بھی کم)، علاقائی تاریخ، خاص پیشہ ورانہ علم۔
• غائب: آپ کی کمپنی کا خفیہ ڈیٹا، آپ کا نجی کیلنڈر، کوئی بھی چیز جو ماڈل کی علم کی کٹ آف تاریخ کے بعد شائع ہوئی، کوئی بھی چیز جو کسی نے کبھی عوامی انٹرنیٹ پر نہ ڈالی۔

دو عملی نتائج:

ٹائپو ٹھیک کرنے میں وقت ضائع نہ کریں۔ AI کو انٹرنیٹ متن پر تربیت دی گئی، جو ٹائپو سے بھرا ہوا ہے۔ یہ غلط ہجے والے پرامپٹس کو آسانی سے سنبھال لیتا ہے۔ "definately" کی غلط ہجے جواب نہیں بدلے گی۔

جذب کی گئی غلطیوں سے ہوشیار رہیں۔ AI نے انہی ذرائع سے غلط فہمیاں اور پرانی معلومات بھی جذب کر لیں۔ ایک پُراعتماد غلط فورم پوسٹ ماڈل میں پُراعتماد غلط بن جاتی ہے۔ ہر اہم چیز کو کسی بنیادی ماخذ سے پرکھیں۔

یہ سوچنے کے لیے کیوں اہم ہے

یہ فوری کورس آپ کو ٹوٹے ہوئے استدلال کو پہچاننا سکھائے گا۔ اسے ڈھونڈنے کی پہلی جگہ ان موضوعات پر پُراعتماد لگتے پہلے سے تربیت یافتہ جوابات ہیں جہاں تربیتی ڈیٹا کم یا متنازعہ تھا۔ اعتماد درستی کا اشارہ نہیں ہے۔

پہلے سے تربیت یافتہ جواب پر بھروسہ کرنے سے پہلے ایک تیز ذہنی جانچ:

سوال کی قسم	تربیتی ڈیٹا میں کتنی اچھی نمائندگی؟	اعتماد کی سطح
"میں roux کیسے بناؤں؟"	کھانا پکانا انٹرنیٹ پر سب سے زیادہ زیرِ بحث موضوعات میں سے ایک ہے۔	اونچی۔
"ایک سرفہرست 1000 فلم کا پلاٹ۔"	ہزاروں بار جائزہ اور دوبارہ جائزہ لیا گیا۔	اونچی۔
"ایک گمنام گاؤں کی تاریخ۔"	شاید صرف ایک Wikipedia پیراگراف، یا کوئی بھی نہیں۔	کم؛ کسی بنیادی ماخذ سے تصدیق کریں۔
"میری صنعت میں حالیہ ضابطہ جاتی تبدیلی۔"	تقریباً یقینی طور پر علم کی کٹ آف کے بعد۔	web search کے بغیر کسی چیز پر بھروسہ نہ کریں۔
"ہماری کمپنی نے پچھلی سہ ماہی میں کیا طے کیا؟"	تربیتی ڈیٹا میں سرے سے ہی نہیں۔	کسی پر بھروسہ نہ کریں؛ ماڈل اندازہ لگا رہا ہے۔

یہ کوئی ایسا اصول نہیں جو آپ کو رٹنا ہو۔ یہ وہی جبلت ہے جو آپ کسی اور ماخذ پر لگاتے: "یہ شخص یہ کیسے جانے گا؟" اسے AI پر بھی لگائیں۔

ایک غیر سافٹ ویئر مثال۔ ایک قاری نے ایک بار AI سے اپنی دادی کے گاؤں میں کھیلے جانے والے ایک علاقائی لوک کھیل کے قواعد کا خلاصہ مانگا۔ AI نے پُراعتماد طریقے سے قواعد کے تین پیراگراف پیش کیے۔ دادی سے پوچھا گیا تو انہوں نے کہا کہ قواعد تقریباً پورے کے پورے غلط تھے: AI نے دوسرے علاقوں کے ملتے جلتے کھیلوں کی تفصیلات گڈمڈ کر دی تھیں کیونکہ وہ مخصوص کھیل انٹرنیٹ پر بمشکل موجود تھا۔ AI نے جھوٹ نہیں بولا؛ اس نے کم ڈیٹا سے عمومی نتیجہ نکالا۔ قاری کی غلطی پوچھنا نہ تھی، بلکہ یہ فرض کر لینا تھا کہ اعتماد درستی کے برابر ہے۔

یہ جاننے کے متجسس ہیں کہ AI پوری طرح پُراعتماد کیسے لگ سکتا ہے اور پھر بھی غلط ہو سکتا ہے؟ اس کے پیچھے ایک گہری وجہ ہے۔ Elan Barenholtz کا مضمون "LLMs show language does not describe reality" (IAI، 2026) سادہ انگریزی میں بتاتا ہے کہ یہ ماڈلز دراصل کیسے کام کرتے ہیں۔ مضمون انسانی زبان کے بارے میں کچھ بڑے فلسفیانہ دعوے بھی کرتا ہے؛ آپ جو حصہ مفید لگے لے لیں اور باقی نظر انداز کر دیں۔

3. تین بازیافت کے انداز: پہلے سے تربیت یافتہ، web search، deep research

جب آپ کوئی سوال پوچھتے ہیں، جدید AI ٹولز خاموشی سے یہ چنتے ہیں کہ جواب کیسے دینا ہے۔ یا تو وہ صرف پہلے سے تربیت یافتہ علم سے جواب دیتے ہیں، یا ایک web search چلا کر چند صفحے پڑھتے ہیں، یا deep research چلاتے ہیں، جہاں وہ کئی منٹ درجنوں ذرائع کھنگالنے اور ایک ساختہ رپورٹ لکھنے میں صرف کرتے ہیں۔

آپ کو معلوم ہونا چاہیے کہ کون سا انداز چل رہا ہے، کیونکہ ہر ایک کی الگ خوبیاں اور الگ ناکامیاں ہیں۔

اسے ٹھوس بنانے کے لیے چند مثالیں:

• پہلے سے تربیت یافتہ ٹھیک جواب دیتا ہے: "بلیاں دیواریں کیوں گھورتی ہیں،" "Voyager 1 ریکارڈ پر کیا ہے،" "Hamlet کے پلاٹ کا خلاصہ کرو۔" یہ ہفتے بہ ہفتے نہیں بدلتے۔
• Web search ایک باسی ماڈل کو بچا لیتا ہے: ہر ماڈل کی ایک علم کی کٹ آف تاریخ ہے، اور جو کچھ اس تاریخ کے بعد وائرل ہوا وہ اس کے لیے غیر مرئی ہے۔ ایک meme، ایک ضابطہ، ایک مصنوعے کی پیشکش: web search کے بغیر، AI کو پتہ ہی نہیں کہ آپ کس کی بات کر رہے ہیں۔ web search کے ساتھ، یہ ایک حالیہ مضمون کھینچتا ہے اور درست جواب دیتا ہے۔
• Web search کا غلط ہونا: ایک دوست نے پوچھا "Henderson، Nevada میں کہاں دوڑیں۔" AI نے ایک 20 سال پرانے ویب صفحے کا حوالہ دیا اور ایک ایسے اسکول کی سفارش کی جو اب عوام کے لیے کھلا نہیں۔ Web search یہ نہیں جانچتا کہ ذرائع تازہ ہیں یا نہیں۔
• Deep research انتظار کے قابل: "ہمارے محلے میں ایک Halloween haunted house کا منصوبہ بناؤ، بشمول اجازت نامے، آگ سے حفاظت، اور شور کے ضوابط۔" AI ایک تحقیقی منصوبہ تجویز کرتا ہے، کئی متوازی searches چلاتا ہے، خلاصہ کرتا ہے، طے کرتا ہے کہ آگے کس میں گہرائی میں جانا ہے، اور چیک لسٹوں کے ساتھ ایک کئی حصوں والی رپورٹ پیش کرتا ہے۔ یہ کوئی چیٹ بوٹ کا جواب نہیں؛ یہ کام کو ایک گھنٹے کے لیے ایک جونیئر محقق کے حوالے کرنے کے زیادہ قریب ہے۔

ویب سرچ دراصل کیسے کام کرتا ہے (اور یہ کبھی کبھی صفحات کو غلط کیوں پڑھ لیتا ہے)

پردے کے پیچھے، عین میکانیات ہر ٹول میں مختلف ہوتے ہیں، مگر شکل ایک سی ہے۔ ایک search اور بازیافت کی تہہ searches جاری کرتی ہے، نتائج کی فہرست کھنگالتی ہے، سب سے متعلقہ صفحے کھینچتی ہے، اور ہر ایک کو ایک مختصر اقتباس یا خلاصے تک گھٹا دیتی ہے۔ اکثر وہ تہہ ایک الگ، چھوٹا ماڈل ہوتی ہے۔ صرف گھٹائی گئی شکل اُس صارف کو نظر آنے والے ماڈل تک پہنچتی ہے جو آپ سے بات کرتا ہے۔

آپ سے بات کرنے والا ماڈل اکثر اصل صفحہ براہِ راست نہیں پڑھتا۔ یہ اس کی ایک گاڑھی شکل پڑھتا ہے۔ اسی لیے یہ کبھی کبھی غلط بیان کرتا ہے کہ کسی صفحے نے دراصل کیا کہا: معلومات ماڈل تک پہنچنے سے پہلے ایک ترجمے کی تہہ سے گزری، اور ترجمے کی تہیں باریکی کھو دیتی ہیں۔

عملی حل: AI کو بتائیں کہ کس قسم کے ذرائع استعمال کرنے ہیں۔ "کیا ویکسین محفوظ ہیں" کے بجائے، آزمائیں "عالمی ادارہ صحت، FDA، یورپی میڈیسن ایجنسی، اور peer-reviewed مطالعے استعمال کرو۔ فورمز یا ذاتی بلاگز استعمال مت کرو۔" ماخذ کا معیار ایک ایسا گھنڈی ہے جسے آپ گھما سکتے ہیں۔ طے شدہ سیٹنگز پہلے مقبول ذرائع کا حوالہ دیتی ہیں (Reddit، Wikipedia، YouTube، خود Google، Yelp)، جو اکثر قابلِ اعتماد ہوتے ہیں مگر اہم سوالوں کے لیے ہمیشہ بھروسے کے قابل نہیں۔

ایک دوسرا حل: AI سے ماخذ کا اقتباس مانگیں۔ "ہر دعوے کے لیے، اس کی تائید کرنے والا عین جملہ ماخذ صفحے سے نقل کرو۔" یہ بازیافت کی تہہ کو اصل الفاظ سامنے لانے پر مجبور کرتا ہے، جو خلاصے کی تہہ کا بہت سا انحراف پکڑ لیتا ہے۔

ایک غیر سافٹ ویئر مثال۔ محلے کی انجمن کی ایک رضاکار نے مقامی پانی کے معیار پر ایک قصبے کی میٹنگ کی تیاری کے لیے deep research استعمال کی۔ اس کا پرامپٹ: "پچھلے 24 مہینوں میں [اس کے شہر] میں پانی کے موجودہ معیار کے مسائل پر تحقیق کرو۔ EPA، شہر کی عوامی یوٹیلیٹی رپورٹیں، اور peer-reviewed مطالعے استعمال کرو۔ خبروں کے اداریوں اور فورمز سے گریز کرو۔ ایک ساختہ رپورٹ پیش کرو جس میں ہو: (1) تین سب سے زیادہ حوالہ شدہ مسائل، (2) رجحانات دکھاتی ڈیٹا کی میزیں، (3) تین ٹھوس سوالات جو رہائشیوں کو یوٹیلیٹی سے پوچھنے چاہئیں۔" آٹھ منٹ بعد اس کے پاس موجودہ مقامی ڈیٹا پر مبنی ایک بریفنگ تھی۔ پہلے سے تربیت یافتہ انداز یہ نہیں کر سکتا تھا؛ صرف web search ایک سطحی جواب دیتا؛ deep research درست ٹول تھا کیونکہ سوال کئی پہلوؤں والا اور موجودہ تھا۔

ذہن میں ایک انداز چننا۔ آپ عموماً کوئی بٹن دبا کر انداز نہیں چنتے؛ AI آپ کے پرامپٹ کی بنیاد پر چنتا ہے۔ مگر آپ اسے اسٹیئر کر سکتے ہیں:

الفاظ کا نمونہ	یہ عموماً کیا چلاتا ہے
"X کیا ہے" / "Y کا خلاصہ کرو"	صرف پہلے سے تربیت یافتہ۔
"X پر تازہ ترین کیا ہے" / "آج" / "اس ہفتے" / کوئی مخصوص شہر	Web search۔
"X پر اچھی طرح تحقیق کرو،" "حوالوں کے ساتھ ایک رپورٹ پیش کرو،" "یہ ماخذ کی اقسام استعمال کرو"	Deep research (ان ٹولز میں جن کے پاس یہ ہو؛ ورنہ توسیعی web search)۔
فائلیں منسلک کرنا	فائلوں کے لیے پہلے سے تربیت یافتہ ہی رہتا ہے؛ اگر پرامپٹ موجودہ معلومات مانگے تو سیاق کے لیے ویب search کر سکتا ہے۔

AI بمقابلہ Google۔ یہ ایک جیسے ٹول نہیں ہیں۔ Google تیز جائزوں، کسی مخصوص معلوم سائٹ تک جانے، یا کوئی چیز خریدنے کے لیے استعمال کریں (2013 Honda Civic کا ایئر فلٹر)۔ AI تب استعمال کریں جب آپ کو ترکیب چاہیے: فوائد اور نقصانات، کئی ماخذ کا موازنہ، ایک لکھا ہوا تجزیہ۔ انتخاب اس پر منحصر ہے کہ آپ کو ایک لنک چاہیے یا ایک جواب۔

ایک آمنے سامنے کا اصول:

کام	Google کے ساتھ بہتر	AI کے ساتھ بہتر
"فارم 1040 کے لیے سرکاری IRS صفحہ ڈھونڈو۔"	ہاں۔ آپ کسی مخصوص معلوم سائٹ پر اترنا چاہتے ہیں۔	نہیں۔
"ذیابیطس کی تین ادویات اور حالیہ شواہد کیا کہتے ہیں اس کا موازنہ کرو۔"	سست۔ آپ 8 ٹیب پڑھیں گے۔	تیز۔ AI شواہد کو ایک جگہ ترکیب دیتا ہے۔
"2018 ThinkPad کے لیے ایک متبادل چارجر خریدو۔"	ہاں۔ آپ کو ایک مصنوعے کا لنک چاہیے۔	نہیں۔
"6 سالہ بچے کے ساتھ Lisbon کا 4 دن کا سفر بناؤ، کوئی عجائب گھر نہیں۔"	سست۔ آپ بلاگز اور جائزوں میں الجھیں گے۔	تیز۔ AI شرائط کو یکجا کرتا ہے۔
"کل موسم کیسا ہوگا؟"	کوئی بھی۔	کوئی بھی۔
"میرے ٹماٹر کے پودے کے پتے کیوں پیلے ہو رہے ہیں؟"	ٹھیک۔ کئی باغبانی سائٹس۔	ایک تصویر منسلک کرنے سے بہتر۔

اگر آپ کا سوال "X کہاں ہے" ہے، تو Google کی طرف بڑھیں۔ اگر آپ کا سوال "یہ سب دیکھتے ہوئے، مجھے کیا سوچنا چاہیے" ہے، تو AI کی طرف بڑھیں۔

AI کے ساتھ زیادہ قابلِ اعتماد web-search نتائج کیسے حاصل کریں

جب آپ واقعی web search چاہیں، تو تین چھوٹی عادتیں معیار بڑھاتی ہیں:

1. جن ذرائع پر آپ کو بھروسہ ہے ان کا نام لیں۔ "WHO، FDA، اور peer-reviewed مطالعے استعمال کرو، فورمز نہیں۔"
2. ساتھ ساتھ حوالے مانگیں۔ "ہر دعوے کے بعد ماخذ کا حوالہ دو۔"
3. AI سے کہیں کہ جس کی تصدیق نہ کر سکے اسے نشان زد کرے۔ "اگر کسی دعوے کی تائید حوالہ شدہ ذرائع سے نہ ہو سکے، تو اسے 'غیر تصدیق شدہ' نشان زد کرو۔"

یہ تین سطریں، کسی بھی web-search پرامپٹ میں چسپاں کی جائیں، تو سب سے عام ناکامی کو کم کرتی ہیں: AI کا خاموشی سے کئی ذرائع پر ترکیب کرنا اور ایک پُراعتماد جملہ پیدا کرنا جس کی تائید کوئی اکیلا ماخذ نہیں کرتا۔

---

حصہ 2: AI سے اچھی طرح بات کرنا

4. سیاق ہی پورا کھیل ہے

انسان فعال کام کرنے والی یادداشت میں صرف چند چیزیں رکھتے ہیں: کلاسک اندازوں کے مطابق تقریباً سات، نئے اندازوں کے مطابق چار کے قریب۔ جدید AI ماڈلز ایک ساتھ لاکھوں الفاظ رکھ سکتے ہیں، کبھی کبھی دس لاکھ۔ اسے تناسب میں رکھنے کے لیے: تقریباً 750,000 الفاظ Harry Potter کی پہلی 4 سے 5 کتابیں ہیں، یا کئی دنوں کی مسلسل تقریر۔ ماڈل جواب دینے سے پہلے یہ سب پڑھ سکتا ہے۔

مگر یہ صرف وہی پڑھ سکتا ہے جو آپ اسے دیں۔ سیاق ہر وہ چیز ہے جو کسی دیے گئے جواب کے لیے ماڈل کی کھڑکی میں آ جاتی ہے: مصنوعے کا طے کردہ سسٹم پرامپٹ، ہر اس ٹول کی تفصیلات جو یہ بلا سکتا ہے (web search، کوڈ، فائل تک رسائی)، آپ کا پرامپٹ، اس گفتگو کی چیٹ کی تاریخ، اور آپ کی اپ لوڈ کردہ کوئی بھی فائلیں۔

یہی واحد چیز ہے جو ماڈل دیکھتا ہے۔ چونکہ اس کی اپنی کوئی یادداشت نہیں، اس ڈھیر سے باہر کوئی چیز اس جواب کے لیے موجود نہیں، نہ آپ کی پچھلی چیٹ، نہ کوئی فائل جسے منسلک کرنا آپ بھولے، نہ وہ شرط جس کے بارے میں آپ نے فرض کر لیا کہ یہ یاد رکھے گا۔ یہ ڈھیر ہی اس جواب کے لیے پوری دنیا ہے۔

ٹھوس تضاد:

• سادہ پرامپٹ: "طبیعیات بمقابلہ حیوانیات پڑھنے کے فوائد و نقصانات۔" آپ کو ہائی اسکول کے کونسلر جیسا عام مشورہ ملے گا۔
• سیاق سے بھرپور پرامپٹ: وہی سوال، ساتھ میں آپ کے کیریئر اسیسمنٹ کے نتائج ایک PDF کے طور پر اپ لوڈ کیے گئے اور آپ کے ہائی اسکول کے شیڈول کا ایک سکرین شاٹ۔ اب AI آپ کی مخصوص اہلیت کے خاکے، آپ کی مخصوص کورس تاریخ، اور کون سا انتخاب کس کے مطابق ہے اس پر بات کر سکتا ہے۔

وہی ماڈل۔ وہی سوال۔ مختلف جواب۔ فرق سیاق میں ہے، پرامپٹ کی ذہانت میں نہیں۔

وہ نظم جو آپ سیکھ رہے ہیں: بھیجیں دبانے سے پہلے، خود سے پوچھیں کہ ایک ذہین نئے ساتھی کو اس سوال کا اچھا جواب دینے کے لیے سامنے کیا چاہیے ہوتا۔ پھر وہ چیزیں منسلک کریں۔ ساتھی ہر وہ چیز غور سے پڑھے گا جو آپ اس کے سامنے رکھیں گے؛ وہ اندازہ نہیں لگائے گا جو آپ نے نہ بتایا، آپ کی فائل کی الماری نہیں کھنگالے گا، آپ کی صنعت، آپ کی ٹیم کی تاریخ، یا کل کے ای میل دھاگے کا اخذ نہیں کرے گا۔ اگر اسے کام کرنے کے لیے کوئی دستاویز یا شرط چاہیے ہوتی، تو آپ کو اسے شامل کرنا ہے۔

ایک غیر سافٹ ویئر مثال۔ ایک ساتویں جماعت کی استانی نے AI سے "آبی چکر پر ایک سبق کا منصوبہ بناؤ" کہا۔ نتیجہ ایک عام منصوبہ تھا جو وہ کسی بھی نصابی کتاب میں پا سکتی تھی: تعریفیں، ایک خاکہ، تین بحث کے سوال۔ اگلے دن اس نے تین چیزیں منسلک کر کے دوبارہ کوشش کی: اپنا کورس کا نصاب (تاکہ AI کو معلوم ہو کہ اس سبق سے پہلے اور بعد میں کیا آتا ہے)، پچھلے ہفتے کے طالب علموں کے ورک شیٹ نمبروں سمیت (تاکہ AI کو معلوم ہو کہ کون سے تصورات سمجھ آئے اور کون سے نہیں)، اور اس کے اسکول کے معیاری ٹیسٹ کا فارمیٹ۔ نئے سبق کے منصوبے کا آغاز ان دو تصورات کے پانچ منٹ کے جائزے سے ہوا جنہیں پچھلے ہفتے کے ورک شیٹ نے کمزور دکھایا تھا، نئے مواد کو اس ٹیسٹ فارمیٹ میں پرویا جو طالب علم مئی میں دیکھیں گے، اور اس کے نصاب کے اگلے موضوع سے مماثل ایک سمجھ جانچنے والے سوال پر اختتام ہوا۔ وہی ماڈل، وہی استانی، وہی مضمون۔ صرف فرق یہ تھا کہ دوسرے پرامپٹ نے AI کو وہ بتایا جو ایک ذہین نئے ساتھی کو جاننا چاہیے ہوتا۔

یہ عادت، کسی بھی غیر معمولی پرامپٹ سے پہلے ایک چیک لسٹ کے طور پر دہرائی گئی:

سوال	اگر ہاں، تو اسے منسلک کریں یا بیان کریں
کیا کوئی دستاویز ہے جس سے جواب مطابقت رکھے؟	ہاں: اسے منسلک کریں۔
کیا کوئی شرط ہے جس کا AI اخذ نہیں کر سکتا (بجٹ، وقت، ٹیم میں کون ہے)؟	ہاں: اسے بیان کریں۔
کیا کوئی پچھلا سیاق ہے (ایک پہلے کا فیصلہ، ایک موجودہ عمل)؟	ہاں: ایک پیراگراف میں خلاصہ کریں۔
کیا کوئی آؤٹ پٹ فارمیٹ ہے جو آپ چاہتے ہیں (میز، ای میل، نکات کی فہرست)؟	ہاں: اس کا نام لیں۔
کیا کوئی سامعین ہیں (ایک باس، ایک بچہ، ایک اجنبی)؟	ہاں: ان کا نام لیں۔

سیاق کی پانچ سطریں، صحیح چنی گئیں، ذہانت کے پانچ پیراگراف سے بہتر ہیں۔

سیاق کا سڑنا

جدید سیاق کی کھڑکیاں بڑی ہیں، مگر لامحدود نہیں، اور ان کے اندر یادداری گرتی ہے۔ سب سے بڑی عملی غلطی جو لوگ کرتے ہیں: وہ ایک ہی بہت لمبی گفتگو کئی غیر متعلق موضوعات پر جاری رکھتے ہیں۔ AI نے ابھی آپ کو ایک ورزش کا منصوبہ بنانے میں مدد دی، اب آپ اس سے ایک spreadsheet ڈیبگ کرنے کو کہتے ہیں، اب آپ اس سے اپنی خالہ کو شکریے کا نوٹ لکھنے کو کہتے ہیں۔ ورزش کا سیاق اب بھی اندر موجود ہے، ماڈل کو بھٹکا رہا ہے۔

اصول: جب موضوع بدلے، تو ایک نئی گفتگو شروع کریں۔ کرنا سستا ہے، مفت ہے، اور جواب واضح طور پر بہتر ہو جاتے ہیں۔

وہ علامات جو بتاتی ہیں کہ ایک گفتگو باسی ہو گئی ہے:

• اے آئی چیٹ کے پہلے حصوں کا حوالہ دینے لگتا ہے جن کا اس سے کوئی تعلق نہیں جو آپ نے ابھی پوچھا۔
• اس کے جواب وقت کے ساتھ لمبے اور مبہم ہوتے جاتے ہیں، زیادہ احتیاطی الفاظ کے ساتھ۔
• یہ ایک ایسی شرط کی خلاف ورزی کرتا ہے جو آپ نے پانچ باریاں پہلے بتائی تھی۔
• یہ بغیر کوئی پیش رفت کیے بار بار معذرت کرنے لگتا ہے۔

جو ہو رہا ہے اس کا ایک نام: زیادہ تر جدید چیٹ ٹولز، ایک بار جب گفتگو کافی لمبی ہو جائے، خاموشی سے چیٹ کے پرانے حصوں کو سکیڑ دیتے ہیں، یعنی وہ ابتدائی باریاں لیتے ہیں، انہیں ایک مختصر پیراگراف میں خلاصہ کرتے ہیں، اور اصل کی جگہ خلاصہ رکھ دیتے ہیں تاکہ جگہ بنے۔ جب ایسا ہوتا ہے تو Claude ایک چھوٹا "compacting" پیغام دکھاتا ہے؛ ChatGPT اور Gemini یہ خاموشی سے کرتے ہیں۔ کہانی بچ جاتی ہے، مگر تفصیلات نہیں۔ وہ لائبریری جو آپ نے تین گھنٹے پہلے استعمال کرنے کو کہی، وہ نام رکھنے کا اصول جس پر آپ متفق ہوئے، وہ شرط جو آپ نے چوتھی باری میں بتائی، ان میں سے کوئی بھی خاموشی سے خلاصے میں گم ہو سکتی ہے اور ماڈل کے جوابات میں دکھنا بند کر سکتی ہے۔ حل وہی ہے جو اوپر کا اصول، بس بہتر وجہ کے ساتھ: ایک چیٹ کھڑکی کام کرنے والی یادداشت ہے، ذخیرہ نہیں۔ جو کچھ ایک لمبی نشست سے آگے بچنا چاہیے وہ ایک پروجیکٹ، ایک منسلک فائل، یا ایک ایسے نوٹ میں ہونا چاہیے جسے آپ دوبارہ چسپاں کر سکیں، نہ کہ خود چیٹ کی تاریخ میں۔

جب آپ یہ دیکھیں، تو جبلت یہ ہوتی ہے کہ اسے ایک اور وضاحتی پرامپٹ سے ٹھیک کریں۔ اس سے بچیں: یہ تو بس پہلے سے الجھے سیاق میں مزید الجھا سیاق ڈال دیتا ہے۔ اس کے بجائے اوپر کا اصول لگائیں۔ نئی چیٹ شروع کریں، وہ ایک یا دو حقائق چسپاں کریں جو واقعی اہم ہیں، اور وہاں سے آگے بڑھیں۔ نئے سرے سے شروع کرنا تقریباً ہمیشہ بچانے سے تیز ہوتا ہے۔

اگر مردہ چیٹ نے کوئی رکھنے کے قابل چیز پیدا کی (ایک منصوبہ، ایک مسودہ، ایک فیصلہ)، تو نئے سرے سے شروع کرنے سے پہلے اسے ایک فائل میں محفوظ کر لیں۔ اس طرح آپ کام نہیں کھوتے، مگر شور کو بھی اگلے کام میں نہیں گھسیٹتے۔

پروجیکٹس: سیاق ہر بار کے بجائے ایک بار آگے سے لاد دیں

اوپر تصور 4 کی چیک لسٹ ایک واضح سوال اٹھاتی ہے: اگر AI کو ہر بار ایک ساتھی کی طرح بریف کرنا ہے، تو یہ بہت سی دہرائی گئی ٹائپنگ ہے۔ جو جواب زیادہ تر جدید ٹولز اب دیتے ہیں وہ ایک فیچر ہے جسے پروجیکٹس کہتے ہیں، یعنی ایک ایسی جگہ جسے آپ ایک بار ترتیب دیتے ہیں، ان فائلوں، ہدایات، اور سامعین کے ساتھ جو کسی قسم کے کام پر ہمیشہ لاگو ہوتے ہیں، تاکہ ہر چیٹ جو آپ اس کے اندر شروع کریں وہ ترتیب خودبخود وراثت میں پائے۔

پروجیکٹ کب بنائیں۔ وہ لمحہ جب آپ محسوس کریں کہ آپ نے وہی فائلیں، وہی سامعین کی تفصیل، یا وہی شرائط ایک ہی موضوع پر دو یا زیادہ چیٹس میں چسپاں کر دی ہیں۔ یہی اشارہ ہے: سیاق کا تعلق ایک پروجیکٹ سے ہے، ایک پرامپٹ سے نہیں۔

چند مثالیں کہ ایک پروجیکٹ آپ کو کیا دیتا ہے:

• ایک "ٹیکس فائلنگ" پروجیکٹ پچھلے سال کی واپسی، آپ کے W-2s اور 1099s، اور ایک ہدایت جیسے "فرض کرو میں ایک امریکی فائلر ہوں جس کا ایک منحصر ہے۔ ہمیشہ اپنا حساب دکھاؤ۔" وہاں آپ جو بھی سوال پوچھیں وہ اسی بنیاد سے شروع ہوتا ہے۔
• ایک "بچوں کا اسکول" پروجیکٹ نصاب اور اسکول کیلنڈر، اور ایک ہدایت جیسے "جواب دینے سے پہلے ہمیشہ تاریخ کو کیلنڈر سے ملاؤ۔" مفید جب "کیا پیر کو اسکول ہے؟" سال میں چار بار آتا ہے۔
• ایک "تحریری آواز" پروجیکٹ آپ کی تحریر کے تین نمونوں، اور ایک ہدایت جیسے "نمونوں کی روانی اور لفظوں کے انتخاب سے میل کھاؤ۔ کوئی ایسی احتیاط یا قید مت ڈالو جو میں نے استعمال نہ کی ہو۔" اب ہر مسودہ عام AI آواز کے بجائے آپ کی آواز میں شروع ہوتا ہے۔

اوپر کے سیاق سڑنے کے اصول سے تعلق۔ ایک پروجیکٹ کے اندر، "نئی چیٹ شروع کرو" کا اب یہ مطلب نہیں رہتا کہ AI آپ کی صورتحال کے بارے میں جو جانتا ہے وہ کھو دے، بلکہ صرف پچھلی گفتگو کا شور کھونا ہے۔ کھڑی فائلیں اور ہدایات ساتھ چلتی رہتی ہیں۔ تو نئے سرے سے شروع کرنے کا اصول ماننا سستا ہو جاتا ہے: آپ چیٹ کو ری سیٹ کرتے ہیں، سیاق کو نہیں۔

تین ٹولز، تین نام، ایک خیال۔ Claude اسے Projects کہتا ہے، ChatGPT اسے Projects کہتا ہے، اور Gemini اسے Notebooks کہتا ہے (جو NotebookLM کے ساتھ ہم آہنگ ہوتے ہیں، جو Google کا الگ تحقیقی ٹول ہے، یعنی جو آپ ایک میں شامل کریں وہ دوسرے میں ظاہر ہوتا ہے)۔ تینوں آپ کو فائلیں اپ لوڈ کرنے، ہدایات محفوظ کرنے، اور ایک ہی مستقل سیاق پر مبنی کئی چیٹس چلانے دیتے ہیں۔ ان میں زور کا فرق ہے:

• Claude اور ChatGPT کے Projects ہدایات اور رویے کی طرف جھکتے ہیں۔ آپ آواز، کردار، اصول، سامعین طے کرتے ہیں، اور ماڈل پروجیکٹ کی ہر چیٹ میں اس شخصیت کو بھروسے سے تھامے رکھتا ہے۔ بہترین جب AI کیسے جواب دیتا ہے اتنا ہی اہم ہو جتنا وہ کیا جانتا ہے، یعنی کسی مخصوص آواز میں لکھنا، ایک کوڈ بیس پر کام کرنا، ایک برانڈ کا لہجہ برقرار رکھنا، ہر وہ چیز جہاں انداز کی ہم آہنگی ہی مقصد ہو۔
• Gemini Notebooks (اور NotebookLM) ماخذ کی طرف زیادہ آگے جاتے ہیں۔ PDFs، Google Docs، ویب URLs، YouTube ویڈیوز، حتیٰ کہ آڈیو فائلیں ڈالیں، اور ہر جواب ان ذرائع پر مبنی واپس آتا ہے ساتھ میں قابلِ کلک حوالوں کے۔ غیر معمولی بات: یہ جگہ دونوں طرف بہتی ہے۔ جو کچھ آپ NotebookLM میں ڈالتے ہیں وہ Gemini ایپ کے اسی notebook میں ظاہر ہوتا ہے، اور جو بھی چیٹ آپ Gemini notebook کے اندر کرتے ہیں وہ خودبخود NotebookLM میں واپس ایک ماخذ بن جاتی ہے۔ تو یہ جگہ وقت کے ساتھ آپ کے اپنے استدلال کو جمع کرتی ہے، یعنی پچھلے ہفتے کی چیٹ اس ہفتے کی چیٹ کے لیے ایک اور ماخذ ہے، جو "سیکھنے کو مشق سے جوڑتا ہے" اس طرح جیسے دوسرے ٹولز نہیں کرتے۔ NotebookLM آپ کے ذرائع سے خودبخود بنے Audio Overviews (پوڈکاسٹ جیسے خلاصے جنہیں آپ سن سکتے ہیں)، Mind Maps، Flashcards، اور Slide Decks بھی بناتا ہے۔ بہترین جب آپ کئی نشستوں میں پڑھ رہے، تحقیق کر رہے، یا کسی مواد سے گزر رہے ہوں جہاں ہر نشست اگلی کو زیادہ ذہین بنائے۔

ایک تیز اصول۔ Gemini Notebooks / NotebookLM کی طرف بڑھیں اگر جگہ وقت کے ساتھ بڑھے گی، یعنی مطالعے کے نوٹ، جاری تحقیق، ہر وہ چیز جہاں آپ چاہیں کہ ہر نشست اگلی کو خوراک دے۔ Claude یا ChatGPT Projects کی طرف بڑھیں اگر جگہ کسی کردار یا ہدایات کے مجموعے کے گرد بنی ہو جسے آپ چاہیں کہ AI چیٹس میں ہم آہنگی سے تھامے رکھے۔

کہاں کیا دستیاب ہے، 2026 کے وسط تک:

ٹول	اسے کیا کہا جاتا ہے	مفت درجہ؟
Claude	Projects	ہاں، مفت پلان پر 5 پروجیکٹس تک؛ ہر پروجیکٹ کے اندر فائلیں لامحدود
ChatGPT	Projects	ہاں، مفت پلان فی پروجیکٹ 5 فائلوں تک کی اجازت دیتا ہے؛ پیڈ پلان اسے 25 یا 40 تک بڑھاتے ہیں
Google	Notebooks (Gemini میں) اور NotebookLM	ہاں، دونوں مفت ہیں؛ پیڈ درجے (NotebookLM Plus، Gemini AI Pro/Ultra) ماخذ کی حدیں بڑھاتے ہیں

مفت درجے کی حدوں کی مختلف شکل پر غور کریں: Claude محدود کرتا ہے کہ آپ کے کتنے پروجیکٹس ہو سکتے ہیں؛ ChatGPT محدود کرتا ہے کہ ہر پروجیکٹ کتنی فائلیں رکھ سکتا ہے۔ اپنے پروجیکٹ کے ڈھانچے کی منصوبہ بندی اسی حد کے گرد کریں جو پہلے آڑے آئے گی۔

5. استدلال، یا "خوب سوچو"

تقریباً 2023 تک، مشکل پرامپٹس کے لیے معیاری مشورہ "قدم بہ قدم سوچیں" تھا۔ وہ مشورہ اب زیادہ تر فرسودہ ہے۔ جدید ماڈلز کے پاس بلٹ اِن استدلال کے انداز ہیں جنہیں آپ براہِ راست بلا سکتے ہیں۔

اسے کیسے بلائیں:

• سادہ زبان میں مانگیں۔ اپنے پرامپٹ میں "خوب سوچو" یا "جواب دینے سے پہلے غور سے سوچو۔" یہ منتقل ہونے والی چال ہے: یہ ہر جدید چیٹ ٹول پر کام کرتی ہے، یاد رکھنے کے لیے کسی خاص ساخت کے بغیر۔
• سوچنے کے انداز کا ٹوگل استعمال کریں انٹرفیس میں، جہاں ایک پیش کیا گیا ہو۔
• کچھ مصنوعات پر آپ کو پوچھنا ہی نہیں پڑتا: ٹول خود طے کرتا ہے کہ کب کوئی سوال اتنا مشکل ہے کہ توسیعی سوچ کی ضمانت دے، اور آپ کے لیے اسے آن کر دیتا ہے۔

جب توسیعی سوچ آن ہو، تو ماڈل کئی سیکنڈ سوچ سکتا ہے۔ مشکل مسائل پر، کبھی کبھی دس منٹ سے زیادہ۔ یہ صرف آہستہ ٹائپ نہیں کر رہا؛ یہ اندرونی طور پر کئی طریقے کھنگال رہا ہے، اپنے کام کو جانچ رہا ہے، اور تب جا کر وہ جواب لکھتا ہے جو آپ کو نظر آتا ہے۔

ایک 2025 کے METR مطالعے نے سب سے لمبے کام کا سراغ لگایا جو ایک جدید ترین ماڈل بھروسے سے مکمل کر سکتا تھا۔ 2024 کے وسط میں ایک سرکردہ ماڈل ایسے کام سنبھالتا تھا جن میں انسانوں کو تقریباً سات منٹ لگتے ہیں۔ 2025 کے اوائل تک یہ تقریباً ایک گھنٹے تک پہنچ گیا، اور مطالعے نے پایا کہ جو لمبائی یہ ماپتا ہے وہ تقریباً ہر سات مہینے میں دگنی ہو رہی ہے۔ آپ کے لیے مطلب: AI کو حقیقی، مشکل کام سونپیں، صرف آسان نہیں۔ یہ آپ کی 2023 کی جبلت کے اشارے سے زیادہ سنبھال سکتا ہے۔

ایک ماہر صارف کا نمونہ جو اسے اچھی طرح استعمال کرتا ہے:

میں دو کاروں کے درمیان انتخاب کر رہا ہوں۔ منسلک: دونوں کے spec sheets،
ہر ایک کے لیے میرا انشورنس quote، اور پچھلے چھ مہینوں کے میرے
ڈرائیونگ نمونوں کا ایک spreadsheet۔

سب کچھ پڑھو۔ خوب سوچو۔ پھر مجھے بتاؤ:
1. وہ تین trade-offs جو میرے ڈرائیونگ نمونے کے لیے واقعی اہم ہیں۔
2. تم کون سی کار چنتے اور کیوں۔
3. کن شرائط میں تمہاری سفارش پلٹ جاتی ہے۔

یہ پرامپٹ تین کام کرتا ہے: یہ متعلقہ سیاق لادتا ہے، یہ واضح طور پر سوچ کو بلاتا ہے، اور یہ نثر کی دیوار کے بجائے ساختہ آؤٹ پٹ مانگتا ہے۔ تینوں عادتیں ہیں۔

سوچنے کا انداز کب استعمال نہ کریں

تیز جائزے، ایک پیراگراف کے خلاصے، آرام دہ ذہن سازی۔ سوچنے کا انداز سست ہے اور آپ کے استعمال کے بجٹ کا زیادہ خرچ کرتا ہے۔ اسے ان سوالوں کے لیے بچا کر رکھیں جہاں آپ چاہتے کہ کوئی انسان اپنا وقت لگائے۔

سوچنے کا انداز اسی کے لیے ہے: تیز نہیں، بلکہ اس قسم کے کئی داخلوں، کئی trade-offs والے سوال کو سنبھالنے کے قابل جسے آپ ورنہ کسی غور و فکر کرنے والے ساتھی کو سونپ کر دو دن انتظار کرتے۔ سودا حقیقی ہے۔ آپ چند منٹ کی compute اور تھوڑا سا استعمال کا بجٹ خرچ کرتے ہیں۔ آپ واپس کچھ ایسا پاتے ہیں جسے خود بنانے میں آپ کو آدھا دن لگ جاتا۔

اوپر ذکر کیے گئے اس METR رجحان کا مطلب: وہ کام جنہیں آپ نے دو سال پہلے ذہنی طور پر "AI کے لیے بہت پیچیدہ" کے زمرے میں رکھا تھا وہ اب زیادہ تر ایسے کام ہیں جنہیں AI سنبھال سکتا ہے، اگر آپ اسے اچھی طرح بریف کریں اور سوچنے کا انداز آن کریں۔ ہر چھ مہینے میں AI کیا کر سکتا ہے اس بارے میں اپنے مفروضے دوبارہ جانچیں۔ وہ غلط ہوں گے۔

6. خوشامد اور اسے کیسے بے اثر کریں

اے آئی ماڈلز انسانی فیڈبیک پر تربیت پاتے ہیں۔ خاص طور پر، اس پر کہ کن جوابات کو پسندیدگی ملی۔ لاکھوں صارفین میں، لوگوں سے اتفاق کرنے کو اختلاف سے زیادہ پسندیدگی ملتی ہے۔ نتیجہ: ماڈلز آپ کو وہی بتانے کی طرف جھکے ہوئے ہیں جو آپ سننا چاہتے ہیں۔

ChatGPT کی 47,000 گفتگوؤں کے ایک نومبر 2025 Washington Post تجزیے نے پایا کہ ماڈل نے ایک تائید ("ہاں،" "درست،" اور اسی طرح) سے آغاز تقریباً 10 گنا زیادہ بار کیا جتنا اس نے "نہیں" یا "غلط" سے کیا۔ رپورٹ کیے گئے آغاز "یہ درست ہے" اور "تم صحیح راستے پر ہو" جیسے فقروں کے گرد جمع تھے۔

آپ اسے خود تصدیق کر سکتے ہیں۔ وہی ماڈل، الٹ بندشیں:

• "کیا تمہیں نہیں لگتا کہ ریموٹ کام دفتری کام سے بہتر ہے؟" ← AI متفق ہوتا ہے، وجوہات گناتا ہے۔
• "کیا یہ سچ ہے کہ دفتری کام زیادہ بارآور ہے؟" ← AI متفق ہوتا ہے، وجوہات گناتا ہے۔

حل کوئی جادو نہیں۔ یہ بس غیر جانبدار بندش ہے۔ نمونہ دو سطحوں پر ظاہر ہوتا ہے: سطحی ("کیا تمہیں نہیں لگتا X؟") اور باریک ("یہ شواہد ڈھونڈو کہ X کام کرتا ہے")۔ اپنے ہی پرامپٹس میں دونوں سے ہوشیار رہیں:

باریک چارہ جو آپ لکھ سکتے ہیں	یہ AI کو کیا اشارہ دیتا ہے	غیر جانبدار دوبارہ تحریر
"یہ شواہد ڈھونڈو کہ یہ حکمت عملی کام کرے گی۔"	نتیجہ طے ہے؛ AI تائید بھرتا ہے۔	"اس حکمت عملی کا جائزہ لو۔ اس کے حق اور خلاف سب سے مضبوط دلائل گناؤ۔"
"نقطہ نظر A نقطہ نظر B سے بہتر کیوں ہے؟"	A جیت جاتا ہے؛ AI وجوہات گناتا ہے۔	"نقطہ نظر A اور نقطہ نظر B کا موازنہ کرو۔ ہر ایک کو لاگت، خطرے، اور وقت پر نمبر دو۔"
"X کو بھرتی کرنے کے میرے فیصلے کا دفاع کرنے میں مدد کرو۔"	فیصلہ پختہ ہے؛ AI گولہ بارود فراہم کرتا ہے۔	"یہ میرا فیصلہ اور سیاق ہے۔ سب سے مضبوط جوابی دلیل کیا ہے جس کے لیے مجھے تیار رہنا چاہیے؟"
"مجھے بتاؤ کہ میرا مسودہ بھیجنے کے لیے تیار ہے۔"	AI آپ کو بتاتا ہے کہ یہ تیار ہے۔	"اس مسودے کو ان 4 معیارات پر 1 سے 10 نمبر دو۔ ہر ایک کے لیے، مجھے وہ تبدیلی بتاؤ جو نمبر سب سے زیادہ بڑھائے۔ ہمیشہ ایک اگلی سطح ہوتی ہے۔"
"تصدیق کرو کہ یہ کوڈ درست ہے۔"	AI تصدیق کرتا ہے۔	"اس کوڈ میں کوئی bug، edge case، یا غیر بیان شدہ مفروضہ ڈھونڈو۔ اگر کوئی نہیں ہے، تو کہہ دو۔"

نمونہ: کوئی بھی بندش جس میں ڈھونڈو، دفاع کرو، تصدیق کرو، ثابت کرو، تائید کرو جیسا فعل ہو، AI کو سوال سے پہلے ایک نتیجہ تھما دیتی ہے۔ اسے جائزہ لو، موازنہ کرو، تنقید کرو، کوئی بھی ڈھونڈو، دونوں پہلو گناؤ جیسے افعال سے بدلیں۔ ماڈل پھر بھی تھوڑا اتفاق کی طرف جھکے گا، مگر آپ نے سب سے بلند اشارہ ہٹا دیا ہے۔

عام اصول: دو اختیارات بغیر کسی ترجیح کا اشارہ دیے سامنے رکھیں، پھر ہر ایک کے فوائد اور نقصانات مانگیں۔ اگر آپ خود کو "کیا X سچ نہیں" لکھتے پائیں، تو رکیں اور دوبارہ لکھیں "X کس حد تک، اگر بالکل بھی، سچ ہے؟"

یہ میکانکی ہے، گہرا نہیں

یہ تصور ایک بہت گہری مہارت کا سستا نسخہ ہے۔ Thinking in AI Era فوری کورس گہرا نسخہ سکھاتا ہے: ایسے سوال کیسے بنائیں جو وہ سامنے لائیں جو آپ پہلے سے نہیں جانتے۔ غیر جانبدار بندش کی چال آپ کو روزمرہ استعمال کے لیے 80% راستہ طے کرا دیتی ہے۔ فوری کورس آپ کو باقی پہنچاتا ہے۔

ایک غیر سافٹ ویئر مثال۔ ایک بانی نے AI سے پوچھا: "میرے پاس ایک زبردست کاروباری خیال ہے، بچوں کی سالگرہ کی تقریبات کے لیے چلتا پھرتا tie-dyeing، اس کی تنقید کرو۔" AI نے خیال کی گرمجوشی سے تعریف کی اور وجوہات گنائیں کہ یہ کیوں کامیاب ہو سکتا ہے۔ پھر بانی نے ایک معیار کے ساتھ دوبارہ کوشش کی: "اس خیال کا معروضی تجزیہ کرو۔ مندرجہ ذیل میں سے ہر ایک کے لیے، 1 سے 10 نمبر دو اور وجہ بتاؤ: (1) کیا یہاں کوئی حقیقی مسئلہ ہے، (2) کیا کوئی ادائیگی کے لیے تیار بازار ہے، (3) کیا کوئی مسابقتی برتری ہے، (4) unit economics کیا ہے، (5) سرفہرست تین وجوہات کہ یہ کیوں ناکام ہوتا ہے۔" اسی AI نے خیال کو 100 میں سے 8 نمبر دیے اور ٹھوس الفاظ میں سمجھایا کہ بانی کو اس پر دوبارہ سوچنا کیوں چاہیے۔ پہلا پرامپٹ خوشامد کا چارہ تھا۔ دوسرا ایک معروضی معیار تھا۔ وہی ماڈل، وہی خیال، الٹ فیصلے۔ فرق اس میں تھا کہ سوال کیسے پوچھا گیا۔

معروضی معیار کا نمونہ۔ ایک معیار بس ان مخصوص چیزوں کی فہرست ہے جنہیں جانچنا ہے، ہر ایک کو الگ نمبر دیا یا جواب دیا جاتا ہے۔ جب آپ AI سے کسی چیز کا جائزہ مانگتے ہیں (ایک مسودہ، ایک منصوبہ، ایک خیال) اس کے بغیر، تو مبہم معیار "زبردست کام" میں ڈھے جاتے ہیں۔ اس کے ساتھ، مخصوص معیار AI کو واقعی دیکھنے پر مجبور کرتے ہیں۔ موازنہ کریں:

اوپر کی تصویر تضاد دکھاتی ہے: مبہم پرامپٹس تعریف میں ڈھے جاتے ہیں؛ نمبروں اور ہاں/نہیں جانچ والے ساختہ پرامپٹس حقیقی فیڈبیک پیدا کرتے ہیں۔

ایک عدد پر مجبور کریں۔ معیار کے نمونے میں ایک چھوٹا مگر طاقتور اضافہ: ہر معیار کے لیے، AI سے ایک مقررہ پیمانے پر نمبر دینے کا تقاضا کریں، یعنی 1 سے 5، یا 1 سے 10، ساتھ میں ایک جملے کی وجہ کے۔ یہ دو وجوہات سے کام کرتا ہے۔

پہلی وہ ہے جو عدد AI کے ساتھ کرتا ہے: مبہم فیڈبیک سستا ہے، مگر ایک مخصوص عدد نہیں۔ ایک ماڈل جو آپ کو خوش کرنا چاہتا ہے وہ آپ کے مسودے کو بغیر کسی پابندی کے "مضبوط" کہہ سکتا ہے۔ وہی ماڈل، 10 میں سے 6 اور 7 کے درمیان چننے کو کہا جائے، تو اسے پابند ہونا پڑتا ہے، اور پابند ہونے کا عمل اسے زیادہ غور سے دیکھنے پر مجبور کرتا ہے۔ آپ فرق فوراً محسوس کریں گے: نمبر اس سے کم آتے ہیں جتنا نثری خلاصہ تجویز کرے گا، کیونکہ نثر خوشامدی تھی اور عدد نہیں۔

دوسری وہ ہے جو عدد آپ کے لیے کرتا ہے۔ "مضبوط،" "ٹھوس،" یا "تھوڑا کستا جا سکتا ہے" جیسے صفات آپ کو عمل کرنے کے لیے کچھ نہیں دیتے، آپ ان کا موازنہ، ترجیح، یا وقت کے ساتھ سراغ نہیں رکھ سکتے۔ نمبر تینوں کرتے ہیں۔ ایک 4 اور ایک 7 آپ کو بتاتے ہیں کہ پہلے کون سا معیار ٹھیک کرنا ہے۔ آج کا 6 بمقابلہ پچھلے ہفتے کا 5 آپ کو بتاتا ہے کہ آپ کا دوسرا مسودہ واقعی بہتر ہوا یا نہیں۔ عدد صرف ایک زیادہ ایماندار فیصلہ نہیں؛ یہ پیمائش کی ایک اکائی ہے جسے آپ فیصلے کرنے کے لیے استعمال کر سکتے ہیں۔

ہر معیار کو 10 میں سے نمبر دو، ایک جملے کی وجہ کے ساتھ۔ پھر مجھے بتاؤ کہ ہر ایک کو اگلی سطح تک کیسے لے جانا ہے، بشمول ان کے جو پہلے ہی اونچے نمبر لے چکے۔ اگر کوئی 9 پر ہے، تو بتاؤ 9.5 تک کیسے پہنچنا ہے۔ اگر یہ 9.5 پر ہے، تو بتاؤ 9.8 تک کیسے پہنچنا ہے۔ ہمیشہ ایک اگلی سطح ہوتی ہے۔

وہ آخری ہدایت ہی معیار کو ایک فیصلے سے ایک ٹول میں بدل دیتی ہے۔ آپ صرف نمبر نہیں سیکھتے؛ آپ وہ سب سے چھوٹی چال سیکھتے ہیں جو اسے اٹھائے گی، اور اہم بات یہ کہ وہ چال ہر سطح پر موجود ہے۔ AI کو آپ کو مکمل قرار دینے کا اختیار نہیں ملتا۔ آپ طے کرتے ہیں کہ کب رکنا ہے۔

7. ذہن سازی اور دہرانے کا چکر

یہ اس صفحے کی واحد سب سے زیادہ فائدہ مند عادت ہے۔ اگر آپ ہر دوسرا حصہ چھوڑ دیں، تو یہ نہ چھوڑیں۔

جب AI کو انٹرنیٹ پر تربیت دی گئی، تو زیادہ تر انٹرنیٹ عام خیالات تھے، تخلیقی نہیں۔ تو کسی تخلیقی سوال پر اوسط AI جواب بھی عام ہوتا ہے۔ "گھر پر ورزش کے طریقے": squats، push-ups، planks۔ غلط نہیں۔ بس اوسط۔

اس سے بچنے کا راستہ کوئی جادوئی پرامپٹ نہیں۔ یہ ایک چکر ہے۔

نسخہ:

1. تمام متعلقہ سیاق آگے سے دیں۔ صرف "ورزش کے طریقے" نہیں؛ "ورزش کے طریقے یہ دیکھتے ہوئے کہ میرے گھر میں سیڑھیاں ہیں، ایک خراب گھٹنا ہے، اور میں تین دن سے زیادہ منصوبوں پر قائم نہیں رہ سکتا۔"
2. 3 سے 5 اختیارات مانگیں، ایک نہیں۔ متبادل پر مجبور کرنا ماڈل کو اس کی پہلی جبلت سے آگے دھکیلتا ہے۔
3. واضح فیڈبیک دیں۔ "مجھے اختیار 1 پسند نہیں، یہ بہت غیر فعال ہے۔ مجھے سیڑھی چڑھنے کا خیال پسند ہے مگر میں اسے مختصر چاہتا ہوں۔ میں بتانا بھول گیا کہ میرا گھٹنا جھٹکے سے بدتر ہوتا ہے۔"
4. فیڈبیک سے باخبر 3 سے 5 نئے اختیارات مانگیں۔
5. اس وقت تک دہرائیں جب تک آپ کے پاس ایک یا دو ایسے نہ ہوں جو آپ کو واقعی پسند ہوں۔
6. پھر، اور صرف تب، AI سے چنے گئے اختیار کو تفصیل سے پھیلانے کو کہیں۔

عملی مثال، قرض کی ادائیگی:

میرے پاس 19% APR پر $8,000 کریڈٹ کارڈ قرض، 5% پر $4,000 طالب علم
قرض، اور 24% پر ایک ریٹیل کارڈ پر $1,200 ہے۔ اخراجات کے بعد میرے پاس
$700/ماہ آزاد ہیں۔ مجھے ابھی پتہ چلا کہ ٹیکس واپسی سے $450 نقد ملیں گے۔
خطرہ برداشت: کم۔ بڑے بیلنس دیکھ کر میری نیند خراب ہوتی ہے۔

مجھے 5 مختلف ادائیگی کی حکمت عملیاں دو، ہر ایک کے ساتھ ایک سطر کی
وجہ۔ ابھی ان میں سے کسی کو نہ پھیلاؤ۔

پھر، پانچ اختیارات پڑھنے کے بعد:

اختیار 2 (صرف شرح سود سے avalanche) رد کرو: مجھے جلدی نفسیاتی جیت
چاہیے۔ اختیار 4 رد کرو: میں نئے کھاتے نہیں کھولوں گا۔ مجھے اختیار 1
(پہلے ریٹیل کارڈ کے ساتھ snowball) پسند ہے مگر میں اس $450 کو شامل
کرنا چاہوں گا۔ مجھے 5 نئے اختیار دو جو snowball طرز کی جیتوں کو اس
یکمشت رقم کے ہوشیار استعمال سے جوڑیں۔

آپ AI کے آپ کا ذہن پڑھنے کا انتظار نہیں کر رہے۔ آپ اپنا ذوق دکھا رہے ہیں؛ AI اختیار کی جگہ کو اس کے گرد ڈھالتا ہے۔ دو یا تین دوروں کے بعد، آپ کے پاس ایک ایسا اختیار ہوتا ہے جو بالکل ٹھیک لگتا ہے۔ پھر پورا منصوبہ مانگیں۔

وہی چکر تحریر کے لیے کام کرتا ہے، جہاں اس کا اپنا نام ہے: مسودے سے پہلے خاکہ۔

- دہرائی 1: X پر ایک پوسٹ کے لیے 3 خاکے کے اختیار مانگو۔
- دہرائی 2: ایک خاکہ چنو، AI سے اس کی تنقید اور 10 میں سے نمبر مانگو۔ نوٹ کرو کہ کیا 9 سے کم رہا۔
- دہرائی 3: تنقید کی بنیاد پر خاکہ نظر ثانی کرو، پھر AI سے ہر عنوان کو 3 سے 5 نکات میں پھیلانے کو کہو۔
- دہرائی 4: نکات کی تنقید کرو، انہیں 10 میں سے نمبر دو، 9 سے کم والوں کو ٹھیک کرو۔
- دہرائی 5: تب جا کر پورا مسودہ مانگو۔
- دہرائی 6: مسودے کی تنقید کرو، اسے 10 میں سے نمبر دو، وہ تبدیلیاں مانگو جو نمبر سب سے زیادہ بڑھائیں، اثر کے لحاظ سے درجہ بند، سب سے زیادہ اثر والی تبدیلی اوپر۔ اس وقت تک دہراؤ جب تک نمبر 9.5 یا اس سے اوپر کے آس پاس ٹھہر نہ جائے، یہی آپ کا رکنے کا اشارہ ہے، نہ کہ "AI کہتا ہے کہ مکمل ہو گیا۔"

یہ کیوں کام کرتا ہے: ایک خاکے میں ایک لفظ ایڈٹ کرنا پورے مضمون کی سمت بدل سکتا ہے۔ ایک آخری مسودے میں ایک لفظ ایڈٹ کرنا ایک لفظ بدلتا ہے۔ تحریر میں تقریباً سارا فائدہ خاکے کی سطح پر ہوتا ہے۔ AI شروع سے ہی لفظ بہ لفظ پیدا کرتا ہے، تو جب تک آپ پہلے ساخت پر مجبور نہ کریں، یہ پوری شکل نہیں دیکھ سکتا۔

قدم نہ چھوڑیں

لالچ یہ ہوتا ہے کہ پہلی ہی کوشش میں پورا مسودہ مانگ لیں۔ اس سے بچیں۔ AI کا کسی بھی چیز کا پہلا مسودہ slop ہے: چمکدار لگتا ہے، کم کہتا ہے۔ چکر، یعنی کسی بھی مسودہ سازی سے پہلے دس یا بارہ منٹ کا ساختی کام، پھر اس کے اوپر کئی دور نمبر دینے اور ٹھیک کرنے کے، ایک بھول جانے والی پوسٹ کو ایسی پوسٹ میں بدل دیتا ہے جو اثر کرتی ہے۔ کل وقت ایک 600 لفظی ٹکڑے کے لیے شاذ و نادر ہی پینتالیس منٹ سے زیادہ ہوتا ہے۔ ان میں سے پہلے دس منٹ باقی پینتیس کو ضائع ہونے سے بچاتے ہیں۔

ایک عملی تحریری مثال۔ ایک ٹیم لیڈ ایک 600 لفظی پوسٹ لکھنا چاہتا ہے جس کا عنوان ہے "ہماری چھوٹی AI ٹیم گلیارے کے پار بڑی ٹیم سے تیز کیوں شِپ کر رہی ہے۔" یہاں ہے کہ چکر کا ہر دور عملی طور پر کیسا دکھتا ہے:

دور 1، پہلے تحقیق:

میں ایک 600 لفظی پوسٹ لکھ رہا ہوں جو دلیل دیتی ہے کہ چھوٹی AI سے
بڑھائی گئی ٹیمیں بڑی غیر AI ٹیموں سے تیز شِپ کرتی ہیں۔ ابھی مت لکھو۔
پہلے، مجھے 5 سب سے مضبوط تحقیق پر مبنی دلائل اور 3 سب سے مضبوط
جوابی دلائل دو۔ ہر ایک ایک جملہ۔

دور 2، تین خاکے:

اب پوسٹ کے لیے 3 مختلف خاکے کے اختیار پیدا کرو۔ ہر خاکے میں 4 سے 6
عنوان ہونے چاہئیں۔ انہیں ساخت میں مختلف ہونا چاہیے: ایک بیانیہ، ایک
تجزیاتی، ایک مخالف۔ فی عنوان ایک سطر۔

دور 3، ایک چنو اور ایک تشبیہ ڈالو:

میں خاکہ 2 (تجزیاتی) لوں گا۔ میں ایک Pixar تشبیہ پرونا چاہتا ہوں: کیسے
اصل Toy Story ٹیم چھوٹی تھی اور نئے ٹولز کی وجہ سے دیوہیکل Disney
اسٹوڈیو سے تیز تھی۔ اسے ایک بار بار آنے والی مثال کے طور پر ڈالو، اپنے
الگ حصے کے طور پر نہیں۔ خاکہ 2 پر نظر ثانی کرو۔

دور 4، نکات تک پھیلاؤ:

اب ہر عنوان کو 3 سے 5 نکات میں پھیلاؤ۔ مختصر اشاراتی انداز، نثر نہیں۔

دور 5، نکات کو نمبر دو اور ٹھیک کرو:

ہر نکتے کی تنقید کرو اور اسے 10 میں سے نمبر دو ایک جملے کی وجہ کے
ساتھ۔ 9 سے کم نمبر والے نکات گناؤ۔ ہر ایک کے لیے، وہ تبدیلی تجویز
کرو جو نمبر سب سے زیادہ بڑھائے۔

تب جا کر لیڈ پورا مسودہ مانگتا ہے، اور پھر خود مسودے پر نمبر دیتا اور دوبارہ دہراتا رہتا ہے جب تک نمبر 9.5 یا اس سے اوپر کے آس پاس ٹھہر نہ جائے۔ پورا عمل تقریباً پینتالیس منٹ لیتا ہے۔ آؤٹ پٹ ایسا پڑھا جاتا ہے جیسے لیڈ نے لکھا ہو، کیونکہ ہر بوجھ اٹھانے والا فیصلہ لیڈ کا تھا۔ "مجھے ایک پوسٹ لکھ دو" سے اوپر کے وہ اضافی پینتیس منٹ ہی ایک ایسے مسودے، جسے کوئی پڑھ کر ختم نہیں کرتا، اور ایک ایسے مسودے، جو اثر کرتا ہے، کے درمیان فرق پیدا کرتے ہیں۔

مسودے سے پہلے علاقے کا جائزہ لیں۔ اس مثال میں پہلا دور ("ابھی مت لکھو، مجھے سب سے مضبوط تحقیق پر مبنی دلائل اور جوابی دلائل دو") چھوٹا لگتا ہے مگر بھاری کام کرتا ہے۔ زیادہ تر لوگ اسے چھوڑ دیتے ہیں اور سیدھا مسودہ مانگتے ہیں۔ اسے چھوڑنا ہی وجہ ہے کہ ان کے مسودے پتلے لگتے ہیں: وہ انہی خیالات پر بنے ہوتے ہیں جو ماڈل پہلے سامنے لاتا ہے، نہ کہ موضوع کے اصل منظرنامے پر۔ مسودے سے پہلے "علاقے کا جائزہ" کا ایک دور ہی ایک ایسی پوسٹ، جو تین مطالعوں کا حوالہ دیتی ہے، اور ایک ایسی پوسٹ، جو تین رائے گناتی ہے، کے درمیان فرق ہے۔ یہ نمونہ تحریر سے کہیں آگے عام ہوتا ہے۔ کسی بھی بڑے فیصلے، منصوبے، یا تجزیے سے پہلے، AI سے کہیں کہ پہلے جو معلوم ہے اس کا نقشہ بنائے اس سے پہلے کہ آپ اس سے جو درکار ہے وہ پیدا کرنے کو کہیں۔ مصنوعے کا نام رکھنے سے پہلے مسابقتی منظرنامہ۔ حکمت عملی کے میمو سے پہلے پچھلی تحقیق۔ کوئی نیا طریقہ ڈیزائن کرنے سے پہلے موجودہ طریقے۔ تحقیق کا دور پانچ منٹ لیتا ہے اور بدل دیتا ہے کہ چکر کا ہر بعد کا دور کس کے خلاف دہرا رہا ہے۔

چکر شعبے سے آزاد ہے۔ یہ ان سب کے لیے ایک ہی طرح کام کرتا ہے: ایک سفر کا منصوبہ بنانا، ایک سیلز پچ کی ساخت بنانا، ایک کالج کا مضمون چننا، ایک مصنوعے کا نام رکھنا، ایک شادی کی تقریر لکھنا، ایک تزئین و آرائش پر فیصلہ کرنا، تعاون کے لیے ایک خیراتی ادارہ چننا۔ شکل ثابت رہتی ہے: سیاق لادیں، اختیارات کا تقاضا کریں، واضح فیڈبیک دیں، نئے اختیارات کا تقاضا کریں، دہرائیں، پھیلائیں، اور پھر نمبر دیں اور دوبارہ دہرائیں جب تک نمبر ٹھہر نہ جائے۔ اگر آپ خود کو AI کا پہلا جواب قبول کرتے، یا جیسے ہی کوئی چیز "کافی اچھی" لگے رکتے پائیں، تو آپ نے چکر چھوڑ دیا۔ آپ جس پر بھی کام کر رہے ہیں، وہ چکر کا مستحق ہے۔

روزمرہ زندگی میں چکر کہاں فٹ ہوتا ہے اس کی ایک مختصر میز:

فیصلہ یا کام	"سیاق" کیسا دکھتا ہے	"فیڈبیک کے ساتھ اختیارات" کیسے دکھتے ہیں
ایک 4 دن کے سفر کا منصوبہ	شرائط (بجٹ، تاریخیں، کون جا رہا ہے، انہیں کیا ناپسند ہے)	5 سفری ڈھانچے؛ دو رد کرو؛ باقی پر دہراؤ
ایک مصنوعے کا نام رکھنا	یہ کیا کرتا ہے، کون خریدتا ہے، اسے کیسا نہیں لگنا چاہیے	10 نام؛ 3 پسند چنو، ان پر مختلف انداز مانگو
ایک مشکل ای میل لکھنا	وصول کنندہ، رشتہ، مطلوبہ نتیجہ	3 مختلف لہجے؛ ایک چنو، اس کی تفصیلات نکھارو
ایک ٹھیکیدار چننا	تین quotes، تین حوالہ نوٹ، آپ کی ترجیحات	آمنے سامنے نمبر دینا؛ اپنے پسندیدہ کے خلاف سب سے مضبوط جواب مانگو
ایک سیکھنے کا راستہ چننا	موجودہ مہارتیں، دستیاب وقت، حتمی مقصد	3 مختلف نصابی ڈھانچے؛ ایک چنو، ہفتہ وار سنگ ہائے میل تک پھیلاؤ
ایک لوگو بریف ڈیزائن کرنا (ایک ڈیزائنر کے لیے)	برانڈ کی اقدار، سامعین، آپ کو پسند مثالیں	5 mood-board سمتیں؛ ایک چنو، اسی لین میں 5 مختلف انداز مانگو

ہر صف میں، ایک بار جب آپ کے پاس ایک ٹھوس امیدوار ہو (ایک چنا گیا سفر، ایک منتخب نام، ایک مسودہ ای میل)، تو چکر کی نمبر دینے کی چال اسی طرح لاگو ہوتی ہے: اسے اس کام کے لیے اہم معیارات پر 10 میں سے نمبر دیں، پھر دہرائیں۔ ایک سفر کو لاگت، رفتار، اور گروپ سے مطابقت پر نمبر دیں۔ ایک مصنوعے کے نام کو یادگاری، مطابقت، اور خطرے پر نمبر دیں۔ ایک ای میل کو وضاحت، لہجے، اور ممکنہ اثر پر نمبر دیں۔ معیار بدلتے ہیں؛ چال نہیں۔

---

حصہ 3: متن سے آگے

اے آئی صرف ایک ٹیکسٹ باکس نہیں۔ یہ تصاویر دیکھ سکتا ہے، دونوں طرف آڈیو کے ساتھ کام کر سکتا ہے، چھوٹی کام کرنے والی ایپس بنا سکتا ہے، اور آپ کے ڈیٹا پر کوڈ چلا سکتا ہے۔ زیادہ تر لوگ ان میں سے کبھی کچھ بھی نہیں آزماتے۔

8. Multimodal: تصاویر، آڈیو، اور آگے کیا

جدید AI تصاویر اور آڈیو کو دونوں طرف سنبھالتا ہے: یہ آپ کی اپ لوڈ کردہ تصاویر پڑھ سکتا ہے، ریکارڈنگ سن سکتا ہے، متن کے پرامپٹس سے نئی تصاویر بنا سکتا ہے، اور بولا گیا آڈیو پیدا کر سکتا ہے۔ مہارتیں ہر طرز میں مختلف ہیں، اور الگ الگ سیکھنے کے قابل ہیں۔

تصویری داخلہ۔ AI تصاویر کو موٹے طور پر دیکھتا ہے۔ یہ ان میں مضبوط ہے:

• مجموعی منظر اور ترکیب۔
• الگ، بڑی شے کی شکلیں (ایک دیوہیکل انسان جتنے بڑے ہیمسٹر وہیل ٹریڈمل)۔
• وائٹ بورڈ کا مواد، بشمول خاکے۔
• ہاتھ سے لکھی اور رواں تحریر (مناسب، اہم معاملات کے لیے دوبارہ جانچیں)۔

یہ ان میں کمزور ہے:

• باریک تفصیلات۔ "یہ کون سی جم مشینیں ہیں؟" اکثر ناکام ہوتا ہے کیونکہ تھوڑے دھندلے عدسے سے جم مشینیں ایک جیسی نظر آتی ہیں۔ AI پُراعتماد اور غلط جواب دے سکتا ہے۔
• ایک بھرے منظر میں بہت سی چھوٹی چیزیں گننا۔
• تصویر کے کنارے پر چھوٹا متن پڑھنا۔

ایک مفید حقیقی جانچ: ایک استاد نے ایک وائٹ بورڈ کی تصویر لی جہاں اس کے سر نے ایک نیورل نیٹ ورک خاکے میں لفظ "convolutional" کو چھپا دیا تھا۔ AI نے باقی خاکے سے غائب لفظ درست اخذ کر لیا۔ یہی وہ ہے جس میں AI اچھا ہے: مجموعی تاثر سے اخذ کرنا۔ یہ زوم اِن کرنے میں اچھا نہیں۔

رسیدوں، بل بانٹنے، یا ہاتھ سے لکھے نوٹ نقل کرنے کے لیے، AI اچھا کام کرتا ہے، مگر ہمیشہ کل رقمیں دوبارہ جانچیں۔ کئی تصویری داخلوں کے لیے (post-its، ایک وائٹ بورڈ کی تصویر، اور ایک ذہن سازی سے ہاتھ سے لکھے نوٹ)، AI مشترکہ خیالات کا خلاصہ کر سکتا ہے؛ یہ واقعی مفید ہے اور حقیقی وقت بچاتا ہے۔

تصویری آؤٹ پٹ۔ جدید AI متن کے پرامپٹس سے تصاویر بنا سکتا ہے۔ دو عملی نکات:

1. اپنا تصویری پرامپٹ لکھنے کے لیے ایک ٹیکسٹ AI استعمال کریں۔ "مجھے بچوں کی کتاب کے سرورق کے لیے Studio Ghibli انداز میں ایک فینٹسی جنگل کی تصویر کے لیے ایک پرامپٹ بنا دو۔" وہ آؤٹ پٹ لیں، اسے تصویری ٹول میں چسپاں کریں۔ ٹیکسٹ AI پہلی کوشش میں آپ سے کہیں بہتر بھرپور تصویری پرامپٹس لکھتا ہے۔
2. بصری ذخیرہ الفاظ بنائیں۔ cinematic، watercolor، cyberpunk، anime، isometric، low-poly، art-deco، claymation جیسے الفاظ گھنڈیاں ہیں۔ تصویری ماڈلز کیپشن والی تصاویر پر تربیت پائے اور ان اندازوں کو نام سے سیکھا۔ آپ کو پسند تصاویر اپ لوڈ کریں اور AI سے پوچھیں کہ یہ انہیں کیسے بیان کرے گا۔ یہ آپ کے ذخیرہ الفاظ کو تربیت دیتا ہے۔

تصویری پیداوار کیسے کام کرتی ہے: یہ ایک diffusion model ہے، جو بے ترتیب pixel گرڈ سے قدم بہ قدم شور ہٹانے کی تربیت پاتا ہے جب تک ایک تصویر ابھر نہ آئے۔ متن کی طرح pixel بہ pixel نہیں۔ پوری تصویر ایک ساتھ بنتی ہے۔ اسی لیے آپ وقت بچانے کے لیے تصویری پیداوار جلدی نہیں روک سکتے، جیسے آپ ایک ٹیکسٹ جواب کو روک سکتے ہیں۔

پرانے diffusion models کی مشہور کمزوریاں تھیں: عجیب ہاتھ (چھ انگلیاں)، اشاروں پر بگڑا متن، ایسے کردار جو کسی کامک میں فریم بہ فریم اپنی شکل بدل لیتے۔ جدید ماڈلز (جیسے Google کا Nano Banana یا ChatGPT Images) متن کو معقول طور پر سنبھالتے ہیں، ہم آہنگ کردار بناتے ہیں، اور تحقیقی مقالوں کو infographics میں بدل سکتے ہیں۔

جدید تصویری ماڈلز پر بھی دیکھنے کے قابل ناکامیوں کی ایک مختصر میز:

ناکامی	یہ کیسی دکھتی ہے	اسے کیسے کم کریں
اشاروں پر بگڑا متن	تصویر میں اشارہ "HAPPY BIRTHDAY" کے بجائے "HAPRY BIRTDAY" پڑھتا ہے۔	پرامپٹ میں متن کو quotes میں بتائیں۔ تین انداز بنائیں۔ وہ چنیں جہاں متن درست ہو۔
فریموں میں غیر ہم آہنگ کردار	کسی کامک کے پینل 1 اور 2 میں ایک ہی کردار کے بالوں کا رنگ مختلف ہے۔	واضح کردار ہم آہنگی کی مدد والے ماڈلز استعمال کریں؛ پہلی تصویر کو اگلی کے لیے بطور حوالہ واپس دیں۔
ہاتھ اور انگلی کی غلطیاں	چھ انگلیاں، جڑے ہاتھ، مڑی کلائیاں۔	ایسی ترکیبیں مانگیں جہاں ہاتھ جزوی طور پر فریم سے باہر، یا جیبوں میں، یا واضح طور پر بیان ہوں۔
ناقابلِ قبول اشیا کے ساتھ بھرے پس منظر	ایک کافی شاپ جہاں ایک سائیکل ایک کرسی میں گھل جاتی ہے۔	ایک سادہ پس منظر بتائیں، یا پس منظر کو واضح طور پر بیان کریں۔
غلط پہلو کا تناسب	ماڈل طے شدہ طور پر مربع کا انتخاب کرتا ہے؛ آپ کو لینڈ اسکیپ چاہیے تھا۔	ہمیشہ پہلو کا تناسب واضح طور پر بتائیں: "1024x768 لینڈ اسکیپ" یا "16:9"۔

تصویری داخلے کے لیے ایک غیر سافٹ ویئر مثال۔ ایک قاری نے ایک فوت شدہ دادی کے ہاتھ سے لکھے ترکیبی کارڈوں کا ایک ڈھیر تصویر کھینچ کر AI میں اپ لوڈ کیا۔ پرامپٹ: "ان تینوں کارڈز کو نقل کرو۔ اصل الفاظ اور کوئی بھی مخففات برقرار رکھو۔ اگر کوئی لفظ غیر واضح ہو، تو اسے [unclear] نشان زد کرو اور اپنے دو بہترین اندازے پیش کرو۔" پانچ منٹ بعد، تینوں ترکیبیں صاف ٹائپ ہو چکی تھیں، ان چار الفاظ پر [unclear] نشانات کے ساتھ جنہیں AI پُراعتماد طریقے سے نہ پڑھ سکا۔ قاری نے ان چاروں کو اصل سے ملایا (دو واضح تھے، دو کے لیے ایک خالہ کو فون کرنا پڑا)، اور خاندان کے پاس ان ترکیبوں کا ایک صاف ڈیجیٹل ذخیرہ تھا جو ضائع ہونے کے خطرے میں تھیں۔ AI نے بورنگ 90% کیا تاکہ قاری محتاط 10% پر توجہ دے سکے۔

ایک ماہر صارف کا نسخہ: کسی ڈیزائنر کے بغیر ڈیزائنر معیار کے خاکے۔ اگر آپ کو کبھی کسی دستاویز، کسی سلائیڈ، یا اپنے کسی باب کے لیے خاکہ بنانا ہو، تو ایک ورک فلو ہے جو تقریباً پندرہ منٹ میں ڈیزائنر معیار کا آؤٹ پٹ پیدا کرتا ہے، Figma استعمال کیے بغیر اور کسی بصری ڈیزائن مہارت کے بغیر۔ زیادہ تر غیر ڈیزائنر نہیں جانتے کہ یہ اب ممکن ہے۔ یہ کسی ڈیزائن ٹول کو سیکھے بغیر ڈیزائنر معیار کے خاکے بنانے کا سب سے آسان طریقہ ہے۔ یہ حصہ صفحے کی کسی بھی اور چیز سے زیادہ تفصیلی ہے؛ اگر آپ باقاعدگی سے خاکے بناتے ہیں تو اسے ابھی پڑھیں، یا پہلی بار جب آپ کو کسی کی ضرورت ہو اس کے لیے چھوڑ دیں۔

نسخہ، چار قدموں میں:

1. Claude سے تصور کو SVG کے طور پر تصوّر کرنے کو کہیں۔ بنیادی پیراگراف یا متن چسپاں کریں۔ پوچھیں: "اسے ایک خاکے کے طور پر تصوّر کرو۔ اسے SVG کے طور پر آؤٹ پٹ کرو۔ یقینی بناؤ کہ متن کا ہر لیبل، تیر، اور رشتہ موجود ہو۔" اس قدم کے لیے Claude ایک مضبوط انتخاب ہے کیونکہ اس کی استدلال کی صلاحیت بڑے ماڈلز میں سب سے مضبوط میں سے ہے: ایک پیراگراف دیا جائے تو یہ بہت کم رہنمائی کے ساتھ درست خانے، درست تیر، درست درجہ بندی، اور درست لیبل طے کر لیتا ہے۔ جو SVG یہ واپس دیتا ہے وہ ساخت میں درست مگر بصری طور پر سادہ ہوگا (سادہ مستطیل، طے شدہ فونٹ، کوئی ڈیزائن نکھار نہیں)۔ یہ ٹھیک ہے؛ اگلا قدم نکھار ڈالتا ہے۔
2. SVG کو PNG میں بدلیں۔ Claude سے SVG کو PNG کے طور پر رینڈر کرنے کو کہیں (Claude یہ براہِ راست کر سکتا ہے)، یا کوئی بھی آن لائن SVG-to-PNG converter استعمال کریں (cloudconvert.com، svgtopng.com)، یا بس براؤزر میں اونچے zoom پر رینڈر کیے گئے SVG کا سکرین شاٹ لے لیں۔ 2× ریزولیوشن (1600 سے 2400 pixels چوڑا) پر رینڈر کریں تاکہ اگلے قدم کے پاس کام کرنے کے لیے کافی تفصیل ہو۔
3. PNG کو ChatGPT (یا Gemini) میں چسپاں کریں اور اسے دوبارہ کھینچنے کو کہیں۔ ChatGPT کی اندرونی تصویری پیداوار اس قدم کے لیے مضبوط ہوتی ہے کیونکہ یہ متن سے بھری تصاویر میں غیر معمولی طور پر اچھا ہے: یہ لیبل برقرار رکھتا ہے، typography ٹھیک رکھتا ہے، اور ماخذ میں ساختی رشتوں کا احترام کرتا ہے۔ پرامپٹ: "اس خاکے کو پیشہ ورانہ ڈیزائن معیار کے ساتھ دوبارہ کھینچو۔ ہر لیبل، ہر خانہ، ہر تیر، اور عین ساختی رشتے برقرار رکھو۔ typography، فاصلہ، رنگ، اور بصری درجہ بندی بہتر کرو۔ معلومات ویسی ہی رہنی چاہیے؛ صرف بصری نکھار بدلتا ہے۔"
4. نتیجے پر دہرائیں۔ ChatGPT/Gemini کبھی کبھی ایک لیبل گرا دیتا ہے یا ایک خانہ ادھر ادھر کر دیتا ہے۔ اس کے آؤٹ پٹ کا اصل SVG سے آمنے سامنے موازنہ کریں۔ اگر کچھ غلط ہو، تو بس درستی ٹائپ کر دیں: "تیسرے خانے کا لیبل 'Iterate' ہونا چاہیے، 'Repeat' نہیں۔ خانہ 2 سے تیر کو خانہ 3 کی طرف اشارہ کرنا چاہیے، خانہ 4 کی طرف نہیں۔" تین یا چار دور عام طور پر ایسا کچھ پیدا کرتے ہیں جو ایک پیشہ ور ڈیزائن اسٹوڈیو سے آیا لگتا ہے۔ آخری PNG محفوظ کر لیں۔

ہر قدم کے لیے ہر ٹول کیوں۔ Claude قدم 1 میں جیتتا ہے کیونکہ یہ طے کرنا کہ خاکے میں کیا آنا چاہیے (کون سے خانے، کون سے تیر، کون سی درجہ بندی) ایک استدلال کا کام ہے، اور Claude کا استدلال اس قسم کے ساختی سوچ کے کام کے لیے بڑے ماڈلز میں سب سے مضبوط میں سے ہے۔ ChatGPT (یا Gemini) قدم 3 میں جیتتا ہے کیونکہ متن سے بھری تصاویر اچھی رینڈر کرنا (لیبل جو پڑھنے کے قابل رہیں، تیر جو درست خانوں سے جڑیں، خاکے جو ڈیزائن شدہ لگیں) وہ زمرہ ہے جہاں اس کی تصویری پیداوار اس وقت آگے ہے۔ کسی بھی ٹول سے دوسرے کا کام کرنے کو کہنا انہیں آپس میں جوڑنے سے واضح طور پر بدتر نتائج پیدا کرتا ہے۔ ہر ایک وہ کرتا ہے جس میں یہ بہترین ہے، ترتیب وار۔

کل وقت: فی خاکہ تقریباً دس سے پندرہ منٹ، Figma میں ایک گھنٹے یا اس سے زیادہ کے مقابلے میں، یہ فرض کرتے ہوئے کہ آپ اسے استعمال کرنا جانتے تھے۔

وہ نمونہ جو ٹولز سے بچ جاتا ہے۔ ہر زمرے کا سرکردہ بدلتا رہے گا۔ اگلے سال Claude سب سے مضبوط استدلال کا ماڈل نہ ہو۔ آج کا سرکردہ تصویری ماڈل اس سے بدل جائے گا جو آگے آئے گا۔ اوپر کا نسخہ ٹول کی سطح پر باسی ہو جائے گا۔ جو بچ جاتا ہے: پہلے سب سے مضبوط استدلال کے ماڈل میں ساخت، پھر سب سے مضبوط متن سے بھرے تصویری ماڈل میں نکھار۔ جو بھی ٹول اس لمحے جب آپ یہ پڑھیں ہر زمرے میں آگے ہوں انہیں چنیں۔ دو قدم کی زنجیر ہی اصل چال ہے۔

تصویری پیداوار کے بارے میں ایک چھوٹی کہانی۔ ایک باپ جس کی 7 سالہ بیٹی کو بلیاں پسند تھیں اس کے لیے ایک خاص سالگرہ کا کیک چاہتا تھا۔ اس نے کیک کے ڈیزائن پر ذہن سازی کے لیے Nano Banana استعمال کیا (درجنوں قسمیں پیدا کیں: بلی کی شکل، کئی منزلہ، frosting کے انداز، رنگ)، وہ چنا جو اسے پسند آیا، پھر چنی گئی تصویر ایک بیکر کے حوالے کی جس نے اسے ایک حقیقی 3D کیک کے طور پر بنایا۔ ڈیزائن پر کل دہرائی کا وقت: ایک دوپہر۔ کل لاگت: تصویری پیداوار میں چند پیسے۔

بات کیک کی نہیں ہے۔ بات یہ ہے کہ تقریباً $0.30 اور ذوق سے چلنے والی دہرائی کے ایک گھنٹے میں، ایک شخص جو ڈیزائنر نہیں ایک منفرد بریف پیدا کرتا ہے جس پر ایک پیشہ ور عمل کر سکتا ہے۔ یہ تخلیقی فائدے کی ایک نئی قسم ہے، اور یہ وسیع پیمانے پر دستیاب ہے۔

آڈیو اندر، آڈیو باہر۔ وہی تبدیلی جو تصاویر کے ساتھ ہوئی اب آڈیو کے ساتھ ہو رہی ہے۔ آپ ٹائپ کرنے کے بجائے ایک لمبا پرامپٹ بول سکتے ہیں؛ آپ ایک میٹنگ کی ریکارڈنگ ڈال کر خلاصہ مانگ سکتے ہیں؛ آپ ماڈل سے اپنا جواب بلند آواز میں پڑھنے کو کہہ سکتے ہیں۔ زیادہ تر جدید AI ٹولز تینوں کی مدد کرتے ہیں، اکثر مفت درجوں پر کسی اضافی فیس کے بغیر۔

غیر واضح استعمال وہیں ہیں جہاں اصل فائدہ ہے:

• طویل صورت میں ڈکٹیشن۔ کسی مسئلے پر بلند آواز میں بات کرنا وہ باریکی پکڑتا ہے جو ٹائپ شدہ پرامپٹس چھوڑ دیتے ہیں۔ جو لوگ ٹائپ کرنے سے نفرت کرتے ہیں وہ بولنے پر ڈرامائی طور پر بہتر پرامپٹس پیدا کرتے ہیں: پرامپٹ بغیر محنت کے ایک سطر سے کئی پیراگراف تک بڑھ جاتا ہے، اور AI کا جواب بھی اسی حساب سے بہتر ہوتا ہے۔ ایسے بولیں جیسے کافی پر کسی ساتھی کو بریف کر رہے ہوں، پھر AI کو جواب دینے سے پہلے نتیجے میں آنے والی نقل صاف کرنے دیں۔
• میٹنگ کی نقلیں بطور سیاق۔ ایک گھنٹے کی میٹنگ کی ریکارڈنگ (یا 2026 کے کسی غالب وینڈر جیسے Otter، Granola، یا Fireflies سے ایک نقل، یا اپنے فون کے voice memos) ڈالیں اور پوچھیں: "کیے گئے فیصلوں، کھلے سوالوں، اور مالک کے حساب سے کارروائی کے نکات کا خلاصہ کرو۔" یہ میٹنگوں والی نوکری میں کسی کے لیے بھی صفحے کے سب سے زیادہ فائدہ مند ورک فلوز میں سے ایک ہے، اور ٹیک کے باہر تقریباً کوئی بھی اسے ابھی استعمال نہیں کر رہا۔
• رسائی اور حرکت کے لیے آڈیو۔ لمبا سفر، کتے کو چہل قدمی، گاڑی چلانا: آواز اندر/آواز باہر مردہ وقت کو سوچنے کے وقت میں بدل دیتا ہے۔ ٹائپنگ کے مقابلے گفتگو کا معیار تھوڑا گرتا ہے کیونکہ آپ اپنا داخلہ اتنی صفائی سے ایڈٹ نہیں کر سکتے، مگر وہ وقت جو آپ ورنہ کھو دیتے پوری طرح بحال ہو جاتا ہے۔

2026 میں آڈیو کس میں اچھا اور برا ہے:

آڈیو کام	یہ کتنا اچھا کام کرتا ہے	کس سے ہوشیار رہیں
صاف تقریر کی نقل	بہترین	بھاری لہجے، تکنیکی اصطلاحات، ایک ساتھ بولتے کئی بولنے والے
بولنے والے کی شناخت (کس نے کیا کہا)	2 بولنے والوں پر مناسب، 4+ پر کمزور	کسی کا قول نقل کرنے سے پہلے ہمیشہ جانچیں
لہجہ، طنز، جذبہ	بہتر ہو رہا مگر بھروسے کے قابل نہیں	ماڈل سے کہیں کہ وہ اپنی غیر یقینیت نشان زد کرے بجائے فرض کرنے کے
موسیقی یا غیر تقریری آڈیو کا تجزیہ	محدود	ایک خصوصی ٹول استعمال کریں، عام مقصد والا AI نہیں
حقیقی وقت کی آواز گفتگو	آرام دہ کے لیے اچھا، تکنیکی گہرائی کے لیے کمزور	جب درستی اہم ہو تو متن پر منتقل ہوں

ایک غیر سافٹ ویئر مثال۔ ایک ڈاکٹر نے ایک 45 منٹ کی مریض مشاورت ریکارڈ کی (رضامندی کے ساتھ)، آڈیو اپ لوڈ کیا، اور AI سے پوچھا: "SOAP فارمیٹ میں ایک ساختہ کلینیکل نوٹ پیدا کرو۔ جو بھی تم پُراعتماد طریقے سے نہ سمجھ سکو اسے نشان زد کرو۔ مریض نے اپنی علامات کی تاریخ کے بارے میں جو تین سب سے اہم باتیں کہیں انہیں نمایاں کرو۔" آٹھ منٹ بعد ڈاکٹر کے پاس ایک مسودہ نوٹ تھا جسے جانچنے اور حتمی شکل دینے میں اسے 5 منٹ لگے، اس کے بجائے کہ ٹائپ شدہ نسخے میں 25 منٹ لگتے۔ AI نے کلینیکل فیصلے کی جگہ نہیں لی؛ اس نے ٹائپنگ ہٹا دی۔

لاگت نوٹ: آڈیو اندر/باہر متن کے بعد دوسرا سب سے سستا درجہ ہے، فی منٹ پیسوں میں (تصور 12)۔ میٹنگ کے خلاصوں، روزانہ آواز میں ڈائری، یا چہل قدمی پر پرامپٹس بولنے کے لیے، لاگت بنیادی طور پر غیر مرئی ہے۔ آزادانہ دہرائیں۔

ذہن میں رکھنے کے قابل ایک نمونہ: multimodal کا مستقبل "AI اب آواز کر سکتا ہے، کیا یہ زبردست نہیں" نہیں ہے۔ یہ یہ ہے کہ طرزوں کے درمیان سرحد مٹ جاتی ہے۔ آپ تیزی سے ایک ملا جلا بنڈل (ایک تصویر، ایک voice memo، ایک PDF، ایک سکرین شاٹ) ڈالیں گے اور اسے ایک پرامپٹ کی طرح برتیں گے۔ مہارت "میں آواز کیسے استعمال کروں" نہیں بلکہ "اس کام کے لیے داخلوں کا درست امتزاج کیا ہے؟" ہے۔

انٹرایکٹو ویڈیو avatars اسی رجحان پر ابھر رہے ہیں۔ پہلے سے ریکارڈ شدہ avatar ویڈیو (HeyGen، Synthesia، D-ID) تربیتی مواد اور کثیر لسانی کارپوریٹ مواصلت کے لیے پہلے ہی پیداواری معیار کا ہے۔ حقیقی وقت کے گفتگو والے avatars (Tavus اور دیگر) آج کم اہمیت والے استعمال کے لیے قابلِ قبول ہیں (کسٹمر FAQ چھانٹنا، چہرے کے ساتھ زبان کی تربیت، سادہ onboarding کے بہاؤ) اور تیزی سے بہتر ہو رہے ہیں۔ انہیں 2022 کی تصویری پیداوار کی طرح برتیں: متاثر کن، نیا، زیادہ تر علمی کام کے لیے ابھی روزمرہ عادت نہیں، مگر ایک تیز تجربے کے قابل جب کوئی کام متن کے بجائے اسکرین پر ایک چہرہ مانگے۔

9. ایک پرامپٹ سے چھوٹی ایپس بنانا

جدید AI ایک ہی پرامپٹ سے چھوٹے کھیل، ویب سائٹس، اور ٹولز بنا سکتا ہے۔ ابھی بڑے سافٹ ویئر کے لیے نہیں، مگر چھوٹی مفید چیزوں کے لیے، یہ ان لوگوں کے لیے بھی واقعی قابلِ رسائی ہے جنہوں نے کبھی کوڈ نہیں لکھا۔

ایپ دراصل کہاں چلتی ہے، اور آپ بعد میں اس کے ساتھ کیا کر سکتے ہیں۔ ایک معقول پہلا سوال: "اگر AI میرے لیے ایک ایپ بنائے، تو یہ دراصل کہاں رہتی ہے؟" 2026 کے وسط تک، تینوں بڑے ٹولز چھوٹی ایک پرامپٹ والی ایپس کو چیٹ میں ہی رینڈر کرتے ہیں، ایک سائیڈ پینل میں جسے آپ کلک کر کے اس کے ساتھ کام کر سکتے ہیں، اور اس پینل میں موجود چیز صرف ایک پیش منظر نہیں، یہ ایک artifact ہے: ایک مستقل شے جو گفتگو نے پیدا کی، جسے آپ ایڈٹ کر سکتے، دہرا سکتے، ایک قابلِ اشتراک لنک پر شائع کر سکتے، کہیں اور سرایت کر سکتے، یا کوڈ کے طور پر ڈاؤن لوڈ کر سکتے ہیں۔ اس فیچر کو Claude میں Artifacts کہتے ہیں (جہاں سے یہ نام آیا)، ChatGPT میں Canvas، اور Gemini میں Canvas۔ ایک سال پہلے ان کے درمیان نمایاں فرق تھے؛ آج زیادہ تر ایک پرامپٹ والی تعمیر کے لیے یہ فاصلہ چھوٹا ہے۔ ہر ایک کی اب بھی چھوٹی خوبیاں ہیں، یعنی Claude کے Artifacts انٹرایکٹو کلک اور کھیلنے والی چیزوں میں آگے، ChatGPT کا Canvas تحریر اور کوڈ ایڈٹنگ میں، Gemini کا Canvas گہرے مربوط Google ماحول کے آؤٹ پٹ میں، مگر "میرے لیے ایک چیز بنا دو" کے لیے، تینوں میں سے کوئی بھی کام کرے گا۔ جاننے کے قابل دو عملی نتائج۔ پہلا، آپ artifact کو کسی اور کے حوالے چیٹ بھیجے بغیر کر سکتے ہیں: زیادہ تر ٹولز آپ کو ایک عوامی لنک پر شائع کرنے دیتے ہیں، اور وصول کنندہ کو اسے استعمال کرنے کے لیے اکاؤنٹ کی ضرورت نہیں۔ دوسرا، artifact قابلِ دہرائی ہے، جب آپ کہتے ہیں "بٹن بڑا کرو" یا "ایک ڈارک موڈ ٹوگل ڈالو،" تو ٹول پوری چیز کو نئے سرے سے بنانے کے بجائے artifact کو موقع پر ایڈٹ کرتا ہے، جو ڈرامائی طور پر تیز ہے۔ ایک پرامپٹ والی تعمیر سے آگے کسی بھی چیز کے لیے، تین قریبی زمرے جاننے کے قابل ہیں: مخصوص AI ایپ بنانے والے جیسے v0، Bolt، اور Lovable (آپ سادہ زبان میں ایک ایپ بیان کرتے ہیں، وہ ایک مکمل Next.js یا React پروجیکٹ پیدا کرتے ہیں، یعنی غیر ڈویلپرز کے لیے تصور 9 کا قدرتی اگلا قدم)؛ کمانڈ لائن AI کوڈنگ ایجنٹس جیسے Claude Code اور OpenCode (آپ انہیں ایک حقیقی کوڈ بیس دیتے ہیں، وہ ایک ساتھ کئی فائلیں ایڈٹ کرتے اور ٹیسٹ چلاتے ہیں، اس صفحے کے اوپر 2022 سے تبدیلیوں کی فہرست میں شامل، ان ڈویلپرز کے لیے جو پہلے سے کوڈ لکھتے ہیں)؛ اور فائل سے واقف ڈیسک ٹاپ ایپس جیسے Cowork اور OpenWork (وہ آپ کی فائلیں ڈھونڈتی اور اجازت کے ساتھ ان پر عمل کرتی ہیں، تصور 11 میں شامل، علمی کارکنوں کے لیے، سافٹ ویئر بنانے کے لیے نہیں)۔ درست ٹول اس پر منحصر ہے کہ آپ کون سی سیڑھی چڑھ رہے ہیں۔

نسخہ بس تین خانے ہیں:

مقصد: یہ چیز کیا کرے؟
داخلہ: صارف کیا فراہم کرتا ہے؟
آؤٹ پٹ: صارف کیا دیکھتا ہے؟

ایسی مثالیں جو آج کام کرتی ہیں:

• Pomodoro ٹائمر۔ "ایک پیلے تھیم کے ساتھ Pomodoro ٹائمر بناؤ۔ 25 منٹ کے کام کے سیشن، 5 منٹ کے وقفے، ہر چکر ختم ہونے پر ایک خوشگوار کلک۔"
• بل بانٹنے والا۔ "ایک ایپ بناؤ جہاں میں کل بل، ایک ٹیکس رقم، اور دوستوں کے نام داخل کروں۔ یہ بل کو ٹیکس سمیت بانٹے اور ہر شخص کا حصہ دکھائے۔"
• لباس چننے والا۔ "ایک ایپ بناؤ جو آج کا موسم (درجہ حرارت اور بارش) لے اور ان اشیا کی الماری سے ایک لباس تجویز کرے جنہیں میں بیان کرتا ہوں۔"
• آتش بازی simulator۔ "ایک مزے دار آتش بازی simulator بناؤ۔ داخلہ: میں اسکرین پر کلک کرتا ہوں۔ آؤٹ پٹ: کلک کی جگہ پر آتش بازی کا ایک رنگین مظاہرہ۔"
• رکاوٹ رکھنے والا کھیل۔ "ایک کھیل بناؤ جہاں صارف رکاوٹیں اور ایک ہدف رکھے، اور ایک simulation چلائے جو ہدف تک پہنچنے کی کوشش کرے۔"

جو ابھی مشکل ہے:

• انٹرنیٹ پر ملٹی پلیئر۔ نیٹ ورکنگ، اکاؤنٹس، اور میچ میکنگ ابھی بھی ایک پرامپٹ والی تعمیر سے باہر ہیں۔
• مختلف زبان میں زندہ AI فیڈبیک۔ ایک فرانسیسی گفتگو کا استاد جو سنے، تلفظ ٹھیک کرے، اور حقیقی وقت میں ڈھلے، واقعی مشکل ہے۔

جو سمجھ آپ بناتے ہیں: ایک اسکرین پر فٹ آنے والی چھوٹی چیزیں، بغیر اکاؤنٹس اور بغیر بیرونی خدمات کے، کام کرتی ہیں۔ اس سے آگے کسی بھی چیز کو ایک سے زیادہ پرامپٹ، اور عام طور پر کچھ حقیقی انجینئرنگ چاہیے۔

ایک غیر سافٹ ویئر مثال۔ ایک والد نے اپنی بیٹی کے لیے ایک پیلا بلی والا ٹائپنگ کھیل بنایا جب اس کی استانی نے ذکر کیا کہ بچے تیز ٹائپ کر سکتے ہیں۔ وہ سافٹ ویئر انجینئر نہیں۔ پرامپٹ تین جملے تھا:

ایک 7 سالہ کے لیے ایک ٹائپنگ کھیل بناؤ۔ مقصد: عام مختصر الفاظ
ٹائپ کرنے کی مشق۔ داخلہ: الفاظ ظاہر ہوتے ہیں، کھلاڑی انہیں اسکرین
کی تہہ تک پہنچنے سے پہلے ٹائپ کرتا ہے۔ آؤٹ پٹ: ایک پیلا تھیم، ایک
پیارا بلی شُبیہ جو کھلاڑی کے کوئی لفظ صحیح کرنے پر خوش ہوتا ہے،
سطحوں میں بڑھتی رفتار۔

جو واپس آیا وہ کام کرتا تھا۔ مکمل طور پر نہیں، پہلی کوشش میں نہیں، مگر ایک گھنٹے کے اندر "ایک بچے کے لیے کافی اچھا" تک دہرایا گیا۔ یہاں جو مہارت بن رہی ہے وہ کوڈنگ نہیں۔ یہ ایک واضح بریف لکھنے اور اسے دہرانے کی صلاحیت ہے۔ وہ مہارت آفاقی ہے۔

10. ڈیٹا کا تجزیہ (ماڈل کوڈ لکھتا اور چلاتا ہے)

جب آپ AI سے ایسا سوال پوچھتے ہیں جسے حساب یا گراف کی ضرورت ہو، یعنی "میرا بجلی کا بل اس سال کیسے بدلا" سے لے کر "پچھلی سہ ماہی میں کون سی مصنوعات سب سے زیادہ بکیں" تک، تو جدید ٹولز خاموشی سے کچھ قابلِ ذکر کرتے ہیں: ماڈل کوڈ لکھتا ہے، اسے چلاتا ہے، اور نتیجہ واپس دیتا ہے۔ کوڈ چلانا بس ایک اور ٹول ہے جسے ماڈل بلا سکتا ہے، web search کی طرح۔ آپ کو خود کوئی کوڈ جاننے کی ضرورت نہیں؛ آپ بس اپنا spreadsheet اپ لوڈ کرتے ہیں اور سادہ زبان میں پوچھتے ہیں۔

یہ ماڈل سے ذہن میں حساب کرنے کو کہنے سے کہیں زیادہ قابلِ اعتماد ہے۔ ماڈل اسی طرح حساب کر رہا ہے جیسے آپ کرتے: ایک کیلکولیٹر چلا کر۔ کیلکولیٹر ہی ہے جو درست ہے؛ ماڈل بس چن رہا ہے کہ کیا حساب لگانا ہے۔

سب سے پہلے: یقینی بنائیں کہ AI واقعی کوڈ چلاتا ہے، بجائے اندازہ لگانے کے۔ یہ اس پورے حصے کی خاموش ناکامی ہے، اور یہی وجہ ہے کہ یہ سب سے اوپر آتا ہے: AI ہر سوال پر خودبخود کوڈ نہیں چلاتا، یہ چنتا ہے، اس بنیاد پر کہ سوال کیسے پوچھا گیا۔ چھوٹے سوالوں پر یہ کبھی کبھی کوڈ چھوڑ دیتا ہے اور ایک نظر میں جواب دے دیتا ہے، جو ایک پُراعتماد لگتا پیراگراف پیدا کرتا ہے جس کے پیچھے کوئی حقیقی حساب نہیں۔ باہر سے یہ ایک حقیقی تجزیے جیسا ہی دکھتا ہے۔ تین چھوٹی عادتیں اسے روکتی ہیں۔ پہلی، واضح طور پر مانگیں۔ "اس کا جواب دینے کے لیے کوڈ لکھو اور چلاؤ۔ جو کوڈ چلایا وہ مجھے دکھاؤ۔" زیادہ تر ماڈل جب آپ مانگیں تو مان لیتے ہیں۔ وہ ایک سطر، کسی بھی ڈیٹا پرامپٹ میں چسپاں کی جائے، ایک حقیقی تجزیے اور ایک معقول اندازے کے درمیان فرق پیدا کرتی ہے۔ دوسری، جانچیں کہ کوڈ واضح طور پر موجود ہے۔ اگر جواب میں ایک ایسا کوڈ بلاک شامل نہیں جو چلا، تو ماڈل نے غالباً کوڈ نہیں چلایا۔ تیسری، تجزیے سے پہلے ایک قابلِ تصدیق مخصوص بات کا تقاضا کریں۔ "کسی چیز کا تجزیہ کرنے سے پہلے مجھے اس فائل کی عین قطار کی گنتی، کالم کے نام، اور تاریخ کی حد بتاؤ۔" اگر ماڈل واقعی فائل پڑھ رہا ہے، تو وہ جواب درست ہوں گے۔ اگر یہ باتیں بنا رہا ہے، تو قطار کی گنتی مشکوک طور پر گول عدد ہوگی اور کالم کے نام معقول مگر غلط ہوں گے۔ اس چال کا سب سے مضبوط نسخہ یہ ہے کہ ماڈل سے کہیں کہ پہلے اپنا طریقہ بتائے: "کیا تم فائل پر کوڈ چلا رہے ہو، یا اندازہ لگا رہے ہو؟ اگر اندازہ لگا رہے ہو، تو رکو اور اس کے بجائے کوڈ چلاؤ۔" زیادہ تر ماڈل یا تو ٹول بلائیں گے یا تسلیم کریں گے کہ وہ چھوڑنے ہی والے تھے۔

ایک بار جب آپ کے پاس وہ عادت ہو، تو اس حصے کا باقی حصہ یہ ہے کہ ڈیٹا کا تجزیہ عملی طور پر کیسا دکھتا ہے۔

Bubble tea شاپ مثال۔ ایک چھوٹے کاروبار کے پاس ایک سال کا فروخت کا ڈیٹا ہے: مشروبات، تاریخیں، مقدار۔ مالک پوچھتا ہے: "کن مشروبات کی فروخت میں سال بھر میں سب سے بڑی تبدیلیاں آئیں؟ انہیں گراف کرو۔ اس کا جواب دینے کے لیے کوڈ لکھو اور چلاؤ اور جو کوڈ چلایا وہ مجھے دکھاؤ۔"

پردے کے پیچھے، AI ایک مختصر پروگرام لکھتا ہے، اسے spreadsheet پر چلاتا ہے، نتائج دیکھتا ہے، اور انہیں ایک جواب میں بدلتا ہے۔ عملی طور پر یہ ایسا دکھتا ہے: AI فی مشروب ماہ بہ ماہ تبدیلیاں حساب کرتا ہے، دیکھتا ہے کہ زیادہ تر مشروبات یکساں ہیں اور چار نمایاں ہیں، ان چار کا ایک رنگین لائن گراف پیدا کرتا ہے، اور نمونے نوٹ کرتا ہے۔ "Strawberry matcha بہار میں تیزی سے بڑھا؛ اگلے سال وہ مہم دوبارہ چلانے پر غور کرو۔" یہ کوئی عام جواب نہیں۔ یہ ایک ایسا جواب ہے جو اصل ڈیٹا پر مبنی ہے۔

پھر ایک بڑا پرامپٹ: "شاپ کے لیے ایک سلائیڈ والا سال کے جائزے کا گرافک بناؤ۔ نمایاں کرنے کے قابل بصیرتوں کے لیے ڈیٹا کا غور سے تجزیہ کرو۔" یہ ایک بھاری کام ہے، تو AI اسے حل کرنے میں زیادہ وقت لیتا ہے، کبھی کبھی چند منٹ۔ یہ کوڈ لکھتا ہے، تجزیے چلاتا ہے، بصیرتیں چنتا ہے، تشریحات ڈیزائن کرتا ہے، اور ایک مکمل ڈیش بورڈ پیدا کرتا ہے۔

یہ کس کے لیے اچھا ہے، ان مثالوں کے ساتھ جو ابتدائی لوگوں کے پاس واقعی ہوتی ہیں:

• گھریلو اخراجات۔ بینک یا کریڈٹ کارڈ کے لین دین کا ایک سال اپ لوڈ کریں؛ پوچھیں کون سے زمرے بڑھے، کون سے مہینے غیر معمولی تھے، کون سی سبسکرپشن آپ بھول گئے۔
• ذاتی سراغ رسانی۔ دوڑنا، چہل قدمی، نیند، وزن، اسکرین کا وقت، کوئی بھی ایپ جو ایک CSV برآمد کرتی ہے آپ کو دیکھنے کے لیے اپنا ایک سال دے گی۔
• چھوٹے کاروبار کے ریکارڈ۔ فروخت کے spreadsheets، انوینٹری کی فہرستیں، گاہکوں کی فہرستیں، اخراجات کی فائلیں۔
• کوئی بھی چیز جو کسی نے آپ کو ایک spreadsheet کے طور پر دی اور آپ اسے کھولنا نہیں چاہتے: اسکول کے گریڈ کی رپورٹیں، یوٹیلیٹی استعمال کے بیانات، سائنسی ڈیٹا، سروے کے نتائج۔

کیا دوبارہ جانچنا ہے، تب بھی جب کوڈ چلا:

• حتمی کل رقمیں۔ کوڈ درست ہے، مگر AI نے شاید غلط کالم جمع کیا ہو۔
• گرافوں پر لیبل۔ اعداد عموماً درست ہوتے ہیں؛ کیپشن کبھی کبھی پُراعتماد طریقے سے غلط ہوتے ہیں۔
• کوئی بھی چیز جہاں تجزیہ کسی ایسے کالم پر منحصر ہو جسے AI نے شاید غلط سمجھا۔ اگر AI سمجھے کہ "TXN_AMT" کا مطلب لین دین کی رقم ہے جبکہ دراصل اس کا مطلب لین دین کھاتہ نمبر ہے، تو پورا تجزیہ ریت پر بنا ہے۔

قابلِ اعتمادیت یادداشت پر مبنی حساب سے بہت زیادہ ہے، مگر یہ بے خطا نہیں۔ AI کے ڈیٹا تجزیے کو ایسے برتیں جیسے آپ ایک تیز جونیئر تجزیہ کار کے کام کو برتیں: مفید، تیز، تقریباً ہمیشہ درست، کبھی کبھار سبق آموز طریقوں سے غلط۔

ایک غیر سافٹ ویئر مثال۔ ایک دوڑنے والے نے دوڑ کے سراغ رساں ڈیٹا کے چھ مہینے اپ لوڈ کیے (ایک فٹنس ایپ سے ایک CSV) اور پوچھا: "میری رفتار اور فاصلہ کیسے ترقی کر رہے ہیں؟ کیا کوئی نمونے ہیں جو مجھے جاننے چاہئیں؟ کوڈ لکھو اور چلاؤ، اور جو چلایا وہ مجھے دکھاؤ۔" AI نے کوڈ لکھا، ہفتہ وار اوسط چارٹ کیے، اور دو چیزیں دیکھیں جو دوڑنے والے نے نہیں دیکھی تھیں: رفتار ہر لمبی دوڑ کے اختتامِ ہفتہ کے بعد مستقل گرتی تھی (غالباً تھکن)، اور فاصلہ تیسرے مہینے میں ٹھہر گیا اس سے پہلے کہ دوبارہ چڑھے۔ سفارش: ہر چوتھے ہفتے ایک deload ہفتہ، اور ایک سست لمبی دوڑ کی رفتار۔ دوڑنے والا اسی ڈیٹا کو ایپ کے ڈیش بورڈ میں مہینوں گھورتا رہا تھا بغیر وہ نمونے دیکھے۔ AI نے کہیں سے بصیرت ایجاد نہیں کی؛ اس نے وہ حساب لگایا جو دوڑنے والے کے پاس لگانے کا وقت نہیں تھا۔

ایک مفید نمونہ: وہ چارٹ مانگیں جو یہ کھینچے گا

جب آپ ڈیٹا اپ لوڈ کریں، تو آپ کا پہلا پرامپٹ سوال ہونا ضروری نہیں۔ یہ ہو سکتا ہے: "اس ڈیٹاسیٹ کو بیان کرو۔ یہاں کون سے کالم ہیں، وہ کیا ظاہر کرتے ہیں، اور کون سے 3 چارٹ سب سے بہتر دکھائیں گے کہ کیا ہو رہا ہے؟" جواب پڑھیں، وہ چارٹ چنیں جو آپ چاہتے ہیں، پھر اسے مانگیں۔ یہ غلط سمجھے گئے کالموں کو غلط تجزیے بننے سے پہلے پکڑ لیتا ہے۔

---

حصہ 4: محفوظ طریقے سے کام کرنا اور ٹولز چننا

تین آخری تصورات: AI کو اپنی فائلوں اور اجازتوں تک محفوظ طریقے سے رسائی کیسے دیں، کام کے لیے درست ٹول کیسے چنیں، اور جب کمرے میں کوئی انسانی ماہر نہ ہو تو معیار پر معروضی اشارہ کیسے حاصل کریں۔

11. AI ڈیسک ٹاپ ایپس اور اجازتیں

اب مصنوعات کی ایک پوری قسم ہے جسے AI ڈیسک ٹاپ ایپس کہتے ہیں: ایپس جو آپ کے کمپیوٹر پر چلتی ہیں اور، اجازت کے ساتھ، آپ کی فائلیں ڈھونڈ سکتی، پڑھ سکتی، اور ان پر عمل کر سکتی ہیں۔ Claude کا Cowork اور OpenWork دو مثالیں ہیں، اور یہ قسم بڑھ رہی ہے۔

یہ کیا کر سکتی ہیں جو چیٹ نہیں کر سکتی:

• بکھرے ہوئے PDFs کے فولڈر میں دیکھیں، ایک نئی تنظیم تجویز کریں (فائلوں کا نام بدلیں، انہیں منتقل کریں، ذیلی فولڈر بنائیں)، اور آپ کی منظوری کے بعد منصوبے پر عمل کریں۔
• ایک پروجیکٹ کے لیے متعلقہ فائلیں اکٹھی کریں (آپ کہتے ہیں "میں ان تاریخوں پر فلم بنا رہا ہوں اور یہ لوگ شامل ہیں")، اور خود ہی چیزیں دیکھیں (کسی عملے کے رکن کی سالگرہ شوٹ کے دوران آتی ہے، کیا آپ ایک جشن شامل کرنا چاہتے ہیں)۔
• ایک فولڈر میں پڑھیں اور خلاصہ کریں: "اس projects/ فولڈر کے مواد کی بنیاد پر، میں نے پچھلی سہ ماہی میں کس پر کام کیا؟"

وہ ورک فلو جو اسے محفوظ بناتا ہے:

1. اسے کام بتائیں۔ ("اس فولڈر کو گاہک کے حساب سے دوبارہ ترتیب دو۔")
2. عمل نہیں، ایک منصوبہ مانگیں۔ ایپ فائل کارروائیوں کی ایک فہرست تجویز کرتی ہے۔
3. منصوبے کا جائزہ لیں اور اسے ایڈٹ کریں۔ وہ نام بدلنا جو آپ نہیں چاہتے اس کے ہونے سے پہلے پکڑ لیں۔
4. تب جا کر عمل کی منظوری دیں۔

کسی بھی AI ایپ کو فائل تک رسائی دینے سے پہلے یہ پڑھیں

دو حقائق جو زیادہ تر لوگ مشکل طریقے سے سیکھتے ہیں:

• حذف شدہ فائلیں اکثر آپ کے recycle bin میں نہیں جاتیں جب کوئی AI ایپ انہیں حذف کرتی ہے۔ وہ ختم۔
• ایڈٹ شدہ فائلیں کوئی ایڈٹ تاریخ نہیں رکھتیں جب تک آپ کے پاس version control نہ ہو۔ AI کی تبدیلی پچھلے نسخے کو اوور رائٹ کر دیتی ہے۔

جب تک آپ یہ چند بار محفوظ طریقے سے نہ کر لیں، ہر اجازت کی درخواست کو کام کے لیے درکار سب سے چھوٹے فولڈر تک محدود کریں۔ ایک ایسی ایپ کے لیے "full disk access" منظور نہ کریں جسے آپ نے دو بار استعمال کیا ہو۔

یہ واقعی ٹول کی ایک نئی شکل ہے۔ اسے اسی طرح برتیں: جیسے پہلی بار آپ نے کسی جونیئر ملازم کو ایک حقیقی کھاتے کی چابیاں سونپی ہوں۔ مفید، تیز، اور محتاط رہنے کے قابل۔

ایک غیر سافٹ ویئر مثال۔ ایک مشیر کے پاس clients/ نامی ایک فولڈر تھا جو چار سالوں میں 240 PDFs تک بڑھ گیا تھا: معاہدے، رسیدیں، scoping دستاویزات، ہاتھ سے اسکین کی گئی رسیدیں، میٹنگ کے نوٹ۔ اس نے ایک AI ڈیسک ٹاپ ایپ سے کہا: "clients/ میں دیکھو۔ ایک تنظیمی منصوبہ تجویز کرو۔ ابھی کوئی فائل منتقل مت کرو۔ تجویز کردہ منصوبہ مجھے ایک درخت کے طور پر دکھاؤ۔" ایپ نے ایک صاف درخت پیدا کیا: فی گاہک ایک فولڈر، معاہدوں، رسیدوں، اور نوٹوں کے لیے ذیلی فولڈر، ساتھ میں 18 فائلوں کی ایک نشان زد فہرست جنہیں یہ پُراعتماد طریقے سے درجہ بند نہ کر سکی۔ اس نے تجویز ایڈٹ کی (دو گاہکوں کا نام بدلا، دو فولڈر ملائے)، پھر عمل کی منظوری دی۔ کل وقت: تقریباً پندرہ منٹ۔ یہی کام تین سال سے اس کی "کبھی نہ کبھی" فہرست میں تھا۔ کلید AI کا سوچنا نہیں تھا؛ یہ AI کا اکتاہٹ کرنا تھا تاکہ سوچنا سستا ہو جائے۔

اجازت کی سیڑھی۔ آرام دہ ہونے کے لیے ایک مفید ترتیب:

آرام کی سطح	کیا اجازت دیں	کس کو نہ کہتے رہیں
پہلے سیشن	ایک واحد چھوٹے فولڈر تک صرف پڑھنے کی رسائی۔	کوئی بھی چیز جو لکھے، حذف کرے، یا نام بدلے۔
2 سے 3 کامیاب دوروں کے بعد	ایک مخصوص فولڈر کے اندر پڑھنا اور لکھنا۔	ڈیسک ٹاپ یا دستاویزات کی جڑ جیسی وسیع ڈائرکٹریوں تک رسائی۔
ایک صاف ہفتے کے بعد	ایک پروجیکٹ کے درخت میں پڑھنا، ایک محدود ذیلی فولڈر کے اندر لکھنا۔	اس پروجیکٹ سے باہر کوئی بھی چیز۔
قابلِ اعتماد	ٹول کے لحاظ سے مخصوص اجازتیں ("اس فولڈر میں PDFs کا نام بدلو،" "اس فولڈر میں Word docs ایڈٹ کرو")۔	کھلے عام "جو ضرورت ہو وہ کرو۔"

اصول: دائرہ ساکھ کے ساتھ بڑھتا ہے، اس بات سے نہیں کہ آپ ٹول بنانے والی کمپنی پر کتنا بھروسہ کرتے ہیں۔ بھروسہ آپ کے مخصوص ورک فلو میں رویے سے کمایا جاتا ہے۔

12. لاگت، رفتار، اور کب کون سا ماڈل استعمال کرنا ہے

ذہن میں رکھنے کے لیے ایک سادہ ڈھیر:

الفاظ میں:

• متن: سیکنڈ، فی جواب ایک پیسے کے حصے۔
• تقریر: سیکنڈ، فی منٹ آڈیو چند پیسے۔
• تصاویر: دسیوں سیکنڈ، فی پیداوار کئی پیسے۔ کوئی جلدی روک نہیں، پوری تصویر ایک ساتھ بنتی ہے۔
• ویڈیو: فی پیداوار منٹ، کئی پیسوں سے چند ڈالر تک۔ دہرائی تکلیف دہ ہے کیونکہ ہر دور سست اور مہنگا ہے۔
• Deep research: منٹ، کئی پیسوں سے ایک چوتھائی ڈالر تک، مگر یہ آپ کے لیے درجنوں ذرائع ترکیب دیتا ہے۔

داخلی سطح پر لاگت بمشکل ایک رکاوٹ ہے۔ بڑے چیٹ بوٹس، یعنی ChatGPT، Claude، Gemini، Meta AI، اور DeepSeek، سب مفت رسائی پیش کرتے ہیں جو اس صفحے کے قسم کے پرامپٹس کو آرام سے سنبھالتی ہے۔ آپ صرف تب پیڈ پلان تک پہنچتے ہیں جب آپ بھاری deep-research دوروں، بہت بڑی فائل اپ لوڈز، ویڈیو پیداوار، یا لامحدود روزانہ استعمال پر زور دیں۔ اختتامی حصے کی مشقوں کے لیے، ان میں سے کسی کا بھی مفت درجہ کافی ہے۔

دو نتائج:

1. دہرائی کی لاگت طے کرتی ہے کہ آپ کیا کرتے ہیں۔ آپ ایک دوپہر میں متن پر 50 بار دہرا سکتے ہیں۔ آپ ایک دوپہر میں ویڈیو پر 50 بار نہیں دہرا سکتے۔ تو جب آپ تصاویر یا ویڈیو پیدا کریں، تو پرامپٹ میں آگے سے زیادہ سرمایہ کاری کریں (اور اسے لکھنے کے لیے ایک ٹیکسٹ AI استعمال کریں)۔
2. لاگتیں نیچے کی طرف رجحان رکھتی ہیں۔ جو تصویر آج آپ کو 10 پیسے کی پڑتی ہے وہ اگلے سال اس کے ایک حصے کی ہوگی۔ اپنے گھر، ایک سالگرہ کارڈ، یا ایک شادی کے دعوت نامے کے لیے فن پیدا کرنا تیزی سے مفت ہوتا جا رہا ہے۔

کس کام کے لیے کون سا ماڈل؟ AI دندانے دار ہے: مختلف ماڈل مختلف چیزوں میں اچھے ہیں، اور سرکردہ ہر چند مہینے میں بدلتا ہے۔ کوئی ایک بہترین ماڈل نہیں۔ دو عادتیں مدد کرتی ہیں:

• ایک ہی پرامپٹ کو 2 سے 3 ماڈلوں میں باقاعدگی سے آزمائیں۔ وہی سوال، کئی ٹولز۔ جواب پڑھیں۔ فرق آپ کو حیران کریں گے، اور وہ آپ کی سمجھ کو اپ ڈیٹ کرتے ہیں کہ کس قسم کے سوال کے لیے کون سا ٹول بہترین ہے۔
• ایک ٹول سے شادی نہ کریں۔ ایک کارکن جو صرف ایک AI استعمال کرتا ہے وہ ایسا کارکن ہے جو اپنے دو تہائی کاموں کے لیے غلط ہے کہ کون سا ٹول بہترین ہے۔ بدلنا مفت ہے؛ آپ بس ایک مختلف ٹیب میں پرامپٹ چسپاں کرتے ہیں۔

آج آپ کے کام کے لیے بہترین AI تین مہینے میں آپ کے کام کے لیے بہترین AI نہیں۔ ڈھیلے رہیں۔

ہر بڑا ماڈل اس وقت کس میں اچھا ہوتا ہے اس کا ایک موٹا منظر (یہ بدلے گا؛ اسے ایک نقطہ آغاز سمجھیں، فیصلہ نہیں):

ٹول	عموماً اس میں مضبوط	عموماً اس میں کمزور
Claude	مشکل پرامپٹس پر استدلال، طویل دستاویز کی سمجھ، SVG اور خاکہ پیداوار، کوڈ اور WebDev، محتاط تحریری آواز، ساختہ تجزیہ۔ اس وقت زیادہ تر Arena زمروں میں آگے۔	اندرونی فوٹو ریئلسٹک تصویری پیداوار ChatGPT اور Gemini کے مقابلے کم مرکزی ہے۔
ChatGPT	اول درجے کی اندرونی تصویری پیداوار (GPT Image-2 Arena کے text-to-image اور image-edit زمروں میں آگے)، آواز موڈ، گفتگو کا دائرہ، وسیع کاموں کا احاطہ۔	کبھی کبھی لمبا؛ فہرستوں اور عنوانات سے زیادہ فارمیٹ کر سکتا ہے۔
Gemini	تیز web search اور ماخذ ترکیب، بھرپور آؤٹ پٹ کے ساتھ deep research (چارٹ، میزیں)، مضبوط تصویری پیداوار (Arena کے ٹاپ 5 میں Nano Banana کی اقسام)، گہرا Google Workspace انضمام۔	لہجہ زیادہ مختصر محسوس ہو سکتا ہے؛ کچھ جواب مثالی سے چھوٹے جھکتے ہیں۔
Meta AI	WhatsApp، Instagram، Messenger، اور Facebook میں سرایت شدہ (پہلے ہی ایک ارب سے زیادہ لوگوں کے آلے پر)؛ بغیر سبسکرپشن فیس کے مفت؛ Muse Spark (اپریل 2026) مسابقتی multimodal استدلال اور ایک "Contemplating mode" لاتا ہے جو کئی ایجنٹ متوازی چلاتا ہے۔ اس وقت Arena کی text leaderboard کے ٹاپ 5 میں ہے۔ انٹرایکٹو بصری artifacts (ویب ڈیش بورڈ، منی گیمز، کوئز) اور صحت یا سائنسی ڈیٹا کے لیے بہترین۔	کوڈنگ ورک فلوز اور طویل افق کے ایجنٹس بڑے تینوں سے پیچھے؛ Projects، Canvas، یا Artifacts جیسے انضمام کا چھوٹا ماحول؛ ابھی کوئی عوامی API نہیں (صرف ایک نجی preview)؛ اگر آپ زور دیں تو استعمال شرح سے محدود ہو جاتا ہے۔
DeepSeek	کھلے ذریعے کے وزن جنہیں آپ خود میزبان کر سکتے یا کم لاگت پر API کے ذریعے چلا سکتے ہیں؛ 1M ٹوکن سیاق بطور طے شدہ؛ V4-Pro STEM اور کوڈنگ بینچ مارکس پر سرفہرست بند ذریعہ ماڈلوں کا مقابلہ کرتا ہے؛ V4-Flash تیز، سستا روزمرہ انتخاب ہے۔	چیٹ انٹرفیس کا نکھار بڑے تینوں سے پیچھے؛ صارف ماحول (موبائل ایپس، گہرے انضمام) چھوٹا ہے؛ زیادہ تر زمروں میں Arena درجہ بندی Claude، ChatGPT، Gemini، اور Meta سے نیچے بیٹھتی ہے۔

دو نئی صفوں پر ایک نوٹ۔ Meta AI کی قدر پہلے "ہر جگہ موجودگی + مفت، گہرائی نہیں" ہوتی تھی، مگر Muse Spark استدلال کے کاموں کے لیے گہرائی کا زیادہ تر فاصلہ پاٹ دیتا ہے جبکہ ہر جگہ موجودگی اور مفت کی برتری برقرار رکھتا ہے۔ اگر آپ کے پاس WhatsApp یا Instagram ہے، تو اب آپ اسی ایپ کے اندر سنجیدہ سوچ کر سکتے ہیں جو آپ ویسے بھی کھولنے والے تھے۔ پھر بھی، حقیقی کام کے لیے اسے استعمال کرنے سے پہلے دو حدیں جاننے کے قابل ہیں۔ پہلی، مفت کا مطلب لامحدود نہیں: Meta پردے کے پیچھے شرح کی حدیں لگاتا ہے، تو Contemplating mode کا بھاری استعمال یا تیز خودکار ورک فلوز بالآخر روکے جائیں گے۔ دوسری، آپ کے داخلے مستقبل کے Meta ماڈلوں کو تربیت دینے کے لیے استعمال ہو سکتے ہیں۔ Meta کی شرائط اس کی اجازت دیتی ہیں اور صارف مصنوعہ طے شدہ طور پر اس سے باہر نکلنے کے لیے ترتیب شدہ نہیں۔ یہ Muse Spark کو حساس مواد، یعنی اندرونی کمپنی دستاویزات، نجی کوڈ، طبی معلومات، کوئی بھی چیز جسے آپ ایک تربیتی pipeline میں نہیں ڈالنا چاہیں گے، کے لیے ایک ناقص انتخاب بناتا ہے۔ غیر حساس روزمرہ کام کے لیے یہ بہترین ہے۔ DeepSeek کی قدر کھلا ذریعہ اور سستا ہونا ہے، یہ درست انتخاب ہے جب آپ قیمت کے حساس ہوں، خود میزبانی کا اختیار چاہیں، یا مفت درجے کے کام کے لیے وہ 1M ٹوکن سیاق کی کھڑکی چاہیں۔ بڑے تینوں اب بھی ان گہرے ورک فلوز پر آگے ہیں جو یہ صفحہ سکھاتا ہے (Projects، Canvas، Artifacts، deep research)، تو وہ عملی مثال کے ٹولز رہتے ہیں۔

نشان زد کرنے کے قابل leaderboard۔ جب آپ کو ایک موجودہ منظر چاہیے کہ کون سا ماڈل کس کام میں آگے ہے، تو سب سے مفید وسیلہ Arena ہے۔ صارفین دو گمنام ماڈلوں کے اندھے آمنے سامنے موازنوں میں ووٹ دیتے ہیں، تو درجہ بندیاں وینڈر کی مارکیٹنگ کے دعووں کے بجائے حقیقی ترجیحات کی عکاسی کرتی ہیں۔ سائٹ متن، کوڈ، vision، دستاویز، تصویری پیداوار، تصویر ایڈٹ، search، اور ویڈیو کے لیے الگ leaderboards رکھتی ہے۔ اسے مہینے میں ایک بار جانچیں۔ سرکردہ تیزی سے بدلتے ہیں، یعنی جو ماڈل مئی میں کسی زمرے میں سرفہرست ہو وہ شاید اگست میں نہ ہو، اور ایک نیا داخل ہونے والا ہفتوں میں ٹاپ پانچ میں چھلانگ لگا سکتا ہے (Muse Spark نے اپریل 2026 میں ایسا کیا)۔ دو جاننے کے قابل احتیاطیں: leaderboards طویل دستاویزات پر محتاط کام سے زیادہ گفتگو کی دلکشی کو انعام دیتے ہیں، اور وہ ایسے کام نمونے کے طور پر لیتے ہیں جو ووٹ کرنے والے صارفین کو دلچسپ لگیں، جو ہمیشہ آپ کا کام نہیں۔ اسے کئی اشاروں میں سے ایک کے طور پر استعمال کریں؛ تصور 13 میں leaderboard اشاروں کو ان قسم کے پرامپٹس پر آپ کی اپنی A/B جانچ کے ساتھ جوڑنے پر مزید ہے جو آپ واقعی چلاتے ہیں۔

تین عادتیں جو جمع ہوتی ہیں:

1. کم از کم دو ٹیب کھلے رکھیں۔ ایک بنیادی ٹول اور ایک بیک اپ۔ جب بنیادی آپ کو کچھ ایسا دے جو ٹھیک نہ لگے، تو وہی پرامپٹ بیک اپ میں چسپاں کریں۔ دوسرا جواب اکثر فیصلہ کن ہوتا ہے۔
2. ایک پرامپٹ scratchpad رکھیں۔ ایک نوٹ فائل (کوئی بھی ٹیکسٹ فائل چلتی ہے) جہاں آپ ایسے پرامپٹس جمع کرتے ہیں جنہوں نے غیر معمولی طور پر اچھے نتائج پیدا کیے۔ انہیں دوبارہ استعمال اور ڈھالیں۔ یہ آپ کی ذاتی لائبریری ہے۔
3. غور کریں کہ ماڈل کب غلط ہے۔ ڈانٹ کے طور پر نہیں، ڈیٹا کے طور پر۔ غلطی اس ٹول کے کناروں کے بارے میں ایک مفت اشارہ ہے۔ ہفتے میں ایک بار "ٹول X کا Y کے بارے میں پُراعتماد غلط ہونا" نوٹ کرنا کسی بھی 2,000 لفظی AI نیوز لیٹر پڑھنے سے زیادہ مفید ہے۔

ایک چھوٹی رسم جو فائدہ دیتی ہے

مہینے میں ایک بار، دو چیزیں ساتھ کریں: (1) جس زمرے کی آپ کو پروا ہو اس کے لیے Arena کی leaderboards پر ایک نظر ڈالیں، اور (2) ایک کام چنیں جو آپ باقاعدگی سے کرتے ہیں (ہفتہ وار status updates لکھنا، کھانوں کی منصوبہ بندی، ایک بار بار آنے والی دستاویز کا خلاصہ) اور اسے تین مختلف AI ٹولز میں چلائیں۔ نوٹ کریں کہ کس نے اسے آپ کے حقیقی کام پر بہترین کیا۔ اگلے مہینے تک، جب آپ دوبارہ جانچیں، اس کام کے لیے وہی استعمال کریں۔ آپ کا ساز و سامان بغیر محنت کے موجودہ رہتا ہے، اور leaderboard آپ کو بتاتا ہے کہ آیا آپ کو کسی نئے کھلاڑی کو جانچنا چاہیے جو آپ کی نظر میں نہیں تھا۔

---

13. ماڈل ماڈلوں کو جانچتے ہیں

جب کوئی پختہ سچائی نہ ہو (کوئی جواب کنجی نہیں، کوئی ماہر آپ کے ساتھ نہیں بیٹھا، کوئی ٹیسٹ نہیں جو سرخ ہو کر ناکام ہو)، تب بھی آپ معیار پر ایک معروضی اشارہ حاصل کر سکتے ہیں۔ آپ اسے ماڈلوں سے ایک دوسرے کو نمبر دلوا کر حاصل کرتے ہیں۔

ہلکے نسخے سے شروع کریں۔ اگر آج آپ کے پاس صرف ایک AI ٹول کھلا ہے، تو واحد ماڈل خود تنقید کا چکر (بس نیچے بیان کیا گیا) آپ کو زیادہ تر فائدہ دیتا ہے، اور یہ وہ نسخہ ہے جو زیادہ تر روزمرہ کاموں کو چاہیے۔ اس کے بعد آنے والا مکمل کئی ماڈل والا نسخہ اہم معاملات کا نسخہ ہے: یہ فرض کرتا ہے کہ کسی دوسرے براؤزر ٹیب میں ایک دوسرا مفت اکاؤنٹ کھلا ہو، تقریباً ایک منٹ کی ترتیب، اور یہ اس ترتیب کے قابل صرف تب ہے جب غلط ہونا مہنگا ہو۔ مکمل نسخہ ابھی شکل کے لیے پڑھ لیں، مگر پہلے ہلکے نسخے کی طرف بڑھیں؛ بھاری کی طرف تب جائیں جب آپ کی میز پر کوئی چیز واقعی اس کا حق رکھتی ہو۔

مختلف ماڈلوں کے مختلف اندھے دھبے ہوتے ہیں۔ انہیں ملتے جلتے مگر ایک جیسے نہیں ڈیٹا پر، مختلف انعامی اشاروں کے ساتھ، ان ٹیموں نے تربیت دی جنہوں نے مختلف چیزوں پر زور دیا۔ ایک نکتہ جو ایک ماڈل چھوڑ دیتا ہے، اسے دوسرا ماڈل اکثر پکڑ لیتا ہے۔ ان کے درمیان اختلاف ہی وہ اشارہ ہے جو آپ کسی ایک ماڈل سے اکیلے نہیں پا سکتے۔ یہ صرف تب کام کرتا ہے جب ماڈل واقعی مختلف خاندانوں سے آئیں، یعنی Anthropic (Claude)، OpenAI (ChatGPT)، Google (Gemini)، Meta (Meta AI / Muse Spark)، اور DeepSeek پانچ الگ خاندان ہیں جن سے لیا جا سکتا ہے۔ دو Claude ماڈل ایک دوسرے کو پرکھیں تو یہ حقیقی کراس ماڈل جانچ نہیں؛ ان کے پیشگی مفروضے بہت ملتے جلتے ہیں۔

یہ رہا مکمل کئی ماڈل والا نسخہ، کئی دستاویزات پر نکھارا گیا اور حقیقی مشق سے لکھا گیا۔ یہ اہم معاملات کا نسخہ ہے؛ ہلکا واحد ماڈل والا چکر اگلے ذیلی حصے میں ہے:

1. سب سے بہترین ماڈل سے شروع کریں جس تک آپ کی رسائی ہو۔ "بہترین" کا مطلب وہ ہے جس کا آپ کے قسم کے کام پر سب سے مضبوط استدلال اور لمبے آؤٹ پٹ کی ہم آہنگی ہو۔ کئی اشارے استعمال کریں: Arena کی leaderboards بطور نقطہ آغاز (تصور 12 ان کا تعارف کراتا ہے)، ساتھ میں اس قسم کے کام کے ایک نمائندہ نمونے پر آپ کی اپنی تیز A/B جانچ جو آپ واقعی کرتے ہیں۔ یہاں A/B جانچ کا بس مطلب ہے: وہی پرامپٹ دو یا تین ماڈلوں کو بھیجیں، جواب آمنے سامنے پڑھیں، اور اپنی آنکھوں کو بتانے دیں کہ آپ کے قسم کے کام پر کون سا بہتر ہے۔ کسی ایک leaderboard پر لنگر مت ڈالیں؛ وہ مختلف چیزیں ماپتے ہیں، اور ترجیح پر مبنی درجہ بندیاں طویل دستاویزات پر محتاط کام سے زیادہ گفتگو کی دلکشی کو انعام دیتی ہیں۔
2. پہلا مسودہ پورے سیاق کے ساتھ پیدا کریں۔ اسے ایک ساتھی کی طرح بریف کریں (تصور 1)، مشکل مسائل کے لیے سوچنے کا انداز آن کریں (تصور 5)، ساخت کے لیے ذہن سازی اور دہرانے کا چکر استعمال کریں (تصور 7)۔
3. اس سے اپنے ہی آؤٹ پٹ کو نام زد معیارات کے خلاف 1 سے 10 نمبر دینے کو کہیں۔ "کیا یہ اچھا ہے؟" نہیں بلکہ "اسے وضاحت، درستی، ساخت، اور کیا غائب ہے پر نمبر دو، ہر ایک 1 سے 10، ہر نمبر کے لیے ایک جملے کی وجہ کے ساتھ۔" پہلا نمبر عام طور پر 7 یا 8 ہوتا ہے۔
4. اس سے اپنی ہی تجاویز پر عمل کرنے کو کہیں۔ اس وقت تک دہرائیں جب تک نمبر چڑھنا بند نہ کرے، جو عام طور پر 9 کے آس پاس ٹھہرتا ہے۔
5. مسودے کو ایک مختلف خاندان کے دوسرے ماڈل تک لے جائیں۔ وہی معیار مانگیں۔ مختلف ماڈل، مختلف پیشگی مفروضے، مختلف اندھے دھبے۔ دوسرا ماڈل وہ چیزیں پکڑے گا جن پر پہلے ماڈل نے خود کو نمبر دیا تھا، جو بالکل وہی بند چکر ہے جس سے آپ کو نکلنا ہے۔
6. دوسرے ماڈل کی تنقید پہلے ماڈل کے پاس واپس لائیں۔ اسے ایمانداری سے بیان کریں: "ایک اور ماڈل نے یہ تنقید پیدا کی۔ جائزہ لو کہ کون سے نکات اپنانے کے قابل ہیں، اور کیوں۔ جس سے بھی تم اختلاف کرو اسے رد کرو، اور وضاحت کرو۔" پہلا ماڈل فیصلہ کرتا ہے۔ آپ فیصلہ دیکھتے ہیں۔
7. اہم معاملات کے کام کے لیے، ایک تیسرے خاندان کے تیسرے ماڈل کے ساتھ دہرائیں۔ جب تک تین مختلف خاندان کے ماڈل آپ کے مسودے پر بحث کر چکے ہوں، تو آپ کے پاس مثلثی سچائی کے سب سے قریب کی چیز ہوتی ہے جو یہ ٹیکنالوجی پیش کرتی ہے۔
8. جب نمبر دو آزاد ماڈلوں کے آر پار آپ کے ہدف کو پار کر لے تو رکیں۔ صرف آپ کے بنیادی ماڈل سے ایک 9.5 آپ کے بنیادی جمع ایک مختلف خاندان کے ماڈل سے ایک 9 جیسا نہیں۔ دوسرا عدد ہی وہ ہے جو کچھ معنی رکھتا ہے۔

واحد ماڈل خود تنقید کا چکر، اکیلے

اوپر کے قدم 3 اور 4 اپنے طور پر استعمال کے قابل ہیں، کبھی کسی دوسرے ماڈل کو لائے بغیر۔ بہت سے کام کئی ماڈل والے بوجھ کا جواز نہیں دیتے مگر پھر بھی "اسے اس معیار کے خلاف 1 سے 10 نمبر دو، پھر اپنی ہی تجاویز پر عمل کرو" کے ایک دور سے فائدہ پاتے ہیں۔ ایک ہفتہ وار status update، ایک ذرا پیچیدہ ای میل، ایک ایک صفحے کا میمو: یہ سب ایک خود تنقید کے دور سے واضح طور پر بہتر ہوتے ہیں۔

ایک زیادہ فائدہ مند قسم: ایک عددی ہدف طے کریں اور ماڈل کو اس کی طرف خودمختاری سے دہرانے دیں۔ "اسے نمبر دو اور بتاؤ کیا غائب ہے" کے بجائے، آزمائیں "اپنے ہی معیار کے خلاف اس وقت تک دہراؤ جب تک تم تمام معیارات پر 9.5 تک نہ پہنچ جاؤ، پھر مجھے حتمی نسخہ دکھاؤ۔" ماڈل نمبر دے گا، نظر ثانی کرے گا، دوبارہ نمبر دے گا، نظر ثانی کرے گا، اور چلتا رہے گا (ایک ہی جواب میں پانچ یا چھ دور) اور آپ کے پاس صرف تب واپس آئے گا جب یہ ہدف کو چھو لے یا ٹھہر جائے۔ یہ ہر دور کو ہاتھ سے چلانے سے ڈرامائی طور پر تیز ہے، اور یہ طویل صورت کے artifacts کے لیے خاص طور پر اچھا کام کرتا ہے (ایک 5,000 لفظی میمو، ایک باب، ایک جامع منصوبہ) جہاں ہاتھ سے آگے پیچھے کرنا تھکا دینے والا ہوتا۔ ہدف خود ایک اسٹیئرنگ کا طریقہ ہے: 9 ایک مختلف چھت پر مجبور کرتا ہے بمقابلہ 9.5، اور 10 ماڈل کو بہتر بنانے کے لیے چیزیں ڈھونڈتے رہنے پر مجبور کرتا ہے جب تک یہ واقعی کوئی نہ ڈھونڈ سکے۔

یہ شاید لگے کہ یہ تصور 6 کی خلاف ورزی کرتا ہے، جس نے خبردار کیا تھا کہ اپنے ہی کام کو نمبر دیتا ماڈل خوشامد کی طرف جھکتا ہے۔ فرق معیار ہے۔ اس کے بغیر، "کیا یہ اچھا ہے؟" "زبردست کام!" واپس کرتا ہے، جو وہی بند چکر ہے جس کے بارے میں تصور 6 تھا۔ نام زد معیارات کے ساتھ 1 سے 10 نمبر دیے جائیں، تو ماڈل کو اشارہ کرنا پڑتا ہے کہ دوسرے نکات سے کیا غائب ہے، اور وہ اشارہ ہی وہ ہے جس کے خلاف آپ عمل کرتے ہیں۔ معیار ہی وہ ہے جو خود نمبر دینے کو خوشامد سے ایک مجبور کرنے والی قوت میں بدل دیتا ہے۔

صفحہ اب اسی DNA کے تین گھونسلہ بند نسخے پیش کرتا ہے۔ سب سے ہلکا چنیں جو کام پر فٹ ہو:

ہلکے نسخے سے بھاری کی طرف اس وقت بڑھیں جب غلط ہونا زیادہ مہنگا ہو جائے، یا جب واحد ماڈل کا نمبر 9 کے آس پاس ٹھہر جائے اور آپ جاننا چاہیں کہ آیا 9 واقعی 9 ہے۔

نمبر کیوں اہم ہے۔ ماڈل سے ایک عدد نکالنا عدد کے بارے میں نہیں ہے۔ یہ اس کے بارے میں ہے کہ عدد پیدا کرنے کے لیے کیا چاہیے۔ ایک ماڈل جسے آپ کے مسودے کو 7/10 نمبر دینا ہو اسے نام لینا پڑتا ہے کہ باقی 3 نکات سے کیا غائب ہے۔ نمبر کے بغیر، "یہ کافی اچھا ہے" جائزے کے طور پر چل جاتا ہے۔ نمبر کے ساتھ، "کافی اچھا" کو "ساخت پر 1 نمبر کھوتا ہے کیونکہ تیسرا حصہ دوسرے کو دہراتا ہے؛ شواہد پر 2 نمبر کھوتا ہے کیونکہ تین دعووں کا کوئی ماخذ نہیں" بننا پڑتا ہے۔ نمبر مخصوصیت کے لیے ایک مجبور کرنے والی قوت ہے، اور مخصوصیت ہی وہ ہے جس پر آپ عمل کر سکتے ہیں۔ یہ واحد پڑھنے کے قابل اشارہ بھی ہے جو آپ کو دہرائی N کا دہرائی N+1 سے موازنہ کرنے کے لیے ملتا ہے۔

اہم معاملات کے کام کے لیے ایک رازداری کا نوٹ۔ کراس ماڈل جانچ کا تعریفی طور پر مطلب آپ کے مسودے کو کئی ٹولز میں چسپاں کرنا ہے۔ حساس مواد کے ساتھ ایسا کرنے سے پہلے ہر ٹول کی ڈیٹا پالیسی پر دھیان دیں۔ کچھ ٹولز (Claude اپنے صارف مصنوعے پر، ChatGPT تربیت سے باہر نکلنے کے ساتھ، پیڈ Gemini درجے) آپ کے داخلوں پر تربیت نہیں پاتے۔ دیگر (Meta AI کا صارف مصنوعہ طے شدہ طور پر) پا سکتے ہیں۔ ایک 40 صفحے کا حکمت عملی میمو، ایک اندرونی مالی تجزیہ، یا کوئی بھی چیز جو NDA کے تحت ہو صرف ان ٹولز سے گزرنی چاہیے جن کی ڈیٹا پالیسیاں آپ نے واقعی جانچی ہوں۔ کئی ماڈل والے چکر کا مقصد آپ کے اندھے دھبے پکڑنا ہے؛ چکر کا الٹ مقصد آپ کے خفیہ کام کو ایک تربیتی سیٹ میں ڈالنا ہے۔

ایک ایماندار احتیاط۔ تین ماڈل پھر بھی ایک ہی چیز پر سب غلط ہو سکتے ہیں۔ وہ اس سے زیادہ تربیتی ڈیٹا بانٹتے ہیں جتنا آپ اندازہ لگائیں، اور متنازعہ یا کم ڈیٹا والے موضوعات (تصور 2) پر وہ اکثر وہی غلط فہمیاں بانٹتے ہیں۔ نمبر ایک پیش رفت کا اشارہ ہے، سچائی کا اشارہ نہیں۔ اہم معاملات کے مواد (کوئی بھی چیز قانونی، طبی، مالی، یا کسی حقیقی شخص کے بارے میں) کے لیے کراس ماڈل کے کتنے ہی دور بھی اُس انسانی ماہر کی جگہ نہیں لے سکتے جو بوجھ اٹھانے والے دعووں کا جائزہ لے۔ ماڈل ایک دوسرے کو کاریگری کے لیے جانچتے ہیں۔ انسان ان حقائق کو جانچتے ہیں جو اہم ہیں۔

چکر کب چھوڑیں۔

ہر کام اس کا حق نہیں رکھتا۔ ایک مختصر ای میل، ایک تیز جستجو، ایک آرام دہ ذہن سازی: واحد ماڈل ٹھیک ہے۔ کئی ماڈل والی کراس چیک ایسے کام کے لیے بچائیں جہاں غلط ہونا مہنگا ہو: ایک میمو جو آپ کا باس پڑھے گا، ایک باب جو شائع ہوگا، ایک فیصلہ جو دوسرے لوگوں کو متاثر کرے، ایک معاہدہ جس پر آپ دستخط کریں گے۔ تیز اصول: اگر ایک غور و فکر کرنے والا ساتھی اس کا جائزہ لینے میں دو گھنٹے لگاتا، تو یہ چکر کا حق رکھتا ہے۔

ایک غیر سافٹ ویئر مثال۔ ایک گاہک کے بورڈ کے لیے 40 صفحے کا حکمت عملی میمو تیار کرتی ایک مشیر نے اپنے سب سے مضبوط ماڈل میں مسودہ بنایا اور اس کے اپنے نمبروں کے خلاف اس وقت تک دہرایا جب تک وہ 9 پر ٹھہر نہ گئے۔ پھر اس نے پورا میمو ایک مختلف خاندان کے دوسرے ماڈل میں چسپاں کیا اور وہی معیار مانگا۔ دوسرے ماڈل نے اسے 7.5 دیا اور گیارہ مخصوص مسائل گنائے، جن میں سے تین اس کے بنیادی ماڈل نے اپنے کسی بھی خود نمبر دینے کے دور میں نہیں اٹھائے تھے۔ اس نے انہیں پہلے ماڈل کو فیصلے کے لیے واپس دیا؛ اس نے سات اپنائے اور چار وجوہات کے ساتھ رد کیے۔ ایک اور خاندان کے تیسرے ماڈل نے دو مزید سامنے لائے۔ بات حتمی نمبروں کی نہیں۔ بات یہ ہے کہ وہ جوابی دلائل جو وہ خود کبھی نہ دیکھ پاتی، کیونکہ اس کا بنیادی ماڈل اس کے اندھے دھبے بانٹتا تھا، بورڈ کی میٹنگ سے پہلے میمو میں موجود تھے۔

---

پرامپٹس آزمانے سے پہلے ایک مختصر اعادہ

تیرہ تصورات بہت ہیں۔ صفحے کی شکل، فی تصور ایک سطر:

• تصور 1۔ ایک ناتجربہ کار پرامپٹ اور ماہر صارف کے پرامپٹ کے درمیان فرق چند عادتیں ہیں: AI کو ایک ذہین نئے ساتھی کی طرح بریف کریں، سیاق، شرائط، اور ایک واضح مطالبے کے ساتھ۔
• تصور 2۔ AI چیزیں انٹرنیٹ کے ایک عکس سے جانتا ہے، یعنی اس نے دنیا کے بارے میں متن پڑھ کر سیکھا، دنیا کا تجربہ کر کے نہیں، تو یہ عام موضوعات پر مضبوط اور گمنام یا حالیہ پر کمزور ہے۔
• تصور 3۔ تین بازیافت کے انداز: پہلے سے تربیت یافتہ، web search، deep research۔ آپ کے الفاظ اسٹیئر کرتے ہیں کہ کون سا چلے۔
• تصور 4۔ ماڈل کے پاس اپنی کوئی یادداشت نہیں؛ سیاق کی کھڑکی اس جواب کے لیے اس کی کام کرنے والی یادداشت ہے۔ جواب کے معیار کا سب سے بڑا تعین کنندہ یہ ہے کہ آپ اس کھڑکی میں کیا ڈالتے ہیں، اور پروجیکٹس آپ کو اسے ہر بار کے بجائے ایک بار آگے سے لادنے دیتے ہیں۔
• تصور 5۔ جدید ماڈل سیکنڈوں یا منٹوں تک خوب سوچ سکتے ہیں اگر آپ ان سے کہیں۔
• تصور 6۔ ماڈل اتفاق کی طرف جھکے ہوئے ہیں۔ غیر جانبدار بندش اور معیار اس تعصب کا زیادہ تر بے اثر کر دیتے ہیں؛ فی معیار 1 سے 10 نمبر پر مجبور کرنا، ساتھ میں وہ تبدیلی جو ہر نمبر بڑھائے، باقی بے اثر کر دیتا ہے۔
• تصور 7۔ واضح فیڈبیک کے ساتھ دہرانے کا چکر صفحے کی سب سے زیادہ فائدہ مند عادت ہے۔ ہر مرحلے کو 10 میں سے نمبر دیں اور دوبارہ دہرائیں جب تک نمبر ٹھہر نہ جائے، AI کو آپ کو مکمل قرار دینے کا اختیار نہیں ملتا۔
• تصورات 8 تا 9۔ AI تصاویر دیکھ سکتا ہے، دونوں طرف آڈیو کے ساتھ کام کر سکتا ہے، اور چھوٹی ایپس بنا سکتا ہے، چلتی ہوئی ایپ ایک artifact ہے جس پر آپ دہرا، اشتراک، اور سرایت کر سکتے ہیں۔
• تصور 10۔ AI کوڈ بھی لکھ کر اسے آپ کے ڈیٹا پر چلا سکتا ہے، مگر یہ ہمیشہ خودبخود ایسا نہیں کرتا۔ واضح طور پر مانگیں، اور تصدیق کریں کہ کوڈ واقعی چلا۔
• تصور 11۔ فائل سے واقف ڈیسک ٹاپ ایپس (Cowork، OpenWork) کی ایک نئی قسم ہے۔ اجازتوں کو محدود رکھیں جب تک آپ انہیں محفوظ طریقے سے استعمال نہ کر لیں۔
• تصور 12۔ کسی کام کے لیے درست ٹول ہر چند مہینے میں بدلتا ہے۔ جاننے کے لیے پانچ خاندان (Claude، ChatGPT، Gemini، Meta AI، DeepSeek)، سب کے مفت درجے، اور Arena بطور leaderboard جسے ماہانہ جانچنا ہے۔
• تصور 13۔ جب کمرے میں کوئی انسانی ماہر نہ ہو، تو ماڈلوں سے ایک دوسرے کو، یعنی مختلف خاندانوں کے آر پار، نمبر دلوانا ایک معروضی معیار کے اشارے کے سب سے قریب کی چیز ہے۔

ان سب کے نیچے ایک چال ہے، ایک درجن بھیسوں میں دہرائی گئی: درست سیاق اندر لائیں، غلط سیاق باہر رکھیں۔ اگر آپ اس صفحے سے اس جملے کے سوا کبھی ایک چیز بھی یاد نہ رکھیں، تب بھی آپ صارفین کے سرفہرست چوتھائی میں ہوں گے۔

---

ابھی یہ آزمائیں: سوچنے کے نظم میں گہرائی سے پہلے بارہ پرامپٹس

پڑھنا آزمانے کا ایک قائم مقام ہے۔ کسی دوسرے ٹیب میں Claude، ChatGPT، یا Gemini کھولیں۔ ان بارہ پرامپٹس کو ترتیب سے چلائیں۔ یہ مل کر تقریباً اٹھائیس منٹ لیتے ہیں اور اس صفحے کے ہر تصور کی مشق کراتے ہیں جسے آپ ایک چیٹ ٹیب سے کر سکتے ہیں۔

1. Web-search ٹرگر۔ AI کو اس کے تربیتی ڈیٹا سے نکل کر موجودہ معلومات دیکھنے پر مجبور کرتا ہے۔

[آپ کے ملک] میں آج کون سی بڑی خبر آئی؟ ہر دعوے کا حوالہ ایک ماخذ
لنک سے دو۔ کسی بھی ایسے دعوے کو جس کی تائید تم کسی حوالے سے نہ کر
سکو "غیر تصدیق شدہ" نشان زد کرو۔

2. صرف پہلے سے تربیت یافتہ سوال۔ عام علم، کوئی جستجو درکار نہیں۔ تیز اور پُراعتماد ہونا چاہیے۔

بلیاں دیواریں کیوں گھورتی ہیں؟ دو پیراگراف کا جواب۔

3. سیاق سے بھرپور ذاتی پرامپٹ۔ شرائط آگے سے لادنے کی مشق۔

میرے لیے ایک 15 منٹ کا گھریلو ورزشی منصوبہ بناؤ۔ شرائط: میرے گھر
میں سیڑھیاں ہیں، ایک خراب گھٹنا (کوئی squats نہیں)، میں تین دن سے
زیادہ منصوبوں پر قائم نہیں رہ سکتا، اور میں کرتے ہوئے تھوڑا بے وقوف
محسوس کرنا چاہتا ہوں۔ مجھے 3 اختیار دو، کوئی تبصرہ نہیں۔

4. غیر جانبدار بندش کی دوبارہ تحریر۔ اپنے ہی پرامپٹ میں اپنا تعصب پہچاننے کی مشق۔

وہ سوال جو میں پوچھنا چاہتا ہوں: "کیا تمہیں نہیں لگتا کہ چار دن کے
کام کے ہفتے سب کے لیے واضح طور پر بہتر ہیں؟" اسے ایک غیر جانبدار
سوال کے طور پر دوبارہ لکھو جو یہ اشارہ نہ دے کہ میں کیا جواب چاہتا
ہوں۔ پھر دوبارہ لکھے گئے نسخے کا جواب دو۔

5. دہرائی کے ساتھ تین اختیارات کی ذہن سازی۔ بنیادی ماہر صارف کا چکر۔

دور 1: میں ایک چھوٹا سائیڈ پروجیکٹ شروع کرنا چاہتا ہوں جو تقریباً
ہفتے میں 3 گھنٹے لے اور ایک سال میں کچھ پیسے بنا سکے۔ میں ایک [آپ کا
پیشہ] ہوں جسے [آپ کا مشغلہ] پسند ہے۔ مجھے 5 مختلف خیال دو، ہر ایک
ایک سطر۔ ان میں سے کسی کو نہ پھیلاؤ۔

(5 پڑھیں۔ جو پسند اور ناپسند ہو چنیں۔ پھر، اسی گفتگو میں:)

دور 2: میں اختیار [N] اور [N] کو [وجہ] کی وجہ سے رد کرتا ہوں۔ مجھے
[کلیدی لفظ] والا خیال پسند ہے مگر میں چاہتا ہوں یہ کم [چیز] استعمال
کرے۔ مجھے 5 نئے اختیار دو جو اس فیڈبیک کو شامل کریں۔

6. پہلے خاکہ والی تحریر۔ نثر سے پہلے ساخت پر مجبور کریں۔

میں [ایک موضوع جس کی آپ کو پروا ہو] کے بارے میں ایک 600 لفظی پوسٹ
لکھنا چاہتا ہوں۔ ابھی اسے مت لکھو۔ مجھے 3 مختلف خاکے کے اختیار دو،
ہر ایک میں 4 سے 6 عنوان۔ فی عنوان ایک سطر۔

7. خوب سوچنے والا استدلال کا پرامپٹ۔ ایک حقیقی ذاتی فیصلہ استعمال کریں۔

میں [آپ کی زندگی میں ایک حقیقی ذاتی فیصلہ] کے لیے [اختیار A] اور
[اختیار B] کے درمیان انتخاب کر رہا ہوں۔ یہ متعلقہ سیاق ہے: [سیاق کا
ایک پیراگراف]۔ جواب دینے سے پہلے خوب سوچو۔ مجھے بتاؤ:
1. وہ 3 trade-offs جو واقعی اہم ہیں۔
2. تم کون سا چنتے اور کیوں۔
3. کن شرائط میں تمہاری سفارش پلٹ جاتی۔

8. نمبر دو اور بہتر کرو والی تنقید۔ اپنے ہی کام پر خوشامد سے بچیں۔

میں کچھ چسپاں کر رہا ہوں جو میں نے لکھا: [کوئی بھی 100 تا 300 لفظ
چسپاں کریں]۔

اس کی ان 4 معیارات سے تنقید کرو، ہر ایک کو 1 سے 10 نمبر ایک جملے
کی وجہ کے ساتھ:
- کیا اس کا ایک واضح مرکزی دعویٰ ہے؟
- کیا ہر پیراگراف درست ترتیب میں ہے؟
- کیا کوئی ایسے جملے ہیں جنہیں بغیر نقصان کے کاٹا جا سکتا ہے؟
- کیا اختتام اس وقت کا حق ادا کرتا ہے جو قاری نے وہاں تک پہنچنے میں لگایا؟

پھر، ہر معیار کے لیے، مجھے وہ تبدیلی بتاؤ جو اس کا نمبر سب سے زیادہ
بڑھائے۔ ہمیشہ ایک اگلی سطح ہوتی ہے، حتیٰ کہ ایک 9 کے پاس بھی 9.5 کا
راستہ ہے۔

9. تصویری داخلے کا کام۔ AI کو پڑھنے کے لیے ایک تصویر دینے کی مشق۔

[کوئی بھی ہاتھ سے لکھا نوٹ، رسید، یا وائٹ بورڈ کی تصویر اپ لوڈ کریں]

جو لکھا ہے اسے نقل کرو۔ پھر یہ کس کے بارے میں ہے اس کا 3 نکات میں
خلاصہ کرو۔ جو بھی تم اعتماد سے نہ پڑھ سکو اسے نشان زد کرو۔

10. چھوٹی ایپ کا پرامپٹ۔ مقصد/داخلہ/آؤٹ پٹ کی شکل کی مشق۔ جو واپس آئے گا وہ ایک artifact ہوگا جس پر آپ چیٹ میں ہی کلک اور دہرا سکتے ہیں۔

مجھے ایک Pomodoro ٹائمر بناؤ۔
مقصد: 25 منٹ کے کام کے سیشن، 5 منٹ کے وقفے۔
داخلہ: میں start دباتا ہوں۔
آؤٹ پٹ: ایک نظر آنے والا ٹائمر الٹی گنتی کرتا ہوا، ہر چکر ختم ہونے
پر ایک خوشگوار کلک، ایک پیلا تھیم۔ مجھے کام کرتا نسخہ دکھاؤ۔

11. ڈیٹا کا تجزیہ: خاموش ناکامی کو بے نقاب کریں۔ "واضح طور پر کوڈ مانگو، پھر تصدیق کرو کہ یہ چلا" کے نظم کی مشق۔ یہ مشق دو دوروں میں ہے۔

دور 1، جال: ایک نئی گفتگو میں، یہ پرامپٹ بالکل ویسے ہی چسپاں کرو
جیسے لکھا ہے۔ کوڈ کا ذکر مت کرو۔

  "یہ 18 اعداد ہیں: 47, 52, 89, 91, 23, 67, 78, 12, 95,
  44, 88, 71, 33, 56, 99, 18, 64, 82۔ median، اوسط، اور
  کون سے اعداد outliers ہیں کیا ہیں؟ مخصوص رہو۔"

جواب کو غور سے دیکھو۔ کیا AI نے تمہیں ایک ایسا کوڈ بلاک دکھایا جو
چلا؟ یا اس نے اعداد والا ایک پیراگراف لکھا اور کوئی نظر آنے والا
حساب نہیں؟ اپنا جواب نوٹ کرو۔

دور 2، حل: اسی گفتگو میں، یہ چسپاں کرو:

  "اب وہ حساب دوبارہ چلاؤ، مگر اس بار اسے کرنے کے لیے کوڈ لکھو اور
  چلاؤ، اور جو کوڈ چلایا وہ مجھے دکھاؤ۔"

دونوں جواب کا موازنہ کرو۔ اگر پہلے جواب میں median غلط تھا، مشکوک
اعداد گول کیے، یا بس مبہم لگا، تو تم نے ابھی تصور 10 کی خاموش
ناکامی عمل میں دیکھی۔ درست جواب یہ ہیں: median 65.5، اوسط تقریباً
61.6، کوئی واضح outliers نہیں (اعداد تقریباً یکساں پھیلے ہیں)۔

12. کراس ماڈل جائزہ۔ ایک حقیقی مسودے پر کئی ماڈل والی عادت کی مشق۔ ایک ساتھ دو AI ٹولز کھلے ہونے چاہئیں، مختلف خاندانوں سے (تصور 13 دیکھیں)۔

کوئی بھی 200 تا 300 لفظی مسودہ لو جو تم نے حال ہی میں لکھا (ایک ای
میل، ایک میمو، یا ان مشقوں میں سے کسی ایک کا پیراگراف)۔

قدم 1: اپنے بنیادی AI ٹول میں، مسودہ چسپاں کرو اور پوچھو: "اسے
وضاحت، ساخت، شواہد، اور کیا غائب ہے پر 1 سے 10 نمبر دو۔ فی نمبر
ایک جملے کی وجہ۔"

قدم 2: ایک مختلف خاندان سے دوسرا AI ٹول کھولو (اگر تمہارا بنیادی
Claude ہے، تو ChatGPT یا Gemini یا Meta AI استعمال کرو، کوئی اور
Anthropic ماڈل نہیں)۔ وہی مسودہ چسپاں کرو، وہی سوال پوچھو۔

قدم 3: دونوں نمبروں اور دونوں تنقیدوں کا آمنے سامنے موازنہ کرو۔
کوئی بھی ایسا نکتہ نوٹ کرو جو ان میں سے صرف ایک نے پکڑا۔ یہی وہ
نکات ہیں جن کے لیے کراس ماڈل چکر قیمت ادا کرتا ہے۔

---

اب آپ جانتے ہیں کہ یہ ٹولز کیا کر سکتے ہیں۔ آیا آپ انہیں ہدایت دینے کے لیے کافی واضح سوچ سکتے ہیں یہ ایک الگ سوال ہے، اور یہی وہ سوال ہے جس کے گرد Thinking in AI Era فوری کورس بنا ہے۔

شروع کرنے سے پہلے اکثر پوچھے جانے والے سوالات

کیا یہاں یا Thinking فوری کورس میں مشقیں کرنے کے لیے مجھے ایک پیڈ پلان چاہیے؟ تینوں، یعنی ChatGPT، Claude، اور Gemini کے مفت درجے اس صفحے کی مشقوں اور Thinking فوری کورس آپ سے جو زیادہ تر مانگتا ہے اس کے لیے کافی ہیں۔ ایک پیڈ پلان مدد کرتا ہے اگر آپ ایک نشست میں بہت سی deep research کریں یا بہت سی فائلیں منسلک کریں۔ مفت شروع کریں؛ صرف تب اپ گریڈ کریں اگر استعمال کی حدیں روکنے لگیں۔

کیا میں ایک ٹول استعمال کروں یا تین؟ روزمرہ استعمال کے لیے ایک کو اپنا طے شدہ چنیں، مگر موازنے کے لیے ایک مختلف خاندان سے کم از کم ایک اور انسٹال کریں (تصور 13 دیکھیں)۔ دوسرا ٹول رکھنے کی بات دگنا کام کرنا نہیں؛ یہ ایک فیصلہ کن رکھنا ہے جب پہلا ٹول آپ کو کچھ ایسا دے جو ٹھیک نہ لگے۔

میری کمپنی ChatGPT بلاک کرتی ہے۔ میں مشقوں کے لیے کیا کروں؟ جو بھی جدید AI ٹول آپ کی کمپنی کی اجازت دے استعمال کریں۔ یہاں کی مہارتیں کسی بھی متن اندر، متن باہر AI پر منتقل ہوتی ہیں۔ اگر کسی کی اجازت نہ ہو، تو مشقوں کے لیے کسی ذاتی آلے پر اپنا ذاتی اکاؤنٹ استعمال کریں، یہ سوچنے کے بارے میں ہیں، کمپنی ڈیٹا کے بارے میں نہیں۔

اگر میں اس صفحے کے نسخے بھول جاؤں تو؟ صفحے کو نشان زد کریں۔ نسخے (دہرانے اور نمبر دینے کا چکر، معیار کا نمونہ، غیر جانبدار دوبارہ تحریر کی چال، پروجیکٹ کی ترتیب، "سب سے چھوٹی تبدیلی جو نمبر اٹھائے" والی چال) دیکھنے کے لیے بنائے گئے ہیں، رٹنے کے لیے نہیں۔ رٹنے کے قابل واحد چیز یہ ایک جملہ ہے: درست سیاق اندر لائیں، غلط سیاق باہر رکھیں۔

جب AI اتنا قابل ہے تو سوچنے کے نظم میں گہرائی میں کیوں جائیں؟ کیونکہ سمت کے بغیر قابلیت ضیاع کو بڑھاتی ہے۔ 2026 کے کام میں رکاوٹ پیدا کرنے سے (جسے AI نے سستا کر دیا) جانچنے کی طرف منتقل ہو گئی (جسے اس نے نہیں کیا)۔ AI سے ایک پُراعتماد غلط تجزیہ بالکل کوئی تجزیہ نہ ہونے سے زیادہ خطرناک ہے، کیونکہ یہ مکمل لگتا ہے۔ Thinking فوری کورس وہ فیصلہ تربیت دیتا ہے جو طے کرتا ہے کہ AI جو پیدا کرتا ہے اس کا کیا کرنا ہے۔ وہ فیصلہ AI سے سیر شدہ کام کی جگہ میں سب سے قیمتی مہارت ہے، اور زیادہ تر نصاب اسے سرے سے چھوڑ دیتے ہیں۔

اپنے پہلے ہفتے میں دیکھنے کے قابل عام غلطیاں

غلطی	علامت	حل
AI کو ایک search engine کی طرح برتنا	مختصر پرامپٹس، سطحی جواب، بار بار جھنجھلاہٹ	AI کو ایک ساتھی کی طرح بریف کریں: سیاق، فائلیں، شرائط، مطالبہ۔
ایک گفتگو کو ہمیشہ کے لیے جمع ہونے دینا	جیسے جیسے پرانا سیاق سکڑتا ہے جواب وقت کے ساتھ مبہم ہوتے جاتے ہیں	جب موضوع بدلے تو ایک نئی گفتگو شروع کریں۔ کھڑے سیاق (فائلیں، ہدایات) کو ایک پروجیکٹ میں منتقل کریں۔
پہلی کوشش میں حتمی مسودہ مانگنا	چمکدار آؤٹ پٹ، کھوکھلا مواد	پہلے خاکہ، ہر مرحلے پر نمبر دیں اور ٹھیک کریں، نکات تک پھیلائیں، پھر مسودہ۔
بے خبر چارہ والی بندشیں	AI جو بھی آپ نے اشارہ دیا اس سے متفق ہوتا ہے	بھیجنے سے پہلے غیر جانبدار سوالوں کے طور پر دوبارہ لکھیں۔
مبہم تنقید پر راضی ہونا	بغیر کسی تفصیل کے "زبردست کام!"	فی معیار 1 سے 10 نمبر ایک جملے کی وجہ کے ساتھ مانگیں۔ وہ تبدیلی مانگیں جو ہر نمبر سب سے زیادہ بڑھائے۔
جب AI کہے کہ آپ مکمل ہیں تو رکنا	بغیر آگے کے راستے کے "اچھا لگتا ہے!"	AI کو آپ کو مکمل قرار دینے کا اختیار نہیں۔ اس وقت تک دہرائیں جب تک نمبر ٹھہر نہ جائے، نہ کہ جب تک یہ چمکدار لگے۔
اعتماد کو درستی سمجھنا	گمنام موضوعات پر حیران کن غلطیاں	پوچھیں "تم یہ کیسے جانتے؟" اہم معاملات کے دعوے بنیادی ماخذوں سے جانچیں۔
پہلے دن وسیع اجازتیں منظور کرنا	فائلیں کھو گئیں، ایڈٹ اوور رائٹ ہوئے	تنگ فولڈر تک محدود کریں۔ دائرہ صرف ساکھ کے ساتھ بڑھائیں۔

یہ کردار کی خامیاں نہیں۔ یہ عادتیں ہیں جو صارفین کی پہلی نسل (بشمول خود آپ) صفر سے بنا رہی ہے۔ انہیں ایک بار پکڑنا عموماً قائم رہتا ہے۔

اس صفحے نے ان ٹولز کے استعمال کے میکانیات سکھائے۔ Thinking in AI Era فوری کورس وہ نظم سکھاتا ہے جو میکانیات کو فائدہ مند بناتا ہے۔ اس کا ایک جملے کا اصول: حاصل کبھی جواب نہیں ہوتا؛ حاصل سوچ کے دستاویزی شواہد ہوتے ہیں۔ کورس تین حصوں میں چھ سوچنے کی عادتوں کے طور پر ترتیب دیا گیا ہے:

• حصہ 1: بنیادیں ، وہ رویہ جو آپ AI کھولنے سے پہلے اپناتے ہیں۔ Prediction Lock (AI کے آپ کو بتانے سے پہلے لکھ لیں کہ آپ کے خیال میں جواب کیا ہے، تاکہ AI کا پُراعتماد جواب خاموشی سے آپ کا نہ بن جائے) اور Reasoning Receipt (ہر اہم AI دعوے کو Accept / Reject / Modify / Surfaced / Missed کا لیبل دیں، ایک جملے کے کیوں کے ساتھ)۔ مل کر یہ سوچ کو آپ کے ساتھ اور ٹائپنگ کو AI کے ساتھ رکھتے ہیں، وہ جگہ جہاں تصور 6 اشارہ کر رہا تھا مگر کام مکمل نہ کیا۔

• حصہ 2: کھوج ، جو AI غلط کرتا ہے اسے پکڑنا۔ Error Taxonomy (چھ مخصوص ناکامیاں، یعنی حقائقی غلطی، منطقی خلا، جھوٹا اعتماد، غائب سیاق، گھڑا ہوا ماخذ، باسی حقیقت، جنہیں آپ نام سے کھنگالتے ہیں نہ کہ احساس سے) تصور 2 کے "پُراعتماد جواب درست جواب نہیں" کا گہرا نسخہ ہے۔ Thinking in Systems (کسی بھی AI تجویز کردہ فیصلے کے ضمنی اثرات کو ان لوگوں اور گروہوں کے آر پار سراغ لگانا جنہیں یہ چھوتا ہے، بشمول وہ جگہیں جہاں ضمنی اثرات واپس آ کر اصل فیصلے کو الٹ دیتے ہیں) ایک نئی زمین ہے جسے یہ صفحہ بالکل نہیں چھوتا۔

• حصہ 3: تخلیق ، جو AI آپ کے لیے نہیں کر سکتا وہ کرنا۔ First Principles (اس عام مشورے پر سوال اٹھانا جسے سب دہراتے ہیں؛ ایک مسئلے کو بنیادی حقائق تک توڑنا اور پوچھنا کہ آیا معیاری جواب آپ کی صورتحال میں سچ بھی ہے) تصور 6 کی غیر جانبدار بندش کی چال کا گہرا نسخہ ہے۔ Working WITH AI (وہ تعاون کا ماڈل جہاں آپ سوچتے اور فیصلہ کرتے ہیں، AI تحقیق اور مسودہ سازی کرتا ہے؛ اس تناسب کو الٹیں اور آپ غیر ضروری بن جاتے ہیں) تصور 7 کے فیڈبیک کے ساتھ دہرانے والے چکر کا گہرا نسخہ ہے۔

جب آپ تیار ہوں، Thinking in AI Era فوری کورس کی طرف جائیں۔ فیصلے کے بغیر طاقتور ٹولز پُراعتماد غلطیاں تیزی سے کرتے ہیں، اور سوچ سمجھ کر مشق ہی واحد ایماندار طریقہ ہے یہ جاننے کا کہ آپ کا فیصلہ بہتر ہو رہا ہے یا نہیں۔

فلیش کارڈ مطالعہ معاون

---

اپنی سمجھ جانچیں

Checking access...