وہ کردار جن کی یہ کتاب تربیت دیتی ہے
مارکیٹ عہدوں کے نام اتنی تیزی سے ایجاد کر رہی ہے کہ ان کی تعریف پیچھے رہ گئی ہے۔ ان میں سے زیادہ تر نام ایک ہی نظم کی مختلف گہرائیاں ہیں: وہی نظم جس کی یہ کتاب تربیت دیتی ہے۔ یہاں نقشہ ہے، اور یہ بھی کہ کتاب آپ کو ہر کردار کی طرف ٹھیک کہاں تک لے جاتی ہے۔
یہاں ہم نئے agentic AI دور کے کردار بیان کرتے ہیں: وہ jobs جو اس لیے وجود میں آئی ہیں کہ کمپنیاں اب AI Workers بناتی، چلاتی، اور govern کرتی ہیں۔ اندراجات اس بنیاد پر ترتیب دیے گئے ہیں کہ کام حقیقت میں کس طرح cluster ہوتا ہے، اور ہر ایک کے ساتھ verdict ایک صاف scope line ہے: یہ کتاب آپ کو اس role کی طرف کہاں تک لے جاتی ہے، اور کہاں certification tracks آگے سنبھالتے ہیں۔ Verdicts ناموں سے زیادہ اہم ہیں۔ جہاں کتاب رکتی ہے، وہ صاف کہتی ہے۔ اور چونکہ کوئی role اتنا ہی real ہے جتنی اس کے پیچھے demand ہے، یہ page اس demand کو ہر market میں track کرتا ہے جو اب ان roles کے لیے hiring کر رہا ہے: AI labs، hyperscalers، consulting giants، independent services firms، اور open freelance market۔
ایک sentence اس پورے page کو جوڑتا ہے۔ یہ کتاب آپ کو AI Workers (Digital FTEs) build کرنا، اور ان Workers کو ایسی company میں combine کرنا سکھاتی ہے جو ان پر چلتی ہے (AI-Native Company)۔ Job market نے اس شخص کے لیے ایک hot نیا نام بنا لیا ہے جو یہ سب کر سکتا ہے: Forward Deployed Engineer (FDE)۔ اس لیے تین levels ہیں، اور ہر ایک اگلے کو build کرتا ہے: person (آپ)، unit (وہ AI Worker جو آپ بناتے ہیں)، اور enterprise (وہ company جس میں Workers مل کر کام کرتے ہیں)۔ اس page کا ہر role یا تو اسی line پر ایک stop ہے، اس line کو support کرتا ہے، یا ایک honest limit ہے جو کتاب اپنے around کھینچتی ہے۔ ایک بات اور: "FDE" یہ بتاتا ہے کہ آپ کہاں کام کرتے ہیں، یہ نہیں کہ آپ کیا جانتے ہیں۔ Client کی company کے اندر کام کریں تو market آپ کو FDE کہتا ہے۔ وہی skills لے کر اسی company میں hire ہو جائیں تو آپ ان کے AI-Native Company Architect بن جاتے ہیں۔ کتاب skills train کرتی ہے۔ Market نام چنتا ہے۔
ہر کوئی ایک ہی Foundations سے شروع کرتا ہے، یعنی وہ browser skills جو کسی بھی agent work سے پہلے ہر reader کو چاہییں۔ اسی floor پر general agent use کے دو modes ہیں۔ Mode 1 general agent کو اپنا کام تیز کرنے کے لیے use کرنا ہے، ایک proficiency جو ہر reader کو چاہیے، job title نہیں۔ Mode 2 AI Workers manufacture کرنا ہے جو آپ کے لیے کام کرتے ہیں، اور job titles وہیں پیدا ہوتے ہیں۔ Map Foundations floor اور Mode 1 Practitioner سے شروع ہوتا ہے، پھر Mode 2 roles کی طرف جاتا ہے، جو اس کا تقریباً سارا حصہ ہیں۔
اگر آپ vocabulary میں نئے ہیں (Digital FTE، SKILL.md، Agent Factory)، پہلے Thesis اور Glossary سے شروع کریں؛ یہ page انہیں معلوم سمجھتا ہے۔
پورا map ایک نظر میں: core pipeline، اسے extend اور support کرنے والی چیزیں، کتاب کہاں رکتی ہے، اور نیچے کی baseline۔
وہ baseline جہاں سے سب شروع کرتے ہیں
Foundations: floor، دونوں modes سے پہلے۔ ہر reader ایک ہی طرح شروع کرتا ہے، browser tab میں، Foundations پر: prompting کیسے کرنی ہے، agentic work کی دو document languages، وہ code کیسے commission کرنا ہے جو آپ خود کبھی نہیں لکھتے، skills اور connectors، اور AI era میں کیسے سوچنا ہے۔ کوئی mode نہیں، کوئی role نہیں، install کرنے کو کچھ نہیں۔ یہی وہ floor ہے جس پر پورا map کھڑا ہے۔ جہاں سب شروع کرتے ہیں، title نہیں۔
Mode 1 Practitioner: title نہیں، proficiency ہے۔ اسی floor پر آپ general agent کو اپنا کام تیز کرنے کے لیے use کرتے ہیں: reason کرنا، لکھنا، code کرنا، analyze کرنا، plan کرنا، outcome ship کرنا، اور session close کرنا۔ یہ Mode 1 ہے، اور کتاب اسے سب کے لیے train کرتی ہے: engineers کے لیے Claude Code یا OpenCode کے ذریعے، domain experts کے لیے Claude Cowork یا OpenWork کے ذریعے، Seven Principles of General Agent Problem Solving کے تحت۔ یہ پہلا mode ہے جو ہر reader نیچے دیے گئے Mode 2 roles سے پہلے run کرتا ہے، اور یہ آپ کو موجودہ job میں sharper بناتا ہے، نیا title نہیں دیتا۔ پہلا mode جو سب run کرتے ہیں، title نہیں۔
عمومی بنیادی کردار
یہ core roles ایک single pipeline کی طرح چلتے ہیں، intent سے production تک: Outcome Architect (کیا) -> Digital FTE Builder (build) -> AI-Native Company Architect (system) -> Cloud AI Engineer (run)۔ اسے اپنی company کے اندر چلائیں تو یہ چار roles ہیں؛ اسے client کی company کے اندر چلائیں، end to end ایک embedded، vendor-neutral engineer اسے carry کرے، تو یہ Forward Deployed Engineer ہے۔ Map پر باقی سب کچھ اسی line کو support، extend، یا bound کرتا ہے۔
چار roles آپ کی اپنی company کے اندر line run کرتے ہیں؛ ایک embedded engineer وہی line client کی company کے اندر carry کرتا ہے۔
Outcome Architect: intent own کرتا ہے، execution نہیں۔ Agent era میں work تین حصوں میں split ہوتا ہے: intent، execution، verification۔ Worker execution own کرتا ہے؛ یہ role intent own کرتا ہے۔ یہ decide کرتا ہے کہ Worker کیا achieve کرے، spec لکھتا ہے جو اسے pin down کرتی ہے، "correct" کا مطلب set کرتا ہے، اور prioritize کرتا ہے کہ کون سے Workers بننے بھی چاہییں۔ Builder کیسے کا جواب دیتا ہے؛ اس سے پہلے یہ human کیا اور کیوں کا جواب دیتا ہے۔ جہاں Strategist track client-facing discovery اور ROI own کرتا ہے، Outcome Architect internal Worker roadmap اور اس کے پیچھے specs own کرتا ہے۔ کتاب اسے directly train کرتی ہے: spec-driven development اصل میں یہی discipline ہے کہ intent اتنا clear لکھا جائے کہ Worker کو اس کے against hold کیا جا سکے۔
Software کی history میں slow حصہ چیز build کرنا تھا۔ Coding agents نے یہ توڑ دیا۔ ایک engineer اب پہلے سے کئی گنا زیادہ ship کرتا ہے، کیونکہ agent building کرتا ہے۔ مگر اس speed نے ایک نیا slow part expose کیا۔ اگر ایک engineer پانچ چیزیں ایک ساتھ build کر سکتا ہے تو کسی کو پھر بھی decide کرنا ہے کہ کون سی پانچ چیزیں build کرنے کے قابل ہیں، اور ہر ایک کو اتنا clearly لکھنا ہے کہ agent execute کر سکے۔ یہ deciding اس role میں intent کہلاتی ہے، اور یہ fast نہیں ہوئی۔
ایک number میں shift دیکھیں۔ Companies پہلے تقریباً ایک product manager، یعنی direction set کرنے والا ایک شخص، ہر آٹھ engineers پر چلاتی تھیں۔ جب ہر engineer کا output multiply ہوا، وہی ایک person اب تقریباً بیس engineers کے work کو feed کر رہا ہے۔1 Building scale ہوئی۔ Deciding scale نہیں ہوئی۔ اس لیے deciding bottleneck بن گئی، وہ point جس پر باقی سب wait کرتا ہے۔
Market اسے دیکھ کر conclude کرتا ہے کہ product managers کم ہیں۔ یہ کتاب اسے مختلف پڑھتی ہے: یہ وہ moment ہے جب Outcome Architect، intent کا مالک، company کی سب سے important seat بن جاتا ہے۔ AI workforce جتنی بڑی ہوتی ہے، اتنا ہی وہ ایسے human پر depend کرتی ہے جو precisely کہہ سکے کہ اسے کیا build کرنا چاہیے۔
Execution agentic coding کے ساتھ scale ہوا؛ کیا build کرنا ہے یہ decide کرنے کا work نہیں ہوا۔ Widening gap، engineers کی shortage نہیں، وہ چیز ہے جسے نیا ratio measure کرتا ہے۔
اسے مکمل train کرتی ہے: وہ discipline جس پر پورا method rests کرتا ہے۔
Digital FTE Builder: unit product، end to end built۔ Market اسے AI Engineer کہتا ہے، ایک catch-all title اس شخص کے لیے جو AI components سے applications بناتا ہے اور AI coding agents drive کرتا ہے۔ اس کتاب کا نام sharper ہے، کیونکہ جو چیز آپ build کرتے ہیں وہ sharper ہے: Digital FTE، وہ unit جس سے پوری company assemble ہوتی ہے۔ یہی کتاب کا primary graduate ہے۔ یہ full spine train کرتی ہے: spec-driven development، SKILL.md authoring، agent architecture، tool اور MCP interfaces (MCP وہ standard طریقہ ہے جس سے agent outside tools اور data میں plug ہوتا ہے)، evaluation، اور human oversight، deployment اتنی کہ ship ہو سکے، اور deeper production Cloud AI Engineer کے لیے چھوڑتی ہے۔ اسے end to end train کرتی ہے۔
AI-Native Company Architect: company design کرتا ہے، single Worker نہیں۔ پوری enterprise: Two-Layer Model، management layer، workforce، nervous system جو ان کے درمیان events carry کرتا ہے، اور system of record جس کے against یہ سب run ہوتا ہے۔ Agent Factory وہ process ہے جو یہ architect practice کرتا ہے؛ AI-Native Company وہ product ہے جو وہ ship کرتا ہے۔ کتاب اس کا canonical source ہے۔ پانچ-quarter Certified Agentic AI Architect program اس کی credential ہے۔ مکمل training؛ Architect track سے certified۔
Cloud AI Engineer: production میں AI Worker اور AI-Native Company run کرنے والا۔ Digital FTE build کرنا half ہے؛ اسے reliably run کرنا دوسرا half ہے، اور پوری AI-Native company کو run کرنا بھی۔ جہاں AI-Native Company Architect enterprise design کرتا ہے، یہ role اسے operate کرتا ہے: Workers، management layer، اور nervous system کو real cloud infrastructure پر deploy اور scale کرنا، ship کے لیے Azure Container Apps، durable execution کے لیے Inngest، اور scale کے لیے Dapr اور Kubernetes۔ یہ وہ جگہ ہے جہاں system prototype سے ایسی company بنتا ہے جس پر organization depend کر سکتی ہے۔ Production path train کرتی ہے؛ deeper scale اور platform operations cloud track میں ہیں۔
Forward Deployed Engineer (FDE): وہ vendor-neutral version جو market کو نہیں ملتا
اوپر کے چار core roles آپ کی اپنی company کے اندر line چلاتے ہیں۔ اسی line کو client کی company میں لے جائیں، ایک embedded engineer end to end اسے carry کرے، تو اس کا نام وہ ہے جسے market اب scramble کر کے hire کر رہا ہے۔
FDE حقیقت میں کیا کرتا ہے۔ زیادہ تر software engineers headquarters میں product build کرتے ہیں اور اس customer سے کبھی نہیں ملتے جو اسے use کرتا ہے۔ FDE اس کے برعکس کرتا ہے۔ وہ customer کے اصل workplace پر جاتا ہے، کام کرنے والے لوگوں کے ساتھ بیٹھتا ہے، ان کی real problems سمجھتا ہے، اور وہیں on-site اپنی company کے platform سے solutions build کرتا ہے۔ Demo نہیں۔ Slide deck نہیں۔ Working software جو customer کے real environment میں run کرتا ہے۔
اسے doctor کی مثال سے سمجھیں: ایک doctor دوسرے شہر سے آپ کا chart پڑھتا ہے، اور دوسرا doctor room میں بیٹھ کر آپ کا معائنہ کرتا ہے اور فوراً treatment شروع کرتا ہے۔ FDE دوسرا doctor ہے۔
Palantir نے early 2010s میں یہ role create کیا اور پہلے انہیں "Deltas" کہا۔2 2016 کے قریب تک Palantir کے پاس regular software engineers سے زیادہ FDEs تھے، کیونکہ government agencies اور large traditional enterprises کو on-site ایسے شخص کی ضرورت تھی جو startup mentality کے ساتھ bureaucracy cut through کر سکے۔ Palantir کا difference clear ہے: regular developer one capability, many customers پر focus کرتا ہے؛ FDE one customer, many capabilities پر۔ Job description startup CTO جیسا لگتا ہے: high-stakes projects پر start سے finish تک ownership۔
یہ Solutions Architect یا Sales Engineer جیسا نہیں۔ Solutions Architect advise کرتا ہے: demos، whiteboards، sample data سے proof-of-concept۔ Deal close ہونے کے بعد اس کا involvement کم ہو جاتا ہے۔ FDE وہاں سے pick کرتا ہے۔ وہ customer کی infrastructure پر real data کے ساتھ production code لکھتا ہے، اور value land ہونے تک رہتا ہے۔ Simple test: اگر role customer-specific work کو production میں واقعی function کروانے کے لیے accountable ہے، تو وہ FDE کے قریب ہے۔ اگر product کو explain یا prove کرنا اصل accountability ہے، تو وہ solutions architect کے قریب ہے۔
OpenAI کا John Deere کے ساتھ کام یہی deployment logic دکھاتا ہے: AI ایک real operational context میں apply ہوا، See & Spray، customer success، dealer workflows، اور preseason recommendations کے around۔ John Deere نے See & Spray کو chemical use میں 70% تک کمی کا credit دیا، اور case study setup، in-season recommendations، dealer support، اور ROI reporting کے around AI use دکھاتی ہے۔3 Work customer کے planting calendar پر live ہے، product roadmap پر نہیں۔ یہی FDE job ایک line میں ہے: real production software، customer کی دنیا میں built، اور تب shipped جب customer کو ضرورت ہو۔
FDE وہ جگہ ہے جہاں code، product، اور customer ملتے ہیں: software engineer کی build، platform engineer کی product instincts، اور solutions architect کی customer read، ایک ایسے شخص میں جو customer کی دنیا میں build کرتا ہے، headquarters میں نہیں۔
کیوں ہر AI company اب FDEs چاہتی ہے۔ 2025 کے پہلے تین quarters میں FDE job postings 800% سے زیادہ بڑھیں۔4 Salesforce نے Agentforce کے لیے dedicated FDE team بنائی۔5 OpenAI نے "Deployment Company" create کی، تقریباً $4 billion backing کے ساتھ، جو largely enterprises کو FDEs staff کرنے کے around بنی۔6
June 2026 میں model hyperscalers تک پہنچا: AWS نے new Forward Deployed Engineering unit کے لیے $1 billion commit کیا، five-to-six engineers کے pods clients کے پاس roughly 45-day deployments کے لیے بھیجنے کا plan، thousands تک staff کرنے کے ارادے کے ساتھ۔7 دو دن بعد Microsoft نے larger answer دیا: Microsoft Frontier Co.، $2.5 billion backing، 6,000 people، existing Microsoft FDEs، technical consultants، support staff، اور industry-experienced salespeople، directly clients کے ساتھ embedded، early customers میں Unilever اور Novo Nordisk۔8 ایک week میں دو largest cloud providers نے $3.5 billion ایک ہی job title کے پیچھے لگا دیا۔ Model sectors بھی jump کر چکا ہے: McKinsey QuantumBlack Lead Forward-Deployed Engineers hire کر رہا ہے، eight-plus years hands-on engineering مانگتے ہوئے، یعنی consulting giant مان رہا ہے کہ deployment کے بغیر advice اب نہیں بکتی۔9
اس سب کی وجہ simple ہے: 2025 MIT Media Lab study (Project NANDA) نے پایا کہ custom enterprise AI pilots میں تقریباً 95% measurable return نہیں دکھاتے۔10 اس لیے نہیں کہ AI کام نہیں کرتا، بلکہ اس لیے کہ اسے company کے messy، real-world systems میں fit کرنا hard ہے۔ FDEs اسی gap کو close کرنے کے لیے exist کرتے ہیں۔ یہی وجہ ہے کہ Palantir late 2024 تک $136 billion market cap cross کر گیا، Lockheed Martin سے آگے نکل گیا،11 اور اب ہر AI company model replicate کرنا چاہتی ہے۔
Market کیا pay کرتا ہے، honestly پڑھیں۔ Viral posts اس role کو "up to $1M a year" سے sell کرتے ہیں۔ Real numbers inflation کے بغیر بھی strong ہیں۔ Indeed نے April 2025 میں 643 US FDE postings اور ایک سال بعد 5,330 count کیں، 729% rise، typical salary bands $170,000 سے $200,000-plus؛ Anthropic کی FDE postings $200,000 سے $300,000 تک چلتی ہیں۔9 Market across median تقریباً $190,000 ہے، roughly $160,000 سے $220,000۔12 Senior اور staff FDEs frontier labs میں $450,000 سے $600,000 clear کرتے ہیں، اور seven-figure numbers exist کرتے ہیں، مگر وہ career ceiling ہے، door نہیں۔13 Data میں دو details زیادہ important ہیں: role postings nine months میں 800%+ بڑھیں جبکہ candidate pool roughly 50% بڑھا، یہی supply gap salary pressure بناتا ہے؛ اور verified FDE roles کے ایک review میں کسی میں sales quota نہیں تھا، یعنی market FDEs کو engineers کی طرح pay کرتا ہے، salespeople کی طرح نہیں۔ Market data July 2026 میں verified تھا؛ role fast move کر رہا ہے، durable point discipline ہے، single salary band نہیں۔
Services industry بھی یہی math دوسری طرف سے دیکھتی ہے
اوپر والے vendors FDEs باہر بھیجتے ہیں؛ outsourcing world کے پاس اس سے بھی زیادہ existential reason ہے، کیونکہ اس کا model، ہزاروں لوگوں کے human execution hours بیچنا، وہی layer ہے جسے AI absorb کرتا ہے۔ AWS اور Microsoft announcements کے ایک week کے اندر وہ دنیا FDE کے around reposition ہونے لگی۔ Sanjeev Aggarwal، جنہوں نے Infosys کے Nandan Nilekani کے ساتھ Fundamentum co-found کرنے سے پہلے Daksh، India کی BPO industry کے pioneers میں سے ایک، build کیا، نے CNBC-TV18 کے Young Turks Reloaded میں arithmetic صاف رکھی: FDE engineer، product manager، اور AI architect کو ایک person میں fuse کرتا ہے، "almost like a unicorn... a 10x engineer"، اور اس fusion پر ایک firm roughly 100 FDEs کے ساتھ $100 million business build کر سکتی ہے، وہ work جس کے لیے traditional IT services model 2,000 سے 2,500 people لگاتا تھا، 70 سے 90 percent gross margins کے ساتھ۔14 Figures کو veteran projection سمجھیں، measurement نہیں؛ مگر دیکھیں یہ projection کس کی ہے۔ Old model build کرنے والا شخص اس کے successor کا اعلان کر رہا ہے: pyramid کے پچیس heads ایک سے replace، pod-of-one compression company scale پر۔ اس کی conclusion geographic ہے، "India can be the FDE factory for the world"۔ Claim اس سے زیادہ general ہے۔ IT-services decades نے South Asia کو client کے messy systems میں embed ہو کر ship کرنا سکھایا؛ یہ muscle Karachi اور Lahore میں بھی اتنا ہی ہے جتنا Bangalore میں۔ اسے new role میں convert کرنے والی چیز geography نہیں، training ہے، اور اس کتاب کا method وہ conversion ہے۔
Aggarwal کی arithmetic scale پر: pod-of-one compression، company scale پر۔ یہ projection ہے، measurement نہیں۔
Vendor lock-in problem۔ مسئلہ یہ ہے۔ Palantir کا ہر FDE Palantir platform پر build کرتا ہے۔ OpenAI کا FDE OpenAI models پر۔ Salesforce کا FDE Salesforce tools پر۔ Engineer client کی company میں گہرائی تک جاتا ہے، ایک vendor کا product ہر چیز میں wire کرتا ہے، اور چلا جاتا ہے۔ بعد میں switch painful اور expensive ہوتا ہے۔ Andrew Ng نے note کیا کہ clients ایسے FDEs ڈھونڈنے میں struggle کرتے ہیں جو single vendor سے tied نہ ہوں، کیونکہ vendor کے لیے role کا point client کو lock in کرنا ہے۔15 AWS کا launch بھی trap دکھاتا ہے: clients self-sufficient رہیں گے، مگر agentic systems AWS environment میں run کریں گے۔ Self-sufficiency، ایک vendor cloud پر۔ Microsoft نے بھی same concession مختلف طریقے سے کیا: more models، connectors، اور open systems integrations کو looser cage کی feature بتایا۔
یہ کتاب وہ FDE train کرتی ہے جو market مانگتا رہتا ہے مگر ڈھونڈ نہیں پاتا۔ یہاں کا method کسی vendor سے bound نہیں۔ اس کتاب کا graduate full pipeline carry کرتا ہے، intent spec کرو، Worker build کرو، system design کرو، production میں run کرو، client organization کے اندر، client کو single platform میں lock کیے بغیر۔ اگلے quarter بہتر model آئے، یا اگلے سال cheaper runtime ship ہو، تو آپ switch کرتے ہیں۔ Client choice کی freedom رکھتا ہے، اور آپ وہ discipline رکھتے ہیں جو کسی بھی stack پر کام کرتا ہے۔ Honest tradeoff: vendor FDE heavily subsidized، کبھی free، ہوتا ہے کیونکہ vendor lock-in سے earn کرتا ہے؛ vendor-neutral FDE client یا independent firm pay کرتی ہے۔ یہی feature ہے: client optionality ابھی خریدتا ہے، switching costs بعد میں نہیں دیتا۔
Few programs اس role کے vendor-neutral version کو end to end train کرتے ہیں۔ Exact boast یہ ہے: کتاب vendor-neutral FDE کا technical core train کرتی ہے، وہ half جو market کو نہیں ملتا۔ دوسرا half، client discovery، prioritization، ROI framing، اور unrealistic ask پر push back کرنے کی discipline، Certified Agentic AI Business Strategist track کا ہے۔ Technical core train کرتی ہے؛ consulting layer Strategist track میں رہتی ہے۔
Direct hire: FDE سے in-house AI-Native Company Architect
یہ path پہلے باہر سے شروع ہوتا ہے۔ آپ client کے اندر embed ہوتے ہیں، messy systems پڑھتے ہیں، first Workers ship کرتے ہیں، اور proof دیتے ہیں کہ company AI-Native operating model پر چل سکتی ہے۔ اگر وہ company آپ کو hire کر لے تو work کا name بدلتا ہے، work نہیں۔ Vendor-neutral FDE in-house AI-Native Company Architect بن جاتا ہے، کیونکہ وہ vendor platform کا representative نہیں، method کا carrier ہے۔
Direct-hire path: client پر deploy ہوں تو FDE؛ direct hire ہوں تو core میں AI-Native Company Architect۔ یہ trip vendor-neutral FDE ہی کر سکتا ہے۔
Job land کرنا اپنی discipline ہے۔ FDE resume software engineer resume سے مختلف signals پر screen ہوتا ہے، اور FDE interview کا ایک round ایسا ہے جس میں strong engineers بھی fail ہوتے ہیں۔ Appendix A، Appendix B، اور Appendix C نیچے اس map کو cover کرتے ہیں۔
Subject Matter Expert as Skill Author
Subject Matter Expert as Skill Author: وہ role جسے market نے ابھی نام نہیں دیا۔ Accountant، lawyer، یا supply-chain expert جو judgment کو SKILL.md میں encode کرتا ہے، یعنی ایک plain-text file جو agent کے load اور follow کرنے کے لیے skill package کرتی ہے، اور Digital FTE کا knowledge engine بنتا ہے۔ Work concrete ہے: وہ tacit rule لیں جو آپ بغیر سوچے apply کرتے ہیں، جیسے experienced auditor transactions flag کرنے کا فیصلہ کیسے کرتا ہے، یا claims adjuster borderline case کیسے پڑھتا ہے، اسے اتنا precisely لکھیں کہ agent execute کر سکے، پھر test کریں کہ agent کی calls آپ کی calls سے match کرتی ہیں یا نہیں، اور SKILL.md revise کریں جب تک match نہ ہو۔ Market lists اسے miss کرتی ہیں کیونکہ وہ AI work کو engineering-only سمجھتی ہیں۔ یہ کتاب domain judgment کو author، test، deploy کرنے والی چیز سمجھتی ہے۔ Vendor-neutral FDE کی طرح، یہ بھی role ہے جسے تقریباً کوئی اور train نہیں کرتا۔ اسے full train کرتی ہے: judgment in، working agent out۔
Connector اور Plugin Engineer
Connector and Plugin Engineer: ان agent hosts کو extend کرتا ہے جو لوگ پہلے سے چلا رہے ہیں۔ Worker بنانے سے پہلے ایک discipline ہے: وہ چیزیں بنانا جن تک agent ہاتھ بڑھاتا ہے۔ Market اسے MCP engineer، integrations engineer، connector developer، plugin developer، agent-tooling engineer جیسے نام دیتا ہے۔ یہ ایک job ہے، دو addresses پر۔ connector-native app end users کے chat app کو extend کرتی ہے؛ plugin builders کے coding agent کو extend کرتا ہے۔ Same move، two hosts، نیچے artifact اکثر MCP server۔ دونوں کو end to end train کرتی ہے، deployed artifact تک؛ identity issue کرنا AI Identity course کا حصہ ہے، runtime itself build کرنا scope سے باہر ہے۔
سہارا دینے والے کردار
ہر pipeline کو ایسے لوگ چاہییں جو work check کریں، rules set کریں، اور responsibility لیں۔
Evals Engineer: وہ شخص جو AI Workers کو live جانے سے پہلے crash-test کرتا ہے۔ AI Worker جو real لوگوں اور real money کو affect کرے اسے tests چاہیے: کیا answer correct ہے؟ کیا وہ gracefully fail کرتا ہے؟ کیا boundaries کے اندر رہتا ہے؟ یہ afterthought نہیں؛ ہر chapter میں built in ہے۔ Core curriculum، add-on نہیں۔
AI Governance Officer: decide کرتا ہے کہ AI کیا کر سکتا ہے۔ Company میں ہر employee کی limits ہوتی ہیں؛ AI Workers کو بھی۔ Governance Officer company-level rules لکھتا ہے: AI اپنے آپ کیا decide کر سکتا ہے، human approval کہاں چاہیے، اور AI کو کیا کبھی touch نہیں کرنا چاہیے۔ وہ regulations کی mapping بھی handle کرتا ہے۔ AI-Native Company Architect enforcement system build کرتا ہے؛ Governance Officer decide کرتا ہے کہ rules میں کیا ہو۔ Governance framework train کرتی ہے؛ jurisdiction-specific rules آپ supply کرتے ہیں۔
Digital FTE Supervisor: وہ human جس کا نام line پر ہے۔ جب AI Worker claim process کرے، contract draft کرے، یا transaction flag کرے، کسی کو accountable ہونا پڑتا ہے۔ Supervisor reviewer، approver، اور audit trail کا human name ہے۔ یہ Worker build کرنے والا نہیں؛ day to day اسے run کرنے والا ہے۔ اسے train کرتی ہے۔
جہاں کتاب جان بوجھ کر رکتی ہے
LLMOps Engineer: model تک، model itself نہیں۔ Production میں agents run کرنا Cloud AI Engineer کا job ہے، اور کتاب اسے train کرتی ہے۔ Fine-tuning hands-on train ہوتی ہے، مگر last resort کے طور پر، default نہیں۔ Hard stop foundation model scratch سے pre-train کرنا ہے۔ Fine-tuning اور model کے گرد ops train کرتی ہے، foundation models build کرنا نہیں۔
Harness Engineer: runtime جو آپ use کرتے ہیں، وہ نہیں جو آپ build کرتے ہیں۔ Harness agent runtime ہے، OpenAI Agents SDK، Claude managed agents، وغیرہ۔ کتاب آپ کو انہیں fluently use کرنا اور portable رہنا train کرتی ہے؛ runtime itself build کرنا job نہیں۔ کسی بھی runtime کو use کرنے والے operator کو train کرتی ہے، runtime engineer کو نہیں۔
AI Data Engineer: agent-facing data layer۔ System-of-record work agent-facing data layer کو touch کرتا ہے: Postgres، pgvector، اور MCP وہ spine ہیں جس سے agent read کرتا ہے۔ Classic pipeline اور warehouse engineering adjacent ہیں، central نہیں۔ Agent-facing data layer train کرتی ہے، general data engineering نہیں۔
دوسرا axis: آپ کی type، صرف seat نہیں
اوپر کا map بتاتا ہے کہ work کہاں بیٹھتا ہے۔ یہ نہیں بتاتا کہ کون سی seat آپ کو fit کرتی ہے۔ June 2026 میں Boris Cherny، Claude Code کے creator، نے اپنی team کو دیکھ کر پوچھا کہ roles کیا بنتے ہیں جب engineering، product، design، اور data science "melt into a new kind of role."16 ان کا answer پانچ archetypes تھا، job functions نہیں۔ Prototyper new ideas churn کرتا ہے، جن میں سے اکثر ship نہیں ہوتے۔ Builder prototype کو production-grade product یا infrastructure بناتا ہے۔ Sweeper system simplify کرتا ہے، UI clean کرتا ہے، unship اور optimize کرتا ہے۔ Grower built product کو product-market fit کی طرف iterate کرتا ہے۔ Maintainer mature system کو secure، reliable، fast، efficient رکھتا ہے۔
Cherny کے پانچ archetypes، اور یہ اس map کی seats سے کہاں rhyme کرتے ہیں، loudly مگر one-to-one نہیں۔
دو observations یہاں کام کرتی ہیں۔ پہلی، archetypes titles سے tied نہیں: Anthropic میں designers، engineers، PMs، data scientists سب میں Prototypers، Builders، Sweepers پائے جاتے ہیں۔ دوسری، اکثر لوگ دو archetypes span کرتے ہیں، کبھی تین، اور team کو جس mix کی ضرورت ہوتی ہے وہ product phase سے بدلتا ہے۔ اس map کے against پڑھیں تو rhymes loud ہیں: Outcome Architect ایک Prototyper seat ہے؛ Digital FTE Builder ایک Builder seat؛ Evals Engineer ایک Sweeper seat؛ Cloud AI Engineer اور Supervisor Maintainer seats۔ Grower honestly unmapped رہتا ہے۔ Roles بتاتے ہیں work کہاں بیٹھتا ہے۔ آپ کے archetypes بتاتے ہیں کہ کون سی seats لینی ہیں۔
Pattern ہی signal ہے۔ Agent era work کو بہت سے roles میں پھیلاتا ہے، ایک میں نہیں: Workers build کرنا، انہیں run اور govern کرنا، انہیں judgment سکھانا۔ Map point ہے: دیکھیں آپ کہاں کھڑے ہیں، کون سے archetypes span کرتے ہیں، اور یہ کتاب آپ کو وہاں سے کتنا آگے لے جاتی ہے۔
Appendix A: FDE resume، چھ signals
Interview اور screening practices تیزی سے بدلتی ہیں؛ یہ appendix اور اگلا mid-2026 sources کے against verify کیے گئے۔
Recruiters FDE profile کو software engineer profile کی طرح نہیں پڑھتے۔ Real screening practice چھ signals پر converge کرتی ہے، اور profile جو انہیں bury کرتی ہے technical bar test ہونے سے پہلے reject ہو جاتی ہے۔17 پہلے تین پوچھتے ہیں کہ آپ نے واقعی deliver کیا یا نہیں: shipped production systems، quantifiable impact، اور direct customer exposure۔ دوسرے تین delivery style پوچھتے ہیں: messy-data work، ownership under ambiguity، اور AI/LLM depth، یعنی RAG، agents، evals۔
تین rewrites follow کرتے ہیں۔ ہر bullet کو activity سے outcome میں بدلیں: "ETL pipeline built" نہیں، "client month-end close پانچ دن سے دو دن پر آیا"۔ "We" نہیں "I" لکھیں، کیونکہ FDE screeners "we" کو carried سمجھتے ہیں۔ Algorithm trophies cut کریں؛ data-structures medal wrong interview کی preparation signal کرتا ہے۔ اس کی جگہ portfolio ہے: deployed Worker، shipped plugin، live connector app، ہر ایک کے ساتھ one-line outcome۔ اس کتاب کا ہر capstone اسی line کے لیے design ہے۔
Appendix B: FDE interview، loop اور trap
Loop تین سے چھ weeks میں پانچ سے آٹھ stages چلاتا ہے: recruiter screen، hiring-manager screen، practical coding، system design، decomposition case study، client simulation، behavioral round، اور کچھ AI labs APIs پر take-home بھی دیتی ہیں۔17 دو rounds outcome decide کرتے ہیں، اور دونوں وہ نہیں جن کے لیے engineers عام طور پر prepare کرتے ہیں۔
Decomposition round filter ہے۔ آپ کو vague enterprise problem ملتا ہے، مثلاً city emergency response times cut کرنا چاہتی ہے؛ call data، traffic data، ambulance GPS موجود ہے؛ sixty minutes۔ Common rejection answer دینا ہے۔ Candidate جو فوراً "predictive model build کروں گا" کہتا ہے fail کر چکا ہے، کیونکہ اس نے scope سے پہلے solve کیا۔ جو score کرتا ہے وہ sequence ہے: actual goal clarify کرو، stakeholders اور success metric name کرو، data exists اور ownership map کرو، subproblems risk کے حساب سے sequence کرو، اور thinnest end-to-end skeleton propose کرو، assumptions اور failure modes loud۔ یہ spec-driven development verbal form میں ہے۔
Client simulation دوسرا filter ہے۔ Interviewer frustrated یا non-technical customer role-play کرتا ہے، اور آپ bad news deliver کرتے ہیں، governance-compromising request پر push back کرتے ہیں، یا explain کرتے ہیں کہ system 100% accuracy promise کیوں نہیں کر سکتا، jargon کے بغیر۔ Red flags consistent ہیں: clarify کرنے سے پہلے solve کرنا، cost اور constraints ignore کرنا، thin deployment stories، regulated domains میں zero compliance vocabulary، اور customer instinct کا نہ ہونا۔
Live build بھی پھیل رہا ہے: ایک documented loop تین hours کا تھا، thirty minutes vague use case کو requirements میں بدلنا، ninety minutes AI coding assistant کے ساتھ working solution build کرنا while validating every suggestion، اور sixty minutes result کو business language میں stakeholder کو present کرنا۔18 LeetCode کہیں نہیں آیا۔ Middle round اس کتاب کا Mode 1 discipline observation کے تحت ہے: agent direct کرو، ہر output verify کرو، loop narrate کرو۔
Company flavor margin پر matter کرتا ہے: Palantir data engineering، ontology thinking، decomposition round؛ OpenAI APIs کے against systems build اور evaluate؛ Anthropic production LLM systems، evals، mission alignment۔ Fundamentals everywhere same ہیں۔
Appendix C: اس کتاب سے FDE کی preparation
Interview اس کتاب کے around design نہیں ہوا، مگر ہو سکتا تھا۔ ہر round material سے map ہوتا ہے:
| Interview round | کیا test کرتا ہے | کتاب کہاں train کرتی ہے |
|---|---|---|
| Decomposition case study | Solve سے پہلے scope؛ spec discipline loud | Spec-Driven Development; AI Era میں کیسے سوچیں |
| Practical coding | Agent کے ساتھ verified engineering | Python in the AI Era; Code You Never Write; Problem Solving اصول |
| AI-specific depth | RAG، agents، evals | Searchable Context; Build AI Agents; Eval-Driven Development |
| System design | Enterprise deployment constraints | Thesis; Choosing Agentic Architectures; Deploy the Agent Harness |
| Client simulation | Trust، pushback، business language | Human-Agent Teams; Strategist track |
| Live build | Agent کو observation کے تحت direct کرنا | Claude Code and OpenCode; Agentic Engineering Fundamentals |
| Portfolio | Shipped, demonstrable outcomes | ہر capstone: deployed Worker, plugin, connector-native app |
Table bottom-up پڑھیں تو point صاف ہے: hardest rounds، decomposition، live build، eval question، curriculum پر bolted-on extras نہیں۔ وہ curriculum ہی examined ہے۔