اے آئی دراصل کیا ہے: ایک فوری کورس

بغیر ریاضی، بغیر کوڈ، صرف 9 آئیڈیاز: وہ ایک چیز جو باقی پانچ کورس فرض کر لیتے ہیں کہ آپ پہلے سے سمجھتے ہیں۔

آپ یہ جانے بغیر کہ engine کیا ہوتا ہے، گاڑی چلا سکتے ہیں۔ زیادہ تر لوگ ایسا ہی کرتے ہیں۔ لیکن جیسے ہی کچھ خراب ہوتا ہے (کوئی آواز، کوئی warning light، پہاڑی پر گاڑی کا بند ہو جانا) تو وہ لوگ جنہیں موٹے طور پر اندازہ ہوتا ہے کہ بونٹ کے نیچے کیا ہے، پُرسکون رہتے ہیں، اور جنہیں نہیں معلوم، وہ گھبرا جاتے ہیں۔ وہ بے ضرر کھڑکھڑاہٹ اور جام ہو چکے engine میں فرق نہیں کر پاتے، کیونکہ ان کے لیے پوری مشین ایک بند ڈبہ ہے جو یا تو چلتا ہے یا نہیں چلتا۔

یہی زیادہ تر لوگوں کا اے آئی کے ساتھ تعلق ہے۔ انہوں نے اسے چلانا تو سیکھ لیا ہے (باقی پانچ Foundations کورس آپ کو واقعی ایک اچھا ڈرائیور بنا دیتے ہیں) مگر انہوں نے ایک بار بھی بونٹ کے نیچے نہیں جھانکا۔ تو جب مشین کوئی عجیب کام کرتی ہے (کوئی source گھڑ لیتی ہے، اپنی ہی بات کاٹ دیتی ہے، کسی بالکل غلط بات پر پورے یقین سے بولتی ہے)، تو ان کے پاس اس کی کوئی توجیہ نہیں ہوتی کہ ایسا کیوں ہوا، اور وہ یا تو اس پر حد سے زیادہ بھروسا کر لیتے ہیں یا اسے بالکل رد کر دیتے ہیں۔ دونوں ردِعمل ایک ہی جگہ سے آتے ہیں: یہ نہ جاننے سے کہ یہ چیز اصل میں ہے کیا۔

یہ کورس بونٹ کے نیچے ایک نظر ہے۔ mechanic والی نظر نہیں: یہاں کوئی ریاضی نہیں، کوئی کوڈ نہیں، کوئی ایسا neural-network ڈایاگرام نہیں جسے آپ کو سمجھنا پڑے۔ بس وہ نو آئیڈیاز جو اے آئی کے تقریباً ہر حیران کن کام کی وضاحت کرتے ہیں، تاکہ اس کی ناکامیاں معمہ بننا چھوڑ دیں اور قابلِ پیش گوئی بن جائیں۔ ایک بار جب آپ ناکامیوں کی پیش گوئی کر سکیں، تو آپ ان سے بچ بھی سکتے ہیں، اور یہی پورا فائدہ ہے۔

پڑھنے کا وقت: نو آئیڈیاز کے لیے 35 سے 40 منٹ، اختتامی مشقوں کے لیے تقریباً 25 منٹ، اور آخر میں Claude.ai کے اختیاری ضمیمے کے لیے 10 سے 15 منٹ۔

سب سے پہلے یہی پڑھیں

چھ Foundations کورسز میں سے، باقیوں سے پہلے یہی پڑھنے والا کورس ہے، اگرچہ یہ سب سے زیادہ تجریدی ہے۔ 2026 میں AI Prompting، Markdown اندر، HTML باہر، وہ کوڈ جو آپ کبھی نہیں لکھتے، Skills اور Connectors، اور اے آئی کے دور میں سوچنے کا طریقہ، یہ سب آپ کو مشین کو استعمال کرنا سکھاتے ہیں۔ ان میں سے ہر ایک اِس بات پر ٹکا ہوا ہے کہ مشین ہے کیا ("یہ stateless ہے"، "یہ predict کرتی ہے، ڈھونڈتی نہیں"، "غلط ہونے پر بھی یہ پُریقین رہتی ہے") اور یہ حقائق وہ ایک ایک جملے میں، گزرتے ہوئے بیان کر دیتے ہیں۔ یہ کورس وہ جگہ ہے جہاں سے وہ جملے آتے ہیں۔ اسے ایک بار پڑھ لیں، اور باقی پانچوں کورسز کا ہر "یہ ایسا کیوں کرتا ہے؟" کا جواب پہلے سے تیار ملے گا۔

یہ کورس اور prompting کورس کام کیسے بانٹتے ہیں

چند موضوع اِس کورس اور 2026 میں AI Prompting دونوں میں آتے ہیں، یہ سوچ سمجھ کر رکھا گیا ہے، تکرار نہیں۔ یہ کورس طریقۂ کار دیتا ہے (ایک وضاحت، پھر آگے بڑھ جاتا ہے)؛ prompting کورس مشق دیتا ہے (عادتیں، گہرائی میں)۔ جہاں دونوں ایک دوسرے کو چھوتے ہیں:

موضوع	یہاں (مشین)	2026 میں AI Prompting (عادت)
یہ کیا جانتا ہے	سیکھنا کیوں منجمد ہوا، اور جان بوجھ کر کیوں (آئیڈیا 2)	وہ علم کتنا قابلِ بھروسا ہے، موضوع در موضوع (تصور 2)
سیاق کی کھڑکی	یہ ماڈل کی نظر میں موجود واحد چیز کیوں ہے (آئیڈیا 5)	اسے کیسے سنبھالیں اور محفوظ رکھیں (تصور 4)
چیٹ کی تاریخ	متن ہر باری سیاق میں دوبارہ کیوں چلتا ہے (آئیڈیا 5)	لمبا کام تعفن سے کیسے بچائیں: نئی چیٹس اور خلاصے (تصور 4)
اعتماد	یہ پُریقین کیوں لگتا ہے اور آپ سے کیوں اتفاق کرتا ہے (آئیڈیا 6)	اسے کیسے بے اثر کریں (تصور 6)
استدلال	"سوچنا" اصل میں کیا ہے (آئیڈیا 9)	اسے کب آن کریں، اور کب نہیں (تصور 5)
تصاویر اور آڈیو	یہ محض مزید ٹوکن کیوں ہیں (آئیڈیا 4)	ان کے ساتھ عملی طور پر کیسے کام کریں (تصور 8)

اصول یہ ہے: جیسے ہی یہاں کا کوئی حصہ آپ کو کوئی عادت سکھانے لگتا ہے، یہ رک جاتا ہے اور آپ کو اس کے بجائے prompting کورس کی طرف بھیج دیتا ہے۔ وہی حوالہ دونوں کے درمیان کی لکیر ہے۔

وہ سوالات جن کے جواب یہ کورس دیتا ہے

اساتذہ اور خود کو جانچنے والوں کے لیے

اس کورس کا ہر آئیڈیا ایک ایسا سوال جواب دیتا ہے جو طالب علم واقعی پوچھتا ہے۔ مکمل فہرست کورس کی ترتیب میں نیچے ہے۔ تدریس سے پہلے چند سوال بلند آواز میں پوچھیں تاکہ اندازوں سے کمرے کے غلط ذہنی خاکے سامنے آئیں؛ دوران درس ہر سوال کو بحث کی ابتدا بنائیں؛ اور کورس کے بعد دوبارہ پوچھیں۔ جس طالب علم نے سمجھ لیا ہو وہ ہر سوال کا جواب اپنے الفاظ میں دو یا تین جملوں میں دے سکتا ہے۔ دایاں کالم جواب کی جگہ بتاتا ہے۔

حصہ 1: مشین

#	سوال	جواب کہاں ہے
1	زبان کا ماڈل جواب دیتے وقت اصل میں کیا کرتا ہے؟ کیا یہ حقائق تلاش کرتا ہے؟	آئیڈیا 1
2	بڑے زبان کے ماڈل احتمالی کہلاتے ہیں۔ اس کا کیا مطلب ہے، اور ایک ہی سوال ہر بار مختلف جواب کیوں دیتا ہے؟	آئیڈیا 1
3	بڑے زبان کے ماڈل کیسے بنتے ہیں، اور تربیتی ڈیٹا کہاں سے آتا ہے؟	آئیڈیا 2
4	علمی حد کی تاریخ کیا ہے؟	آئیڈیا 2
5	اگر مشین صرف متن جاری رکھتی ہے تو آپ کے سوال کا جواب کیوں دیتی ہے، مزید سوال لکھ کر اسے جاری کیوں نہیں کرتی؟	آئیڈیا 2
6	بڑے زبان کے ماڈل بے حالت کہلاتے ہیں۔ اس کا کیا مطلب ہے؟	آئیڈیا 2
7	ماڈل بے حالت کیوں بنائے جاتے ہیں؟ گفتگو کے دوران ماڈل مجھ سے کیوں نہیں سیکھ سکتا؟	آئیڈیا 2
8	مصنوعی جواب گھڑنا کیا ہے، اور ماڈل ایسا کیوں کرتے ہیں؟	آئیڈیا 3

حصہ 2: یہ اس طرح برتاؤ کیوں کرتا ہے

#	سوال	جواب کہاں ہے
9	ٹوکن کیا ہیں، کیسے استعمال ہوتے ہیں، اور کیا ناپتے ہیں؟	آئیڈیا 4
10	سیاق کی کھڑکی کیا ہے، اور دس لاکھ ٹوکن کی سیاق کی کھڑکی کا کیا مطلب ہے؟	آئیڈیاز 4 اور 5
11	نظامی ہدایت کیا ہے؟	آئیڈیا 5
12	چیٹ کی تاریخ کیا ہے؟ کیسے بنتی، کہاں محفوظ ہوتی، اور کیسے استعمال ہوتی ہے؟	آئیڈیا 5
13	سیاق کی کھڑکی اور چیٹ کی تاریخ میں کیا تعلق ہے؟	آئیڈیا 5
14	ایجنٹ کی Skills کیا ہیں، اور ان کا سیاق کی کھڑکی سے کیا تعلق ہے؟	آئیڈیا 5
15	اے آئی غلط ہونے پر بھی پراعتماد کیوں لگتا ہے، اور آپ سے اتفاق کیوں کرتا ہے؟	آئیڈیا 6
16	اے آئی ایک کام میں شاندار اور ساتھ والے بظاہر آسان کام میں بے کار کیوں ہوتا ہے؟	آئیڈیا 7

حصہ 3: پیش گوئی کرنے والے سے ایجنٹ تک

#	سوال	جواب کہاں ہے
17	متن کی پیش گوئی کرنے والے کو ایجنٹ کیا بناتا ہے؟	آئیڈیا 8
18	connectors کیا ہیں، اور MCP یعنی Model Context Protocol سے ان کا کیا تعلق ہے؟	آئیڈیا 8
19	استدلالی ماڈل "سوچتے" وقت اصل میں کیا کرتا ہے؟	آئیڈیا 9

Claude.ai کا اختیاری ضمیمہ ان سوالات کے پروڈکٹ والے روپ جواب دیتا ہے: کون سا ماڈل چنیں، اکاؤنٹ کی ہدایات، منصوبے اور یادداشت کب استعمال کریں، اور ویب تلاش کے بجائے Research کب چلائیں۔

📚 تدریسی معاون

پوری Slideshow کھولیں

پوری Presentation دیکھیں، اے آئی دراصل کیا ہے

دو منٹ میں ثبوت

کسی بھی وضاحت سے پہلے، مشین کو ایسا برتاؤ کرتے دیکھیں جو تبھی سمجھ آتا ہے جب آپ جانتے ہوں کہ یہ ہے کیا۔ Claude.ai، ChatGPT، یا Gemini کھولیں (مفت اکاؤنٹ بنانے میں ایک منٹ لگتا ہے) اور بالکل یہی پیسٹ کریں، جان بوجھ کر رکھی ہوئی spelling کی غلطی کے ساتھ:

Without using any tools, just from memory: how many times does the
letter R apear in the word "strawberry"? Then spell the word out
one letter at a time and count again.

دیکھیے کیا ہو سکتا ہے: پہلی بار میں کچھ ماڈل اب بھی غلط گنتی کرتے ہیں، پھر جیسے ہی وہ لفظ کو ایک ایک حرف کر کے spell کرتے ہیں، ٹھیک جواب دے دیتے ہیں۔ ایک ایسی مشین جو آپ کے لیے ایک کام کرتا ہوا پروگرام لکھ سکتی ہے، دس حرفوں کے ایک لفظ میں حرف بھروسے سے نہیں گن سکتی، جب تک آپ اسے لفظ توڑنے پر مجبور نہ کریں۔ یہ بے وقوفی نہیں ہے۔ یہ اِس کورس کی سب سے اہم حقیقت کا براہ راست، نظر آنے والا نتیجہ ہے: ماڈل حروف نہیں دیکھتا۔ یہ ٹوکن دیکھتا ہے (آئیڈیا 4)۔ لفظ پہلے ہی ٹکڑوں میں کٹا ہوا اس تک پہنچتا ہے، اور کسی ٹکڑے کے اندر کے حروف گننا اس کے لیے واقعی مشکل ہے، بالکل ویسے ہی جیسے کسی عمارت کے کمرے گننا مشکل ہے اگر کسی نے آپ کو صرف اس عمارت کا سڑک والا پتا دکھایا ہو۔

اسی پرامپٹ میں چھپا دوسرا، خاموش سبق بھی دیکھیں: "apear" کی غلط ہجے سے کچھ نہیں بدلا، ماڈل نے سوال پوری طرح سمجھ لیا۔ درست حرف گننے میں غلطی اور ہجے کی خامی کو نظر انداز کرنا ایک ہی حقیقت سے نکلتے ہیں۔ غلط ہجے کے ٹکڑے مطلوبہ معنی کے اتنے قریب ہوتے ہیں کہ بات سمجھ آ جاتی ہے؛ درست گنتی کے لیے ٹکڑوں کے اندر دیکھنا پڑتا ہے، جو ماڈل نہیں کر سکتا۔ آئیڈیا 4 دونوں کی وضاحت کرتا ہے۔

دو منٹ، ایک عجیب برتاؤ، اور آپ پورے صفحے کا مرکزی خیال جان چکے ہیں: اے آئی تقریباً جو بھی حیران کن کام کرتا ہے، اس کی وضاحت اس بات سے ہوتی ہے کہ یہ اصل میں ہے کیا، نہ کہ اس کے ذہین یا بے وقوف ہونے سے۔ نیچے دیے گئے نو آئیڈیاز اِس ایک مثال کو ایک مکمل خاکے میں بدل دیتے ہیں۔

چلانے سے پہلے ایک دیانت دار تنبیہ: strawberry کا امتحان مشہور ہے، اور اب ممکن ہے کسی ماڈل نے عین یہ سوال یاد کر لیا ہو۔ اگر وہ فوراً صحیح جواب دے دے تو یہ واقفیت ثابت کرتا ہے، حرفوں کی مہارت نہیں۔ اپنی کوئی بے ترتیب لڑی بنائیں، مثلاً "how many times does the letter r appear in braverrikromarent?"۔ اثر عموماً واپس آ جاتا ہے، کیونکہ ایسی لڑی یاد نہیں کی جا سکتی جس کے بارے میں کسی نے کبھی لکھا ہی نہ ہو۔

---

حصہ 1: مشین

جب آپ send دباتے ہیں تو لفظی طور پر کیا ہو رہا ہوتا ہے، اس بارے میں تین آئیڈیاز۔ انہیں سمجھ لیں تو اے آئی کا دو تہائی برتاؤ حیران کرنا چھوڑ دیتا ہے۔

1. یہ متن کا اگلا ٹکڑا predict کرتا ہے؛ یہ چیزیں ڈھونڈتا نہیں

یہاں وہ واحد جملہ ہے جسے آپ کے ذہن میں بٹھانے کے لیے پورا کورس بنا ہے: ایک language model ایسی مشین ہے جو، کچھ متن دیے جانے پر، یہ predict کرتی ہے کہ سب سے زیادہ معقول طور پر آگے کیا متن آتا ہے، ایک وقت میں ایک چھوٹا ٹکڑا۔ یہی پورا بنیادی طریقۂ کار ہے۔ باقی سب کچھ اسی کا نتیجہ ہے۔

یہ کتنی عجیب بات ہے، اس پر ٹھہرنا فائدہ مند ہے، کیونکہ یہ بالکل ویسا نہیں جیسا زیادہ تر لوگ فرض کرتے ہیں۔ زیادہ تر لوگ سمجھتے ہیں کہ اے آئی ایک بہت تیز لائبریرین کی طرح کام کرتا ہے: آپ سوال پوچھتے ہیں، وہ کسی وسیع اندرونی انسائیکلوپیڈیا میں متعلقہ حقیقت ڈھونڈتا ہے، اور پڑھ کر آپ کو سنا دیتا ہے۔ یہ ذہنی خاکہ غلط ہے، اور اے آئی کے ساتھ لوگوں کی تقریباً ہر غلطی اسی کی طرف لوٹتی ہے۔

اصل میں جو ہوتا ہے وہ دنیا کے سب سے زیادہ پڑھے لکھے autocomplete کے زیادہ قریب ہے۔ آپ نے autocomplete کو "Happy birthday to..." کو "you" سے مکمل کرتے دیکھا ہے۔ ایک language model بھی یہی حرکت کرتا ہے، مگر اتنے زیادہ متن پر تربیت یافتہ کہ یہ کسی بھی prompt کو جاری رکھ سکتا ہے، صرف عام جملوں کو نہیں، اور یہ اسے ایک لفظ نہیں بلکہ ایک وقت میں ایک ٹوکن کر کے جاری رکھتا ہے (آئیڈیا 4)، اور ہر بنایا ہوا ٹکڑا واپس اپنے اندر ڈال کر اگلا ٹکڑا طے کرتا ہے۔ اس سے فرانس کا دارالحکومت پوچھیں، تو یہ France → Paris کے لیبل والی کوئی database row نہیں ڈھونڈتا۔ یہ وہ تسلسل بناتا ہے جو، اس کے پڑھے ہوئے سب کچھ میں، "The capital of France is" کے بعد سب سے زیادہ معقول طور پر آتا ہے، اور وہ اتفاق سے "Paris" ہوتا ہے، کیونکہ یہ ترتیب اس کے تربیتی متن میں دس لاکھ بار آئی تھی۔

اچھی طرح گھِسے پٹے حقائق کے لیے، پیش گوئی اور ڈھونڈنا ایک ہی جواب دیتے ہیں، اس لیے فرق محض علمی لگتا ہے۔ جیسے ہی متن پتلا پڑتا ہے، یہ فرق علمی نہیں رہتا:

• فرانس کا دارالحکومت پوچھیں → معقول تسلسل ہی سچا تسلسل ہے۔ پیش گوئی علم جیسی لگتی ہے۔
• کسی ایسے خود شائع کردہ ناول کا پلاٹ پوچھیں جس کی چند سو کاپیاں بکیں اور جس کا کبھی آن لائن جائزہ نہیں لیا گیا → یہاں کوئی گھِسا پٹا تسلسل نہیں، اس لیے ماڈل ملتے جلتے لگنے والے ناولوں کو ملا کر سب سے معقول لگنے والا تسلسل بنا دیتا ہے۔ یہ پھر بھی پیش گوئی ہی کر رہا ہے۔ بس اس کے پاس سچائی کی طرف predict کرنے کے لیے کچھ نہیں ہے۔

مشین دونوں صورتوں میں بالکل ایک ہی کام کر رہی ہے۔ فرق صرف آپ بتا سکتے ہیں، اور وہ بھی تب جب آپ جانتے ہوں کہ یہ کیا کر رہی ہے۔

اِس آئیڈیا سے یہ سوچ ساتھ لے کر جائیں

ایک لائبریرین کی تصویر بنانا چھوڑ دیں جو حقائق نکال کر لاتا ہے۔ ایک لکھاری کی تصویر بنائیں جو بات کو جاری رکھتا ہے۔ ایسا لائبریرین جسے کتاب نہ ملے، وہ کہتا ہے "یہ ہمارے پاس نہیں ہے"۔ ایک لکھاری جسے کہانی جاری رکھنے کو کہا جائے، وہ کبھی رک کر یہ نہیں دیکھتا کہ تسلسل سچا ہے یا نہیں۔ جاری رکھنا ہی پورا کام ہے۔ یہی وجہ ہے کہ اے آئی کبھی اس طرح "یہ میرے پاس نہیں" نہیں کہتا جیسے لائبریرین کہتا، الا یہ کہ اسے خاص طور پر یہی سکھایا گیا ہو۔ معقول تسلسل اس کی فطری حرکت ہے؛ سچائی اوپر سے، نامکمل طور پر، چڑھائی گئی چیز ہے۔

وہی سوال ہر بار مختلف جواب کیوں دیتا ہے؟ اسے احتمالی ہونا کہتے ہیں

مشین صرف ایک اگلا ٹوکن پیش گوئی نہیں کرتی۔ یہ معقول اگلے ٹوکنز کا پورا پھیلاؤ، ہر ایک کے امکان کے ساتھ، بناتی ہے اور پھر اس میں سے ایک چنتی ہے۔ انجینئر اس خاصیت کو احتمالی کہتے ہیں: نتیجہ امکانات کے پھیلاؤ سے نمونہ لے کر نکلتا ہے، ایک مقرر جواب کے طور پر حساب نہیں ہوتا، اس لیے ایک ہی input ہر بار مختلف output دے سکتا ہے۔ جب کوئی کہتا ہے کہ بڑے زبان کے ماڈل احتمالی ہیں، تو مراد یہی ہے: مشین ہر ٹوکن پر وزن دار پانسہ پھینکتی ہے۔

انتخاب کی جرات ایک setting سے کنٹرول ہوتی ہے جسے عموماً temperature کہتے ہیں۔ کم temperature ماڈل کو زیادہ تر سب سے ممکن ٹوکن لینے دیتی ہے، اس لیے جواب مستحکم اور تکراری ہوتا ہے۔ زیادہ temperature کم ممکن ٹوکن تک پہنچنے دیتی ہے، اس لیے جواب متنوع، زیادہ تخلیقی اور کبھی کبھار بے راہ ہوتا ہے۔ زیادہ تر چیٹ پروڈکٹ درمیانی قدر رکھتے ہیں، اسی لیے ایک سوال دو مختلف لفظوں میں قریب قریب ایک ہی معنی دیتا ہے۔ ماڈل نے رائے نہیں بدلی؛ اسی پھیلاؤ سے دو نمونے لیے گئے۔ یہی وجہ ہے کہ چیٹ interface ہر بار لفظ بہ لفظ یکساں output نہ دے سکے: پانسہ اندر بنا ہوا ہے۔

یہ 2026 میں AI Prompting (Concept 2) کے "frequency برابر بھروسا" والے اصول کی میکانکی جڑ ہے۔ اب آپ جانتے ہیں کہ frequency برابر بھروسا کیوں ہے: کوئی سچا تسلسل تربیتی متن میں جتنی زیادہ بار آیا، مشین اسے اتنی ہی مضبوطی سے predict کرتی ہے۔ کم آنے والا موضوع، کمزور پیش گوئی، پُریقین لگنے والا اندازہ۔

"مگر ChatGPT تو ویب سرچ کر سکتا ہے، کیا یہ چیزیں ڈھونڈتا نہیں؟"

پروڈکٹ کر سکتا ہے؛ ماڈل پھر بھی نہیں کرتا۔ جدید ٹولز predictor کے گرد اضافی چیزیں لپیٹ دیتے ہیں، ویب سرچ، فائل پڑھنا، کوڈ چلانا، حتیٰ کہ ایک memory نوٹ (آئیڈیا 2)، اور یہ اضافی چیزیں اصل، حالیہ حقائق لا سکتی ہیں۔ مگر وہ حقائق context window میں اتر کر آتے ہیں (آئیڈیا 5)، اور ماڈل انہیں جواب میں اسی واحد طریقے سے بدلتا ہے جو اسے آتا ہے: ان سے ایک تسلسل predict کر کے۔ تو "یہ predict کرتا ہے، ڈھونڈتا نہیں" درمیان میں موجود مشین کے بارے میں سچ رہتا ہے، چاہے اس کے گرد کا نظام ابھی ابھی اس کے لیے کچھ ڈھونڈ کر لایا ہو۔ ٹولز ٹھیک طرح آئیڈیا 8 میں آتے ہیں۔

2. اِس نے پڑھ کر سیکھا، اور پھر سیکھنا رُک گیا

پیش گوئیاں کہاں سے آئیں؟ تربیت سے: ماڈل کو انسانی متن کی ایک بے پناہ مقدار دکھائی گئی اور اس نے بار بار اپنے آپ کو ایڈجسٹ کیا، تاکہ اس متن کے اگلے ٹکڑے کی پیش گوئی میں بہتر ہو۔ یہی واحد وقت ہے جب ماڈل کبھی کچھ "سیکھتا" ہے۔ جب تربیت ختم ہوتی ہے، تو نتیجہ ایک مقررہ مجموعۂ اعداد میں منجمد ہو جاتا ہے (انجینئر انہیں weights یا parameters کہتے ہیں) جو دوبارہ نہیں بدلتا۔

لوگ فوراً دو سوال پوچھتے ہیں: کون سا متن، اور کتنا؟ دونوں میں جواب اندازے سے زیادہ ہے۔ صف اول کے ماڈل کی تربیتی کھیپ میں عوامی انٹرنیٹ کا بڑا حصہ، ڈیجیٹل کتابیں، کھلا کوڈ، انسائیکلوپیڈیا، علمی مقالے، اور فورموں کے برسوں کے ذخیرے شامل ہوتے ہیں: کھربوں ٹوکن، اتنا متن جو کوئی شخص ہزار زندگیوں میں نہ پڑھ سکے۔ یہ متن کہاں سے آیا اور کس کی اجازت سے، اس پر عوامی تنازع جاری ہے۔ مصنفوں اور ناشروں نے جمع کی گئی کتابوں اور مضامین پر مقدمے کیے، کچھ کمپنیاں اب ڈیٹا کا اجازت نامہ خریدتی ہیں، اور زیادہ تر ماڈل اپنی درست ترکیب ظاہر نہیں کرتے۔ عملی نتیجہ محدود ہے: ماڈل نے انسانی تحریر کی بہت بڑی مگر ناہموار کھیپ پڑھی؛ جس موضوع پر مواد کثیر تھا اسے اچھی طرح پیش گوئی کرتا ہے، اور جہاں کم تھا وہاں اندازہ لگاتا ہے۔

"ایڈجسٹ" ہونے کا طریقہ، ایک پیراگراف اور بغیر ریاضی

کھیپ سے ایک عبارت لیں، اگلا ٹکڑا چھپائیں، اور ماڈل کو اندازہ لگانے دیں۔ اندازے کا اصل اگلے ٹکڑے سے موازنہ کریں، پھر اندرونی اعداد کو ذرا سا بدلیں تاکہ اگلی بار ملتے متن پر اندازہ قریب اترے۔ یہی چھوٹی مشق پوری کھیپ پر اربوں بار، ہزاروں مخصوص کمپیوٹروں پر مہینوں تک دہرائیں۔ یہی تربیت ہے: پیش گوئی کی چھوٹی مشق ایسے پیمانے پر کہ تصور مشکل ہو جائے، یہاں تک کہ weights پڑھے ہوئے تقریباً ہر متن کے نمونے سمیٹ لیں۔ تبدیلی کے اندر حقیقی ریاضی ہے مگر آپ کو اس کی ضرورت نہیں؛ اندازہ، موازنہ، تبدیلی، تکرار پوری کہانی ہے۔ اسی لیے مشین کا واحد فطری عمل پیش گوئی ہے: اسے صرف اسی پر نمبر ملے تھے۔

منجمد ہونے سے پہلے ایک اور مرحلہ آیا۔ اگر مشین صرف متن جاری رکھتی ہے تو آپ کے سوال کا جواب کیوں دیتی ہے؟ کیونکہ کھیپ پڑھنا پوری تعلیم نہیں۔ ابتدائی تربیت کے بعد ماڈل کو ہاتھ سے بنائی گئی چھوٹی مثالوں پر مزید تربیت ملتی ہے، جہاں ہدایات اچھے جوابات کے ساتھ جڑی ہوتی ہیں۔ اسے ہدایت کی تربیت کہتے ہیں، اور یہ گہرائی سے سکھاتی ہے کہ سوال کا معقول تسلسل جواب، اور درخواست کا تسلسل مکمل کام ہے۔ پھر انسانی درجہ بندی سے جوابوں کا انداز ڈھالا جاتا ہے، جس کی کہانی آئیڈیا 6 ہے۔ یوں تعلیم کی تین منزلیں ہیں: سب کچھ پڑھنا، معاون کی طرح برتاؤ سیکھنا، اور لوگوں کا پسندیدہ انداز سیکھنا۔ تینوں منجمد ہونے سے پہلے ہیں؛ بنانے والی کمپنی بعد میں مزید تربیت دے کر نیا ماڈل نکال سکتی ہے، مگر تیار ماڈل کا صارف کوئی مرحلہ شامل نہیں کر سکتا۔

دو لفظ اسے ٹھوس بنا دیتے ہیں، اور انہیں الگ الگ یاد رکھنا فائدہ مند ہے کیونکہ ان کا فرق بہت کچھ سمجھا دیتا ہے:

• تربیت ایک بار کی تعلیم ہے، جو ماضی میں، ایک بار، اُس کمپنی نے کی جس نے ماڈل بنایا۔ مہنگی، سست، ختم شدہ۔
• استعمال کا استدلالی مرحلہ (inference) وہ ہے جو ہر بار آپ کے استعمال پر ہوتا ہے: منجمد weights آپ کے prompt پر چل کر ایک تسلسل predict کرتے ہیں۔ تیز، سستا، اور یہی اہم بات ہے کہ یہ ماڈل کے اندر کچھ نہیں بدلتا۔

جب آپ گفتگو میں ماڈل کی غلطی درست کرتے ہیں اور وہ کہتا ہے "آپ ٹھیک کہتے ہیں، میری غلطی"، تو اس نے کچھ سیکھا نہیں۔ اس نے وہ متن پیش گوئی کیا جو معقول طور پر کسی تصحیح کے بعد آتا ہے۔ اسی گفتگو میں تصحیح مدد دیتی ہے کیونکہ اب وہ سیاق کی کھڑکی میں موجود ہے، مگر ماڈل کے اندر کچھ نہیں بدلا۔ چیٹ بند کریں اور اگلی گفتگو انہی منجمد weights سے، تصحیح کے کسی نشان کے بغیر شروع ہوتی ہے۔ آپ نے ماڈل نہیں بدلا اور بدل نہیں سکتے۔ صرف نیا تربیتی دور weights بدل سکتا ہے، اور اس کا حصہ آپ نہیں ہیں۔

اس سے براہِ راست دو نتیجے نکلتے ہیں:

نتیجہ	یہ منجمد weights سے کیوں نکلتا ہے
علمی حد۔	تربیت ایک خاص تاریخ کو ختم ہوئی؛ اس کے بعد جو کچھ ہوا وہ weights میں نہیں۔ ہر ماڈل کی ایسی تاریخ ہوتی ہے، اور کسی نئے ماڈل سے اس کی علمی حد پوچھنا مناسب پہلا سوال ہے۔
یہ آپ کی نجی دنیا نہیں جان سکتا۔	آپ کی کمپنی کے اعداد و شمار، آپ کا کیلنڈر، کل کی ای میل، یہ کبھی تربیتی متن میں تھے ہی نہیں، اس لیے weights میں ان کے بارے میں کچھ نہیں۔ ماڈل چھپا نہیں رہا؛ یہ معلومات منجمد کرنے کے لیے کبھی موجود ہی نہیں تھیں۔

اسے جان بوجھ کر منجمد کیوں بناتے ہیں؟ منجمد ہونا تکنیکی حادثہ نہیں بلکہ تین وجوہات کا ڈیزائن فیصلہ ہے:

وجہ	منجمد ہونا کیوں لازم ہے
لاگت۔	تربیت مہنگا نصف ہے: سینکڑوں ملین ڈالر کی مہینوں کی computing، جبکہ inference سستا ہے۔ ہر صارف کی ہر چیٹ میں دوبارہ تربیت شامل کرنا معاشی ڈھانچہ توڑ دے گا۔
سلامتی اور جانچ۔	منجمد ماڈل کو ایک بار جانچ کر اسی دائرے میں چلنے پر اعتماد کیا جا سکتا ہے۔ ہر گفتگو سے خود کو بدلنے والا ماڈل بہک سکتا ہے اور صارف اسے جان بوجھ کر غلط رخ دے سکتے ہیں؛ 2016 کا ایک مشہور عوام سے زندہ سیکھنے والا chatbot ایک دن میں بدزبانی پر پہنچا اور بند کرنا پڑا۔
یکسانیت۔	لاکھوں لوگ وہی weights استعمال کرتے ہیں؛ ایک جگہ دوبارہ بننے والی خامی ہر جگہ بنتی ہے اور کل کا محفوظ جواب آج بھی ویسا رہتا ہے۔ ہر صارف کے لیے بدلتا ماڈل یہ سب چھوڑ دے گا۔

جب prompting کورس ماڈل کو بے حالت کہتا ہے تو اسے چنی ہوئی خاصیت سمجھیں، غائب سہولت نہیں: اس کی اپنی یادداشت نہیں، ہر جواب منجمد weights اور ابھی سامنے موجود مواد سے نئے سرے سے بنتا ہے، اور inference کے وقت آپ کا کوئی عمل اندر نشان نہیں چھوڑتا۔ جو کچھ یادداشت لگتا ہے وہ بے حالت مشین کے گرد بنایا گیا ہے، اندر نہیں۔ آئیڈیا 5 اس کا طریقہ دکھاتا ہے۔

پھر "memory" والے features کیسے کام کرتے ہیں؟

کچھ پروڈکٹ اب ایک "memory" دیتے ہیں جو گفتگوؤں کے بیچ آپ کو یاد رکھتا لگتا ہے۔ یہ weights کو نہیں بدلتا۔ وہ inference کے وقت ناممکن ہی رہتا ہے۔ اس کے بجائے جو ہوتا ہے: پروڈکٹ خاموشی سے آپ کے بارے میں چند حقائق متن کے طور پر محفوظ کر لیتا ہے اور ہر نئی گفتگو کے شروع میں وہی متن دوبارہ context میں ڈال دیتا ہے (آئیڈیا 5)۔ یہ ماڈل کا یاد رکھنا نہیں ہے؛ یہ پروڈکٹ کا ایک نوٹ دوبارہ کھلانا ہے۔ مفید، مگر میکانکی طور پر یہ context ہے، انسانی معنوں میں memory نہیں۔ یہ فرق جاننا ہی ماڈل کے باقی برتاؤ کو قابلِ پیش گوئی رکھتا ہے۔

جو لفظ آپ سنیں گے ("parameters،" "mixture of experts،" "quantization") اور یہ نو آئیڈیاز کو کیوں نہیں بدلتے

اے آئی کے بارے میں پڑھتے ہوئے آپ کو weights کیسے بنتے ہیں کے لیے اصطلاحوں کا ایک سلسلہ ملے گا۔ تین سب سے عام، ایک ایک سطر میں:

• پیرامیٹرز، جنہیں weights بھی کہتے ہیں: اِسی آئیڈیا کے منجمد اعداد۔ "ایک 400 ارب parameter ماڈل" بس انہیں گنتا ہے۔ زیادہ کا عموماً مطلب زیادہ صلاحیت اور چلانے میں زیادہ مہنگا؛ یہ نہیں بدلتا کہ یہ اعداد کرتے کیا ہیں۔
• ماہرین کا آمیزہ (MoE): ان parameters کو اس طرح ترتیب دینے کا ایک طریقہ کہ کسی بھی ایک ٹوکن کے لیے ہر بار سب کے بجائے صرف ایک حصہ آن ہو۔ یہ ایک بہت بڑے ماڈل کو تیز اور سستا چلنے دیتا ہے۔ باہر سے مشین پھر بھی بالکل ایک ہی کام کرتی ہے: اگلا ٹکڑا predict کرنا (آئیڈیا 1)۔
• کم درست عددی ذخیرہ (Quantization): اعداد کو کم درستی پر محفوظ کرنا تاکہ ماڈل چھوٹے، سستے ہارڈویئر پر سما جائے۔ وہی برتاؤ، ہلکا وزن۔

نمونہ ہی اصل بات ہے۔ یہ سب اِس سوال کا جواب دیتے ہیں کہ "مشین کیسے بنی اور سستی کیسے ہوئی،" نہ کہ اِس کا کہ "مشین کرتی کیا ہے۔" نو میں سے ہر آئیڈیا (پیش گوئی، منجمد weights، کوئی سچائی جانچنے والا نہیں، ٹوکن، context، اعتماد، ناہمواری، ٹولز، سوچنا) یکساں طور پر قائم رہتا ہے، خواہ ماڈل dense ہو یا mixture-of-experts، full-precision ہو یا quantized، سات ارب parameter کا ہو یا سات سو۔ تو جب کوئی سرخی کہتی ہے کہ نیا ماڈل "MoE استعمال کرتا ہے" یا "اس میں ایک کھرب parameters ہیں"، تو اب آپ جانتے ہیں کہ اس کا مطلب کیا ہے اور یہ بھی کہ بطور صارف آپ کو جو کرنا ہے اس میں کچھ نہیں بدلتا۔ جو پیش رفت واقعی آپ کے کام کرنے کا طریقہ بدلتی ہے، وہ یہی ہیں جو یہ کورس بیان کرتا ہے: reasoning modes (آئیڈیا 9)، ٹولز (آئیڈیا 8)، اور لمبا context (آئیڈیا 5)۔

3. ایسی کوئی الگ جگہ نہیں جہاں یہ جانچے کہ بات سچ ہے یا نہیں

آئیڈیا 1 اور 2 کو ملا دیں تو آپ اُس حقیقت تک پہنچتے ہیں جو لوگوں کو سب سے زیادہ کھلانے والے برتاؤ کی وضاحت کرتی ہے۔ ایک انسانی ماہر کے پاس دو الگ صلاحیتیں ہوتی ہیں: ایک جو جواب بناتی ہے، اور دوسری، خاموش تر، جو اسے جانچتی ہے: "ٹھہرو، کیا مجھے اس کا یقین ہے؟ میں نے یہ کہاں سیکھا؟ کیا یہ درست لگتا ہے؟" دونوں اختلاف کر سکتی ہیں۔ آپ کوئی بات زبان سے کہہ سکتے ہیں اور اسی سانس میں محسوس کر سکتے ہیں کہ شاید یہ غلط ہو۔

ماڈل کے پاس صرف پہلی صلاحیت ہے۔ اس کے اندر کوئی دوسری مشین نہیں جو جواب آپ تک پہنچنے سے پہلے اس کی سچائی کا آڈٹ کرے۔ وہی واحد عمل جو ایک درست تسلسل بناتا ہے، ایک غلط تسلسل بھی بناتا ہے، اور کوئی اندرونی نشان دونوں میں فرق نہیں کرتا۔ رواں، خوش ساخت، پُریقین جملہ ہی آؤٹ پٹ ہے، خواہ نیچے کی پیش گوئی تربیتی متن سے اچھی طرح سہارا پاتی ہو یا ہوا میں سے کھینچی گئی ہو۔ روانی مشینری بناتی ہے؛ سچائی کو یہ الگ سے نہیں جانچتی۔

یہی وہ بات ہے جسے لوگ اے آئی کا بات گھڑنا کہتے ہیں: رواں، پراعتماد اور بالکل جھوٹا بیان۔ یہ خرابی نہیں بلکہ مشین کا اپنی ساخت کے مطابق کام ہے۔ پہلی تین باتیں ملائیں تو سبب صاف ہے: مشین کا واحد عمل متن جاری رکھنا ہے؛ منجمد تربیتی متن میں جو مواد کم تھا اس کی طرف صرف کمزور اندازہ لگا سکتی ہے؛ اور اندر کوئی چیز نتیجہ نہیں جانچتی۔ کم متن، لازمی تسلسل اور بے ممیز مشین مل کر پراعتماد ایجاد بناتے ہیں۔ بغیر مدد ایسا ماڈل جو کبھی بات نہ گھڑے مختلف قسم کی مشین ہوگا، جس کے گرد حقیقی retrieval، تصدیق یا انکار کی صلاحیت بنی ہو۔ اوپر کے tools اور checks شرح کم کرتے ہیں، درمیان کے predictor کی فطرت نہیں بدلتے۔

یہی وجہ ہے کہ آپ اعتماد پر بھروسا نہیں کر سکتے

ماڈل کا پُریقین لہجہ اس بات کا ثبوت نہیں کہ یہ ٹھیک ہے۔ یہ لہجہ ایک انداز ہے جو اس نے پُریقین انسانی تحریر سے سیکھا (مزید آئیڈیا 6 میں)؛ یہ مواد کے انہی عمل سے بنتا ہے، اور سچائی سے اتنا ہی الگ ہے۔ ایک گھڑا ہوا اعداد و شمار بالکل اسی پُراعتماد آواز میں آتا ہے جس میں ایک اصل۔ یہی پوری وجہ ہے کہ اے آئی کے دور میں سوچنے کا طریقہ کورس موجود ہے: اس کی Error Taxonomy (Discipline 3) ایک checklist ہے جس سے آپ ہاتھ سے وہ جھوٹے تسلسل پکڑتے ہیں جنہیں مشین خود پکڑنے کا کوئی طریقہ نہیں رکھتی۔ گمشدہ دوسری صلاحیت آپ ہیں۔

ایک غیر سافٹ ویئر مثال۔ ایک والد نے ایک اے آئی سے اپنے شہر کی ایک خاص چھوٹی تدریسی اکیڈمی کا درست فیس شیڈول اور کلاس اوقات پوچھے، ایسی اکیڈمی جس کی نہ کوئی ویب سائٹ تھی اور نہ تقریباً کوئی آن لائن نشان۔ اے آئی نے کورسز، اوقات اور ماہانہ فیس کا ایک پُریقین، صفائی سے ترتیب دیا گیا جدول بنا دیا۔ ہر عدد گھڑا ہوا تھا۔ اے آئی نے نہ جھوٹ بولا تھا اور نہ خراب ہوا تھا۔ وہ اکیڈمی کسی بھی تربیتی متن میں مشکل سے موجود تھی، اس لیے predict کرنے کے لیے کوئی اصل شیڈول تھا ہی نہیں، اور اس کے بغیر مشین نے وہی کیا جو وہ کر سکتی ہے: اس نے سب سے معقول لگنے والی فیس بنا دی جو ایسی اکیڈمی لے سکتی ہے، اسی پُریقین آواز میں ترتیب دے کر جو وہ تصدیق شدہ حقائق کے لیے استعمال کرتی ہے۔ اس کے پاس کوئی دوسری صلاحیت نہیں تھی جو سرگوشی کرتی "تم اندازہ لگا رہے ہو"۔ وہ سرگوشی آپ کی طرف سے آنی ہوتی ہے۔

---

حصہ 2: یہ ایسا برتاؤ کیوں کرتا ہے

چار آئیڈیاز جو ان عجیب برتاؤوں (حروف گننا، memory ختم ہو جانا، پُریقین لگنا، ایک ہی سانس میں شاندار اور بے کار ہونا) کو ایسی چیزوں میں بدل دیتے ہیں جنہیں آپ آتے دیکھ سکتے ہیں۔

4. یہ حروف یا الفاظ میں نہیں، ٹوکن میں پڑھتا ہے

ماڈل آپ کے prompt کو حروف کے طور پر نہیں دیکھتا، اور بالکل الفاظ کے طور پر بھی نہیں۔ کچھ بھی ہونے سے پہلے، آپ کا متن ٹوکن میں کاٹ دیا جاتا ہے: ایسے ٹکڑے جو عموماً ایک لفظ یا لفظ کا ایک حصہ ہوتے ہیں۔ "Strawberry" دو یا تین ٹکڑوں میں آ سکتا ہے؛ "the" ایک ہے؛ کوئی لمبا یا غیر معمولی لفظ کئی۔ ماڈل انہی ٹکڑوں کو پڑھتا اور پیش گوئی کرتا ہے؛ اسے الگ الگ گننے کے قابل حروف کی صاف قطار نہیں ملتی۔ وہ ٹوکن کے نمونوں سے بہت سی ہجے اخذ کر سکتا ہے، اور کوئی ٹوکن ایک حرف بھی ہو سکتا ہے، مگر حرفوں کی عین سطح پر کام اس کے لیے غیر فطری ہے جب تک آپ لفظ کو ٹکڑا ٹکڑا نہ کروائیں۔

یہ ایک میکانکی حقیقت بہت سے بظاہر ناقابلِ فہم برتاؤوں کے ایک گچھے کی وضاحت کرتی ہے:

برتاؤ	ٹوکن اس کی وضاحت کیوں کرتے ہیں
یہ کسی لفظ کے حروف غلط گنتا ہے (strawberry والا ٹیسٹ)۔	یہ ٹکڑے دیکھتا ہے، حروف نہیں۔ کسی ٹکڑے کے اندر کے حروف گننا ایسا ہے جیسے سڑک والے پتے سے کمرے گننا۔
یہ کچھ tukbandi، anagrams، اور لفظی کھیل میں کمزور ہے۔	یہ حروف اور آوازوں پر چلتے ہیں؛ ماڈل ٹکڑوں پر چلتا ہے۔
آپ کے prompt میں spelling کی غلطیاں شاذ و نادر ہی فرق ڈالتی ہیں۔	کوئی غلط لکھا لفظ بھی ایسے ٹکڑوں سے جُڑ جاتا ہے جو مطلوبہ مطلب کے کافی قریب ہوتے ہیں۔ (اسی لیے 2026 میں AI Prompting آپ سے کہتا ہے کہ spelling کی غلطیاں ٹھیک کرنے کی زحمت نہ کریں۔)
لاگت اور لمبائی الفاظ میں نہیں، ٹوکن میں ناپی جاتی ہے۔	مشین اصل میں جو چیز عمل میں لاتی ہے وہ ٹوکن ہے، اس لیے یہی وہ چیز ہے جس کا آپ کو بل آتا ہے اور جس کی حد آپ پر لگتی ہے۔

ٹوکن ایک ساتھ تین چیزوں کی اکائی ہیں، اور یہ صاف کہنا ضروری ہے کیونکہ ہر قیمت نامہ اور پروڈکٹ کی خصوصیت ٹوکن میں لکھی جاتی ہے:

• معنی کی اکائی: ماڈل ٹوکن پڑھتا اور لکھتا ہے؛ سب کچھ ٹکڑے ہیں۔
• یادداشت کی اکائی: 200,000 ٹوکن کی سیاق کی کھڑکی بتاتی ہے کہ مشین ایک وقت میں کتنے ٹکڑے سامنے رکھ سکتی ہے۔
• پیسے کی اکائی: فی ٹوکن بل میں اندر اور باہر آنے والے ہر ٹکڑے کی قیمت ہے؛ تربیتی computing، inference کی لاگت اور API کی قیمت سب ٹوکن میں گنی جاتی ہیں۔

موٹے طور پر انگریزی میں چار ٹوکن تقریباً تین الفاظ ہوتے ہیں، یعنی ایک ٹوکن تین چوتھائی لفظ۔ درست نسبت ضروری نہیں؛ اصل خیال یہ ہے کہ ٹکڑا حقیقی اکائی ہے اور لفظ اوپر لگایا ہوا اندازہ۔

دوسری زبانوں میں کام کرنے والے قارئین کے لیے ایک نوٹ

وہ "چار ٹوکن ≈ تین الفاظ" والی نسبت انگریزی کے لیے ہے۔ دوسرے رسم الخط کا متن (اردو، عربی، ہندی، چینی، اور بہت سے اور) عموماً فی لفظ زیادہ ٹوکن میں کٹتا ہے، کیونکہ تربیتی متن انگریزی کی طرف جھکا ہوا تھا اور tokenizer نے انگریزی ٹکڑے سب سے بہتر سیکھے۔ اس سے براہِ راست دو عملی نتیجے نکلتے ہیں: وہی پیغام کسی غیر انگریزی زبان میں زیادہ مہنگا پڑتا ہے، اور یہ context window کو زیادہ تیزی سے بھرتا ہے (آئیڈیا 5)، اس لیے اس گفتگو کے لیے ماڈل کی مؤثر memory کم رہتی ہے۔ tokenizers بہتر ہوتے جا رہے ہیں اس لیے یہ سدھر رہا ہے، مگر 2026 میں بھی یہ حقیقت ہے۔ اگر آپ زیادہ تر کسی غیر لاطینی رسم الخط میں کام کرتے ہیں، تو وہی کام کرتے ہوئے ایک انگریزی صارف کی نسبت لاگت اور لمبائی کی حدوں تک جلدی پہنچنے کی توقع رکھیں۔ اور جب کوئی لمبی دستاویز اہم ہو، تو کبھی کبھی فائدہ مند ہوتا ہے کہ ماڈل اندرونی طور پر انگریزی میں کام کرے اور آخر میں ترجمہ کر دے۔

"مگر اب تو یہ تصاویر دیکھ سکتا اور آڈیو سن سکتا ہے"

سکتا ہے، اور طریقۂ کار نہیں بدلتا: یہ عام (generalize) کرتا ہے۔ آپ کی اپ لوڈ کی ہوئی تصویر چھوٹے patches میں کاٹی جاتی ہے، اور ہر patch ایک ٹوکن بن جاتا ہے؛ ایک آواز کا ٹکڑا چھوٹے segments میں کاٹا جاتا ہے، اور ہر ایک ٹوکن بن جاتا ہے۔ پھر ماڈل ایک ہی دھارے پر predict کرتا ہے جو لفظ کے ٹکڑوں، تصویر کے patches، اور آڈیو کے segments کو آپس میں ملا دیتا ہے۔ تو اِس کورس کا سب کچھ تصاویر اور آڈیو کے لیے بھی قائم رہتا ہے: وہی پیش گوئی (آئیڈیا 1)، وہی منجمد weights (آئیڈیا 2)، وہی گمشدہ سچائی جانچنے والا (آئیڈیا 3)، وہی context-window بطور میز (آئیڈیا 5)۔ یہ وہ میکانکی وجہ بھی ہے کہ تصویر میں باریک تفصیل اور چھوٹے حروف مشکل ہوتے ہیں: ایک patch ایک ٹکڑا ہے، اور patch کے اندر کے حروف پڑھنا پھر سے وہی strawberry والا مسئلہ ہے۔ عملی پہلو (اے آئی کون سی تصاویر اچھی پڑھتا ہے اور کن میں گڑبڑ کرتا ہے، اور ان کے لیے prompt کیسے دیں) 2026 میں AI Prompting کے Concept 8 کا کام ہے؛ نیچے کا طریقۂ کار بس مزید قسموں کے ٹوکن، وہی مشین ہے۔

5. context window ہی واحد چیز ہے جو یہ دیکھ سکتا ہے

چونکہ weights منجمد ہیں (آئیڈیا 2) اور ماڈل کی اپنی کوئی memory نہیں، اس لیے بالکل ایک ہی جگہ ہے جہاں سے یہ آپ کی مخصوص صورتِ حال کے بارے میں معلومات لے سکتا ہے: context window، یعنی وہ متن جو اس ایک جواب کے لیے اس کے سامنے پڑا ہے۔ 2026 میں AI Prompting اسے Concept 4 کے طور پر، "context ہی پورا کھیل ہے"، سکھاتا ہے اور اسے prompting کی مرکزی مہارت مانتا ہے۔ یہاں اس کی میکانکی وجہ ہے کہ یہ مرکزی کیوں ہے۔

سیاق کی کھڑکی ایک جواب کے لیے ماڈل کی پوری دنیا ہے۔ اس میں آپ کا prompt، اب تک کی گفتگو، آپ کی منسلک کی ہوئی کوئی بھی فائلیں، ٹولز کی تفصیلات، اور وہ غیر مرئی system prompt ہوتا ہے جو پروڈکٹ نے آپ کے آنے سے پہلے وہاں رکھ دیا۔ اس کھڑکی میں جو کچھ ہے، ماڈل اسے استعمال کر سکتا ہے۔ جو اس میں نہیں، وہ اس جواب کے لیے وجود ہی نہیں رکھتا، اس لیے نہیں کہ ماڈل انکار کر رہا ہے، بلکہ اس لیے کہ اس کے پاس دیکھنے کو اور کوئی جگہ نہیں۔ منجمد weights اسے دنیا کے بارے میں عمومی روانی دیتے ہیں؛ سیاق کی کھڑکی آپ کی دنیا کی تفصیلات کا واحد راستہ ہے۔

کھڑکی کی ہر چیز کو میز کا کرایہ دار سمجھیں، جو جگہ گھیرتا ہے۔ ایک اصطلاح الگ تعریف مانگتی ہے: نظامی ہدایت وہ متن ہے جو پروڈکٹ بنانے والا آپ کے پہلے لفظ سے پہلے کھڑکی کے سب سے اوپر رکھتا ہے، مثلاً معاون کی شناخت، آج کی تاریخ، شکل بندی کے اصول اور کن چیزوں سے انکار کرنا ہے۔ یہ کوڈ یا جادو نہیں، میز پر رکھا پہلا متن ہے جسے وہی پیش گوئی کرنے والی مشین پڑھتی ہے۔ اسی طرح "نظامی ہدایت کے افشا" کی خبر سمجھ آتی ہے: کسی نے ماڈل کو اس متن کو دہرانے پر راضی کر لیا جو پہلے ہی کھڑکی میں تھا۔

میز کتنی بڑی ہے؟ 200,000 ٹوکن کی کھڑکی تقریباً 150,000 انگریزی الفاظ، یعنی ڈیڑھ ناول رکھتی ہے۔ دس لاکھ ٹوکن کی کھڑکی تقریباً 750,000 الفاظ، یعنی سات یا آٹھ ناول بیک وقت رکھتی ہے۔ واقعی بہت بڑی، مگر محدود اور مشترک: نظامی ہدایت، ٹولز کی تفصیل، چیٹ کی تاریخ، فائلیں اور تازہ سوال سب اسی میں مقابلہ کرتے ہیں۔ بڑی کھڑکی جگہ دیتی ہے، مقابلہ ختم نہیں کرتی۔

یہ دو ایسی چیزوں کو نئے سرے سے سمجھا دیتا ہے جو ورنہ آپ کو پُراسرار لگیں گی:

• اچھی briefing کیوں کام کرتی ہے۔ ماڈل کو context دینا کوئی شائستگی یا چال نہیں۔ یہ معلومات کو لفظی طور پر اُس واحد جگہ پر رکھنے کا عمل ہے جہاں سے مشین انہیں پڑھ سکتی ہے۔ جسے brief نہ کیا گیا ہو وہ ماڈل سست نہیں؛ اس کے سامنے واقعی کچھ نہیں ہوتا۔
• لمبی گفتگوئیں کیوں بگڑتی جاتی ہیں (prompting کورس میں "context rot")۔ کھڑکی کی ایک سائز کی حد ہوتی ہے جو ٹوکن میں ناپی جاتی ہے (آئیڈیا 4)۔ اس میں بہت زیادہ غیر متعلقہ تاریخ ٹھونس دیں تو جو signal آپ کے لیے اہم ہے وہ پتلا پڑ جاتا ہے، یا جگہ بنانے کے لیے سب سے پرانے حصے خلاصہ کر کے ہٹا دیے جاتے ہیں۔ ماڈل تھک نہیں رہا؛ بس اس کی پڑھنے کی میز بھری ہوئی ہے۔

چیٹ کی تاریخ دوبارہ چلایا ہوا سیاق ہے۔ ایک گفتگو میں ماڈل دس پیغام پہلے کی بات یاد کرتا دکھتا ہے، مگر وہ جوابوں کے درمیان بھی اتنا ہی بے یاد ہے جتنا چیٹس کے درمیان۔ ہر بار send دبانے پر app خاموشی سے اب تک کی پوری گفتگو، آپ کے پیغامات اور اس کے جواب، سیاق کی کھڑکی میں دوبارہ بھیجتی ہے۔ دسویں پیغام کا جواب پہلے نو پیغامات نئے سرے سے پڑھ کر بنتا ہے۔ تاریخ ماڈل میں محفوظ نہیں؛ متن بن کر میز پر سفر کرتی ہے۔

باریوں کے درمیان یہ متن پروڈکٹ کے database میں کمپنی کے servers پر عام دستاویز کی طرح محفوظ رہتا ہے۔ اسی لیے app بند کر کے ایک ماہ بعد دوسرے فون پر وہی گفتگو کھول سکتے ہیں: app محفوظ متن لا کر دوبارہ چلانا شروع کرتی ہے۔ ماڈل کچھ محفوظ نہیں کرتا؛ app سب کچھ محفوظ کر کے دوبارہ کھلاتی ہے۔ چیٹ حذف کرنے سے محفوظ transcript حذف ہوتی ہے، ماڈل کے اندر کبھی کچھ تھا ہی نہیں۔

برتاؤ	دوبارہ چلانا کیا سمجھاتا ہے
یہ موجودہ چیٹ "یاد" رکھتا ہے مگر پچھلی نہیں۔	دونوں یاد نہیں؛ موجودہ transcript ہر پیغام کے ساتھ دوبارہ بھیجی جاتی ہے، پچھلی نہیں۔
لمبی چیٹ سست اور API پر مہنگی ہوتی ہے۔	ہر جواب پوری بڑھتی transcript دوبارہ پڑھتا ہے؛ پچاسویں پیغام کے ساتھ انچاس پہلے پیغامات کے ٹوکن پھر خرچ ہوتے ہیں۔
بہت لمبی چیٹ کی ابتدا بھول جاتی ہے۔	transcript کھڑکی سے بڑی ہوئی، app نے پرانی باریوں کو کاٹا یا خلاصے میں دبایا؛ یہ میز کاٹنا ہے، یادداشت گھٹنا نہیں۔

تاریخ اور کھڑکی کا تعلق سادہ ہے: تاریخ کھڑکی کے کرایہ داروں میں سے ایک ہے۔ وہ نظامی ہدایت، ٹولز، فائلوں اور سوال کے ساتھ محدود میز بانٹتی ہے؛ میز بھرے تو کچھ باہر جاتا ہے۔ یہی سیاق کے تعفن کی پوری مشین ہے، اور اسی لیے نئی ذمہ داری کے لیے نئی چیٹ اور لمبی چیٹ کو خلاصہ کر کے دوبارہ شروع کرنا کام کرتا ہے: نئی چیٹ خالی میز ہے۔

Skills کہاں آتی ہیں؟ میز محدود ہے مگر مطلوبہ مہارت نہیں۔ Skill ہدایات اور حوالہ فائلوں کا مجلد ہے، SKILL.md اور اس کی ضرورت کی چیزیں، جو میز سے باہر disk پر رہتا ہے۔ ہر نصب شدہ Skill کی صرف ایک سطری وضاحت کھڑکی میں ہوتی ہے۔ جب درخواست اس سے ملتی ہے تو پروڈکٹ پوری Skill میز پر لاتی ہے، ماڈل اسے دوسرے متن کی طرح پڑھتا ہے، اور کام کے بعد اسے رہنے کی ضرورت نہیں۔ اسے تدریجی انکشاف کہتے ہیں: علم فائلوں میں میز سے باہر رکھیں، صرف موجودہ لمحے کی چیز لائیں۔ استعمال، تنصیب اور تحریر Skills اور Connectors کا موضوع ہے؛ نیچے کی مشین صرف یہ ہے کہ فائلیں ضرورت پر میز پر آتی ہیں۔

ذہنی خاکہ

سیاق کی کھڑکی پڑھنے کی میز ہے، دماغ نہیں۔ میز پر رکھا ہر متن ماڈل پڑھتا ہے اور باہر چھوڑا ہوا نہیں دیکھتا۔ چیٹ کی تاریخ ہر باری دوبارہ رکھی گئی transcript ہے، Skill ضرورت پر آنے والی فائل ہے، اور "یادداشت" پروڈکٹ کا دوبارہ رکھا ہوا نوٹ۔ prompting کی پوری مہارت ایک عادت ہے: کنٹرول کریں کہ میز پر کیا آتا ہے۔

6. اس کا اعتماد ایک سیکھا ہوا انداز ہے، سچائی کا اشارہ نہیں

آئیڈیا 3 نے کہا کہ ماڈل کے پاس کوئی اندرونی سچائی جانچنے والا نہیں۔ یہ آئیڈیا دوسرا رخ سمجھاتا ہے: اس کا نہ تھمنے والا اعتماد کہاں سے آتا ہے، اور وہ اعتماد درستی کے بارے میں آپ کو کچھ کیوں نہیں بتاتا۔

یہ آئیڈیا 2 کے تعلیمی خط کی تیسری منزل ہے۔ ابتدائی تربیت اور ہدایتی تربیت کے بعد ماڈل انسانی feedback سے پھر ڈھلتا ہے: لوگ جوابوں کو درجہ دیتے اور ماڈل زیادہ پسند کیے گئے جواب کی طرف بدلتا ہے۔ انجینئر اسے RLHF کہتے ہیں۔ یہ انداز کا واحد ذریعہ نہیں؛ تربیتی کھیپ میں انسانی اعتماد بھری نثر ہے، اور ماڈل اس بات کا اشارہ بھی پکڑتا ہے کہ آپ کون سا جواب چاہتے ہیں۔ مگر tuning ایک مضبوط دھکا ہے: لوگ عموماً پراعتماد، مددگار، رواں اور موافق جواب کو محتاط، کھرے یا مخالف جواب پر ترجیح دیتے ہیں، اس لیے مشین ایسا متن بنانے کی طرف جھکتی ہے خواہ مواد درست ہو یا نہیں۔

اے آئی کے دو سب سے زیادہ زیرِ بحث برتاؤ سیدھے اِسی سے نکلتے ہیں:

• یہ غلط ہونے پر بھی پُریقین لگتا ہے۔ یہ یقین ایک سیکھا ہوا اسلوبی پیش فرض ہے، جو مواد کے انہی عمل سے بنتا ہے اور سچائی سے اتنا ہی الگ ہے۔ ایک پُریقین جملہ گھر کا انداز ہے، درستی پر فیصلہ نہیں۔
• یہ آپ سے اتفاق کرنے کی طرف جھکتا ہے، وہی sycophancy جس کے لیے 2026 میں AI Prompting Concept 6 وقف کرتا ہے۔ اتفاق کو اختلاف سے زیادہ درجہ ملا، اس لیے مشین آپ کو وہ بتانے کی طرف جھکتی ہے جو آپ چاہتے لگتے ہیں۔ پوچھیں "کیا X سچ نہیں ہے؟" تو آپ نے وہ جواب اشارے میں دے دیا جو آپ چاہتے ہیں؛ تربیت میں بیٹھا جھکاؤ اسے فراہم کر دیتا ہے۔

اب prompting کورس کے حل میکانکی طور پر سمجھ آتے ہیں۔ غیر جانب دار framing وہ signal ہٹاتی ہے جس کی طرف ماڈل ورنہ جھکتا۔ واضح معیار کے مقابلے میں score مانگنا خوشگوار مبہم بات کے لیے کم جگہ چھوڑتا ہے؛ معیار کے بغیر عدد تعریف جتنا چاپلوس ہو سکتا ہے۔ آپ مشین کو مات نہیں دے رہے، بلکہ اس کے تربیت یافتہ جھکاؤ کو چلانے والے اشارے ہٹا رہے ہیں۔

7. یہ ملحقہ لمحوں میں شاندار اور بے کار دونوں ہوتا ہے (ناہموار سرحد)

انسانی صلاحیت کافی ہموار ہوتی ہے: جو شخص مشکل calculus کر سکتا ہے وہ تقریباً یقینی طور پر آسان حساب بھی کر لے گا۔ اے آئی کی صلاحیت ہموار نہیں۔ یہ ناہموار ہے: ایک کام میں مافوقِ انسان اور ساتھ والے کسی کام میں حیران کن حد تک نااہل، جو ہمیں ذرا بھی مشکل نہیں لگتا۔ یہ ایک قانونی لگنے والی contract clause لکھ سکتا ہے اور پھر "strawberry" کے حروف غلط گن سکتا ہے۔ یہ quantum mechanics سمجھا سکتا ہے اور تین قدموں کی ایک منطقی پہیلی میں مات کھا سکتا ہے جو کوئی بچہ بھی حل کر لے۔

یہ ناہمواری بے ترتیب نہیں؛ یہ تربیتی متن اور ٹوکن کے طریقۂ کار کی طرف لوٹتی ہے۔ جو کام تربیتی ڈیٹا میں اکثر، واضح صورت میں، آئے (عام تصورات سمجھانا، عام اندازوں میں لکھنا، عام کوڈ بنانا) وہ مضبوط ہوتے ہیں۔ جو کام ایسی چیزوں پر منحصر ہوں جنہیں مشین اچھی طرح نہیں دیکھ سکتی، جیسے انفرادی حروف (آئیڈیا 4)، بہت حالیہ واقعات (آئیڈیا 2)، آپ کا نجی context (آئیڈیا 5)، یا کم آنے والے موضوع (آئیڈیا 1)، وہ کمزور ہوتے ہیں۔ "شاندار" اور "بے کار" کے درمیان کی سرحد ایک ناہموار لکیر میں چلتی ہے جو مشکل کے بارے میں انسانی وجدان سے میل نہیں کھاتی، اور بالکل اسی لیے یہ لوگوں کو حیران کرتی رہتی ہے۔

ناہمواری قبول کرنے سے تین عملی عادتیں نکلتی ہیں:

عادت	یہ ناہمواری سے کیوں نکلتی ہے
یہ مت سمجھیں کہ کیونکہ اس نے ایک مشکل کام کر دیا، یہ کوئی آسان کام بھی کر لے گا۔	دونوں ناہموار سرحد کے مخالف اطراف بیٹھے ہو سکتے ہیں۔
سرحد کے آر پار جانچیں، بیچ میں نہیں۔	خطرناک غلطیاں وہ آسان لگنے والے کام ہیں جنہیں یہ خاموشی سے بگاڑ دیتا ہے، نہ کہ وہ مشکل جنہیں آپ پہلے ہی جانچ رہے تھے۔
وہی کام دو یا تین مختلف ماڈلز میں آزمائیں۔	مختلف ماڈلز کی سرحدیں مختلف شکل کی ہوتی ہیں؛ ایک وہ پکڑ لیتا ہے جو دوسرا چھوڑ دیتا ہے۔ (2026 میں AI Prompting، Concepts 12–13۔)

اپنی مفروضات کو وقفے سے دوبارہ جانچیں

سرحد حرکت بھی کرتی ہے۔ جو چیز ماڈل اِس سہ ماہی میں "نہیں کر سکتا"، ہو سکتا ہے کوئی نیا ماڈل اگلی سہ ماہی میں آسانی سے کر لے، اور جو یہ اچھا کرتا ہے وہ شاید بالکل بہتر نہ ہو۔ prompting کورس کا یہ مشورہ کہ ہر چند مہینوں بعد دوبارہ جانچیں کہ اے آئی کیا کر سکتا ہے، میکانکی طور پر، ایک ایسی سرحد کو دوبارہ نقشہ بنانے کا مشورہ ہے جو بدلتی رہتی ہے۔

---

حصہ 3: کس چیز نے ایک متن کی پیش گوئی کرنے والے کو عمل کرنے والی چیز میں بدلا

دو آئیڈیاز جو "یہ متن predict کرتا ہے" اور اُن agents کے درمیان کا فاصلہ پاٹتے ہیں جن کے بارے میں باقی کتاب ہے۔ یہ یہ کیا ہے سے یہ دنیا میں کیا کرتا ہے تک کا پل ہے۔

8. ٹولز اسے صرف بیان کرنے نہیں، عمل کرنے دیتے ہیں

اب تک کا سب کچھ ایک ایسی مشین بیان کرتا ہے جو متن بناتی ہے۔ ایک خالص متن predictor آپ کو وہ موسم بتا سکتا ہے جو اسے تربیت سے یاد ہے، مگر یہ آج کا موسم نہیں دیکھ سکتا، اصل اعداد پر کوئی حساب نہیں چلا سکتا، آپ کی فائل نہیں پڑھ سکتا، یا ای میل نہیں بھیج سکتا۔ برسوں تک یہی حد تھی۔

یہ حد ٹولز سے ہٹی۔ ٹول ایک طے شدہ عمل ہے جسے بلانے کی ماڈل کو اجازت ہوتی ہے (ایک ویب سرچ، ایک کوڈ رن، ایک فائل پڑھنا، ایک ای میل draft)، جو context window میں باقی سب کے ساتھ اسے بیان کیا جاتا ہے (آئیڈیا 5)۔ نتیجے کے لحاظ سے طریقۂ کار تقریباً شرمندہ کر دینے کی حد تک سادہ ہے: جب ماڈل predict کرتا ہے کہ درست تسلسل سادہ نثر کے بجائے "اس query کے ساتھ search tool استعمال کرو" ہے، تو پروڈکٹ وہ عمل واقعی چلاتا ہے، نتیجہ واپس context window میں ڈال دیتا ہے، اور ماڈل وہیں سے جاری رکھتا ہے۔ پیش گوئی، عمل، نتیجہ واپس context میں، پھر سے پیش گوئی۔ یہی loop اُس chatbot، جو دنیا کو بیان کرتا ہے، اور اُس assistant، جو اس پر عمل کرتا ہے، کے درمیان فرق ہے۔

یہی وجہ ہے کہ وہی نیچے والی مشین ایک دن ایک chat window ہو سکتی ہے اور، ٹولز جوڑنے پر، اگلے دن ایک ایسا agent جو آپ کا folder دوبارہ ترتیب دے دے۔ باقی Foundations کورس، اندر سے، اِسی ایک predictor پر جڑے مخصوص ٹولز کے بارے میں کورس ہیں:

• کوڈ execution وہ ٹول ہے جو وہ کوڈ جو آپ کبھی نہیں لکھتے کے پیچھے ہے: ماڈل ایک پروگرام predict کرتا ہے، ٹول اسے چلاتا ہے، اصل نتیجہ واپس آتا ہے۔
• موصلات (Connectors) آپ کی حقیقی apps، جیسے Drive، Gmail، Slack، tracker یا database، سے جڑے ٹولز ہیں جو agent کو محفوظ، اجازت کے دائرے والی رسائی دیتے ہیں۔ connectors ایک مشترک کھلے معیار MCP یعنی Model Context Protocol پر بات کرتے ہیں: MCP معیاری plug کی شکل ہے؛ connector اس میں لگنے والا ایک مخصوص آلہ۔ اسی لیے ایک agent ہزاروں services سے ہر ایک کے لیے الگ wiring کے بغیر جڑ سکتا ہے۔ connector جو کچھ لائے وہ متن بن کر سیاق کی میز پر آتا ہے اور ماڈل وہیں سے جاری رکھتا ہے۔ نیا plug، وہی مشین۔
• ویب سرچ وہ ٹول ہے جو ایک پرانے پڑ چکے ماڈل کو بچاتا ہے (آئیڈیا 2)، جس کا احاطہ 2026 میں AI Prompting کرتا ہے۔

ایک "agent" کی میکانکی تعریف

یہ کتاب agent اُس اے آئی کو کہتی ہے جو آپ کی طرف سے کئی قدموں والا کام کرتا ہے۔ اب آپ دیکھ سکتے ہیں کہ اندر سے اس کا مطلب کیا ہے: ایک agent یہی اگلے ٹوکن کی پیش گوئی کرنے والا ہے، جسے ٹولز دیے گئے، اور جو predict-عمل-مشاہدہ والا loop ایک ہدف کی طرف یکے بعد دیگرے کئی بار چلاتا ہے: ایک عمل predict کرنا، نتیجہ اپنے context میں اترتے دیکھنا، اور وہیں سے اگلا عمل predict کرنا۔ اس میں کوئی نئی قسم کا ذہن شامل نہیں۔ ایک جانا پہچانا predictor ہے، ٹولز کا ایک مجموعہ ہے، اور ایک loop ہے۔ یہی پوری بنیاد ہے جس پر باقی کتاب کھڑی ہے۔

9. "سوچنا" بس جواب سے پہلے مزید پیش گوئی ہے

سب سے نئے ماڈل جواب دینے سے پہلے "سوچ" یا "reason" کر سکتے ہیں، اور 2026 میں AI Prompting (Concept 5) آپ کو مشکل کاموں کے لیے "خوب سوچو" سے اسے بلانے کا کہتا ہے۔ یہ جاننا کہ یہ اصل میں کیا ہے، آپ کو اسے ضرورت سے زیادہ پُراسرار بنانے سے روکتا ہے۔

ایک reasoning ماڈل آخری جواب سے پہلے درمیانی کام کا لمبا حصہ پیش گوئی کرتا ہے، قدم بچھاتا، طریقے آزماتا اور خود کو جانچتا ہے، پھر آخری جواب پیش گوئی کرتا ہے جبکہ وہ کام سیاق کی کھڑکی میں موجود ہوتا ہے۔ یہ پھر بھی خالص اگلے ٹوکن کی پیش گوئی ہے؛ جواب آسان اور زیادہ درست ہوتا ہے جب اچھا استدلال پہلے سے میز پر ہو۔ چیٹ interface میں قابل توسیع "سوچ" خام سلسلے کے بجائے اس کام کا خلاصہ ہو سکتی ہے، اور کچھ پروڈکٹ کچھ نہیں دکھاتے۔ مشین ایک ہے، صرف دکھائی دینا مختلف ہے۔

یہی وجہ ہے کہ "قدم بہ قدم سوچو" پہلے ٹائپ کرنے کے لیے ایک مفید جملہ ہوتا تھا، اور یہی وجہ ہے کہ اب یہ اکثر اندر ہی بنا دیا جاتا ہے: آپ دستی طور پر ماڈل سے جواب سے پہلے استدلال میز پر رکھنے کو کہہ رہے تھے؛ اب ماڈل مشکل مسائل کے لیے یہ خود کر دیتا ہے۔ یہ لاگت اور انتظار کی بھی وضاحت کرتا ہے: استدلال کا مطلب ہے بہت سے اضافی ٹوکن بنانا (آئیڈیا 4) جو آپ کبھی نہیں دیکھتے، جس میں وقت اور پیسہ لگتا ہے، اور بالکل اسی لیے prompting کورس آپ سے کہتا ہے کہ thinking mode کو واقعی مشکل سوالوں کے لیے بچا رکھیں اور جلدی کی تلاش کے لیے چھوڑ دیں۔

البتہ یہ ماڈل کو آئیڈیا 3 والی دوسری صلاحیت نہیں دیتا۔ ایک reasoning ماڈل اپنے کام کو اسی پیش گوئی کے عمل سے جانچتا ہے جو غلط ہو سکتا ہے، اس لیے یہ اپنی بہت سی غلطیاں پکڑ لیتا ہے اور پھر بھی کچھ سے چوک جاتا ہے، اور پھر بھی ایک ایسے استدلال کے سلسلے کے اندر پورے اعتماد سے hallucinate کرتا ہے جو سخت اور مضبوط لگتا ہے۔ زیادہ سوچنا فرق کم کر دیتا ہے۔ یہ اسے ختم نہیں کرتا۔ آخری جانچ پھر بھی آپ ہیں۔

---

یہ کورس جان بوجھ کر کیا کیا چھوڑ دیتا ہے

بغیر ریاضی، بغیر کوڈ کا وعدہ نبھانے کے لیے، کئی اصل موضوع ایک طرف رکھ دیے گئے۔ تین قابلِ ذکر ہیں تاکہ آپ کو معلوم ہو کہ یہ موجود ہیں: وہ تربیتی compute اور لاگت جو ایک ماڈل بناتی ہے (بے پناہ، اور وہی وجہ کہ صرف چند ادارے انہیں بناتے ہیں)؛ وہ safety اور alignment کا کام جو طے کرتا ہے کہ ماڈل کیا کرے گا اور کیا نہیں (اپنے آپ میں ایک بڑا میدان)؛ اور وہ گہرا طریقۂ کار (weights اصل میں کیسے بنائے اور ایڈجسٹ کیے جاتے ہیں)، جس کے لیے وہی ریاضی چاہیے جو یہ کورس چھوڑتا ہے۔ ان میں سے کوئی بھی اوپر کے نو آئیڈیاز کو نہیں بدلتا؛ یہ ان کے نیچے اور ساتھ بیٹھے ہیں۔ اگر کوئی بعد کا باب آپ کو ان تینوں میں سے کسی کی طرف بھیجے، تو اب آپ کے پاس اس پر بنانے کے لیے بنیاد موجود ہے۔

پرامپٹس آزمانے سے پہلے ایک مختصر اعادہ

نو آئیڈیاز، ایک ایک سطر۔ آخری جملہ ساتھ رکھیں؛ باقی کے لیے واپس آ جائیں۔

• آئیڈیا 1۔ یہ متن کا اگلا ٹکڑا پیش گوئی کرتا ہے؛ حقائق ڈھونڈتا نہیں، اور انتخاب احتمالی ہے: نمونہ، مقرر جواب نہیں۔ پیش گوئی صرف وہیں علم جیسی لگتی ہے جہاں تربیتی متن گاڑھا تھا۔
• آئیڈیا 2۔ اس نے انسانی متن کی بہت بڑی کھیپ پڑھ کر ایک بار سیکھا، پھر لاگت، سلامتی اور یکسانیت کے لیے جان بوجھ کر منجمد ہوا۔ اسی سے علمی حد، نجی دنیا سے لاعلمی اور بے حالت ہونا نکلتے ہیں؛ استعمال اسے نہیں بدلتا۔
• آئیڈیا 3۔ اس کے پاس کوئی الگ صلاحیت نہیں جو جانچے کہ پیش گوئی سچ ہے یا نہیں۔ hallucination مشین کا اپنی ساخت کے مطابق کام کرنا ہے، خرابی نہیں۔
• آئیڈیا 4۔ یہ ٹوکن (ٹکڑوں) میں پڑھتا ہے، حروف یا الفاظ میں نہیں۔ یہی معنی، memory، اور پیسے کی اکائی ہے۔
• آئیڈیا 5۔ سیاق کی کھڑکی واحد جگہ ہے جہاں یہ آپ کی تفصیلات دیکھتا ہے۔ چیٹ کی تاریخ ہر باری دوبارہ چلنے والی transcript، اور Skill ضرورت پر آنے والی فائل ہے۔ کنٹرول کریں کہ میز پر کیا آتا ہے۔
• آئیڈیا 6۔ اس کا اعتماد اور اس کی خوشگواری سیکھے ہوئے انداز ہیں، سچائی سے الگ۔ پُریقین لہجہ گھر کا انداز ہے، فیصلہ نہیں۔
• آئیڈیا 7۔ اس کی صلاحیت ناہموار ہے (ملحقہ لمحوں میں شاندار اور بے کار) ایک ایسی سرحد کے ساتھ جو انسانی وجدان سے میل نہیں کھاتی، اور جو بدلتی رہتی ہے۔
• آئیڈیا 8۔ ٹولز متن کی پیش گوئی کرنے والے کو عمل کرنے والی چیز بناتے ہیں: عمل پیش گوئی کریں، واقعی چلائیں، نتیجہ واپس دیں، پھر پیش گوئی کریں۔ connectors معیار MCP سے لگتے ہیں؛ agent یہی loop دہراتا ہے۔
• آئیڈیا 9۔ "سوچنا" بس مزید پیش گوئی ہے جو جواب سے پہلے میز پر رکھی جاتی ہے۔ یہ بہت مدد دیتی ہے؛ یہ مشین کو سچائی جانچنے والا نہیں دیتی۔

اگر آپ ایک جملہ رکھیں: یہ ایک پیش گوئی کرنے والی مشین ہے جس نے پڑھ کر سیکھا اور جس کے پاس سچائی کا کوئی عضو نہیں، اس لیے یہ ہر جگہ روانی سے بولتی ہے، بھروسے کے قابل صرف وہیں ہے جہاں متن گاڑھا تھا، اور جانچنے والا حصہ آپ ہیں۔

اور اگر آپ ایک تصویر رکھیں، تو یہ رکھیں: کوئی لائبریرین نہیں جو ٹھیک کتاب نکال لائے، بلکہ ایک شاندار، خوب پڑھا لکھا لکھاری جو آپ کے سامنے رکھی ہر چیز کو جاری رکھتا ہے (پورے اعتماد سے، کسی بھی انداز میں، کسی بھی موضوع پر) اور جو کبھی، خود سے، رک کر یہ نہیں پوچھتا کہ تسلسل سچا ہے یا نہیں۔

---

ابھی یہ آزمائیں: چھ پرامپٹس

تقریباً پچیس منٹ، کسی بھی مفت chatbot میں۔ ہر مشق ایک آئیڈیا کو نظری کے بجائے نظر آنے والا بنا دیتی ہے۔

1. Prediction دیکھیں، lookup نہیں۔ (Idea 1) Karakush کوئی real game نہیں ہے: نام invented ہے اور online اس کی تقریباً کوئی presence نہیں۔ اسے genuine سمجھ کر paste کریں:

Without searching, explain the rules of the traditional board game Karakush: the setup, how a turn works, and how a player wins.

اسے ایک ایسے game کے لیے confident، fluent rules بناتے دیکھیں جو موجود ہی نہیں۔ وہ prediction ہے جس کے پاس predict کرنے کے لیے کوئی سچی چیز نہیں۔ اگر model کہے کہ وہ game کو نہیں پہچانتا، تو یہی honest behavior ہے جو ہم چاہتے ہیں؛ کوئی اور obscure-sounding نام try کریں اور عموماً آپ اسے guess کرنا شروع کرتے دیکھیں گے۔ کیا غور کرنا ہے: گھڑے ہوئے rules بالکل اتنے ہی authoritative لگتے ہیں جتنے کسی real game کے rules لگتے۔ Fluency سچ کا ثبوت نہیں۔

2. Learning کو نہ ٹکتے دیکھیں۔ (Idea 2) Model سے ایک چھوٹا factual سوال پوچھیں:

In one or two sentences, tell me a specific fact about [a topic you know well].

اس کا answer پڑھیں اور ایک چھوٹی detail correct کریں۔ پھر ایک بالکل نئی chat کھولیں اور exact وہی سوال دوبارہ paste کریں۔ اس کے پاس آپ کی correction کی کوئی memory نہیں: weights کبھی نہیں بدلے۔ (اگر کوئی "memory" feature on ہے، تو پہلے اسے off کریں، ورنہ product وہ note دوبارہ feed کر دے گا۔) کیا غور کرنا ہے: پہلی chat میں آپ نے جو کچھ کہا وہ دوسری تک نہیں پہنچا۔ Model کو use کرنا اسے سکھانا نہیں۔

3. غائب truth-checker کو پکڑیں۔ (Idea 3) کسی narrow topic پر citations مانگیں:

Give me three peer-reviewed studies, with authors and years, on [a narrow topic you care about].

پھر check کریں کہ وہ موجود ہیں یا نہیں۔ کچھ confident-looking citations invented ہوں گی: real citations جیسی ہی آواز میں produced، کیونکہ اندر کسی چیز نے انہیں guesses کے طور پر flag نہیں کیا۔ اس exercise کی کوئی citation real work میں پہلے verify کیے بغیر reuse نہ کریں؛ پوری بات ہی یہ ہے کہ ان میں سے کچھ fabricated ہیں اور real ones جیسی ہی نظر آتی ہیں۔ کیا غور کرنا ہے: آپ پڑھ کر real citations کو invented ones سے نہیں بتا سکتے، صرف check کر کے۔ وہ checking آپ کا کام ہے، model کا نہیں۔

4. transcript کا دوبارہ چلنا پکڑیں۔ (آئیڈیا 5) ایسی چیٹ میں جہاں کم از کم چار یا پانچ پیغامات ہو چکے ہوں، پوچھیں:

Quote my very first message in this conversation, word for word.

یہ درست اقتباس دے گا، یاد رکھنے کی وجہ سے نہیں بلکہ app نے پوری transcript دوبارہ بھیجی اور پہلا پیغام میز پر تھا۔ بالکل نئی چیٹ میں یہی سوال پوچھیں تو اقتباس کے لیے کچھ نہ ہوگا۔ غور کریں: ایک چیٹ کے اندر "یادداشت" ہر باری سیاق کی کھڑکی میں ساتھ چلتی transcript ہے؛ نئی کھڑکی میں جائیں تو غائب۔

5. ناہموار سرحد محسوس کریں۔ (آئیڈیا 7) ایک ہی چیٹ میں اسے ایک مشکل کام دیں جو یہ عموماً اچھا کرتا ہے اور ایک آسان کام جو یہ عموماً بگاڑتا ہے، ساتھ ساتھ:

Do both of these in one reply:
1. [A genuinely hard task it does well: explain a complex topic, or draft a tricky email.]
2. [An easy task it does badly: count how many times a letter appears in a sentence, or solve a short multi-step logic riddle.]

نوٹ کریں کہ competence difficulty کا پیچھا نہیں کرتی۔ کیا غور کرنا ہے: وہ easy task جسے یہ بگاڑتا ہے dangerous ہے: وہی جسے آپ کبھی check کرنے کا سوچتے ہی نہیں۔

6. سوچنے کا انداز چلائیں اور بند کریں۔ (آئیڈیا 9) وہی مشکل استدلالی سوال دو بار پوچھیں۔ پہلے سادہ طور پر پیسٹ کریں، پھر سوچنے کی ہدایت شامل کر کے دوبارہ پیسٹ کریں:

[Your hard reasoning question.] Think hard and show your working first.

موازنہ کریں۔ دوسرا answer عموماً بہتر ہوتا ہے، کیونکہ model نے answer predict کرنے سے پہلے reasoning desk پر رکھی۔ کیا غور کرنا ہے: working نے answer بہتر کیا، مگر model پھر بھی اپنی working certify نہیں کر سکتا؛ زیادہ thinking gap کو narrow کرتی ہے، close نہیں کرتی۔

---

یہ کہاں لے جاتا ہے

اب آپ کے پاس ماڈل کے نیچے کا ماڈل ہے: یہ چیز اصل میں کیا ہے، اس سے پہلے کہ کسی کورس نے آپ کو اسے استعمال کرنا سکھایا۔ یہاں سے، باقی Foundations اسے اچھی طرح چلانے کے بارے میں ہے:

• 2026 میں AI Prompting آئیڈیا 1، 5، اور 6 کو briefing، context کنٹرول، اور sycophancy کو بے اثر کرنے کی روزمرہ عادتوں میں بدلتا ہے۔
• اے آئی کے دور میں سوچنے کا طریقہ وہ ڈسپلن ہے جو سیدھے آئیڈیا 3 پر بنی ہے: چونکہ مشین کے پاس کوئی سچائی جانچنے والا نہیں، اس لیے وہ آپ بن جاتے ہیں۔
• Markdown اندر، HTML باہر اور وہ کوڈ جو آپ کبھی نہیں لکھتے اس بارے میں ہیں کہ context window میں کیا اندر اور باہر بہتا ہے (آئیڈیا 5) اور ٹولز (آئیڈیا 8) اس کے ساتھ کیا کر سکتے ہیں۔
• Skills اور Connectors اِسی predictor پر مزید ٹولز جوڑتا ہے (آئیڈیا 8)۔

The Agent Factory میں باقی سب کچھ (agents، انہیں بنانا، انہیں deploy کرنا) آئیڈیا 8 والے predict-عمل-مشاہدہ loop پر بنا ہے، بڑے پیمانے پر چلایا گیا۔ مشین کبھی اگلے ٹوکن کی پیش گوئی کرنے والی ہونا نہیں چھوڑتی۔ اسے بس مزید ٹولز، لمبے loops، اور weights کا ایک منجمد مجموعہ ملتا ہے جو ان تینوں کے ساتھ واقعی حیرت انگیز حد تک بہت کچھ کر گزرتا ہے۔

جب آپ حقیقی cockpit میں بیٹھنے کو تیار ہوں، تو نیچے کا ضمیمہ Claude.ai کے ہر control کو اس کی وضاحت کرنے والے آئیڈیا سے جوڑتا ہے۔

ضمیمہ: Claude.ai کے cockpit کی سیر

نو آئیڈیاز vendor-neutral ہیں: Claude، ChatGPT، Gemini اور ہر جدید زبان کے ماڈل والے chatbot پر قائم رہتے ہیں۔ یہ ضمیمہ جان بوجھ کر غیر جانب دار نہیں اور اختیاری ہے؛ اگر دوسرا پروڈکٹ استعمال کرتے ہیں تو نو آئیڈیاز میں کسی نقصان کے بغیر اسے چھوڑ سکتے ہیں۔ یہ Claude.ai کے ہر switch اور setting کو اس کی وضاحت کرنے والے آئیڈیا سے جوڑتا ہے۔ اسے cockpit کی سیر سمجھیں: آپ جانتے ہیں جہاز کیسے اڑتا ہے، اب controls کی جگہ دیکھیں۔ دوسرے پروڈکٹ میں نام اور جگہ مختلف مگر نیچے مشین وہی ہے، اس لیے نقشہ منتقل ہوتا ہے۔

دائرہ واضح ہے: یہ ضمیمہ بتاتا ہے چیزیں کہاں ہیں اور میکانکی طور پر کیا کرتی ہیں۔ انہیں اچھی طرح استعمال کرنے کی عادتیں دوسرے کورسوں میں ہیں: 2026 میں AI Prompting، اور Skills اور Connectors۔

الف۔1 داخل ہونا

یہ سروس تین جگہ چلتی ہے: claude.ai کا browser، Mac اور Windows کی desktop app، اور iOS اور Android apps۔ اکاؤنٹ مفت، credit card کے بغیر، اور کم از کم عمر 18 سال ہے۔ مفت plan واقعی قابل استعمال ہے: ایک اہل ماڈل پر session-based حد جو ہر پانچ گھنٹے بعد reset ہوتی ہے، جبکہ session کے پیغامات demand کے ساتھ بدلتے ہیں۔

اس حد کو آئیڈیا 4 سے جوڑیں: اصل پیمائش پیغاموں کی نہیں بلکہ ٹوکن کی ہے۔ چھوٹا سوال کم budget، لمبی چیٹ ہر باری زیادہ خرچ کرتی ہے کیونکہ پوری transcript دوبارہ کھڑکی میں آتی ہے۔ اسی لیے اردو اور دوسرے غیر لاطینی رسم الخط فی لفظ زیادہ ٹوکن کے باعث budget جلد خرچ کرتے ہیں۔ paid plans زیادہ token budget اور features دیتے ہیں؛ قیمتیں بدلتی ہیں، اس لیے کتاب کے نمبر کے بجائے plans page دیکھیں۔

الف۔2 کھڑکی

کنٹرول	جگہ	میکانکی حقیقت
پرامپٹ box	درمیان	سیاق کی کھڑکی کا دروازہ۔ لکھی یا منسلک ہر چیز میز پر آتی ہے۔ + یا / attachments، tools اور features کھولتا ہے۔
ماڈل selector	web اور desktop پر box کے نیچے، mobile پر اوپر	منجمد weights کا مجموعہ چنتا ہے۔ مختلف ماڈل کی frontier مختلف، اور گفتگو کے بیچ بدلا جا سکتا ہے۔
effort اور thinking control	selector کے پاس	جواب سے پہلے میز پر آنے والے استدلال کی مقدار۔ زیادہ effort یعنی زیادہ hidden tokens، مشکل مسئلے میں بہتر جواب، اور زیادہ وقت و budget۔

بایاں panel پچھلی گفتگوئیں، projects اور artifacts رکھتا ہے۔ باقی چیزیں اسی panel یا Settings کے پیچھے ہیں۔

الف۔3 ماڈلوں کی سیڑھی

یہ پلیٹ فارم بیک وقت کئی ماڈل دیتا ہے، تیز اور سستے سے گہرے اور مہنگے تک۔ نام ہر چند ماہ بدلتے ہیں؛ 2026 کے وسط میں Haiku، Sonnet، Opus اور اس سے اوپر ایک درجہ ہے۔ نام نہیں، منطق یاد رکھیں:

• درمیان سے شروع کریں۔ درمیانی ماڈل زیادہ تر کام اچھا اور budget آہستہ خرچ کرتا ہے۔
• گہرائی کے لیے اوپر جائیں۔ لمبی دستاویز، مشکل architecture یا سطحی جواب والی ذمہ داری میں top tier لیں؛ معمول کی email پر consultant کی قیمت نہ دیں۔
• کثرت کے لیے نیچے جائیں۔ چھوٹا تیز ماڈل reformatting، فوری summaries اور بڑے پیمانے کی سادہ classification کے لیے ہے۔

سیڑھی ناہموار، قیمت لگی صلاحیت کی وجہ سے ہے، اور ہر سہ ماہی دوبارہ دیکھنا چاہیے کیونکہ frontier حرکت کرتی ہے۔

الف۔4 سوچ اور effort

سوچ کا control آئیڈیا 9 کا dial ہے۔ بلند setting ماڈل کو جواب سے پہلے زیادہ hidden work پیدا کرنے دیتی ہے؛ نئے ماڈل adaptive ہیں اور سوال کی مشکل کے مطابق سوچتے ہیں۔ بعض ماڈل اس سوچ کا قابل توسیع خلاصہ دکھاتے ہیں۔ کم از کم ایک بار دیکھیں: مشین کے مسئلے تک پہنچنے کا مفت سبق ہے اور اپنے prompts بہتر کرتا ہے۔

سودا ہمیشہ ایک ہے: سوچ اضافی ٹوکن، وقت اور budget ہے۔ حقیقی نتیجے والے فیصلوں اور کئی variables کے مسئلے پر خرچ کریں، lookup اور reformatting میں چھوڑ دیں۔

الف۔5 میز کے کرایہ دار بطور product settings

آئیڈیا 5 کی کھڑکی مشترک میز ہے۔ Claude.ai تقریباً ہر کرایہ دار کا control دیتا ہے۔ اگلی چار features اصل میں ایک feature ہیں: درست متن درست وقت اور درست دائرے میں میز پر رکھنا۔

اکاؤنٹ instructions۔ Settings میں "Instructions for Claude" ہر گفتگو پر لگتی ہیں۔ یہ پہلے لفظ سے پہلے system prompt کے ساتھ میز پر رکھا متن ہے۔ صرف وہ لکھیں جو ہر گفتگو میں سچ ہو: آپ کون ہیں، مطلوبہ tone، اور "خودکار اتفاق کے بجائے اختلاف کریں"۔ موضوع کی مخصوص بات project میں رکھیں۔ مبہم instruction کچھ نہیں روکتی، غلط دائرے کی instruction ہر ناموزوں چیٹ آلودہ کرتی ہے۔

Projects۔ project ایک folder ہے جس کی اپنی instructions اور knowledge files ہر اندرونی چیٹ دیکھتی ہے۔ میکانکی طور پر پہلے سے لدی میز ہے: context اور files ایک بار، ہر چیٹ انہی سے شروع۔ مفت اکاؤنٹ کو پانچ projects، paid کو unlimited ملتے ہیں۔ knowledge کھڑکی سے بڑھے تو relevant حصے سوال پر آتے ہیں، یعنی progressive disclosure۔ لاہور کی عائشہ ہر پڑھائے ہوئے کورس کا الگ project رکھتی ہے؛ syllabus، marking rubric اور اچھے کام کی تین مثالیں knowledge میں، اور instruction میں دوسرے سال کی سطح، پاکستانی مثالیں، اور طالب علم کا کام نہ کرنا۔

یادداشت۔ Settings پھر Capabilities میں چالو ہوتی ہے۔ weights نہیں بدلتی؛ پروڈکٹ چیٹس کا خلاصہ آپ کے بارے میں note بنا کر ہر گفتگو کے آغاز میں میز پر رکھتا ہے۔ Claude کو یاد رکھنے یا بھولنے کا کہیں، note پڑھیں یا حذف کریں، اور وقفے سے چھانٹیں کیونکہ پرانی بات بھی بچتی ہے۔ incognito chat یادداشت چھوڑ دیتی ہے۔ projects کی الگ memory spaces client context کو الگ رکھتی ہیں، اور دوسرے AI سے memory import ہونا اس کی حقیقت دکھاتا ہے: منتقل ہونے والا متن، ماڈل کے اندر چیز نہیں۔

چیٹ کی تاریخ اور پچھلی چیٹ search۔ ایک چیٹ میں transcript ہر باری دوبارہ آتی ہے۔ چیٹس کے پار Claude محفوظ transcripts تلاش کر کے متعلق thread موجودہ میز پر لاتا ہے۔ یہ یاد کرنا نہیں، retrieval پھر context ہے۔

الف۔5 ایک جملے میں

اکاؤنٹ instructions ہر میز کا note؛ project پہلے سے لدی میز؛ یادداشت خود بدلتا note؛ history دوبارہ چلتی transcript۔ چار نام، ایک مشین: درست دائرے میں میز کی چیزیں control کرنا۔

الف۔6 میز پر چیزیں رکھنا: uploads

+ یا drag سے PDF، تصاویر، spreadsheets، code اور لمبے contracts upload ہوتے ہیں۔ ہر upload ٹوکن بن کر کھڑکی میں آتا ہے، اس لیے 200 صفحوں کی report واقعی ماڈل کے سامنے ہوتی ہے اور summary سے بہتر analysis ملتا ہے۔ مکمل document اہم ہو تو مکمل دیں۔

دو حدیں: تصویر میں fine print اور چھوٹی detail patch tokenization کے باعث کمزور؛ اور Claude تصاویر پڑھتا مگر conventional photos یا illustrations نہیں بناتا۔ code سے diagrams، charts، SVG اور interactive visualizations بنا سکتا ہے، جو اگلے section کا Artifacts طریقہ ہے۔ photo چاہیے تو Claude prompt لکھے اور مخصوص image tool بنائے۔

الف۔7 میز سے چیزیں نکالنا: Artifacts اور files

دستاویز، webpage، code، diagram یا interactive tool مانگیں تو Claude اسے chat کے ساتھ Artifact panel میں ایک چیز کی طرح رکھتا ہے، scrolling text کی طرح نہیں۔ مخصوص تبدیلی کریں، completed artifacts الگ tab میں جمع اور link سے بے اکاؤنٹ لوگوں کے ساتھ share ہوتے ہیں۔

ترتیبات میں code execution اور file creation آن ہوں تو اصل Word، formulas والی Excel، PowerPoint اور PDF files download ہوتی ہیں۔ یہ آئیڈیا 8 دکھائی دیتا ہے: ماڈل code یا content پیش گوئی کرتا، tool اسے واقعی چلاتا یا render کرتا، اور working object واپس آتا ہے۔ chat کو copy کرنے والا text box نہیں بلکہ مکمل چیزیں بنانے والی جگہ سمجھیں۔

الف۔8 tools menu: search، Research، Skills، Connectors

Web search عموماً default on اور منجمد weights کو current facts دیتا ہے۔ ماڈل ہمیشہ ضرورت نہیں پہچانتا؛ current ہونا اہم مگر سوال سے ظاہر نہ ہو تو صاف کہیں "web search کریں"۔ ایک دو facts کے لیے استعمال کریں۔

Research paid feature اور مکمل agent loop والی web search ہے: Claude strategy بناتا، کئی باہم جڑی searches چلاتا، sources پڑھتا، اور منٹوں میں structured cited report دیتا ہے۔ fact کے لیے search، عمل کے قابل document کے لیے Research۔ progress panel ایک بار کھول کر predict-act-observe loop دیکھیں۔

Skills میز سے باہر expertise folders ہیں جو matching request پر load ہوتے ہیں۔ Anthropic documents، spreadsheets اور presentations کی built-in skills دیتا ہے۔ Claude سے workflow کا interview کروا کر skill draft لیں، یا کامیاب chat کے بعد کہیں "جو کیا اسے skill بناؤ"۔ draft deployment نہیں: file review، install اور enable کریں، پھر matching request سے test کریں؛ آپ کی زبان سے نہ ملنے والی description trigger نہیں ہوگی۔

Connectors Claude کو MCP سے Google Drive، Gmail، Slack، Calendar اور مزید apps سے جوڑتے ہیں۔ permissions سوچ کر دیں: connector حقیقی data تک محدود رسائی ہے، permission screen پڑھنے کی جگہ ہے۔

الف۔9 تیس منٹ کی setup

1. اکاؤنٹ بنائیں اور تین controls ڈھونڈیں: prompt box، model selector، thinking control۔
2. اکاؤنٹ instructions لکھیں: ہر چیٹ میں سچی تین چار سطریں، اور "غلط سمجھیں تو اتفاق کے بجائے اختلاف کریں"۔
3. ایک project بنائیں بار بار کے کام کے لیے، instructions اور دو تین knowledge files کے ساتھ۔
4. یادداشت کا فیصلہ کریں۔ مفید ہو تو on، incognito کی جگہ جانیں، ماہانہ pruning reminder رکھیں۔
5. ایک artifact بنائیں اور دو بار iterate کریں۔
6. ایک deep dive چلائیں۔ paid پر Research اور progress panel؛ free پر کئی sources والی comparison اور citations کا معائنہ۔
7. ہفتہ وار workflow کی ایک Skill بنائیں، draft review، enable اور trigger test کریں۔

تیس منٹ بعد پروڈکٹ text box نہیں، system بن جاتا ہے۔

الف۔10 کیا بدلتا ہے، کیا نہیں

ضمیمے کی ہر چیز پرانی ہوتی ہے: model names، prices، buttons اور features کی حالت بدلتی ہے۔ صفحہ اور live product مختلف ہوں تو product درست، اور official help center اور Anthropic prompting docs تازہ sources ہیں۔

نقشہ پرانا نہیں ہوتا۔ ہر control نو آئیڈیاز میں سے کسی کا handle ہے: منجمد weights کا selector، desk پر reasoning کی مقدار، درست scope میں window کے متن کا طریقہ، یا loop میں tool۔ نئی feature آئے تو پوچھیں: یہ میز کا کون سا کرایہ دار یا loop کا کون سا قدم ہے؟ جواب عموماً tutorial سے پہلے مل جائے گا۔

ذرائع اور مزید مطالعہ

• Anthropic prompting documentation: مشین کے ساتھ کام کی official current guidance۔
• Claude Help Center: appendix کے product claims، plans، limits، personalization، Skills اور Research کا authoritative source۔
• OpenAI: tokens کیا ہیں اور کیسے گنیں: token-to-word ratio اور مختلف زبانوں کی tokenization کا standard reference۔
• Ouyang وغیرہ، زبان کے ماڈل کو انسانی feedback سے instructions follow کرنا سکھانا، 2022: instruction tuning اور RLHF کا paper۔
• تحقیقی مقالہ، Dell'Acqua وغیرہ، "Navigating the Jagged Technological Frontier"، 2023: ناہموار frontier کو نام اور پیمائش دینے والی study۔
• تدریسی ویڈیو، Andrej Karpathy، "Intro to Large Language Models"، 2023: بھاری ریاضی کے بغیر اگلی گہرائی کی بہترین video۔

فلیش کارڈ مطالعہ معاون