𝗖𝗵𝗮𝘁𝗚𝗣𝗧 سے 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁𝘀 تک: ایک انجینئر کے طور پر دو سال
دو سال پہلے، میں AI کو صرف سوالات پوچھنے کے لیے استعمال کرتا تھا۔
آج، میں متعدد کوڈنگ ایجنٹس (coding agents) کو منظم کرتا ہوں۔ میں MCP کے ذریعے کمپنی کے علم (knowledge) کو جوڑتا ہوں۔ میں iOS ایپس میں لوکل ماڈلز چلاتا ہوں۔ میں ایک میموری لیئر برقرار رکھتا ہوں تاکہ ایجنٹس مل کر کام کر سکیں۔
میں کوئی AI ریسرچر نہیں ہوں۔ میں ایک عام انجینئر ہوں جس نے تجربات جاری رکھے۔
یہ چیٹ سے ایجنٹس تک کا میرا سفر ہے۔
𝗦𝘁𝗮𝗴𝗲 𝟭: بھروسے کا خلا (𝗧𝗵𝗲 𝗥𝗲𝗹𝗶𝗮𝗯𝗶𝗹𝗶𝘁𝘆 𝗚𝗮𝗽) شروع میں، AI جادو جیسا محسوس ہوتا تھا۔ پھر، یہ ناقابلِ بھروسہ محسوس ہونے لگا۔ ماڈلز اکثر بہت زیادہ اعتماد کے ساتھ غلط معلومات پیش کرتے ہیں۔ میں نے ایک کٹھن سبق سیکھا: ایک معقول نظر آنے والا جواب، ایک قابلِ اعتماد نتیجہ نہیں ہوتا۔
𝗦𝘁𝗮𝗴𝗲 𝟮: بطور پارٹنر 𝗔𝗜 (𝗔𝗜 𝗮𝘀 𝗮 𝗣𝗮𝗿𝘁𝗻𝗲𝗿) Cursor جیسے ٹولز نے سب کچھ بدل دیا۔ AI ایک الگ چیٹ ونڈو سے نکل کر میرے کوڈ ایڈیٹر میں آ گیا۔ فیڈ بیک لوپ (feedback loop) ناقابل یقین حد تک مختصر ہو گیا: • ایک آئیڈیا بیان کریں۔ • کوڈ تیار کریں۔ • چلائیں اور ناکامی کا مشاہدہ کریں۔ • اصلاح کے لیے پوچھیں۔ • دہرائیں۔
اس سے پروٹو ٹائپس (prototypes) بنانے کی لاگت کم ہو گئی۔ چھوٹے آئیڈیاز اب سیٹ اپ یا کنفیگریشن کے دوران ختم نہیں ہوتے۔ وہ حقیقت میں منزل تک پہنچ جاتے ہیں۔
میں نے سیکھا کہ سیاق و سباق (𝗖𝗼𝗻𝘁𝗲𝘅𝘁) ہی کلید ہے شروع میں، ایجنٹس فیصلے بھول جاتے تھے یا آرکیٹیکچر کو خراب کر دیتے تھے۔ میں نے "prompt engineering" پر توجہ دینا چھوڑ دی اور "context engineering" شروع کر دی۔ میں نے اپنے ایجنٹس کے لیے سخت قوانین لکھنا شروع کیے: • موجودہ آرکیٹیکچر کی پیروی کریں۔ • کوڈ تبدیل کرنے سے پہلے منصوبے کی وضاحت کریں۔ • پوچھے بغیر فائلیں ڈیلیٹ نہ کریں۔
ہم صرف بہتر جملے نہیں لکھ رہے تھے۔ ہم ایک احتمالی نظام (probabilistic system) کے لیے ایک مستحکم ماحول بنا رہے تھے۔
𝗦𝘁𝗮𝗴𝗲 𝟯: چیٹ ونڈو سے آگے (𝗕𝗲𝘆𝗼𝗻𝗱 𝘁𝗵𝗲 𝗖𝗵𝗮𝘁 𝗪𝗶𝗻𝗱𝗼𝘄) میں ویب چیٹس سے APIs اور لوکل ماڈلز کی طرف بڑھا۔ ڈیسک ٹاپ پر ماڈل چلانا آسان ہے۔ موبائل ایپ کے اندر ماڈل کو شامل کرنا مشکل ہے۔ اچانک، مجھے حقیقی انجینئرنگ کے مسائل حل کرنے پڑے: • ماڈل کا سائز اور میموری کا استعمال۔ • اسٹارٹ اپ لیٹنسی (latency)۔ • آف لائن ایگزیکیوشن اور ڈیوائس کی مطابقت۔
𝗦𝘁𝗮𝗴𝗲 𝟰: ایجنٹ پر مبنی ورک فلو (𝗔𝗴𝗲𝗻𝘁-𝗗𝗿𝗶𝘃𝗲𝗻 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄𝘀) توجہ "یہ فنکشن لکھیں" سے ہٹ کر "اس ریپوزٹری (repository) کو سمجھیں اور اس مقصد کو مکمل کریں" پر منتقل ہو گئی۔ میں نے Model Context Protocol (MCP) کا استعمال بھی شروع کیا۔ میں نے اپنی کمپنی کے نالج پلیٹ فارم کے لیے ایک MCP انٹیگریشن بنائی۔ اب ایجنٹ کمپنی کے دس سالہ ڈیٹا تک رسائی حاصل کر سکتا تھا۔ چیلنج ماڈل کی ذہانت سے ہٹ کر سسٹم ڈیزائن کی طرف منتقل ہو گیا۔
میرے سب سے بڑے اسباق: • کوڈنگ آسان ہے، لیکن انجینئرنگ مشکل ہے۔ • AI عمل درآمد سنبھالتا ہے، لیکن فیصلہ سازی آپ کو کرنی ہوگی۔ • آپ کو اہداف کا درست تعین کرنا اور مفروضوں کی تصدیق کرنا ضروری ہے۔ • ملٹی ایجنٹ کام کے لیے ایک میموری لیئر کی ضرورت ہوتی ہے تاکہ ایجنٹس دوبارہ شروع کیے بغیر کام ایک دوسرے کے حوالے کر سکیں۔
AI عمل درآمد کو سستا بنا دیتا ہے۔ اس کا مطلب ہے کہ اب تجربات کرنا مفت ہے۔ اصل کام یہ فیصلہ کرنا ہے کہ کون سے آئیڈیاز واقعی بنانے کے قابل ہیں۔
اختیاری لرننگ کمیونٹی: https://t.me/GyaanSetuAi