ایک 20 سالہ انشورنس پلیٹ فارم کے مصنف نے 108 سپورٹ ٹکٹس کو ایک کسٹم AI-agent پائپ لائن کے ذریعے گزارا اور اس کا نتیجہ ایک ایسا ورک فلو ہے جو کئی گھنٹوں کے سینئر ڈویلپر کے کام کو چند منٹوں میں تبدیل کر دیتا ہے، یہ ایک ایسی تبدیلی ہے جو انٹرپرائزز کے لیگیسی کوڈ (legacy code) کو برقرار رکھنے کے طریقے کو نئی شکل دے سکتی ہے۔

لیگیسی سسٹems نئے کوڈ سے زیادہ کیوں اہم ہیں

جس انشورنس ایپلی کیشن کا ذکر کیا جا رہا ہے وہ 2.3 ملین لائنوں کے کوڈ اور تقریباً 1,000 PL/SQL پیکجز پر مشتمل ایک مونو لیتھ (monolith) ہے۔ اس کا حجم ہی اسے کسی ایک شخص کے لیے مکمل کوڈ بیس کا مالک بننا ناممکن بنا دیتا ہے۔ اس میں کسٹمر کے مخصوص کنفیگریشن پیرامیٹرز کا ایک بھول بھلیاں، بکھری ہوئی دستاویزات، اور 2017 تک کا ایک ٹکٹ آرکائیو شامل ہے، جس سے اصل رکاوٹ کوڈ لکھنے کے بجائے "سیاق و سباق تلاش کرنا" (finding context) بن جاتی ہے۔

عام جدید AI کا جوش و خروش نئے پروجیکٹس (greenfield projects) کے لیے تازہ کوڈ تیار کرنے پر مرکوز ہوتا ہے۔ اس معاملے میں مشکل حصہ PL/SQL کی سنٹیکس (syntax) نہیں بلکہ منطق کا درست ٹکڑا، متعلقہ کنفیگریشن، اور وہ تاریخی ٹکٹ تلاش کرنا ہے جس میں پہلی بار مسئلے کی وضاحت کی گئی تھی۔ ایک تجربہ کار ڈویلپر GitLab، SVN، wikis، اور پرانے سپورٹ ٹکٹس سے سراغ جوڑنے میں گھنٹوں صرف کر سکتا ہے۔ AI ایجنٹ یہی کام منٹوں میں کر دیتا ہے۔

عملی طور پر ورک فلو

جب ایک نیا ٹکٹ آتا ہے، تو مصنف ایک کمانڈ چلاتا ہے۔ اس کے بعد ایجنٹ:

  • ٹکٹ سسٹم API کے ذریعے ٹکٹ کا متن اور منسلک فائلیں حاصل کرتا ہے۔
  • ماضی کے اسی طرح کے کیسز سامنے لانے کے لیے پورے ٹکٹ آرکائیو میں کی ورڈ اور ویکٹر سرچ (vector search) کرتا ہے۔
  • دوبارہ استعمال ہونے والے SQL اسکرپٹس کی ذاتی لائبریری سے معلومات حاصل کرتا ہے۔
  • ورژن کنٹرول سسٹمز (GitLab یا SVN) میں کوڈ کی ہسٹری کا معائنہ کرتا ہے۔

تمام نتائج کو ایک فائل میں جمع کر دیا جاتا ہے جو اگلے قدم کی بھی تجویز دیتا ہے—عام طور پر کوڈ کا حل، کسٹمر کے لیے جواب کا ڈرافٹ، یا اضافی تشخیص (diagnostics) کی درخواست۔

بلٹ ان صلاحیتیں

مصنف نے ایجنٹ کے لیے 24 "مہارتیں" (skills) متعارف کرائی ہیں، جنہیں چار زمروں میں تقسیم کیا گیا ہے:

  • سیاق و سباق تک رسائی (Context access) – متعلقہ حقائق حاصل کرنے کے لیے APIs، مینوئلز اور ڈیٹا بیس پڑھنا۔
  • ڈومین نالج (Domain knowledge) – انشورنس اکاؤنٹنگ کے قواعد اور سسٹم کے آرکیٹیکچر کی تشریح کرنا۔
  • لکھنا (Writing) – PL/SQL اسنیپٹس (snippets) تیار کرنا اور انہیں ڈیپلائمنٹ کے لیے پیک کرنا۔
  • میٹا (Meta) – پیٹرنز کو پہچاننا اور ضرورت پڑنے پر خود بخود نئی مہارتیں بنانا۔

یہ مہارتیں ایجنٹ کو ایک ایسے جونیئر انجینئر کے طور پر کام کرنے کی اجازت دیتی ہیں جو کبھی نہیں سوتا، اور کوڈ کی وہ درست لائن یا کنفیگریشن سامنے لاتا ہے جس کا ٹکٹ میں حوالہ دیا گیا ہو۔

لوپ میں شامل حفاظتی اقدامات

پروڈکشن ماحول میں آٹومیشن کے لیے حفاظتی اقدامات ضروری ہیں۔ مصنف دو سادہ اصولوں پر عمل کرتا ہے:

  1. اسٹیٹک ویلیڈیشن (Static validation) – ہر تیار کردہ اسکرپٹ کو لائیو اسکیمہ کے خلاف EXPLAIN PLAN کے ذریعے چلایا جاتا ہے۔ یہ کوڈ کو اصل میں چلائے بغیر سنٹیکس یا منطقی غلطیوں کو چیک کرتا ہے۔
  2. دوہرے ماڈل کی تصدیق (Dual-model confirmation) – ایک دوسرا، آزاد AI ایجنٹ کسی بھی ایسے بدلاؤ کا جائزہ لیتا ہے جسے پرخطر سمجھا گیا ہو۔ اگر دونوں ماڈل ایک ہی نتیجے پر پہنچتے ہیں، تو مصنف آگے بڑھتا ہے؛ ورنہ، ٹکٹ کو دستی نظرثانی (manual review) کے لیے بھیج دیا جاتا ہے۔

یہ چیکس اس عمل کو ایک "بلیک باکس" بننے سے روکتے ہیں جو نادانستہ طور پر کسی اہم انشورنس ٹرانزیکشن کو خراب کر سکتا ہے۔

بڑھتے ہوئے فوائد

ہر ٹکٹ کا آؤٹ پٹ واپس ٹکٹ ریکارڈ کے ساتھ منسلک کر دیا جاتا ہے، جس سے ایک زندہ نالج بیس (knowledge base) بن جاتی ہے۔ جب مہینوں یا سالوں بعد اسی طرح کا مسئلہ دوبارہ سامنے آتا ہے، تو ایجنٹ نہ صرف پچھلا حل بلکہ اس کے پیچھے موجود منطق کو بھی پڑھ سکتا ہے۔ مؤثر طور پر، ہر حل شدہ ٹکٹ مستقبل کے ٹکٹس کے لیے ٹریننگ ڈیٹا بن جاتا ہے، جس سے یہ چکر مزید تیز ہو جاتا ہے۔

دیانتداری سے بتائی گئی حدود

  • دستی ٹیسٹنگ اب بھی باقی ہے – مصنف اب بھی پروموشن سے پہلے ٹیسٹ انوائرمنٹ میں تبدیلیوں کی تصدیق کرتا ہے۔
  • کوئی حتمی پیمانے نہیں – اگرچہ بچایا گیا وقت کافی زیادہ محسوس ہوتا ہے، لیکن مصنف نے گھنٹوں میں ہونے والی درست کمی کی مقدار کو اعداد و شمار میں نہیں لایا۔
  • ذاتی سیٹ اپ – موجودہ نفاذ ایک ہی ورک اسٹیشن پر ہے؛ اسے پوری ٹیم کے لیے پھیلانے کے لیے اضافی انجینئرنگ کی ضرورت ہوگی۔

یہ رکاوٹیں اس طریقہ کار کو ایک مکمل تیار شدہ پروڈکٹ (turnkey product) بننے سے روکتی ہیں، لیکن یہ بنیادی بصیرت کو کم نہیں کرتیں: AI سیاق و سباق جمع کرنے کے عمل کو گھنٹوں سے منٹوں میں تبدیل کر سکتا ہے۔

آگے کیا دیکھنا ہے

مصنف کا تجربہ ایک تجارتی پیشکش کے بجائے ایک پروف آف کانسیپٹ (proof-of-concept) ہے۔ اگلے منطقی اقدامات میں شامل ہیں:

  • پیمائش کے معیار کو باقاعدہ بنانا – بزنس کیس بنانے کے لیے AI پائپ لائن سے پہلے اور بعد میں ٹکٹ کے حل کے وقت کی نگرانی کرنا۔
  • ٹیم کی تعیناتی – ایجنٹ کو ایک مشترکہ سروس کے طور پر پیک کرنا تاکہ متعدد انجینئرز ایک ہی نالج بیس سے فائدہ اٹھا سکیں۔
  • CI/CD کے ساتھ انٹیگریشن – تصدیق شدہ اسکرپٹس کو براہ راست کنٹینیوس انٹیگریشن پائپ لائن میں شامل کرنا ٹکٹ سے پروڈکشن تک کے عمل کو دستی حوالے کے بغیر مکمل کر سکتا ہے۔

اگر یہ توسیع کامیاب ہو جاتی ہے، تو یہ ماڈل ان دیگر اداروں کے لیے ایک ٹیمپلیٹ بن سکتا ہے جو بڑے اور پیچیدہ کوڈ بیسز (codebases) کے ساتھ جدوجہد کر رہے ہیں۔

خلاصہ

لیگیسی ماحول (legacy environments) میں AI کی اصل اہمیت نیا کوڈ خودکار طریقے سے لکھنے میں نہیں ہے، بلکہ فوری طور پر درست سیاق و سباق (context) فراہم کرنے میں ہے۔ ایک سینئر ڈویلپر کے گھنٹوں کے تفتیشی کام کو چند منٹوں میں بدل کر، ایک AI-agent ورک فلو پرانے نظاموں کو فعال رکھ سکتا ہے، سپورٹ کے اخراجات کم کر سکتا ہے، اور بتدریج ایک خودکار طور پر مضبوط ہونے والی نالج ریپوزٹری (knowledge repository) بنا سکتا ہے۔ تجربہ ظاہر کرتا ہے کہ لیگیسی سافٹ ویئر کے لیے، پیداواری صلاحیت میں سب سے بڑی بہتری جوابات کی تلاش کے عمل کو مختصر کرنے سے آتی ہے، نہ کہ نیا کوڈ تیار کرنے سے۔