محققین Yuxing Lu، Yicheng Chen اور Shanchan Wu نے ایک "Procedural Graph" فریم ورک جاری کیا ہے جو بڑے لسانی ماڈل (LLM) ایجنٹس کو کام کے دوران اپنے ٹاسک ایگزیکیوشن پلانز (task-execution plans) کو خود سے دوبارہ لکھنے کی اجازت دیتا ہے۔
آج کے ایجنٹس کے ساتھ مسئلہ
زیادہ تر LLM پر مبنی اسسٹنٹ ایک ایسے شیف کی طرح کام کرتے ہیں جو صرف ترکیب سنا سکتا ہے۔ ماڈل مراحل کو عارضی میموری میں محفوظ کرتا ہے، اگلا ٹول منتخب کرتا ہے، اور امید کرتا ہے کہ اگلا ٹوکن (token) درست طریقے سے آ جائے۔ عملی طور پر، تین ناکامیاں اکثر سامنے آتی ہیں:
- مقصد سے انحراف (Goal drift) – چند مراحل کے بعد ایجنٹ اصل مقصد بھول جاتا ہے۔
- ٹول کا غلط استعمال – یہ غلط ترتیب میں API کو کال کرتا ہے یا ایک ہی کال پر بار بار لوپ کرتا ہے۔
- نا سیکھی گئی غلطیاں – وہی غلطی غیر متعلقہ سیشنز میں دوبارہ سامنے آتی ہے کیونکہ ناکامی کو ریکارڈ کرنے کے لیے کچھ بھی مستقل نہیں ہوتا۔
چونکہ استدلال (reasoning) پوشیدہ رہتا ہے، اس لیے ڈویلپرز یہ نہیں دیکھ سکتے کہ کوئی عمل کیوں ہوا، اور صارفین منظم خامیوں کو درست نہیں کر سکتے۔
پرامپٹس کو گراف میں تبدیل کرنا
Procedural Graphs "صرف میموری" والے طریقہ کار کو ایک واضح اور قابلِ ترمیم ڈھانچے سے بدل دیتے ہیں۔ یہ فریم ورک تین بنیادی عناصر کی تعریف کرتا ہے:
| عنصر | کردار |
|---|---|
| Node | ایک ٹھوس مرحلہ جیسے کہ "فلائٹ تلاش کریں" یا "ادائیگی کی تصدیق کریں"۔ |
| Edge | نوڈز کے درمیان بہاؤ – سیدھی لائن والے تسلسل، شرطیہ شاخیں (if/then) اور لوپس۔ |
| Attribute | نوڈ یا ایج کے ساتھ منسلک میٹا ڈیٹا، مثلاً کامیابی کی شرح، اوسط ایگزیکیوشن کا وقت، یا اعتماد کا اسکور (confidence score)۔ |
جب ایک LLM ایجنٹ کو کوئی درخواست موصول ہوتی ہے، تو وہ پہلے اس درخواست کو موجودہ گراف پر نقش کرتا ہے یا فوری طور پر ایک نیا گراف بناتا ہے۔ اس کے بعد ایگزیکیوشن ایجز (edges) پر عمل کرتی ہے، ٹولز کو استعمال کرتی ہے، اور نتائج کو ایٹریبیوٹس (attributes) میں محفوظ کرتی ہے۔ چونکہ گراف ماڈل کے ٹوکن اسٹریم سے باہر ہوتا ہے، اس لیے لوگ اس کا معائنہ، ویژولائزیشن اور ترمیم کر سکتے ہیں۔
پانچ مراحل میں خود ارتقاء (Self-evolution)
اس کی انفرادیت اس لوپ میں ہے جو ایجنٹ کو اپنے گراف کو بہتر بنانے کی اجازت دیتا ہے:
- ریکارڈ (Record) ایجنٹ کے طے کردہ ہر راستے کو ریکارڈ کریں، ان پٹس، ٹول کالز اور نتائج کو لاگ (log) کریں۔
- موازنہ (Compare) کامیاب راستوں کا ناکام راستوں سے موازنہ کریں، اور یہ نشاندہی کریں کہ وہ کہاں سے الگ ہوتے ہیں۔
- تشخیص (Diagnose) نوڈ ایٹریبیوٹس (مثلاً کم کامیابی کی شرح) اور ایج کی شرائط کا جائزہ لے کر غلطی کی تشخیص کریں۔
- ترمیم کی تجویز (Propose) – LLM ناکامی کے تجزیے کو وصول کرتا ہے اور گراف میں تبدیلیوں کی تجویز دیتا ہے (جیسے کہ کوئی گمشدہ ویلیڈیشن مرحلہ شامل کرنا، غیر ضروری لوپ کو ختم کرنا، یا کسی شرط کو سخت کرنا)۔
- تصدیق (Validate) ایک ٹیسٹ انسٹنس پر نظرثانی شدہ گراف کی تصدیق کریں؛ اگر کارکردگی بہتر ہوتی ہے، تو تبدیلی مستقل کر دی جاتی ہے۔
چونکہ گراف "حقیقت کے واحد ذریعے" (single source of truth) کے طور پر کام کرتا ہے، اس لیے ایجنٹ انسانی مدد کے بغیر مراحل شامل کر سکتا ہے، بند راستوں کو ختم کر سکتا ہے، یا منطق کو دوبارہ ترتیب دے سکتا ہے۔ یہاں تک کہ انسانی طور پر بنایا گیا ایک ناقص ورک فلو بھی وقت کے ساتھ ساتھ بہتر ہو سکتا ہے۔
یہ تبدیلی کیوں اہم ہے
یادداشت سے آگے عمومی شکل (Generalization)
ایک جامد (static) پرامپٹ صرف ایک ٹاسک کے نمونے کو گرفت میں لیتا ہے۔ ایک گراف پوری کلاس کے لیے "طریقہ کار" کو خلاصہ کرتا ہے—جیسے سرچ-اینڈ-بک، ڈیٹا انٹری پائپ لائنز، ٹربل شوٹنگ ڈائیلاگز—تاکہ وہی ڈھانچہ مختلف پیرامیٹرز کے ساتھ کام کر سکے۔ اب ٹیموں کو ہر تبدیلی کے لیے ماڈل کو دوبارہ پرامپٹ کرنے کی ضرورت نہیں ہے۔
شفاف فیصلہ سازی
گراف ایک فلو چارٹ کی طرح نظر آتا ہے۔ اسٹیک ہولڈرز بالکل یہ ٹریس کر سکتے ہیں کہ کس نوڈ نے ٹول کال کو ٹرگر کیا اور کون سی شاخ کیوں منتخب کی گئی۔
نیورو-سمبولک ہم آہنگی (Neuro-symbolic synergy)
Procedural Graphs ڈیپ لرننگ پیٹرن کی شناخت (LLM کی لسانی سمجھ بوجھ) کو سمبولک ریزننگ (واضح گراف منطق) کے ساتھ جوڑتے ہیں۔ LLM مراحل تیار کرنے یا تبدیل کرنے کے لیے وجدان (intuition) فراہم کرتا ہے؛ گراف منطقی تسلسل کو یقینی بناتا ہے۔ مصنفین اسے LLMs کو "System 2" دماغ دینے کے طور پر بیان کرتے ہیں—ایک سوچا سمجھا، قابلِ جانچ کنٹرولر جو خام ٹوکن کی پیش گوئی کے تیز رفتار، ایسوسی ایٹو "System 1" کا تکمیلی کام کرتا ہے۔
خلاصہ
Procedural Graphs LLM ایجنٹس کو ایک قابلِ ترمیم اور قابلِ معائنہ ریڑھ کی ہڈی فراہم کرتے ہیں جو انہیں ہر بار ایگزیکیوشن سے سیکھنے کی اجازت دیتی ہے۔ عارضی پرامپٹس کو مستقل ڈھانچوں میں تبدیل کر کے، یہ طریقہ کار ایسے AI اسسٹنٹس کا وعدہ کرتا ہے جنہیں توڑنا مشکل، سمجھنا آسان اور نئے چیلنجوں کے مطابق ڈھلنا زیادہ آسان ہو۔