میں نے 12 سے زائد پیداوار AI ایجنٹ سسٹموں کو ڈویلپرنگ، DevOps، اور ڈیٹا آپریشنز پر تعمیر کیا ہے. یہاں یہ ہے کہ خود کار طریقے سے ایجنٹوں کے ارد گرد موجودہ hype ریاضی طور پر ناممکن ہے اور پیداوار میں کیا واقعی کام کرتا ہے. ہر ایک کا کہنا ہے کہ 2025 AI ایجنٹوں کا سال ہے. ٹیبلز ہر جگہ ہیں: "آٹومیٹمی AI کام کو تبدیل کرے گا," "آجنٹز اگلے خطے ہیں," "آجنٹک مستقبل ہے." گزشتہ سال میں نے سافٹ ویئر کی ترقی کی پوری زندگی کے سائیکل میں ایک سو سے زائد پیداوار ایجنٹ سسٹموں کی تعمیر کی ہے: UI جنریٹرز جو قدرتی زبان سے فائدہ مند React اجزاء پیدا کرتے ہیں، کوڈ refactoring ایجنٹس جو قدیم کوڈ بیسوں کو جدید بناتے ہیں، دستاویزات جنریٹرز جو خود کار طریقے سے API دستاویزات کو برقرار رکھنے، اور فورم جنریٹرز جو خصوصیات کو کام کرنے کے انضمام میں تبدیل کرتے ہیں. Development agents ڈیٹا بیس آپریٹنگ ایجنٹ جو پیچیدہ پوزیشنز اور مهاجروں کا انتظام کرتے ہیں، DevOps خود کار طریقے سے AI سسٹموں کو کئی کالم فراہم کرنے والوں کے ذریعے انٹریٹیکل-as-کوڈ کا انتظام کرتے ہیں. Data & Infrastructure agents AI-powered CI / CD پائپ لائنز جو لنٹ مسائل کو ٹھیک کریں، جامع ٹیسٹ سیٹ پیدا کریں، خود کار طریقے سے کوڈ کا جائزہ لیں، اور مناسب بیانات کے ساتھ تفصیلی نکالنے کے لئے درخواستیں بنائیں. Quality & Process agents یہ سسٹمز کام کرتے ہیں. وہ حقیقی قدر بھیجتے ہیں. وہ ہر دن دستی کام کے گھنٹوں کو بچاتے ہیں. اور اسی وجہ سے مجھے لگتا ہے کہ آپ 2025 کے بارے میں سنتے ہیں کہ "آج ایجنٹ" کے بارے میں بہت اہم حقائق کو بھول جاتے ہیں. TL;DR: Three Hard Truths About AI Agents TL;DR: AI ایجنٹوں کے بارے میں تین سخت حقیقتیں 12+ پیداوار کے نظام کی تعمیر کے بعد، یہاں یہ ہے کہ میں نے سیکھا ہے: 1.Error rates compound exponentially in multi-step workflows. 95٪ قابل اعتماد فی قدم = 36٪ کامیابی 20 قدموں پر. 
 
 
 kontext windows create square token costs. long conversations become prohibitively expensive at scale. حقیقی چیلنج AI کی صلاحیتوں میں نہیں ہے، یہ آلات اور پیغامات کے نظام کو ڈیزائن کرنے میں ہے جو ایجنٹ واقعی مؤثر طریقے سے استعمال کرسکتے ہیں. ریاضی کی حقیقت جس کے بارے میں کوئی نہیں بولتا یہاں ہر AI ایجنٹ کمپنی کے بارے میں ایک غیر معمولی حقیقت ہے: غلطیوں کو بڑھانے سے خود کار طریقے سے کئی مرحلے کے کام کے چیلنجز مصنوعات کے پیمانے پر ریاضی طور پر ناممکن ہوتے ہیں. اگر ایک ایجنٹ کام کے عمل کے ہر مرحلے میں 95٪ قابل اعتماد ہے، جو موجودہ LLMs کے لئے خوشگوار ہے،تو: 
 
 
 
 5 قدم = 77٪ کامیابی کی شرح 10 قدم = 59٪ کامیابی کی شرح 20 قدم = 36٪ کامیابی کی شرح پیداوار کے نظام کو 99.9% + قابل اعتماد کی ضرورت ہے. یہاں تک کہ اگر آپ جادو کے طور پر 99٪ فی مرحلے قابل اعتماد حاصل کرتے ہیں (جو کوئی بھی نہیں ہے)، آپ اب بھی 20 مرحلے پر صرف 82٪ کامیابی حاصل کرتے ہیں. یہ ایک فوری انجینئرنگ مسئلہ نہیں ہے. یہ ایک ماڈل کی صلاحیت کا مسئلہ نہیں ہے. میرا DevOps ایجنٹ درست طریقے سے کام کرتا ہے کیونکہ یہ اصل میں 20 مرحلے کے خود کار طریقے سے کام کرنے والے کام کی رفتار نہیں ہے. یہ 3-5 مختلف، مستقل طور پر تصدیق شدہ آپریشنز ہیں جس میں واضح رول بیک پوائنٹس اور انسانی تصدیق کے دروازے ہیں. "ایجنٹ" انٹرفیس کوڈ پیدا کرنے کی پیچیدگی کا انتظام کرتا ہے، لیکن نظام قابل اعتماد کے ریاضی حدود کے ارد گرد قائم کیا جاتا ہے. ہر کامیاب ایجنٹ سسٹم میں میں نے بنایا ہے ایک ہی نمونہ کی پیروی کرتا ہے: محدود کنکٹیکٹس، تصدیق شدہ آپریشنز، اور انسانی فیصلے کے پوائنٹس (ایک بار) اہم نقطہ نظر میں. ٹیکن اقتصادیات جو اضافہ نہیں کرتے ایک اور ریاضی حقیقت ہے جو ایجنٹ انجینئرز مناسب طریقے سے نظر انداز کرتے ہیں: کنٹیکٹ ونڈوز مربع لاگت کی پیمائش کرتے ہیں جو بات چیت ایجنٹز کو اقتصادی طور پر ناممکن بناتے ہیں. یہاں یہ ہے کہ آپ واقعی کیا ہوتا ہے جب آپ ایک "کلامیاتی" ایجنٹ بناتے ہیں: 
 
 
 
 
 ہر نئی بات چیت کو تمام پچھلے کنٹیکٹ کو پروسیسنگ کرنے کی ضرورت ہوتی ہے ٹوکن کی قیمتوں کو بات چیت کی لمبائی کے ساتھ مربع طور پر پیمائش کریں ایک 100 turn بات چیت صرف ٹوکن میں $ 50-100 خرچ کرتا ہے ہزاروں صارفین کی طرف سے multiply اور آپ غیر مستحکم اقتصادیات کو دیکھ رہے ہیں میں نے بات چیت ڈیٹا بیس ایجنٹ کے نمونے کے دوران یہ مشکل طریقے سے سیکھا تھا. پہلا چند بات چیت سستا تھے. ایک سیشن میں 50th کے لئے، ہر جواب کئی ڈالر کی قیمت پر تھا - اس کے فراہم کردہ قدر سے زیادہ. میرا افعال جنریٹر ایجنٹ کامیاب ہے کیونکہ یہ مکمل طور پر غیر معمولی ہے: تفصیل → افعال → کیا ہے. برقرار رکھنے کے لئے کوئی کنکٹ نہیں ہے، پیروی کرنے کے لئے کوئی بات چیت نہیں ہے، کوئی مربع قیمت دھماکہ نہیں ہے. یہ ایک "اپنے کوڈ کے ساتھ چیٹ" تجربہ نہیں ہے، یہ ایک متحرک آلہ ہے جو ایک مخصوص مسئلہ کو مؤثر طریقے سے حل کرتا ہے. مینوفیکچرنگ میں سب سے زیادہ کامیاب "آج" بات چیت کرنے والے نہیں ہیں، وہ ذہین، محدود آلات ہیں جو ایک چیز کو اچھی طرح سے کرتے ہیں اور راستے سے باہر نکلتے ہیں. ٹول انجینئرنگ حقیقت دیوار یہاں تک کہ اگر آپ ریاضی کے مسائل کو حل کرتے ہیں تو، آپ ایک مختلف قسم کی دیوار پر حملہ کرتے ہیں: ایجنٹوں کے لئے پیداوار کی سطح کے آلات کی تعمیر ایک مکمل طور پر مختلف انجینئرنگ ڈیزائن ہے جو زیادہ تر ٹیموں کو کم از کم ہے. اب اب آلے کی کالیں واقعی بالکل درست ہیں. حقیقی چیلنج آلے کے ڈیزائن ہے. ہر آلے کو صحیح پیغامات فراہم کرنے کے لئے محتاط طور پر تیار کیا جانا چاہئے بغیر کنٹاکٹ ونڈوز کو بھاری کرنے کے لئے. 
 
 
 
 
 ایجنٹ کس طرح جانتا ہے کہ اگر ایک کارروائی جزوی طور پر کامیاب ہو گئی ہے؟ آپ کو ٹوکن گرنے کے بغیر پیچیدہ ریاست کے تبدیلیوں کو کیسے متعارف کر سکتے ہیں؟ ایک ڈیٹا بیس کی پوزیشن 10،000 لائنوں کی واپسی کر سکتی ہے، لیکن ایجنٹ کو صرف جاننے کی ضرورت ہے کہ "کوئی پوزیشن کامیاب ہوگئی، 10k نتائج، یہاں پہلی 5 ہیں." جب ایک آلہ ناکام ہوتا ہے تو، ایجنٹ کو کیا معلومات حاصل کرنے کی ضرورت ہوتی ہے؟ بہت کم اور یہ پکڑا جاتا ہے؛ بہت زیادہ اور آپ کنکشن ضائع کرتے ہیں. آپ ایک دوسرے پر اثر انداز کرنے والے آپریشنز کو کیسے منظم کرتے ہیں؟ ڈیٹا بیس ٹرانسمیشنز، فائلوں کو بند کریں، وسائل پر منحصر ہیں. میرا ڈیٹا بیس ایجنٹ کام نہیں کرتا کیونکہ آلہ کالز غیر قابل اعتماد ہیں، لیکن کیونکہ میں نے ہفتوں کے لئے آلات کو ڈیزائن کیا ہے جو AI کے ساتھ مؤثر طریقے سے بات چیت کرتے ہیں. کمپنیوں نے وعدہ کیا ہے کہ "آپ کے ای پی آئی کو صرف منسلک کریں اور ہمارے ایجنٹ اسے سمجھیں گے" نے اس انجینئرنگ کام نہیں کیا ہے. وہ انسانی انٹرفیسز جیسے آلات کا علاج کر رہے ہیں، AI انٹرفیسز نہیں. ہر مینوفیکچرنگ ایجنٹ سسٹم کے برے راز یہ ہے کہ AI کام کا شاید 30٪ کر رہا ہے. دوسرے 70٪ آلہ انجینئرنگ ہے: پیغامات کے انٹرفیسز کو ڈیزائن، کنکشن کو مؤثر طریقے سے انتظام، جزوی ناکامیوں کا انتظام، اور بحالی کے میکانیزم کی تعمیر ہے جو AI واقعی سمجھ سکتا ہے اور استعمال کرسکتا ہے. انضمام کی حقیقت چیک لیکن لگتا ہے کہ آپ قابل اعتماد مسائل اور اقتصادیات کو حل کرتے ہیں.آپ کو اب بھی حقیقی دنیا کے ساتھ ضم کرنے کی ضرورت ہے، اور حقیقی دنیا ایک خراب ہے. انٹرپرائز سسٹمز ای پی آئیز کو صاف نہیں کر رہے ہیں جو AI ایجنٹوں کو ان کو آرکسٹ کرنے کے لئے انتظار کر رہے ہیں. وہ ارجنٹسی سسٹمز ہیں جس میں عجیب و غریب ہیں، جزوی ناکامی کے موڈ، تصدیق کے بہاؤ جو اطلاع کے بغیر تبدیل ہوتے ہیں، شرح کی حدیں جو دن کے وقت سے مختلف ہوتی ہیں، اور مطابقت کی ضروریات جو نوٹ شیڈولز میں اچھی طرح سے شامل نہیں ہوتے ہیں. میرا ڈیٹا بیس ایجنٹ صرف "صارفین کو خود کار طریقے سے درخواستوں پر عملدرآمد نہیں کرتا." یہ کنکشن بیلنگ پر چلتا ہے، ٹرانسمیشن rollbacks کا انتظام کرتا ہے، صرف پڑھنے کے لئے ریپکشنز کا احترام کرتا ہے، پوچھنے کے timeouts کا انتظام کرتا ہے، اور ایڈجسٹ ٹریکز کے لئے سب کچھ لاگ ان کرتا ہے. کمپنیوں کو وعدہ "اپنے پورے تکنیکی پیکیج کے ساتھ منسلک ہونے والے خود کار طریقے سے ایجنٹس" یا تو بہت خوشگوار ہیں یا اصل میں بڑے پیمانے پر پیداوار کے نظام کی تعمیر کرنے کی کوشش نہیں کر رہے ہیں. کیا واقعی کام کرتا ہے (اور کیوں) سافٹ ویئر کی ترقی کی پوری زندگی کے سائیکل کے دوران ایک سو سے زیادہ مختلف ایجنٹ سسٹموں کی تعمیر کے بعد، میں نے سیکھا ہے کہ کامیاب لوگ ایک ہی نمونہ اشتراک کرتے ہیں: 
 
 
 
 
 
 میری UI پیداوار ایجنٹ کام کرتا ہے کیونکہ انسان انسٹال کرنے سے پہلے ہر پیدا شدہ انٹرفیس کا جائزہ لیتے ہیں ۔ AI قدرتی زبان کو عملی React اجزاء میں ترجمہ کرنے کی پیچیدگی کا سامنا کرتا ہے ، لیکن انسان صارف کے تجربے کے بارے میں آخری فیصلے کرتے ہیں ۔ میرا ڈیٹا بیس ایجنٹ کام کرتا ہے کیونکہ یہ عملدرآمد سے پہلے ہر تباہ کن عمل کی تصدیق کرتا ہے. AI کاروباری ضروریات کو SQL میں ترجمہ کرنے کی پیچیدگی کا انتظام کرتا ہے، لیکن انسان ڈیٹا کی تناسب پر کنٹرول برقرار رکھتا ہے. میرے افعال کی پیداوار ایجنٹ کام کرتا ہے کیونکہ یہ واضح طور پر مقررہ حدود کے اندر کام کرتا ہے. اسے ایک سپیکشن دے، ایک افعال واپس حاصل کریں. کوئی ضمنی اثرات، کوئی ریاست مینجمنٹ، کوئی انضمام پیچیدگی. My DevOps آٹومیشن کام کرتا ہے کیونکہ یہ انٹرفیس کوڈ کے طور پر پیدا کرتا ہے جو جائزہ لیا جا سکتا ہے، ورژن کیا جا سکتا ہے، اور واپس پلٹایا جا سکتا ہے. AI Terraform میں ضروریات کو ترجمہ کرنے کی پیچیدگی کا سامنا کرتا ہے، لیکن تنصیب پائپ لائن تمام سیکورٹی میکانزموں کو برقرار رکھتا ہے جو ہم نے بھروسہ کرنے کے لئے سیکھا ہے. میرا CI / CD ایجنٹ کام کرتا ہے کیونکہ ہر مرحلے میں واضح کامیابی کے معیار اور rollback میکانیزم ہیں. AI کو کوڈ کی معیار کا تجزیہ اور اصلاحات پیدا کرنے کی پیچیدگی کا سامنا کرتا ہے، لیکن پائپ لائن اس پر کنٹرول رکھتا ہے جو واقعی مل جاتا ہے. نمونہ واضح ہے: AI پیچیدگی سے نمٹتا ہے، انسان کنٹرول کو برقرار رکھتا ہے، اور روایتی سافٹ ویئر انجینئرنگ قابل اعتماد سے نمٹتا ہے. My Predictions میری توقعات یہاں 2025 میں کون لڑے گا کے بارے میں میری خاص پیش گوئی ہے: ان کے ڈیمو 5 مرحلے کے کام کے عمل کے ساتھ اچھی طرح کام کرتے ہیں، لیکن گاہکوں کو 20 سے زائد مرحلے کے عمل کی ضرورت ہوگی جو ریاضی طور پر تباہ ہو جائیں گی. انٹرپرائز سافٹ ویئر کمپنییں جو موجودہ مصنوعات پر "ای اے ایجنٹ" کو بولی جاتی ہیں، ان کے ایجنٹوں کو حقیقی کام کی رفتاروں سے نمٹنے کے لئے کافی گہری انٹرویو نہیں کر سکتے ہیں. اس کے باوجود، فاتحین ٹیموں کو محدود، ڈومین مخصوص آلات کی تعمیر کریں گے جو ہارڈ حصوں کے لئے AI کا استعمال کرتے ہیں جبکہ اہم فیصلوں پر انسانی کنٹرول یا سخت حدود کو برقرار رکھنے کے لۓ. مارکیٹ اس AI کے درمیان فرق سیکھیں گے جو اچھی طرح سے ڈیمو کرتا ہے اور AI جو قابل اعتماد طور پر جہاز کرتا ہے. میں AI کے خلاف شرط ادا نہیں کر رہا ہوں. میں ایجنٹ آرکیٹیکل کے لئے موجودہ نقطہ نظر کے خلاف شرط ادا کر رہا ہوں. لیکن مجھے یقین ہے کہ مستقبل اس سے کہیں زیادہ قیمتی ہو جائے گا جو ہائپ کا اشارہ کرتا ہے. صحیح راستے کی تعمیر اگر آپ AI ایجنٹوں کے ساتھ تعمیر کے بارے میں سوچ رہے ہیں تو، ان اصولوں سے شروع کریں: آپ کا ایجنٹ بالکل کیا کر سکتا ہے، اور یہ انسانوں یا حتمی نظام کو کیا دے سکتا ہے؟ Define clear boundaries. آپ 20-40٪ کے حالات کو کیسے کام کرتے ہیں جہاں AI غلطی کرتا ہے؟ آپ کے رول بیک میکانزم کیا ہیں؟ Design for failure. ہر تعامل کتنا خرچ کرتا ہے، اور یہ استعمال کے ساتھ کس طرح کی پیمائش کرتا ہے؟ Stateless اکثر stateful کو شکست دیتا ہے. Solve the economics. صارفین ان آلات پر بھروسہ کرتے ہیں جو مسلسل کام کرتے ہیں، وہ ان سسٹموں کی قدر کرتے ہیں جو کبھی کبھی جادو کرتے ہیں. Prioritize reliability over autonomy. ہارڈ حصوں کے لئے AI کا استعمال کریں (تصرف کو سمجھنے، مواد پیدا کرنے)، لیکن اہم حصوں کے لئے روایتی سافٹ ویئر انجینئرنگ پر اعتماد کریں (تصرف، غلطی کا انتظام، ریاست مینجمنٹ). Build on solid foundations. یہ صرف اس طرح نہیں لگے گا جو ہر کوئی 2025 میں وعدہ کرتا ہے اور اسی وجہ سے یہ کامیاب ہو جائے گا. ٹرینوں سے حقیقی درسیں "ڈیمو میں کام" اور "صنعت میں کام" کے درمیان فرق بہت بڑا ہے، اور زیادہ تر صنعت اب بھی اس کا پتہ چل رہا ہے. اگر آپ اسی طرح کے مسائل پر کام کر رہے ہیں تو، میں اس بات چیت کو جاری رکھنا چاہوں گا. ایجنٹ قابل اعتماد، قیمت کے تعین اور انضمام کی پیچیدگی کے ارد گرد چیلنج دلچسپ انجینئرنگ مسائل ہیں جو ابھی تک واضح حل نہیں ہیں. میں منظم طور پر ٹیموں اور کمپنیوں کو ان درست چیلنجوں کو چلانے کے لئے مشورہ دیتا ہوں - آرکیٹیکل فیصلے سے گھوڑے سے بچنے کے لئے میں نے پہلی دستاویزات کے بارے میں سیکھا ہے.آپ build کے مقابلے میں خریدنے کے فیصلے کا تجزیہ کر رہے ہیں، کیوں آپ کے ایجنٹوں کو پیداوار میں کام نہیں کر رہے ہیں، یا صرف ان کو لاگو کرنا چاہتے ہیں، آپ کو رسائی حاصل کرنے کے لئے آزاد محسوس کریں. زیادہ لوگ حقیقی نظام بناتے ہیں اور صادق تجربات کا اشتراک کرتے ہیں، ہم سب جلد ہی یہ سمجھیں گے کہ کیا واقعی کام کرتا ہے. اگر آپ ان موضوعات میں سے کسی ایک میں گہری طور پر ڈھونڈنا چاہتے ہیں. X

Read My Stories

یہ آڈیو کہانی کی اصل زبان میں تیار کی گئی ہے!

ایجنٹ ہائپ پر یقین کرنے سے روکیں - اعداد و شمار جھوٹ نہیں ہیں

About Author

تبصرے

ہینگ ٹیگز

یہ مضمون اس میں پیش کیا گیا تھا۔

Related Stories

Urbain Grandier by Alexandre Dumas - Table of Links

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

"Growing Businesses Gives Me a Sense of Purpose." says Flow Ninja Founder/CEO

AI Search Traffic Marketshare for Calling HackerNoon Blogs: 52% OpenAI, 30% Amazon & 18% Perplexity

Urbain Grandier by Alexandre Dumas - Table of Links

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

"Growing Businesses Gives Me a Sense of Purpose." says Flow Ninja Founder/CEO

AI Search Traffic Marketshare for Calling HackerNoon Blogs: 52% OpenAI, 30% Amazon & 18% Perplexity

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps