آپ کی اپنی گمشدگی کی تعمیر: AI-Powered Deep Research کے پیچھے آرکیٹیکل ⚠️ ڈویلپرز کے لئے ایک بیداری کال بہت سے پروگرامر اگلے سالوں میں AI کے لئے اپنے ملازمتوں کو کھو دیں گے، لیکن وہ نہیں جو اسے تعمیر کرنے کے لئے سیکھتے ہیں. آپ کی مشن صرف ChatGPT یا Claude کا استعمال کرنے کے لئے سیکھنے کے لئے نہیں ہے - یہ اس طرح کے نظام کے تخلیق کرنے والے بننے کے لئے ہے، اگلے Perplexity کی تعمیر کرنے کے بجائے صرف اس کا استعمال کرنے کے لئے. ⚠️ ڈویلپرز کے لئے ایک بیداری کال بہت سے پروگرامر اگلے سالوں میں AI کے لئے اپنے ملازمتوں کو کھو دیں گے، لیکن وہ نہیں جو اسے تعمیر کرنے کے لئے سیکھتے ہیں. آپ کی مشن صرف ChatGPT یا Claude کا استعمال کرنے کے لئے سیکھنے کے لئے نہیں ہے - یہ اس طرح کے نظام کے تخلیق کرنے والے بننے کے لئے ہے، اگلے Perplexity کی تعمیر کرنے کے بجائے صرف اس کا استعمال کرنے کے لئے. Open Source کے لئے: https://github.com/aifa-agi/aifa-deep-researcer-starter/ 1. What You'll Master by Reading This Article آپ اس مضمون کو پڑھ کر کیا سیکھیں گے یہ مضمون آپ کے اپنے گہری تحقیق AI ایجنٹ کی تعمیر کے لئے ایک مکمل آرکیٹیکل بلیپنگ فراہم کرتا ہے، Perplexity کی "گہری تحقیق" خصوصیات کی طرح. Next.js 15، OpenAI، اور exa.ai کا استعمال کرتے ہوئے ایک دوبارہ تلاش کے نظام کو ڈیزائن کرنے کے لئے کس طرح جو اصل میں پیداوار میں کام کرتا ہے Technical Architecture کیوں گہری تلاش ایک درخت کی ساخت ہے، نہ ایک لائن عمل - اور یہ کس طرح AI تحقیق کے بارے میں سب کچھ بدلتا ہے Mental Models بیرونی ویب تلاش کو ان کے اندرونی ویکٹر علم بیسوں کے ساتھ انٹرویو کرنے کے لئے کس طرح واقعی منفرد مواد پیدا کرنے کے لئے آپ کے مقابلہ کاروں کو دوبارہ نہیں کر سکتے Practical Solutions سرور وسائل اور صارف کے تجربے کو طویل عرصے سے چلانے والے AI آپریشنز کے دوران بینک کو توڑنے کے بغیر کیسے منظم کریں Performance Optimization : جدید تکنیکی سٹاک کا استعمال کرتے ہوئے کنکریٹ TypeScript انضمام جو آپ آج انضمام کرسکتے ہیں Production-Ready Code اس مضمون کے اختتام تک، آپ کو یہ واضح سمجھنے کے لئے مل جائے گا کہ کس طرح ایک خود میزبان SaaS کو گہری تحقیق کے لئے بنائیں جو کسی بھی مصنوعات میں منسلک کیا جا سکتا ہے - آپ کو ایک مقابلہ فائدہ فراہم کرتا ہے جو واقعی دوبارہ کرنے کے لئے مشکل ہے. 1.1. The Technology Stack That Powers Intelligence ہمارے گہری تحقیق AI ایجنٹ کو لاگو کرنے کے لئے، ہم مصنوعات کے لئے تیار ایپلی کیشنز کے لئے ایک جدید ٹیکنالوجی سٹاک کا استعمال کرتے ہیں جس میں AI کی تیز رفتار استعمال ہوتی ہے. یہ صرف ایک ٹیکنالوجی ڈیمو نہیں ہے - یہ حقیقی دنیا کی پیمائش اور قابل اعتماد کے لئے بنایا گیا ہے. 1.1.1. Frontend and Framework بہتر کارکردگی اور نئے متضاد rendering کی صلاحیتوں کے ساتھ تازہ ترین ورژن جس میں پیچیدہ AI انٹرایکشنز کو آسانی سے کام کرتا ہے React 19 App Router کے ساتھ مکمل طور پر فائدہ مند React فریم ورک، paralel اور interception routes کے لئے حمایت بھی شامل ہے (بھی پیچیدہ AI کام کی رفتاروں کے لئے مثالی ہے) Next.js 15 کوڈ قابل اعتماد اور اعلی معیار کے ڈویلپر کے تجربے کے لئے سخت ٹیپنگ میں پیچیدہ AI سسٹموں کی تعمیر TypeScript 5 1.1.2. AI and Integrations GPT-4 اور دیگر OpenAI ماڈلوں کے ساتھ انٹرویو کے لئے سرکاری SDK، مکمل سٹریم کی حمایت کے ساتھ OpenAI SDK (v4.96.2) — مختلف AI فراہم کرنے والوں کے ساتھ کام کرنے کے لئے عالمی لائبریری، آپ کو ماڈل تبدیل کرنے کے لئے انعطاف پذیری فراہم کرتا ہے AI SDK (v4.1.45) Semantic Search کے لئے خصوصی AI-oriented تلاش کے انجن جو اصل میں کنٹیکٹ سمجھتا ہے Exa.js (v1.4.10) 1.1.3. UI and Styling — فوائد سب سے پہلے سی ایس ایس فریم ورک کے لئے تیزی سے ترقی کے بغیر ڈیزائن کے معیار کو ضائع Tailwind CSS 4 – تمام آلات پر کام کرنے کے لئے دستیاب انٹرفیس بنانے کے لئے سرخ اجزاء Radix UI — مطابقت پذیر ڈیزائن زبان کے ساتھ جدید آئکن لائبریری Lucide React Radix UI اور Tailwind CSS پر تعمیر شدہ اجزاء کے نظام، پیشہ ورانہ سطح کے انٹرفیس کے لئے shadcn/ui 1.1.4. Forms and Validation فارم کے انتظام کے لئے اعلی کارکردگی کی لائبریری جو آپ کے AI انٹرفیس کو کم نہیں کرتا React Hook Form TypeScript-First تصدیق کے نظام کے ساتھ سٹیٹک ٹائپنگ جو مصنوعات تک پہنچنے سے پہلے غلطیوں کو پکڑتا ہے Zod Zod اور React Hook Form کے درمیان آسانی سے انضمام Hookform Resolvers 1.1.5. Content Processing امیر AI کی پیدا کردہ رپورٹوں کے لئے اجزاء کی حمایت کے ساتھ Markdown مواد rendering React Markdown AI تحقیق ٹائم لائنز میں تاریخ کے انتظام کے لئے جدید لائبریری date-fns Why This Stack Matters یہ تکنیکی Stack فراہم کرتا ہے ، اور پیچیدہ مینوفیکچرنگ سطح AI ایپلی کیشنز کی تخلیق کے لئے ضروری ہے. یہاں ہر انتخاب کا مقصد ہے - Next.js 15 کے متضاد راستوں سے پیچیدہ AI کام کے چیلنجز کا انتظام کرنے کے لئے، Exa.js کو سیمنٹک تلاش کی صلاحیتوں کو فراہم کرنے کے لئے جو گہری تحقیق کو ممکن بناتا ہے. high performance type safety scalability ایک نظام جس میں تجزیہ شدہ AI تحقیق کی کمپیوٹرک پیچیدگی کا انتظام کیا جا سکتا ہے جبکہ صارف کے تجربے کے معیار کو برقرار رکھتا ہے جو جدید اطلاقات کی ضرورت ہوتی ہے. The result? دیکھنے کے لئے تیار ہیں کہ کس طرح ان ٹکڑوں کو ایک ساتھ شامل کرنے کے لئے کچھ واقعی طاقتور بنانے کے لئے؟ ہم اس آرکیٹیکل میں ڈھونڈتے ہیں جو یہ سب کام کرتا ہے. AI انقلاب نہیں آ رہا ہے - یہ یہاں ہے. اور یہ ڈویلپر کمیونٹی میں ایک سنگین فرق پیدا کر رہا ہے. ایک طرف وہ لوگ ہیں جو AI کو پیداوار کو بڑھانے کے لئے صرف ایک اور آلے کے طور پر دیکھتے ہیں، افعال لکھنے اور کوڈ ڈیبگ کرنے کے لئے ChatGPT کا استعمال کرتے ہوئے. دوسری طرف، ڈویلپرز ہیں جو ایک بنیادی حقیقت کو سمجھتے ہیں: . the real opportunity isn't in using AI—it's in building it جبکہ زیادہ تر ڈویلپرز ChatGPT کو زیادہ مؤثر طریقے سے پیش کرنے کے لئے سیکھتے ہیں، ایک چھوٹا سا گروپ Perplexity، Claude، اور اپنی مرضی کے AI ایجنٹ جیسے سسٹمز کے پیچھے کی آرکیٹیکل کو سکھاتا ہے. یہ صرف متعلقہ رہنے کے بارے میں نہیں ہے، یہ انٹرنیٹ کے بعد سے سب سے اہم تکنیکی تبدیلی کے حق میں اپنے آپ کو پوزیشن کرنے کے بارے میں ہے. کمپنیوں کو ڈویلپرز کی ضرورت نہیں ہے جو AI کے آلات کا استعمال کرسکتے ہیں - انہیں ڈویلپرز کی ضرورت ہے جو AI کے نظام بن سکتے ہیں. The harsh reality یہ مضمون آپ کے اپنے AI-powered گہری تحقیق ایجنٹ کی تعمیر کے لئے ایک مکمل آرکیٹیکل بلیپنگ فراہم کرتا ہے، Perplexity کی "دوسرے تحقیق" خصوصیت کے طور پر. آپ کو نہ صرف تکنیکی تنصیب سیکھیں گے، لیکن ذہنی ماڈل اور ڈیزائن کے اصولوں جو مصنوعات کے لئے تیار نظام سے فیملیئر AI انٹرویوز کو الگ کر سکتے ہیں جو مقابلہ کے فوائد بن سکتے ہیں. : What you'll master by the end Recursive Search Architecture: نظام کو ڈیزائن کرنے کے لئے کس طرح، لائنوں نہیں، درختوں میں سوچتے ہیں AI-First ڈیٹا پائپ لائنز: بیرونی ویب تلاش کے اندرونی علم بیسز کے ساتھ انٹرویو ایجنٹ آرکسٹریشن: AI کے نظام بنائیں جو ان کے اپنے outputs کا اندازہ کریں، دوبارہ کریں اور بہتر بنائیں مینوفیکچرنگ کا خیال: طویل مدتی AI آپریشن کے لئے سرور وسائل، ٹائموسٹ اور صارف کے تجربے کا انتظام مقصد آپ کو کوڈ کو کاپی کرنے کے لئے فراہم کرنے کے لئے نہیں ہے. یہ آرکیٹیکل سوچ کو منتقل کرنے کے لئے ہے جو آپ کو کسی بھی ڈومین، کسی بھی استعمال کے معاملے، اور کسی بھی پیمانے پر AI کے نظام کو ڈیزائن کرنے کی اجازت دے گا. آخر میں، آپ کو AI ایجنٹوں کو تعمیر کرنے کے لئے ذہنی فریم ورک ملے گی جو صرف سوالات کا جواب نہیں دیتے - وہ ماہر تجزیہ کاروں کی طرح تحقیق کرتے ہیں. AI صارفین سے AI آرکیٹیکل میں منتقل کرنے کے لئے تیار ہیں؟ کیوں روایتی LLMs کو انٹرنیٹ کو مؤثر طریقے سے چلانے کے لئے ایک "گائیڈ سگ" کی ضرورت ہے. 2. Introduction: Life After ChatGPT Changed Everything داخلہ: چیٹ جی پی ٹی کے بعد زندگی نے سب کچھ بدل دیا ہم ٹیکنالوجی کی تاریخ میں سب سے زیادہ تبدیلی کے دوران میں سے ایک کے ذریعے رہتے ہیں. ChatGPT اور دیگر بڑے زبان ماڈل (LLMs) بنیادی طور پر ہم معلومات کے ساتھ بات چیت کرنے کا طریقہ تبدیل کر دیا ہے. لیکن اگر آپ ان آلات کے ساتھ سنجیدگی سے ایپلی کیشنز کی تعمیر کر رہے ہیں تو، آپ کو شاید اسی دیوار کو پھینک دیا ہے میں نے کیا: . models only know the world up to their training cutoff date, and they hallucinate with alarming confidence 2.1. The Problem: Band-Aid Web Search in Modern LLMs چیٹ جی پی ٹی، کلود، اور دیگر ماڈل کے پیچھے کی ٹیموں نے یہ انٹرفیس ویب تلاش کے ساتھ حل کرنے کی کوشش کی. یہ نظریاتی طور پر بہت اچھا لگتا ہے، لیکن مزید گہرائی اور آپ کچھ سنگین آرکیٹیکل نقصانات تلاش کریں گے جو اسے پیداوار کے ایپلی کیشنز کے لئے غیر مناسب بناتے ہیں: : نظام ایک یا دو تلاش کے سوالات کرتا ہے، پہلی چند نتائج پکڑتا ہے، اور اسے ایک دن کہا جاتا ہے. Surface-Level Search اگر پہلا تلاش مکمل نتائج نہیں دیتا ہے تو، نظام پیروی کے سوالات پوچھتا نہیں ہے یا متبادل زاویہوں کا تجزیہ نہیں کرتا. Zero Follow-Through Traditional search engines return HTML pages cluttered with ads, navigation elements, and irrelevant content.The LLM کو اس ڈیجیٹل مسکراہٹ سے مفید معلومات "پھونڈنا" کرنا پڑتا ہے. Garbage Data Quality نظام آپ کے اندرونی اعداد و شمار، کمپنی کے دستاویزات، یا ڈومین کی مخصوص علم بیس کے ساتھ پایا معلومات کو منسلک نہیں کر سکتا. Context Isolation 2.2. The Gold Standard: Perplexity's Deep Research Revolution Perplexity پہلی کمپنی تھی جو ہمیں دکھاتا ہے کہ کس طرح تلاش-LLM انضمام واقعی کام کرنا چاہئے. ان کا نقطہ نظر بنیادی طور پر ان بینڈ مدد کے حل سے مختلف ہے: Google API کالز کے بجائے، وہ خصوصی تلاش کے نظام کا استعمال کرتے ہیں جو خالص، منظم مواد کو AI کے استعمال کے لئے ڈیزائن کیا گیا ہے. AI-Optimized Search Engines نظام ابتدائی نتائج پر نہیں روکتا۔ یہ نتائج کا تجزیہ کرتا ہے، نئے سوالات کو بیان کرتا ہے، اور ایک جامع تصویر پیدا کرنے تک تلاش جاری رکھتا ہے. Iterative Investigation Process یہ ایک مستقل AI ایجنٹ ہے جو ایک بار میں منٹ کے لئے کام کرسکتا ہے، موضوعات میں دوبارہ بریکنگ اور دس ذرائع سے معلومات جمع. Deep Research Mode This is exactly the kind of system we're going to build together. 2.3. Why This Matters for Every Developer AI-First کی عمر میں، ہر مصنوعات "ایک سے زیادہ ذہین" بننے کے لئے چلا جا رہا ہے. لیکن صرف ChatGPT API میں پلگ ان کرنے کے لئے اب صرف میز شرط ہے. انٹرنیٹ سے موجودہ معلومات کو حقیقی وقت میں تلاش کریں اپنے خصوصی علم بیس کے ساتھ عوامی اعداد و شمار کا مجموعہ کریں معیاری LLMs سے حاصل کرنے کے لئے ناممکن منفرد نقطہ نظر پیدا کریں آپ کے مخصوص کاروباری ڈومین اور صنعت کے تجاویز کے مطابق 2.4. What You'll Walk Away With میرا مقصد آپ کو کوڈ کو کاپی کرنے کے لئے فراہم کرنے کے لئے نہیں ہے (اگرچہ آپ کو بہت کچھ مل جائے گا). میں ذہنی ماڈل اور آرکیٹیکل اصولوں کو منتقل کرنا چاہتا ہوں جو آپ کو اجازت دے گا: Deep AI تحقیق کے پیچھے فلسفہ کو سمجھیں آپ کے مخصوص استعمال کے کیس کے لئے آرکیٹیکل ڈیزائن Modern Stack (Next.js 15، OpenAI، exa.ai) کا استعمال کرتے ہوئے نظام کو نافذ کریں کسی بھی موجودہ مصنوعات میں حل کو شامل کریں آپ کی ضروریات کے لئے نظام کی پیمائش اور بہتر بنانے اس مضمون کے اختتام تک، آپ کو آپ کی اپنی اپنی "پرافکسٹی" کی تعمیر کے لئے مکمل آرکیٹیکل بلیپنگ اور پیداوار کے لئے تیار کوڈ مثالیں مل جائے گی - ایک AI ایجنٹ جو آپ کے مصنوعات کے خفیہ ہتھیار بن سکتا ہے. : ہم نہ صرف تکنیکی تنصیب کا مطالعہ کریں گے، بلکہ کاروباری منطق بھی. کیوں ریگورٹک تلاش لائن کے مقابلے میں زیادہ مؤثر ہے؟ آپ بیرونی اور اندرونی ذرائع کو کس طرح مناسب طریقے سے منسلک کرتے ہیں؟ طویل عرصے سے چلنے والے AI آپریشنوں کے لئے کس طرح UX نمونے کام کرتے ہیں؟ یہ سوالات کوڈ کے طور پر اہم ہیں. Important 2.5. For the Impatient: Skip to the Code ان لوگوں کے لئے جو پہلے سے ہی خیالات حاصل کر رہے ہیں اور براہ راست انضمام میں ڈوبنا چاہتے ہیں، یہاں کھلی سکرین کے حل ہم تعمیر کر رہے ہیں: https://github.com/aifa-agi/aifa-deep-researcer-starter https://github.com/aifa-agi/aifa-deep-researcer-starter میں ذاتی طور پر آپ کو بہت سے الفاظ اور تھوڑا سا مواد فراہم کرنے والے مضامین کو برداشت نہیں کرسکتا. repo کو کلون کرنے اور اسے ترقی کے موڈ میں چلانے کے لئے آزاد محسوس کریں. : آپ پیداوار میں Vercel کی مفت ہوسٹنگ کی سطح پر وقت کی حدیں (403 غلطیوں) پر پہنچیں گے، لیکن localhost پر آپ مکمل طور پر تجربہ کرسکتے ہیں اور اپنے دل کے مواد کے لئے لاگ ان کا مطالعہ کرسکتے ہیں. Pro tip AI کی طرف سے طاقتور تحقیق کے مستقبل کی تعمیر کرنے کے لئے تیار ہیں؟ کیوں LLMs کو انٹرنیٹ کو مؤثر طریقے سے چلانے کے لئے "گائیڈ سگ" کی ضرورت ہے کہ سمجھنے سے شروع کریں. 3. Why LLMs Need a "Guide Dog": The Critical Role of External Search Systems کیوں LLMs کو ایک "گائیڈ سگ" کی ضرورت ہے: بیرونی تلاش کے نظام کی اہم کردار یہاں ایک مشکل حقیقت ہے کہ بہت سے ڈویلپرز مہنگی طریقے سے سیکھتے ہیں: یہ ایک بیگ نہیں ہے - یہ ایک بنیادی آرکیٹیکل محدودیت ہے جو ایک پیچیدہ حل کی ضرورت ہے: AI کے استعمال کے لئے ڈیزائن کردہ مہارت یافتہ تلاش کے نظام کے ساتھ انٹرویو. Large Language Models cannot independently access current information from the internet 3.1. Why Traditional Search Engines Are AI Poison گوگل، بینگ، اور دیگر روایتی تلاش کے انجن ویب براؤزر کے لئے بنایا گیا تھا، ڈیٹا پروسیسنگ کے مشینوں کے لئے نہیں. اشتہارات بلاک اور نائیجیریا کی جھلکیاں جو مواد نکالنے کو مذاق کرتی ہیں غیر متعلقہ مواد (تصویر، sidebars، footers، cookie banners) غیر منظم ڈیٹا جس میں پیچیدہ پلسنگ کی ضرورت ہوتی ہے اور اکثر ناکام ہوتی ہے javascript// The traditional approach - a nightmare for AI const htmlResponse = await fetch('https://api.bing.com/search?q=query'); const messyHtml = await htmlResponse.text(); // You get HTML soup with ads, scripts, and digital garbage // Good luck extracting meaningful insights from this mess میں نے ٹیموں کو ہفتوں کے لئے HTML ٹیسٹرز کی تعمیر کرتے ہوئے دیکھا ہے، صرف ان کو ہر بار ایک اہم سائٹ کو اپ ڈیٹ کرنے کے لئے ان کی ترتیب کو روکنے کے لئے. It's not scalable, and it's definitely not reliable. 3.2. Keyword Matching vs. Semantic Understanding: A World of Difference روایتی تلاش کے سسٹموں کو درست الفاظ کے موازنہ کے لئے تلاش کر رہے ہیں، مکمل طور پر رابطے اور معنی کو نظر انداز کرتے ہوئے. "Next.js ای کامرس کے لئے آپریٹنگ" کی طرح ایک سوال "ایک آن لائن اسٹورز میں React ایپلی کیشن کی کارکردگی کو بڑھانے" کے بارے میں ایک اچھا مضمون کو بھول سکتا ہے، یہاں تک کہ اگرچہ وہ سماجی طور پر اسی موضوعات ہیں. یہ ایک تحقیق کی مددگار ہے جو کتابوں کو صرف عنوان میں صحیح الفاظ کے ساتھ مل کر تلاش کرسکتے ہیں، جبکہ اصل مواد کے بارے میں سب کچھ نظر انداز کرتے ہیں. For AI agents doing deep research, this approach is fundamentally broken. 3.3. AI-Native Search Engines: The Game Changer Exa.ai، Metaphor، اور Tavily جیسے ماہرین کے نظام بنیادی مسائل کو حل کرتے ہیں جو روایتی تلاش کو AI کے لئے غیر استعمال کرتے ہیں: Semantic Query سمجھنے کے لئے وہ معنی کی طرف سے تلاش کرنے کے لئے ویکٹر کی نمائندگیوں کا استعمال کرتے ہیں، نہ صرف کلیدی الفاظ. آپ کے AI کو مناسب مواد تلاش کرسکتے ہیں یہاں تک کہ جب درست شرائط متفق نہیں ہیں. صاف، منظم ڈیٹا وہ HTML برتن کے بغیر پہلے سے طے شدہ مواد کی واپسی کرتے ہیں. kontekstual کے بارے میں معلومات وہ ماضی کے سوالات اور مجموعی تحقیق کے کنکشن کو سمجھتے ہیں، جس میں واقعی دوبارہ تحقیق کی اجازت دیتا ہے. javascript// The AI-native approach - clean and powerful const cleanResults = await exa.search({ query: "Detailed analysis of Next.js performance optimization for high-traffic e-commerce platforms", type: "neural", contents: { text: true, summary: true } }); // You get clean, relevant content ready for AI processing // No parsing, no cleanup, no headaches 3.4. Why This Matters for Production Systems آپ کے اندرونی اعداد و شمار کی معیار براہ راست آپ کے اختتام تحقیق کے پیداوار کی معیار کا تعین کرتا ہے.AI-Native تلاش کے انجن فراہم کرتے ہیں: Struktured content without the need for fragile HTML parsing: ہتھیاروں کی ضرورت کے بغیر منظم مواد : خودکار، اعلی حجم کے استعمال کے لئے ڈیزائن شدہ مستحکم API : ڈیٹا پروسیسنگ کے لئے کم سے کم کمپیوٹرک اوورچ : بہتر ذریعہ اہمیت بہتر اختتام کے نقطہ نظر کے لئے منسلک کرتا ہے Data Reliability Scalability Cost Efficiency Accuracy javascript// Hybrid search: external + internal sources const [webResults, vectorResults] = await Promise.all([ exa.search(query), vectorStore.similaritySearch(query) ]); const combinedContext = [...webResults, ...vectorResults]; // Now your AI has both current web data AND your proprietary knowledge 3.5. The Bottom Line: Architecture Matters AI-Native تلاش کے انجن صرف ایک تکنیکی تفصیلات نہیں ہیں - that makes quality AI research agents possible. Without the right "guide dog," even the most sophisticated LLM will struggle to create deep, accurate analysis of current information. they're the architectural foundation اس طرح سوچو: آپ ایک شاندار محقق کو ایک لائبریری میں نہیں بھیجیں گے جہاں تمام کتابیں کوڈ میں لکھی جاتی ہیں اور نصف صفحات اشتہارات ہیں. آپ کے AI کو اس کام کے لئے صحیح آلات فراہم کریں. اگلے حصے میں، ہم خاص آرکیٹیکل کے ماڈلوں میں ڈالیں گے جو دوبارہ، گہری تحقیق کو ممکن بناتے ہیں. The solution? Ready to see how the pieces fit together? Let's explore the system design that powers truly intelligent AI research agents. 4. Think Like a Tree: The Architecture of Recursive Search 4. Think Like a Tree: The Architecture of Recursive Search انسانی دماغ قدرتی طور پر پیچیدہ معلومات کو ہائیریشک نیٹ ورک کے طور پر ساخت کرتا ہے. جب ایک محقق ایک نئی موضوع کی تحقیقات کرتا ہے، تو وہ ایک سیدھا لائن میں نہیں چلتے ہیں - وہ ایک درخت کی طرح ایک علم نیٹ ورک تیار کرتے ہیں جہاں ہر نئی دریافت اضافی سوالات اور تحقیق کی ہدایت پیدا کرتا ہے. 4.1. The Fundamental Difference in Approaches Traditional search systems and built-in web search in LLMs work linearly: receive query → perform search → return results → generate answer. This approach has critical limitations for deep research. Problems with the Linear Approach: سطح کی سطح کے نتائج: نظام پہلا حقائق کو تلاش کرنے پر روکتا ہے کوئی رابطے کی مسلسل: ہر تلاش کے سوال پہلے سے جدا ہو جاتا ہے نقصانات: نظام ایک موضوع کے مختلف پہلوؤں کے درمیان تعلقات نہیں دیکھ سکتا random quality: results depend entirely on the luck of the initial query اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات اختیارات درخت پر مبنی نقطہ نظر انسانی تحقیق کے قدرتی عمل کی ماڈلنگ کی طرف سے ان مسائل کو حل کرتا ہے. ہر دریافت شدہ ذریعہ نئے سوالات پیدا کر سکتا ہے، جو منفرد تحقیق کے حصوں بن جاتے ہیں. 4.2. Anatomy of a Search Tree ہم ایک خاص مثال کے ساتھ ایک گہری تلاش کے درخت کی ساخت پر نظر ڈالیں: textNext.js vs WordPress for AI Projects/ ├── Performance/ │ ├── Source 1 │ ├── Source 2 │ └── Impact of AI Libraries on Next.js Performance/ │ └── Source 7 ├── Development Costs/ │ ├── Source 3 │ └── Source 4 └── SEO and Indexing/ ├── Source 5 └── Source 6 یہ موضوع کے بنیادی پہلوؤں ہیں جو ایل ایل ایم اصل سوال کا تجزیہ کی بنیاد پر پیدا کرتا ہے. ہمارے مثال میں، یہ کارکردگی، قیمت، اور SEO ہیں. یہ subtopics تصادفی طور پر تشکیل نہیں کیا جاتا ہے - ایل ایل ایل ایم سوال کی سمیٹک جگہ کا تجزیہ کرتا ہے اور اہم تحقیق کی ہدایات کی شناخت کرتا ہے. First-level branches خاص ذرائع (تقاریر، دستاویزات، مطالعہ) ہر ذرائع کے لئے پایا جاتا ہے. ہر صفحے میں حقائق کی معلومات ہے جو آخر میں رپورٹ میں شامل کیا جائے گا. Tree leaves یہ اس آرکیٹیکل کی سب سے طاقتور خصوصیات ہیں. جب نظام یافتہ ذرائع کا تجزیہ کرتا ہے تو، یہ موضوع کے نئے پہلوؤں کو تلاش کر سکتا ہے جو اضافی تحقیق کی ضرورت ہوتی ہے. Recursive branches 4.3. Practical Advantages of Tree Architecture : درخت سسٹمک موضوعات کی پوزیشن کو یقینی بناتا ہے ۔ حقائق کی ایک تصادفی مجموعہ کے بجائے، نظام ایک منطقی طور پر منسلک علم کا نقشہ بناتا ہے جہاں ہر عنصر کی مجموعی ساخت میں اس کا مقام ہے. Research Completeness : The system automatically determines which directions require deeper investigation. If one branch yields many relevant sources, the system can go deeper. If a direction proves uninformative, the search terminates early. Adaptive Depth : ہر نئی تلاش کے سوال کو پہلے سے ہی پایا جانے والی معلومات پر غور کرتے ہوئے تشکیل دیا جاتا ہے.اس سے انفرادی تلاشوں کے مقابلے میں زیادہ درست اور مخصوص سوالات کی اجازت دیتا ہے. Contextual Connectivity : At each tree level, the system can evaluate the relevance and quality of found sources, filtering noise and concentrating on the most valuable information. Quality Assessment 4.4. Managing Tree Parameters اس نظام کو کتنے ریکارڈنگ کی سطحوں کا تعین کیا جا سکتا ہے. گہرائی 1 صرف بنیادی subqueries کا مطلب ہے بغیر مزید بریکنگ. گہرائی 3-4 واقعی تفصیلی تحقیقات کی اجازت دیتا ہے. Search Depth controls the number of sub-queries at each level. Too much width can lead to superficial investigation of many directions. Optimal width is usually 3-5 main directions per level. Search Width ہر درخت نڈوز کے لئے بچوں کے نڈوز کی اوسط تعداد ہے۔ معلومات کی تلاش کے سلسلے میں، یہ ہر پایا جانے والے ذریعہ پر مبنی نئے subqueries کی تعداد سے مطابقت کرتا ہے۔ Branching Factor 4.5. Optimization and Problem Prevention : سسٹم کو اب تک کی تحقیقات کی ہدایتوں کو ٹریک کرنے کی ضرورت ہے تاکہ غیر متوقع واپسیوں کو روکنے کے لئے. Cycle Prevention : More promising branches should be investigated with greater depth, while less informative directions can be terminated earlier. Dynamic Prioritization : مختلف درختوں کے شاخوں کو parallel طور پر تحقیق کیا جا سکتا ہے، کافی کمپیوٹنگ وسائل دستیاب ہے جب عمل میں اہم طور پر تیزی سے. Parallel Investigation Search results should be cached to avoid repeated requests to external APIs when topics overlap Memory and Caching : یہ ایک اور مسئلہ ہے جو اکثر گہری تحقیق کو لاگو کرتے وقت ظاہر ہوتا ہے، خاص طور پر اگر گہری دو سطحوں سے زیادہ ہوتا ہے. آپ کہہ سکتے ہیں کہ سطح کو بڑھانے سے تحقیق کی پیچیدگی میں اضافہ ہوتا ہے. Execution Time and Server Timeouts 4.6. The Bottom Line: From Chaos to System درخت کی آرکیٹیکل معلومات کی تلاش کے خفیہ عمل کو منظم تحقیقات میں تبدیل کرتی ہے، جہاں ہر عنصر کو مجموعی علم کی ساخت میں اس کی جگہ ہے. اس سے AI ایجنٹ کو ایک تجربہ کار محقق کی طرح کام کرنے کی اجازت دیتا ہے - نہ صرف حقائق کو جمع کرتے ہوئے، بلکہ تحقیق شدہ موضوع کا ایک جامع سمجھنے کی تعمیر. ایک AI نظام جو ایک انسانی محقق کی طرح سوچتا ہے، لیکن مشین کی پیمائش اور رفتار پر کام کرتا ہے. The result? دیکھنے کے لئے تیار ہیں کہ ہم کس طرح مصنوعات کوڈ میں اس نظریاتی فریم ورک کا ترجمہ کرتے ہیں؟ ہم تکنیکی سٹاک کی جانچ پڑتال کریں جو ریگورسیو انٹیلی جنس کو طاقت دیتا ہے. 5. The "Search-Evaluate-Deepen" Cycle: Implementing True Recursion "Search-Evaluate-Deepen" سائیکل: True Recursion کو لاگو کرنا recursive انٹرنیٹ پینسنگ صرف ایک تکنیکی خصوصیت نہیں ہے - یہ واقعی ذہین AI ایجنٹوں کی تخلیق کے لئے ایک بنیادی ضروریات ہے. کسی بھی تلاش کے نتائج کے پہلے صفحے میں صرف معلومات کے یخ پہاڑ کا نقطہ نظر دکھاتا ہے. حقیقی نقطہ نظر متعلقہ مضامین، حوالہ جات کے ذریعہ، اور مہارت کی تحقیق میں زیادہ سے زیادہ نظام کبھی نہیں پہنچتے ہیں. 5.1. Data Architecture for Deep Investigation مینوفیکچرنگ کے ایپلی کیشنز میں، نظام ساختہ اعداد و شمار کے اقسام کے ساتھ کام کرتا ہے جو ہر واپسی کی سطح پر علم جمع کرتا ہے: typescripttype Learning = { learning: string; followUpQuestions: string[]; }; type SearchResult = { title: string; url: string; content: string; publishedDate: string; }; type Research = { query: string | undefined; queries: string[]; searchResults: SearchResult[]; knowledgeBaseResults: string[]; // Vector database responses learnings: Learning[]; completedQueries: string[]; }; یہ اعداد و شمار کی ساخت ہر واپسی کی سطح پر علم جمع کرتا ہے، پوری تحقیقات کے لئے ایک مشترکہ کنکشن پیدا کرتا ہے - بالکل یہ ہے کہ پیشہ ورانہ تحقیق کو تصادفی حقائق جمع کرنے سے جدا کرتا ہے. 5.2. Stage 1: "Search" — Intelligent Query Generation نظام ایک ہی تلاش کے سوال پر بھروسہ نہیں کرتا. اس کے بجائے، یہ ایل ایل ایم انٹیلی جنس کا استعمال کرتے ہوئے کئی ہدف کے سوالات پیدا کرتا ہے: typescriptconst generateSearchQueries = async (query: string, breadth: number) => { const { object: { queries }, } = await generateObject({ model: mainModel, prompt: `Generate ${breadth} search queries for the following query: ${query}`, schema: z.object({ queries: z.array(z.string()).min(1).max(10), }), }); return queries; }; : The پیرامیٹر تحقیق کی وسیعیت کو کنٹرول کرتا ہے - مختلف موضوعات کے پہلوؤں کی تعداد جو paralelly تحقیق کی جائے گی.This is where the magic happens: instead of linear search, you get exponential coverage. Key insight breadth 5.3. Stage 2: "Evaluate" — AI-Driven Result Filtering Not all found sources are equally valuable. The system uses an AI agent with tools for intelligent evaluation of each result: typescriptconst searchAndProcess = async (/* parameters */) => { const pendingSearchResults: SearchResult[] = []; const finalSearchResults: SearchResult[] = []; await generateText({ model: mainModel, prompt: `Search the web for information about ${query}, For each item, where possible, collect detailed examples of use cases (news stories) with a detailed description.`, system: "You are a researcher. For each query, search the web and then evaluate if the results are relevant", maxSteps: 10, tools: { searchWeb: tool({ description: "Search the web for information about a given query", parameters: z.object({ query: z.string().min(1) }), async execute({ query }) { const results = await searchWeb(query, breadth, /* other params */); pendingSearchResults.push(...results); return results; }, }), evaluate: tool({ description: "Evaluate the search results", parameters: z.object({}), async execute() { const pendingResult = pendingSearchResults.pop(); if (!pendingResult) return "No search results available for evaluation."; const { object: evaluation } = await generateObject({ model: mainModel, prompt: `Evaluate whether the search results are relevant and will help answer the following query: ${query}. If the page already exists in the existing results, mark it as irrelevant.`, output: "enum", enum: ["relevant", "irrelevant"], }); if (evaluation === "relevant") { finalSearchResults.push(pendingResult); } return evaluation === "irrelevant" ? "Search results are irrelevant. Please search again with a more specific query." : "Search results are relevant. End research for this query."; }, }), }, }); return finalSearchResults; }; : نظام ایک AI ایجنٹ کا استعمال کرتا ہے جس میں آلات ہیں جو دوبارہ تلاش اور نتائج کا تجزیہ کرسکتے ہیں جب تک کہ یہ کافی متعلقہ معلومات تلاش نہیں کرتا. Revolutionary approach 5.4. Vector Knowledge Base Integration حقیقی طاقت بیرونی اور اندرونی تلاش کے درمیان مجموعی طور پر پیدا ہوتا ہے. ہر سوال کے لئے، نظام ایک ہی وقت میں انٹرنیٹ اور اس کے اپنے ویکٹر علم بیس کو تلاش کرتا ہے: typescriptasync function getKnowledgeItem(query: string, vectorStoreId: string) { const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY }); const response = await client.responses.create({ model: "gpt-4o-mini", tools: [ { type: "file_search", vector_store_ids: [vectorStoreId], max_num_results: 5, }, ], input: [ { role: "developer", content: `Search the vector store for information. Output format language: ${process.env.NEXT_PUBLIC_APP_HTTP_LANG || "en"}`, }, { role: "user", content: query, }, ], }); return response.output_text; } 5.5. Practical Implementation بنیادی تحقیق کے چیلنج میں، نظام دونوں ذرائع کو مطابقت سے پوچھتا ہے: typescriptfor (const query of queries) { const searchResults = await searchAndProcess(/* web search */); accumulatedResearch.searchResults.push(...searchResults); if (vectorStoreId && vectorStoreId !== "") { const kbResult = await getKnowledgeItem(query, vectorStoreId); accumulatedResearch.knowledgeBaseResults.push(kbResult); } } 5.6. Stage 3: "Deepen" — Generating Follow-Up Questions مرحلہ 3: "دہشت" - پیروی کے سوالات پیدا کرنا سب سے زیادہ طاقتور خصوصیت: نظام کی موجودہ معلومات پر مبنی نئی تحقیق کی ہدایات پیدا کرنے کی صلاحیت: typescriptconst generateLearnings = async (query: string, searchResult: SearchResult) => { const { object } = await generateObject({ model: mainModel, prompt: `The user is researching "${query}". The following search result were deemed relevant. Generate a learning and a follow-up question from the following search result: <search_result> ${JSON.stringify(searchResult)} </search_result>`, schema: z.object({ learning: z.string(), followUpQuestions: z.array(z.string()), }), }); return object; }; 5.7. Recursive Deepening ہر تلاش شدہ ذریعہ کا تجزیہ نئے سوالات کو نکالنے کے لئے کیا جاتا ہے جو اگلے تلاش کی سطح کے لئے بنیادی بن جاتے ہیں: typescriptfor (const searchResult of searchResults) { const learnings = await generateLearnings(query, searchResult); accumulatedResearch.learnings.push(learnings); accumulatedResearch.completedQueries.push(query); const newQuery = `Overall research goal: ${prompt} Previous search queries: ${accumulatedResearch.completedQueries.join(", ")} Follow-up questions: ${learnings.followUpQuestions.join(", ")}`; await deepResearch( /* search parameters */, newQuery, depth - 1, Math.ceil(breadth / 2), // Reduce width at each level vectorOfThought, accumulatedResearch, vectorStoreId ); } 5.8. Managing Depth and Complexity مینوفیکچرنگ کے انضمام میں یہ دکھایا گیا ہے کہ exponential پیچیدگی کی ترقی کو کیسے منظم کیا جائے: typescriptconst deepResearch = async ( /* multiple filtering parameters */, prompt: string, depth: number = 2, breadth: number = 5, vectorOfThought: string[] = [], accumulatedResearch: Research = { query: undefined, queries: [], searchResults: [], knowledgeBaseResults: [], learnings: [], completedQueries: [], }, vectorStoreId: string ): Promise<Research> => { if (depth === 0) { return accumulatedResearch; // Base case for recursion } // Adaptive query formation based on "thought vector" let updatedPrompt = ""; if (vectorOfThought.length === 0) { updatedPrompt = prompt; } else { const vectorOfThoughItem = vectorOfThought[vectorOfThought.length - depth]; updatedPrompt = `${prompt}, focus on these important branches of thought: ${vectorOfThoughItem}`; } // ... rest of implementation }; 5.9. Key Optimizations : : at each level prevents exponential growth : : خاص علاقوں میں تحقیق کو ہدایت کرنے کی اجازت دیتا ہے : تمام نتائج ایک مشترکہ ڈیٹا ساخت میں محفوظ ہیں Width Reduction Math.ceil(breadth / 2) Thought Vector vectorOfThought Context Accumulation 5.10. The Hybrid Advantage in Practice : عوامی اعداد و شمار کو اندرونی علم کے ساتھ منسلک کرنا رپورٹوں کو پیدا کرنے کی اجازت دیتا ہے جو دوسروں کو دوبارہ نہیں کیا جا سکتا. آپ کے مقابلہ کاروں کو اسی عوامی ذرائع تک رسائی حاصل ہوسکتی ہے، لیکن آپ کے اندرونی کیسز، اعداد و شمار اور مہارت نہیں. Creating Unique Content : External data provides currency and breadth, internal data provides depth and specificity. The system can find general industry trends online, then supplement them with your own data about how these trends affect your business. Context Enrichment یہاں تک کہ اگر ویب معلومات پرانے یا غیر درست ہے تو، آپ کے اندرونی علم بیس تازہ اور تصدیق شدہ ڈیٹا فراہم کرسکتے ہیں. Maintaining Currency 6. From Chaos to Order: Generating Expert-Level Reports Chaos to Order: ماہر سطح کی رپورٹوں کی پیداوار تمام سطحوں کو مکمل کرنے کے بعد، نظام مختلف معلومات کی بڑے پیمانے پر جمع کرتا ہے: ویب تلاش کے نتائج، ویکٹر بیس ڈیٹا، پیدا شدہ سیکھنے اور پیروی کے سوالات. 6.1. Context Accumulation: Building the Complete Picture تمام جمع کردہ اعداد و شمار کو ایک واحد میں متحد کیا جاتا ہے ساخت جو آخر میں مجموعہ کے لئے مکمل کنکشن کے طور پر خدمت کرتا ہے: Research typescripttype Research = { query: string | undefined; // Original query queries: string[]; // All generated search queries searchResults: SearchResult[]; // Web search results knowledgeBaseResults: string[]; // Vector database responses learnings: Learning[]; // Extracted insights completedQueries: string[]; // History of completed queries }; - یہ ایک جامع علم گراف ہے جو تمام تحقیقات کے سفر کو پکڑتا ہے. ہر نقطہ نظر، ہر ذریعہ، ہر رابطے کو آخری مجموعہ کے لئے محفوظ کیا جاتا ہے. This isn't just data storage 6.2. The Master Prompt: Where Intelligence Meets Synthesis اختتام رپورٹ کے معیار کو براہ راست پیدا کرنے کی درخواست کی پیچیدگی پر منحصر ہے.The system uses OpenAI's most powerful model for synthesis: typescriptconst generateReport = async ( research: Research, vectorOfThought: string[], systemPrompt: string ) => { const { text } = await generateText({ model: openai("o3-mini"), // Most powerful model for synthesis system: systemPrompt, prompt: "Use the following structured research data to generate a detailed expert report:\n\n" + JSON.stringify(research, null, 2), }); return text; }; : ہم صرف AI کو خلاصہ کرنے کے لئے نہیں پوچھ رہے ہیں - ہم اسے مکمل تحقیق ڈیٹا سیٹ فراہم کرتے ہیں اور اسے ایک ڈومین ماہر کی طرح سوچنے کے لئے پوچھتے ہیں. Key insight 6.3. Structured Output: Beyond Simple Summaries نظام صرف ایک متن خلاصہ نہیں بناتا ہے - یہ عنوانات، ٹیبلز، پرو / کن فہرستوں، اور پیشہ ورانہ فارمیٹنگ کے ساتھ ساختہ دستاویزات پیدا کرتا ہے، جیسا کہ نتائج بچانے میں دکھایا گیا ہے: typescriptconsole.log("Research completed!"); console.log("Generating report..."); const report = await generateReport(research, vectorOfThought, systemPrompt); console.log("Report generated! Saving to report.md"); fs.writeFileSync("report.md", report); // Save as Markdown یہ AI سے پیدا کردہ مواد کے لئے بہترین فارمیٹ ہے - پیشکش کے لئے کافی منظم، مختلف پیداوار فارمیٹس کے لئے کافی انعطاف پذیر، اور کسی بھی جدید ترقیاتی کام کے عمل میں پڑھنے کے قابل ہے. Why Markdown? 6.4. Quality Control Through System Prompts کے مخصوص ضروریات کے لئے رپورٹ سٹائل اور ساخت کو اپنی مرضی کے مطابق کرنے کی اجازت دیتا ہے: systemPrompt تحقیق کے دستاویزات اور تعلیمی تجزیہ کے لئے تعلیمی طرز کاروباری رپورٹوں اور کاروباری خلاصے کے لئے کاروباری فارم ڈویلپر پر مبنی مواد کے لئے تکنیکی دستاویزات مالی اور حکومتی رپورٹوں کے لئے سرمایہ کاری کا تجزیہ // Example: Business-focused system prompt const businessSystemPrompt = `You are a senior business analyst creating an executive report. Structure your analysis with: Executive خلاصہ اہم نتائج مارکیٹ کے اثرات سفارشات خطرے کا اندازہ Use data-driven insights and provide specific examples from the research.`; 6.5. The Intelligence Multiplier Effect : نظام صرف معلومات جمع نہیں کرتا - یہ مختلف ذرائع کے درمیان رابطوں سے پیدا ہونے والی بصیرتوں کا مجموعہ کرتا ہے. ایک انسانی محقق اس سطح کی تحقیقات کو انجام دینے کے لئے 8-12 گھنٹے خرچ کر سکتا ہے. ہمارا نظام یہ 10-60 منٹ میں کرتا ہے، اکثر ان رابطوں کو ظاہر کرتا ہے جو انسانوں کو بھول جاتے ہیں. Here's what makes this approach revolutionary 6.6. Production Considerations : گہری تحقیق (3-4 گہری) کے ساتھ، مجموعی کنکشن بڑے پیمانے پر ہوسکتا ہے. Memory Management : آخری مجموعہ پروپٹ آسانی سے ٹوکن حدود سے زیادہ ہوسکتا ہے. پیداوار کے انضمام کو ذہین ٹونکننگ کی حکمت عملی کی ضرورت ہوتی ہے جو سب سے زیادہ قیمتی نقطہ نظر کو برقرار رکھتی ہے. Token Optimization تمام رپورٹیں برابر نہیں ہیں ۔ رپورٹ کی مکمل اور مطابقت کا اندازہ کرنے کے لئے پوائنٹنگ کے میکانیزم کو لاگو کرنے پر غور کریں ۔ Quality Assurance 6.7. Real-World Impact : انسانی تحقیق کے گھنٹے → AI تجزیہ کے منٹ AI پروسیسنگ اور انسانی طور پر ممکن سے زیادہ ذرائع سے منسلک کر سکتے ہیں : ہر رپورٹ ایک ہی سخت طریقہ کار کی پیروی کرتا ہے : ایک ہی وقت میں دس رپورٹ بنائیں Time Compression Depth Enhancement Consistency Scalability 7. Conclusion: Building the Future of AI Research 7. Conclusion: Building the Future of AI Research ایک گہری تحقیق AI ایجنٹ تخلیق کرنا صرف ایک تکنیکی چیلنج نہیں ہے - یہ ایک آرکیٹیکل حل ہے جو کسی بھی مصنوعات کے لئے ایک مقابلہ کا فائدہ بن سکتا ہے. ہم نے تصور سے انضمام تک مکمل سائیکل کا احاطہ کیا ہے، اس بات کو ظاہر کرنے کے لئے کس طرح معلومات کی تلاش کا خفیہ عمل سسٹمک، ماہر سطح کی تحقیقات میں تبدیل کرنے کے لئے. 7.1. Key Architectural Principles گہری تلاش درخت کی ساختہ معلومات کے نیٹ ورکوں کا تجربہ کرنے کے بارے میں ہے، جہاں ہر دریافت نئے سوالات اور تحقیق کی ہدایات پیدا کرتا ہے. Think in Trees, Not Lines : exa.ai جیسے مہارت کی تلاش کے انجن اختیاری نہیں ہیں - وہ معیار کی تحقیق کے لئے ضروری ہیں. وہ روایتی تلاش ایپز فراہم کرتے ہیں کہ HTML برتن کے بجائے صاف ڈیٹا واپس کرتے ہیں. Use AI-Native Tools : نتائج کا پہلا صفحہ صرف یخ پہاڑ کا نقطہ ہے. حقیقی نقطہ نظر "Search-Evaluate-Deepen" سائیکل کے ذریعے دوبارہ بڑھانے میں واقع ہے. Apply Recursion for Depth : عوامی انٹرنیٹ ڈیٹا اور نجی تنظیم کے علم کے درمیان مجموعی اثرات ایسی منفرد مواد پیدا کرتے ہیں جو کسی دوسرے طریقے سے حاصل کرنے کے قابل نہیں ہیں. Combine External and Internal Sources آلات کے ساتھ AI ایجنٹس نہ صرف معلومات کی تلاش کرسکتے ہیں بلکہ اس کی اہمیت کا اندازہ بھی کرسکتے ہیں، نئے سوالات پیدا کرسکتے ہیں، اور ساختہ رپورٹیں بن سکتے ہیں. Use LLMs for Both Analysis and Synthesis 7.2. Production-Ready Results Next.js 15، OpenAI، اور exa.ai پر مبنی ایپلی کیشنز اس بات کا ثبوت دیتے ہیں کہ اس طرح کے نظام کی تعمیر اور پیداوار کے لئے تنصیب کی جا سکتی ہے. تمام اہم اجزاء کو ظاہر کرتا ہے: https://github.com/aifa-agi/aifa-deep-researcer-starter گہری اور وسیع پیمانے پر انتظام کے ساتھ recursive architecture with depth and wide management ویکٹر علم بیس کے ساتھ ویب تلاش کے انٹرویو نتائج کا جائزہ لینے کے لئے آلات کے ساتھ AI ایجنٹس فائل بچانے کی صلاحیتوں کے ساتھ ماہر رپورٹ پیدا کرنا 7.3. Challenges and Limitations : 2 سطحوں سے زیادہ گہرائی کے ساتھ تحقیق گھنٹے لگ سکتے ہیں، پیداوار کے ماحول کے لئے خصوصی حل کی ضرورت ہوتی ہے. Server Timeouts : ہر گہرائی کی سطح گاہکوں کی تعداد جغرافیائی طور پر بڑھاتا ہے، جس میں احتیاط سے وسائل کے انتظام کی ضرورت ہوتی ہے. Exponential Complexity Growth یہاں تک کہ AI تلاش کے انجن غلط معلومات واپس کر سکتے ہیں، اضافی تصدیق اور حقائق کی جانچ پڑتال کی ضرورت ہے. Source Quality 7.4. Your Next Steps اب آپ کو ایک مکمل آرکیٹیکل بلیپٹ اور حقیقی کوڈ مثالیں ہیں. آپ کر سکتے ہیں: : Prototyping کے لئے اس مضمون کی بنیادی ورژن کا استعمال کریں • کلون مقامی طور پر تجربات : موجودہ مصنوعات اور کام کی رفتاروں میں ان اصولوں کو شامل کریں Start with Minimal Implementation Explore the Ready Solution https://github.com/aifa-agi/aifa-deep-researcer-starter Adapt to Your Needs 8. Homework Challenge: Solving the Long-Wait UX Problem Homework Challenge: طویل انتظار UX مسئلہ کو حل کرنے کے لئے We've covered the technical architecture of deep research AI agents, but there's a critically important UX problem remaining: what do you do when the system works for several minutes while the user stares at a blank screen? As the real implementation from aifa-deep-researcer-starter shows, research with depth greater than 2 levels can take hours, while users see only a static loading screen. 8.1. The Problem: Server Silence Kills Trust عام ویب ایپلی کیشنز کے برعکس جہاں آپریشنوں میں سیکنڈ لگتے ہیں، گہری تحقیق AI ایجنٹس منٹ کے لئے خاموش رہ سکتے ہیں. صارفین کو اس عمل کے آخر تک سرور سے کوئی تبصرہ نہیں ملتا. منتظر اضطراب: صارفین کو معلوم نہیں ہے کہ نظام کام کرتا ہے یا منجمد ہے کنٹرول کے نقصان: یہ سمجھنے کا کوئی طریقہ نہیں ہے کہ کتنا انتظار کرنا ہے کمزور اعتماد: یہ لگتا ہے کہ ایپلی کیشن ٹوٹ گیا ہے یا درخواست "کچھ" ہے اعلی بونس کی شرح: صارفین نتائج کے انتظار کے بغیر ٹیب کو بند کرتے ہیں پریشانی، کلود، اور دیگر جدید AI مصنوعات انٹرایکٹو انیمیشنز، ترقی کے اشارے، اور متحرک تجاویز کے ساتھ اس کا حل کرتے ہیں. لیکن جب آپ کے سرور کے درمیان ڈیٹا نہیں بھیجتے ہیں تو آپ ایسا کیسے کرسکتے ہیں؟ 8.2. The Developer Challenge اس تکنیکی محدودیت کی تصور کریں: آپ کے Next.js API راہ ایک طویل عمل (گہری تحقیق) کرتا ہے اور مکمل ہونے تک intermediate ڈیٹا بھی نہیں بھی سکتا. frontend صرف آخر میں ایک جواب ملتا ہے. کلاسک حل جیسے Server-Sent Events یا WebSockets ہوسٹنگ محدودیتوں یا آرکیٹیکل محدودیتوں کی وجہ سے دستیاب نہیں ہوسکتا. How do you create engaging UX under these conditions that will retain users and reduce waiting anxiety? 8.3. Discussion Questions UX Patterns and Visualization: کیا UX ماڈل آپ کو گہری تلاش کے عمل کو دیکھنے کے لئے استعمال کریں گے جب سرور "غیر خاموش" ہے؟ آپ حقیقی سرور کی حالت کے اپ ڈیٹس کے بغیر بھی "لیو" ترقی کی نمائش کیسے کرسکتے ہیں؟ کیا آپ کو جعلی پروگرامنگ بارز استعمال کرنا چاہئے، یا یہ صارفین کے اعتماد کی خلاف ورزی کرتا ہے؟ کیا انیمیشنز اور مائیکرو انٹرایکشنز "زندگی" کے نظام کا احساس پیدا کرنے میں مدد ملتی ہے؟ User Communication: آپ صارفین کو کس طرح وضاحت کرتے ہیں کہ انتظار کیوں طویل ہوسکتا ہے؟ کیا متن / تصویر استعمال کرنا چاہئے؟ اگر وہ بہت مختلف ہوسکتے ہیں تو کیا آپ کو پیشکش کی منتقلی کا وقت دکھانا چاہئے (2 سے 60 منٹ)? آپ پروسیسنگ مرحلے کو کیسے بصری طور پر دیکھتے ہیں ( "جیسے تلاش کے سوالات پیدا کرتے ہیں ...", "جیسے ذرائع کا تجزیہ کرتے ہیں ...", "جیسے ماہر رپورٹ تشکیل دیتے ہیں ...")؟ کیا متغیر صارفین کو انتظار کا قدر سمجھنے میں مدد ملتی ہے؟ Technical Implementation: سرور کی واپسی کے بغیر کیا مثبت UI نقطہ نظر استعمال کیا جا سکتا ہے؟ کس طرح آپ کو ایک "تبادلوں" انٹرفیس کو انسٹال کرتے ہیں جو منتظر وقت صارفین کی حمایت کرتا ہے؟ کیا آپ مقامی کمپیوٹرز (Web Workers، WASM) استعمال کرسکتے ہیں؟ اگر صارفین تحقیق کے دوران ٹیب بند کرتے ہیں تو آپ کس طرح عمدہ تباہی کو منظم کرتے ہیں؟ 8.4. Learning from the Best Perplexity Deep Research، Bing Copilot، Google Search Generative Experience میں ایپلی کیشن کے حل. آپ گیمنگ لوڈنگ سکرین سے کیا حاصل کرسکتے ہیں جو منٹ کے لئے توجہ رکھتا ہے؟ Netflix، YouTube، اور دیگر پلیٹ فارمز طویل مواد لوڈنگ کے مسائل کو کیسے حل کرتے ہیں؟ : ChatGPT کی فوری جوابات کی ایک عمر میں، معیار کی منتقلی ایک مقابلہ فائدہ بن سکتا ہے. صارفین کو انتظار کرنے کے لئے تیار ہیں اگر وہ عمل کے قدر کو سمجھتے ہیں اور محسوس کرتے ہیں کہ نظام ان کے لئے کام کرتا ہے. Remember 9. About the Author and AIFA Project مصنف اور AIFA پروجیکٹ کے بارے میں مصنف کے، ، اس کے حالیہ شائع کردہ سیریز میں، اس نے اپنے دلچسپ اوپن سائیڈ پروجیکٹ میں ان کے آلات اور آرکیٹیکل حلوں کی تفصیل بتائی ہے (AI ایجنٹ ترقی اور خود کی تجزیہ کی آرکیٹیکل میں). رومن بولشیانوف ایفیا اس کے موجودہ تنصیب میں، AIFA پہلے سے ہی ایک منفرد صارف انٹرفیس کے ساتھ AI سب سے پہلے ایپلی کیشنز کی تخلیق کے لئے ایک حیرت انگیز سٹارٹر Template کی نمائندگی کرتا ہے جہاں مصنوعی ذہانت بنیادی بات چیت کا طریقہ بن جاتا ہے، جبکہ روایتی ویب انٹرفیس مددگار بصیرت کے طور پر خدمت کرتا ہے. پروجیکٹ کا طویل مدتی مقصد ایک مکمل AGI نظام میں ترقی ہے جہاں AI ایجنٹوں کو: خود کار طریقے سے ترقی اور ان کے algorithms کو بہتر بنانے Self-replication اور نئے مہارت ایجنٹوں کی تخلیق in distributed environments Competition and cooperation ویب جگہوں اور blockchain نیٹ ورک میں خود کار طریقے سے کام اس مضمون میں پوشیدہ گہری تلاش مستقبل AGI ایجنٹوں کی بنیادی مہارتوں میں سے ایک ہے جو نہ صرف معلومات کی تحقیقات کرسکتے ہیں بلکہ فیصلہ کرنے، مصنوعات تخلیق کرنے اور حقیقی دنیا کے ساتھ بات چیت کرنے کے قابل ہوں گے. اگر آپ پروجیکٹ کی ترقی کی نگرانی اور اعلی درجے کی AI ٹیکنالوجیوں کے ساتھ تجربہ کرنے میں دلچسپی رکھتے ہیں تو، فورک کرنے میں شک نہیں کریں. اور مستقبل کی آرکیٹیکل کی جانچ پڑتال میں ڈوبیں. ہر کام ہمیں واقعی خود کار طریقے سے مصنوعی ذہانت کی تخلیق کے قریب لے جاتا ہے. AIFA ریپیوٹر کوڈ کھلی ہے، آرکیٹیکل ثابت کیا گیا ہے، اور امکانات لامحدود ہیں. آپ کے اگلے AI-powered تحقیق میں پھنسنے کا صرف ایک git کلون دور ہے. Ready to build the future?
