SSD Nodes Learn Hosting plans →
تعلیمی Matt Connorتحریر: Matt Connor · اپ ڈیٹ شدہ 2026-10-24

Graft: coding agents کے لیے codebase map کیا ہے

Graft `tree-sitter` سے repository کا codebase map بناتا ہے، جسے coding agent MCP کے ذریعے query کرتا ہے، تاکہ ہر session میں وہی structure دوبارہ تلاش نہ کرنا پڑے۔

کوڈنگ ایجنٹس کے لیے codebase map کیا ہے

کوڈنگ ایجنٹس کے لیے codebase map آپ کی repository کا ایک مستقل index ہے۔ نیا session شروع ہونے پر ایجنٹ ہر بار ابتدا سے grep کے ذریعے تلاش کرنے کے بجائے اسی index سے مطلوبہ معلومات حاصل کرتا ہے۔ Graft اس تصور کی ایک implementation ہے۔ یہ tree-sitter کے ذریعے آپ کے code کو parse کرتا ہے، linked markdown nodes پر مشتمل ایک folder اور ہر symbol کے درمیان روابط کا graph لکھتا ہے، اور MCP (model context protocol، وہ standard interface جسے coding agents بیرونی tools کو call کرنے کے لیے استعمال کرتے ہیں) کے ذریعے retrieval tools فراہم کرتا ہے۔

Graft نہ proxy ہے اور نہ gateway۔ آپ کے agent اور model API کے درمیان کوئی درمیانی component موجود نہیں ہوتا۔ map ڈسک پر موجود ایک folder ہوتا ہے جسے agent پڑھتا ہے۔ یہ فرق طے کرتا ہے کہ آپ کون سا مسئلہ حل کر رہے ہیں: self-hosted token gateway ان requests کی پیمائش اور routing کرتا ہے جو آپ پہلے ہی بھیجتے ہیں، جبکہ map اس بات کو تبدیل کرتا ہے کہ آپ کو مجموعی طور پر کتنی requests بھیجنے کی ضرورت ہے۔

یہ تکنیک اس tool سے پرانی ہے اور اس tool کے بعد بھی برقرار رہے گی۔ پہلے تکنیک سمجھیں، پھر اس کے عملی طریقۂ کار کو سیکھیں۔

کوڈنگ agents ساخت دوبارہ دریافت کرتے ہوئے context کیوں ضائع کرتے ہیں

کسی agent کو ایسی repository پر کام شروع کرتے دیکھیں جسے وہ پہلے ہی پچاس مرتبہ دیکھ چکا ہو۔ وہ directories کی فہرست بناتا ہے۔ کسی symbol کے لیے grep چلاتا ہے۔ یہ معلوم کرنے کے لیے تین files کھولتا ہے کہ function کی definition کس file میں ہے، پھر چوتھی file کھول کر دیکھتا ہے کہ اسے کون call کرتا ہے۔ ان میں سے کوئی بھی اصل task نہیں ہے۔ یہ صرف ابتدائی واقفیت حاصل کرنا ہے، اور ہر session میں اس کی قیمت input tokens سے ادا کی جاتی ہے۔

وجہ سادہ ہے۔ ایک model کے پاس sessions کے درمیان memory نہیں ہوتی۔ agent نے آپ کے layout کے بارے میں جو کچھ سیکھا تھا، وہ context window میں موجود تھا، جو session ختم ہوتے ہی ضائع ہو گئی۔ اس لیے وہی discovery دوبارہ صفر سے شروع ہوتی ہے، اور آپ دوبارہ اس کی قیمت ادا کرتے ہیں۔ Prompt caching صرف پچھلے پانچ منٹ کے اندر دیکھے گئے identical prompt prefix پر رعایت دیتی ہے، یا اضافی لاگت پر آخری ایک گھنٹے تک؛ اس لیے یہ کل کی exploration کو آج کے session تک منتقل نہیں کر سکتی۔ بڑی repository میں orientation phase کی لاگت edit سے زیادہ ہوتی ہے: code تلاش کرنے کے لیے دس tool calls، اور تبدیلی کے لیے ایک۔ اس bill کا ایک حصہ orientation اور دوسرا edit ہے، اسی لیے ایسی skill جو agent کو کام کرنے والی کم سے کم تبدیلی تک محدود رکھے کو map کے ساتھ استعمال کرنا، ان دونوں میں سے کسی ایک کا انتخاب کرنے سے بہتر ہے۔

ایک map discovery کو model سے ہٹا کر disk پر منتقل کر کے اس چکر کو توڑ دیتا ہے۔ ایک parser repository کو ایک مرتبہ scan کرتا ہے، یہ record محفوظ کرتا ہے کہ کون سا symbol کہاں define ہے اور کون سا symbol کسے call کرتا ہے، پھر code تبدیل ہونے کے ساتھ اس record کو تازہ رکھتا ہے۔ agent ایک سوال پوچھتا ہے اور اسے file اور line کے حوالے کے ساتھ جواب مل جاتا ہے۔ بار بار کی exploration ایک سستے lookup میں تبدیل ہو جاتی ہے۔

آپ پہلے ہی اس کا ایک کمزور ورژن استعمال کر رہے ہیں۔ ایک AGENTS.md جو آپ کی conventions بیان کرے agent کو ہر مرتبہ آپ کی conventions دوبارہ اخذ کرنے سے روکتی ہے۔ ایک generated map اسے آپ کی structure دوبارہ اخذ کرنے سے روکتا ہے۔ فرق یہ ہے کہ اسے کون لکھتا ہے۔ آپ instruction file خود لکھتے ہیں، اس لیے وہ مختصر رہتی ہے۔ parser map generate کرتا ہے، اس لیے وہ دس ہزار files کا احاطہ کر سکتا ہے۔ session کے اندر budget حقیقت میں کہاں خرچ ہوتا ہے، اس کی تفصیل کے لیے Claude Code اپنی context window کیسے استعمال کرتا ہے accounting پیش کرتا ہے۔

Graft اصل میں کیا تیار کرتا ہے

دو artifacts، دونوں repository root میں ایک ہی graft/ folder کے اندر۔

پہلا linked markdown میں لکھا ہوا node graph ہے، جس میں ہر node کے لیے ایک file ہوتی ہے۔ ہر node میں سادہ انگریزی summary، اہم logic lines سے source سے اخذ کیا گیا "crux"، content hash کے ساتھ exact source files، دوسرے nodes کے typed wikilinks (depends_on، part_of، uses، implements)، اور notes section شامل ہوتا ہے۔ یہ notes section regeneration کے بعد بھی برقرار رہتا ہے، تاکہ آپ وہ context درج کر سکیں جس کا parser خود تعین نہیں کر سکتا۔

دوسرا graft/.graph/wiring.json ہے، یعنی فی symbol structural graph جسے tree-sitter extract کرتا ہے: definitions، references اور ان کے درمیان call edges۔

یہ تقسیم اہم ہے، کیونکہ صرف ایک حصے کے لیے model درکار ہے۔ graft build مکمل طور پر tree-sitter پر مبنی ہے اور کبھی LLM (large language model) کو call نہیں کرتا، اس لیے یہ deterministic ہے اور اس کی کوئی لاگت نہیں۔ graft build --deep تحریری summaries اور فی symbol cruxes شامل کرتا ہے، اور یہ model calls ہوتے ہیں جن کی ادائیگی آپ کرتے ہیں۔

Language support درجات میں تقسیم ہے، اور tier سے معلوم ہوتا ہے کہ call graph پر کس حد تک اعتماد کیا جا سکتا ہے۔ TypeScript، JavaScript، Python، Go، Java، Kotlin، PHP، Swift اور R کو scope-aware cross-file resolution حاصل ہے۔ Rust، C، C++، C#، Ruby، Scala، Elixir، Solidity، OCaml، Zig، Dart، Clojure، Nix اور Lua کو symbols کے ساتھ generic call edges ملتے ہیں۔ اس کا مطلب ہے کہ کوئی edge resolved reference کے بجائے name match بھی ہو سکتا ہے۔ Compiler-grade edges کے لیے --lsp اور rust-analyzer یا gopls جیسا language server اختیاری طور پر فعال کیا جا سکتا ہے۔

Graft انسٹال کریں اور ورژن pin کریں

Graft کو Node.js 20 یا اس کے بعد کا ورژن درکار ہے، اور یہ MIT لائسنس کے تحت جاری کیا جاتا ہے۔ 17 October 2026 تک موجودہ release 0.23.0 ہے، جو 15 October 2026 کو شائع ہوئی، جبکہ پہلی شائع شدہ version 0.1.0، July 2026 کی ہے۔ اسے نیا software سمجھ کر استعمال کریں۔ 14 October 2026 کو شائع ہونے والی release 0.22.0 نے project کا نام بدل کر Trail-code کر دیا: اب یہی code @trailhq/trail-code کے طور پر بھی ship ہوتا ہے، جس میں trail command ہے، جبکہ @nanonets/graft میں graft command برقرار ہے۔

یہ guide 0.21.1 کو pin کرتی ہے، جو 29 September 2026 کو شائع ہوئی اور rename سے پہلے کی آخری release تھی، کیونکہ 0.22 اور 0.23 نے guide میں استعمال ہونے والی commands تبدیل کر دی ہیں۔ 0.22 سے graft check آپ کی branch کے diff کا repo کی team learnings سے موازنہ کرتا ہے اور conflict کی صورت میں 1 کے ساتھ exit ہوتا ہے؛ drift detection کو graft build --check میں منتقل کر دیا گیا ہے، اور MCP tools کے نام trail_* ہیں، جبکہ server اب بھی پرانے graft_* names کا جواب دیتا ہے۔ 0.23.0 کے changelog میں یہ بھی درج ہے کہ trail کے ساتھ set up کیے گئے repo میں map اب .trail/cache/ میں منتقل ہو جاتا ہے اور Claude Code کو مزید MCP server نہیں ملتا، جبکہ README اب بھی graft/ اور .mcp.json بیان کرتی ہے۔ Pin تبدیل کرنے سے پہلے changelog پڑھیں اور --dry-run چلائیں۔

npm install -g @nanonets/graft@0.21.1
npm ls -g @nanonets/graft

npm ls -g کو @nanonets/graft@0.21.1 دکھانا چاہیے۔ اس version کو جان بوجھ کر pin کریں۔ سادہ npm install -g @nanonets/graft اس وقت latest tag resolve کرتا ہے جب آپ اسے چلاتے ہیں، اور ایسے project میں جہاں ہر ماہ کئی minor releases آتی ہوں، اس سے آپ کے ساتھی کے پیر کو install کیے گئے tool اور آپ کے منگل کو استعمال کیے گئے tool میں فرق ہو سکتا ہے۔ Pinned version سب کے لیے CLI flags اور graph format یکساں رکھتا ہے، اس لیے upgrade آپ کے فیصلے کے مطابق ہوتا ہے۔

اب اسے اپنی ملکیت کے repository کے ساتھ مربوط کریں:

cd /path/to/your/repo
graft init --dry-run
graft init

graft init پوچھتا ہے کہ آپ کے coding agents میں سے کن agents کو مربوط کرنا ہے، پھر graph بناتا ہے۔ پہلے --dry-run چلائیں اور ان files کی فہرست پڑھیں جنہیں یہ تبدیل کرنے کا ارادہ رکھتا ہے، کیونکہ ان میں سے کچھ repository کے باہر موجود ہوتی ہیں۔ graft init idempotent ہے اور موجودہ configs کو overwrite نہیں کرتا، اس لیے اسے دوسری بار چلانا محفوظ ہے۔ واپس کرنے کے لیے graft uninstall، Graft کی لکھی ہوئی ہر file اور config entry ہٹا دیتا ہے، اور جب تک آپ -y نہ دیں یہ dry run رہتا ہے۔

اسی prompt میں telemetry checkbox بھی شامل ہے۔ Release 0.12.0 سے Graft default طور پر anonymous usage ping بھیجتا ہے: اس میں bucketed counts اور fixed labels ہوتے ہیں، آپ کا code، file paths یا repository name نہیں۔ Events زیادہ سے زیادہ روزانہ ایک بار post کیے جاتے ہیں، سوائے install event کے؛ npm کا postinstall hook اسے فوراً background sender کے حوالے کر دیتا ہے۔ graft init کے دوران box کا انتخاب ختم کریں، graft telemetry disable چلائیں، یا اسے بند کرنے کے لیے DO_NOT_TRACK=1 set کریں؛ یہ CI میں خود بھی بند ہو جاتا ہے۔ graft telemetry debug وہ batch دکھاتا ہے جو بھیجا جاتا، مگر اسے بھیجتا نہیں۔

0.21.1 میں یہ wiring Claude Code، Cursor، Codex، GitHub Copilot، Google Gemini، Kiro، Windsurf، Grok (xAI)، AdaL، Hermes Agent اور Google Antigravity کو cover کرتی ہے۔ Release 0.13.0 سے Hermes Agent ایک first-class graft init host ہے، اور pinned version میں graft init --agents hermes اور graft init --agents antigravity ان دونوں کو کسی بھی دوسرے host کی طرح select کرتے ہیں۔ Grok release 0.13.0 میں شامل ہوا اور اسے graft init --agents grok کے ذریعے select کیا جاتا ہے۔ Claude Code کو سب سے گہری integration ملتی ہے: ایک MCP server entry، graph size اور staleness دکھانے والی statusline، graph rebuild کرنے والے post-edit hooks، اور .claude/ کے تحت ایک skill file۔ باقی agents کو ایک instruction یا rule file ملتی ہے جو agent کو بتاتی ہے کہ یہ tools موجود ہیں؛ Hermes Agent اور Antigravity دونوں AGENTS.md section پڑھتے ہیں۔ Grok کو اپنی config میں MCP block بھی ملتا ہے۔ اس لیے "Supported" کا مطلب یہ ہے کہ Graft wiring لکھتا ہے؛ اگر کوئی agent اپنی rules file کو نظرانداز کرے گا تو map کو بھی نظرانداز کرے گا۔ یہی عام وجہ ہے کہ agents آپ کی لکھی ہوئی ہدایات کو نظرانداز کرتے ہیں، اور یہاں بھی یہی اصول لاگو ہوتا ہے۔

آپ کی repository میں کیا شامل ہوتا ہے، اور git سے کیا باہر رہتا ہے

graft init کے بعد آپ کو یہ چیزیں ملیں گی:

  • graft/: markdown node graph اور graft/.graph/wiring.json۔ یہ آپ کے لیے .gitignore میں شامل کر دیا جاتا ہے۔
  • .mcp.json: graft MCP server کو register کرتا ہے تاکہ Claude Code اسے شروع کرے۔
  • .claude/settings.json: موجودہ جگہ پر merge کیا جاتا ہے اور statusline اور post-edit hooks شامل کرتا ہے۔
  • AGENTS.md، GEMINI.md، .github/copilot-instructions.md، .cursor/rules/graft.mdc، .kiro/steering/graft.md، .windsurf/rules/graft.md، .grok/skills/graft/SKILL.md اور .adal/skills/graft/SKILL.md: marker-fenced sections، جو آپ کے منتخب کردہ agents سے مطابقت رکھنے والی files کے آخر میں شامل کیے جاتے ہیں۔
  • .grok/config.toml: repository سطح کا [mcp_servers.graft] block، جو صرف اس وقت لکھا جاتا ہے جب آپ Grok منتخب کریں۔
  • ~/.codex/config.toml، ~/.codex/hooks.json اور ~/.codex/hooks/graft/graft-hooks.cjs: پوری machine پر لاگو ہونے والی files، جو صرف اس وقت لکھی جاتی ہیں جب آپ Codex منتخب کریں اور ~/.codex/ پہلے سے موجود ہو۔ graft init --no-global انہیں چھوڑ دیتا ہے، جبکہ graft init --no-hooks صرف hook shim کو چھوڑ دیتا ہے۔

Graph ایک cache ہے، بالکل node_modules کی طرح۔ اسے commit نہ کریں۔ یہ code سے چند seconds میں دوبارہ بن جاتا ہے، تقریباً ہر edit کے بعد تبدیل ہوتا ہے، اور اسے commit کرنے سے ایک سطر کی fix کئی سو files کے diff میں تبدیل ہو جاتی ہے جسے کوئی reviewer نہیں پڑھے گا۔ اس کے بجائے wiring commit کریں، جن میں AGENTS.md اور .mcp.json بھی شامل ہیں۔ Teammate repository clone کرتا ہے، graft build چلاتا ہے، اور اپنا local graph حاصل کر لیتا ہے۔

اپنی پہلی commit سے پہلے تصدیق کریں کہ ignore rule شامل ہو چکا ہے:

grep -n graft .gitignore
git status --short

grep کو ایسی line دکھانی چاہیے جس میں graft/ شامل ہو، جبکہ git status --short کو graft/ کے تحت کچھ بھی list نہیں کرنا چاہیے۔ اگر graft/ کے تحت موجود files اس output میں دکھائی دیں تو اس کا مطلب ہے کہ ignore entry موجود نہیں یا کہیں اور سے override ہو رہی ہے۔ commit کرنے سے پہلے اسے درست کریں، کیونکہ git کسی file کے add ہو جانے کے بعد اس کی tracking جاری رکھتا ہے، اور بعد میں .gitignore کو edit کرنے سے وہ file untrack نہیں ہوتی۔

اگر آپ MCP server کو ہاتھ سے register کرنا چاہتے ہیں، یا اسے اسی version پر pin کرنا چاہتے ہیں جو آپ نے install کیا ہے، تو entry مختصر ہے:

{
  "mcpServers": {
    "graft": {
      "command": "npx",
      "args": ["-y", "@nanonets/graft@0.21.1", "mcp"]
    }
  }
}

وہ retrieval tools جنہیں آپ کا agent grep کے بجائے استعمال کرتا ہے

Graft، MCP کے ذریعے چھ tools فراہم کرتا ہے۔ graft_find_code کسی task description کے لیے file اور line کے ساتھ ranked nodes واپس کرتا ہے۔ graft_file_api کسی file میں موجود ہر signature کو bodies کے بغیر واپس کرتا ہے۔ graft_trace_calls callers یا callees کو کئی levels تک traverse کرتا ہے۔ graft_find_all regex matches کو symbol کے لحاظ سے گروپ کر کے واپس کرتا ہے۔ graft_repo_map کسی نامانوس repository کا ابتدائی جائزہ فراہم کرتا ہے۔ graft_check_freshness رپورٹ کرتا ہے کہ آیا graph اب بھی code سے مطابقت رکھتا ہے۔

ہر tool کا ایک CLI متبادل بھی ہے۔ اسی سے آپ دیکھ سکتے ہیں کہ آپ کے agent کو حقیقت میں کیا فراہم کیا جا رہا ہے:

graft map .
graft ask "where do we validate the refresh token"
graft skeleton src/auth/session.ts
graft callers validateRefreshToken
graft callers validateRefreshToken --direction out
graft grep "refresh_token" --json

graft ask کو file:line references کے ساتھ ranked nodes دکھانے چاہییں، نہ کہ file contents۔ یہی پورا طریقۂ کار ہے: agent کو ایک pointer ملتا ہے اور وہ درست file تلاش کرنے کے لیے دس files پڑھنے کے بجائے ایک file کھولتا ہے۔ اگر آپ خود graph دیکھنا چاہیں تو graft viz localhost پر interactive viewer کھولتا ہے۔ اگر graft ask کسی ایسے سوال کے لیے کوئی مفید نتیجہ نہ دے جس کا جواب آپ تیس seconds میں دے سکتے ہیں تو سوال کو نئے الفاظ میں لکھ کر دوبارہ نہ بھیجیں۔ Ranked retrieval سے نتائج رہ سکتے ہیں، اور project کی اپنی skill file کے مطابق کمزور hits کا مطلب ہے کہ graft grep، graft skeleton یا graft callers پر منتقل ہونا چاہیے۔ اگر وہاں بھی کافی نتائج نہ ملیں تو drift کی جانچ کریں (pinned 0.21.1 پر graft check .، اور 0.22 سے آگے graft build --check) اور تصدیق کریں کہ آپ کی language کس tier میں شامل ہے، کیونکہ stale graph یا broad-tier edges آپ کے agent کو اسی طرح ناکام کریں گے۔

ایک لاگت آسانی سے نظرانداز ہو جاتی ہے۔ پورے session کے ہر request کے system prompt میں چھ tool definitions شامل کی جاتی ہیں۔ آپ کو یہ لاگت اس وقت بھی ادا کرنی ہوتی ہے جب agent map استعمال نہ کرے۔ اگر repository اتنی چھوٹی ہو کہ context میں سما جائے تو یہ fixed charge اس exploration سے زیادہ ہو سکتا ہے جسے یہ بچاتا ہے۔

کوڈ تبدیل ہونے پر graph کے ساتھ کیا ہوتا ہے

Structural refresh سستا اور خودکار ہوتا ہے۔ Graft، git کے بجائے آپ کے working tree کو پڑھتا ہے، اس لیے ایسی edit جو آپ نے commit نہیں کی اور ایسی edit جسے آپ نے stage کیا ہے، اس کے لیے یکساں طور پر نظر آتی ہیں۔ ہر query پہلے working tree کی فائلوں کے metadata کی جانچ کرتی ہے اور صرف تبدیل شدہ فائلوں کو دوبارہ parse کرتی ہے۔ 0.21.1 docs کے مطابق، جب کچھ تبدیل نہ ہوا ہو تو یہ جانچ تقریباً 3 ms لیتی ہے؛ موجودہ README کے مطابق اس میں چند دسیوں milliseconds لگتے ہیں، اور project کی اپنی repository پر تقریباً 50 ms لگتے ہیں۔ turn کے اختتام پر rebuild صرف ان فائلوں کو process کرتا ہے جن میں code تبدیل ہوا ہو۔ GRAFT_NO_REFRESH=1 set کریں یا --no-refresh pass کریں تاکہ دوبارہ parsing کے بغیر disk پر موجود graph سے جواب حاصل کیا جا سکے۔ ہر چیز کو cold re-parse کرنے کے لیے --no-reuse pass کریں۔ Graft خود upgrade کرنے کے بعد یہی طریقہ استعمال کرنا چاہیے۔

Model کے ذریعے لکھی گئی جانب کا رویہ مختلف ہے، اور خاموشی سے خرابی عموماً اسی حصے میں پیدا ہوتی ہے۔ Summaries اور cruxes cache میں محفوظ ہوتے ہیں۔ ہر node اپنی sources کا content hash محفوظ کرتا ہے، اس لیے source file تبدیل ہونے پر node کو current ظاہر کرنے کے بجائے stale mark کیا جاتا ہے۔ یہ flag صرف اسی وقت مفید ہے جب کوئی اس پر عمل کرے۔ graft build --deep سے refresh کریں؛ اس عمل میں model tokens دوبارہ خرچ ہوتے ہیں۔

Staleness کو نمایاں کریں:

graft check .
echo $?

Pinned 0.21.1 میں exit status 0 کا مطلب ہے کہ graph code سے مطابقت رکھتا ہے، جبکہ exit status 1 drift کی نشاندہی کرتا ہے۔ 0.22 سے شروع کرتے ہوئے، graft check اس کے بجائے team learning کے ساتھ conflict پر 1 exit کرتا ہے، جبکہ drift gate graft build --check ہے؛ اس لیے pin تبدیل کرتے وقت command بھی تبدیل کریں۔ اسے pre-push hook سے چلائیں، تاکہ چھ ماہ پرانا map ایسے code کے بارے میں اعتماد سے جواب نہ دے جسے March میں rewrite کیا گیا تھا۔ 0.21.1 README، graft check کو local freshness signal کے طور پر بیان کرتا ہے، جبکہ موجودہ README CI کے لیے build --check درج کرتا ہے۔ دونوں صورتوں میں graft/ git-ignored ہے، اس لیے fresh CI checkout میں graph موجود نہیں ہوتا، جب تک job اسے build نہ کرے۔

شائع کردہ benchmark اعداد کو احتیاط سے پڑھیں

0.21.1 README میں نمایاں طور پر یہ لکھا تھا: "up to 4x cheaper and 3x faster, with better or no loss of correctness"۔ موجودہ README میں یہ سطر شامل نہیں ہے اور اس کے بجائے چھوٹے اعداد نمایاں کیے گئے ہیں: "Across 162 runs of the same agent on the same tasks: 32% lower cost, 42% fewer uncached input tokens, 60% less time, and the same share of correct answers." یہ اعداد project کے اپنے benchmarks سے حاصل ہوئے ہیں، جو اس کے README میں شائع کیے گئے ہیں۔ یہاں وہ دونوں runs مکمل طور پر دیے گئے ہیں جن کی یہ رپورٹ کرتا ہے۔

چارٹGraft's own published benchmark results, versus a no-map baseline, as of October 2026
اس چارٹ کے پیچھے کا ڈیٹا
[
  {
    "label": "Controlled sweep",
    "run_count": 162,
    "token_saving_pct": 42,
    "tool_call_saving_pct": 46,
    "correctness_pct": 93,
    "baseline_correctness_pct": 93
  },
  {
    "label": "SWE-bench Verified",
    "run_count": 50,
    "token_saving_pct": 23,
    "tool_call_saving_pct": 25,
    "correctness_pct": 66,
    "baseline_correctness_pct": 54
  }
]

controlled sweep میں دو repositories پر 162 runs شامل ہیں۔ ان میں سے ایک خود Graft کی repository ہے، اور ہر task کے لیے تین trials کیے گئے ہیں۔ اس میں uncached input tokens کی تعداد 42% کم اور tool calls کی تعداد 46% کم رپورٹ کی گئی ہے۔ SWE-bench Verified run میں 50 instances شامل ہیں۔ دونوں arms میں ایک ہی model استعمال کیا گیا، اور اس میں بچت کم رہی: tokens میں 23% اور tool calls میں 25%۔ PocketBase کے 15 tasks پر کیے گئے تیسرے run میں، جس میں دس developer questions اور پانچ reproduced merged pull requests شامل تھے، baseline کے 13.91 US dollars کے مقابلے میں کل لاگت 11.02 US dollars رہی۔

اس پوری معلومات کو vendor benchmark سمجھیں۔ دو عوامل اس کی افادیت محدود کرتے ہیں۔ controlled sweep میں Graft کی اپنی repository شامل ہے، یعنی وہی codebase جس کے مطابق اس کے authors نے tool کو tune کیا ہے۔ SWE-bench Verified معروف open-source Python projects کے issues پر مشتمل public dataset ہے۔ Public datasets وہ datasets ہوتے ہیں جن کے لیے tools optimize کیے جاتے ہیں، چاہے یہ جان بوجھ کر کیا گیا ہو یا نہیں۔ ان میں سے کوئی بھی آپ کے private monorepo کے بارے میں نتیجہ نہیں دیتا، کیونکہ اس کے naming conventions اور dead code الگ ہوتے ہیں۔

Correctness کو دوبارہ غور سے دیکھنا ضروری ہے۔ controlled sweep میں اس میں کوئی تبدیلی نہیں ہوئی: map کے ساتھ 93%، جبکہ map کے بغیر 93%۔ 54% سے 66% تک اضافہ صرف SWE-bench Verified میں نظر آتا ہے۔ اگر کوئی tool آپ کا token bill کم کرے اور quality برقرار رکھے تو یہ اب بھی اچھا trade-off ہے۔ لیکن SWE-bench کی correctness کو sweep کے token result پر لاگو نہ کریں اور دونوں کو ایک ہی claim کے طور پر پیش نہ کریں۔

اپنے token delta کی پیمائش کریں، پھر اس نتیجے پر یقین کریں

اہم واحد عدد آپ کے repository سے حاصل ہونے والا عدد ہے۔ اس طریقے میں ایک دوپہر لگتی ہے۔

ایسا task منتخب کریں جسے آپ بالکل اسی طرح دوبارہ چلا سکیں۔ سوال، edit سے بہتر ہے، کیونکہ edit repository کو تبدیل کر دیتا ہے اور دوسری run پھر وہی experiment نہیں رہتی۔ "login route پر rate limit نافذ کرنے والا module کون سا ہے؟" سوال کی درست ساخت ہے۔

telemetry فعال کریں اور اسے اپنے terminal پر بھیجیں:

export CLAUDE_CODE_ENABLE_TELEMETRY=1
export OTEL_METRICS_EXPORTER=console
claude

console exporter metric records کو collect ہوتے ہی print کرتا ہے۔ آپ کو claude_code.token.usage درکار ہے، جس میں type attribute کی قدر input، output، cacheRead یا cacheCreation ہوتی ہے۔ Orientation، input اور cacheRead میں ظاہر ہوتی ہے، کیونکہ file contents وہیں آتے ہیں۔ ان دونوں کو جمع کریں۔

map کو wired رکھتے ہوئے task کو تین بار چلائیں، ہر بار fresh session میں۔ پھر .mcp.json سے graft entry ہٹا کر مزید تین بار چلائیں۔ single runs کے بجائے medians کا موازنہ کریں، کیونکہ agent runs میں بہت زیادہ فرق ہوتا ہے اور ایک unlucky run آپ کو حقیقت کے برعکس نتیجہ دے سکتی ہے۔ tool-call count بھی record کریں: tool calls mechanism ہیں اور tokens effect ہیں۔ اس لیے tool calls میں کمی کے بغیر token saving کا مطلب ہے کہ کوئی اور چیز تبدیل ہوئی ہے۔

پھر وہ costs منہا کریں جو benchmark ظاہر نہیں کرتا۔ graft build --deep ہر full refresh پر model tokens خرچ کرتا ہے۔ چھ tool schemas ہر request کے ساتھ بھیجے جاتے ہیں۔ اگر آپ کے agents کرائے کے server پر چلتے ہیں تو agent کے اخراجات پر سخت حد مقرر کرنا اس صورتِ حال کو اچانک پیش آنے والے خرچ کے بجائے budget میں بدل دیتا ہے، اور coding agent کی telemetry حقیقت میں کیا report کرتی ہے یہ واضح کرتا ہے کہ exporter فعال کرنے کے بعد machine سے کیا باہر جاتا ہے۔

کوڈ بیس کا نقشہ کب مدد دینا بند کر دیتا ہے؟

  • ریپوزٹری پہلے ہی context میں سما جاتی ہے۔ کسی ایک چھوٹی service کو نقشے کی ضرورت نہیں ہوتی، اور ہر request پر آپ کو چھ tool schemas کی لاگت پھر بھی ادا کرنی پڑتی ہے۔ اگر آپ کا agent آج کسی بھی file کو ایک یا دو tool calls میں تلاش کر لیتا ہے تو اسے چھوڑ دیں۔
  • آپ کی language broad tier میں ہے۔ عمومی call edges کی وجہ سے graft callers کسی caller کو نظرانداز کر سکتا ہے یا نام کے تصادم سے غلط caller پیدا کر سکتا ہے۔ blast radius پر اعتماد کرنے سے پہلے graft grep سے تصدیق کریں۔
  • گراف پرانا ہو گیا ہے اور کسی کو معلوم نہیں ہوا۔ 0.21.1 میں graft check drift کی صورت میں exit code 1 دیتا ہے؛ 0.22 سے graft build --check ایسا کرتا ہے۔ یہ صرف اسی وقت مفید ہے جب کوئی اسے چلاتا ہو۔ اسے pre-push hook بنائیں، عادت پر انحصار نہ کریں۔
  • monorepo کو scoping درکار ہے۔ ایک single-git monorepo تقسیم نہیں ہوتا، لیکن graft build pnpm-workspace.yaml، package.json workspaces یا فی-package go.mod، pyproject.toml یا Cargo.toml سے sub-projects کا پتا لگاتا ہے اور انہیں ranking scopes کے طور پر استعمال کرتا ہے، جبکہ graft ask "..." --in services/billing/ query کو ایک sub-project تک محدود کرتا ہے۔ وہی سوچ جس کے تحت ہر package کے لیے nested AGENTS.md files رکھی جاتی ہیں، نقشے پر بھی لاگو ہوتی ہے۔
  • agent wiring کو نظرانداز کرتا ہے۔ یہ نتیجہ نکالنے سے پہلے کہ نقشہ استعمال ہو رہا ہے، حقیقی session میں tool calls دیکھیں۔ جو agent اب بھی grep چلا رہا ہو، وہ بتا رہا ہے کہ اس نے rules file کبھی نہیں پڑھی۔

FAQ

کیا graft/ فولڈر کو git میں commit کرنا چاہیے؟

نہیں۔ graft build خودکار طور پر .gitignore میں graft/ شامل کر دیتا ہے، کیونکہ یہ graph، node_modules کی طرح دوبارہ تیار کیا جانے والا cache ہے۔ یہ تقریباً ہر edit پر تبدیل ہوتا ہے، اس لیے اسے commit کرنے سے حقیقی diffs سینکڑوں generated files کے نیچے دب جاتے ہیں۔ اس wiring کو commit کریں جو agents کو بتاتی ہے کہ map موجود ہے؛ ان میں AGENTS.md اور .mcp.json شامل ہیں۔ ہر teammate کو مقامی طور پر graft build چلانے دیں۔ پہلے commit سے قبل grep -n graft .gitignore اور git status --short سے تصدیق کریں، کیونکہ git کسی file کو add کیے جانے کے بعد اسے track کرتا رہتا ہے، اور اس کے بعد .gitignore میں edit کرنے سے اس کی tracking ختم نہیں ہوتی۔

کیا Graft چلانے پر رقم خرچ ہوتی ہے؟

structural حصہ خرچ کے بغیر ہے۔ graft build، graft ask، graft check اور چھ tools، جو MCP retrieval کے لیے ہیں، tree-sitter operations ہیں اور کبھی model کو call نہیں کرتے۔ graft build --deep paid حصہ ہے۔ یہ LLM کے ذریعے plain-English summaries اور ہر symbol کے cruxes لکھتا ہے۔ اسے GRAFT_PROVIDER، GRAFT_API_KEY اور GRAFT_MODEL سے configure کیا جاتا ہے، جبکہ کسی بھی OpenAI-compatible endpoint کے لیے GRAFT_BASE_URL استعمال ہوتا ہے۔ آپ Graft کو صرف structure کے ساتھ چلا سکتے ہیں اور graph پر کوئی token خرچ نہیں کریں گے۔

codebase map میرے repository میں حقیقتاً کتنی بچت کرے گا؟

پیمائش کے بغیر کوئی یہ نہیں بتا سکتا۔ project اپنی 162-run sweep میں، بغیر map والے baseline کے مقابلے میں، uncached input tokens میں 42% کمی رپورٹ کرتا ہے۔ SWE-bench Verified پر tokens میں 23% کمی رپورٹ ہوئی۔ یہ دونوں vendor benchmarks ہیں۔ ان میں سے ایک جزوی طور پر Graft کے اپنے repository پر چلایا گیا ہے، اور کوئی بھی آپ کے private code کی نمائندگی نہیں کرتا۔ ایک ہی repeatable سوال map کے ساتھ تین بار اور map کے بغیر تین بار چلائیں۔ اس دوران CLAUDE_CODE_ENABLE_TELEMETRY=1 اور OTEL_METRICS_EXPORTER=console set ہوں۔ پھر input اور cacheRead اقسام کے لیے claude_code.token.usage کی median کا موازنہ کریں۔

refactor کرنے پر graph کا کیا ہوتا ہے؟

structure خود دوبارہ parse ہو جاتا ہے۔ Graft working tree کا جائزہ لیتا ہے اور صرف تبدیل شدہ files کو دوبارہ parse کرتا ہے، اس لیے rename اگلی query پر شامل ہو جاتا ہے۔ جب کچھ منتقل نہ ہوا ہو تو یہ check 0.21.1 میں تقریباً 3 ms اور موجودہ release میں چند دسیوں milliseconds لیتا ہے۔ یہ uncommitted work بھی دیکھتا ہے، کیونکہ یہ git history کے بجائے files پڑھتا ہے۔ model کے ذریعے لکھی گئی summaries پرانی ہو سکتی ہیں۔ ہر node اپنے sources کا content hash محفوظ کرتا ہے، اور source تبدیل ہونے پر node کو stale mark کرتا ہے، اسے دوبارہ لکھتا نہیں۔ drift کے لیے check کریں: 0.21.1 پر graft check . اور 0.22 سے graft build --check۔ پھر لکھی ہوئی half کو refresh کرنے کے لیے graft build --deep چلائیں۔

آج کون سے coding agents Graft استعمال کر سکتے ہیں؟

pinned 0.21.1 میں graft init، Claude Code، Cursor، Codex، GitHub Copilot، Google Gemini، Kiro، Windsurf، Grok (xAI)، AdaL، Hermes Agent اور Google Antigravity کے لیے wiring فراہم کرتا ہے۔ کل گیارہ hosts ہیں۔ changelog میں Hermes Agent کو 0.13.0 سے first-class host کے طور پر درج کیا گیا ہے، اور pinned release میں hermes اور antigravity عام --agents ids ہیں۔ Claude Code کو سب سے زیادہ integration ملتی ہے: .mcp.json میں MCP server entry، ایک statusline، post-edit hooks، اور .claude/ کے تحت ایک skill file۔ Codex کو AGENTS.md section کے علاوہ ~/.codex/ کے تحت machine-wide entries بھی ملتی ہیں، جنہیں graft init --no-global skip کرتا ہے۔ Grok کو .grok/config.toml میں ایک skill file اور MCP block ملتا ہے۔ Hermes Agent اور Antigravity AGENTS.md section پڑھتے ہیں، جبکہ باقی agents کو rules یا steering file ملتی ہے۔ کوئی بھی دوسرا MCP client command npx -y @nanonets/graft@0.21.1 mcp register کر کے server براہِ راست استعمال کر سکتا ہے۔

کیا یہ مضمون مفید تھا؟