AI agents شروع سے سیکھنے کا 6 مراحل والا راستہ

چھ مراحل کا راستہ

AI agents کو شروع سے سیکھنے کے لیے چھ مراحل ترتیب سے مکمل کریں: تصورات، آپ کا پہلا loop، tools، memory، loop design، اور safety۔ ہر مرحلے میں ایک چیز اپنے ہاتھ سے بنانی ہے۔ آگے کے مراحل پر جلدی جانے کی سب سے عام وجہ یہ ہوتی ہے کہ لوگ رک جاتے ہیں، کیونکہ framework عین اس حصے کو چھپا دیتا ہے جسے آپ کو دیکھنا ضروری تھا۔

AI agent ایک language model کے گرد بنا ہوا loop ہے جسے tools کال کرنے کی اجازت ہوتی ہے۔ یہی پورا موضوع ہے۔ اس کے بعد کی ہر بات loop میں شامل اجزا، tools کی رسائی، اور خرابی کی صورت میں loop روکنے کے طریقے کی تفصیل ہے۔ اگر آپ یہ loop کسی دوسرے شخص کو سمجھا سکتے ہیں تو آپ نے بنیادی بات سیکھ لی ہے۔ اگر آپ صرف frameworks کے نام بتا سکتے ہیں تو آپ نے یہ موضوع نہیں سیکھا۔

ذیل کا منصوبہ اس مفروضے پر مبنی ہے کہ آپ بنا کر سیکھتے ہیں۔ ایک مرحلہ پڑھیں، چھوٹی چیز بنائیں، اسے جان بوجھ کر خراب کریں، پھر اگلے مرحلے پر جائیں۔ جس مرحلے کو آپ نے صرف پڑھا ہے، اسے آپ نے مکمل نہیں کیا۔

مرحلہ 1 سے پہلے آپ کو حقیقت میں کیا درکار ہے

ضروریات کی اصل فہرست مختصر ہے، اور زیادہ تر کورس صفحات میں بتائی گئی فہرست سے بھی مختصر ہے۔

• آپ پچاس سطروں کے اسکرپٹ کی سطح تک Python یا TypeScript پڑھ اور لکھ سکتے ہیں۔
• آپ Linux shell میں کام کرنے سے مانوس ہیں: package install کرنا، file edit کرنا، اور log پڑھنا۔
• آپ کے پاس hosted model کے لیے API key ہے، یا ایسی machine ہے جو local model چلا سکتی ہے۔

یہ پوری فہرست ہے۔ آپ کو machine learning کی تھیوری جاننے کی ضرورت نہیں، اور نہ ہی آپ کے لیے model train کرنا ضروری ہے۔ agent کے کام میں gradients یا training data شامل نہیں ہوتے۔ graphics card صرف اس صورت میں اہم ہے جب آپ model خود چلانے کا فیصلہ کریں۔ یہ ایک الگ مہارت ہے، جسے آپ بعد میں VPS پر Ollama کی میزبانی کرکے LLM کو خود ہوسٹ کرنا سے سیکھ سکتے ہیں۔

لوگ shell کے حصے کو کم اہم سمجھتے ہیں۔ Agents permissions، paths، environment variables، اور خاموشی سے بند ہو جانے والے processes کی وجہ سے ناکام ہوتے ہیں۔ اگر PATH یا file mode سے متعلق stack trace دیکھ کر آپ terminal بند کر دیتے ہیں، تو پہلے Linux کی بنیادی باتوں پر ایک ہفتہ گزاریں۔ اس سے بعد میں آپ کا ایک مہینہ بچ جائے گا۔

مرحلہ 1: ایجنٹ کیا ہے، اور کیا نہیں ہے

ایک API کال سے شروع کریں اور کوئی loop استعمال نہ کریں۔ ایک prompt بھیجیں، reply پرنٹ کریں، اور response میں token counts دیکھیں۔ اب آپ لاگت کی اکائی اور تاخیر کی اکائی سمجھ گئے ہیں۔

پھر tool use سیکھیں، جو اس پورے شعبے میں واقعی نیا واحد تصور ہے۔ آپ model کو ایک function کا نام، وضاحت، اور اس کے inputs کے لیے JSON (JavaScript object notation) schema فراہم کرتے ہیں۔ model خود کچھ نہیں چلاتا۔ وہ ایک structured request کے ذریعے جواب دیتا ہے: ان arguments کے ساتھ run_command کو call کریں۔ آپ کا code function چلاتا ہے، اس کا output ایک message کے طور پر واپس بھیجتا ہے، اور model سے دوبارہ پوچھتا ہے۔ model ایک planner ہے جو text پڑھتا اور text لکھتا ہے۔ آپ کا code وہ حصہ ہے جس کے پاس عملی کارروائی کی صلاحیت ہے۔

chatbot ایک reply کے بعد رک جاتا ہے۔ agent اس تبادلے کو اس وقت تک دہراتا ہے جب تک model tools کے لیے مزید درخواستیں کرنا بند نہ کر دے۔ یہی مکمل فرق ہے، اور اسی لیے failure modes بھی مختلف ہوتے ہیں۔ chatbot ایک بار غلط جواب دیتا ہے۔ agent کسی کے نوٹس کرنے سے پہلے کئی بار غلط جواب پر کارروائی کرتا ہے۔

مرحلہ 2: لوپ خود ایک بار لکھیں

کسی framework سے شروع نہ کریں۔ Python کی تقریباً تیس لائنیں خود لکھیں تاکہ اس پروگرام کی ساخت آپ کی اپنی ہو۔

sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-here

import subprocess
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "run_command",
    "description": "Run a read only shell command and return its output.",
    "input_schema": {
        "type": "object",
        "properties": {"command": {"type": "string"}},
        "required": ["command"],
    },
}]

messages = [{"role": "user", "content": "How much disk space is free here?"}]

while True:
    response = client.messages.create(
        model="claude-opus-5",
        max_tokens=4096,
        tools=tools,
        messages=messages,
    )
    if response.stop_reason != "tool_use":
        break
    messages.append({"role": "assistant", "content": response.content})
    results = []
    for block in response.content:
        if block.type == "tool_use":
            done = subprocess.run(
                block.input["command"], shell=True,
                capture_output=True, text=True, timeout=10,
            )
            results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": done.stdout or done.stderr,
            })
    messages.append({"role": "user", "content": results})

print(next(b.text for b in response.content if b.type == "text"))

اسے python3 agent.py کے ذریعے چلائیں۔ کامیاب execution میں ایک پیراگراف پرنٹ ہوتا ہے جس میں آپ کے filesystems اور ان کی خالی جگہ کا ذکر ہوتا ہے۔ اس کی وجہ یہ ہے کہ model نے df -h طلب کیا، آپ کے code نے اسے چلایا، اور دوسرے مرحلے نے اس table کو ایک جملے میں تبدیل کر دیا۔ اگر کچھ بھی پرنٹ نہ ہو تو loop کسی text block کے آنے سے پہلے ختم ہو گیا۔ loop کے اندر print(response.stop_reason) شامل کریں اور values کو تبدیل ہوتے دیکھیں۔

اب جان بوجھ کر خرابی پیدا کریں۔ tool_use_id والی line حذف کریں اور error پڑھیں، کیونکہ matching id کے بغیر tool result کو API مسترد کر دیتی ہے، اور یہ beginners کی سب سے عام غلطی ہے۔ ایسا سوال پوچھیں جس کے لیے دو commands درکار ہوں، اور دیکھیں کہ loop دو بار چلتا ہے۔ کوئی ناممکن سوال پوچھیں، اور دیکھیں کہ یہ یا تو کوشش ترک کر دیتا ہے یا ہمیشہ چلتا رہتا ہے۔

اس مثال کے بارے میں ایک انتباہ۔ یہ shell=True کے ذریعے model کے output کو براہ راست shell میں بھیجتی ہے۔ ایسی scratch machine پر، جسے آپ دوبارہ بنا سکتے ہوں، یہ قابل قبول ہے؛ باقی ہر جگہ یہ غلط ہے۔ Stage 6 میں اسے درست کیا گیا ہے۔ loop کے تحت موجود تصورات کی مزید تفصیل VPS پر اپنا AI agent بنانا میں دی گئی ہے۔

مرحلہ 3: وہ tools جو agent کے پاس پہلے سے موجود نہیں تھے

آپ کا run_command tool کام کرتا ہے، لیکن ایک حقیقی agent کو ایسے tools درکار ہوتے ہیں جو محدود ماحول سے باہر موجود systems تک رسائی حاصل کریں: ایک ticket system، ایک database، اور ایک repository۔ ہر service کے لیے، اور ہر agent کے لیے، الگ bespoke wrapper لکھنا قابلِ توسیع طریقہ نہیں ہے۔

Model Context Protocol (MCP) وہ حل ہے جس پر industry نے اتفاق کیا ہے۔ ایک MCP server معیاری transport کے ذریعے tools کا ایک مجموعہ فراہم کرتا ہے، اور کوئی بھی MCP aware agent اسے custom glue کے بغیر استعمال کر سکتا ہے۔ reference filesystem server کے لیے صرف ایک command درکار ہے:

npx -y @modelcontextprotocol/server-filesystem /home/you/projects

اس کے لیے Node انسٹال ہونا چاہیے، اور directory argument ہی وہ واحد path ہے جسے server استعمال کرے گا۔ یہ security model کی مختصر مثال ہے: boundary کا فیصلہ model نہیں بلکہ server کرتا ہے۔ کسی client کو اس server سے جوڑنے پر آپ کے agent کو files پڑھنے اور لکھنے کی صلاحیت مل جاتی ہے، حالانکہ آپ نے اس کے لیے code نہیں لکھا۔ ان servers کو درست طریقے سے، service account کے تحت، اور transport کے اختیارات کی وضاحت کے ساتھ چلانے کا طریقہ AI coding agents کے لیے VPS پر MCP servers چلانا میں بیان کیا گیا ہے۔

اس مرحلے کا سبق یہ ہے کہ tool design ہی اصل کام ہے۔ مبہم description model کو اندازہ لگانے پر مجبور کرتی ہے۔ جو tool چالیس ہزار characters واپس کرے، وہ context window کو خراب کر دیتا ہے۔ جو tool چیزیں delete کر سکتا ہو، وہ آخرکار چیزیں delete کرے گا۔

مرحلہ 4: میموری، جو زیادہ تر صرف فائلیں ہوتی ہے

ابتدائی صارفین یہاں vector database استعمال کرتے ہیں۔ ایسا نہ کریں، کم از کم ابھی نہیں۔

ایک agent کے پاس calls کے درمیان میموری نہیں ہوتی۔ آپ ہر بار پوری conversation دوبارہ بھیجتے ہیں، اسی لیے طویل session میں ہر turn کی لاگت مختصر session کے مقابلے میں زیادہ ہوتی ہے۔ اس لیے میموری کے دو مسائل ہیں۔ پہلا مسئلہ یہ ہے کہ اس وقت context window میں کیا سما سکتا ہے۔ آپ اسے summarising، پرانے tool output کو مختصر کرنے، اور اپنے prompt کے مستحکم ابتدائی حصے کو caching کے ذریعے manage کرتے ہیں، تاکہ اس حصے کی قیمت کا صرف ایک حصہ ادا کرنا پڑے۔ دوسرا مسئلہ یہ ہے کہ restart کے بعد کیا باقی رہتا ہے، اور وہ storage ہے۔

دوسرے مسئلے کے لیے، ایک سادہ markdown file جسے agent پڑھ اور لکھ سکے، تقریباً ہر پہلے project میں vector database سے بہتر ہے۔ اسے ایک file دیں، format بتائیں، اور کہیں کہ کام شروع کرنے سے پہلے یہ file پڑھے اور کچھ سیکھنے پر اسے update کرے۔ آپ کو زیادہ تر فائدہ حاصل ہو جاتا ہے، اور آپ file کھول کر دیکھ سکتے ہیں کہ آپ کا agent کیا سمجھتا ہے۔ جب notes context window میں سما نہ سکیں، تب embeddings اور retrieval استعمال کریں؛ اس سے پہلے نہیں۔

مرحلہ 5: لوپ ہی پروڈکٹ ہے

اب تک آپ ایسا agent بنا سکتے ہیں جو آپ کی نگرانی میں کام کرتا ہے۔ مرحلہ 5 میں اسے اس وقت کام کرنے کے قابل بنانا ہے جب آپ موجود نہ ہوں۔

چار سوال یہ طے کرتے ہیں کہ unattended agent کو بغیر نگرانی چھوڑنا محفوظ ہے یا نہیں۔ اسے کیا trigger کرتا ہے، تاکہ یہ بے وجہ نہ چلے۔ یہ کس boundary کے اندر کام کرتا ہے، تاکہ غلطی محدود رہے۔ نتیجے کی verification کیسے کی جاتی ہے، کیونکہ جو agent اپنا homework خود grade کرتا ہے وہ ہمیشہ کامیاب قرار پاتا ہے۔ کون سا budget اسے روکتا ہے، tokens میں یا wall clock time میں۔ ان چاروں چیزوں کو دانستہ طور پر design کرنا وہ discipline ہے جسے loop engineering اور اس تعریف میں شامل امور میں بیان کیا گیا ہے۔

مشق: اپنے stage 2 agent کو لیں، اسے ایسا task دیں جس کے لیے چار یا پانچ steps درکار ہوں، اور hard iteration cap شامل کریں۔ پھر cap ہٹا دیں اور دیکھیں کہ unbounded loop آپ کے token bill پر کیا اثر ڈالتا ہے۔ یہ کام ایک بار small budget پر کریں، تاکہ بڑے budget پر یہ غلطی سے نہ ہو۔

مرحلہ 6: حفاظت، رازدارانہ معلومات، اور لاگت

یہ مرحلہ اختیاری نہیں ہے۔ یہ آخر میں صرف اس لیے آتا ہے کہ جب تک آپ کوئی کام کرنے والی چیز تیار نہ کر لیں، خطرہ محسوس نہیں کر سکتے۔

ایجنٹ کو اس کے اپنے غیر مراعات یافتہ صارف کے طور پر چلائیں۔ اسے کبھی root یا اپنے اکاؤنٹ کے طور پر نہ چلائیں، تاکہ نقصان کا دائرہ پوری مشین کے بجائے ایک directory تک محدود رہے۔ اسناد کو model کی رسائی سے باہر رکھیں، کیونکہ context window میں موجود ہر چیز کو tool call کے ذریعے دوبارہ نقل کیا جا سکتا ہے۔ اس کا حل یہ ہے کہ اپنے AI agents سے رازدارانہ معلومات باہر رکھنا میں بیان کردہ helper کے پیچھے مختصر مدت کے tokens محدود دائرۂ کار کے ساتھ استعمال کیے جائیں۔ اخراجات کی سخت زیادہ سے زیادہ حد مقرر کریں، کیونکہ بغیر نگرانی کے loop ہر iteration کا بل بناتا ہے۔ اخراجات کو قابل انتظام رکھنے والی caps اور batching کی تفصیل ہمیشہ فعال VPS پر AI agent کی لاگت کا کنٹرول میں موجود ہے۔

لاگت کے لیے ایک ٹھوس عدد ضروری ہے۔ July 2026 تک، Claude Opus 5 ہر million input tokens کے لیے $5 اور ہر million output tokens کے لیے $25 وصول کرتا ہے۔ گفتگو کو بار بار بڑھتے ہوئے conversation کے ساتھ دوبارہ بھیجنے والا chatty agent ایک ہی task کے دوران چند سو thousand tokens استعمال کر سکتا ہے۔ Prompt caching اور معمول کے مراحل کے لیے چھوٹا model، کسی بھی prompt tweak کے مقابلے میں اس حساب کو کہیں زیادہ بدل دیتے ہیں۔

Prompt injection بھی اسی مرحلے کا حصہ ہے۔ اگر آپ کا agent کوئی web page، issue tracker، یا inbox پڑھتا ہے، تو وہ متن لکھنے والا شخص آپ کے agent کے لیے instructions بھی لکھ رہا ہے۔ دفاع زیادہ ذہین system prompt نہیں ہے۔ دفاع boundary ہے، کیونکہ جو agent کسی repository کو delete نہیں کر سکتا، اسے اسے delete کرنے پر آمادہ نہیں کیا جا سکتا۔

آپ کو کون سا نقشۂ راہ اختیار کرنا چاہیے؟

ایک نصاب منتخب کریں اور چھ مختلف نصاب آزمانے کے بجائے اسے مکمل کریں۔ Microsoft ai-agents-for-beginners repository سب سے مکمل مفت ذریعہ ہے۔ یہ اٹھارہ اسباق پر مشتمل course ہے اور July 2026 تک اسے 70,000 سے زیادہ stars مل چکے ہیں۔ یہ اوپر بیان کیے گئے مراحل کے ساتھ آسانی سے مطابقت رکھتا ہے۔ trending agent repositories کے roundups یہ دیکھنے کے لیے مفید ہیں کہ کیا دستیاب ہے، لیکن syllabus کے طور پر کم مفید ہیں۔ اس کی وجہ یہ ہے کہ stars کے لحاظ سے ترتیب دی گئی فہرست popularity کے مطابق ہوتی ہے، teaching order کے مطابق نہیں۔

جب آپ مشق کے لیے کسی حقیقی project کا انتخاب کرنا چاہیں تو coding agent بہترین پہلا ہدف ہے۔ اس میں feedback فوری ملتا ہے، tools واضح ہوتے ہیں، اور غلطیوں کو واپس درست کرنا آسان ہوتا ہے۔ VPS پر coding AI agent چلانا میں ایک agent کو end to end چلانے کا طریقہ بیان کیا گیا ہے۔ اگر آپ zero سے build کرنے کے بجائے کام کرنے والے systems کا مطالعہ کرنا چاہیں تو بہترین self hosted AI agents میں دیا گیا comparison دکھاتا ہے کہ کئی projects اسی loop کو مختلف طریقوں سے کیسے حل کرتے ہیں۔

اس میں کتنا وقت لگتا ہے؟

جو شخص پہلے سے پروگرامنگ کرتا ہو، اس کے لیے مراحل 1 اور 2 ایک شام میں مکمل ہو جاتے ہیں۔ مرحلہ 3 ایک ہفتے کے آخر میں مکمل ہوتا ہے۔ اس کے زیادہ تر وقت میں پروٹوکول کے بجائے ٹولز کی وضاحتیں تیار کرنا شامل ہوتا ہے۔ مراحل 4 اور 5 میں حقیقی استعمال کے چند ہفتے لگتے ہیں، کیونکہ آپ صرف اپنے agent کو بھولتے ہوئے دیکھ کر ہی سیکھتے ہیں کہ وہ کیا بھولتا ہے۔ مرحلہ 6 کبھی مکمل طور پر ختم نہیں ہوتا، کیونکہ آپ جو بھی نئی صلاحیت دیتے ہیں، وہ اس مرحلے کو دوبارہ کھول دیتی ہے۔

مسلسل دو ماہ شام کے وقت کام کرنے سے زیادہ تر لوگ ایک فعال، محدود دائرۂ کار والا اور مفید agent تیار کر لیتے ہیں۔ جو لوگ ایک سال لگاتے ہیں، وہ عموماً بنانا شروع کرنے کے بجائے پڑھتے رہتے ہیں۔

FAQ

کیا AI agent بنانے کے لیے machine learning جاننا ضروری ہے؟

نہیں۔ Agent بنانے کا مطلب API کے ذریعے model کو کال کرنا اور اس کی tool requests کو حقیقی functions کے ساتھ مربوط کرنا ہے۔ یہ عام application programming ہے۔ آپ کو training، gradients یا datasets سے براہِ راست واسطہ نہیں پڑتا۔ آپ کے agent کے کام کرنے کا فیصلہ کرنے والی مہارتوں میں tools کے لیے schema design، error handling اور Linux permissions شامل ہیں۔ Machine learning theory صرف اس وقت متعلقہ ہوتی ہے جب آپ model کو fine tune کرنے کی طرف جائیں۔ یہ مختلف تقاضوں والا الگ کام ہے۔

کیا مجھے LangChain یا CrewAI جیسے framework سے آغاز کرنا چاہیے؟

پہلے ایک raw loop خود لکھیں، پھر framework اپنائیں۔ Framework، stage 2 کی تیس line کو configuration object سے بدل دیتا ہے۔ یہ اس وقت سہولت فراہم کرتا ہے جب آپ جانتے ہوں کہ اس نے کس چیز کو بدلا ہے، لیکن اس سے پہلے الجھن پیدا کر سکتا ہے۔ جب آپ کا agent غلط طرزِ عمل دکھائے تو آپ کو message list اور tool results کو براہِ راست سمجھنا پڑتا ہے۔ اگر آپ نے انہیں پہلے کبھی نہ دیکھا ہو تو یہ کام کہیں زیادہ مشکل ہوتا ہے۔ اپنا ایک loop لکھنے کے بعد framework طریقۂ کار کو چھپانے کے بجائے آپ کا وقت بچاتا ہے۔

AI agents سیکھنے پر کتنا خرچ آتا ہے؟

اگر آپ خرچ کی حد مقرر کریں تو توقع سے کم خرچ آتا ہے۔ Hosted API key اور ایک چھوٹا VPS ان تمام چھ stages کے لیے کافی ہیں۔ اصل خطرہ فی گھنٹہ شرح نہیں، بلکہ ایسا بے حد loop ہے جو آپ کے سوتے وقت ہر iteration کا بل بناتا رہے۔ پہلے ہی دن اپنے API account پر سخت spend limit مقرر کریں، اپنے لکھے ہوئے ہر loop میں iteration cap شامل کریں، اور معمول کے مراحل کے لیے کم قیمت model استعمال کریں۔ Model کو مقامی طور پر چلانے سے token bill ختم ہو جاتا ہے، لیکن اس کے بدلے hardware درکار ہوتا ہے۔

AI agent اور chatbot میں کیا فرق ہے؟

Chatbot ایک بار جواب دیتا ہے۔ Agent ایک cycle دہراتا ہے: model کسی tool کی درخواست کرتا ہے، آپ کا code اسے چلاتا ہے، result واپس بھیجا جاتا ہے، اور model فیصلہ کرتا ہے کہ اگلا قدم کیا ہونا چاہیے۔ یہی تکرار agent کو کئی مراحل پر مشتمل task مکمل کرنے کے قابل بناتی ہے۔ اسی وجہ سے agents کو ایسی حدود درکار ہوتی ہیں جو chatbots کے لیے ضروری نہیں ہوتیں۔ Chatbot کا غلط جواب ایک خراب paragraph ہوتا ہے۔ Agent کا غلط جواب ایک خراب paragraph کے ساتھ وہ کارروائی بھی ہوتی ہے جو اس نے اس کے بارے میں کی۔