AI agents شروع سے سیکھنے کا 6 مراحل والا راستہ

چھ مراحل میں راستہ

AI agents کو ابتدا سے سیکھنے کے لیے چھ مراحل ترتیب سے مکمل کریں: بنیادی تصورات، اپنا 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 ہے کہ framework اسی حصے کو چھپا دیتا ہے جسے آپ کے لیے دیکھنا ضروری تھا۔

AI agent دراصل ایک language model کے گرد بنایا گیا ایسا loop ہے جسے tools call کرنے کی اجازت ہو۔ یہی پورا موضوع ہے۔ اس کے بعد کی ہر بات اس تفصیل سے متعلق ہے کہ loop میں کیا شامل ہوتا ہے، tools کن چیزوں تک رسائی حاصل کر سکتے ہیں، اور غلطی ہونے پر loop کو کیسے روکا جاتا ہے۔ اگر آپ یہ loop کسی دوسرے شخص کو سمجھا سکتے ہیں تو آپ نے اصل چیز سیکھ لی ہے۔ اگر آپ صرف frameworks کے نام بتا سکتے ہیں تو آپ نے اسے نہیں سیکھا۔

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

مرحلہ 1 سے پہلے درکار اصل چیزیں

ضروریات کی حقیقی فہرست مختصر ہے، اور زیادہ تر course pages میں دی گئی فہرست سے بھی مختصر ہے۔

• آپ پچاس سطروں کی script کی سطح تک Python یا TypeScript پڑھ اور لکھ سکتے ہیں۔
• آپ Linux shell میں پُراعتماد ہیں: package install کرنا، file edit کرنا، اور log پڑھنا۔
• آپ کے پاس hosted model کے لیے API key ہے، یا ایسا machine ہے جو local model چلا سکتا ہے۔

بس یہی مکمل فہرست ہے۔ آپ کو machine learning theory کی ضرورت نہیں، اور نہ ہی آپ کے لیے model train کرنا ضروری ہے۔ Agent development میں gradients یا training data شامل نہیں ہوتے۔ Graphics card صرف اس وقت اہم ہوتا ہے جب آپ model خود چلانے کا فیصلہ کریں۔ یہ ایک الگ skill ہے جسے آپ بعد میں VPS پر Ollama host کر کے LLM کو self-host 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 fail ہوتے ہیں۔ اگر PATH یا file mode سے متعلق stack trace دیکھ کر آپ terminal بند کر دیتے ہیں تو پہلے Linux basics پر ایک weekend صرف کریں۔ اس سے بعد میں آپ کا ایک ماہ کا وقت بچے گا۔

مرحلہ 1: agent کیا ہے، اور کیا نہیں ہے

ایک API call سے شروع کریں اور کوئی loop استعمال نہ کریں۔ ایک prompt بھیجیں، reply print کریں، اور response میں token counts دیکھیں۔ اب آپ cost کی اکائی اور latency کی اکائی سمجھ چکے ہیں۔

اس کے بعد tool use سیکھیں، جو پورے شعبے میں واقعی نیا واحد تصور ہے۔ آپ model کے لیے ایک function کو name، description، اور اس کے inputs کے لیے JSON (JavaScript object notation) schema کے طور پر بیان کرتے ہیں۔ model خود کچھ نہیں چلاتا۔ یہ ایک structured request کے ساتھ جواب دیتا ہے: ان arguments کے ساتھ run_command call کریں۔ آپ کا code function چلاتا ہے، output کو 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 عمل کرنے کی صلاحیت ہے۔ جب آپ designs کا موازنہ شروع کرتے ہیں تو اس تبادلے میں آپ کی طرف موجود code کا ایک نام ہوتا ہے: یہ agent harness ہے، یعنی loop، tools اور permissions کا وہ مجموعہ جو ایسے model کے گرد رکھا جاتا ہے جس کے اپنے کوئی permissions نہیں ہوتے۔

chatbot ایک reply کے بعد ختم ہو 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 پورا فرق ہے، اور اسی لیے failure modes بھی مختلف ہوتے ہیں۔ chatbot ایک بار غلط جواب دیتا ہے۔ agent کے غلط جواب پر کوئی توجہ دینے سے پہلے وہ کئی بار کارروائی کر سکتا ہے۔

مرحلہ 2: loop خود ایک بار لکھیں

کسی framework سے شروع نہ کریں۔ Python کی تقریباً تیس سطریں 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 ساتھ چلائیں۔ کامیاب execution میں ایک پیراگراف دکھائی دیتا ہے جس میں آپ کے filesystems اور ان کی free space کا ذکر ہوتا ہے، کیونکہ model نے df -h طلب کیا، آپ کے code نے اسے چلایا، اور دوسرے pass نے اس table کو ایک جملے میں تبدیل کر دیا۔ اگر کچھ بھی دکھائی نہ دے تو loop کسی text block کے آنے سے پہلے ختم ہو گیا ہے۔ 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 loop کو دو بار چلتے دیکھیں۔ کوئی ناممکن سوال پوچھیں اور دیکھیں کہ یہ ہار مانتا ہے یا ہمیشہ چلتا رہتا ہے۔

اس example کے بارے میں ایک انتباہ۔ یہ model output کو shell=True کے ذریعے براہ راست shell میں بھیجتا ہے۔ ایسی مشین پر یہ قابل قبول ہے جسے آپ دوبارہ بنا سکتے ہوں، لیکن باقی تمام جگہوں پر یہ غلط ہے۔ Stage 6 میں اس مسئلے کو درست کیا جائے گا۔ loop کے بنیادی concepts 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 حقیقی agent کو ایسے tools درکار ہوتے ہیں جو نظام سے باہر موجود سروسز تک رسائی حاصل کریں: ticket system، database، repository۔ ہر service اور ہر agent کے لیے الگ bespoke wrapper لکھنا قابلِ توسیع طریقہ نہیں ہے۔

صنعت نے Model Context Protocol (MCP) کو اس مسئلے کا حل تسلیم کیا ہے۔ MCP server معیاری transport کے ذریعے tools کا ایک مجموعہ فراہم کرتا ہے، اور کوئی بھی MCP سے باخبر 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 نصب ہونا چاہیے، اور directory argument ہی وہ واحد path ہے جسے server استعمال کرے گا۔ یہی اس security model کی بنیادی شکل ہے: حد server متعین کرتا ہے، model نہیں۔ کسی client کو اس server کی طرف متوجہ کریں، اور آپ کے agent کو files پڑھنے اور لکھنے کی وہ صلاحیت مل جاتی ہے جس کے لیے آپ نے خود code نہیں لکھا۔ ان servers کو درست طریقے سے، service account کے تحت اور transport کے انتخاب کی وضاحت کے ساتھ چلانے کا طریقہ AI coding agents کے لیے VPS پر MCP servers چلانا میں بیان کیا گیا ہے۔ ایسے دوسرے server کے لیے جو scratch directory کے بجائے حقیقی data کی طرف متوجہ ہو، openGym کو self-host کرنا، workout tracker ایک read only server فراہم کرتا ہے۔ اس طرح آپ agent کو ایسی کوئی صلاحیت دیے بغیر اپنی training history کے بارے میں سوالات پوچھنے کی مشق کر سکتے ہیں جس سے وہ کچھ خراب کر سکے۔

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

مرحلہ 4: memory، جو زیادہ تر صرف files پر مشتمل ہوتی ہے

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

agent کے پاس calls کے درمیان memory 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 memory دو مسائل میں تقسیم ہو جاتی ہے۔ پہلا مسئلہ یہ ہے کہ اس وقت context window میں کیا سما سکتا ہے۔ اسے summarising، پرانے tool output کو مختصر کرنے، اور اپنے prompt کے مستحکم ابتدائی حصے کو cache کرنے سے manage کیا جاتا ہے، تاکہ اس حصے کی قیمت کا صرف ایک حصہ ادا کرنا پڑے۔ دوسرا مسئلہ یہ ہے کہ restart کے بعد کیا باقی رہتا ہے۔ یہ storage ہے۔

دوسرے مسئلے کے لیے تقریباً ہر پہلے project میں ایک سادہ markdown file، جسے agent پڑھ اور لکھ سکتا ہو، vector database سے بہتر ہے۔ اسے ایک file دیں، format بتائیں، اور کہیں کہ شروع کرنے سے پہلے اس file کو پڑھے اور کچھ سیکھنے پر اسے update کرے۔ اس طرح 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 تو 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 آپ کی عدم موجودگی میں کام کرنے کے قابل بنانا ہے۔

چار سوالات طے کرتے ہیں کہ unattended agent کو اکیلا چھوڑنا محفوظ ہے یا نہیں۔ اسے کیا trigger کرتا ہے، تاکہ یہ بے مقصد نہ چلے۔ یہ کس boundary کے اندر کام کرتا ہے، تاکہ غلطی محدود رہے۔ نتیجے کی تصدیق کیسے کی جاتی ہے، کیونکہ جو agent اپنے ہی کام کی جانچ کرے وہ ہمیشہ کامیاب قرار پاتا ہے۔ کون سا budget اسے روکتا ہے، چاہے یہ tokens میں ہو یا wall clock time میں۔ ان چاروں پہلوؤں کو سوچ سمجھ کر design کرنا ہی loop engineering اور اس تعریف کے دائرۂ کار میں بیان کردہ discipline 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 تجربہ پہلے چھوٹے budget پر کریں، تاکہ بڑی لاگت والے budget پر یہ غلطی سے نہ ہو۔

مرحلہ 6: safety، secrets، اور لاگت

یہ مرحلہ اختیاری نہیں ہے۔ یہ آخر میں صرف اس لیے آتا ہے کہ کسی کام کرنے والی چیز کی تعمیر سے پہلے آپ خطرے کو محسوس نہیں کر سکتے۔

agent کو اپنے الگ unprivileged user کے طور پر چلائیں، کبھی root یا اپنے ذاتی account کے طور پر نہیں۔ اس طرح نقصان کا دائرہ پوری machine کے بجائے ایک directory تک محدود رہتا ہے۔ credentials کو model کی رسائی سے باہر رکھیں، کیونکہ context window میں موجود ہر چیز کو tool call کے ذریعے دوبارہ quote کیا جا سکتا ہے۔ اس کا حل scoped، مختصر مدت کے tokens ہیں، جنہیں ایک helper کے پیچھے رکھا جائے، جیسا کہ اپنے AI agents سے secrets کو باہر رکھنا میں بیان کیا گیا ہے۔ خرچ کی ایک سخت حد مقرر کریں، کیونکہ unattended loop ہر iteration پر اس وقت بھی bill بناتا ہے جب کوئی نگرانی نہ کر رہا ہو۔ اسے قابو میں رکھنے والی caps اور batching کی وضاحت ہمیشہ جاری VPS پر AI agent کی لاگت کو قابو میں رکھنا میں موجود ہے۔

اگر آپ کا agent اپنی لکھی ہوئی script کے بجائے کسی harness کے اندر چلتا ہے تو اس مرحلے کا کچھ حصہ code کے بجائے configuration ہوگا۔ انسٹال کرنے کے قابل DeepSeek Harness plugins میں budget caps، tool permission rules اور injection scanning کے ذریعے اسی نوعیت کے بہت سے انتظامات شامل ہیں۔

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

Prompt injection بھی اسی مرحلے کا حصہ ہے۔ اگر آپ کا agent web page، issue tracker یا inbox پڑھتا ہے تو جس شخص نے وہ متن لکھا ہے، وہ آپ کے agent کے لیے instructions بھی لکھ رہا ہے۔ Web search عموماً وہ tool ہوتا ہے جو سب سے پہلے یہ راستہ کھولتا ہے۔ agent کو اپنی SearXNG instance کی طرف بھیجنا اس کی wiring اور پیدا ہونے والے injection surface کو ساتھ ساتھ دکھاتا ہے۔ دفاع کوئی زیادہ clever system prompt نہیں ہے۔ اصل دفاع boundary ہے، کیونکہ جو agent repository delete نہیں کر سکتا، اسے repository delete کرنے پر آمادہ نہیں کیا جا سکتا۔

آپ کو کون سا نقشہ اختیار کرنا چاہیے؟

ایک ہی نصاب منتخب کریں اور اسے مکمل کریں؛ چھ مختلف نصابوں سے تھوڑا تھوڑا نہ پڑھیں۔ Microsoft ai-agents-for-beginners repository سب سے مکمل مفت ذریعہ ہے۔ یہ 18 اسباق پر مشتمل کورس ہے، جسے July 2026 تک 70,000 سے زیادہ stars مل چکے ہیں، اور یہ اوپر بیان کیے گئے مراحل سے واضح طور پر مطابقت رکھتا ہے۔ مقبول agent repositories کے مجموعے یہ دیکھنے کے لیے مفید ہیں کہ کیا کچھ دستیاب ہے، لیکن نصاب کے طور پر ان کی افادیت بہت کم ہے، کیونکہ stars کے لحاظ سے ترتیب دی گئی فہرست تدریسی ترتیب کے بجائے مقبولیت کے لحاظ سے مرتب ہوتی ہے۔

جب آپ مشق کے لیے کسی حقیقی project کا انتخاب کرنا چاہیں تو coding agent بہترین ابتدائی ہدف ہے: 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 مکمل طریقہ شروع سے آخر تک بیان کیا گیا ہے۔ اگر آپ صفر سے system بنانے کے بجائے پہلے سے کام کرنے والے systems کا مطالعہ کرنا چاہتے ہیں تو بہترین self-hosted AI agents میں موجود موازنہ 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 programming کرتا ہو، اس کے لیے مراحل 1 اور 2 ایک شام میں مکمل ہو جاتے ہیں۔ مرحلہ 3 ایک ہفتے کے آخر تک مکمل ہوتا ہے۔ اس کا زیادہ تر وقت protocol کے بجائے tools کی وضاحتوں پر صرف ہوتا ہے۔ مراحل 4 اور 5 میں حقیقی استعمال کے چند ہفتے لگتے ہیں، کیونکہ آپ صرف اسی وقت سیکھتے ہیں کہ آپ کا agent کیا بھولتا ہے جب آپ اسے بھولتے ہوئے دیکھتے ہیں۔ مرحلہ 6 کبھی مکمل طور پر ختم نہیں ہوتا، کیونکہ آپ جو بھی نئی capability دیتے ہیں، وہ اس مرحلے کو دوبارہ کھول دیتی ہے۔

دو ماہ تک مسلسل شامیں صرف کرنے سے زیادہ تر لوگ ایک کام کرنے والا، محدود دائرۂ کار کا اور مفید agent تیار کر لیتے ہیں۔ جو لوگ ایک سال لگاتے ہیں، عموماً وہی ہوتے ہیں جو بنانے 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 call کرنا اور اس کی tool requests کو حقیقی functions سے جوڑنا ہے، جو عام application programming ہے۔ آپ کو training، gradients یا datasets سے براہِ راست واسطہ نہیں پڑتا۔ آپ کے agent کے کام کرنے یا نہ کرنے کا فیصلہ tool schema design، error handling اور Linux permissions جیسی مہارتیں کرتی ہیں۔ Machine learning theory صرف اس وقت متعلقہ بنتی ہے جب آپ model کو fine tune کرنے کی طرف جائیں، جو مختلف تقاضوں والا الگ کام ہے۔

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

پہلے ایک raw loop خود لکھیں، پھر framework اختیار کریں۔ Framework stage 2 کی تیس lines کو configuration object سے بدل دیتا ہے۔ یہ تب 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 درست کام نہ کرے 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 زیادہ مشکل ہو جاتا ہے۔ اپنی ایک loop لکھنے کے بعد framework mechanism چھپانے کے بجائے آپ کا وقت بچاتا ہے۔

AI agents سیکھنے پر کتنا خرچ آتا ہے؟

اگر آپ حد مقرر رکھیں تو توقع سے کم خرچ آتا ہے۔ Hosted API key اور ایک چھوٹا VPS ان چھ stages کی تمام ضروریات پوری کرتے ہیں۔ اصل خطرہ hourly rate نہیں بلکہ وہ بے حد loop ہے جو آپ کے سوتے وقت ہر iteration کا bill بناتا رہتا ہے۔ پہلے دن ہی اپنے API account پر hard spend limit مقرر کریں، ہر loop میں iteration cap شامل کریں، اور معمول کے steps کے لیے سستا model استعمال کریں۔ Model کو مقامی طور پر چلانے سے token bill ختم ہو جاتا ہے، لیکن اس کے بدلے hardware کی ضرورت پڑتی 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 جاتا ہے، اور model فیصلہ کرتا ہے کہ اگلا قدم کیا ہونا چاہیے۔ یہی تکرار agent کو کئی steps پر مشتمل task مکمل کرنے کے قابل بناتی ہے۔ اسی وجہ سے agents کو ایسی boundaries درکار ہوتی ہیں جن کی chatbots کو ضرورت نہیں ہوتی۔ 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 ہو۔