مصنف: اڈی اوسمانی (Anthropic Claude Code ٹیم، مشہور ٹیکنالوجی آرکیٹیکٹ)
ترجمہ: شن چاؤ ٹیک فلو
شین چاؤ کا خلاصہ: ایجنٹ ورک فلوز کے مکمل اطلاق کے ساتھ، سافٹ ویئر انجینئرز اور پروڈکٹ ٹیمیں انسان اور مشین کے تعاون کے نمونے میں شدید تبدیلی کا تجربہ کر رہی ہیں۔ جس وقت پہلے سوالوں اور جوابوں کے درمیان سوچ کا ایک تھا، وہ اب صرف چند سیکنڈ میں دب گیا ہے؛ جبکہ بڑے ماڈلز زیادہ حقیقی اور زیادہ درست ہوتے جا رہے ہیں، واضح غلطیاں تیزی سے کم ہو رہی ہیں، لیکن لوگ خوشگوار تسلیم کرنے کے جذبے میں "认知投降" کی طرف بڑھ رہے ہیں، جس سے نظاماتی سمجھ اور بنیادی صلاحیتیں بے خبرانہ طور پر تیزی سے کم ہو رہی ہیں۔
گوگل کروم کے سابق انجینئر ہیڈ اور موجودہ Anthropic Claude Code ٹیم کے مرکزی رکن اڈی اوسمنی اس مضمون میں “认知卸载”، “推迟判断” اور “认知投降” کے درمیان لکیری تبدیلی کا جامع تجزیہ پیش کرتے ہیں۔ وہ نہ صرف سسٹم کی سمجھ کے قرض کے پوشیدہ ت tích کے طریقے کو تفصیل سے سمجھاتے ہیں، بلکہ روزمرہ کے کام کے عمل کے لیے عملی اور دفاعی تحریر اور مقابلہ کرنے والے سوالات کا ایک سٹریٹجی پیش کرتے ہیں، اور یہ واضح کرتے ہیں کہ حتیٰ کہ AI کی فتح کا احتمال زیادہ ہو تو بھی انسانوں کو ذمہ داری کی حدود اور تنقیدی سوچ کی صلاحیت کو مضبوطی سے برقرار رکھنا ضروری ہے۔
کبھی زمانہ تھا جب اسکولوں میں تنقیدی سوچ کو نئی معلومات کے ساتھ متواضع حیرت اور معتدل شک کے ساتھ پیش آنے کے طور پر پڑھایا جاتا تھا: تمام نظریات کو شامل کرنا، سب سننا، اور آخرکار اپنا اپنا مستقل خیال تشکیل دینا۔ یہ اصول آج بھی درست ہے، لیکن اب، جب میری روزمرہ کی زیادہ تر کام کی ذمہ داریاں ایجینٹس (Agents) پر چھوڑ دی گئی ہیں، تو واقعی میں تقریباً کچھ بھی مجھے تنقیدی سوچ استعمال کرنے پر مجبور نہیں کرتا۔
جس طرح کے انجینئرز اور پروڈکٹ میں نے اب تک ایجنٹ ورک فلو کو مکمل طور پر اپنا لیا ہے، روزمرہ کے کاموں میں متعدد سیشنز کو متوازی طور پر چلا رہے ہیں، اور ماڈل کی پرفارمنس کے مستقل بہتر ہونے کا انتظار کر رہے ہیں، میں ان سب کو پہلے ہی بتانا چاہتا ہوں کہ میں خود بھی اس قسم کے ٹولز کا سخت حامی ہوں۔ میں نے یہ مضمون لکھنا اس لیے نہیں کہ لوگوں کو ایجنٹ ورک فلو کے استعمال کو کم کرنے کی ترغیب دوں۔
میرا بنیادی مقصد یہ ہے کہ اس دنیا میں جہاں کوئی بھی چیز آسانی سے ایجنٹس کو آؤٹ سورس کی جا سکتی ہے، آپ کو اپنی تنقیدی سوچ کو مضبوطی سے برقرار رکھنے میں مدد کروں۔
گزشتہ زمانے میں، انسانی تعرّف کی اکثریت اور خوبصورتی کے جائزے، سوالات اور جوابات کے درمیان خالی جگہ میں پروان چڑھتے تھے۔ لیکن آج، اس خالی جگہ کا پیمانہ صرف کچھ سیکنڈز میں کم ہو گیا ہے۔ جتنا آپ ایجنٹ ورک فلو کا استعمال کرتے ہیں، اتنی ہی آرام سے بیدار رہنا مشکل ہو جاتا ہے (اگ尽管 اس مشکل کا انداز عام توقعات سے مختلف ہو سکتا ہے): جب مدلز مسلسل بہتر ہوتے جاتے ہیں، تو واضح طور پر بیوقوف غلطیوں کا تناسب بڑھ جاتا ہے۔ زیادہ تر پیدا شدہ نتائج بہت عمدہ اور تقریباً درست طریقے سے لکھے جاتے ہیں، لیکن بالکل بے عیب لگنے والی اس عمدگی کی وجہ سے، لوگ دوبارہ نہیں دیکھنا چاہتے۔
اگرچہ آپ ایک ساتھ کئی بار智能体 چلا رہے ہوں، لیکن آخر میں نتائج کا جائزہ لینے والا صرف آپ کی اپنی دو آنکھیں ہیں۔
آپ کو اپنے روزمرہ کے عمل میں جان بوجھ کر تنقیدی سوچ کو شامل کرنا ہوگا، کیونکہ ڈیفالٹ حالت میں کوئی بیرونی طاقت آپ کے لیے نگرانی نہیں کرے گی۔
لوگوں کے خود کو درست کرنے میں دشواری کا ایک حصہ یہ ہے کہ ایجنٹ ورک فلو کا تجربہ بہت ہی خوشگوار ہے۔ بھرے ہوئے کام کے دن میں، ایک معقول، آرام دہ اور تقریباً درست جواب حاصل کرنا بہت آرام دہ ہوتا ہے؛ لیکن یہی وجہ ہے کہ لوگ مکمل طور پر احتیاط چھوڑ دیتے ہیں اور ہار مان لیتے ہیں۔
اٹارنا، تاخیر اور شناختی ہار
جب میں اس ظاہر کے بارے میں اپنے ہم پیشہ سے بات کرتا ہوں، تو میں اسے ایک مسلسل سپیکٹرم کے طور پر پیش کرتا ہوں:
سب سے اوپر کا "认知卸载" (Cognitive Offloading) ہے، جس میں مخصوص اور پیچیدہ کاموں کو AI کو سونپ دیا جاتا ہے، لیکن انسان خود نتیجے کے لیے مکمل مالکانہ حق اور ذمہ داری برقرار رکھتا ہے۔ میں اپنے پورے دن اسی کو کرتا ہوں، آپ بھی ایسا کرنا چاہیں۔
سپیکٹرم کے درمیان میں "فیصلہ کو تاخیر دینا" (Deferral) ہے، جہاں ٹول کی جانب سے پیدا کیا گیا نتیجہ آپ کے اگلے مرحلے کا نیا ان پٹ بن جاتا ہے، اور پیداوار کو کسی تصدیق کے قابل فرضیہ کے طور پر نہیں سمجھا جاتا۔
سب سے نیچے سپیکٹرم پر، "شناختی سلمان" (Cognitive Surrender) ہوتا ہے: AI کا آؤٹ پٹ آہستہ آہستہ آپ کی اپنی تجویز بن جاتا ہے، اور آپ خود بخود اس کی تصدیق کرنے کی ضرورت نہیں سمجھتے۔
"认知投降" اس ترمیم کو وٹن سکول کے اسٹیون شا اور جیڈیون نیو نے پیش کیا ہے۔ یہ مکمل طور پر میری حالیہ مشاہدات کو درست طور پر ظاہر کرتا ہے: جیسے جیسے ٹولز پر بھروسہ بڑھتا ہے (یا سستی پیدا ہوتی ہے)، لوگ اس سپیکٹرم پر بے خبرانہ طور پر نیچے کی طرف جاتے ہیں۔
یہ سلائیڈنگ اکثر بہت پوشیدہ اور مشاہدہ کرنا مشکل ہوتی ہے، کیونکہ اس کا ہر مرحلہ تدریجی طور پر پیش آتا ہے اور اس وقت منطقی لگتا ہے: آپ نے پچھلے جواب کو تفصیل سے پڑھا، اس لیے اگلی بار آپ صرف تھوڑا سا جائزہ لیتے ہیں؛ اس کے بعد، آپ صرف ساختی خاکہ کو ایک نظر سے دیکھتے ہیں؛ جب تک کہ ایک دن، جب کوئی دوسر شخص آپ کو کوڈ کی ایک لائن کی طرف اشارہ کرتا ہے اور سوال کرتا ہے، تو آپ کو احساس ہوتا ہے کہ آپ خود بھی اس کے بنیادی منطق کو وضاحت نہیں کر سکتے، حتیٰ کہ اگر آپ AI کی مدد لیں۔
یہ ایک مثالی جان بوجھ کر تسلیم کرنا ہے۔ یہی “شناختی قرض” (Cognitive Debt) کا خاموش طور پر جمع ہونے کا ذریعہ ہے۔ یہ قرض عام طور پر اس وقت ظاہر ہوتا ہے جب آپ سسٹم کے جامع ذہنی ماڈل کو فعال کرنے کی کوشش کرتے ہیں، لیکن پاتے ہیں کہ آپ کے دماغ میں کچھ نہیں ہے۔
ماگریٹ-آن اسٹوری نے ایک مضمون میں اشارہ کیا ہے کہ یہ ٹیم کے تعاون میں مشترکہ سسٹم کے نظریے کی سمجھ کے لگاتار نقصان کے طور پر ظاہر ہوتا ہے۔ میں نے بھی کوڈ کے سطح پر اس کے مقابلہ کے بارے میں لکھا ہے، جسے "سمجھ کا قرض" (Comprehension Debt) کہا جاتا ہے (یہ اصطلاح جیرمی ٹوئی نے پیش کی)۔ روزمرہ کوڈ لکھتے وقت، یہ قرض مکمل طور پر نظر نہیں آتا: کوڈ بیس صاف اور شاندار لگتا ہے، اور تمام آٹومیٹڈ ٹیسٹس سب گرین ہوتے ہیں۔ تاہم، جب کسی سسٹم کو آرکیٹیکچرل سطح پر دوبارہ ڈیزائن کرنے کی ضرورت پڑتی ہے، تو سب ایک دوسرے کو دیکھنے لگتے ہیں: ٹیم میں کوئی بھی اس سسٹم کو حقیقت میں نہیں سمجھتا۔ اسی طرح کا مسئلہ آپ کے اس وقت بھی پیدا ہوتا ہے جب آپ صرف اسٹریٹجک پلان یا ٹیکنیکل اسپیفکیشن کے فہرست کو ایک نظر دیکھ کر دستخط کر دیتے ہیں۔
یہ واضح ہے کہ میں ایک غیر عملی مثال پرستی کی ترغیب نہیں دے رہا۔ انجینئرز کو اپنے ذہن میں مکمل جدید کوڈ بیس کا ایک مکمل ذہنی ماڈل برقرار رکھنا ناممکن ہے۔ کلاؤڈ کوڈ ٹیم نے پہلے ہی علنی طور پر اعلان کیا ہے کہ وہ اب “ضرورت کے مطابق سمجھ کو دوبارہ تعمیر کرنے” کی حکمت عملی اپنا رہے ہیں: جب کسی ماڈیول میں تبدیلی کی ضرورت ہو، تو وہ مکمل تصویر کو ذہن میں برقرار رکھنے کے بجائے، کلاؤڈ کو اس حصے کے منطق کو فوراً سمجھانے کے لیے مدعو کرتے ہیں۔
جیسا کہ میں نے پہلے اشارہ کیا تھا، اس قسم کی مقامی سمجھ کا بوجھ اکثر انجینئرز کی تصور کیے گئے سے زیادہ آسانی سے درست کیا جا سکتا ہے۔ اگر آپ کو جب بھی ضرورت ہو، مقامی سطح پر سمجھ کو دوبارہ تعمیر کرنے کی صلاحیت حاصل ہو، تو آپ کو مکمل تصویر کو مستقل طور پر برقرار رکھنے کی ضرورت نہیں ہے۔ لیکن بنیادی بات یہ ہے: آپ کو اپنے اپنے اندھے نکات کو واضح طور پر جاننا چاہیے۔
جب آپ کسی ایسی چھوٹی بات پر فیصلہ کر رہے ہوں جس کا غلطی کا خرچ بہت کم ہو، تو آپ فیصلہ کرنے کا پورا اختیار دے سکتے ہیں۔ لیکن جب آپ کسی اہم مسئلے کا سامنا کر رہے ہوں، یا یہاں تک کہ ایجنٹ بھی اس کے بنیادی جواب کو نہ سمجھ پائے، تو آپ نے حقیقت میں پورے نظام کا مالکانہ حق ختم کر دیا ہے۔
بالکل، اس کا مطلب یہ نہیں کہ ہر صورت حال میں ہمیں خوفزدہ ہونا چاہیے۔ تھوڑے ہی عرصہ پہلے، مجھے ایک کورس ریکارڈ کرنے کی ضرورت تھی اور تین ایسے ہوٹلز میں سے ایک کا انتخاب کرنا تھا جن کے ریٹنگ تقریباً ایک جیسے تھے۔ میرے پاس وقت نہیں تھا کہ میں لاکھوں صارفین کے جائزے دیکھوں، اس لیے میں نے اس فیصلے کو بالکل ایک AI کو سونپ دیا۔ نتیجہ بہت مطمئن کن تھا، اگلی بار میرے سامنے اس جیسا منظر آئے تو میں پھر بھی اسی طرح کروں گا۔
لیکن، جب بھی مرکزی اثاثوں کی سرمایہ کاری، بچوں کے کیریئر کی منصوبہ بندی، یا کام پر یہ فیصلہ کرنا ہو کہ کون سی فنکشن ترقی دی جائے، تبدیلی کس حقیقی صارفین کو متاثر کرے گی، اور کوڈ محفوظ طور پر لائیو ہونے کے معیار تک پہنچ گیا ہے یا نہیں، میں کبھی بھی فیصلہ کرنے کا اختیار کسی اور کو نہیں دوں گا۔ جہاں غلطی کا اخراج کم ہو، وہاں آپ آزادانہ طور پر منتقلی کر سکتے ہیں؛ لیکن جہاں دوسرے نتائج کا ادھار لینے پر مجبور ہوں، وہاں آپ کو انسانی منطق کے استدلال کو سختی سے برقرار رکھنا چاہئے۔
میں خود سے پوچھنے والا بنیادی سوال
جب میں اپنے خیالات میں اندھیرا محسوس کرتا ہوں، تو میں عام طور پر ایک بہت سادہ بنیادی سوالات کی فہرست پر واپس آ جاتا ہوں: کیسے جانتا ہوں کہ میں درست مسئلہ حل کر رہا ہوں؟ کیسے جانتا ہوں کہ میں درست حل کا طریقہ اپنا رہا ہوں؟ کیا میرے نتائج کی تائید کے لیے کوئی واضح، عینی شواہد موجود ہیں؟ میں کیسے تصدیق کرتا ہوں کہ یہ کام مکمل طور پر ختم ہو چکا ہے؟ زیادہ تر مواقع پر، یہ صرف جرنلزم کے مشہور پانچ سوالات (کون، کیا، کہاں، کیوں، کب اور کیسے) ہیں۔ کاغذ پر لکھنے پر، وہ بچوں جیسے بےوقوف لگتے ہیں، لیکن وہ آپ کو ان عام طور پر نظر انداز کیے جانے والے اندھیرے پہلوؤں سے نکال کر دیکھنے پر مجبور کرتے ہیں۔
اس عصر میں، لوگ اس تمام دردناک سوچ کو چھوڑ کر براہ راست ایجنٹ سے پوچھنے لگے ہیں کہ "آپ کو کیا لگتا ہے کہ میں کیا کروں؟" اس لیے، میں نے ایجنٹس کے عصر کے لیے اپنی ایک نئی تفکر کی فہرست تیار کی ہے:
سوال پوچھنے سے پہلے، کیا میں نے اپنا ابتدائی فرضیہ تیار کر لیا ہے؟ کسی بھی غیر تفصیلی کام کو ایجنٹ کے ذریعے شروع کرنے سے پہلے، میں خود کو اپنے دماغ میں (یا نوٹ پر) اس بات کا اظہار کرنے پر مجبور کرتا ہوں کہ ممکنہ جواب کیسے ہو سکتا ہے۔ چاہے یہ صرف ایک خراب اور ادھورا اندازہ ہی کیوں نہ ہو۔ نئی معلومات دیکھنے کے بعد، آپ کے پاس ہمیشہ اپنا خیال بدلنے اور اسے مسترد کرنے کا حق ہوتا ہے۔ لیکن جب آپ کسی بہت ہی شاندار اور بہترین طریقے سے تخلیق کردہ جواب کو پڑھ لیتے ہیں، تو آپ کے لیے کسی اور امکان کا خيال کرنا مشکل ہو جاتا ہے۔ اگر آپ کے پاس کوئی شروعاتی خیال نہ ہو، تو تھارق شیہپر کے "انڈر-کنون نکالنے والے سوالات" کا استعمال کرنے کی کوشش کریں: جو بھی آپ جانتے ہیں، اسے مکمل طور پر سامنے رکھ دیں، اور ماڈل سے صرف وہ چیزیں تلاش کروائیں جو آپ نہیں جانتے۔
• کیا میں اسے اپنے سوچنے میں مدد کے لیے استعمال کر رہا ہوں، یا کیا میں اپنے سوچنے کا مکمل عمل اس پر سونپ رہا ہوں؟ دونوں موڈز کی اجازت ہے، لیکن اہم بات یہ ہے کہ آپ کو مکمل طور پر جاگنے کی ضرورت ہے اور آپ کو یہ واضح طور پر جاننا چاہیے کہ آپ اب کس حالت میں ہیں۔
• اس منصوبے کو مکمل طور پر ناکام کرنے کے لیے کن شرائط ضروری ہیں؟ اسے واضح کرنے کے بعد، فوراً عملی طور پر جانچ کریں۔ ماڈل کا اپنے جواب کی پیمانے کا خود جائزہ لینا، آپ کے ذریعہ ایک حقیقی ٹیسٹ چلانے کے مقابلے میں بہت کم مفید ہے، اس لیے اس کے لیے ایک حقیقی جانچ کا ٹیسٹ طے کریں۔
• کیا میں نے اپنے خلاف نظریات کو سنا ہے؟ جب میں کسی کھلے سوال پر مضبوط موقف اختیار کرتا ہوں، تو میں ماڈل سے یہ مانگتا ہوں کہ وہ میرے لیے ایک تنقیدی مخالف کے طور پر کام کرے اور اس موقف کے خلاف مضبوط ترین اعتراضات کی فہرست تیار کرے۔ یہ ضروری طور پر میرے فیصلے کو منسوخ کرنے کے لیے نہیں ہے، بلکہ اس لیے ہے کہ میں اپنے آپ کو ان نقصانات والے اندھے نکات کا سامنا کرواؤں جن پر میں اچھی صورتحال میں غیر خودآگاہانہ طور پر توجہ نہیں دیتا۔
• اگر مجھے اس نتیجے کے لیے اپنی طرف سے دفاع کرنا پڑے، تو میں کیا کہوں؟ براہ راست اسکرین بند کر دیں اور اپنے کولیگ کو اس منصوبے کو اپنی زبان میں سمجھائیں۔ اگر آپ خود کو بولتے ہوئے الجھتے ہوئے محسوس کریں، تو اس کا مطلب ہے کہ آپ اسے ابھی تک بالکل نہیں سمجھے، اور آپ صرف AI کا ایک مکینیکل میڈیم بن چکے ہیں۔
ایکٹو ریڈنگ اور پاسیو ریڈنگ
پاسیو ریڈنگ موڈ میں، آپ کا دماغ صرف مقررہ متن کے ساتھ مکینیکل طور پر گھس رہا ہوتا ہے اور معلومات کے بہاؤ کو پاسیو طور پر قبول کر رہا ہوتا ہے۔ چونکہ اسٹائل کے مطابق لکھے گئے متن عام طور پر بہت ہی بہترین، رچنا کے لحاظ سے مکمل اور نہایت درست ہوتے ہیں، اس لیے پاسیو ریڈنگ کے اس ماحول میں آپ کو یہ غلط فہمی ہو جاتی ہے کہ آپ نے اس کے جوہر کو بالکل سمجھ لیا ہے۔ اس کا مطلب یہ ہے جیسے آپ ٹیکنالوجی کانفرنس میں ایک بہترین سپیکر کو ایک بہترین آرکیٹیکچر کا عمل دیکھ رہے ہوں، آپ سامنے بیٹھ کر سر ہلائیں جا رہے ہوں اور اسے معمول سمجھ رہے ہوں، لیکن جب آپ ہوٹل واپس جا کر خالی ایڈیٹر کھولتے ہیں تو آپ پاتے ہیں کہ آپ ایک بھی لائن کوڈ نہیں لکھ سکتے۔
فعال پڑھنا ایک ایسا جائزہ لینے کا عمل ہے جو مخالفانہ فرضیات پر مبنی ہوتا ہے۔ یہ صرف اس بات پر توجہ دیتا ہے کہ متن میں کیا لکھا گیا ہے، بلکہ یہ سخت سوالات کرتا ہے: اسے یہاں کیوں لکھا گیا؟ اس نے کن بنیادی مشکلات کو نظرانداز کیا؟ اس نے ایک دوسرے حل کے بجائے اس حل کو کیوں ترجیح دیا؟
میں عام طور پر ایجنٹ کی طرف سے تیار کردہ لمبے منصوبوں کو دو بہت واضح اور تنقیدی نظریات کے ساتھ پڑھتا ہوں:
سب سے پہلے وہ “گمشدہ سیاق و سباق” تلاش کریں: اس کی پیش فرض کیا ہے؟ کیا یہ کچھ کنارے کے معاملات کو نظرانداز کر رہا ہے؟ جب دو ضروریات میں تنازعہ ہو، تو یہ کس اصول کے بنیاد پر میرے لیے خاموشی سے فیصلہ کرتا ہے؟
دوسرے، فعال طور پر "مقابلہ کرنے والے سوالات" پوچھیں: اگر ایک ساتھ درخواستوں کی تعداد اچانک دس گناہ بڑھ جائے، تو یہ ڈیزائن کیسے تباہ ہو جائے گا؟ اگر تیسری طرف کی بیرونی انحصار والی سروسیں تین منٹ کے لیے بند ہو جائیں، تو سسٹم میں کیا سلسلہ وار آفات پیدا ہوں گی؟ موجودہ جوابات کو بے حرکت پڑھنے کے بجائے، اس پر دباؤ ٹیسٹ کرنے کے لیے اپنے ہاتھوں میں جراحی کا چاقو اٹھائیں۔
ایجینٹ کے ذریعے پڑھیں
ایجینٹ صرف لمبے مضامین لکھنے کے لیے نہیں، بلکہ آپ کی گہری تنقیدی پڑھائی میں مدد کرنے کے لیے بھی تربیت دی جا سکتے ہیں۔ اس کا کلیدی نقطہ یہ ہے کہ آپ صرف اسے خوش کن نتائج نہیں دیں، بلکہ اسے پیچھے کے اختلافات اور شکافوں کو ظاہر کرنے کے لیے مجبور کریں:
آپ اسے دو مخالفانہ آرکیٹیکچر ڈیزائنز کے درمیان کراس ایکسامینیشن کرنے کے لیے استعمال کر سکتے ہیں، جس میں دونوں طرف کے مساوی مصالحے کو نکالا جائے؛ آپ اسے ایک سخت کوڈ ریویوور کے طور پر کھیلنا سکھا سکتے ہیں جو صرف اس قسم کے کوڈ کو ہی تلاش کرتا ہے جو ٹیسٹ پاس کرتا ہے لیکن مستقبل میں مینٹیننس کے لیے جال ڈالتا ہے؛ آپ اسے ایک لمبے متن کے بعد تین تفصیلات کو تصادفی طور پر منتخب کرنے اور ان کے بارے میں آپ سے پوچھنے کے لیے بھی مجبور کر سکتے ہیں تاکہ یہ جانچا جا سکے کہ آپ نے حقیقت میں متن کو سمجھا ہے یا نہیں۔
ایجینٹ کو سوچ کا تیز کرنے والا ٹول بنائیں، نہ کہ سوچ کا متبادل۔
نگرانی کا تضاد: کون کس کی جانچ کر رہا ہے؟
کوڈ لکھنا اور کوڈ کی جانچ کرنا بالکل مختلف دو عقلی مہارتوں کا مسئلہ ہیں۔ بے شمار پیدا ہونے والے کوڈ کے بہاؤ کے سامنے، انسانی جانچ تھکاوٹ کے ساتھ آنکھیں بند کر کے دستخط کرنے والے “ربر سٹیمپ” میں تبدیل ہو جاتی ہے۔
اس لیے کوڈ میں تبدیلیوں (Diff) کی جانچ کرتے وقت، بھول جائیں کہ یہ کوڈ عظیم الشان AI نے لکھا ہے، اور اسے ایک تازہ ملازم انٹرن ش کی طرف سے جمع کردہ سمجھیں۔ اہم بات یہ ہے کہ صرف کوڈ کی شامل یا حذف شدہ لائنوں پر توجہ نہ دیں، بلکہ سطحی کوڈ کے پیچھے جائیں اور پوچھیں کہ اس انسانی ذہن نے آپ کے لیے پیچھے سے کون سے اہم مختصر فیصلے کیے ہیں: اس نے کون سے ڈیفالٹ ویلیوز منتخب کیے؟ اس نے کون سے پیچیدہ منطق کو اس دائرہ کار سے چھپا دیا؟ جب دو مصنوعات کی ضرورتیں متصادم ہوئیں، تو اس نے کون سی ضرورت کو چپکے سے دوبارہ تشریح کی؟
اگر کوئی رپورٹ صرف اس طرح کہہ دے کہ "سب کچھ ٹھیک ہے، تمام ٹیسٹ پاس ہو گئے"، تو آپ کبھی بھی کسی اہم فیصلے کے پیچھے کے خفیہ امور نہیں دیکھ پائیں گے۔ اس لیے، واضح طور پر درخواست کریں کہ اس میں الگ سے ایک فہرست شامل ہو جائے: جس میں یہ بتایا جائے کہ اس نے اس کام کے دوران کن ذاتی فرضیات اور رضامندیوں پر عمل کیا۔ پھر خود کو ایک بار چیک کریں: کسی بھی تین چار لائنوں کو تصادفی طور پر چن لیں اور اپنے آپ سے پوچھیں کہ آپ نے انہیں اس لیے کیوں لکھا؟ اگر یہ ایک ڈیزائن ڈاکومنٹ ہو، تو صفحہ بند کر دیں اور اپنی یادداشت کے مطابق کسی اور کو اس کا مرکزی نقطہ بیان کرنے کی کوشش کریں۔ میں کچھ ٹیموں کی ایک سخت قاعدہ کو بہت پسند کرتا ہوں: وہ اپنے اینٹلیجنس کو تبدیلی رپورٹ کے آخر میں ایک خود ٹیسٹ سوالات کا مجموعہ شامل کرنے کا مطالبہ کرتے ہیں، اور ان کا سخت قاعدہ ہے: "jab tak میں 100 فیصد سوالات کا جواب درست نہ دوں، تب تک کوڈ مرج نہیں ہوگا۔"
یقینی بنائیں کہ آپ اپنے پیش کردہ پروڈکٹ کو کافی گہرائی سے سمجھتے ہیں اور اس کے لیے کسی بھی وقت دفاع کرنے کے قابل ہیں، کیونکہ مستقبل میں کسی نہ کسی دن کوئی مسئلہ لے کر آئے گا۔
اسی دوران، ایجنٹس ہمیں قیمتی توجہ کی دفاعی لائنیں تعمیر کرنے میں بھی مدد کر سکتے ہیں۔ مثال کے طور پر، میں ایک بڑے اوپن سورس پروجیکٹ کو برقرار رکھتا ہوں جس میں بہت سارے پل ریکسٹس آتے ہیں۔ میں اپنے ایجنٹس کو ابتدائی فلٹرنگ کے لیے استعمال کرتا ہوں: جو جملے کمیونٹی کے حصہ لینے کے اصولوں کی خلاف ورزی کرتے ہیں، اور جن پر میری توجہ کی ضرورت ہے۔ میں کبھی بھی ایجنٹس کو اس بات کا فیصلہ کرنے کے لیے نہیں چھوڑتا کہ کون سا پل ریکسٹ منظور ہو یا نہیں، لیکن وہ مجھے توجہ کے فلٹر کو درست طریقے سے تنگ کرنے میں مدد کرتے ہیں، تاکہ میرا انسانی شناختی بینڈ وڈتھ صرف "کیا یہ تبدیلیاں صحیح طریقے سے حقیقی مسائل کا حل تلاش کر رہی ہیں" پر مرکوز ہو سکے۔
آخر میں، پیداوار کے انفجار کے سبب ہونے والے ذہنی بڑھاپے کو سامنا کرنا ضروری ہے۔ میں اسے "ترتیب ٹیکس" (Orchestration Tax) کہتا ہوں، جو بنیادی طور پر ذہنی ایجینٹس کی بے شمار پیداوار کے صنعتی سائز اور آپ کے اپنے نام لگانے کے لیے واقعی اپنی ضمیر کے ساتھ تیار کرنے کے لیے تیار ہونے والی اعلیٰ معیار کی پیداوار کے سائز کے درمیان بڑے فرق کو ظاہر کرتا ہے۔ اگر پیداوار کا جمع ہونے کا رخ آپ کی تفصیلی جانچ کی فزیولوجیکل حد سے بہت زیادہ تیز ہو چکا ہے، تو ایک نیا متوازی سیشن شروع کرنا بالکل بھی مدد نہیں کرے گا: آپ کو یا تو آٹومیٹڈ ویریفکیشن عمل کو سخت کرنا ہوگا، یا فوری طور پر رفتار کم کرنا ہوگا۔
جب آپ کی پیداوار آپ کے ذمہ داری کے دائرے سے باہر ہو جائے، تو آپ صرف ایک امید پر بھروسہ کر رہے ہیں کہ کوئی مسئلہ نہ ہو، آپ پیشہ ورانہ جانچ نہیں کر رہے۔
ان پٹ خروج کو طے کرتا ہے: بہترین ان پٹ بہترین خروج کا باعث بنتا ہے
انسانی اور مشین کے تعاونی نظام میں، انسانی ذہنی ماڈل غائب نہیں ہوا، بلکہ اس کا مرکز تبدیل ہو گیا: یہ ابتدائی لمبے درمیانی کوڈنگ مرحلے سے، مکمل طور پر سب سے آگے کے ٹاسک انپٹ اور آخری پیداوار کی تصدیق کے مرحلے پر منتقل ہو گیا۔ آپ اپنی پوری شناخت کی توانائی پہلے ٹاسک ڈیکامپوزیشن، سند کا انتظام، اور بعد میں سخت آڈٹ سائکل میں لگا دیتے ہیں۔ یہی وجہ ہے کہ پرامپٹنگ (Prompting) کی معیاریت نتائج پر فیصلہ کن اثر ڈالتی ہے، اور میں ہمیشہ بہترین پرامپٹ انجینئرنگ کو اعلیٰ تنقیدی سوچ کی اہم فنّیت سمجھتا ہوں۔
گزشتہ زمانے میں، اگر آپ نے اپنے انسانی ساتھی کو ایک ادھوری اور غیر واضح درخواست دی، تو وہ فوراً آپ کو واپس کر دیتا، اور آپ خود کو سوال کرتے ہوئے احساس کرتے کہ: "اصل میں میں نے اس بات کو کبھی واضح نہیں سوچا تھا۔" لیکن اب، ذکاوت مند ایجینٹس اکثر اس مرحلے پر آپ کو روکتے نہیں۔ وہ آپ کے چھوٹے ہوئے تمام تفصیلات کو خود سوچ لیتے ہیں، اور ایک ایسا حصول پیش کرتے ہیں جو سطحی طور پر بہت ہی منظم اور مکمل لگتا ہے، جبکہ اس کے پیچھے بنیادی مقصد ابھی بھی ادھورا ہوتا ہے۔ میں اس ظاہری صورتحال کو "مقصد کا قرض" (Intent Debt) کہتا ہوں: وہ خفیہ مقاصد اور پابندیاں جو حصول میں چھپی ہوتی ہیں، لیکن جن پر آپ خود تک نے کبھی حقیقی طور پر غور نہیں کیا۔ دوسرے قروض سے الگ، کوئی بھی آپ کے مقصد کا قرض ادا نہیں کر سکتا؛ بنیادی مقصد 100% آپ سے ہی آنا چاہئے۔
آپ جو پرامپٹ لکھتے ہیں، وہ آپ کی مسئلے کی سمجھ کی گہرائی کا ایک آئینہ ہے؛ اگر آپ اسے واضح اور درست زبان میں بیان نہیں کر سکتے، تو اکثر اس کا مطلب یہ ہوتا ہے کہ وہ آپ کے ذہن میں خود ہی ایک بے ترتیب گڑبڑ ہے۔
بیرونی طاقت کی مدد لینے سے پہلے، اپنی اپنی سادہ اور عام زبان میں ایک کام کی ضروریات کا خاکہ تیار کریں۔ مخاطبین کو واضح طور پر بیان کریں، ممنوعہ حدود کو تعریف کریں، اور مکمل طور پر مکمل ہونے کے لیے ایک عینی قبولیت کا معیار (Definition of Done) فراہم کریں۔ جب دوسری مرحلہ ترمیم بھی توقعات کے مطابق نہ ہو، تو فوراً اندھاڑھے ترمیم کا عمل روک دیں اور اپنے ان پٹ پروموٹس کو مکمل طور پر دوبارہ لکھ دیں۔
آپ اپنی ان پٹ کی کوالٹی کو بہتر بنانے کے لیے ایجنٹ کا استعمال بھی کر سکتے ہیں۔ فلسفی اینڈی کلارک نے "کام کو صرف AI کو سونپنا" اور "AI کے ساتھ گہری دو طرفہ تعاون" کے درمیان گہرا فرق قائم کیا ہے۔ حقیقی تعاون کے انداز میں، آپ ایک ایسے مثبت سائیکل میں داخل ہو جاتے ہیں جہاں آپ اور AI ایک دوسرے کو طاقت دیتے ہیں: آپ کے درست پرامپٹس نے عالی کوالٹی کا نتیجہ پیدا کیا، اور یہ نتائج نئے، گہرے پرامپٹس کی ضرورت پیدا کرتے ہیں، جس سے آپ کا سسٹم کے بارے میں ذہنی ماڈل مزید گہرا ہوتا ہے۔ اگر آپ کو محسوس ہو رہا ہے کہ آپ کا منطق مکمل نہیں ہے، تو ایجنٹ سے خود کو انٹرویو کرانے کو کہیں، اور وہ جگہیں جہاں وہ سمجھ نہیں پا رہا، اس پر سوالات پوچھیں۔ اگر ایک بات چیت ختم ہونے پر آپ کے ذہن میں منطق کا حلقہ مکمل اور بہتر ہو جائے، تو یہی حقیقی کامیابی کا نشان ہے۔
اس کے علاوہ، سیکھنے کے ماحول کی آلودگی کے لیے سخت احتیاط ضروری ہے۔ جب کئی ذہنی ایجینٹس مل کر کام کرتے ہیں، تو اکثر اگلا ایجینٹ صرف پہلے ایجینٹ کے دبائے ہوئے خلاصے پر مبنی کام کرتا ہے، جس کی وجہ سے ہر مرحلے پر معلومات کم ہوتی جاتی ہیں، اور تیسرا ایجینٹ کبھی بھی اصل اہم دستاویزات تک نہیں پہنچ پاتا۔
اسی دوران، آپ کو اپنی اپنی خوبصورتی اور معیار کی حد تعمیر کرنی ہوگی۔ میں نے AI کو کئی مختلف تخلیقی اور انجینئرنگ شعبوں میں بار بار آزمایا ہے، اور زیادہ تر پیداواریں کبھی شائع نہیں ہوئیں کیونکہ وہ میرے ذاتی معیار تک نہیں پہنچ سکیں۔ آج کے دور میں، تمام ماڈل پیداواروں کو بہت خوبصورت طریقے سے ڈھالا جا سکتا ہے اور یقین کے ساتھ پیش کیا جا سکتا ہے، اس لیے "سطحی چمک" اب معیار کا مؤثر سignl نہیں رہی۔
AI شاید مواد کی تیاری کی لائن کی رفتار کو بہت زیادہ بڑھا دے، لیکن جب تک کوئی پیداوار مجھے اپنا نام لگانے کے لیے ناہموار نہ کر دے، میں اسے باہر جانے نہیں دوں گا۔
جب کوئی پیداوار معیار پر نہ ہو، تو ناکامی کی واضح وضاحت کو شیئرڈ کنفیگریشن فائل، جیٹ ہک یا آٹومیٹڈ ٹیسٹ کیس میں سفید اور کالا لکھ دیں، تاکہ اسی غلطی دوبارہ نہ ہو۔ یہی ذوق اور معیار کو مرکب فائدہ کے ساتھ جمع کرنے کا صحیح طریقہ ہے، اور یہ سمجھنا کہ کون سی چیزیں حد تک نہیں پہنچیں، خود ایک بہت قیمتی جانچ پڑتال ہے۔
ماڈل مستقبل میں میرے سے زیادہ طاقتور ہوگا
اگر آپ بھی میرے اردگرد کے بہت سے جنونی پیشہ ور افراد کی طرح AI کے مستقبل کے بارے میں مضبوط مثبت اعتقاد رکھتے ہیں، تو شاید آپ نے پہلے چند ابواب پڑھتے ہی یہ سوچ نکالی ہو کہ: "اگلے ایک یا دو سال میں، ماڈل کی درستگی اور بصیرت کی صلاحیت میری صلاحیت کو بالکل ناکارہ کر دے گی، تو میں اس تنقیدی جانچ کے مہارت کو برقرار رکھنے کی کیوں کوشش کروں؟"
بہت سے صرف ٹیکنیکل انڈیکیٹرز کے چیکس پر، آپ کا پیش گوئی بالکل درست ہو سکتی ہے، اور میں خود بھی ہر وقت زیادہ سے زیادہ آٹومیٹڈ چیکس کو ایجنٹس کے حوالے کرنے کی حمایت کرتا رہا ہوں۔ لیکن مستقبل میں اس صلاحیت کو کیوں اتنی اہمیت دی جا رہی ہے؟ اس کا واحد سبب یہ ہے: بالآخر، حقیقی نتائج کے لیے جو ذمہ داری ہے، وہ ایک انسان کو ہی لینی پڑتی ہے۔ جتنا بھی کمپوٹنگ پاور استعمال ہو، آخرکار عدالت میں یا نتائج کا سامنا کرنے والا صرف ایک انسان ہوتا ہے۔
کسی خاص کام میں ایجنٹ کو کتنی ڈگری تک اعتماد دیا جائے، یہ ایک انتہائی ذہین، معیاری فیصلہ ہے۔ اور مستقل طور پر درست ترتیب کا جائزہ لینے کے لیے، آپ کو لازمی طور پر اپنے آپ کو کام کی تفصیلات میں شامل رہنا چاہیے، کیونکہ ماڈل کی غلطیوں کے عجیب نمونے مستقل طور پر تبدیل ہوتے رہتے ہیں۔ Anthropic نے اپنے بہترین انجینئرز اور ریسرچرز پر کی گئی ٹریکنگ رپورٹ میں اس "نگہداشت کا معاکسہ" (Paradox of Supervision) کے خطرناک جال کو واضح طور پر اجاگر کیا ہے: Claude کو نگہداشت اور چلانے کے لیے درکار وہ اعلیٰ انجینئرنگ اور ڈھانچہ سازی کے مہارتیں، وہی بنیادی صلاحیتیں ہیں جن پر انسان جب AI پر زیادہ انحصار کرتے ہیں تو ان کا تیزی سے خاتمہ ہوتا ہے۔
یہ جو آخری سوالات ہیں، وہ میرے لیے سب سے زیادہ اہم ہیں، اور جتنی بھی طاقتور مدل ہو، وہ کبھی بھی آپ کے لیے ان کا جواب نہیں دے سکتیں: آپ اس پروڈکٹ کو بنانے کیوں چاہتے ہیں؟ اس کی سماجی اور تجارتی قیمت کیا ہے؟ یہ کن خاص افراد کو گہرا اثر ڈالے گا؟ اسے حاصل کرنے کے لیے آپ کتنے قربانیاں دینے اور مساوی سمجھنے کو تیار ہیں؟ ان سب باتوں کا جواب صرف آپ خود ہی دے سکتے ہیں۔ اِن سوالات کو واضح کرنے میں اسٹریٹجک ایجینٹس اپنا کردار ادا کر سکتے ہیں، اور میں بھی اس بات کو دیکھنا پسند کروں گا، لیکن آخری فیصلے کا دستخط صرف آپ کے ہاتھ میں ہے۔
آپ مخصوص محنت اور بڑی مقدار میں آڈٹ کے مراحل کو مکمل طور پر الگورتھم کو سونپ سکتے ہیں، لیکن آخری جوابدہی اور ذمہ داری آپ کبھی بھی سونپ نہیں سکتے۔
روزانہ کی عملی اصول
آپ کو تمام اصولوں کو سختی سے اور مشینی طریقے سے اپنانے کی ضرورت نہیں، صرف اپنے کام کے عمل کے مطابق مناسب طریقے کو قدرتی طور پر شامل کریں:
• ہفتہ وار آف لائن مصنوعی مشق: ہر ہفتے ایک مقررہ وقت نکالیں، اسٹیٹس کی مدد کے بغیر صرف دستی طور پر ایک اہم کوڈ کا ٹکڑا لکھیں، یا ایک ایسا مرکزی کام خود کریں جس کی ناکامی سے شدید نتائج ہو سکتے ہیں (میں اسے认知校准练习 کہتا ہوں، جو کوئی اخلاقی دباؤ نہیں ہے)۔
• ماہانہ صلاحیتوں کا جائزہ: ماہانہ ایک فہرست تیار کریں اور اپنے گزشتہ ماہ میں AI پر انحصار کرنے کی وجہ سے آپ نے جن چیزوں کو خود نہیں کیا، اسے لکھیں، اور سنجیدگی سے جانچیں: ان میں سے کون سی صلاحیتیں آپ اس بات کو قبول کر سکتے ہیں کہ وہ ہمیشہ کے لیے بھول جائیں گی؟ میں نے کئی سال پہلے اپنے ایک پرانے بلاگ میں جو سوال اٹھایا تھا، آج بھی اس کا اثر پڑ رہا ہے: اگر کبھی AI اچانک مکمل طور پر غائب ہو جائے، تو آپ کتنے بڑے پیمانے پر بےحال اور گمشدہ ہو جائیں گے؟
• جب تک کہ آپ کو کچھ سمجھ نہ آ جائے، اس پر ذاتی طور پر گہرائی سے تحقیق کریں: اگر آپ کو کوئی ایسا تصور ملتا ہے جو آپ کی موجودہ سمجھ سے باہر ہو، تو آپ کو اسے نظام کے ساتھ سیکھنا چاہیے۔ اگر میں ایک مضمون لکھتے وقت ایک نایاب اصطلاح سے بھی مقابلہ کروں، تو میں صرف ویکیپیڈیا سے ایک تعریف کاٹ کر مضمون میں ڈالنے کے بجائے، اس کے پیچھے کے سبب و نتیجہ سمجھنے کے لیے تھوڑا وقت نکالنا پسند کرتا ہوں، تاکہ میں اس کا مکمل خاکہ اور اس کا علم کے پورے منظر میں مقام واضح طور پر دیکھ سکوں۔
• جانچ ماشین کو ایک سنجیدہ کام کے طور پر شیڈول کریں: ماشین کے پیداوار کا اصلی، سخت اور تفصیلی جائزہ لینا ایک بہت زیادہ تھکاوٹ والی ذہنی محنت ہے۔ یہ سوچنا کہ یہ کام آسان ہے، وہی وجہ ہے جس کی بنا پر بہت سے ٹیمیں جانچ کو بالکل چھوڑ دیتی ہیں اور بڑی آفت کا باعث بنتی ہیں۔ جانچ مفت کا نہایت نہیں ہے؛ اسے اپنے روزمرہ کے شیڈول میں صاف صاف شامل کریں تاکہ آپ اسے حقیقت میں انجام دینے کے لیے درست طاقت حاصل کر سکیں۔
• جو مہارتیں آپ نے چھوڑ دیں، وہ جلد ہی تیزی سے ختم ہو جائیں گیں: جو بھی آپ کی طویل عرصے تک استعمال نہ کی گئی认知 مہارتیں ہیں، وہ تیزی سے کمزور ہو جائیں گیں اور ان کا ختم ہونا آپ کی سیدھی سمجھ سے بہت زیادہ تیز ہوتا ہے۔ براہ راست وہ اہم مہارتیں جو آپ کبھی بھی واپس نہیں دینا چاہتے، ان پر مستقل طور پر عمل کرتے رہیں۔
مرکزی ایکشن لسٹ
• واضح نیت برقرار رکھیں: ایجنٹ آپ کو بالکل اُلٹا ٹیسٹ کر سکتا ہے، آپ کا انٹرویو لے سکتا ہے اور آپ کو بنیادی دلائل دکھا سکتا ہے، لیکن صرف اس صورت میں جب آپ نے اس تعاونی مکینزم کو فعال طور پر ڈیزائن اور کنفگر کر لیا ہو۔ اس لیے، فوراً اسے تعمیر کریں۔
• اپنے سپیکٹرم میں اپنی حقیقی جگہ کو سچائی سے قبول کریں: اگر آپ ایجنٹ کی مدد کے بغیر کسی اور کو جواب کی وضاحت نہیں دے سکتے، تو تسلیم کر لیجئے کہ آپ نے معرفتی ہار مان لی ہے۔
• ہمیشہ پیش گوئی کے ساتھ سوال پوچھیں: AI کو سوال پوچھنے سے پہلے، اچھا ہو یا برا، اپنے دماغ میں اپنا خیال تیار کر لیں۔
• ایک ہرے رنگ کا چیک مارک صرف ایک ٹیسٹ کے پاس ہونے کا اشارہ ہے: ہمیشہ پوچھیں کہ اس نے کیا چیک کیا؟ اس نے کیا چھپا دیا؟
• پہلے معلومات کو جانچیں، پھر سبجیکٹوو نتائج پڑھیں: اس کے خوبصورت خلاصہ کو دیکھنے سے پہلے، یہ دیکھیں کہ اس نے بالکل کون سے عمل کیے ہیں اور کون سے بنیادی ڈیٹا کو کال کیا ہے۔
• فیصلوں کی حساسیت کے ساتھ پڑھیں: سمجھیں کہ ایجنٹ نے اس آؤٹ پٹ میں آپ کے لیے کون سے مائیکرو فیصلے خود سے کر لیے ہیں۔
• اپنے ان پٹ پرامپٹس کو بہتر بنائیں: آپ کے پرامپٹس کی گہرائی اور ساخت آپ کی سوال کی اصلی گہرائی پر مکمل طور پر منحصر ہے۔
• مطلق ارسال کی حد طے کریں اور اس پر ڈٹے رہیں: اگر کوئی چیز ایسی ہے جس پر آپ خود بھی اپنا نام لگانے سے شرمندہ ہوں، تو اسے کبھی بھی منظور نہ کریں۔
اپنے اہم اہم مہارتوں کو باقاعدگی سے عملی طور پر اپنانے سے خود کو ہمیشہ شطرنج کے مرکز پر برقرار رکھیں۔ آپ اپنی روزمرہ کی زندگی میں فوراً آزمائی جانے والی ایک انتہائی سادہ عادت: ذکاوتی کو سوال پوچھنے سے پہلے، ایک نوٹ پر اپنی پیشگوئی کے ممکنہ رخ لکھ لیں؛ جب ذکاوتی نے کام مکمل کر لیا ہو تو فوراً ایک نکتہ لکھ لیں جسے اس نے نہیں دیکھا۔ دیکھیں کہ یہ چھوٹی سی مخالفتی عادت آپ کے AI کے نتائج کو جانچنے کے طریقہ کار کو کس طرح بالکل بدل سکتی ہے۔ خود سوچیں، زیادہ گہرے اور معیاری سوالات پوچھیں، اور آخری نتائج کے لیے مکمل ذمہ داری لیں۔
تصویر: AI ایجینٹ ورکفلو میں مستقل سوچ اور ذمہ داری کا حلقہ برقرار رکھنا