یہ ایک مسئلہ ہے جس سے کوئی بھی جس نے کبھی کوڈ کی ڈیبگنگ کی ہو، وہ تعلق رکھتا ہے: آپ کچھ کرنے کی کوشش کرتے ہیں، یہ ناکام ہو جاتا ہے، آپ دوبارہ کوشش کرتے ہیں، یہ مختلف طریقے سے ناکام ہو جاتا ہے، اور ساتویں کوشش تک آپ بھول چکے ہوتے ہیں کہ آپ نے پہلے کیا مسترد کر دیا تھا۔ اب اس دور کو ایک AI ایجنٹ کے اندر چلتے ہوئے تصور کریں، لیکن بھولنے کے بجائے، ایجنٹ ہر پچھلی کوشش سے ہزاروں ٹوکنز کے تفصیلی اجرائی لاگس میں ڈوب رہا ہوتا ہے۔
میٹا کے تحقیق کاروں نے ایک حیرت انگیز طریقہ دریافت کیا۔ انہوں نے ثابت کیا کہ ماضی کی کوششوں کے مکمل اور خام ارکان کو کوڈنگ ایجنس کو فراہم کرنے کے بجائے، مختصر اور منظم خلاصے مستقبل کی کوششوں کو زیادہ اثرات سے ہدایت کر سکتے ہیں۔
کم اصل میں زیادہ ہے
مرکزی نتیجہ ایک ایسے دور میں تقریباً برعکس ہے جہاں “زیادہ ڈیٹا” عام طور پر ڈیفالٹ جواب ہوتا ہے۔ ایک کوڈنگ ایجینٹ کی کوشش اور اس کے ناکام ہونے کا مختصر دو لائن خلاصہ، اگلے اقدام کو ہدایت دینے کے لیے لاکھوں ٹوکنز کے سیدھے انجن کے ریکارڈ سے زیادہ مؤثر ہو سکتا ہے۔
یہ مکینزم دو پہلوؤں پر کام کرتا ہے۔ پہلا، یہ کنٹیکس نوائس کو کم کرتا ہے، جو سگنل تو نوائس نسبت کے بگاڑ کا AI کا مساوی ہے۔ جب ایجنٹ کا کنٹیکس ونڈو لمبے، دہرائے گئے لاگ ڈیٹا سے بھر جاتا ہے، تو مفید معلومات دفن ہو جاتی ہیں۔ خلاصہ کے ذریعہ کمپریشن نوائس کو ختم کر دیتا ہے اور اصل میں اہم چیزوں کو برقرار رکھتا ہے۔
دوسری بات، اور شاید زیادہ اہم بات یہ ہے کہ یہ دوبارہ ناکامی کو روکتا ہے۔ جب تک کہ جو غلطیاں ہوئیں ان کا صاف ریکارڈ نہ ہو، ایجنسٹس بار بار ایک ہی غلطیاں دہراتے رہتے ہیں۔ ایک منظم خلاصہ “دوبارہ ایسا مت کریں” کی طرح چیک لسٹ کا کام کرتا ہے، جو تکراری مسئلہ حل کرنے کے لیے بہت قیمتی ثابت ہوتا ہے۔
یہ رویہ تحقیق کاروں کے لیے ایجنٹ کے بہتر بنانے کے بارے میں سوچنے کا ایک فلسفیانہ تبدیلی ہے۔ جبکہ دوبارہ کوشش کرنے کی تعداد بڑھانے یا مسئلے پر زیادہ کمپیوٹنگ طاقت لگانے کے بجائے، توجہ میموری کمپریشن اور تجربہ کی دوبارہ استعمال کی طرف منتقل ہو جاتی ہے۔
یہ میٹا کے وسیع ایجنٹ تحقیق میں کہاں فٹ ہوتا ہے
یہ کام خالی ماحول میں نہیں ہے۔ یہ میٹا کے خود بہتر بننے والے ایجنٹ سسٹمز میں جاری کوششوں کا حصہ ہے، جس تحقیقی راہ پر 2026 کے شروع میں ہائپر ایجنٹس اور میٹا-ہارنس جیسے فریم ورکس تیار ہوئے۔
ان پہلے فریم ورکس نے خودمختار AI سسٹمز کے لیے بنیاد رکھی جو اپنی آپریشنل منطق کو وقت کے ساتھ بہتر بناسکتی ہیں۔ ان کا سامنا کیا گیا چیلنج کاگنٹوو لوڈ تھا، خاص طور پر اس بات کو روکنا کہ ایجنسز اپنے تاریخی ڈیٹا سے دب جائیں جب وہ تجربہ جمع کرتے ہیں۔
خلاصہ کرنے کا طریقہ مستقیم طور پر اس رکاوٹ کو حل کرتا ہے۔ ایجینٹ اب بھی تجربہ جمع کرتا ہے، لیکن اب وہ اس تجربے کو ایک مختصر اور قابل عمل شکل میں تبدیل کر دیتا ہے، جسے وہ مستقبل کے فیصلوں میں واپس استعمال کرتا ہے۔
اس کا سرمایہ کاروں اور AI کے منظر کے لیے کیا مطلب ہے
ابھی، زیادہ تر کوڈنگ ایجنٹ کمپنیاں اپنے پروڈکٹس کو بہتر بنانے کے لیے سکیل اپ کرتی ہیں۔ زیادہ کمپیوٹ، زیادہ دوبارہ کوششیں، لمبے کنٹیکس ونڈوز۔ اس سب کا خرچہ پڑتا ہے۔ اگر میٹا کا طریقہ مزید وسیع застосуванняوں میں کام کرتا ہے، تو یہ ایک ایسا راستہ ظاہر کرتا ہے جس سے بہتر پرفارمنس حاصل کی جا سکتی ہے بغیر لینیئر طور پر خرچے میں اضافے کے۔
جیسا کہ ہمیشہ تحقیقی مقالوں کے ساتھ ہوتا ہے، خطرہ یہ ہے کہ کنٹرولڈ نتائج ہمیشہ پروڈکشن ماحول میں منتقل نہیں ہوتے۔ کوڈنگ بینچ مارکس حقیقی دنیا کے سافٹ ویئر انجینئرنگ سے زیادہ منظم ہوتے ہیں، اور ان دو لائن کے خلاصوں کی معیار بہت اہم ہے۔ ایک بری خلاصہ بالکل خلاصہ نہ ہونے کے بجائے بدتر ہو سکتا ہے، جس سے مددگار سگنلز کے بجائے گمراہ کن سگنلز داخل ہو سکتے ہیں۔