(اس سبق کی ویڈیو دیکھنے کے لیے اوپر دی گئی تصویر پر کلک کریں)

"ابتدائیوں کے لیے AI Agents" کورس میں خوش آمدید! یہ کورس AI Agents بنانے کے لیے بنیادی علم اور عملی مثالیں فراہم کرتا ہے۔

دیگر سیکھنے والوں اور AI Agent بلڈرز سے ملنے کے لیے Azure AI Discord Community میں شامل ہوں اور اس کورس سے متعلق کسی بھی سوال کے لیے رابطہ کریں۔

اس کورس کو شروع کرنے کے لیے، ہم سب سے پہلے یہ سمجھنے کی کوشش کریں گے کہ AI Agents کیا ہیں اور ہم انہیں اپنی بنائی گئی درخواستوں اور ورک فلو میں کیسے استعمال کر سکتے ہیں۔

یہ سبق درج ذیل موضوعات پر مشتمل ہے:

• AI Agents کیا ہیں اور ایجنٹس کی مختلف اقسام کون سی ہیں؟
• کون سے استعمال کے معاملات AI Agents کے لیے بہترین ہیں اور یہ ہمیں کیسے مدد فراہم کر سکتے ہیں؟
• ایجنٹک حل ڈیزائن کرنے کے دوران کچھ بنیادی اجزاء کیا ہیں؟

اس سبق کو مکمل کرنے کے بعد، آپ قابل ہو جائیں گے:

• AI Agent کے تصورات کو سمجھنا اور یہ جاننا کہ یہ دیگر AI حل سے کیسے مختلف ہیں۔
• AI Agents کو مؤثر طریقے سے لاگو کرنا۔
• صارفین اور گاہکوں کے لیے مؤثر طریقے سے ایجنٹک حل ڈیزائن کرنا۔

AI Agents وہ نظام ہیں جو بڑے زبان ماڈلز (LLMs) کو عمل کرنے کے اہل بناتے ہیں، ان کی صلاحیتوں کو بڑھاتے ہیں، اور LLMs کو اوزاروں اور معلومات تک رسائی فراہم کرتے ہیں۔

آئیے اس تعریف کو چھوٹے حصوں میں تقسیم کریں:

• نظام - ایجنٹس کو محض ایک جز کے طور پر نہیں بلکہ کئی اجزاء پر مشتمل نظام کے طور پر دیکھنا ضروری ہے۔ ایک AI Agent کے بنیادی اجزاء درج ذیل ہیں:
  • ماحول - وہ محدد جگہ جہاں AI Agent کام کر رہا ہے۔ مثال کے طور پر، اگر ہمارے پاس ایک سفر کی بکنگ AI Agent ہے، تو ماحول وہ سفر کی بکنگ سسٹم ہو سکتی ہے جسے AI Agent کام مکمل کرنے کے لیے استعمال کرتا ہے۔
  • سینسرز - ماحول میں معلومات ہوتی ہیں اور وہ فیڈبیک فراہم کرتا ہے۔ AI Agents سینسرز استعمال کرتے ہیں تاکہ ماحول کی موجودہ حالت کی معلومات اکٹھی اور تشریح کریں۔ سفر کی بکنگ ایجنٹ کی مثال میں، سفر کی بکنگ سسٹم ہوٹل کی دستیابی یا فلائٹ کی قیمتوں کی معلومات فراہم کر سکتا ہے۔
  • ایکچیویٹرز - جب AI Agent ماحول کی موجودہ حالت حاصل کر لیتا ہے، تو ایجنٹ مخصوص کام کے لیے فیصلہ کرتا ہے کہ کون سا عمل انجام دیا جائے تاکہ ماحول کو تبدیل کیا جا سکے۔ سفر کی بکنگ ایجنٹ کی مثال میں، یہ صارف کے لیے دستیاب کمرہ بک کرنے کا عمل ہو سکتا ہے۔

بڑے زبان ماڈلز - ایجنٹس کا تصور LLMs کی تخلیق سے پہلے بھی موجود تھا۔ LLMs کے ساتھ AI Agents بنانے کا فائدہ یہ ہے کہ وہ انسانی زبان اور ڈیٹا کی تشریح کر سکتے ہیں۔ یہ صلاحیت LLMs کو ماحول کی معلومات کو سمجھنے اور ماحول کو بدلنے کی منصوبہ بندی کرنے کے قابل بناتی ہے۔

عمل انجام دینا - AI Agent نظاموں کے باہر، LLMs کا کام صارف کے پرامپٹ کی بنیاد پر مواد یا معلومات تیار کرنا ہوتا ہے۔ AI Agent نظاموں کے اندر، LLMs صارف کی درخواست کی تشریح کر کے اور اپنے ماحول میں دستیاب اوزار استعمال کر کے کام انجام دے سکتے ہیں۔

اوزاروں تک رسائی - LLM کے پاس کون سے اوزار دستیاب ہیں، یہ 1) ماحول جس میں وہ کام کر رہا ہے اور 2) AI Agent کے ڈویلپر کی طرف سے محدود کیا جاتا ہے۔ ہمارے سفر کے ایجنٹ کی مثال میں، ایجنٹ کے اوزار بکنگ سسٹم میں موجود آپریشنز کی حد تک محدود ہیں، اور/یا ڈویلپر ایجنٹ کی رسائی کو فلائٹس تک محدود کر سکتا ہے۔

یادداشت+علم - یادداشت بات چیت کے سیاق و سباق میں مختصر مدت کی ہو سکتی ہے۔ طویل مدتی، ماحول کی جانب سے فراہم کردہ معلومات کے علاوہ، AI Agents دوسرے نظاموں، خدمات، اوزاروں اور یہاں تک کہ دیگر ایجنٹس سے بھی علم حاصل کر سکتے ہیں۔ سفر کے ایجنٹ کی مثال میں، یہ علم صارف کی سفری ترجیحات کی معلومات ہو سکتی ہے جو کسٹمر ڈیٹا بیس میں موجود ہے۔

اب جب کہ ہمارے پاس AI Agents کی عمومی تعریف ہے، آئیے کچھ مخصوص ایجنٹ اقسام کو دیکھیں اور یہ سفر کی بکنگ AI Agent میں کیسے استعمال ہوں گی۔

ایجنٹ کی قسم	تفصیل	مثال
سادہ رفلیکس ایجنٹس	فوری عمل سر انجام دیتے ہیں جو پہلے سے طے شدہ قواعد پر مبنی ہوتے ہیں۔	سفر کا ایجنٹ ای میل کے سیاق و سباق کی تشریح کرتا ہے اور سفر کے شکایات کو کسٹمر سروس کو بھیج دیتا ہے۔
ماڈل کی بنیاد پر رفلیکس ایجنٹس	دنیا کے ماڈل اور اس ماڈل میں تبدیلیوں کی بنیاد پر عمل کرتے ہیں۔	سفر کا ایجنٹ تاریخی قیمتوں کے ڈیٹا تک رسائی کی بنیاد پر قابلِ قدر قیمت میں تبدیلی والے راستوں کو ترجیح دیتا ہے۔
مقصد پر مبنی ایجنٹس	مخصوص مقاصد حاصل کرنے کے لیے منصوبے بناتے ہیں، مقصد کی تشریح کرتے ہیں اور اسے حاصل کرنے کے عمل کا تعین کرتے ہیں۔	سفر کا ایجنٹ موجودہ جگہ سے منزل تک سفر کے انتظامات (کار، پبلک ٹرانزٹ، فلائٹس) طے کر کے سفر کی بکنگ کرتا ہے۔
مطلوبہ کارکردگی پر مبنی ایجنٹس	ترجیحات کا جائزہ لیتے ہیں اور عددی لحاظ سے وزن دے کر خدشات کا موازنہ کرتے ہیں تاکہ مقاصد حاصل کر سکیں۔	سفر کا ایجنٹ سفر کی بکنگ کرتے وقت سہولت بمقابلہ قیمت کا موازنہ کر کے مطلوبہ کارکردگی کو زیادہ سے زیادہ کرتا ہے۔
سیکھنے والے ایجنٹس	وقت کے ساتھ بہتری لاتے ہیں، فیڈبیک کا جواب دیتے ہیں اور عمل کو اس کے مطابق ایڈجسٹ کرتے ہیں۔	سفر کا ایجنٹ بعد از سفر سروے سے گاہک کی رائے لے کر مستقبل کی بکنگ میں بہتری لاتا ہے۔
درجہ بندی شدہ ایجنٹس	ایک درجاتی نظام میں متعدد ایجنٹس شامل ہوتے ہیں، جہاں اعلیٰ سطح کے ایجنٹس بڑے کام کو چھوٹے کاموں میں تقسیم کرتے ہیں جو نچلے سطح کے ایجنٹس مکمل کرتے ہیں۔	سفر کا ایجنٹ ایک سفر کو منسوخ کرتا ہے، کام کو چھوٹے کاموں (مثلاً مخصوص بکنگ کی منسوخی) میں تقسیم کرتا ہے اور نچلے درجے کے ایجنٹس انہیں مکمل کر کے اعلیٰ درجے کے ایجنٹ کو رپورٹ کرتے ہیں۔
کثیر ایجنٹ نظام (MAS)	ایجنٹس خود مختار انداز میں کام مکمل کرتے ہیں، یا تو تعاون کے ساتھ یا مقابلہ کر کے۔	تعاون: متعدد ایجنٹس مخصوص سفر کی خدمات جیسے ہوٹل، فلائٹس، اور تفریح کی بکنگ کرتے ہیں۔ مقابلہ: کئی ایجنٹس مشترکہ ہوٹل بکنگ کیلنڈر پر مقابلہ کرتے ہیں تاکہ صارفین کو ہوٹل میں جگہ دلوائیں۔

پہلے والے سیکشن میں، ہم نے سفر کے ایجنٹ کے استعمال کی مثال کے ذریعے وضاحت کی کہ مختلف قسم کے ایجنٹس کو مختلف سفر کی بکنگ کے حالات میں کیسے استعمال کیا جا سکتا ہے۔ ہم پورے کورس میں اسی ایپلیکیشن کو استعمال کرتے رہیں گے۔

آئیے ان استعمال کے معاملات کو دیکھیں جہاں AI Agents سب سے زیادہ مفید ہوتے ہیں:

• کھلے مسائل - LLM کو کام مکمل کرنے کے لیے درکار اقدامات کا تعین کرنے کی اجازت دینا کیونکہ انہیں ہمیشہ ورک فلو میں سخت کوڈ نہیں کیا جا سکتا۔
• کئی مرحلے والے عمل - ایسے کام جو اتنی پیچیدگی طلب کرتے ہیں کہ AI Agent کو کئی مراحل میں اوزار یا معلومات استعمال کرنی پڑتی ہے، نہ کہ صرف ایک مرتبہ معلومات حاصل کرنا۔
• وقت کے ساتھ بہتری - ایسے کام جہاں ایجنٹ وقت کے ساتھ بہتر ہوتا ہے کیونکہ اسے اپنے ماحول یا صارفین کی طرف سے فیڈبیک ملتی ہے تاکہ بہتر کارکردگی فراہم کی جا سکے۔

ہم AI Agents کے استعمال کے مزید پہلوؤں کو "اعتماد مند AI Agents بنانے" کے سبق میں بیان کریں گے۔

AI Agent نظام ڈیزائن کرنے کا پہلا قدم اوزار، عمل، اور رویے متعین کرنا ہے۔ اس کورس میں، ہم Azure AI Agent Service کے استعمال پر توجہ مرکوز کرتے ہیں۔ یہ خصوصیات پیش کرتا ہے جیسے:

• اوپن ماڈلز کا انتخاب جیسے OpenAI، Mistral، اور Llama
• Tripadvisor جیسے فراہم کنندگان کے ذریعہ لائسنس شدہ ڈیٹا کا استعمال
• معیاری OpenAPI 3.0 اوزار کا استعمال

LLMs کے ساتھ گفتگو پرامپٹس کے ذریعے ہوتی ہے۔ AI Agents کی نیم خودکار نوعیت کی وجہ سے، ماحول میں تبدیلی کے بعد ہمیشہ LLM کو دستی طور پر دوبارہ پرامپٹ کرنا ممکن یا ضروری نہیں ہوتا۔ ہم ایجنٹک پیٹرنز استعمال کرتے ہیں جو ہمیں متعدد مراحل میں LLM کو زیادہ توسیع پذیر انداز میں پرامپٹ کرنے کی اجازت دیتے ہیں۔

یہ کورس موجودہ مقبول ایجنٹک پیٹرنز میں تقسیم ہے۔

ایجنٹک فریم ورکس ڈویلپرز کو کوڈ کے ذریعے ایجنٹک پیٹرنز لاگو کرنے کی سہولت دیتے ہیں۔ یہ فریم ورکس ٹیمپلیٹس، پلگ انز اور اوزار فراہم کرتے ہیں تاکہ AI Agent کے تعاون کو بہتر بنایا جا سکے۔ یہ فوائد AI Agent سسٹمز کی مشاہدہ کرنے اور مسائل حل کرنے کی صلاحیت کو بہتر بناتے ہیں۔

اس کورس میں، ہم پروڈکشن کے قابل AI ایجنٹس بنانے کے لیے Microsoft Agent Framework (MAF) کو دریافت کریں گے۔

• Python: Agent Framework
• .NET: Agent Framework

Microsoft Foundry Discord میں شامل ہوں تاکہ دیگر سیکھنے والوں سے ملیں، آفس آورز میں شرکت کریں اور اپنے AI Agents کے سوالات کے جواب حاصل کریں۔

کورس سیٹ اپ

ایجنٹک فریم ورکس کی کھوج

---

دستخطی بیان:
یہ دستاویز AI ترجمہ سروس Co-op Translator کے ذریعے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کی کوشش کرتے ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں معتبر ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔