AI کی دنیا 'لوپی' ہو رہی ہے

میٹا کی @Scale کانفرنس میں گزشتہ جمعہ کو، سامعین میں سے کسی نے Boris Cherny — Claude Code کے تخالق — سے پوچھا کہ کیا AI loops اگلا ہائپ سائیکل ہیں یا کوئی حقیقی چیز۔ ان کا جواب فوری تھا: حقیقی، اور ہاتھ سے لکھے گئے کوڈ سے agentic AI میں منتقلی جتنا اہم۔ اس تبادلے نے ایک نام دیا ایسی چیز کو جس کے ساتھ دنیا بھر کے ڈیولپرز خاموشی سے تجربہ کر رہے ہیں، اور یہ دوبارہ تشکیل دیتا ہے کہ ہمیں AI سسٹمز کی اصل صلاحیتوں کے بارے میں کیسے سوچنا چاہیے۔ AI کی دنیا 'لوپی' ہو رہی ہے، اور ایشیا میں تعمیر کرنے والی ڈیولپمنٹ ٹیموں کے لیے، یہ تبدیلی خاص اہمیت رکھتی ہے۔

کیا ہوا

Boris Cherny، Anthropic میں Claude Code کے سربراہ، Meta کی @Scale کانفرنس میں نمودار ہوئے اور دلیل دی کہ "loops" AI سسٹمز کے کام کرنے کے طریقے میں اگلی بڑی تبدیلی کی نمائندگی کرتے ہیں۔ جو ترقی انہوں نے بیان کی وہ براہ راست حوالہ دینے کے قابل ہے: "دو سال پہلے، ہم نے source code ہاتھ سے لکھا۔ ہم منتقل ہونے لگے تاکہ agents کوڈ لکھیں۔ اور اب ہم اس نقطے پر منتقل ہو رہے ہیں جہاں agents دوسرے agents کو prompt کر رہے ہیں جو پھر کوڈ لکھتے ہیں۔" انہوں نے دلیل دی کہ agentic AI سے looping AI میں چھلانگ manual coding سے agents میں چھلانگ جتنی اہم ہے۔

عملی طور پر ایک loop کیسا لگتا ہے؟ Cherny نے اپنی اپنی ترتیب بات میں بیان کی: ایک agent مسلسل کوڈ architecture کو بہتر بنانے کے طریقے تلاش کرتا ہے، دوسرا نقل کیے گئے abstractions کو تلاش کرتا ہے جو متحد ہو سکتے ہیں۔ دونوں pull requests جمع کرتے ہیں جیسے کوئی انسانی شراکت دار کرتا۔ کیونکہ codebase ہمیشہ بدل رہا ہے، کوئی بھی agent کبھی رکتا نہیں۔ کوئی فنش لائن نہیں — صرف مسلسل، پس منظر میں بہتری۔

یہ بالکل نیا علاقہ نہیں ہے۔ Recursive loops کمپیوٹر سائنس کا ایک معیار رہے ہیں شروع سے — functions جو اپنے آپ کو کال کرتے ہیں جب تک کوئی شرط پوری نہ ہو۔ یہاں فرق یہ ہے کہ رکنے کی شرط deterministic نہیں ہے۔ ایک sub-agent فیصلہ کرتا ہے کہ loop نے کافی کام کیا ہے، hard-coded rule نہیں۔ یہ non-determinism ہے جو یہ حقیقی طور پر نیا محسوس کرتا ہے۔

ایک مشہور implementation جو پہلے سے ڈیولپر کمیونٹیز میں گردش کر رہی ہے وہ Ralph Loop ہے — نام رکھا گیا، شاندار طریقے سے، Ralph Wiggum کے نام پر — جو کام کرتی ہے ہر چیز کو خلاصہ کر کے جو ماڈل نے اب تک حاصل کی ہے اور پوچھتے ہوئے کہ کیا مقصد پورا ہو گیا ہے۔ یہ ایک سادہ لیکن موثر طریقہ ہے AI ماڈلز کو بھٹکنے سے روکنے کے لیے جب وہ طویل مدت تک چلتے ہیں، بنیادی طور پر ماڈل کو action اور self-evaluation کے درمیان اچھالتے ہوئے جب تک کام مکمل نہ ہو۔

test-time compute کے لیے بھی ایک تعلق ہے — یہ خیال کہ ماڈلز بہتر نتائج پیدا کر سکتے ہیں زیادہ وقت reasoning میں خرچ کر کے بجائے صرف parameters کو scale کرنے کے۔ Loops اس framework میں بہترین طریقے سے فٹ ہوتے ہیں: ایک بڑی inference pass کی بجائے، آپ کو مسلسل، iterative refinement ملتی ہے وقت کے ساتھ۔

ایشیا کے لیے یہ کیوں اہم ہے

ایشیا کی ڈیولپر ecosystem نے ہمیشہ adoption میں تیزی سے کام کیا ہے، لیکن یہاں کی ساختی شرائط looping paradigm کو خاص طور پر متعلقہ بناتی ہیں۔ Southeast Asia، India، اور East Asia میں انجینئرنگ ٹیلنٹ تیزی سے بڑھ رہی ہے، لیکن senior engineering hours software کے پیمانے کے نسبت مہنگے اور نایاب رہتے ہیں جو تعمیر کرنے کی ضرورت ہے۔ ایک background agent جو مسلسل آپ کے codebase کو refactor کرتا ہے، نقل کیے گئے abstractions کو پکڑتا ہے، اور PRs جمع کرتا ہے بغیر کہے — یہ productivity multiplier نہیں ہے، یہ ایک ساختی تبدیلی ہے جو ایک چھوٹی ٹیم برقرار رکھ سکتی ہے۔

Jakarta یا Ho Chi Minh City میں ایک پانچ افراد کی startup کا تصور کریں جو fintech product شپ کر رہی ہے۔ وہ ایک codebase سے نمٹ رہے ہیں جو ان کی ٹیم کے جائزے لینے سے تیزی سے بڑھ رہا ہے۔ Technical debt جمع ہوتا ہے نہ کہ کوئی غیر احتیاط ہے، بلکہ کیونکہ کافی گھنٹے نہیں ہیں۔ ایک persistent refactoring agent جو background میں چل رہا ہے — جیسا کہ Cherny نے بیان کیا — بالکل اسی constraint کو حل کرتا ہے۔ یہ engineers کی جگہ نہیں لیتا؛ یہ کام کے اس زمرے کو سنبھالتا ہے جو engineers ہمیشہ defer کرتے ہیں۔

ایک language dimension بھی ہے جو خاص طور پر ایشیا کے لیے اہم ہے۔ AI agent ecosystem میں بہت سی tooling اور documentation English-first ہے۔ Loops، اپنی فطرت سے، زیادہ abstract ہیں — وہ code level پر کام کرتے ہیں، جہاں language barriers کم اہم ہیں۔ ایک agent جو آپ کے TypeScript یا Python architecture کو بہتر بناتا ہے کو Bahasa Indonesia یا Mandarin سمجھنے کی ضرورت نہیں۔ یہ looping agents کو Asian development teams کے لیے بہت سی دوسری AI capabilities سے زیادہ فوری طور پر accessible بناتا ہے جو nuanced natural language understanding پر منحصر ہیں۔

Asia tech scene بھی زیادہ تر سے multi-agent architectures کے ساتھ تجربہ کرنے میں تیز رہا ہے، خاص طور پر enterprise automation میں۔ MonstarX جیسے platforms پر تعمیر کرنے والی کمپنیاں پہلے سے agents کے لحاظ سے سوچ رہی ہیں جو ایک دوسرے کے ساتھ coordinate کرتے ہیں، نہ کہ صرف single-model inference۔ Loop concept اس mental model میں قدرتی طریقے سے فٹ ہوتا ہے — یہ ان ٹیموں کے لیے کم conceptual jump ہے جو پہلے سے agentic workflows کے ساتھ کام کر رہی ہیں۔

خطرہ، بالکل، یہ ہے کہ loops جو بغیر کافی oversight کے چل رہے ہوں errors کو اتنی ہی آسانی سے compound کر سکتے ہیں جتنی improvements کو۔ ایک agent جو غلط ہے اس بارے میں کہ کیا ایک اچھا abstraction ہے ہمیشہ غلط رہے گا، scale پر، ہمیشہ۔ یہ governance challenge حقیقی ہے، اور یہ ایک ہے جس کے بارے میں Asian teams کو deliberately سوچنے کی ضرورت ہے جیسے وہ ان patterns کو adopt کرتے ہیں۔

ڈیولپرز کے لیے اس کا مطلب

اگر آپ آج AI کے ساتھ تعمیر کر رہے ہیں، loops آپ کے mental model کو تبدیل کرتے ہیں کہ system کیا کر رہا ہے۔ آپ اب prompt نہیں بھیج رہے اور response کے لیے انتظار نہیں کر رہے۔ آپ ایک persistent process کو configure کر رہے ہیں — ایک جس کے goals ہیں، فیصلے کرتا ہے، اور مسلسل basis پر outputs پیدا کرتا ہے۔ یہ query چلانے سے زیادہ contractor کو hire کرنے کے قریب ہے۔

عملی طور پر، یہاں ہے کہ اس کا مطلب کیا ہے کہ آپ کیسے تعمیر کریں:

• اپنے agents کو سختی سے scope کریں۔ Cherny کے agents میں سے ہر ایک کے پاس ایک narrow، well-defined mandate ہے — ایک architecture improvements تلاش کرتا ہے، دوسرا نقل کیے گئے abstractions۔ وہ سب کچھ نہیں کرتے۔ جتنا سخت scope، اتنا کم ممکنہ ہے کہ loop ایسے علاقے میں بھٹکے جہاں یہ نقصان کرتا ہے۔
• Loop میں evaluation بنائیں۔ Ralph Loop کام کرتی ہے کیونکہ یہ ماڈل کو اپنی progress کو check کرنے پر مجبور کرتی ہے۔ کوئی بھی loop جو آپ چلاتے ہیں اس میں ایک evaluation step baked ہونا چاہیے — چاہے وہ ایک sub-agent ہو، ایک test suite، یا ایک human review gate ایک معین complexity threshold سے اوپر PRs کے لیے۔
• Loop outputs کو contributor PRs کی طرح سلوک کریں۔ Cherny کے agents pull requests جمع کرتے ہیں۔ یہ صحیح abstraction ہے۔ auto-merge نہ کریں۔ Loop outputs کو اسی طرح review کریں جیسے آپ junior developer کے کام کو review کریں — توجہ دیتے ہوئے کہ آیا تبدیلی صحیح ہے، نہ کہ صرف یہ کہ یہ compile ہوتا ہے۔
• Read-only loops سے شروع کریں۔ اس سے پہلے کہ آپ agent کو write اور submit کرنے دیں، اسے observation mode میں چلائیں۔ اسے flag کرنے دیں کہ یہ کیا تبدیل کرتا بغیر اصل میں کچھ تبدیل کیے۔ یہ آپ کو ایک احساس دیتا ہے کہ آیا اس کا judgment قابل اعتماد ہے اس سے پہلے کہ آپ write access دیں۔
• وقت کے ساتھ drift کے لیے monitor کریں۔ ایک loop جو دن یا ہفتوں تک چلتی ہے چھوٹی errors جمع کر سکتی ہے جو compound ہوتی ہیں۔ logging سیٹ اپ کریں جو آپ کو audit کرنے دے کہ loop نے کیا کیا ہے، نہ کہ صرف یہ کہ یہ اب کیا کر رہی ہے۔

اس کے لیے tooling ابھی بھی mature ہو رہی ہے۔ آج زیادہ تر ڈیولپرز loops کو manually stitch کر رہے ہیں — orchestration frameworks، custom evaluation scripts، اور بہت سی prompt engineering استعمال کر رہے ہیں۔ لیکن primitives زیادہ واضح ہو رہے ہیں، اور platforms جو persistent agent execution کو proper state management کے ساتھ support کرتے ہیں وہ نمایاں طور پر زیادہ قیمتی ہوں گے جیسے یہ pattern پھیلتا ہے۔

MonstarX استعمال کرنے والی ٹیموں کے لیے، یہ بالکل وہی ہے جو platform کو سنبھالنے کے لیے ڈیزائن کیا گیا تھا۔