awesome-jev کے ذریعے Jev کے فیصلوں کے نمونے کیسے تلاش اور جانچیں

awesome-jev کیا ہے؟

awesome-jev Jev، یعنی TypeSafe AI کے System One فیصلہ ساز ماڈل، سے متعلق عوامی مثالوں کا مرتب کردہ کیٹلاگ ہے۔ وسائل کو مصنف، مضمون یا ریپوزٹری کے لحاظ سے منظم کرنے کے بجائے، یہ انہیں کیے جانے والے فیصلے کے لحاظ سے گروپ کرتا ہے، مثلاً کسی ٹول کا انتخاب، سیاق و سباق کی درجہ بندی، خطرے کی درجہ بندی، یا یہ فیصلہ کہ معلومات محفوظ رکھی جانی چاہییں یا نہیں۔

یہ ریپوزٹری ایک اشاریہ ہے، Jev پروڈکٹ یا SDK نہیں۔ اس کا TypeSafe AI سے کوئی تعلق نہیں، اور اس میں شمولیت کسی سفارش کے مترادف نہیں۔ اس کا مقصد ڈویلپرز کو نفاذات دریافت کرنے، ان میں استعمال ہونے والے بنیادی اجزا کا جائزہ لینے، اور کسی طریقے کو اپنانے سے پہلے اہم حدود سمجھنے میں مدد دینا ہے۔

کیٹلاگ میں کسی اندراج کا مطلب یہ ہے کہ اس کا لنک درست تھا اور کسی شخص نے اس کا جائزہ لیا ہے۔ اس کا مطلب یہ نہیں کہ نفاذ درست، محفوظ، مؤثر یا پروڈکشن کے لیے موزوں ہے۔

Jev کو سمجھنا

Jev حالت اور ٹائپ شدہ سوالات قبول کرتا ہے، پھر متعین اعتماد کے ساتھ ٹائپ شدہ جوابات واپس کرتا ہے۔ اسے طویل متنی مواد تیار کرنے کے بجائے ایجنٹ لوپ کے اندر تیز اور کم لاگت والے فیصلوں کے لیے بنایا گیا ہے۔

کیٹلاگ Jev کے تین بنیادی اجزا کا ریکارڈ رکھتا ہے:

• Choice: جب دستیاب اختیارات میں سے کوئی فیصلہ کرنا ہو تو استعمال ہوتا ہے۔
• Score: جب کسی آئٹم یا امیدوار کے لیے ٹائپ شدہ اسکور درکار ہو تو استعمال ہوتا ہے۔
• Noul: کسی انفرادی فیصلے یا مفروضے کے لیے استعمال ہوتا ہے۔

یہ فرض نہ کریں کہ بنیادی اجزا کی مختلف ترتیبیں ایک دوسرے کا متبادل ہیں۔ README خاص طور پر خبردار کرتا ہے کہ متعدد اختیارات کے لیے ایک Choice اور ہر اختیار کے لیے ایک Noul مختلف سوالات کے جواب دیتے ہیں۔ یہ فرق نفاذ کی غلطیوں کا ایک عام سبب ہے۔

Jev متنی ان پٹ قبول کرتا ہے، جن میں strings، JSON objects اور متنی arrays شامل ہیں۔ دستاویزی درخواست کا سیاق و سباق 64,000 ٹوکنز کا ہے، جس میں state کے لیے اور سب سے طویل سوال کے لیے مجموعی طور پر 32,000 ٹوکنز دستیاب ہیں۔ ماڈل کے weights شائع نہیں کیے گئے، اس لیے Jev مقامی طور پر نہیں چلایا جا سکتا۔

کیٹلاگ کی اہم خصوصیات

فیصلہ مرکوز تنظیم

بنیادی اشاریہ اندراجات کو دوبارہ قابلِ استعمال فیصلہ جاتی نمونوں کے لحاظ سے گروپ کرتا ہے۔ اس سے ایسے سوالات کے جواب تلاش کرنا آسان ہو جاتا ہے جیسے “ایجنٹس ٹولز کا انتخاب کیسے کر رہے ہیں؟” بجائے اس کے کہ ایسے غیر متعلقہ مضامین تلاش کیے جائیں جن میں محض Jev کا ذکر ہو۔

قابلِ تلاش اور قابلِ اشتراک مناظر

قابلِ تلاش سائٹ فلٹرز، اندراجی کارڈز، کوریج ہسٹوگرام اور قابلِ اشتراک URLs فراہم کرتی ہے۔ اس میں بنیادی اجزا اور مطابقت کے لیے مخصوص مناظر بھی شامل ہیں۔

شواہد اور حدود کا میٹا ڈیٹا

اندراجات اپنے ماخذ، نفاذ کی زبان اور کوڈ کے ذریعے حقیقتاً پکارے جانے والے بنیادی اجزا کی نشاندہی کرتے ہیں۔ ان میں shadow mode، vendor numbers، unverified یا no licence جیسی حدود بھی درج ہو سکتی ہیں۔ مکمل نوٹس catalog.json میں محفوظ ہوتے ہیں اور سائٹ پر دکھائے جاتے ہیں۔

کوریج اور تحقیقی خلا

کوریج منظر دکھاتا ہے کہ ہر فیصلہ جاتی نمونے کے لیے کتنی عوامی مثالیں موجود ہیں۔ صفر کا مطلب تحقیقی خلا ہے، ڈسپلے کا مسئلہ نہیں۔ یہ موجودہ نمونے دریافت کرنے اور ان ممکنہ اطلاقات کی نشاندہی، دونوں کے لیے مفید ہے جن کا عوامی طور پر ابھی مظاہرہ نہیں کیا گیا۔

آزاد پیمائشیں

ایک مخصوص حصہ تشہیری دعووں کے بجائے ناپے گئے نتائج کو اجاگر کرتا ہے۔ کئی اندراجات منفی یا غیر جانب دار نتائج رپورٹ کرتے ہیں، جن میں ایسی جانچ بھی شامل ہے جہاں Jev نے موجودہ summarizer سے کم کارکردگی دکھائی، کسی موجودہ classifier کے برابر رہا، یا بامعنی latency بہتری فراہم کیے بغیر بل کیے جانے والے ان پٹ میں اضافہ کیا۔

تنصیب اور سیٹ اپ

اختیار 1: میزبان کیٹلاگ استعمال کریں

عام تحقیق کے لیے کسی تنصیب کی ضرورت نہیں۔ میزبان سائٹ کھولیں، فیصلہ جاتی نمونہ منتخب کریں، اور متعلقہ اندراجات کا جائزہ لیں۔

1. قابلِ تلاش سائٹ کھولیں۔
2. فیصلہ جاتی نمونے کے لحاظ سے فلٹر کرنے کے لیے کوریج ہسٹوگرام میں موجود بار منتخب کریں۔
3. کوئی اندراج کھولیں اور اس کے ماخذ، زبان، بنیادی اجزا اور حدود کا جائزہ لیں۔
4. اگر فلٹر شدہ منظر شیئر کرنا ہو تو حاصل شدہ URL نقل کریں۔

اختیار 2: ریپوزٹری کلون کریں

اگر آپ مقامی طور پر اس کے ماخذی ڈیٹا، دستاویزات، مثالوں یا جنریشن اسکرپٹس کا جائزہ لینا چاہتے ہیں تو پروجیکٹ کلون کریں۔

git clone https://github.com/kydlikebtc/awesome-jev.git
cd awesome-jev

README، catalog.json سے تیار کی جاتی ہے۔ ریپوزٹری واضح طور پر مینٹینرز کو ہدایت دیتی ہے کہ براہِ راست تیار کردہ README میں ترمیم کرنے کے بجائے کیٹلاگ میں ترمیم کریں۔ اسے دوبارہ بنانے کے لیے ریپوزٹری کے روٹ سے درج ذیل دستاویزی کمانڈ چلائیں:

python3 scripts/build_readme.py

فراہم کردہ مواد میں README تنصیب کے اضافی مراحل بیان نہیں کرتی۔ کیٹلاگ میں ترمیم یا اس کی توثیق کرنے سے پہلے ریپوزٹری کی فائلوں اور آٹومیشن کی تشکیل کا جائزہ لیں۔

بنیادی استعمال: متعلقہ نفاذ تلاش کرنا

مرحلہ 1: فیصلہ متعین کریں

کسی وسیع ٹیکنالوجی لیبل کے بجائے اس فیصلے سے آغاز کریں جو آپ کے نظام کو کرنا ہے۔ مثال کے طور پر:

• ایجنٹ کو اگلا کون سا ٹول پکارنا چاہیے؟
• جائزے کے سیاق و سباق میں کون سی فائلیں شامل کی جانی چاہییں؟
• کیا پچھلے ٹول کا نتیجہ اب بھی اہم ہے؟
• کون سی خطرے کی کیٹیگری کسی خبر کے آئٹم سے سب سے زیادہ مطابقت رکھتی ہے؟

مرحلہ 2: متعلقہ نمونہ منتخب کریں

سائٹ کا کوریج ہسٹوگرام یا README کے فیصلہ جاتی پیٹرن والے حصے استعمال کریں۔ کسی ایجنٹ کے لیے اپنی اگلی کارروائی منتخب کرتے وقت Tool selection سے آغاز کریں۔ کیٹلاگ میں فنکشن کالنگ اور اسکل کی تجویز سے لے کر براؤزر کنٹرول اور اجازت کے جائزے تک کی مثالیں شامل ہیں۔

مرحلہ 3: پرِمیٹو کے ذریعے فلٹر کریں

جب آپ کے آرکیٹیکچر سے سوال کی قسم پہلے ہی واضح ہو، تو پرِمیٹو ویو استعمال کریں۔ محدود مجموعے میں کارروائی کے انتخاب سے آپ Choice کی مثالوں کی طرف جا سکتے ہیں، جبکہ آزادانہ متعلقہ فیصلے آپ کو Score یا Noul کی مثالوں کی طرف لے جا سکتے ہیں۔

پرِمیٹو لیبلز کو اس بات کی وضاحت سمجھنا چاہیے کہ حوالہ دیا گیا کوڈ کیا کال کرتا ہے، نہ کہ اس ضمانت کے طور پر کہ نفاذ نے بہترین پرِمیٹو منتخب کیا ہے۔

مرحلہ 4: احتیاطی نکات پڑھیں

کسی منسلک پروجیکٹ کو کھولنے سے پہلے اس کے انتباہی ٹیگز اور کیٹلاگ نوٹ کا جائزہ لیں۔ مثال کے طور پر، shadow mode سے نشان زد انٹیگریشن کسی سسٹم سے منسلک ہو سکتی ہے، جبکہ جان بوجھ کر اس کے فیصلوں کو پروڈکشن لیبلز، کیشز یا الرٹس پر اثر انداز ہونے سے روکا جاتا ہے۔

مرحلہ 5: اصل ماخذ کا جائزہ لیں

دریافت کے لیے کیٹلاگ استعمال کریں، پھر منسلک ریپوزٹری یا دستاویزات میں رویے کی تصدیق کریں۔ معلوم کریں کہ حالت کیسے بنائی جاتی ہے، سوالات کی قسم کیسے متعین کی جاتی ہے، کون سی حدیں استعمال ہوتی ہیں، اور اعتماد کم ہونے پر کیا ہوتا ہے۔

تحقیق کے ورک فلو کی مثالیں

تینوں پرِمیٹو سیکھنا

پہلے تعارف کے لیے، ریپوزٹری کی تجویز کردہ مطالعے کی ترتیب پر عمل کریں:

1. ایسی درخواست کے لیے سرکاری فوری آغاز گائیڈ پڑھیں جس میں Choice، Score اور Noul سوالات شامل ہوں۔
2. Jev 1.13 کی معلوم حدود پڑھیں۔
3. کیٹلاگ کی three-primitives مثال کا جائزہ لیں۔

ریپوزٹری کے نوٹ کے مطابق اس کی مقامی مثال کو سرکاری API ریفرنس کے ساتھ فیلڈ بہ فیلڈ جانچا گیا تھا، لیکن اسے لائیو API کے خلاف چلایا نہیں گیا۔ اس کا جائزہ لیتے وقت اس فرق کو برقرار رکھیں۔

ٹول کے انتخاب پر تحقیق

فرض کریں کہ آپ ایک ایسا ایجنٹ تیار کر رہے ہیں جسے ایک بڑے کیٹلاگ میں سے ایک ٹول منتخب کرنا ہے۔ Tool selection پیٹرن تلاش کریں اور درج ذیل نفاذات کا موازنہ کریں:

• سرکاری function-calling cookbook، جو محدود مجموعے والے سوالات کے ذریعے درخواستوں کو ٹائپ شدہ فنکشنز سے جوڑتا ہے۔
• skill-suggestion cookbook، جو یہ جانچتا ہے کہ کسی اسکل کی ضرورت ہے یا نہیں، اور امیدوار اسکلز کی درجہ بندی کرتا ہے۔
• FastMCP کا تجرباتی Jev search transform، جو مختصر فہرست میں شامل ٹولز کا فیصلہ کرنے سے پہلے ابتدائی درجہ بندی کرتا ہے۔
• Composio کا provider، جو ٹول کالز کو دوبارہ تشکیل دیتا ہے اور عدم انتخاب یا تصدیق درکار ہونے والی صورتوں کو سنبھالتا ہے۔

ان اندراجات کا موازنہ ایسے آرکیٹیکچرل انتخاب سامنے لاتا ہے جنہیں سادہ مقبولیت کی درجہ بندی چھپا دیتی، جن میں مرحلہ وار بازیافت، واضح عدم انتخاب، اور تصدیق کو الگ سے سنبھالنا شامل ہیں۔

کانٹیکسٹ کے انتخاب کا جائزہ

اگر آپ چاہتے ہیں کہ Jev فائلوں یا یادداشتوں کی درجہ بندی کرے، تو تشہیری مظاہروں کے بجائے ناپے گئے نمونوں سے آغاز کریں۔ کیٹلاگ کے مطابق no-mistakes review-context تجربے میں ہر امیدوار فائل کے لیے ایک Score استعمال کیا گیا اور بل کیے گئے ان پٹ میں نمایاں اضافہ ملا، جبکہ وال کلاک وقت میں تقریباً کوئی بہتری نہیں آئی۔ یہ نتیجہ ثابت نہیں کرتا کہ یہ پیٹرن ہمیشہ غیر مؤثر ہے، لیکن سادہ بنیادی طریقے کے مقابلے میں اس کا بینچ مارک کرنے کی ٹھوس وجہ فراہم کرتا ہے۔

اعلیٰ درجے کی تجاویز

آزادانہ پیمائشوں کو ترجیح دیں

ایسی بینچ مارک اندراجات کو ترجیح دیں جو طریقہ کار، بنیادی طریقے، ناکامیاں، اور خام یا دوبارہ قابلِ تولید شواہد شائع کرتے ہوں۔ کیٹلاگ Hermes Agent compaction evaluation کو نمایاں کرتا ہے، کیونکہ اس میں Jev کا موجودہ summarizer سے موازنہ کیا گیا اور اس طریقے کو اختیار نہ کرنے کا فیصلہ شائع کیا گیا۔

اسی طرح، غیر جانب دار نتیجہ بھی مفید ہو سکتا ہے۔ ایک blind evaluation میں Jev کے موجودہ ماڈل سے صرف برابر رہنے کے بعد worldmonitor integration shadow mode میں برقرار رہی۔ یہ نئے فیصلہ جاتی سسٹم کی جانچ کا ایک عملی نمونہ ہے، جس میں اسے فوری طور پر پروڈکشن رویے پر اثر انداز ہونے کی اجازت نہیں دی جاتی۔

اختیارات کی ترتیب سے حساسیت جانچیں

ایک آزاد رپورٹ میں پایا گیا کہ اختیارات کی ترتیب الٹنے سے امکان اتنا بدل گیا کہ 0.9 کی حد عبور ہو گئی۔ اس نتیجے کو دوبارہ ثابت نہیں کیا گیا، اس لیے اس کی مقدار کو عالمگیر نہیں سمجھنا چاہیے۔ تاہم، یہ مضبوطی کی ایک مفید جانچ تجویز کرتا ہے:

1. اصل اختیاراتی ترتیب کے ساتھ وہی فیصلہ چلائیں۔
2. معنی تبدیل کیے بغیر اختیارات کو بے ترتیب یا الٹی ترتیب میں رکھیں۔
3. منتخب جوابات اور اعتماد کی اقدار کا موازنہ کریں۔
4. جانچیں کہ آیا عملی حدیں عبور ہوتی ہیں۔

اگر بے ضرر ترتیب کی تبدیلی پروڈکشن کے رویے کو بدل دیتی ہے، تو حد بظاہر جتنی مستحکم معلوم ہوتی ہے، ممکن ہے اتنی نہ ہو۔

مساوی بجٹ اور سادہ بنیادی طریقوں کا موازنہ کریں

ہمیشہ Jev کا اس سسٹم سے موازنہ کریں جس کی جگہ وہ لے گا۔ سادہ متبادل بھی شامل کریں، جیسے تازگی کی ترتیب، متعین قواعد، موجودہ classifier، یا مخصوص reranker۔ جہاں کانٹیکسٹ بجٹ مختلف ہوں، وہاں مماثل بجٹ پر نتائج کا موازنہ کریں تاکہ جائزہ اضافی ان پٹ کے بجائے فیصلہ جاتی معیار کو جانچے۔

ٹائپ شدہ آؤٹ پٹ کو درست آؤٹ پٹ سے الگ رکھیں

ٹائپ شدہ جوابات انٹیگریشن کے استعمال کو آسان بناتے ہیں، لیکن وہ بنیادی فیصلے کے درست ہونے کی ضمانت نہیں دیتے۔ اپنی ایپلیکیشن سے مطابقت رکھنے والے ڈیٹا پر درستگی، calibration، تاخیر، لاگت، اور ناکامی کے رویے کی توثیق کریں۔

عدم انتخاب اور جائزے کے لیے ڈیزائن کریں

کیٹلاگ کی مثالوں میں واضح عدم انتخاب، تصدیق درکار ہونے والی صورتیں، shadow deployments، اور opt-in خصوصیات شامل ہیں۔ یہ پیٹرن خاص طور پر اس وقت مفید ہوتے ہیں جب زیادہ اعتماد کے ساتھ دیا گیا غلط جواب غیر محفوظ یا مہنگی کارروائی شروع کر سکتا ہو۔

نفاذ سے پہلے مطابقت جانچیں

پلیٹ فارم کے درمیان موجود فرق کے لیے ریپوزٹری کی مطابقت کی دستاویزات کا جائزہ لیں۔ یہ فرض نہ کریں کہ Python، JavaScript، TypeScript، Go یا کسی دوسری زبان میں لکھے گئے نمونے یکساں رویہ یا انضمام کی تفصیلات پیش کرتے ہیں۔

کیٹلاگ کا ڈیٹا درست طور پر استعمال کریں

پروجیکٹ میں ترمیم کرتے وقت catalog.json کو حتمی ماخذ سمجھیں اور اس کے بعد README دوبارہ تیار کریں۔ ریپوزٹری کے بیجز کیٹلاگ کے ڈیٹا کو CC0-1.0 اور پروجیکٹ کے کوڈ کو MIT لائسنس یافتہ ظاہر کرتے ہیں، لیکن پھر بھی منسلک پروجیکٹس کا انفرادی طور پر جائزہ لیں، کیونکہ ان کے لائسنس مختلف ہو سکتے ہیں یا موجود ہی نہ ہوں۔

عام غلطیاں جن سے بچنا چاہیے

• کیٹلاگ کو توثیق سمجھنا: شمولیت صرف یہ ظاہر کرتی ہے کہ کسی لنک کا جائزہ لیا گیا اور وہ درست طور پر کھل گیا۔
• صرف اسٹارز کی تعداد کی بنیاد پر نمونے منتخب کرنا: مقبولیت درستگی، کیلیبریشن یا موزونیت ثابت نہیں کرتی۔
• Choice کو آزاد Noul فیصلوں کے ساتھ خلط ملط کرنا: یہ انتظامات مختلف سوالات کے جواب دیتے ہیں۔
• بنیادی معیار کے بغیر وینڈر کی کارکردگی کے اعداد و شمار پر بھروسا کرنا: آزادانہ طور پر دوبارہ قابلِ تولید پیمائشوں کو ترجیح دیں۔
• منفی نتائج کو نظرانداز کرنا: ناکام یا غیر جانب دار تجربات اکثر سب سے زیادہ قابلِ عمل انجینئرنگ رہنمائی فراہم کرتے ہیں۔
• یہ فرض کرنا کہ ٹائپ شدہ آؤٹ پٹ درستگی کی ضمانت دیتا ہے: فیصلوں کی توثیق لیبل شدہ یا کسی اور طرح قابلِ دفاع حقیقی معیار کے خلاف کریں۔
• تیار کردہ README میں براہِ راست ترمیم کرنا: اس کے بجائے catalog.json کو اپ ڈیٹ کریں اور بلڈ اسکرپٹ چلائیں۔

نتیجہ

awesome-jev کو Jev انضمامات کے لیے شواہد پر مبنی تحقیقی نقشے کے طور پر بہترین طور پر استعمال کیا جا سکتا ہے۔ اپنے سسٹم کے مطلوبہ فیصلے سے آغاز کریں، نمونوں کو پیٹرن اور پرِمیٹو کی بنیاد پر فلٹر کریں، احتیاطی نکات کا جائزہ لیں، اور ہر دعوے کی اصل ماخذ میں تصدیق کریں۔ کسی ڈیزائن کو اپنانے سے پہلے اسے اپنے ڈیٹا پر دوبارہ تیار کریں، سادہ بنیادی معیارات سے موازنہ کریں، اعتماد کے استحکام کو جانچیں، اور abstention یا انسانی جائزے کے لیے منصوبہ بنائیں۔