awesome-jev کیا ہے
awesome-jev عوامی منصوبوں اور طریقۂ کار کی ایک منتخب ڈائریکٹری ہے، جو TypeSafe AI کے Jev System One ماڈل کے گرد بنائے گئے ہیں۔ اسے ایک تیز رفتاری سے جائزہ لینے والی فیلڈ گائیڈ کے طور پر ڈیزائن کیا گیا ہے، تاکہ یہ معلوم کیا جا سکے کہ Jev کہاں عملی فیصلے کر رہا ہے اور کون سے نفاذی نمونے مختلف صنعتوں کے درمیان منتقل کیے جا سکتے ہیں۔
Jev کوئی روایتی چیٹ ماڈل نہیں ہے۔ یہ غیر ساختہ حالت کو ایک ٹائپ شدہ سوال کے ساتھ وصول کرتا ہے اور اعتماد کی سطح سمیت ایک ٹائپ شدہ فیصلہ واپس کرتا ہے، جیسے انتخاب، اسکور، یا بولین قدر۔ ایپلی کیشنز اس نتیجے کو درجہ بندی، روٹنگ، اسکورنگ، تصدیق، اور ایجنٹ گارڈ ریلز کے لیے ایک محدود فیصلہ جاتی پرت کے طور پر استعمال کر سکتی ہیں۔
awesome-jev میں شامل ہونے والے منصوبے ریپوزٹری کے شمولیتی قواعد پر پورا اترتے ہیں، لیکن ضروری نہیں کہ وہ کوڈ ریویو، سیکیورٹی آڈٹ، قابل تکرار ہونے کی جانچ، یا پختگی کے جائزے سے گزرے ہوں۔
ڈائریکٹری کی اہم خصوصیات
ایپلی کیشن پر مرکوز زمرے
ہر اندراج بالکل ایک زمرے سے تعلق رکھتا ہے، جس کا انتخاب اس کی Jev ایپلی کیشن کے لحاظ سے کیا جاتا ہے۔ موجودہ ڈائریکٹری میں یہ شعبے شامل ہیں:
- درجہ بندی اور روٹنگ: ماڈل کا انتخاب، ای میل کے مقصد کی روٹنگ، بھرتی، براؤزر فلٹرنگ، اور خرابیوں کی ابتدائی درجہ بندی۔
- تصدیق اور گارڈ ریلز: کوڈ ریویو گیٹس، ٹول کال کی حفاظت، پرامپٹ انجیکشن کی جانچ، اور تکمیل کی تصدیق۔
- اسکورنگ اور درجہ بندی: تلاش کی مطابقت، حوالہ جاتی معاونت، کوڈ کا معیار، SEO، اور معنوی نقشہ سازی۔
- ایجنٹ کے فیصلے: براؤزر کے اعمال، کوڈنگ ایجنٹ کے فیصلے، سیاق و سباق کی چھانٹی، اور محدود روبوٹک اعمال۔
- ڈیٹا لیبلنگ اور انتخاب: ڈیٹاسیٹ فلٹرنگ اور مسائل کی ابتدائی درجہ بندی۔
- جائزہ اور بینچ مارکنگ: تقابلی ٹیسٹ، کیلیبریشن ٹولز، اور قابل تکرار جائزہ ہارنسز۔
- کیلیبریشن اور تحقیق: مقامی بازتخلیق، اوپن متبادل، اور Jev کی طرز کے فیصلہ جاتی ماڈلز۔
- انفراسٹرکچر اور انضمام: SDKs، گیٹ ویز، کمانڈ لائن ٹولز، اور فریم ورک انضمام۔
- ڈومین کے زمرے: گیمز، سمیولیشن، مالیات، تجارت، تعمیل، قانونی ورک فلو، اور مواد کی نگرانی۔
- متعلقہ طریقۂ کار اور مباحث: حقیقی استعمال کی قابل اعتماد عوامی رپورٹس، جب کوئی مضبوط علیحدہ منصوبہ صفحہ دستیاب نہ ہو۔
ریپوزٹری ان زمروں کی بھی نشاندہی کرتی ہے جن میں ابھی اندراجات شامل کیے جا رہے ہیں۔ مثال کے طور پر، README میں فی الحال Scientific Pipelines درج ہے، مگر اس میں کوئی اندراج نہیں۔
مختصر، شواہد پر مبنی اندراجات
ہر منظور شدہ آئٹم کسی عوامی ماخذ سے منسلک ہوتا ہے اور منظرنامے، طریقۂ کار، اور قدر کا ایک جملے میں خلاصہ پیش کرتا ہے۔ کسی اندراج میں Jev کی واضح نشاندہی، TypeSafe AI کے System One طریقۂ کار کا حوالہ، یا ایسے ٹائپ شدہ لوپ کا مظاہرہ ضروری ہے جس میں ایک سوال اعتماد سمیت ٹائپ شدہ جواب پیدا کرے اور ایپلی کیشن اسے قبول، مسترد، یا مزید جائزے کے لیے آگے بھیجے۔
خودکار طور پر تیار ہونے والا ہوم پیج
مرکزی README زمرے کی فائلوں کو یکجا کرتا ہے۔ اسے scripts/build-readme.py تیار کرتا ہے، اس لیے معاونین کو README میں صرف تیار شدہ زمرے کا مواد تبدیل کرنے کے بجائے متعلقہ زمرے کی فائل میں ترمیم کرنی چاہیے۔
تنصیب اور سیٹ اپ
تنصیب کے بغیر براؤزنگ
awesome-jev ایک ڈائریکٹری ہے، SDK، فریم ورک، یا قابل اجرا ایپلی کیشن نہیں۔ آپ اسے GitHub پر براہ راست استعمال کر سکتے ہیں: README کھولیں، کوئی زمرہ منتخب کریں، اور انفرادی منصوبوں کے لنکس پر جائیں۔ فہرست دیکھنے کے لیے کسی پیکیج کی تنصیب یا API اسناد کی ضرورت نہیں۔
مقامی نقل کے ساتھ کام کرنا
اگر آپ فائلوں میں مقامی طور پر تلاش کرنا یا شراکت تیار کرنا چاہتے ہیں تو اس کے GitHub URL کے ذریعے ریپوزٹری کلون کریں:
git clone <repository-url>
cd awesome-jevزمرے کی ماخذ فائلیں categories/ کے تحت محفوظ ہیں۔ مفید مثالوں میں شامل ہیں:
categories/classification-routing.md
categories/verification-guardrails.md
categories/scoring-ranking.md
categories/evaluation-benchmarking.mdزمرے کی فائل میں ترمیم کے بعد scripts/build-readme.py کے ذریعے مجموعی README دوبارہ تیار کریں۔ اسے چلانے سے پہلے ریپوزٹری کی اپنی ماحول اور شراکت سے متعلق ہدایات پر عمل کریں۔ اگر اسکرپٹ براہ راست Python کے ذریعے چلانے کے لیے ترتیب دیا گیا ہو تو عموماً کمانڈ یہ ہوگی:
python scripts/build-readme.pyمستند قواعد کے لیے CONTRIBUTING.md دیکھیں، خاص طور پر وہ قواعد جو AI کی معاونت سے کیے گئے کام، منصوبے کی گہرائی، اور بڑی تعداد میں جمع کرائی جانے والی تجاویز سے متعلق ہیں۔
بنیادی استعمال: موزوں Jev نمونہ تلاش کرنا
مرحلہ 1: صنعت نہیں، فیصلہ متعین کریں
اپنے سافٹ ویئر کے مطلوبہ محدود فیصلے کی وضاحت سے آغاز کریں۔ یہ طے کریں کہ مطلوبہ نتیجہ انتخاب، اسکور، یا بولین قدر ہے، اور اعتماد ناکافی ہونے کی صورت میں کیا ہونا چاہیے۔
تصوری فیصلہ جاتی معاہدہ کچھ یوں ہو سکتا ہے:
State: متعلقہ غیر ساختہ ان پٹ
Question: ایک محدود طور پر متعین ٹائپ شدہ سوال
Decision: Choice | Score | Boolean
Confidence: اس فیصلے پر ماڈل کا اعتماد
Action: accept | reject | escalateیہ ایک تصوری نمونہ ہے، Jev API کا نحوی طریقہ نہیں۔ اپنے منتخب کردہ مخصوص منصوبے کے فراہم کردہ API اور SDK دستاویزات استعمال کریں۔
مرحلہ 2: قریب ترین براہ راست زمرہ منتخب کریں
اگر آپ کے نظام کو کسی ماڈل کا انتخاب، ای میل کی درجہ بندی، یا درخواست کی روٹنگ کرنی ہے تو Classification and Routing سے آغاز کریں۔ اگر اسے کسی ایجنٹ کے عمل کی منظوری دینی یا مکمل شدہ کام کی تصدیق کرنی ہے تو Verification and Guardrails سے شروع کریں۔ جب نتیجہ بنیادی طور پر درجہ بند قدر یا ترتیب ہو تو Scoring and Ranking استعمال کریں۔
صرف صنعت کے لحاظ سے تلاش نہ کریں۔ کوڈنگ ایجنٹ کے ذریعے استعمال ہونے والا روٹنگ نمونہ کسٹمر سپورٹ، دستاویزاتی پراسیسنگ، یا کسی دوسرے ڈومین میں بھی منتقل ہو سکتا ہے، بشرطیکہ ٹائپ شدہ فیصلے کی ساخت یکساں ہو۔
مرحلہ 3: ٹھوس مثالوں کا موازنہ کریں
فرض کریں کہ آپ کو ماڈلز کے درمیان درخواستیں بھیجنی ہیں۔ ڈائریکٹری میں کئی متعلقہ طریقے شامل ہیں:
- jev-router کام کی بنیاد پر امیدوار ماڈلز میں سے انتخاب کرنے کے لیے Jev سے انتخاب کرواتا ہے۔
- pi-jev-router Vercel AI Gateway کے ذریعے Pi کوڈنگ ایجنٹ میں ہر درخواست کے لیے ماڈل روٹنگ شامل کرتا ہے۔
- jcm-router ہر پیغام کے لیے Claude ماڈل اور استدلال کی سطح منتخب کرتا ہے، جبکہ کیش شدہ بنیادی گفتگو برقرار رکھتا ہے۔
- duet-agent ماڈل کے انتخاب کے لیے Jev پر مبنی روٹنگ ٹیبل برقرار رکھتا ہے۔
یہ اندراجات ٹائپ شدہ روٹنگ پیٹرن کا اشتراک کرتے ہیں، لیکن رن ٹائم، ہدف ایپلیکیشن، اور انضمام کی حد کے لحاظ سے مختلف ہیں۔ کسی ایک کا انتخاب کرنے سے پہلے ہر سورس لنک کی پیروی کریں اور اس کے نفاذ کا جائزہ لیں۔
مرحلہ 4: فیصلہ سازی کے مکمل چکر کا سراغ لگائیں
ایک قابلِ اعتماد نفاذ کو اپنی README میں Jev سے متعلق دعوے سے زیادہ دکھانا چاہیے۔ مکمل راستہ تلاش کریں:
- ایپلیکیشن فیصلہ کرنے کے لیے درکار حالت جمع کرتی ہے۔
- یہ Jev کو ایک محدود دائرے والا ٹائپ شدہ سوال بھیجتی ہے۔
- یہ ٹائپ شدہ نتیجے اور اعتماد کی سطح کو پارس کرتی ہے۔
- ایپلیکیشن کا کوڈ نتیجے کا موازنہ واضح پالیسی یا حد سے کرتا ہے۔
- سسٹم نتیجہ قبول کرتا ہے، مسترد کرتا ہے، یا معاملہ اعلیٰ سطح پر بھیج دیتا ہے۔
مثال کے طور پر، درج کردہ Notra انضمام اپنے NOTRA_JEV_CLASSIFIERS فلیگ کے تحت برانڈ کی مرئیت کے درجہ بند کنندگان کو Jev کے بولین فیصلوں کی طرف بھیجتا ہے اور 0.5 کی حد درج کرتا ہے۔ یہ اس منصوبے سے زیادہ قابلِ عمل ہے جو صرف یہ بیان کرتا ہے کہ وہ AI درجہ بندی استعمال کرتا ہے۔
مرحلہ 5: منصوبے کے اپنے شواہد چلائیں
کسی امیدوار کی شناخت کے بعد awesome فہرست سے آگے بڑھیں اور اس منصوبے کی سیٹ اپ ہدایات پر عمل کریں۔ ایسے اندراجات کو ترجیح دیں جن میں ٹیسٹس، نمونہ ان پٹس اور متوقع آؤٹ پٹس، یا عوامی مظاہرہ موجود ہو۔ awesome-jev ریپوزٹری یہ تصدیق نہیں کرتی کہ درج کردہ سافٹ ویئر کمپائل ہوتا ہے یا اس کے شائع شدہ نتائج دوبارہ حاصل کیے جا سکتے ہیں۔
عملی جائزے کی مثالیں
ایجنٹ کے اقدامات کے لیے حفاظتی رکاوٹ بنانا
جب آپ کو کسی اقدام کو انجام دینے سے پہلے اس کا معائنہ کرنا ہو تو Verification and Guardrails زمرہ کھولیں۔ متعلقہ درج شدہ پیٹرنز میں pi-jev کے ذریعے خطرناک Pi ٹول کالز کی جانچ، jev-guard کے ذریعے پرامپٹ انجیکشن یا خطرناک اقدامات کو روکنا، اور pi-heed کے ذریعے ہر ایسے ٹول کال کا صارف کی درخواست سے موازنہ کرنا شامل ہیں جو کسی ضمنی اثر کا باعث بن سکتی ہو۔
ان منصوبوں کا جائزہ لیتے وقت یہ واضح طور پر شناخت کریں کہ گیٹ کہاں چلتا ہے۔ نفاذ سے پہلے کا گیٹ کسی اقدام کو روک سکتا ہے، جبکہ ترمیم کے بعد کا ریویوئر کسی مسئلے کا صرف اس وقت پتا لگا یا رپورٹ کر سکتا ہے جب تبدیلی ہو چکی ہو۔
نتائج کی اسکورنگ اور دوبارہ درجہ بندی
Scoring and Ranking زمرے میں تلاش کے نتائج کی دوبارہ درجہ بندی، حوالہ جات کی تصدیق، کوڈ کے معیار کا جائزہ، اور مواد کی گریڈنگ شامل ہیں۔ دیکھیں کہ آیا Jev ایک مجموعی اسکور تیار کرتا ہے یا متعدد جہتیں، جنہیں ایپلیکیشن کا کوڈ بعد میں یکجا کرتا ہے۔
یہ فرض کرنے سے پہلے کہ دوبارہ درجہ بندی سے سسٹم بہتر ہوگا، Evaluation and Benchmarking زمرے کا بھی جائزہ لیں۔ درج کردہ ایک ماپی گئی رپورٹ کے مطابق، آزمائے گئے کیٹلاگ اور سوالات کے مجموعے میں صرف Jev کی دوبارہ درجہ بندی نے ویکٹر ریٹریول سے بہتر کارکردگی نہیں دکھائی۔ فنِ تعمیر کا انتخاب کرتے وقت منفی نتائج کامیاب مثالوں جتنے ہی قیمتی ہو سکتے ہیں۔
کم اعتماد والے فیصلوں کا انتظام
اعتماد کی سطح کو دکھا کر نظرانداز کرنے کے بجائے اسے ایپلیکیشن کی واضح پالیسی کو متحرک کرنا چاہیے۔ ایک عام فنِ تعمیر یہ ہے کہ زیادہ اعتماد والے ٹائپ شدہ فیصلے قبول کیے جائیں، جبکہ غیر یقینی معاملات انسان یا زیادہ مہنگے ماڈل کو بھیج دیے جائیں۔ درج کردہ jevcal منصوبہ خاص طور پر متعلقہ ہے: یہ لیبل شدہ ڈیٹا پر ہدفی درستگی حاصل کرنے کے لیے ہر سوال کی حدود متعین کرتا ہے، الگ رکھے گئے اسپلٹ پر ان کی جانچ کرتا ہے، اعلیٰ سطح پر بھیجے گئے معاملات کی تعداد رپورٹ کرتا ہے، اور ماڈل کی تازہ کاری سے مقررہ حدود متاثر ہونے پر CI کو ناکام کر سکتا ہے۔
درج شدہ منصوبے کا جائزہ کیسے لیں
چونکہ کیوریشن توثیق نہیں ہے، اس لیے اختیار کرنے سے پہلے ایک مستقل چیک لسٹ استعمال کریں:
- حقیقی Jev کال کی تصدیق کریں۔ ایسی درخواست تلاش کریں جس میں ٹائپ شدہ سوالات اور جواب کو پارس کرنے والا کوڈ موجود ہو۔
- قابلِ عمل جانچ تلاش کریں۔ ایسے ٹیسٹس، متوقع نتائج والی مثالوں، بینچ مارکس، یا عوامی مظاہروں کو ترجیح دیں جنہیں چلایا جا سکے۔
- مقداری دعووں کا سراغ لگائیں۔ درستگی، لاگت، تاخیر، اور حجم کے اعداد و شمار کو قابلِ تکرار یا واضح طور پر دستاویزی شواہد سے منسلک ہونا چاہیے۔
- نفاذ کی گہرائی ناپیں۔ طے کریں کہ ریپوزٹری میں کام کرنے والا کوڈ، ایک محدود اسکیفولڈ، یا بنیادی طور پر پرامپٹس اور دستاویزات موجود ہیں۔
- لائسنس چیک کریں۔ کوڈ عوامی ہونے کے باوجود غیر موجود یا ناموافق لائسنس دوبارہ استعمال اور تقسیم کو روک سکتا ہے۔
- تاریخ اور نگہداشت کا جائزہ لیں۔ ایک ہی دن بنائی گئی ریپوزٹریاں، ملتے جلتے اسکیفولڈز اور کمٹ کی معمولی تاریخ جائز ہو سکتی ہے، لیکن وہ غیر ثابت شدہ رہتی ہیں۔
ڈائریکٹری کے اندراجات کو تحقیق کے ابتدائی سراغ سمجھیں۔ پروڈکشن میں استعمال سے پہلے سیکیورٹی، قابلِ اعتماد کارکردگی، قابلِ نگہداشت، اور لائسنسنگ کا آزادانہ جائزہ لیں۔
اعلیٰ درجے کی تجاویز
ماڈل کے فیصلے کو ایپلیکیشن کی پالیسی سے الگ رکھیں
ٹائپ شدہ فیصلے اور اعتماد کی سطح کو اس اقدام سے الگ رکھیں جو آپ کا سسٹم کرتا ہے۔ حدود، اعلیٰ سطح پر بھیجنے کے راستے، اخراجات کی حدیں، اور حفاظتی اصول عام ایپلیکیشن کوڈ میں نمایاں رہنے چاہییں۔ اس سے فیصلہ کن سوال کو دوبارہ لکھے بغیر رویے کی جانچ اور تبدیلی آسان ہو جاتی ہے۔
محدود دائرے والے سوالات کو ترجیح دیں
ڈائریکٹری میں Jev کی مثالیں اس وقت زیادہ مضبوط ہوتی ہیں جب وہ محدود سوالات پوچھتی ہیں: کون سا امیدوار منتخب کرنا ہے، آیا کسی اصول کی خلاف ورزی ہوئی ہے، شواہد کسی دعوے کی کتنی مضبوطی سے تائید کرتے ہیں، یا آیا کام مکمل ہے۔ ٹائپ شدہ فیصلے والے ماڈل کو کھلی نوعیت کے متن کی تخلیق کے متبادل کے طور پر استعمال کرنے سے گریز کریں۔
فیصلے سے دستبرداری کا راستہ بنائیں
کمزور مطابقت کو پُراعتماد نظر آنے والی کارروائی میں زبردستی تبدیل نہ کریں۔ فہرست میں موجود ایجنٹ اسکل راؤٹر واضح طور پر اعتماد سے آگاہ فیصلے استعمال کرتا ہے، اس لیے کمزور مطابقت کو مسترد کیا جا سکتا ہے۔ اسی طرح کا متبادل رویہ درجہ بندی، تصدیق، اور اعتدال کاری کے ورک فلو پر بھی لاگو کیا جا سکتا ہے۔
اپنے ڈیٹا پر حدِ نصاب کی توثیق کریں
ایک منصوبے کی جانب سے بتائی گئی حدِ نصاب خودکار طور پر دوسرے منصوبے کے لیے موزوں نہیں ہوتی۔ نمائندہ لیبل شدہ معاملات جمع کریں، مطلوبہ معیار کی سطح منتخب کریں، کوریج اور تصعید کی شرح ناپیں، اور محفوظ رکھے گئے ڈیٹا پر نتیجے کی توثیق کریں۔ سوال، ماڈل، ان پٹ فارمیٹ، یا فیصلہ سازی کی پالیسی تبدیل کرنے کے بعد دوبارہ جائزہ لیں۔
مرکوز جائزے کے لیے زمرہ جاتی فائلیں استعمال کریں
تیار کردہ README وسیع دریافت کے لیے سہولت فراہم کرتی ہے، لیکن categories/ کے اندر موجود انفرادی فائلیں مرکوز جائزے اور تعاون کے لیے زیادہ موزوں ہیں۔ چونکہ ہر اندراج بالکل ایک زمرے میں ظاہر ہوتا ہے، اس لیے جب کوئی منصوبہ کئی متعلقہ امور پر محیط ہو تو ملحقہ زمروں کا بھی جائزہ لیں۔
کھلے متبادل کا احتیاط سے مطالعہ کریں
Calibration and Research زمرے میں مقامی بازتخلیقیں، آزاد پیش نظارے، اور کھلے Jev نما ماڈلز شامل ہیں۔ یہ منصوبے ٹائپڈ-ڈسیژن انٹرفیس کو دوبارہ تخلیق کر سکتے ہیں یا متعلقہ ڈی کوڈنگ تکنیکوں کا جائزہ لے سکتے ہیں، لیکن یہ خودکار طور پر TypeSafe AI کے Jev کے رویے، کیلیبریشن، یا عملی خصوصیات کے مماثل نہیں سمجھے جانے چاہییں۔
ایک اندراج میں تعاون
مجوزہ اندراج عوامی، قابلِ حوالہ، اور Jev یا کسی دستاویزی Jev پورٹ یا مشتق سے واضح طور پر متعلق ہونا چاہیے۔ اسے کسی عمومی کلاسیفائر، راؤٹر، یا جج کے بجائے ایک ٹھوس ٹائپڈ فیصلے کی وضاحت کرنی چاہیے جو صرف اس طرز سے مشابہ ہو۔
- وہ زمرہ منتخب کریں جو منصوبے کے براہِ راست اطلاق سے سب سے زیادہ قریب ہو۔
categories/کے اندر اس زمرے کی ماخذ فائل میں ترمیم کریں۔- ایک جملے کا خلاصہ لکھیں جس میں صورتِ حال، طریقۂ کار، اور قدر شامل ہو۔
- تصدیق کریں کہ منسلک ماخذ واضح طور پر Jev یا ٹائپڈ-ڈسیژن لوپ دکھاتا ہے۔
scripts/build-readme.pyکے ذریعے تیار کردہ README دوبارہ بنائیں۔- پل ریکویسٹ کھولنے سے پہلے
CONTRIBUTING.mdمیں دی گئی تمام ہدایات پر عمل کریں۔
تصحیحات اور حذف بھی جائز تعاون ہیں۔ اگر کوئی اندراج ناقابلِ رسائی، غلط زمرہ بند، بہت مبہم، یا شمولیت کے قواعد پر مزید پورا نہ اترتا ہو، تو معاون شواہد کے ساتھ مسئلہ یا پل ریکویسٹ کھولیں۔
نتیجہ
awesome-jev روٹنگ، اسکورنگ، تصدیق، ایجنٹس، تحقیق، اور انفراسٹرکچر میں حقیقی ٹائپڈ-ڈسیژن اطلاقات دریافت کرنے کا ایک منظم طریقہ فراہم کرتا ہے۔ اس کی سب سے بڑی قدر صرف روابط کی تعداد نہیں، بلکہ وہ بار بار سامنے آنے والے نمونے ہیں جو یہ منصوبے ظاہر کرتے ہیں۔ امیدوار تلاش کرنے کے لیے فہرست استعمال کریں، ہر فیصلہ جاتی لوپ کا سراغ لگائیں، اصل منصوبے کو آزمائیں، اپنے ڈیٹا پر کیلیبریشن کریں، اور ہر اندراج کو توثیق کے بجائے ایک رہنما اشارہ سمجھیں۔