AI Agent (UR)
بڑے لسانی ماڈل پر مبنی ایجنٹ (LLM-ایجنٹ) — ایک خودمختار نظام ہے جو ایک بڑے لسانی ماڈل (LLM) کو مرکزی ادراکی جزو («دماغ») کے طور پر استعمال کرتا ہے تاکہ ماحول کو سمجھ سکے، منصوبہ بندی کر سکے اور پیچیدہ کثیر مرحلاتی کاموں کو انجام دے سکے۔ غیر فعال LLMs کے برعکس جو صرف صارف کی درخواستوں کا جواب دیتے ہیں، LLM-ایجنٹ فعال اقدام، خودمختار ہدف سازی اور کم سے کم انسانی مداخلت کے ساتھ بدلتے ہوئے حالات کے مطابق ڈھلنے کی صلاحیت رکھتے ہیں[1]۔
LLM-ایجنٹ کا تصور ذہین ایجنٹ کے اس کلاسیکی تصور کا ارتقاء ہے جسے Stuart Russell اور Peter Norvig نے اپنی کتاب «مصنوعی ذہانت: ایک جدید نقطہ نظر» میں بیان کیا تھا۔ اگر کلاسیکی ایجنٹ کی تعریف ہر اس ہستی سے کی جاتی ہے جو سینسرز کے ذریعے ماحول کو محسوس کرتی ہے اور عمل کاری میکانزم کے ذریعے اس پر اثر ڈالتی ہے، تو LLM-ایجنٹ ادراکات کی تشریح اور اقدامات کے بارے میں فیصلے کرنے کے لیے لسانی ماڈل استعمال کرتا ہے[2]۔
LLM-ایجنٹ کا ڈھانچہ
جدید LLM-ایجنٹ، تمام تر تنوع کے باوجود، اکثر یکساں ڈھانچاتی اصولوں پر بنائے جاتے ہیں۔ LLM-ایجنٹ کے یکسانی ڈھانچے میں کئی اہم باہم مربوط ماڈیول شامل ہیں[1]۔
استدلال کا ماڈیول (دماغ)
ایجنٹ کا مرکز بڑا لسانی ماڈل ہے جو مرکزی پروسیسر کا کردار ادا کرتا ہے۔ یہ درج ذیل کاموں کا ذمہ دار ہے:
- تشریح: صارف کی ہدایات، آنے والے ڈیٹا اور مشاہدات کے نتائج کو سمجھنا۔
- استدلال: صورتحال کا تجزیہ کرنے کے لیے منطق اور علم کا اطلاق۔ Chain-of-Thought (CoT) جیسی تکنیکیں ماڈل کو پیچیدہ کاموں کو منطقی مراحل کی ترتیب میں تقسیم کرنے کی اجازت دیتی ہیں۔
- منصوبہ بندی: مقررہ ہدف حاصل کرنے کے لیے قدم بہ قدم عملی منصوبہ تیار کرنا۔
یادداشت کا ماڈیول
معیاری LLMs کا ایک بڑا مسئلہ یہ ہے کہ وہ محدود context window سے باہر معلومات یاد نہیں رکھ سکتے۔ یادداشت کا ماڈیول اس مسئلے کو حل کرتا ہے۔
- قلیل مدتی یادداشت: حالیہ پیغامات اور اقدامات کی تاریخ جو context window کے اندر ہر نئی درخواست کے ساتھ LLM کو بھیجی جاتی ہے۔
- طویل مدتی یادداشت: معلومات کو طویل عرصے تک محفوظ رکھنے کے لیے بیرونی ذخائر استعمال کیے جاتے ہیں، جن میں سب سے زیادہ vector databases (مثلاً Pinecone، Chroma) استعمال ہوتے ہیں۔ متنی معلومات کو عددی vectors (embeddings) میں تبدیل کر کے محفوظ کیا جاتا ہے۔ ضرورت پڑنے پر ایجنٹ متعلقہ یادیں نکالنے کے لیے اس ڈیٹا بیس میں semantic search کر سکتا ہے۔
منصوبہ بندی کا ماڈیول
یہ ماڈیول ایجنٹ کو حکمت عملی کی سوچ کی صلاحیت دیتا ہے۔ منصوبہ بندی دو بنیادی طریقوں سے کی جا سکتی ہے:
- بغیر تاثر کے منصوبہ بندی: ایجنٹ پہلے سے مکمل عملی منصوبہ تیار کرتا ہے اور پھر اسے یکے بعد دیگرے انجام دیتا ہے۔
- تاثر کے ساتھ منصوبہ بندی (ReAct): ایجنٹ ابتدائی منصوبہ بناتا ہے، پہلا قدم اٹھاتا ہے، نتیجے کا تجزیہ کرتا ہے، اور پھر باقی منصوبے کو درست یا مکمل کرتا ہے۔ یہ تکراری نقطہ نظر ایجنٹ کو زیادہ موافق بناتا ہے۔
اقدامات کا ماڈیول (اوزار)
یہ ماڈیول ایجنٹ کے «ہاتھ اور آنکھیں» ہے جو اسے بیرونی دنیا کے ساتھ تعامل کرنے کی اجازت دیتا ہے۔ اقدامات عموماً بیرونی اوزاروں (tools) کے استعمال پر مشتمل ہوتے ہیں — یہ APIs یا functions ہیں جنہیں ایجنٹ ان کاموں کے لیے بلا سکتا ہے جو LLM کی صلاحیتوں سے باہر ہیں۔ اوزاروں کی مثالیں:
- تلاشی انجن (تازہ ترین معلومات حاصل کرنے کے لیے)۔
- کیلکولیٹر یا کوڈ interpreter (درست حسابات کے لیے)۔
- ڈیٹا بیس APIs (منظم ڈیٹا نکالنے کے لیے)۔
- دیگر AI ماڈل (مثلاً تصاویر بنانے کے لیے)۔
اہم Patterns اور ٹیکنالوجیز
LLM-ایجنٹس کی ترقی کئی اہم تکنیکی پیش رفتوں کی بدولت ممکن ہوئی۔
ReAct: استدلال اور عمل کا اتحاد
ReAct (Reason + Act) — یہ ایک بنیادی pattern ہے جسے Google اور Princeton کے محققین نے 2022 میں پیش کیا، جو استدلال اور عمل کو ایک تکراری دور میں یکجا کرتا ہے[3]۔ پہلے مکمل منصوبہ سوچنے اور پھر عمل کرنے کے بجائے، ایجنٹ «خیالات» اور «اقدامات» کی نسل کو باری باری دہراتا ہے:
- خیال (Thought): ایجنٹ موجودہ صورتحال کا تجزیہ کرتے ہوئے اور آگے کیا کرنا ہے یہ طے کرتے ہوئے اندرونی استدلال پیدا کرتا ہے۔
- عمل (Action): ایجنٹ دستیاب اوزاروں میں سے ایک کو بلا کر عمل انجام دیتا ہے۔
- مشاہدہ (Observation): ایجنٹ انجام دیے گئے عمل کا نتیجہ حاصل کرتا ہے اور اسے اگلے مرحلے کے لیے اپنے context میں شامل کرتا ہے۔
یہ دور ایجنٹ کے استدلال کو بیرونی دنیا کی حقیقی معلومات سے «جوڑنے» کی اجازت دیتا ہے، جو hallucinations سے لڑنے میں مدد کرتا ہے اور ایجنٹ کو زیادہ قابل اعتماد بناتا ہے۔
اوزاروں کا استعمال (Tool Use)
- Toolformer: Meta کا تیار کردہ ماڈل جسے کام حل کرنے کے لیے ضرورت پڑنے پر خودبخود بیرونی APIs (کیلکولیٹر، سرچ انجن) بلانے پر fine-tune کیا گیا تھا[4]۔
- Function Calling: GPT ماڈلز کے API میں ایک فیچر جو ڈویلپرز کو بیرونی اوزار بیان کرنے اور ماڈل کو مطلوبہ function بلانے کے دلائل کے ساتھ منظم JSON آبجیکٹ واپس کرنے کی اجازت دیتا ہے۔ اس سے LLM کا بیرونی نظاموں کے ساتھ انضمام نمایاں طور پر آسان اور زیادہ قابل اعتماد ہو جاتا ہے[5]۔
ایجنٹس کی اقسام اور ان کا اطلاق
خودمختار ایجنٹس
یہ وہ نظام ہیں جو کم سے کم انسانی شرکت کے ساتھ پیچیدہ کثیر مرحلاتی کاموں کو انجام دینے کے لیے تیار کیے گئے ہیں۔ سب سے مشہور مثالیں یہ ہیں:
- AutoGPT: پہلے مشہور عام منصوبوں میں سے ایک (مارچ 2023) جس نے مکمل طور پر خودمختار LLM-ایجنٹس کی صلاحیت ظاہر کی۔ صارف اعلیٰ سطحی ہدف دیتا ہے، اور AutoGPT خودبخود اسے تقسیم کرتا ہے، مراحل کی منصوبہ بندی کرتا ہے اور اسے حاصل کرنے کے لیے اوزار (مثلاً Google تلاش) استعمال کرتا ہے[6]۔
- BabyAGI: ایک تجربہ جو vector databases کی مدد سے ایجنٹ کو طویل مدتی یادداشت دینے پر مرکوز تھا۔ یہ LLM کی «بھول جانے» کی خامی کو دور کرتا ہے، ایجنٹ کو گذشتہ sessions کے تجربات یاد کرنے اور استعمال کرنے کی اجازت دیتا ہے[7]۔
کثیر ایجنٹ نظام (Multi-Agent Systems)
یہ ایک زیادہ پیچیدہ طریقہ کار ہے جس میں ایک کام کو حل کرنے کے لیے کئی ایجنٹس، اکثر مختلف کرداروں اور تخصص کے ساتھ، استعمال کیے جاتے ہیں۔ یہ نقطہ نظر انسانی ٹیم ورک کی نقل کرتا ہے اور «brainstorming» اور باہمی جانچ کے ذریعے بہتر نتائج دے سکتا ہے۔
- Generative Agents: Stanford یونیورسٹی کا مشہور تجربہ جس میں LLM کے زیر انتظام 25 ایجنٹس نے ایک ورچوئل شہر میں زندگی کی نقل کی، پیچیدہ سماجی رویے اور ہم آہنگی کا مظاہرہ کیا[8]۔
- CICERO: Meta AI کا ایجنٹ جس نے پیچیدہ حکمت عملی کے کھیل Diplomacy میں انسانی سطح کا مظاہرہ کیا، جس کے لیے حکمت عملی کی منصوبہ بندی اور قدرتی زبان میں مذاکرات دونوں کی ضرورت تھی[9]۔
چیلنجز اور خطرات
بے پناہ صلاحیت کے باوجود، LLM-ایجنٹس کے وسیع پیمانے پر نفاذ کے ساتھ سنگین چیلنجز جڑے ہوئے ہیں:
- قابل اعتماد ہونا اور hallucinations: ایجنٹ غلط مفروضے پر عمل کر سکتا ہے جو غلط اقدامات کا سلسلہ شروع کر دیتا ہے۔
- سیکیورٹی: خودمختاری اور عمل کرنے کی صلاحیت LLM-ایجنٹس کو نئے حملوں کے ہدف بناتی ہے، جیسے Prompt Injection اور Tool Misuse۔
- ایجنٹ کا تضاد (Agentic Misalignment): Anthropic کی تحقیق میں سامنے آنے والا بنیادی مسئلہ۔ جب ایجنٹ ایسے حالات میں ہو جہاں اس کے اہداف operator کے مفادات سے ٹکراتے ہوں، تو وہ اپنی بند ش سے بچنے کے لیے جان بوجھ کر نقصاندہ اقدامات (مثلاً کارپوریٹ جاسوسی یا بلیک میل) کا انتخاب کر سکتا ہے[10]۔
حوالہ جات
- Wang, L. et al. (2023). A Survey on Large Language Model based Autonomous Agents. arXiv:2308.11432.
- Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
- Schick, T. et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761.
- Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
- Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
- Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. arXiv:2303.17651.
- Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
- Wang, G. et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models. arXiv:2305.16291.
- Bakhtin, A. et al. (2022). Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning. Science. PDF.
- Xu, W. et al. (2025). A-MEM: Agentic Memory for LLM Agents. arXiv:2502.12110.
- Anthropic Research. (2025). Agentic Misalignment: How LLMs Could Be Insider Threats. anthropic.com.
حواشی
- ↑ 1.0 1.1 Wang, L., Ma, C., Feng, X., et al. (2023). «A Survey on Large Language Model based Autonomous Agents». arXiv:2308.11432. [1]
- ↑ Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
- ↑ Yao, S., Zhao, J., Yu, D., et al. (2022). «ReAct: Synergizing Reasoning and Acting in Language Models». arXiv:2210.03629. [2]
- ↑ Schick, T., Dwivedi-Yu, J., Dessì, R., et al. (2023). «Toolformer: Language Models Can Teach Themselves to Use Tools». arXiv:2302.04761.
- ↑ «Function calling and other API updates». OpenAI Blog.
- ↑ «What is AutoGPT?». IBM.
- ↑ «The Rise of Autonomous Agents: AutoGPT, AgentGPT, and BabyAGI». BairesDev Blog.
- ↑ Park, J. S., O'Brien, J. C., et al. (2023). «Generative Agents: Interactive Simulacra of Human Behavior». arXiv:2304.03442.
- ↑ Bakhtin, A., Brown, N., et al. (2022). «Human-level play in the game of Diplomacy by combining language models with strategic reasoning». Science.
- ↑ «Agentic Misalignment: How LLMs could be insider threats». Anthropic.