ماڈل سے ایجنٹ تک: Responses API کو کمپیوٹر ماحول کے ساتھ لیس کرنا

ہم اس وقت ماڈلز کے استعمال سے، جو مخصوص کاموں میں بہترین ہوتے ہیں، پیچیدہ ورک فلو سنبھالنے کی صلاحیت رکھنے والے ایجنٹس کے استعمال کی طرف منتقلی میں ہیں. ماڈل کو پرامپٹ کر کے، آپ صرف تربیت یافتہ انٹیلیجنس تک رسائی حاصل کر سکتے ہیں. تاہم، ماڈل کو کمپیوٹر ماحول فراہم کرنے سے استعمال کے کیسز کی کہیں زیادہ وسیع رینج حاصل کی جا سکتی ہے، جیسے سروسز چلانا، APIs سے ڈیٹا کی ریکوئسٹ کرنا، یا اسپریڈشیٹس یا رپورٹس جیسے زیادہ مفید آرٹیفیکٹس تیار کرنا.

جب آپ ایجنٹس بنانے کی کوشش کرتے ہیں تو چند عملی مسائل سامنے آتے ہیں: درمیانی فائلیں کہاں رکھیں، بڑے ٹیبلز کو پرومپٹ میں پیسٹ کرنے سے کیسے بچیں، سیکیورٹی کے مسائل پیدا کیے بغیر ورک فلو کو نیٹ ورک تک رسائی کیسے دیں اور خود ایک ورک فلو سسٹم بنائے بغیر ٹائم آؤٹس اور ری ٹرائز کو کیسے سنبھالیں.

ڈویلپرز پر یہ ذمہ داری ڈالنے کے بجائے کہ وہ اپنے اپنے ایگزیکیوشن اینوائرمنٹ بنائیں، ہم نے ضروری اجزاء تیار کیے تاکہ Responses API⁠(نئی ونڈو میں کھلتا ہے) کو ایک کمپیوٹر اینوائرمنٹ سے لیس کیا جا سکے جو حقیقی دنیا کے کاموں کو قابل اعتماد طریقے سے انجام دے سکے.

OpenAI کی Responses API، shell ٹول اور ہوسٹڈ کنٹینر ورک اسپیس کے ساتھ مل کر، ان عملی مسائل کو حل کرنے کے لیے ڈیزائن کی گئی ہے. ماڈل مراحل اور کمانڈز کی تجویز پیش کرتا ہے؛ پلیٹ فارم انہیں ایک الگ تھلگ ماحول میں چلاتا ہے جس میں اِن پٹس اور آؤٹ پٹس کے لیے ایک فائل سسٹم، اختیاری ڈھانچہ جاتی اسٹوریج (جیسے SQLite) اور محدود نیٹ ورک تک رسائی ہوتی ہے. 

اس پوسٹ میں، ہم یہ واضح کریں گے کہ ہم نے ایجنٹس کے لیے ایک کمپیوٹر ماحول کیسے بنایا اور اسے تیز تر، زیادہ قابلِ تکرار اور زیادہ محفوظ پروڈکشن ورک فلو کے لیے استعمال کرنے کے بارے میں کچھ ابتدائی اسباق شیئر کریں گے.

ایک اچھا ایجنٹ ورک فلو ایک مضبوط نفاذی لوپ سے شروع ہوتا ہے: ماڈل فائلیں پڑھنے یا API کے ذریعے ڈیٹا حاصل کرنے جیسی کارروائی تجویز کرتا ہے، پلیٹ فارم اسے چلاتا ہے اور نتیجہ اگلے مرحلے میں شامل ہو جاتا ہے. ہم shell ٹول سے شروع کریں گے—اس لوپ کو عمل میں دیکھنے کا سب سے آسان طریقہ—اور پھر کنٹینر ورک اسپیس، نیٹ ورکنگ، دوبارہ استعمال کے قابل مہارتیں اور کانٹیکسٹ کمپیکشن کا احاطہ کریں گے.

shell ٹول کو سمجھنے کے لیے، پہلے یہ سمجھنا مفید ہے کہ ایک زبان ماڈل عام طور پر ٹولز کو کیسے استعمال کرتا ہے: ایسے کام کرنے کے لیے جیسے کسی فنکشن کو کال کرنا یا کمپیوٹر کے ساتھ تعامل کرنا. تربیت کے دوران، ایک ماڈل کو یہ دکھایا جاتا ہے کہ ٹولز کو کیسے استعمال کیا جاتا ہے اور اس کے نتیجے میں کیا اثرات ہوتے ہیں، مرحلہ وار. یہ ماڈل کو یہ سیکھنے میں مدد دیتا ہے کہ کب کسی ٹول کا استعمال کرنا ہے اور اسے کیسے استعمال کرنا ہے. جب ہم کہتے ہیں "کسی ٹول کا استعمال", تو ہمارا مطلب یہ ہوتا ہے کہ ماڈل دراصل صرف ایک ٹول کال کی تجویز دیتا ہے. یہ اپنے طور پر کال کو انجام نہیں دے سکتا.

shell ٹول ماڈل کو ڈرامائی طور پر زیادہ طاقتور بناتا ہے: یہ کمانڈ لائن کے ذریعے کمپیوٹر کے ساتھ تعامل کرتا ہے تاکہ کاموں کی ایک وسیع رینج انجام دے سکے، متن تلاش کرنے سے لے کر آپ کے کمپیوٹر پر API ریکوئسٹس بھیجنے تک. مانوس Unix ٹولنگ پر مبنی، ہمارا shell ٹول وہ سب کچھ کر سکتا ہے جس کی آپ توقع کریں گے اور grep، curl اور awk جیسی یوٹیلٹیز باکس سے ہی دستیاب ہیں.

ہمارے موجودہ کوڈ انٹریپریٹر کے مقابلے میں، جو صرف Python چلاتا ہے، shell ٹول استعمال کے کیسز کی کہیں زیادہ وسیع رینج کو ممکن بناتا ہے، جیسے Go یا Java پروگرام چلانا یا NodeJS سرور شروع کرنا. یہ لچک ماڈل کو پیچیدہ ایجنٹک ٹاسک انجام دینے کے قابل بناتی ہے.

اپنے طور پر، ایک ماڈل صرف shell کمانڈز کی تجویز پیش کر سکتا ہے، لیکن یہ کمانڈز کیسے عمل میں لائی جاتی ہیں؟ ہمیں ماڈل آؤٹ پٹ حاصل کرنے، ٹولز کو کال کرنے اور ٹول کے جواب کو ایک لوپ میں واپس ماڈل تک پہنچانے کے لیے ایک آرکیسٹریٹر کی ضرورت ہے، جب تک کہ کام مکمل نہ ہو جائے.

Responses API وہ طریقہ ہے جس کے ذریعے ڈویلپرز OpenAI ماڈل کے ساتھ تعامل کرتے ہیں. جب اسے کسٹم ٹولز کے ساتھ استعمال کیا جاتا ہے، تو Responses API کنٹرول واپس کلائنٹ کو دے دیتا ہے اور کلائنٹ کو ٹولز چلانے کے لیے اپنے ہارنیس کی ضرورت ہوتی ہے. تاہم، یہ API آؤٹ آف دی باکس ماڈل اور ہوسٹڈ ٹولز کے درمیان بھی آرکیسٹریٹ کر سکتا ہے. 

جب Responses API کو کوئی پرومپٹ موصول ہوتا ہے، تو یہ ماڈل سیاق و سباق کو مرتب کرتا ہے: صارف پرومپٹ، سابقہ گفتگو کی حالت اور ٹول ہدایات. shell ایگزیکیوشن کے کام کرنے کے لیے، پرومپٹ میں shell ٹول کے استعمال کا ذکر ہونا چاہیے and منتخب ماڈل کو shell کمانڈز کی تجویز پیش کرنے کے لیے تربیت یافتہ ہونا چاہیے—ماڈلز GPT‑5.2 اور بعد کے ورژنز اس کے لیے تربیت یافتہ ہیں. اس تمام سیاق و سباق کے ساتھ، ماڈل پھر اگلی کارروائی کا فیصلہ کرتا ہے. اگر یہ shell ایگزیکیوشن کا انتخاب کرتا ہے، تو یہ Responses API سروس کو ایک یا زیادہ shell کمانڈز واپس کرتا ہے. API سروس ان کمانڈز کو کنٹینر رن ٹائم تک فارورڈ کرتی ہے، shell آؤٹ پٹ واپس اسٹریم کرتی ہے اور اسے اگلی ریکوئسٹ کے سیاق و سباق میں ماڈل کو فراہم کرتی ہے. ماڈل پھر نتائج کا معائنہ کر سکتا ہے، فالو اپ کمانڈز جاری کر سکتا ہے، یا ایک حتمی جواب تیار کر سکتا ہے. Responses API اس لوپ کو اس وقت تک دہراتا ہے جب تک ماڈل اضافی shell کمانڈز کے بغیر ایک تکمیل واپس نہ کر دے.

جب جوابات API ایک shell کمانڈ پر عمل درآمد کرتا ہے، تو یہ کنٹینر سروس کے ساتھ ایک اسٹریمنگ کنکشن برقرار رکھتا ہے. جیسے ہی آؤٹ پٹ تیار ہوتا ہے، API اسے تقریباً حقیقی وقت میں ماڈل تک پہنچاتا ہے تاکہ ماڈل فیصلہ کر سکے کہ مزید آؤٹ پٹ کے لیے انتظار کرنا ہے، کوئی اور کمانڈ چلانی ہے، یا حتمی جواب کی طرف بڑھنا ہے.

ماڈل ایک ہی مرحلے میں متعدد shell کمانڈز کی تجویز پیش کر سکتا ہے اور Responses API انہیں الگ کنٹینر سیشنز استعمال کرتے ہوئے بیک وقت انجام دے سکتا ہے. ہر سیشن آؤٹ پٹ کو آزادانہ طور پر اسٹریم کرتا ہے اور API ان اسٹریمز کو سیاق و سباق کے طور پر ساختہ ٹول آؤٹ پٹس میں واپس ملٹی پلیکس کرتا ہے. دوسرے الفاظ میں، ایجنٹ کا لوپ کام کو بیک وقت انجام دے سکتا ہے، جیسے فائلیں تلاش کرنا، ڈیٹا حاصل کرنا اور درمیانی نتائج کی توثیق کرنا.

جب کمانڈ میں فائل آپریشنز یا ڈیٹا پروسیسنگ شامل ہو، تو shell آؤٹ پٹ بہت بڑا ہو سکتا ہے اور مفید اشارے شامل کیے بغیر کنٹیکسٹ بجٹس استعمال کر سکتا ہے. اسے کنٹرول کرنے کے لیے، ماڈل ہر کمانڈ کے لیے آؤٹ پٹ کی ایک حد متعین کرتا ہے. Responses API اس حد کو نافذ کرتا ہے اور ایک محدود نتیجہ واپس کرتا ہے جو آؤٹ پٹ کے آغاز اور اختتام دونوں کو برقرار رکھتا ہے، جبکہ حذف شدہ مواد کو نشان زد کرتا ہے. مثال کے طور پر، آپ آؤٹ پٹ کو 1,000 حروف تک محدود کر سکتے ہیں، جبکہ آغاز اور اختتام محفوظ رہیں:

ابتدا میں متن ... 1000 حروف مختصر کیے گئے ... آخر میں متن

مل کر، ہم وقتی عمل درآمد اور محدود آؤٹ پٹ ایجنٹ لوپ کو تیز اور سیاق و سباق کے لحاظ سے مؤثر بناتے ہیں تاکہ ماڈل خام ٹرمینل لاگز سے مغلوب ہونے کے بجائے متعلقہ نتائج پر ریزننگ جاری رکھ سکے.

ایجنٹ لوپس کے ساتھ ایک ممکنہ مسئلہ یہ ہے کہ ٹاسک طویل عرصے تک چل سکتے ہیں. طویل دورانیے کے ٹاسکس سیاق و سباق ونڈو کو بھر دیتے ہیں، جو باریوں کے درمیان اور ایجنٹس کے درمیان سیاق و سباق فراہم کرنے کے لیے اہم ہے. تصور کریں کہ ایک ایجنٹ کسی اسکل کو کال کر رہا ہے، ایک جواب حاصل کر رہا ہے، ٹول کالز اور ریزننگ خلاصے شامل کر رہا ہے—محدود کونٹیکسٹ ونڈو تیزی سے بھر جاتی ہے. ایجنٹ کے مسلسل چلتے رہنے کے دوران اہم سیاق و سباق کے ضائع ہونے سے بچنے کے لیے، ہمیں کلیدی تفصیلات کو برقرار رکھنے اور غیر ضروری چیزوں کو ہٹانے کا ایک طریقہ درکار ہے. ڈویلپرز سے یہ تقاضا کرنے کے بجائے کہ وہ کسٹم سمریائزیشن یا اسٹیٹ-کیریئنگ سسٹمز کو ڈیزائن کریں اور برقرار رکھیں، ہم نے Responses API میں نیٹو کمپیکشن شامل کی، جو اس بات کے مطابق ڈیزائن کی گئی ہے کہ ماڈل کیسے برتاؤ کرتا ہے اور اسے کیسے تربیت دی گئی ہے.

ہمارے تازہ ترین ماڈلز کو اس طرح تربیت دی گئی ہے کہ وہ سابقہ گفتگو کی حالت کا تجزیہ کریں اور ایک کمپیکشن آئٹم تیار کریں جو کلیدی سابقہ حالت کو ایک انکرپٹڈ، ٹوکن-ایفیشنٹ نمائندگی میں محفوظ رکھتا ہے. کمپیکشن کے بعد، اگلی سیاق و سباق ونڈو اس کمپیکشن آئٹم اور پہلے والی ونڈو کے اعلیٰ قدر والے حصوں پر مشتمل ہوتی ہے. یہ ورک فلو کو ونڈو کی حدود کے پار بھی مربوط طور پر جاری رہنے کی اجازت دیتا ہے، حتیٰ کہ طویل، کئی مراحل پر مشتمل اور ٹول سے چلنے والے سیشنز میں بھی. Codex اس میکانزم پر انحصار کرتا ہے تاکہ طویل عرصے تک چلنے والے کوڈنگ ٹاسکس اور تکراری ٹول ایگزیکیوشن کو معیار میں کمی کیے بغیر برقرار رکھا جا سکے.

کمپیکشن یا تو سرور پر بلٹ اِن دستیاب ہے یا ایک اسٹینڈ الون '/کمپیکٹ' اینڈپوائنٹ کے ذریعے. سرور سائیڈ کمپیکشن آپ کو ایک تھریش ہولڈ کنفیگر کرنے دیتا ہے اور سسٹم کمپیکشن کی ٹائمنگ خود بخود سنبھالتا ہے، جس سے پیچیدہ کلائنٹ سائیڈ لاجک کی ضرورت ختم ہو جاتی ہے. یہ کمپیکشن سے عین پہلے چھوٹی موٹی حد سے تجاوز کو برداشت کرنے کے لیے قدرے بڑی مؤثر کانٹیکسٹ ونڈو کی اجازت دیتا ہے، تاکہ حد کے قریب والی ریکوئسٹس مسترد ہونے کے بجائے پھر بھی پروسیس اور کمپیکٹ کی جا سکیں. جیسے جیسے ماڈل کی تربیت ترقی کرتی ہے، مقامی کمپیکشن حل بھی ہر OpenAI ماڈل ریلیز کے ساتھ اس کے ساتھ ترقی کرتا ہے.

Codex نے کمپیکشن سسٹم بنانے میں ہماری مدد کی اور ساتھ ہی اس کے ابتدائی صارف کے طور پر بھی خدمات انجام دیں. جب Codex کی ایک انسٹینس کو کمپیکشن کی خرابی پیش آتی، تو ہم تفتیش کے لیے دوسری انسٹینس چلا دیتے. نتیجہ یہ نکلا کہ Codex نے مسئلے پر کام کرنے سے ہی ایک مقامی، مؤثر کمپیکشن سسٹم حاصل کر لیا. Codex کی خود کو جانچنے اور بہتر بنانے کی یہ صلاحیت OpenAI میں کام کرنے کے ایک خاص طور پر دلچسپ پہلو کے طور پر سامنے آئی ہے. زیادہ تر ٹولز میں صرف یہ ضروری ہوتا ہے کہ صارف انہیں استعمال کرنا سیکھے؛ Codex ہمارے ساتھ ساتھ سیکھتا ہے.

اب، آئیے حالت اور وسائل کا احاطہ کرتے ہیں. کنٹینر نہ صرف کمانڈز چلانے کی جگہ ہے بلکہ ماڈل کے لیے کام کرنے کا سیاق و سباق بھی ہے. کنٹینر کے اندر، ماڈل فائلیں پڑھ سکتا ہے، ڈیٹابیسز کو کوئری کر سکتا ہے اور نیٹ ورک پالیسی کنٹرولز کے تحت بیرونی سسٹمز تک رسائی حاصل کر سکتا ہے.

کنٹینر سیاق و سباق کا پہلا حصہ وسائل کو اپ لوڈ کرنے، منظم کرنے اور ان کا انتظام کرنے کے لیے فائل سسٹم ہے. ہم نے کنٹینر اور فائل⁠(نئی ونڈو میں کھلتا ہے) APIs اس لیے بنائیں کہ ماڈل کو دستیاب ڈیٹا کا نقشہ مل سکے اور اسے وسیع، شور والے اسکین کرنے کے بجائے ہدفی فائل آپریشنز منتخب کرنے میں مدد ملے.

ایک عام اینٹی-پیٹرن یہ ہے کہ تمام اِن پٹ کو براہ راست پرومپٹ سیاق و سباق میں بھر دیا جائے. جیسے جیسے اِن پُٹس بڑھتے ہیں، پرومپٹ کو حد سے زیادہ بھر دینا مہنگا ہو جاتا ہے اور ماڈل کے لیے اس میں راستہ نکالنا مشکل ہو جاتا ہے. ایک بہتر پیٹرن یہ ہے کہ کنٹینر فائل سسٹم میں وسائل کو اسٹیج کیا جائے اور ماڈل کو یہ فیصلہ کرنے دیا جائے کہ shell کمانڈز کے ذریعے کیا کھولنا، پارس کرنا، یا تبدیل کرنا ہے. بالکل انسانوں کی طرح، ماڈل منظم معلومات کے ساتھ بہتر کام کرتے ہیں.

کنٹینر کے سیاق و سباق کا دوسرا حصہ ڈیٹابیسز ہیں. بہت سے معاملات میں، ہم تجویز کرتے ہیں کہ ڈویلپرز ساختہ ڈیٹا کو SQLite کے طور پر ڈیٹا بیسز میں محفوظ کریں اور ان سے سوالات کریں. مثال کے طور پر، پورا اسپریڈشیٹ پرومپٹ میں کاپی کرنے کے بجائے، آپ ماڈل کو جدولوں کی وضاحت دے سکتے ہیں—کہ کون سے کالم موجود ہیں اور ان کا کیا مطلب ہے—اور اسے وہ قطاریں نکالنے دیں جن کی اسے ضرورت ہے.

مثال کے طور پر، اگر آپ پوچھیں، "اس سہ ماہی میں کن مصنوعات کی فروخت میں کمی آئی؟" تو ماڈل پوری اسپریڈشیٹ کو اسکین کرنے کے بجائے صرف متعلقہ قطاروں کو کوئری کر سکتا ہے. یہ تیز تر، سستا اور بڑے ڈیٹاسیٹس کے لیے زیادہ قابلِ پیمائش ہے.

کنٹینر سیاق و سباق کا تیسرا حصہ نیٹ ورک تک رسائی ہے، جو ایجنٹ ورک لوڈز کا ایک لازمی حصہ ہے. ایجنٹ ورک فلو کو لائیو ڈیٹا حاصل کرنے، بیرونی APIs کو کال کرنے، یا پیکجز انسٹال کرنے کی ضرورت پڑ سکتی ہے. اسی وقت، کنٹینرز کو غیر محدود انٹرنیٹ رسائی دینا خطرناک ہو سکتا ہے: ایسا کرنا معلومات کو بیرونی ویب سائٹس کے سامنے بے نقاب کر سکتا ہے، غیر ارادی طور پر حساس داخلی یا تیسری پارٹی کے سسٹمز کو چھو سکتا ہے، یا کریڈنشل لیکس اور ڈیٹا exfiltration کے خلاف حفاظت کرنا مزید مشکل بنا سکتا ہے.

ان خدشات کو ایجنٹس کی افادیت کو محدود کیے بغیر حل کرنے کے لیے، ہم نے سائیڈکار ایگریس پراکسی استعمال کرنے کے لیے ہوسٹڈ کنٹینرز بنائے. تمام آؤٹ باؤنڈ نیٹ ورک ریکوئسٹس ایک مرکزی پالیسی پرت کے ذریعے گزرتی ہیں جو اجازت فہرستوں اور رسائی کنٹرولز کو نافذ کرتی ہے، جبکہ ٹریفک کو قابلِ مشاہدہ رکھتی ہے. اسناد کے لیے، ہم ایگریس پر ڈومین کے دائرہ کار تک محدود سیکرٹ انجیکشن استعمال کرتے ہیں. ماڈل اور کنٹینر صرف پلیس ہولڈرز دیکھتے ہیں، جبکہ خام خفیہ قدریں ماڈل کو نظر آنے والے سیاق و سباق سے باہر رہتی ہیں اور صرف منظور شدہ منزلوں کے لیے ہی لاگو کی جاتی ہیں. یہ لیکیج کے خطرے کو کم کرتا ہے جبکہ توثیق شدہ بیرونی کالز کو فعال کرنے کی صلاحیت بھی برقرار رکھتا ہے.

Shell کمانڈز طاقتور ہیں، لیکن بہت سے ٹاسکس ایک ہی کثیر مرحلہ وار پیٹرنز کو دہراتے ہیں. ایجنٹس کو ہر بار ورک فلو دوبارہ دریافت کرنا پڑتا ہے—دوبارہ منصوبہ بندی کرنا، کمانڈز دوبارہ جاری کرنا اور کنونشنز دوبارہ سیکھنا—جس کے نتیجے میں غیر یکساں نتائج اور عمل درآمد میں ضیاع ہوتا ہے. ایجنٹ کی مہارتیں⁠(نئی ونڈو میں کھلتا ہے) ان پیٹرنز کو دوبارہ قابل استعمال، قابلِ ترکیب تعمیراتی بلاکس میں پیک کرتی ہیں. عملی طور پر، ایک مہارت ایک فولڈر بنڈل ہے جس میں 'SKILL.md⁠(نئی ونڈو میں کھلتا ہے)' شامل ہے (میٹا ڈیٹا اور ہدایات پر مشتمل) نیز کوئی بھی معاون وسائل، جیسے API اسپیسیفیکیشنز اور UI اثاثے.

یہ ساخت قدرتی طور پر اس رن ٹائم فن تعمیر سے مطابقت رکھتی ہے جسے ہم نے پہلے بیان کیا تھا. کنٹینر مستقل فائلیں اور عمل درآمد کا سیاق و سباق فراہم کرتا ہے اور shell ٹول عمل درآمد کا انٹرفیس فراہم کرتا ہے. دونوں کے موجود ہونے کے ساتھ، ماڈل ضرورت پڑنے پر shell کمانڈز (`ls`, `cat`, وغیرہ) استعمال کر کے مہارت کی فائلیں دریافت کر سکتا ہے، ہدایات کی تشریح کر سکتا ہے اور اسی ایجنٹ لوپ میں مہارت کے اسکرپٹس چلا سکتا ہے.

ہم OpenAI پلیٹ فارم میں اسکلز کو منظم کرنے کے لیے APIs⁠(نئی ونڈو میں کھلتا ہے) فراہم کرتے ہیں. ڈیولپرز اسکل فولڈرز کو ورژن شدہ بنڈلز کے طور پر اپ لوڈ اور اسٹور کرتے ہیں، جنہیں بعد میں اسکل ID کے ذریعے بازیافت کیا جا سکتا ہے. ماڈل کو پرومپٹ بھیجنے سے پہلے، Responses API اسکل لوڈ کرتا ہے اور اسے ماڈل کے سیاق و سباق میں شامل کرتا ہے. یہ سِکوینس تعیّن شدہ ہے:

1. اسکل میٹا ڈیٹا حاصل کریں، بشمول نام اور تفصیل.
2. اسکل بنڈل حاصل کریں، اسے کنٹینر میں کاپی کریں اور اسے اَن پیک کریں.
3. ماڈل کے سیاق و سباق کو اسکل میٹا ڈیٹا اور کنٹینر پاتھ کے ساتھ اپ ڈیٹ کریں.

جب یہ فیصلہ کیا جا رہا ہو کہ آیا کوئی اسکل متعلقہ ہے، تو ماڈل بتدریج اس کی ہدایات کا جائزہ لیتا ہے اور کنٹینر میں shell کمانڈز کے ذریعے اس کے اسکرپٹس کو انجام دیتا ہے.

تمام حصوں کو یکجا کرنے کے لیے: Responses API آرکیسٹریشن فراہم کرتا ہے، shell ٹولقابلِ عمل اقدامات فراہم کرتا ہے، ہوسٹڈ کنٹینر مستقل رن ٹائم سیاق و سباق فراہم کرتا ہے، مہارتیں کی تہہ قابلِ دوبارہ استعمال ورک فلو لاجک فراہم کرتی ہے اور کمپیکشن ایک ایجنٹ کو طویل عرصے تک اس سیاق و سباق کے ساتھ چلنے کی اجازت دیتا ہے جس کی اسے ضرورت ہوتی ہے.

ان پرائمٹوز کے ساتھ، ایک واحد پرومپٹ ایک اینڈ-ٹو-اینڈ ورک فلو میں پھیل سکتا ہے: درست اسکل دریافت کرنا، ڈیٹا حاصل کرنا، اسے مقامی ساختہ حالت میں تبدیل کرنا، اسے مؤثر طریقے سے کوئری کرنا اور پائیدار آرٹیفیکٹس تیار کرنا. 

نیچے دی گئی ڈایاگرام دکھاتی ہے کہ لائیو ڈیٹا سے ایک اسپریڈشیٹ بنانے کے لیے یہ سسٹم کیسے کام کرتا ہے.

اختتام سے اختتام تک ورک فلو کے لیے shell ٹول اور کمپیوٹر ماحول کو یکجا کرنے کی ایک تفصیلی مثال کے لیے، ہماری ڈویلپر بلاگ پوسٹ⁠(نئی ونڈو میں کھلتا ہے) اور کک بک⁠(نئی ونڈو میں کھلتا ہے) دیکھیں، جو ایک اسکل کو پیکج کرنے اور اسے Responses API کے ذریعے انجام دینے کا طریقہ بتاتی ہیں.

ہم یہ دیکھنے کے لیے پُرجوش ہیں کہ ڈویلپرز اس بنیادی اجزاء کے اس مجموعے کے ساتھ کیا بناتے ہیں. زبان کے ماڈل کا مقصد صرف متن، تصاویر اور آڈیو تیار کرنا نہیں ہے–ہم اپنے پلیٹ فارم کو مزید ترقی دیتے رہیں گے تاکہ وہ بڑے پیمانے پر پیچیدہ، حقیقی دنیا کے کاموں کو سنبھالنے میں زیادہ قابل ہو سکے.