۱۶ مئی، ۲۰۲۵

Codex کا تعارف

codex-1 کے ذریعے چلنے والا ایک کلاؤڈ بیسڈ سافٹ ویئر انجینئرنگ ایجنٹ جو بیک وقت متعدد کام انجام دے سکتا ہے۔ آج Codex ChatGPT Pro، Business، اور Enterprise صارفین کے لیے دستیاب ہے، اور جلد ہی Plus صارفین کے لیے بھی دستیاب ہوگا۔

Codex آزمائیں

Dashboard asking ‘What should we code next?’ with a prompt box, repo/branch selectors, and a task list on a pastel code-themed backdrop.

لوڈ ہو رہا ہے…

اپڈیٹ بمطابق 3 جون 2025: Codex اب ChatGPT Plus صارفین کے لیے دستیاب ہے۔ ہم صارفین کو ٹاسک کے عملدرآمد کے دوران Codex کو انٹرنیٹ تک رسائی بھی فراہم کرنے کے قابل بنا رہے ہیں۔ مزید تفصیلات کے لیے براہِ کرم changelog⁠(نئی ونڈو میں کھلتا ہے) اور docs⁠(نئی ونڈو میں کھلتا ہے) ملاحظہ کریں۔

آج ہم Codex کا ریسرچ پریویو لانچ کر رہے ہیں: ایک کلاؤڈ بیسڈ سافٹ ویئر انجینئرنگ ایجنٹ جو متوازی طور پر کئی ٹاسکس پر کام کر سکتا ہے۔ Codex آپ کے لیے یہ کام انجام دے سکتا ہے: فیچرز لکھنا، آپ کے کوڈ بیس کے سوالات کے جواب دینا، بگز درست کرنا، اور ریویو کے لیے پل ریکوسٹس تجویز کرنا؛ ہر ٹاسک اپنے علیحدہ کلاؤڈ سینڈباکس ماحول میں چلتا ہے جو آپ کے ریپوزیٹری کے ساتھ پہلے سے لوڈ کردہ ہوتا ہے۔

Codex codex-1 کے ذریعے انفورس ہوتا ہے، جو OpenAI o3 کا وہ ورژن ہے جو سافٹ ویئر انجینئرنگ کے لیے مخصوص طور پر آپٹمائز کیا گیا ہے۔ اسے مختلف ماحول میں حقیقی دنیا کے کوڈنگ ٹاسکس پر تقویتی تربیت (reinforcement learning) کے ذریعے تربیت دیا گیا تاکہ وہ ایسا کوڈ جنریٹ کرے جو انسانی انداز اور PR ترجیحات کے قریب ہو، ہدایات کے بالکل مطابق ہو، اور بار بار ٹیسٹ چلا کر اس وقت تک دوہرائے جب تک پاس رزلٹ حاصل نہ ہوجائے۔ ہم آج سے Codex کو ChatGPT Pro، Enterprise، اور Business صارفین کے لیے دستیاب کرنا شروع کر رہے ہیں، اور Plus اور Edu کے لیے سپورٹ جلد فراہم کی جائے گی۔

Codex کیسے کام کرتا ہے

آج سے آپ ChatGPT کے سائیڈبار کے ذریعے Codex تک رسائی حاصل کر سکتے ہیں اور صرف ایک پرامپٹ ٹائپ کر کے “Code” بٹن دبا کر اسے نیا ٹاسک دے سکتے ہیں۔ اگر آپ کو Codex سے اپنے کوڈ بیس سے متعلق کوئی سوال پوچھنا ہو تو “Ask” پر کلک کریں۔ ہر ٹاسک ایک الگ، محفوظ (isolated) ماحول میں چلتا ہے جو پہلے سے آپ کے ریپوزٹری ڈیٹا کے ساتھ لوڈ ہوتا ہے۔ Codex فائلیں پڑھ سکتا ہے اور ترمیم کر سکتا ہے، نیز کمانڈز چلا سکتا ہے جن میں ٹیسٹ ہارنسز، لنٹرز، اور ٹائپ چیکرز شامل ہیں۔ ٹاسک کی پیچیدگی کے لحاظ سے مکمل ہونے کا وقت 1 سے 30 منٹ کے درمیان ہوتا ہے، اور آپ Codex کی پیش رفت کو ریئل ٹائم میں مانیٹر کر سکتے ہیں۔

ٹاسک مکمل ہونے پر، Codex اپنی تبدیلیاں اپنے ماحول میں Commit کرتا ہے۔ اپنے ہر ایکشن کا قابلِ تصدیق ثبوت بھی فراہم کرتا ہے—جیسے ٹرمینل لاگز اور ٹیسٹ آؤٹ پُٹس—تاکہ آپ ہر قدم کا جائزہ لے سکیں۔ اس کے بعد آپ: نتائج کا ریویو کر سکتے ہیں، مزید ترامیم کی درخواست کر سکتے ہیں، GitHub پر پل ریکویسٹ کھول سکتے ہیں یا تبدیلیوں کو براہِ راست اپنے مقامی ماحول میں شامل کر سکتے ہیں۔ مصنوعات میں، آپ Codex کے ماحول کو اپنی اصل ڈویلپمنٹ اینوائرمنٹ سے ممکن حد تک قریب بنانے کے لیے ترتیب دے سکتے ہیں۔

Codex کو آپ کی ریپوزٹری کے اندر موجود AGENTS.md فائلوں کے ذریعے رہنمائی فراہم کی جا سکتی ہے۔ یہ README.md کی طرح کی ٹیکسٹ فائلیں ہیں، جن میں آپ Codex کو بتا سکتے ہیں کہ: آپ کے کوڈ بیس میں کیسے نیویگیٹ کرنا ہے، ٹیسٹنگ کے لیے کون سی کمانڈز چلانی ہیں اور آپ کے پروجیکٹ کے معیاری طریقۂ کار پر عمل کیسے کرنا ہے۔ بالکل انسانی ڈویلپرز کی طرح، Codex ایجنٹس اُس وقت بہترین کارکردگی دکھاتے ہیں جب انہیں ٹھیک طرح سے ترتیب دیے گئے ڈویلپمنٹ اینوائرمنٹس، قابلِ اعتماد ٹیسٹنگ سیٹ اَپس، اور واضح دستاویزی رہنمائی فراہم کی جائے۔

کوڈنگ ایویلیوایشنز اور اندرونی بینچ مارکس پر، codex-1 بغیر AGENTS.md فائلوں یا کسٹم اسکیفولڈنگ کے بھی مضبوط کارکردگی دکھاتا ہے۔

ہمارے اندرونی انفراسٹرکچر پر نہ چل سکنے والے SWE-Bench Verified کے 23 نمونے کو نتائج سے خارج کر دیا گیا تھا۔ codex-1 کی جانچ زیادہ سے زیادہ 192k ٹوکنز کے کانٹیکسٹ لینتھ اور میڈیم “reasoning effort” پر کی گئی تھی، جو وہی سیٹنگ ہے جو آج پروڈکٹ میں دستیاب ہوگی۔ o3 سے متعلق تفصیلی جائزے کے لیے دیکھیں: یہاں⁠۔

ہمارا اندرونی SWE ٹاسک بینچ مارک OpenAI کے حقیقی دنیا کے اندرونی سافٹ ویئر انجینئرنگ ٹاسکس کا مرتب شدہ مجموعہ ہے۔

محفوظ اور قابلِ اعتماد ایجنٹس کی تشکیل

ہم اپنے مرحلہ وار ڈپلائمنٹ کے طریقہ کار کے مطابق Codex کو ریسرچ پری ویو کے طور پر جاری کر رہے ہیں۔ ہم نے Codex کا ڈیزائن بناتے وقت سیکیورٹی اور شفافیت کو ترجیح دی ہے، تاکہ صارفین اس کے نتائج کی توثیق کر سکیں—یہ پہلو اُس وقت اور بھی اہم ہو جاتا ہے جب AI ماڈلز مزید پیچیدہ کوڈنگ ٹاسکس کو خود مختار طریقے سے انجام دینا شروع کر دیں اور سیکیورٹی کے تقاضے تبدیل ہوتے رہیں۔ صارفین سائیٹیشنز، ٹرمینل لاگز، اور ٹیسٹ نتائج کے ذریعے Codex کے کام کی تصدیق کر سکتے ہیں۔ جب Codex کو کسی چیز پر یقین نہ ہو، یا ٹیسٹ ناکام ہو جائیں، تو ایجنٹ واضح طور پر یہ مسائل بتاتا ہے، جس سے صارفین یہ فیصلہ کرسکتے ہیں کہ اگلا قدم کیا ہونا چاہیے۔ تاہم، یہ اب بھی ضروری ہے کہ صارفین ایجنٹ کے تیار کردہ کوڈ کو انٹیگریشن یا ایکزیکیوشن سے پہلے ہینڈ ریویو اور ویلیڈیٹ ضرور کریں۔

Code-review screenshot with a test-file overlay verifying quoted filenames, plus summary and passing tests on a blue backdrop.

Code-review screenshot with a black terminal overlay showing one passing test for quoted filenames; summary and diff of the ‘Fix /diff error with special characters’ change visible on a blue-pastel background.

انسانی ترجیحات کے مطابق ہم آہنگی

codex-1 کی تربیت کے دوران ہمارا بنیادی مقصد یہ تھا کہ آؤٹ پُٹس کو انسانی کوڈنگ کے معیارات اور ترجیحات کے ساتھ زیادہ سے زیادہ ہم آہنگ کیا جائے۔ OpenAI o3 کے مقابلے میں، codex-1 مستقل طور پر زیادہ صاف، بہتر اور فوری انسانی ریویو کے قابل کوڈ پیچز تیار کرتا ہے، جو معیاری ورک فلو میں بآسانی ضم کیے جا سکتے ہیں۔

Please fix the following issue in the astropy/astropy repository. Please resolve the issue in the problem below by editing and testing code files in your current code execution session. The repository is cloned in the /testbed folder. You must fully solve the problem for your answer to be considered correct. Problem statement:Modeling's `separability_matrix` does not compute separability correctly for nested CompoundModels Consider the following model: ```python from astropy.modeling import models as m from astropy.modeling.separable import separability_matrix cm = m.Linear1D(10) & m.Linear1D(5) ``` It's separability matrix as you might expect is a diagonal: ```python >>> separability_matrix(cm) array([[ True, False], [False, True]]) ``` If I make the model more complex: ```python >>> separability_matrix(m.Pix2Sky_TAN() & m.Linear1D(10) & m.Linear1D(5)) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, False], [False, False, False, True]]) ``` The output matrix is again, as expected, the outputs and inputs to the linear models are separable and independent of each other. If however, I nest these compound models: ```python >>> separability_matrix(m.Pix2Sky_TAN() & cm) array([[ True, True, False, False], [ True, True, False, False], [False, False, True, True], [False, False, True, True]]) ``` Suddenly the inputs and outputs are no longer separable? This feels like a bug to me, but I might be missing something?

Codex

OpenAI o3

غلط استعمال کی روک تھام

AI سے چلنے والی سافٹ ویئر انجینئرنگ کے غلط استعمال—جیسے کہ میل ویئر کی تیاری—سے حفاظت فراہم کرنا پہلے سے زیادہ اہم ہے۔ اسی کے ساتھ یہ بھی ضروری ہے کہ حفاظتی اقدامات ایسی جائز اور فائدہ مند سرگرمیوں میں رکاوٹ نہ ڈالیں جو تکنیکی طور پر ان ہتھ کنڈوں سے ملتی جلتی ہو سکتی ہیں (مثلاً لو لیول کِرنَل انجینئرنگ)۔

اس توازن کو برقرار رکھنے کے لیے، Codex کو اس طرح تربیت دی گئی ہے کہ وہ بدنیتی پر مبنی سافٹ ویئر تیار کرنے کی درخواستوں کو واضح طور پر مسترد کرے، جبکہ جائز کاموں کو درست طریقے سے پہچان کر سپورٹ فراہم کرتا رہے۔ ہم نے اپنی پالیسی فریم ورکس کو مضبوط بنایا ہے اور سخت حفاظتی جانچ کو شامل کیا ہے تاکہ ان حدود کو مؤثر طریقے سے برقرار رکھا جا سکے۔ ہم نے ان جائزوں کی وضاحت کے لیے o3 سسٹم کارڈ کے ایک ضمیمہ⁠ بھی شائع کیا ہے۔

محفوظ نفاذ

Codex ایجنٹ کلاؤڈ میں مکمل طور پر ایک محفوظ، آئیسولیٹڈ کنٹینر میں کام کرتا ہے۔ ٹاسک کے اجرا کے دوران: انٹرنیٹ تک رسائی مکمل طور پر غیر فعال ہوتی ہے، ایجنٹ صرف GitHub ریپوزٹری کے ذریعے فراہم کردہ کوڈ یا اُن پری انسٹالڈ ڈپینڈینسیز تک رسائی رکھتا ہے جو صارف نے سیٹ اَپ اسکرپٹ کے ذریعے مہیا کر رکھی ہوں۔ ایجنٹ بیرونی ویب سائٹس، APIs یا دیگر سروسز تک رسائی حاصل نہیں کر سکتا۔

ابتدائی استعمال کے کیسز

OpenAI کی تکنیکی ٹیموں نے بھی اپنے روزمرہ کے ٹول کِٹ کے حصے کے طور پر Codex کو استعمال کرنا شروع کر دیا ہے۔ اسے زیادہ تر وہ کام سونپے جاتے ہیں جو دہرائے جانے والے اور واضح طور پر متعین ہوتے ہیں—جیسے ری فیکٹرنگ، ری نیم کرنا، اور ٹیسٹس لکھنا—جو ورنہ ایک ڈویلپر کی توجہ منتشر کر سکتے ہیں۔ یہ نئی خصوصیات بنانے، کمپوننٹس کو جوڑنے، بگز ٹھیک کرنے، اور ڈاکیومنٹیشن کا مسودہ تیار کرنے کے لیے بھی اتنا ہی مفید ہے۔ ٹیمیں Codex کے گرد نئی عادتیں تشکیل دے رہی ہیں: آن کال مسائل کی ٹرائیجنگ، دن کے آغاز میں ٹاسکس کا پلان بنانا، اور پس منظر میں چلنے والے کاموں کو Codex کے سپرد کرکے مسلسل آگے بڑھتے رہنا۔ کانٹیکسٹ سوئچنگ کم کر کے اور بھولے ہوئے ٹاسکس سامنے لا کر، Codex انجینئرز کو وہ سب کرنے پر فوکس رکھنے دیتا ہے جو سب سے اہم ہے—اور یوں تیز رفتار ڈیلیوری ممکن ہوتی ہے۔

ریلیز سے پہلے، ہم نے بیرونی ٹیسٹرز کے ایک چھوٹے گروپ کے ساتھ بھی کام کیا تاکہ یہ بہتر طور پر سمجھ سکیں کہ مختلف کوڈ بیسز، ڈیولپمنٹ پروسیسز اور ٹیموں میں Codex کی کارکردگی کیسی ہے۔

Cisco⁠(نئی ونڈو میں کھلتا ہے) اس بات کا جائزہ لے رہا ہے کہ Codex کس طرح ان کی انجینئرنگ ٹیموں کے بڑے اور مشکل آئیڈیاز کو زیادہ تیزی سے عملی شکل دینے میں مدد دے سکتا ہے۔ ابتدائی ڈیزائن پارٹنرز کے طور پر، Cisco حقیقی دنیا کے استعمالات میں Codex کا جائزہ لے کر اور OpenAI ٹیم کو فیڈبیک فراہم کرکے Codex کے مستقبل کی تشکیل میں مدد کر رہا ہے۔
Temporal⁠(نئی ونڈو میں کھلتا ہے) Codex کو فیچر ڈیولپمنٹ تیز کرنے، مسائل ڈی بگ کرنے، ٹیسٹس لکھنے اور چلانے، اور بڑے کوڈ بیسز کو ری فیکٹر کرنے کے لیے استعمال کرتا ہے۔ یہ پیچیدہ ٹاسکس کو پس منظر میں چلا کر انجینئرز کو فوکس میں رہنے میں بھی مدد دیتا ہے—یوں تیز رفتاری سے ان کے تکراری ورک سائیکلز میں اضافہ ہوتا ہے۔
Superhuman⁠(نئی ونڈو میں کھلتا ہے) دراصل Codex کو چھوٹے مگر دہرائے جانے والے کاموں کے لیے استعمال کرتا ہے، جیسے ٹیسٹ کوریج بہتر کرنا اور انٹیگریشن ناکامیوں کو درست کرنا۔ یہ پروڈکٹ مینیجرز کو ہلکی پھلکی کوڈ تبدیلیاں کرنے کے قابل بنا کر بھی ڈیلیوری کو تیز کرتا ہے—اس طرح انجینئر کی ضرورت صرف کوڈ ریویو تک محدود رہتی ہے۔
Kodiak⁠(نئی ونڈو میں کھلتا ہے) Codex کو ڈیبگنگ ٹولز لکھنے، ٹیسٹ کوریج بہتر کرنے اور کوڈ ری فیکٹر کرنے کے لیے استعمال کرتا ہے—جس سے ان کی خودکار ڈرائیونگ ٹیکنالوجی، Kodiak Driver، کی ڈیولپمنٹ تیز ہوتی ہے۔ Codex انجینئرز کے لیے ایک قیمتی ریفرنس ٹول بھی بن گیا ہے، جو انہیں متعلقہ سیاق و سباق اور پچھلی تبدیلیاں سامنے لا کر، اسٹیک کے ناواقف حصوں کو سمجھنے میں مدد دیتا ہے۔

ابتدائی ٹیسٹرز سے حاصل ہونے والی لرننگ کی بنیاد پر، ہم یہ سفارش کرتے ہیں کہ ایک ہی وقت میں متعدد ایجنٹس کو اچھی طرح متعین کیے گئے ٹاسکس سونپیں، اور مختلف اقسام کے ٹاسکس اور پرامپٹس کے ساتھ تجربہ کریں تاکہ ماڈل کی صلاحیتوں کو مؤثر طریقے سے دریافت کیا جا سکے۔

Codex CLI میں اپ ڈیٹس

گزشتہ ماہ ہم نے Codex CLI لانچ کیا—ایک ہلکا پھلکا اوپن سورس کوڈنگ ایجنٹ جو آپ کے ٹرمینل میں چلتا ہے۔ یہ o3 اور o4-mini جیسے ماڈلز کی طاقت کو آپ کے مقامی ورک فلو تک لاتا ہے، جس سے آپ کے لیے پیئر پروگرامنگ تیز اور آسان ہو جاتی ہے۔

آج، ہم codex-1 کا ایک چھوٹا ورژن بھی جاری کر رہے ہیں—جو خاص طور پر Codex CLI میں استعمال کے لیے تیار کیا گیا o4-mini کا ایک ورژن ہے۔ یہ نیا ماڈل CLI میں تیز تر ورک فلو کو سپورٹ فراہم کرتا ہے، کم تاخیر (low latency) کے ساتھ کوڈ سے متعلق سوال و جواب اور ایڈیٹنگ میں بہترین کارکردگی دکھاتا ہے، اور ہدایات پر عمل اور کوڈنگ اسٹائل میں اپنی مضبوطی برقرار رکھتا ہے۔ یہ اب Codex CLI میں ڈیفالٹ ماڈل کے طور پر دستیاب ہے، اور API میں codex-mini-latest کے نام سے بھی دستیاب ہے۔ بنیادی سنیپ شاٹ کو باقاعدگی سے اپ ڈیٹ کیا جائے گا کیونکہ ہم Codex-mini ماڈل کو بہتر بنانے کا عمل جاری رکھیں گے۔

ہم نے Codex CLI کے ساتھ آپ کے ڈویلپر اکاؤنٹ کو جوڑنا بھی کہیں زیادہ آسان کر رہے ہیں۔ اب آپ کو API ٹوکن مینولی طور پر بنانے یا کنفیگر کرنے کی ضرورت نہیں—آپ بس اپنے ChatGPT اکاؤنٹ سے سائن اِن کریں، اور جس تنظیم کا API استعمال کرنا چاہتے ہیں اسے منتخب کریں۔ ہم آپ کے لیے API کلید خود بخود پیدا کریں گے اور ترتیب دیں گے۔ Plus اور Pro صارفین جو Codex CLI میں ChatGPT کے ذریعے سائن اِن کریں گے، آج سے اگلے 30 دن تک بالترتیب $5 اور $50 کے مفت API کریڈٹس بھی حاصل کر سکیں گے۔

Codex کی فراہمی، قیمت، اور حدود

آج سے ہم Codex کو عالمی سطح پر ChatGPT Pro، Enterprise، اور Business صارفین کے لیے جاری کر رہے ہیں، جبکہ Plus اور Edu کے لیے سپورٹ جلد آنے والی ہے۔ صارفین آئندہ چند ہفتوں تک بغیر اضافی قیمت کے وسیع پیمانے پر استعمال شروع کر سکیں گے تاکہ وہ Codex کی صلاحیتوں کو آزما سکیں۔ اس کے بعد ہم ریٹ لِمٹنگ اور لچکدار قیمتوں کا نظام متعارف کرائیں گے تاکہ آپ ضرورت کے مطابق مزید استعمال خرید سکیں۔ Plus اور Edu صارفین کے لیے رسائی بھی جلد بڑھا دی جائے گی۔

codex-mini-latest کے ساتھ بنانے والے ڈویلپرز کے لیے، یہ ماڈل Responses API پر دستیاب ہے، اور اس کی قیمت یوں ہے: $1.50 فی 1M ان پٹ ٹوکنز، $6 فی 1M آؤٹ پٹ ٹوکنز، 75% پرامپٹ کیشنگ ڈسکاؤنٹ کے ساتھ۔

Codex ابھی اپنی ترقی کے ابتدائی مراحل میں ہے۔ ریسرچ پری ویو کے طور پر، فی الحال اس میں: فرنٹ اینڈ کام کے لیے امیج ان پٹس کی صلاحیت نہیں،اور نہ ہی یہ صلاحیت کہ ایجنٹ کو کسی ٹاسک کے دوران درمیان میں ہی کورس درست کرایا جا سکے۔ اس کے علاوہ، کسی ریموٹ ایجنٹ کے حوالے سے کام سونپنا، انٹریکٹو ایڈیٹنگ کے مقابلے میں زیادہ وقت لیتا ہے—جس کی عادت ڈالنے میں کچھ وقت لگ سکتا ہے۔ وقت کے ساتھ، Codex ایجنٹس کے ساتھ تعامل ساتھیوں کے ساتھ غیر ہم وقتی (asynchronous) تعاون جیسا ہوتا چلا جائے گا۔ جیسے جیسے ماڈلز کی صلاحیتیں بہتر ہوں گی، ہم توقع کرتے ہیں کہ ایجنٹس طویل دورانیے کے زیادہ پیچیدہ کام سنبھال سکیں گے۔

اگلا قدم کیا ہے

ہم ایک ایسے مستقبل کا تصور کرتے ہیں جہاں ڈویلپر وہ کام خود کنٹرول کریں جو وہ چاہیں، اور باقی کام ایجنٹس کو تفویض کر دیں—اس طرح AI کے ساتھ تیز رفتاری اور زیادہ پیداواری انداز میں کام ہوگا۔ اس حصول کے لیے، ہم Codex کے ایسے ٹولز کا ایک سوئٹ بنا رہے ہیں جو ایک طرف حقیقی وقت میں تعاون کو سپورٹ کرتے ہیں اور دوسری طرف غیر ہم وقتی تفویض (asynchronous delegation) کو بھی سپورٹ کرتے ہیں۔

Codex CLI جیسے AI ٹولز کے ساتھ پیئرنگ تیزی سے صنعت کا معمول بن چکا ہے، جو ڈویلپرز کو کوڈ لکھتے وقت تیز حرکت کرنے میں مدد دیتا ہے۔ لیکن ہمیں یقین ہے کہ Codex کی جانب سے ChatGPT میں متعارف کرایا گیا غیر ہم وقتی، ملٹی-ایجنٹ ورک فلو بالآخر وہ طریقہ کار بن جائے گا جس کے ذریعے انجینئر اعلیٰ معیار کا کوڈ تیار کریں گے۔

بالآخر، ہم دیکھتے ہیں کہ تعامل کے یہ دونوں طریقے—حقیقی وقت کا پیئرنگ اور ٹاسک کی تفویض—ایک دوسرے کے قریب آ کر مل جائیں گے۔ ڈویلپرز اپنے IDEs اور روزمرہ کے ٹولز میں AI ایجنٹس کے ساتھ مل کر سوال کریں گے، تجاویز حاصل کریں گے، اور طویل کام ایجنٹس کو سونپ دیں گے—یہ سب ایک متحدہ ورک فلو میں ممکن ہوگا۔

آئندہ کے لیے ہمارا منصوبہ ہے کہ ہم مزید انٹرایکٹو اور لچکدار ایجنٹ ورک فلو متعارف کرائیں گے۔ جلد ہی ڈویلپرز ٹاسک کے درمیان رہنمائی فراہم کر سکیں گے، نفاذ کی حکمتِ عملیوں پر تعاون کر سکیں گے، اور پیش قدمی کی پروایکٹو اپ ڈیٹس وصول کر سکیں گے۔ ہم یہ بھی تصور کرتے ہیں کہ آپ کے استعمال میں موجود ٹولز کے ساتھ گہرا انٹیگریشن ہوگا: آج Codex GitHub سے جڑتا ہے، اور جلد آپ Codex CLI، ChatGPT Desktop، یا حتیٰ کہ آپ کے ایشو ٹریکر یا CI سسٹم جیسے ٹولز سے بھی ٹاسکس اسائن کر سکیں گے۔

سافٹ ویئر انجینئرنگ اُن ابتدائی صنعتوں میں سے ایک ہے جس نے AI کی بدولت نمایاں پیداواری صلاحیت میں اضافہ دیکھا ہے، جس سے انفرادی ڈویلپرز اور چھوٹی ٹیموں کے لیے نئی امکانات پیدا ہو رہے ہیں۔ اگرچہ ہم ان فوائد کے بارے میں پُرامید ہیں، لیکن ہم اپنے شراکت داروں کے ساتھ بھی تعاون کر رہے ہیں تاکہ وسیع پیمانے پر ایجنٹس کے استعمال کے اثرات کو —خاص طور پر ڈویلپر ورک فلو، لوگوں کی مہارتوں، مختلف تجربہ جاتی سطحوں اور جغرافیائی علاقوں میں اس کے اثرات کو بہتر طور پر سمجھا جا سکے۔

یہ تو صرف آغاز ہے—اور ہم پُرجوش ہیں کہ آپ Codex کے ساتھ کیا کچھ تخلیق کریں گے۔

لائیو اسٹریم دوبارہ چلانا

ضمیمہ

سسٹم میسج

ہم codex-1 کا سسٹم میسج شیئر کر رہے ہیں تاکہ ڈویلپرز ماڈل کے ڈیفالٹ رویے کو بہتر طور پر سمجھ سکیں اور Codex کو اپنی ضروریات کے مطابق ورک فلو میں ڈھال سکیں۔ مثال کے طور پر، codex-1 کا سسٹم میسج Codex کو حوصلہ دیتا ہے کہ وہ AGENTS.md میں درج تمام ٹیسٹس چلائے—لیکن اگر آپ کے پاس وقت کم ہو، تو آپ Codex سے کہہ سکتے ہیں کہ یہ ٹیسٹس چھوڑ دے۔

سادہ متن

1# Instructions
2- The user will provide a task.
3- The task involves working with Git repositories in your current working directory.
4- Wait for all terminal commands to be completed (or terminate them) before finishing.
5
6# Git instructions
7If completing the user's task requires writing or modifying files:
8- Do not create new branches.
9- Use git to commit your changes.
10- If pre-commit fails, fix issues and retry.
11- Check git status to confirm your commit. You must leave your worktree in a clean state.
12- Only committed code will be evaluated.
13- Do not modify or amend existing commits.
14
15# AGENTS.md spec
16- Containers often contain AGENTS.md files. These files can appear anywhere in the container's filesystem. Typical locations include `/`, `~`, and in various places inside of Git repos.
17- These files are a way for humans to give you (the agent) instructions or tips for working within the container.
18- Some examples might be: coding conventions, info about how code is organized, or instructions for how to run or test code.
19- AGENTS.md files may provide instructions about PR messages (messages attached to a GitHub Pull Request produced by the agent, describing the PR). These instructions should be respected.
20- Instructions in AGENTS.md files:
21  - The scope of an AGENTS.md file is the entire directory tree rooted at the folder that contains it.
22  - For every file you touch in the final patch, you must obey instructions in any AGENTS.md file whose scope includes that file.
23  - Instructions about code style, structure, naming, etc. apply only to code within the AGENTS.md file's scope, unless the file states otherwise.
24  - More-deeply-nested AGENTS.md files take precedence in the case of conflicting instructions.
25  - Direct system/developer/user instructions (as part of a prompt) take precedence over AGENTS.md instructions.
26- AGENTS.md files need not live only in Git repos. For example, you may find one in your home directory.
27- If the AGENTS.md includes programmatic checks to verify your work, you MUST run all of them and make a best effort to validate that the checks pass AFTER all code changes have been made.
28  - This applies even for changes that appear simple, i.e. documentation. You still must run all of the programmatic checks.
29
30# Citations instructions
31- If you browsed files or used terminal commands, you must add citations to the final response (not the body of the PR message) where relevant. Citations reference file paths and terminal outputs with the following formats:
32  1) `【F:<file_path>†L<line_start>(-L<line_end>)?】`
33  - File path citations must start with `F:`. `file_path` is the exact file path of the file relative to the root of the repository that contains the relevant text.
34  - `line_start` is the 1-indexed start line number of the relevant output within that file.
35  2) `【<chunk_id>†L<line_start>(-L<line_end>)?】`
36  - Where `chunk_id` is the chunk_id of the terminal output, `line_start` and `line_end` are the 1-indexed start and end line numbers of the relevant output within that chunk.
37- Line ends are optional, and if not provided, line end is the same as line start, so only 1 line is cited.
38- Ensure that the line numbers are correct, and that the cited file paths or terminal outputs are directly relevant to the word or clause before the citation.
39- Do not cite completely empty lines inside the chunk, only cite lines that have content.
40- Only cite from file paths and terminal outputs, DO NOT cite from previous pr diffs and comments, nor cite git hashes as chunk ids.
41- Use file path citations that reference any code changes, documentation or files, and use terminal citations only for relevant terminal output.
42- Prefer file citations over terminal citations unless the terminal output is directly relevant to the clauses before the citation, i.e. clauses on test results.
43  - For PR creation tasks, use file citations when referring to code changes in the summary section of your final response, and terminal citations in the testing section.
44  - For question-answering tasks, you should only use terminal citations if you need to programmatically verify an answer (i.e. counting lines of code). Otherwise, use file citations.

مصنف

OpenAI