AWS نے لیزوں کے بڑے ذخیرے میں تعمیل سے متعلق سوالات پوچھنے کے لیے Amazon Quick کا ایک حوالہ جاتی ڈیزائن شائع کیا ہے۔ اس کا مفید تصور ایک سخت حوالگی ہے: چیٹ ماڈل ایک مقررہ ٹول منتخب کرتا اور جواب کی وضاحت کرتا ہے؛ ایک الگ قواعد کا انجن دائرۂ کار متعین کرتا اور ہر معاملے کا فیصلہ کرتا ہے۔ 2 اکتوبر کی پوسٹ اور نمونے کا ذخیرہ ایک تعلیمی ثبوتِ تصور بیان کرتے ہیں، ایسی قانونی تعمیل کی سروس نہیں جس کی توثیق کی گئی ہو۔

کسی انجینئر یا تعمیل کے سربراہ کے لیے سوال یہ ہے کہ آیا یہ حد زیرِ جائزہ فیصلے کے لیے موزوں ہے۔ نمونے میں مصنوعی لیزیں، خود ساختہ قواعد اور فرضی حوالہ جات استعمال ہوئے ہیں۔ اس کی مثال میں دیے گئے مجموعے مطلوبہ آؤٹ پٹ کی شکل دکھاتے ہیں؛ ان سے حقیقی معاہدوں یا قانون کے بارے میں درستگی ثابت نہیں ہوتی۔

بڑی تبدیلی

  • کیا بدلا: AWS کا نمونہ AI کو مقررہ جائزہ ٹولز کے لیے ایک کنٹرول شدہ انٹرفیس بناتا ہے۔ قواعد کا انجن فہرست میں شامل لیزوں کے لیے نتائج متعین کرتا ہے۔
  • یہ کیوں اہم ہے: قواعد کے نسخوں اور شواہد کی رسید کے ذریعے جائزہ لینے والے یہ دیکھ سکتے ہیں کہ منتخب ریکارڈز کا چیٹ سے باہر کیسے جائزہ لیا گیا۔
  • کن باتوں پر نظر رکھیں: رسید انوینٹری، معلومات کے استخراج یا قانونی قواعد کی توثیق نہیں کر سکتی۔ اسے اپنانے والوں کو اپنے ڈیٹا پر ان معلومات، سوال کرنے والے صارف کی شناخت اور کارکردگی کی جانچ کرنی ہوگی۔

پرامپٹ سے پہلے ریکارڈز کا دائرۂ کار طے کریں

صارف Quick سے پوچھ سکتا ہے کہ کسی مقررہ تاریخ کو ٹیکساس کی کون سی لیزیں تاخیر سے فیس لینے کے قاعدے کی خلاف ورزی کرتی ہیں۔ Quick درخواست کو sweep_compliance، چھ نامزد MCP کارروائیوں میں سے ایک، تک پہنچاتا ہے۔ یہ کارروائی مخصوص دائرۂ اختیار اور تاریخ کے مطابق ریکارڈز کا مجموعہ اور لاگو قواعد کے نسخے منتخب کرتی ہے۔ ماڈل نہ تو SQL لکھتا ہے، نہ یہ طے کرتا ہے کہ کوئی شق معیار پر پوری اترتی ہے۔ قواعد کا انجن مقررہ تقابلی آپریٹرز لاگو کرتا ہے، اور قواعد کی اقدار بطور پیرامیٹر دی جاتی ہیں۔ AWS کے مطابق باقاعدہ جائزے میں کسی ماڈل سے رجوع نہیں کیا جاتا۔ AWS یہاں اس کارروائی کے معاہدے کی وضاحت کرتا ہے؛ ذخیرہ اس کے نفاذ کی تفصیل دیتا ہے۔

باقی ٹولز کے دائرے زیادہ محدود ہیں۔ simulate_rule_change مجوزہ قدر کے لیے ابتدائی گنتی دیتا ہے، مگر نتائج درج نہیں کرتا۔ explore_clauses فلٹر کیے گئے نمونے کو معنوی مماثلت کے مطابق ترتیب دیتا ہے اور “کتنے؟” کا جواب نہیں دے سکتا۔ get_finding شواہد کی ایک زنجیر حاصل کرتا ہے؛ list_rules کسی تاریخ پر نافذ قواعد دکھاتا ہے؛ check_connection رابطے کی جانچ کرتا ہے۔ یہ فرق اہم ہے، کیونکہ متعلقہ شقوں کا نمونہ مکمل گنتی نہیں ہوتی۔

جائزے کی رسید اسکین کیے گئے ہر ریکارڈ کو چار میں سے ایک زمرے میں شمار کرتی ہے: قواعد کے مطابق، خلاف ورزی، مبہم، یا ناقابلِ مطالعہ۔ اندراج سے پہلے انجن تصدیق کرتا ہے کہ یہ گنتیاں اسکین کیے گئے کل ریکارڈز کے برابر ہیں۔ Quick گنتیاں اور ایک چھوٹا نمونہ دکھا سکتا ہے، جبکہ Quick Sight ڈیش بورڈ مکمل نتائج کے لیے اسی Aurora ڈیٹا اسٹور کو پڑھتا ہے۔ ہر نتیجے میں شق کا متن، نکالی گئی اور متوقع اقدار، قاعدے کا نسخہ اور حوالہ شامل ہوتا ہے۔ یہ AWS کے نمونے کے ڈیزائن کی خصوصیات ہیں، یہ دعویٰ نہیں کہ BIG CHANGE نے اس کے نتائج چلائے یا آزادانہ طور پر ان کی توثیق کی۔

رسید منتخب کردہ ریکارڈز کا حساب دیتی ہے۔ یہ نہیں دکھا سکتی کہ اصل انوینٹری میں ہر لیز شامل ہے، استخراج نے ہر متعلقہ شق درست طور پر پکڑی ہے، یا کوئی قاعدہ موجودہ قانون کی عکاسی کرتا ہے۔ ان کے لیے الگ سے انوینٹری کا موازنہ، استخراج کا جائزہ اور قانونی منظوری درکار ہے۔ اگر “ٹیکساس کی تمام لیزیں” غیر یقینی بنیاد ہو تو درست گنتی بھی غلط مجموعے کی ہو سکتی ہے۔

اسے بنانے کے لیے کیا درکار ہوگا

یہ نمونے کی ساخت Amazon Lambda پر موجود MCP سرور کے سامنے Quick چیٹ ایجنٹ رکھتی ہے۔ Amazon Cognito سروس ٹوکن جاری کرتا ہے؛ API Gateway اس کی جانچ کرتا ہے۔ Lambda، RDS Data API کے ذریعے Aurora Serverless v2 سے ڈیٹا پڑھتا اور لکھتا ہے۔ Quick Sight ایک VPC کنکشن کے ذریعے اسی ڈیٹابیس تک پہنچتا ہے۔ AWS نے ابتدائی شق تلاش کرنے والے ٹول کے لیے Bedrock embeddings اور ایک لینگویج ماڈل مختص کیا ہے؛ سرکاری جائزہ بدستور قواعد کے مطابق قطعی طور پر چلتا ہے۔

شائع شدہ مثال میں 50,000 لیزوں کا مصنوعی ذخیرہ، قواعد کی نسخہ وار کتاب اور قبولیت کا اسکرپٹ ہے جس کے بارے میں AWS کہتا ہے کہ یہ تعینات شدہ اسٹیک پر 28 جانچیں چلاتا ہے۔ اس کا ذخیرہ واضح تنبیہ کرتا ہے کہ کوڈ پیداوار کے لیے تیار نہیں، قانونی مواد فرضی ہے، اور حقیقی کرایہ داروں کے ڈیٹا کے لیے مزید سکیورٹی جانچ اور آزاد قانونی توثیق درکار ہے۔ ہم نے دستاویزات اور ذخیرے کی وضاحت دیکھی؛ ہم نے اسٹیک تعینات نہیں کیا، وہ جانچیں نہیں چلائیں، اور چیٹ ایجنٹ کے ٹول انتخاب کو نہیں آزمایا۔

اسے اپنانے کے لیے پہلے مستند ریکارڈ انوینٹری اور شمولیت کا قطعی اصول طے کریں۔ پھر فیصلہ کریں کہ کن معلومات کا قابلِ اعتماد استخراج ممکن ہے، کن قاعدوں کا تقابل واقعی میکانکی ہے، اور ہر قاعدے کے نسخے کی منظوری کون دیتا ہے۔ اصل متن، استخراج کی حالت، قاعدے کا نسخہ، آپریٹر، موازنہ شدہ اقدار، تاریخ اور نتیجے کا شناختی نمبر محفوظ رکھیں تاکہ جائزہ لینے والا نتیجہ دوبارہ تشکیل دے سکے۔ رسید کا چیٹ جواب سے باہر انوینٹری کے ساتھ موازنہ کریں۔ یہ نمونے کے بیان کردہ ضمانتوں اور حدود سے اخذ کردہ ڈیزائن جانچیں ہیں، آزمودہ اقدامات نہیں۔

AWS کا کہنا ہے کہ Cognito کا کلائنٹ-کریڈینشلز ٹوکن Quick ایپلی کیشن کی شناخت کرتا ہے، چیٹ میں سوال پوچھنے والے شخص کی نہیں۔ نمونہ صارف کی شناخت کے لیے sweep ID اور وقت کو Quick کی آڈٹ تہہ سے ملانے پر انحصار کرتا ہے؛ AWS تجویز کرتا ہے کہ اگر تعمیل کے ڈیٹا اسٹور میں ہی صارف کی شناخت درج کرنا ضروری ہو تو آخری صارف کی شناخت بھیجی اور محفوظ کی جائے۔ جس ٹیم کو کسی نتیجے کو ایک خود کفیل آڈٹ ریکارڈ بنانا ہو، اسے تعیناتی سے پہلے یہ ڈیزائن طے کر لینا چاہیے۔

رسائی، حدود اور لاگت

AWS کی رہنمائی کے لیے AWS اکاؤنٹ، ترتیب دیے گئے AWS CLI v2 اسناد، Python اور CDK کے لیے Node 24، us-east-1 میں ماڈل تک رسائی، اور MCP کنیکٹر اور Quick Sight والا Amazon Quick ماحول درکار ہے۔ پوسٹ میں Python 3.12 درج ہے؛ منسلک README میں Python 3.9 یا اس کے بعد کا ورژن درج ہے۔ مقامی ماحول منتخب کرتے وقت ذخیرے کے موجودہ تقاضے دیکھیں۔ نمونہ اپنی ہدایات میں CDK CLI 2.261.0 کو مقرر کرتا ہے، لیکن یہ نمونے کا انحصار ہے، AWS کی عمومی شرط نہیں۔

موجودہ Quick MCP گائیڈ ہر کارروائی کے لیے 60 سیکنڈ کی مقررہ حد رکھتی ہے، ایک سرور کنکشن پر زیادہ سے زیادہ 100 ٹولز کی اجازت دیتی ہے، اور کسٹم HTTP ہیڈرز منتقل نہیں کرتی۔ بڑے جائزے کے لیے اس ٹائم آؤٹ کی عملی جانچ ضروری ہے؛ ڈیٹابیس کا طویل کام درست ہونے کے باوجود اگر کنیکٹر کی حد سے آگے جائے تو ہم وقتی Quick کارروائی کے طور پر مکمل نہیں ہو سکتا۔ گائیڈ کے مطابق کسٹم کنیکٹر کی ٹول فہرست Sync کے ذریعے اپ ڈیٹ کی جا سکتی ہے۔ اس کے برعکس AWS بلاگ اور نمونے کا README ٹول بدلنے کے بعد انٹیگریشن حذف کر کے دوبارہ بنانے کی ہدایت دیتے ہیں۔ موجودہ کنیکٹر اور ٹول کی فہرست کے لیے تازہ Quick دستاویزات پر عمل کریں، اور اپنے ماحول میں رجسٹرڈ ٹولز اور ان کی سمت بندی کی تصدیق کریں۔

یہ متعدد سروسز پر مشتمل تعمیر ہے، اس لیے شائع شدہ مواد سے “ہر جائزے کی قیمت” کا کوئی قابلِ دفاع واحد عدد نہیں نکلتا۔ AWS کا Quick قیمتوں کا صفحہ سبسکرپشن اور ایجنٹ کے فی گھنٹہ اخراجات الگ دکھاتا ہے، اور بعض صلاحیتوں کے لیے اضافی Quick Sight چارجز درج کرتا ہے۔ Aurora کی قیمت صلاحیت، اسٹوریج اور I/O کی ترتیب پر منحصر ہے؛ نمونہ صفر پر رکنے کے بجائے کم از کم 0.5 ACU کو فعال رکھتا ہے۔ API Gateway، Lambda اور ابتدائی Bedrock کالز کے لیے بھی کام کے حجم کا تخمینہ درکار ہے۔ ذخیرہ جاری چارجز سے بچنے کے لیے جائزے کے بعد اسٹیک ختم کرنے کا مشورہ دیتا ہے۔ اس مضمون کے لیے AWS کے کوئی وسائل نہیں بنائے گئے۔

فیصلہ کرنے کی چیک لسٹ

اس طریقے کو صرف اس وقت اپنائیں جب ٹیم اپنے ڈیٹا اور کنٹرولز کی مدد سے ان سوالوں کے جواب دے سکے:

  • کیا آپ مکمل ریکارڈ مجموعے کو ایک نظرثانی شدہ اور مستحکم شرط کے تحت شمار کر سکتے ہیں، اور اسے مستند انوینٹری سے ملا سکتے ہیں؟
  • کیا قواعد منظور شدہ نسخوں، مؤثر تاریخوں اور حوالہ جات کے ساتھ میکانکی موازنہ ہیں؟ کن معاملات کو انسانی جائزے کے لیے مبہم ہی رہنا چاہیے؟
  • کیا استخراج کی ناکامیوں اور ناقابلِ مطالعہ دستاویزات کو خاموشی سے خارج کرنے کے بجائے شمار کیا جا سکتا ہے؟
  • کیا ہر نتیجے میں اصل شق، موازنہ شدہ اقدار اور قاعدے کا نسخہ محفوظ رہتا ہے، اور کیا چیٹ سے باہر مکمل شواہد حاصل کیے جا سکتے ہیں؟
  • کیا جائزہ Quick کی کارروائی کے ٹائم آؤٹ میں مکمل ہو سکتا ہے، اور آپ نتیجے کو درخواست کرنے والے شخص تک کیسے پہنچائیں گے؟
  • کیا ٹیم نے متوقع حجم کے لیے سبسکرپشن، ڈیٹابیس اور سروس چارجز کا تخمینہ لگایا ہے، پھر مجاز ڈیٹا پر کارکردگی اور نتائج کے معیار کی جانچ کی ہے؟

اگر کام میں قانونی تشریح یا کھلے معیار کے بارے میں فیصلہ درکار ہو تو قطعی ہاں یا نہیں کا لیبل اصل فیصلے کو چھپا سکتا ہے جسے انسان کو کرنا چاہیے۔ اگر ٹیم نمائندہ مثالیں چاہتی ہے تو معنوی بازیافت آسان ہے۔ اگر نظرثانی شدہ قواعد کا انجن اور ڈیش بورڈ پہلے ہی جواب دہ صارفین کی خدمت کر رہے ہوں تو گفتگو کی تہہ اختیاری ہے۔ یہ متبادل خود AWS کی پوسٹ میں زیرِ بحث “غلط انتخاب” اور اس کے مصنوعی نمونے کی حدود سے سامنے آتے ہیں۔

ماخذ اور مزید مطالعہ