تعارف جینیریٹو AI - جاوا ایڈیشن

July 2, 2026 · View on GitHub

آپ کیا سیکھیں گے

  • جینیریٹو AI کے بنیادی اصول بشمول LLMs، پرامپٹ انجینئرنگ، ٹوکنز، ایمبیڈنگز، اور ویکٹر ڈیٹابیسز
  • جاوا AI ڈویلپمنٹ ٹولز کا موازنہ بشمول Azure OpenAI SDK، Spring AI، اور OpenAI Java SDK
  • ماڈل کانٹیکسٹ پروٹوکول اور اس کا AI ایجنٹ مواصلات میں کردار دریافت کریں

مشمولات کی فہرست

تعارف

جینیریٹو AI برائے ابتدائی افراد - جاوا ایڈیشن کے پہلے باب میں خوش آمدید! یہ بنیادی سبق آپ کو جینیریٹو AI کے اہم تصورات سے روشناس کراتا ہے اور جاوا میں ان کے استعمال کا طریقہ سکھاتا ہے۔ آپ AI ایپلیکیشنز کے بنیادی اجزاء کے بارے میں جانیں گے، جن میں بڑے زبان والے ماڈلز (LLMs)، ٹوکنز، ایمبیڈنگز، اور AI ایجنٹس شامل ہیں۔ ہم اس کورس کے دوران استعمال ہونے والے اہم جاوا ٹولز کا بھی جائزہ لیں گے۔

جینیریٹو AI کے تصورات کا فوری جائزہ

جینیریٹو AI ایسی مصنوعی ذہانت کی قسم ہے جو نئے مواد تخلیق کرتی ہے، جیسے متن، تصاویر، یا کوڈ، جو ڈیٹا سے سیکھے گئے پیٹرنز اور رشتوں پر مبنی ہوتا ہے۔ جینیریٹو AI ماڈلز انسان جیسی جوابات پیدا کر سکتے ہیں، سیاق و سباق سمجھ سکتے ہیں، اور بعض اوقات انسان نما مواد بھی تخلیق کر سکتے ہیں۔

جب آپ جاوا AI ایپلیکیشنز تیار کریں گے، تو آپ جینیریٹو AI ماڈلز کے ساتھ مواد تخلیق کریں گے۔ جینیریٹو AI ماڈلز کی چند خصوصیات درج ذیل ہیں:

  • متن کی تخلیق: چیٹ بوٹس، مواد، اور متن مکمل کرنے کے لیے انسان نما متن بنانا۔
  • تصویر سازی اور تجزیہ: حقیقت پسندانہ تصاویر بنانا، تصاویر کو بہتر بنانا، اور اشیاء کی شناخت کرنا۔
  • کوڈ کی تخلیق: کوڈ اسنیپٹس یا اسکرپٹس لکھنا۔

مخصوص کاموں کے لیے مختلف اقسام کے ماڈلز ہوتے ہیں۔ مثال کے طور پر، چھوٹے زبان والے ماڈلز (SLMs) اور بڑے زبان والے ماڈلز (LLMs) دونوں متن کی تخلیق کر سکتے ہیں، جب کہ LLMs عموماً پیچیدہ کاموں میں بہتر کارکردگی پیش کرتے ہیں۔ تصویر سے متعلق کاموں کے لیے، آپ خصوصی وژن ماڈلز یا کثیرالمواد ماڈلز استعمال کریں گے۔

Figure: Generative AI model types and use cases.

بالکل واضح ہے کہ ماڈلز کے جوابات ہر وقت مکمل درست نہیں ہوتے۔ امکان ہے کہ آپ نے ایسے ماڈلز کے "ہیلوسینیٹ" یعنی غلط معلومات کو حقائق کی طرح پیش کرنے کی کہانیاں سنی ہوں۔ لیکن آپ ماڈل کو بہتر جوابات دینے کے لیے واضح ہدایات اور سیاق و سباق فراہم کرکے مدد کر سکتے ہیں۔ یہی وہ جگہ ہے جہاں پرامپٹ انجینئرنگ آتا ہے۔

پرامپٹ انجینئرنگ کا جائزہ

پرامپٹ انجینئرنگ مؤثر ان پٹس ڈیزائن کرنے کا عمل ہے تاکہ AI ماڈلز کو مطلوبہ نتائج کی طرف رہنمائی کی جا سکے۔ اس میں شامل ہے:

  • وضاحت: ہدایات کو واضح اور غیر مبہم بنانا۔
  • سیاق و سباق: ضروری پس منظر کی معلومات فراہم کرنا۔
  • محدودیات: کسی بھی پابندیوں یا فارمیٹس کی وضاحت کرنا۔

پرامپٹ انجینئرنگ کے کچھ بہترین طریقوں میں پرامپٹ ڈیزائن، واضح ہدایات، کام کا تجزیہ، ون شاٹ اور فیو شاٹ لرننگ، اور پرامپٹ ٹیوننگ شامل ہیں۔ مختلف پرامپٹس کا تجربہ کرنا ضروری ہے تاکہ آپ کے مخصوص استعمال کے لیے بہترین طریقہ معلوم ہو۔

ایپلیکیشنز کی تیاری میں، آپ مختلف قسم کے پرامپٹس کے ساتھ کام کریں گے:

  • سسٹم پرامپٹس: ماڈل کے طرز عمل کے لیے بنیادی قواعد اور سیاق و سباق مرتب کرتے ہیں
  • یوزر پرامپٹس: آپ کی ایپلیکیشن کے صارفین سے حاصل کردہ ان پٹ ڈیٹا
  • اسسٹنٹ پرامپٹس: سسٹم اور یوزر پرامپٹس کی بنیاد پر ماڈل کے جوابات

مزید جانیں: جینیریٹو AI برائے ابتدائی افراد کورس کے پرامپٹ انجینئرنگ باب میں پرامپٹ انجینئرنگ کے بارے میں مزید معلومات حاصل کریں۔

ٹوکنز، ایمبیڈنگز، اور ایجنٹس

جب آپ جینیریٹو AI ماڈلز کے ساتھ کام کرتے ہیں، تو آپ ٹوکنز، ایمبیڈنگز، ایجنٹس، اور ماڈل کانٹیکسٹ پروٹوکول (MCP) جیسے اصطلاحات کا سامنا کریں گے۔ یہاں ان تصورات کا تفصیلی جائزہ ہے:

  • ٹوکنز: ٹوکنز ماڈل میں متن کی سب سے چھوٹی اکائی ہیں۔ یہ الفاظ، حروف، یا سب ورڈز ہو سکتے ہیں۔ ٹوکنز کو اس طرح پیش کیا جاتا ہے کہ ماڈل انہیں سمجھ سکے۔ مثال کے طور پر، جملہ "The quick brown fox jumped over the lazy dog" کو ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] یا ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] کی شکل میں ٹوکنائز کیا جا سکتا ہے، جو ٹوکنائزیشن کی حکمت عملی پر منحصر ہے۔

Figure: Generative AI tokens example of breaking words into tokens

ٹوکنائزیشن متن کو چھوٹے یونٹس میں تقسیم کرنے کا عمل ہے۔ یہ ضروری ہے کیوں کہ ماڈلز خام متن کے بجائے ٹوکنز پر کام کرتے ہیں۔ کسی پرامپٹ میں ٹوکنز کی تعداد ماڈل کے جواب کی لمبائی اور معیار پر اثر انداز ہوتی ہے، کیونکہ ماڈلز کے کانٹیکسٹ ونڈو کے لیے ٹوکنز کی حدیں ہوتی ہیں (مثلاً GPT-4o کے لئے 128K ٹوکنز، انپٹ اور آؤٹ پٹ دونوں سمیت)۔

جاوا میں، جب AI ماڈلز کو درخواستیں بھیجتے ہیں تو آپ OpenAI SDK جیسی لائبریریز کا استعمال کرتے ہوئے ٹوکنائزیشن کو خودکار طریقے سے ہینڈل کرسکتے ہیں۔

  • ایمبیڈنگز: ایمبیڈنگز ٹوکنز کی ویکٹر نمائندگیاں ہیں جو معنوی مفہوم کو پکڑتی ہیں۔ یہ عددی نمائندگیاں (عموماً فلوٹنگ پوائنٹ نمبرز کی ارے) ماڈلز کو الفاظ کے درمیان تعلقات سمجھنے اور سیاق و سباق سے متعلق جوابات پیدا کرنے کی اجازت دیتی ہیں۔ مشابہت رکھنے والے الفاظ کی ایمبیڈنگز ملتی جلتی ہوتی ہیں، جس سے ماڈل مترادفات اور معنوی تعلقات جیسے تصورات کو سمجھ پاتا ہے۔

Figure: Embeddings

جاوا میں، آپ OpenAI SDK یا دیگر لائبریریز کا استعمال کر کے ایمبیڈنگز پیدا کر سکتے ہیں۔ یہ ایمبیڈنگز معنوی تلاش جیسے کاموں کے لیے ضروری ہوتی ہیں، جہاں آپ معنی کی بنیاد پر مماثل مواد تلاش کرنا چاہتے ہیں نہ کہ عین متن سے مماثل۔

  • ویکٹر ڈیٹابیسز: ویکٹر ڈیٹابیسز خاص ذخیرہ نظام ہیں جو ایمبیڈنگز کے لیے موزوں بنائے گئے ہیں۔ یہ موثر مماثلت کی تلاش کو ممکن بناتے ہیں اور Retrieval-Augmented Generation (RAG) کے پیٹرنز میں اہم ہیں، جہاں آپ کو معنیاتی مماثلت کی بنیاد پر بڑے ڈیٹا سیٹس میں سے متعلقہ معلومات تلاش کرنے کی ضرورت ہوتی ہے۔

Figure: Vector database architecture showing how embeddings are stored and retrieved for similarity search.

نوٹ: اس کورس میں ہم ویکٹر ڈیٹابیسز کا احاطہ نہیں کریں گے، لیکن انہیں ذکر کرنا ضروری سمجھتے ہیں کیونکہ یہ حقیقی دنیا کی ایپلیکیشنز میں عام طور پر استعمال ہوتے ہیں۔

  • ایجنٹس اور MCP: AI کے اجزاء جو خودکار طریقے سے ماڈلز، ٹولز، اور بیرونی نظاموں کے ساتھ تعامل کرتے ہیں۔ ماڈل کانٹیکسٹ پروٹوکول (MCP) ایجنٹس کو بیرونی ڈیٹا ذرائع اور ٹولز تک محفوظ رسائی کا معیاری طریقہ فراہم کرتا ہے۔ ہمارے MCP for Beginners کورس میں مزید جانیں۔

جاوا AI ایپلیکیشنز میں، آپ ٹیکسٹ پراسیسنگ کے لیے ٹوکنز، معنوی تلاش اور RAG کے لیے ایمبیڈنگز، ڈیٹا بازیافت کے لیے ویکٹر ڈیٹابیسز، اور ذہین، ٹول استعمال کرنے والے نظام بنانے کے لیے MCP کے ساتھ ایجنٹس استعمال کریں گے۔

Figure: how a prompt becomes a reply—tokens, vectors, optional RAG lookup, LLM thinking, and an MCP agent all in one quick flow..

جاوا کے لیے AI ڈویلپمنٹ ٹولز اور لائبریریز

جاوا AI ڈویلپمنٹ کے لیے بہترین ٹولنگ فراہم کرتا ہے۔ اس کورس میں ہم تین اہم لائبریریز کا جائزہ لیں گے - OpenAI Java SDK، Azure OpenAI SDK، اور Spring AI۔

یہاں ایک فوری جدول ہے جو دکھاتا ہے کہ ہر باب کی مثالوں میں کون سا SDK استعمال ہوتا ہے:

بابنمونہSDK
02-SetupDevEnvironmentbasic-chat-azureSpring AI Azure OpenAI
03-CoreGenerativeAITechniquesexamplesAzure OpenAI SDK
04-PracticalSamplespetstoryOpenAI Java SDK
04-PracticalSamplesfoundrylocalOpenAI Java SDK
04-PracticalSamplescalculatorSpring AI MCP SDK + LangChain4j

SDK کی دستاویزات کے لنکس:

OpenAI Java SDK

OpenAI SDK OpenAI API کے لیے سرکاری جاوا لائبریری ہے۔ یہ OpenAI کے ماڈلز کے ساتھ تعامل کے لیے ایک آسان اور مستقل انٹرفیس فراہم کرتا ہے، جس سے Java ایپلیکیشنز میں AI صلاحیتوں کو شامل کرنا آسان ہو جاتا ہے۔ باب 4 کی Pet Story ایپلیکیشن اور Foundry Local مثال OpenAI SDK طریقہ کار کو Azure AI Foundry کے ساتھ ظاہر کرتی ہیں۔

Spring AI

Spring AI ایک جامع فریم ورک ہے جو Spring ایپلیکیشنز میں AI صلاحیتیں لاتا ہے، مختلف AI فراہم کنندگان کے لیے مستقل تجریدی پرت مہیا کرتا ہے۔ یہ Spring ماحولیاتی نظام کے ساتھ آسانی سے مربوط ہوتا ہے، جس سے وہ انٹرپرائز جاوا ایپلیکیشنز کے لیے مثالی انتخاب بن جاتا ہے جنہیں AI صلاحیتوں کی ضرورت ہو۔

Spring AI کی طاقت اس کی Spring ماحولیاتی نظام کے ساتھ بھرپور انضمام میں ہے، جو اتنی آسانی سے پروڈکشن کے قابل AI ایپلیکیشنز بنانے کی اجازت دیتا ہے جتنی کہ dependency injection، configuration management، اور testing frameworks جیسے مانوس Spring پیٹرنز کے ذریعے۔ آپ باب 2 اور 4 میں Spring AI کا استعمال کریں گے تاکہ ایسی ایپلیکیشنز بنائیں جو OpenAI اور Model Context Protocol (MCP) Spring AI لائبریریز دونوں کو بروئے کار لاتی ہیں۔

ماڈل کانٹیکسٹ پروٹوکول (MCP)

ماڈل کانٹیکسٹ پروٹوکول (MCP) ایک ابھرتا ہوا معیار ہے جو AI ایپلیکیشنز کو بیرونی ڈیٹا ذرائع اور ٹولز سے محفوظ طریقے سے بات چیت کرنے کے قابل بناتا ہے۔ MCP ایک معیاری طریقہ فراہم کرتا ہے تاکہ AI ماڈلز سیاق و سباق کی معلومات تک رسائی حاصل کر سکیں اور آپ کی ایپلیکیشنز میں کارروائیاں انجام دے سکیں۔

باب 4 میں، آپ ایک سادہ MCP کیلکولیٹر سروس بنائیں گے جو Model Context Protocol کی بنیادی باتوں کو Spring AI کے ساتھ پیش کرتی ہے، دکھاتے ہوئے کہ کس طرح بنیادی ٹول انضمام اور سروس آرکیٹیکچر بنائے جاتے ہیں۔

Azure OpenAI Java SDK

Azure OpenAI کلائنٹ لائبریری برائے جاوا OpenAI کی REST APIs کی ایک موافقت ہے جو Azure SDK ماحولیاتی نظام کے ساتھ ایک فطری انٹرفیس اور انضمام فراہم کرتی ہے۔ باب 3 میں، آپ Azure OpenAI SDK استعمال کرتے ہوئے ایپلیکیشنز بنائیں گے، جن میں چیٹ ایپلیکیشنز، فنکشن کالنگ، اور RAG (Retrieval-Augmented Generation) پیٹرنز شامل ہیں۔

نوٹ: Azure OpenAI SDK خصوصیات کے لحاظ سے OpenAI Java SDK سے پیچھے ہے، لہٰذا مستقبل کے پروجیکٹس کے لیے OpenAI Java SDK استعمال کرنے پر غور کریں۔

خلاصہ

یہی تھا بنیادی تعارف! اب آپ سمجھ چکے ہیں:

  • جینیریٹو AI کے پیچھے مرکزی تصورات - LLMs سے لے کر پرامپٹ انجینئرنگ، ٹوکنز، ایمبیڈنگز، اور ویکٹر ڈیٹابیسز تک
  • جاوا AI ڈویلپمنٹ کے لیے آپ کے ٹول کٹ کے آپشنز: Azure OpenAI SDK، Spring AI، اور OpenAI Java SDK
  • ماڈل کانٹیکسٹ پروٹوکول کیا ہے اور یہ کس طرح AI ایجنٹس کو بیرونی ٹولز کے ساتھ کام کرنے کے قابل بناتا ہے

اگلے اقدامات

باب 2: ڈیولپمنٹ ماحول کی ترتیب

ڈس کلیمر: یہ دستاویز AI ترجمہ سروس Co-op Translator کے ذریعے ترجمہ کی گئی ہے۔ جبکہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنے مادری زبان میں مستند ماخذ سمجھی جائے گی۔ حساس معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم قبول نہیں کرتے۔