Agent Loop ایک نظر میں

Anthropic کی انجینئرنگ ٹیم Workflows (پہلے سے طے شدہ کوڈ راستے) اور Agents (ماڈل خود مراحل اور ٹولز چنتا ہے) میں فرق کرتی ہے۔ فریم ورک کوئی بھی ہو، Agent ایک چکر ہے: ماڈل مقصد اور سیاق پڑھتا ہے، عمل چنتا ہے، عمل چلتا ہے، نتیجہ واپس سیاق میں جاتا ہے، اور چکر تب تک دہرایا جاتا ہے جب تک ماڈل جواب نہ دے یا حد ختم نہ ہو۔

# simplified pseudo-code (not tied to one vendor)
messages = [{"role": "user", "content": "Compare 3 free IELTS prep sites"}]
for step in range(MAX_STEPS):                  # always cap the loop
    reply = model(messages, tools=[web_search, read_page])
    if reply.tool_call:                         # the model only ASKS for a tool
        result = run_tool(reply.tool_call)      # YOUR code actually runs it
        messages += [reply, tool_result(result)]
    else:
        print(reply.text)                       # final answer
        break

اس کے تین نتائج ہیں۔ مراحل کی حد آپ کو لامتناہی لوپس اور غیر متوقع بلوں سے بچاتی ہے۔ ہر ٹول رزلٹ غیر قابل اعتماد ان پٹ ہے۔ اور Agent کسی بھی لمحے جو کچھ “جانتا” ہے وہ اس کے کانٹیکسٹ میں سمانا چاہیے۔

ReAct کی وضاحت: سوچو، عمل کرو، مشاہدہ کرو

ReAct 2022 کے ایک تحقیقی مقالے سے آیا جو Yao اور ساتھیوں نے لکھا۔ خیال یہ ہے: ماڈل مختصر سوچ لکھے، عمل کرے (جیسے سرچ)، مشاہدہ پڑھے، اور دوبارہ سوچے۔ اس سے اندازے کم ہوتے ہیں کیونکہ ماڈل آگے بڑھنے سے پہلے حقائق جانچتا ہے۔ متعلقہ خیالات میں chain-of-thought پرامپٹنگ (Wei وغیرہ، 2022) شامل ہے جو ماڈل سے مرحلہ وار استدلال کرواتی ہے۔

جدید “reasoning” ماڈلز یہ سوچ بہت حد تک اندر ہی کر لیتے ہیں، مگر ان کے گرد چکر کی شکل یہی رہتی ہے۔

The Agent Loop in One Picture

Anthropic’s engineering team separates workflows (code paths fixed in advance) from agents (the model decides the steps and tools). Whatever the framework, an agent is a loop: the model reads the goal and context, chooses an action, the action runs, the result goes back into context, and the loop repeats until the model answers or a limit is reached.

# simplified pseudo-code (not tied to one vendor)
messages = [{"role": "user", "content": "Compare 3 free IELTS prep sites"}]
for step in range(MAX_STEPS):                  # always cap the loop
    reply = model(messages, tools=[web_search, read_page])
    if reply.tool_call:                         # the model only ASKS for a tool
        result = run_tool(reply.tool_call)      # YOUR code actually runs it
        messages += [reply, tool_result(result)]
    else:
        print(reply.text)                       # final answer
        break

Three consequences follow. The step cap protects you from endless loops and surprise bills. Every tool result is untrusted input. And everything the agent “knows” at any moment must fit in its context.

ReAct Explained: Reason, Act, Observe

ReAct comes from a 2022 research paper by Yao and colleagues. The idea: let the model write a short thought, take an action (such as a search), read the observation, and think again. This reduces guessing because the model checks facts before continuing. Related ideas include chain-of-thought prompting (Wei et al., 2022), which asks the model to reason in steps.

Modern “reasoning” models do much of this thinking internally, but the loop around them still follows the same shape.

Tool Calling اور MCP کیسے کام کرتے ہیں

Tool Calling: آپ ماڈل کو ٹولز بیان کرتے ہیں (نام، مقصد، ان پٹ)۔ جب ماڈل کو ٹول کی ضرورت لگے تو وہ ایک ساختہ درخواست واپس کرتا ہے، جیسے فنکشن کا نام اور آرگومنٹس۔ آپ کا کوڈ اسے چلاتا ہے اور آؤٹ پٹ واپس بھیجتا ہے۔ اسی لیے اجازتیں، لاگنگ اور منظوری آپ کے کوڈ میں ہونی چاہییں، پرامپٹ میں نہیں۔

MCP (Model Context Protocol): AI ایپس کو ٹولز اور ڈیٹا سے جوڑنے کا اوپن اسٹینڈرڈ، جو Anthropic نے 2024 کے آخر میں متعارف کرایا۔ دسمبر 2025 میں Anthropic نے MCP کو Agentic AI Foundation کو عطیہ کر دیا، جو Linux Foundation کا فنڈ ہے اور Anthropic، Block اور OpenAI نے مل کر بنایا۔ ہر ایپ کے لیے الگ کنیکٹر لکھنے کی بجائے ڈیولپر ایک ٹول کو ایک بار MCP سرور کے طور پر پیش کر سکتا ہے۔

A2A (Agent2Agent): Agents کے ایک دوسرے کو دریافت کرنے اور بات کرنے کا پروٹوکول۔ Google نے اسے جون 2025 میں Linux Foundation کو دیا۔ MCP Agent کو ٹولز سے جوڑتا ہے؛ A2A Agents کو آپس میں۔

AI Agent کی یادداشت: مختصر مدتی، طویل مدتی اور ریٹریول

• مختصر مدتی یادداشت: کانٹیکسٹ ونڈو، یعنی وہ سب جو اس وقت ماڈل کو بھیجا جا رہا ہے۔ یہ محدود ہے، اس لیے لمبے کاموں میں خلاصے بنانے پڑتے ہیں۔
• طویل مدتی یادداشت: ماڈل کے باہر محفوظ معلومات، جیسے فائلیں، ڈیٹابیس یا vector database، جو ضرورت پر واپس لوڈ ہوتی ہیں۔
• ریٹریول (RAG): آپ کی دستاویزات میں سرچ کر کے ماڈل کو صرف متعلقہ حصے دینا، جس سے وہ آپ کے اپنے ذرائع سے جواب دیتا ہے۔
• تحقیق میں استعمال ہونے والی اقسام: episodic (پہلے کیا ہوا)، semantic (حقائق) اور procedural (کام کیسے کرنا ہے)۔

یادداشت غلط یا زہر آلود بھی ہو سکتی ہے۔ ہر یاد کے ساتھ ذریعہ محفوظ کریں اور صارف کو Agent کی محفوظ کردہ چیزیں دیکھنے اور مٹانے دیں۔

منصوبہ بندی کے پیٹرنز اور Multi-Agent Systems

• Prompt chaining: ماڈل کالز کی طے شدہ ترتیب، ہر ایک پچھلے آؤٹ پٹ کو استعمال کرتی ہے۔
• Routing: درخواست کی درجہ بندی کر کے مخصوص راستے پر بھیجنا۔
• Parallelization: آزاد ذیلی کام ایک ساتھ چلانا۔
• Orchestrator-workers: سربراہ ماڈل کام تقسیم کر کے ورکر ماڈلز کو دیتا ہے۔
• Evaluator-optimizer: ایک ماڈل مسودہ بناتا ہے، دوسرا تنقید کرتا ہے، اور مسودہ بہتر ہوتا ہے۔
• Reflexion اور Tree of Thoughts: تحقیقی طریقے جن میں Agent ناکام کوششوں سے سیکھتا ہے یا کئی استدلالی راستے آزماتا ہے۔

پہلے پانچ پیٹرنز Anthropic نے بیان کیے ہیں۔ Multi-agent system انہی خیالات کو کئی کردار والے Agents (محقق، لکھاری، جائزہ کار) کے ساتھ لاگو کرتا ہے۔ یہ پیچیدہ کاموں میں معیار بہتر کر سکتا ہے، مگر زیادہ ٹوکنز لیتا ہے اور ناکامی کے مزید مقامات بناتا ہے، اس لیے تبھی استعمال کریں جب ایک Agent کافی نہ ہو۔

2026 کے اہم AI Agent فریم ورکس

Agents کیوں ناکام ہوتے ہیں اور ٹیسٹ کیسے کریں

عام ناکامیاں: غلط ٹول کا انتخاب، لوپنگ، ہدایات نظر انداز کرنا، اور ویب صفحات یا ای میلز میں چھپی ہدایات پر عمل کرنا (prompt injection، جو LLM ایپلیکیشنز کی OWASP Top 10 میں پہلے نمبر پر ہے)۔ حقیقی سوالات کا ٹیسٹ سیٹ بنائیں جن کے درست جوابات معلوم ہوں، مشکل اور مخالفانہ ان پٹس شامل کریں، ہر قدم لاگ کریں اور ہر تبدیلی کے بعد ٹیسٹ دوبارہ چلائیں۔

اگلا قدم: حصہ 2 میں نو-کوڈ بلڈنگ سے عملی مشق کریں، حصہ 4 میں حقیقی استعمال دیکھیں، یا حصہ 5 کا مکمل A to Z ٹیوٹوریل فالو کریں۔

AI Agents Complete Guide: All 5 Parts

• What Are AI Agents? (Part 1)
• How to Build an AI Agent for Free (Part 2)
• AI Agent Architecture: How AI Agents Work (Part 3) (you are here)
• AI Agents for Business & Students (Part 4)
• AI Agent Tutorial A to Z: Build, Test & Deploy (Part 5)

AI Agents مکمل گائیڈ: تمام 5 حصے

• AI Agents کیا ہیں؟ (حصہ 1)
• AI Agent مفت میں کیسے بنائیں (حصہ 2)
• AI Agent کا نظام: یہ کیسے کام کرتے ہیں (حصہ 3) (آپ یہاں ہیں)
• بزنس اور طلباء کے لیے AI Agents (حصہ 4)
• AI Agent ٹیوٹوریل A to Z: بنائیں، ٹیسٹ کریں، Deploy کریں (حصہ 5)

Sources and Further Reading

ذرائع اور مزید مطالعہ

• Anthropic: Building effective agents
• ReAct paper (Yao et al., 2022)
• Chain-of-Thought paper (Wei et al., 2022)
• Reflexion paper (Shinn et al., 2023)
• Tree of Thoughts paper (Yao et al., 2023)
• Model Context Protocol
• OWASP GenAI Security Project

Facts and prices in this guide were last checked in October 2026. Tools change quickly, so confirm current details on each official website.

اس گائیڈ کی معلومات اور قیمتیں اکتوبر 2026 میں چیک کی گئی تھیں۔ ٹولز تیزی سے بدلتے ہیں، اس لیے ہر آفیشل ویب سائٹ پر موجودہ تفصیل ضرور دیکھیں۔

How Tool Calling and MCP Work

Tool calling: you describe tools to the model (name, purpose, inputs). When the model decides a tool is needed, it returns a structured request such as a function name and arguments. Your code runs it, then sends the output back. This is why permissions, logging and approval belong in your code, not in the prompt.

MCP (Model Context Protocol): an open standard for connecting AI apps to tools and data, introduced by Anthropic in late 2024. In December 2025, Anthropic donated MCP to the Agentic AI Foundation, a Linux Foundation fund co-founded by Anthropic, Block and OpenAI. Instead of writing a custom connector for every app, a developer can expose a tool once as an MCP server.

A2A (Agent2Agent): a protocol for agents to discover and talk to other agents. Google donated it to the Linux Foundation in June 2025. MCP connects an agent to tools; A2A connects agents to each other.

AI Agent Memory: Short-Term, Long-Term and Retrieval

• Short-term memory: the context window, meaning everything currently sent to the model. It is limited, so long tasks need summaries.
• Long-term memory: information saved outside the model, such as files, a database or a vector database, and loaded back when relevant.
• Retrieval (RAG): searching your documents and giving only the relevant passages to the model, which helps it answer from your own sources.
• Memory types used in research: episodic (what happened before), semantic (facts) and procedural (how to do things).

Memory can also be wrong or poisoned. Store sources with each memory and let users review or delete what the agent saved.

Planning Patterns and Multi-Agent Systems

• Prompt chaining: a fixed sequence of model calls, each using the previous output.
• Routing: classify the request, then send it to a specialised path.
• Parallelization: run independent subtasks at the same time.
• Orchestrator-workers: a lead model splits the task and delegates to worker models.
• Evaluator-optimizer: one model drafts, another critiques, and the draft improves.
• Reflexion and Tree of Thoughts: research methods where the agent learns from failed attempts or explores several reasoning paths.

The first five are patterns described by Anthropic. A multi-agent system applies these ideas with several role-based agents (researcher, writer, reviewer). It can improve quality on complex jobs, but it uses more tokens and adds more places to fail, so use it only when one agent is not enough.

Top AI Agent Frameworks in 2026

Why agents fail, and how to test

Common failures: wrong tool choice, looping, ignoring instructions, and following instructions hidden in web pages or emails (prompt injection, ranked first in the OWASP Top 10 for LLM applications). Build a test set of real questions with known good answers, include tricky and hostile inputs, log every step, and re-run the tests after every change.

Next: put this into practice with no-code building in Part 2, see real use cases in Part 4, or follow the full A to Z tutorial in Part 5.

AI Agents Complete Guide: All 5 Parts

• What Are AI Agents? (Part 1)
• How to Build an AI Agent for Free (Part 2)
• AI Agent Architecture: How AI Agents Work (Part 3) (you are here)
• AI Agents for Business & Students (Part 4)
• AI Agent Tutorial A to Z: Build, Test & Deploy (Part 5)

AI Agents مکمل گائیڈ: تمام 5 حصے

• AI Agents کیا ہیں؟ (حصہ 1)
• AI Agent مفت میں کیسے بنائیں (حصہ 2)
• AI Agent کا نظام: یہ کیسے کام کرتے ہیں (حصہ 3) (آپ یہاں ہیں)
• بزنس اور طلباء کے لیے AI Agents (حصہ 4)
• AI Agent ٹیوٹوریل A to Z: بنائیں، ٹیسٹ کریں، Deploy کریں (حصہ 5)

Sources and Further Reading

ذرائع اور مزید مطالعہ

• Anthropic: Building effective agents
• ReAct paper (Yao et al., 2022)
• Chain-of-Thought paper (Wei et al., 2022)
• Reflexion paper (Shinn et al., 2023)
• Tree of Thoughts paper (Yao et al., 2023)
• Model Context Protocol
• OWASP GenAI Security Project

Facts and prices in this guide were last checked in October 2026. Tools change quickly, so confirm current details on each official website.

اس گائیڈ کی معلومات اور قیمتیں اکتوبر 2026 میں چیک کی گئی تھیں۔ ٹولز تیزی سے بدلتے ہیں، اس لیے ہر آفیشل ویب سائٹ پر موجودہ تفصیل ضرور دیکھیں۔