ai-agents-for-beginners

(اوپر دی گئی تصویر پر کلک کریں تاکہ اس سبق کی ویڈیو دیکھی جا سکے)

ایجنٹک RAG

یہ سبق ایجنٹک ریٹریول-آگمینٹڈ جنریشن (Agentic RAG) کا ایک جامع جائزہ فراہم کرتا ہے، جو ایک ابھرتا ہوا AI پیراڈائم ہے جہاں بڑے لینگویج ماڈلز (LLMs) خود مختاری سے اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں اور بیرونی ذرائع سے معلومات حاصل کرتے ہیں۔ جامد “ریٹریو-پھر-پڑھیں” پیٹرن کے برعکس، ایجنٹک RAG میں LLM کے بار بار کالز شامل ہیں، جن کے درمیان ٹول یا فنکشن کالز اور منظم آؤٹ پٹس ہوتے ہیں۔ یہ نظام نتائج کا جائزہ لیتا ہے، سوالات کو بہتر بناتا ہے، ضرورت پڑنے پر اضافی ٹولز کا استعمال کرتا ہے، اور اس عمل کو اس وقت تک جاری رکھتا ہے جب تک کہ ایک اطمینان بخش حل حاصل نہ ہو جائے۔

تعارف

یہ سبق درج ذیل موضوعات کا احاطہ کرے گا:

• ایجنٹک RAG کو سمجھنا: AI کے اس ابھرتے ہوئے پیراڈائم کے بارے میں جانیں جہاں بڑے لینگویج ماڈلز (LLMs) خود مختاری سے اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں اور بیرونی ڈیٹا ذرائع سے معلومات حاصل کرتے ہیں۔
• تکراری میکر-چیکر انداز کو سمجھنا: LLM کے بار بار کالز کے لوپ کو سمجھیں، جن کے درمیان ٹول یا فنکشن کالز اور منظم آؤٹ پٹس ہوتے ہیں، جو درستگی کو بہتر بنانے اور خراب سوالات کو ہینڈل کرنے کے لیے ڈیزائن کیا گیا ہے۔
• عملی اطلاقات کا جائزہ: ان منظرناموں کی نشاندہی کریں جہاں ایجنٹک RAG بہترین کام کرتا ہے، جیسے درستگی پر مبنی ماحول، پیچیدہ ڈیٹا بیس کے تعاملات، اور طویل ورک فلو۔

سیکھنے کے مقاصد

اس سبق کو مکمل کرنے کے بعد، آپ درج ذیل کو جان سکیں گے:

• ایجنٹک RAG کو سمجھنا: AI کے اس ابھرتے ہوئے پیراڈائم کے بارے میں جانیں جہاں بڑے لینگویج ماڈلز (LLMs) خود مختاری سے اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں اور بیرونی ڈیٹا ذرائع سے معلومات حاصل کرتے ہیں۔
• تکراری میکر-چیکر انداز: LLM کے بار بار کالز کے لوپ کے تصور کو سمجھیں، جن کے درمیان ٹول یا فنکشن کالز اور منظم آؤٹ پٹس ہوتے ہیں، جو درستگی کو بہتر بنانے اور خراب سوالات کو ہینڈل کرنے کے لیے ڈیزائن کیا گیا ہے۔
• استدلال کے عمل کی ملکیت: نظام کی اس صلاحیت کو سمجھیں کہ وہ اپنے استدلال کے عمل کا مالک بن سکے، مسائل کے حل کے لیے پہلے سے طے شدہ راستوں پر انحصار کیے بغیر فیصلے کرے۔
• ورک فلو: یہ سمجھیں کہ ایک ایجنٹک ماڈل کس طرح خود مختاری سے مارکیٹ کے رجحانات کی رپورٹس حاصل کرنے، حریفوں کے ڈیٹا کی نشاندہی کرنے، اندرونی سیلز میٹرکس کو مربوط کرنے، نتائج کو ہم آہنگ کرنے، اور حکمت عملی کا جائزہ لینے کا فیصلہ کرتا ہے۔
• تکراری لوپس، ٹول انٹیگریشن، اور میموری: نظام کے لوپڈ تعامل کے پیٹرن پر انحصار کے بارے میں جانیں، جو مراحل کے دوران حالت اور میموری کو برقرار رکھتا ہے تاکہ بار بار لوپس سے بچا جا سکے اور باخبر فیصلے کیے جا سکیں۔
• ناکامی کے طریقوں کو ہینڈل کرنا اور خود اصلاح: نظام کے مضبوط خود اصلاحی میکانزم کا جائزہ لیں، بشمول تکرار اور دوبارہ سوال کرنا، تشخیصی ٹولز کا استعمال، اور انسانی نگرانی پر انحصار۔
• ایجنسی کی حدود: ایجنٹک RAG کی حدود کو سمجھیں، خاص طور پر ڈومین مخصوص خود مختاری، انفراسٹرکچر پر انحصار، اور گارڈریلز کے احترام پر توجہ مرکوز کریں۔
• عملی استعمال کے کیسز اور قدر: ان منظرناموں کی نشاندہی کریں جہاں ایجنٹک RAG بہترین کام کرتا ہے، جیسے درستگی پر مبنی ماحول، پیچیدہ ڈیٹا بیس کے تعاملات، اور طویل ورک فلو۔
• گورننس، شفافیت، اور اعتماد: گورننس اور شفافیت کی اہمیت کے بارے میں جانیں، بشمول وضاحتی استدلال، تعصب پر قابو، اور انسانی نگرانی۔

ایجنٹک RAG کیا ہے؟

ایجنٹک ریٹریول-آگمینٹڈ جنریشن (Agentic RAG) ایک ابھرتا ہوا AI پیراڈائم ہے جہاں بڑے لینگویج ماڈلز (LLMs) خود مختاری سے اپنے اگلے اقدامات کی منصوبہ بندی کرتے ہیں اور بیرونی ذرائع سے معلومات حاصل کرتے ہیں۔ جامد “ریٹریو-پھر-پڑھیں” پیٹرن کے برعکس، ایجنٹک RAG میں LLM کے بار بار کالز شامل ہیں، جن کے درمیان ٹول یا فنکشن کالز اور منظم آؤٹ پٹس ہوتے ہیں۔ یہ نظام نتائج کا جائزہ لیتا ہے، سوالات کو بہتر بناتا ہے، ضرورت پڑنے پر اضافی ٹولز کا استعمال کرتا ہے، اور اس عمل کو اس وقت تک جاری رکھتا ہے جب تک کہ ایک اطمینان بخش حل حاصل نہ ہو جائے۔

یہ تکراری “میکر-چیکر” انداز درستگی کو بہتر بنانے، خراب سوالات کو ہینڈل کرنے، اور اعلیٰ معیار کے نتائج کو یقینی بنانے کے لیے ڈیزائن کیا گیا ہے۔ نظام فعال طور پر اپنے استدلال کے عمل کا مالک ہوتا ہے، ناکام سوالات کو دوبارہ لکھتا ہے، مختلف ریٹریول طریقے منتخب کرتا ہے، اور متعدد ٹولز کو مربوط کرتا ہے—جیسے Azure AI Search میں ویکٹر سرچ، SQL ڈیٹا بیس، یا کسٹم APIs—پہلے سے طے شدہ راستوں پر انحصار کیے بغیر۔

ایجنٹک ریٹریول-آگمینٹڈ جنریشن (Agentic RAG) کی تعریف

ایجنٹک ریٹریول-آگمینٹڈ جنریشن (Agentic RAG) AI کی ترقی میں ایک ابھرتا ہوا پیراڈائم ہے جہاں LLMs نہ صرف بیرونی ڈیٹا ذرائع سے معلومات حاصل کرتے ہیں بلکہ خود مختاری سے اپنے اگلے اقدامات کی منصوبہ بندی بھی کرتے ہیں۔ جامد “ریٹریو-پھر-پڑھیں” پیٹرن یا احتیاط سے اسکرپٹ کیے گئے پرامپٹ سیکوینسز کے برعکس، ایجنٹک RAG میں LLM کے بار بار کالز شامل ہیں، جن کے درمیان ٹول یا فنکشن کالز اور منظم آؤٹ پٹس ہوتے ہیں۔ ہر مرحلے پر، نظام حاصل کردہ نتائج کا جائزہ لیتا ہے، فیصلہ کرتا ہے کہ آیا سوالات کو بہتر بنانا ہے، ضرورت پڑنے پر اضافی ٹولز کا استعمال کرتا ہے، اور اس عمل کو اس وقت تک جاری رکھتا ہے جب تک کہ ایک اطمینان بخش حل حاصل نہ ہو جائے۔

یہ تکراری “میکر-چیکر” انداز درستگی کو بہتر بنانے، خراب سوالات کو ہینڈل کرنے، اور اعلیٰ معیار کے نتائج کو یقینی بنانے کے لیے ڈیزائن کیا گیا ہے۔ نظام فعال طور پر اپنے استدلال کے عمل کا مالک ہوتا ہے، ناکام سوالات کو دوبارہ لکھتا ہے، مختلف ریٹریول طریقے منتخب کرتا ہے، اور متعدد ٹولز کو مربوط کرتا ہے—جیسے Azure AI Search میں ویکٹر سرچ، SQL ڈیٹا بیس، یا کسٹم APIs—پہلے سے طے شدہ راستوں پر انحصار کیے بغیر۔

استدلال کے عمل کی ملکیت

ایک نظام کو “ایجنٹک” بنانے والی نمایاں خصوصیت یہ ہے کہ وہ اپنے استدلال کے عمل کا مالک ہو۔ روایتی RAG نفاذ اکثر انسانوں پر انحصار کرتے ہیں کہ وہ ماڈل کے لیے ایک راستہ پہلے سے طے کریں: ایک چین آف تھاٹ جو یہ خاکہ پیش کرتا ہے کہ کیا حاصل کرنا ہے اور کب۔
لیکن جب ایک نظام واقعی ایجنٹک ہوتا ہے، تو وہ اندرونی طور پر فیصلہ کرتا ہے کہ مسئلے سے کیسے نمٹنا ہے۔ یہ صرف ایک اسکرپٹ پر عمل نہیں کر رہا ہوتا؛ یہ خود مختاری سے ان اقدامات کی ترتیب کا تعین کر رہا ہوتا ہے جو اسے ملنے والی معلومات کے معیار پر مبنی ہوتے ہیں۔
مثال کے طور پر، اگر اسے ایک پروڈکٹ لانچ حکمت عملی بنانے کے لیے کہا جائے، تو یہ صرف ایک پرامپٹ پر انحصار نہیں کرتا جو پورے تحقیقاتی اور فیصلہ سازی کے ورک فلو کو بیان کرتا ہو۔ اس کے بجائے، ایجنٹک ماڈل خود مختاری سے فیصلہ کرتا ہے کہ:

1. موجودہ مارکیٹ کے رجحانات کی رپورٹس حاصل کرے (Bing Web Grounding کا استعمال کرتے ہوئے)
2. Azure AI Search کا استعمال کرتے ہوئے متعلقہ حریفوں کے ڈیٹا کی نشاندہی کرے۔
3. Azure SQL Database کا استعمال کرتے ہوئے تاریخی اندرونی سیلز میٹرکس کو مربوط کرے۔
4. Azure OpenAI Service کے ذریعے ہم آہنگ حکمت عملی میں نتائج کو ترتیب دے۔
5. حکمت عملی میں خلا یا تضادات کا جائزہ لے، اور اگر ضروری ہو تو ریٹریول کے ایک اور دور کی تجویز دے۔

یہ تمام اقدامات—سوالات کو بہتر بنانا، ذرائع کا انتخاب کرنا، اس وقت تک دہرانا جب تک کہ جواب “اطمینان بخش” نہ ہو—ماڈل کے ذریعے کیے جاتے ہیں، نہ کہ کسی انسان کے ذریعے پہلے سے اسکرپٹ کیے گئے۔

تکراری لوپس، ٹول انٹیگریشن، اور میموری

ایک ایجنٹک نظام لوپڈ تعامل کے پیٹرن پر انحصار کرتا ہے:

• ابتدائی کال: صارف کا مقصد (یعنی صارف کا پرامپٹ) LLM کو پیش کیا جاتا ہے۔
• ٹول کا استعمال: اگر ماڈل کو معلومات کی کمی یا مبہم ہدایات کا پتہ چلتا ہے، تو یہ ایک ٹول یا ریٹریول طریقہ منتخب کرتا ہے—جیسے ویکٹر ڈیٹا بیس کوئری (مثلاً Azure AI Search ہائبرڈ سرچ پرائیویٹ ڈیٹا پر) یا ایک منظم SQL کال—زیادہ سیاق و سباق حاصل کرنے کے لیے۔
• تشخیص اور بہتری: واپس آنے والے ڈیٹا کا جائزہ لینے کے بعد، ماڈل فیصلہ کرتا ہے کہ آیا معلومات کافی ہیں۔ اگر نہیں، تو یہ سوال کو بہتر بناتا ہے، ایک مختلف ٹول آزماتا ہے، یا اپنے نقطہ نظر کو ایڈجسٹ کرتا ہے۔
• اطمینان تک دہرائیں: یہ چکر اس وقت تک جاری رہتا ہے جب تک ماڈل یہ طے نہ کر لے کہ اس کے پاس ایک حتمی، اچھی طرح سے سوچا ہوا جواب دینے کے لیے کافی وضاحت اور شواہد موجود ہیں۔
• میموری اور حالت: چونکہ نظام مراحل کے دوران حالت اور میموری کو برقرار رکھتا ہے، یہ پچھلی کوششوں اور ان کے نتائج کو یاد رکھ سکتا ہے، بار بار لوپس سے بچ سکتا ہے، اور جیسے جیسے یہ آگے بڑھتا ہے، زیادہ باخبر فیصلے کر سکتا ہے۔

وقت کے ساتھ، یہ ایک ارتقائی تفہیم کا احساس پیدا کرتا ہے، ماڈل کو پیچیدہ، کثیر مرحلہ وار کاموں کو نیویگیٹ کرنے کے قابل بناتا ہے بغیر اس کے کہ انسان کو مسلسل مداخلت یا پرامپٹ کو دوبارہ ترتیب دینے کی ضرورت ہو۔

ناکامی کے طریقوں کو ہینڈل کرنا اور خود اصلاح

ایجنٹک RAG کی خود مختاری میں مضبوط خود اصلاحی میکانزم بھی شامل ہیں۔ جب نظام بند گلیوں میں پہنچتا ہے—جیسے غیر متعلقہ دستاویزات کو ریٹریو کرنا یا خراب سوالات کا سامنا کرنا—تو یہ کر سکتا ہے:

• دہرائیں اور دوبارہ سوال کریں: کم قدر والے جوابات واپس کرنے کے بجائے، ماڈل نئے تلاش کے طریقے آزماتا ہے، ڈیٹا بیس سوالات کو دوبارہ لکھتا ہے، یا متبادل ڈیٹا سیٹس کو دیکھتا ہے۔
• تشخیصی ٹولز کا استعمال: نظام اضافی افعال کو استعمال کر سکتا ہے جو اسے اپنے استدلال کے مراحل کو ڈیبگ کرنے یا حاصل کردہ ڈیٹا کی درستگی کی تصدیق کرنے میں مدد دیتے ہیں۔ Azure AI Tracing جیسے ٹولز مضبوط مشاہدہ اور نگرانی کو فعال کرنے کے لیے اہم ہوں گے۔
• انسانی نگرانی پر انحصار: اعلیٰ داؤ والے یا بار بار ناکام ہونے والے منظرناموں کے لیے، ماڈل غیر یقینی صورتحال کو جھنڈا لگا سکتا ہے اور انسانی رہنمائی کی درخواست کر سکتا ہے۔ ایک بار جب انسان اصلاحی رائے فراہم کرتا ہے، ماڈل اس سبق کو آگے بڑھا سکتا ہے۔

یہ تکراری اور متحرک نقطہ نظر ماڈل کو مسلسل بہتر بنانے کی اجازت دیتا ہے، اس بات کو یقینی بناتا ہے کہ یہ صرف ایک بار استعمال ہونے والا نظام نہیں ہے بلکہ ایک ایسا نظام ہے جو دیے گئے سیشن کے دوران اپنی غلطیوں سے سیکھتا ہے۔

ایجنسی کی حدود

ایک کام کے اندر اپنی خود مختاری کے باوجود، ایجنٹک RAG مصنوعی عمومی ذہانت کے مترادف نہیں ہے۔ اس کی “ایجنٹک” صلاحیتیں ان ٹولز، ڈیٹا ذرائع، اور پالیسیوں تک محدود ہیں جو انسانی ڈویلپرز فراہم کرتے ہیں۔ یہ اپنے ٹولز ایجاد نہیں کر سکتا یا ان ڈومین حدود سے باہر نہیں جا سکتا جو مقرر کی گئی ہیں۔ بلکہ، یہ دستیاب وسائل کو متحرک طور پر ترتیب دینے میں مہارت رکھتا ہے۔
زیادہ جدید AI فارم سے کلیدی اختلافات میں شامل ہیں:

1. ڈومین مخصوص خود مختاری: ایجنٹک RAG سسٹمز صارف کے طے شدہ اہداف کو ایک معلوم ڈومین کے اندر حاصل کرنے پر مرکوز ہیں، جیسے نتائج کو بہتر بنانے کے لیے سوالات کو دوبارہ لکھنا یا ٹولز کا انتخاب کرنا۔
2. انفراسٹرکچر پر انحصار: نظام کی صلاحیتیں ان ٹولز اور ڈیٹا پر منحصر ہیں جو ڈویلپرز کے ذریعے مربوط کیے گئے ہیں۔ یہ انسانی مداخلت کے بغیر ان حدود سے تجاوز نہیں کر سکتا۔
3. گارڈریلز کا احترام: اخلاقی رہنما اصول، تعمیل کے قواعد، اور کاروباری پالیسیاں بہت اہم رہتی ہیں۔ ایجنٹ کی آزادی ہمیشہ حفاظتی اقدامات اور نگرانی کے طریقہ کار سے محدود رہتی ہے (امید ہے؟)

عملی استعمال کے کیسز اور قدر

ایجنٹک RAG ان منظرناموں میں بہترین کام کرتا ہے جہاں تکراری بہتری اور درستگی کی ضرورت ہو:

1. درستگی پر مبنی ماحول: تعمیل کی جانچ، ریگولیٹری تجزیہ، یا قانونی تحقیق میں، ایجنٹک ماڈل بار بار حقائق کی تصدیق کر سکتا ہے، متعدد ذرائع سے مشورہ کر سکتا ہے، اور ایک مکمل طور پر تصدیق شدہ جواب تیار کرنے تک سوالات کو دوبارہ لکھ سکتا ہے۔
2. پیچیدہ ڈیٹا بیس کے تعاملات: منظم ڈیٹا کے ساتھ کام کرتے وقت جہاں سوالات اکثر ناکام ہو سکتے ہیں یا ایڈجسٹمنٹ کی ضرورت ہو سکتی ہے، نظام خود مختاری سے اپنے سوالات کو Azure SQL یا Microsoft Fabric OneLake کا استعمال کرتے ہوئے بہتر بنا سکتا ہے، اس بات کو یقینی بناتے ہوئے کہ حتمی ریٹریول صارف کے ارادے کے مطابق ہو۔
3. طویل ورک فلو: طویل سیشنز نئے معلومات کے ظاہر ہونے کے ساتھ تیار ہو سکتے ہیں۔ ایجنٹک RAG مسلسل نئے ڈیٹا کو شامل کر سکتا ہے، مسئلے کی جگہ کے بارے میں مزید جاننے کے ساتھ حکمت عملیوں کو تبدیل کر سکتا ہے۔

گورننس، شفافیت، اور اعتماد

جیسا کہ یہ نظام اپنے استدلال میں زیادہ خود مختار ہو جاتے ہیں، گورننس اور شفافیت بہت اہم ہیں:

• وضاحتی استدلال: ماڈل ان سوالات کا آڈٹ ٹریل فراہم کر سکتا ہے جو اس نے کیے، ان ذرائع کا مشورہ دیا، اور ان استدلالی مراحل کا جو اس نے اپنے نتیجے تک پہنچنے کے لیے اختیار کیے۔ Azure AI Content Safety اور Azure AI Tracing / GenAIOps جیسے ٹولز شفافیت کو برقرار رکھنے اور خطرات کو کم کرنے میں مدد کر سکتے ہیں۔
• تعصب پر قابو اور متوازن ریٹریول: ڈویلپرز ریٹریول حکمت عملیوں کو اس بات کو یقینی بنانے کے لیے ٹیون کر سکتے ہیں کہ متوازن، نمائندہ ڈیٹا ذرائع پر غور کیا جائے، اور آؤٹ پٹس کا باقاعدگی سے آڈٹ کریں تاکہ تعصب یا جھکے ہوئے پیٹرن کا پتہ لگایا جا سکے، Azure Machine Learning کا استعمال کرتے ہوئے جدید ڈیٹا سائنس تنظیموں کے لیے کسٹم ماڈلز کا استعمال کریں۔
• انسانی نگرانی اور تعمیل: حساس کاموں کے لیے، انسانی جائزہ ضروری رہتا ہے۔ ایجنٹک RAG اعلیٰ داؤ والے فیصلوں میں انسانی فیصلے کی جگہ نہیں لیتا—یہ مزید مکمل طور پر تصدیق شدہ اختیارات فراہم کرکے اس میں اضافہ کرتا ہے۔

ایسے ٹولز کا ہونا جو اعمال کا واضح ریکارڈ فراہم کریں بہت ضروری ہے۔ ان کے بغیر، ایک کثیر مرحلہ وار عمل کو ڈیبگ کرنا بہت مشکل ہو سکتا ہے۔ Literal AI (Chainlit کے پیچھے کمپنی) کی طرف سے ایجنٹ رن کی درج ذیل مثال دیکھیں:

 کو نافذ کریں: سیکھیں کہ ایجور اوپن اے آئی سروس کے ساتھ اپنے ڈیٹا کا استعمال کیسے کریں۔ یہ مائیکروسافٹ لرن ماڈیول RAG کو نافذ کرنے کے لیے ایک جامع رہنمائی فراہم کرتا ہے۔

• ایجور اے آئی فاؤنڈری کے ساتھ جنریٹو اے آئی ایپلیکیشنز کا جائزہ: یہ مضمون عوامی طور پر دستیاب ڈیٹاسیٹس پر ماڈلز کے جائزے اور موازنہ کا احاطہ کرتا ہے، جس میں ایجنٹک اے آئی ایپلیکیشنز اور RAG آرکیٹیکچرز شامل ہیں
• ایجنٹک RAG کیا ہے | ویوی ایٹ
• ایجنٹک RAG: ایجنٹ پر مبنی ریٹریول آگمینٹڈ جنریشن کے لیے مکمل رہنمائی – جنریشن RAG کی خبریں
• ایجنٹک RAG: اپنی RAG کو کوئری ریفارمیشن اور سیلف کوئری کے ساتھ تیز کریں! ہگنگ فیس اوپن سورس اے آئی کُک بُک
• RAG میں ایجنٹک لیئرز شامل کرنا
• علمی معاونین کا مستقبل: جیری لیو
• ایجنٹک RAG سسٹمز کیسے بنائیں
• اپنے اے آئی ایجنٹس کو اسکیل کرنے کے لیے ایجور اے آئی فاؤنڈری ایجنٹ سروس کا استعمال

تعلیمی مقالے

• 2303.17651 سیلف ریفائن: سیلف فیڈبیک کے ساتھ تکراری بہتری
• 2303.11366 ریفلیکشن: زبانی ری انفورسمنٹ لرننگ کے ساتھ لینگویج ایجنٹس
• 2305.11738 CRITIC: بڑے لینگویج ماڈلز ٹول-انٹرایکٹو تنقید کے ساتھ خود کو درست کر سکتے ہیں
• 2501.09136 ایجنٹک ریٹریول-آگمینٹڈ جنریشن: ایجنٹک RAG پر ایک جائزہ

پچھلا سبق

ٹول یوز ڈیزائن پیٹرن

اگلا سبق

قابل اعتماد اے آئی ایجنٹس بنانا

---

ڈس کلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے پوری کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم 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 کے لیے ہم ذمہ دار نہیں ہیں۔

This site is open source. Improve this page.