منصوبے کے بارے میں

کویمن AI پر مبنی کوڈنگ اسسٹنٹس کے لیے دو ہم آہنگ اجزاء فراہم کرتا ہے۔ پہلا ایک "سکِل" ہے – ایک رول فائل جو ایجنٹ کے جواب کے قدرتی زبان کے حصوں کو دوبارہ لکھتی ہے تاکہ وہ ایک مختصر، سادہ انداز میں ہو جائے جبکہ کوڈ، کمانڈز، فائل پاتھ اور ایرر میسجز کو بالکل نہیں چھیڑتا۔ ریپازٹری میں بینچ مارکس ظاہر کرتے ہیں کہ عام کوڈنگ پرامپٹس پر اوسطاً 65 فیصد ٹوکن کمی واقع ہوتی ہے۔ دوسرا جزو ایک مقامی پراکسی ہے جو ایجنٹ اور LLM فراہم کنندہ کے درمیان کھڑا ہوتا ہے۔ یہ آنے والے پی لوڈز (JSON، لاگز، کوڈ، ڈفز، سرچ نتائج، متن/HTML) کا تجزیہ کرتا ہے اور انہیں اوپر بھیجنے سے پہلے کمپریس کر دیتا ہے، اصل ڈیٹا کی بالکل بحالی کے لیے SQLite بیک اپ رکھتا ہے۔ رپورٹ شدہ ان پٹ ٹوکن بچت تقریباً 33 فیصد ہے، جس میں بڑے لاگز یا CSV ڈیٹا پر مزید کمی ہوتی ہے۔ انسٹالیشن دو حصوں میں ہے – ایک چھوٹا "راک" (سکِل) اور ایک بڑا "راک" (پراکسی)۔ سکِل کو ایک ہی npx کمانڈ سے شامل کیا جا سکتا ہے اور کسی سپورٹڈ ایجنٹ کے اندر /caveman کمانڈ سے فعال کیا جا سکتا ہے۔ پراکسی کو npm کے ذریعے عالمی سطح پر انسٹال کیا جاتا ہے اور caveman CLI سے کنفیگر کیا جاتا ہے جو Claude Code، OpenAI Codex، Gemini CLI، Aider، Kilo Code، Qwen Code، opencode، Hermes، OpenClaw اور Pi جیسی ایجنٹس کو گھیر سکتا ہے۔ CLI خودکار ڈیٹیکشن اور سیٹ اپ کے لیے یونکس یا ونڈوز سسٹمز پر مکمل انسٹالر اسکرپٹ بھی فراہم کرتی ہے۔ کویمن اپنی کارکردگی کنٹرول کرنے کے لیے چند کمانڈز کے ساتھ آتا ہے: /caveman [lite|full|ultra|wenyan-lite|...|off] کمپریشن کی شدت منتخب کرنے کے لیے، caveman-commit مختصر کمٹ میسجز کے لیے، caveman-review ایک لائن کوڈ ریویوز کے لیے، caveman-compress مارک ڈاؤن فائلز کو سکڑنے کے لیے، caveman-stats ٹوکن استعمال دیکھنے کے لیے، اور caveman-learn تاریخی سیشن ڈیٹا کا تجزیہ کرنے اور ٹوکن بچانے والی اصلاحات تجویز کرنے کے لیے۔ اضافی یوٹیلٹیز میں براؤز کمپریشن، میموری ری کال، سکِل ٹیکسٹ کو امیجز میں تبدیل کرنا، اور A/B ٹرائل رپورٹنگ شامل ہیں۔ پروجیکٹ میں دونوں سکِل اور پراکسی کے لیے تفصیلی بینچ مارک ٹیبلز، ہر پی لوڈ ٹائپ کے لیے کمپریشن کیسے کام کرتی ہے اور متعلقہ رینکنگ (BM25، تازہ ترین، ایرر سگنلز) کو ٹوکن بجٹ میں فٹ کرنے کے لیے کیسے لاگو کی جاتی ہے اس کی دستاویزات بھی شامل ہیں۔ تمام تبدیلیاں الٹنے میں قابل ہیں؛ اصل مواد مقامی اسٹور سے بازیافت کیا جا سکتا ہے۔ رازداری پر زور دیا گیا ہے: سکِل اور پراکسی مکمل طور پر صارف کی مشین پر چلتے ہیں، کسی اکاؤنٹ کی ضرورت نہیں ہوتی، اور ڈیفالٹ کے طور پر صرف نامعلوم استعمال کے اعداد و شمار (کمانڈ کے نام اور ٹوکن کی تعداد) بھیجے جاتے ہیں۔ صارفین ایک ہی کمانڈ یا ماحول کی تبدیلی متغیر سیٹ کر کے ٹییلیمیٹری کو مستقل طور پر غیر فعال کر سکتے ہیں۔ لائسنسنگ تقسیم ہے: سکِل، CLI، SDKs اور متعلقہ کوڈ MIT لائسنس کے تحت ہیں، جبکہ رائن ٹائم انجن BSL-1.1 سোর্س ایوریبل لائسنس کے تحت جاری کیا گیا ہے جو ایک تبدیلی کی تاریخ کے بعد مکمل طور پر اوپن سورس ہو جاتا ہے۔ مجموعی طور پر، کویمن AI مددگار کوڈنگ کے اخراجات اور تاخیر کو کم کرنے کا مقصد رکھتا ہے تاکہ ایجنٹس کم بولیں اور کم پڑھیں، بغیر درستگی یا خواندگی میں کمی کے۔