Agent Skills اور SKILL.md: progressive disclosure، پیمائش کے ساتھ

باب 14 نے اس کورس کے دوسرے نصف کے لیے قاعدہ مقرر کیا — connections، retries اور cancellation TypeScript ہیں — اور پانچ exceptions کا اعلان کیا۔ یہ ان میں سے ایک ہے، اور وجہ پسند ناپسند نہیں۔

skill ایک Markdown فائل ہے۔ ایسی فائل نہیں جو program کو configure کرے، نہ ایسی فائل جسے program compile کرے: ایک document جسے model پڑھتا ہے، بالکل ویسے ہی جیسے وہ آپ کا ٹائپ کیا ہوا message پڑھتا ہے۔ اس باب کو programming language دینا format کو نہ سمجھنے کے برابر ہوتا، اور skills کے بارے میں سب سے عام غلط فہمی یہی ہے۔ نیچے سب کچھ Markdown اور YAML ہے، ساتھ ایک چھوٹا shell script جس کا مقصد ہی یہ دکھانا ہے کہ skill کے اندر code کہاں ہونا چاہیے اور کہاں نہیں۔

یہ ایک حقیقی instruction ہے: ایک کمپنی اپنے release notes کیسے لکھتی ہے۔ یہ preference نہیں بلکہ procedure ہے — اس میں steps کی ترتیب، taxonomy، voice، template اور raw material اکٹھا کرنے والا script ہے۔

اس سب کو system prompt میں ڈال دیں، جیسے اکثر teams کرتی ہیں، تو باب 16 کی arithmetic شروع ہو جاتی ہے۔ system prompt ایک prefix ہے، اور prefix کی قیمت ہر call پر ادا ہوتی ہے۔ اس باب کے لیے لکھے گئے folder پر o200k_base سے measured:

whole thing pasted into the system prompt   1,716 x 40  =  68,640 input tokens   $0.1373
as a skill, activated once on turn 12          46 x 40
                                            + 324 (SKILL.md body)
                                            + 665 (two reference files read)
                                                        =   2,829 input tokens   $0.0057
as a skill, never activated at all             46 x 40  =   1,840 input tokens   $0.0037

استعمال ہو تو چوبیس گنا سستا، استعمال نہ ہو تو سینتیس گنا سستا۔ rates باب 16 کی ہیں: input tokens کے فی million $2.00۔

اب دیانت دار اعتراض، کیونکہ جو باب اسے چھوڑ دے وہ اشتہار بن جاتا۔ prompt caching پیسوں کا فرق تقریباً بند کر دیتی ہے۔ system prompt stable ہوتا ہے اور سب سے پہلے بیٹھتا ہے، اس لیے وہ بہترین cache candidate ہے؛ cached input کے فی million $0.20 پر وہی 68,640 tokens $0.1373 کے بجائے $0.0168 بنتے ہیں۔ پھر بھی skill سے تین گنا، مگر اب magnitude کا الگ order نہیں۔

پیسہ کبھی سب سے مضبوط دلیل نہیں تھا۔ یہ ہے:

Caching مستقل prefix کو سستا بناتی ہے۔ اسے چھوٹا نہیں بناتی۔

Turn 40 پر system-prompt version میں اب بھی release-note policy کے 1,716 tokens window میں بیٹھے ہوتے ہیں، ایک ایسی conversation کے دوران جو کسی اور چیز کے بارے میں ہے، اور وہ اس چیز کے لیے مقابلہ کر رہے ہوتے ہیں جسے باب 24 نے model کا attention budget کہا تھا۔ skill version میں 46 ہیں۔ غلط چیز کو cache کریں تو آپ نے distraction پر discount خرید لیا۔

Formula کے طور پر، $n$ turns، $L_1$ metadata، $L_2$ body، $L_3$ پورا bundle اور $R$ اصل میں پڑھی گئی bundled files کا set ہو تو:

یہ پورا باب دوسرے term کو $n$ سے multiply کرنے اور اسے ایک یا صفر سے multiply کرنے کے فرق کے بارے میں ہے۔

skill ایک directory ہے۔ specification اتنی مختصر ہے کہ مکمل بیان کی جا سکتی ہے:

release-notes/
├── SKILL.md          # required: YAML frontmatter + Markdown instructions
├── scripts/          # optional: executable code
├── references/       # optional: documentation read on demand
├── assets/           # optional: templates, schemas, examples
└── ...               # anything else you like

SKILL.md کا آغاز YAML frontmatter سے ہونا لازم ہے، اور بالکل دو fields required ہیں: name اور description۔¹ چار مزید optional ہیں اور کوئی اور defined نہیں:

یہ release-notes skill ہے، مکمل، body تیس lines سے کم:

---
name: release-notes
description: Write the release notes for a tagged version in this company's house style. Use when preparing a release, drafting a changelog entry, or when someone asks for the notes for a version number or a tag.
allowed-tools: Bash(git log:*) Bash(git tag:*) Read
---

# Release notes

## Procedure

1. Run `scripts/collect.sh <previous-tag> <new-tag>`. It prints one line per merged
   pull request: number, title, author and the labels.
2. Drop every line whose labels contain `internal`, `ci` or `chore`.
3. Put each surviving line into exactly one of the four categories in
   [references/categories.md](references/categories.md). A change that seems to fit two
   belongs in the higher one; the order in that file is the order of precedence.
4. Rewrite each line as a sentence in the voice defined in
   [references/voice.md](references/voice.md). The pull request title is a note to
   the team; the release note is a note to a stranger.
5. Check the result against [references/examples.md](references/examples.md).

## The one rule that is not negotiable

Every note says what a person can now do, or what stopped happening to them. If a
sentence can only be understood by someone who has read the diff, it is not finished.

دیکھیں وہ body کیا ہے۔ یہ policy نہیں — یہ table of contents ہے جس میں order of operations ہے۔ policy ان تین files میں رہتی ہے جن کے نام یہ لیتا ہے مگر انہیں شامل نہیں کرتا۔ اور step one کام ایک script کے حوالے کرتا ہے، کیونکہ script کا code کبھی context window میں داخل ہی نہیں ہوتا: صرف اس کا output داخل ہوتا ہے۔²

Loading model کا ایک نام اور تین stages ہیں۔ specification انہیں token budget کے ساتھ بیان کرتی ہے:¹

1. Metadata، تقریباً 100 tokens: name اور description، ہر installed skill کے لیے startup پر loaded۔
2. Instructions، recommended under 5,000 tokens: SKILL.md body، skill activate ہونے پر loaded۔
3. Resources، ضرورت کے مطابق: bundled files، صرف تب loaded جب کوئی چیز انہیں require کرے۔

Reference documentation اسی table پر چوتھا column رکھتی ہے — when loaded، token cost، content — اور جو row اہم ہے وہ تیسری ہے: access ہونے تک کچھ نہیں۔³ وہ sentence بھی وہیں ہے جو پورے باب کا خلاصہ ہے:

Files context consume نہیں کرتیں جب تک accessed نہ ہوں، اس لیے Skills comprehensive API documentation، large datasets، یا extensive examples شامل کر سکتی ہیں۔ bundled content کے لیے کوئی context penalty نہیں جو استعمال نہ ہو۔³

اس باب کے شروع کی measured table اسی claim کو پانچ ایسی skills کے خلاف check کرتی ہے جو کسی نے اس article کے لیے نہیں لکھیں۔ دو rows کو ایک دوسرے کے مقابل پڑھنا چاہیے۔

next-best-practices کی 966-token body ہے جو انیس files کو link کرتی ہے جن میں 19,374 tokens ہیں۔ اس سے hydration error fix کرنے کو کہیں تو agent body plus hydration-error.md پڑھتا ہے: 20,340 میں سے 1,409 tokens، fourteen کا factor، اور باقی اٹھارہ files کبھی نہیں کھلتیں۔

next-cache-components کی 2,334-token body ہے اور کوئی bundled files بالکل نہیں۔ یہ valid skill ہے اور اچھی لکھی ہوئی ہے، اور اس کے پاس disclose کرنے کے لیے level 3 نہیں۔ technique کی دیانت دار حد یہی ہے: progressive disclosure saving صرف اس وقت ہے جب defer کرنے کو کچھ ہو۔ ایسی skill جس کا knowledge decompose نہیں ہوتا activation پر اپنی پوری body ادا کرتی ہے، اور صرف ایک lever رہ جاتا ہے: اسے activate نہ کرنا۔

Level 1 ایک routing decision ہے جو ایک sentence سے بنتا ہے۔ skill کے بارے میں اور کچھ بھی اثر نہیں ڈالتا کہ وہ کبھی کھولی جائے گی یا نہیں — نہ body کا معیار، نہ examples، نہ scripts۔ اس لیے description documentation نہیں۔ یہ query surface ہے، اور یہ غلط ہو سکتی ہے۔

Specification اسے ایک اچھی مثال اور ایک بری مثال کی صورت میں کہتی ہے، اور بری مثال چار words کی ہے: description: Helps with PDFs.¹ اسے accept کرنے کے بجائے measure کرنا چاہیے۔

چھ skills، ہر ایک کے لیے plausible description جو بتاتی ہے کہ وہ کیا کرتی ہے اور کب استعمال کرنی ہے۔ چوبیس requests، ہر skill کے لیے چار، اس طرح phrased جیسے کوئی شخص کہے گا اور کبھی skill کا نام نہیں لیا گیا۔ model اپنے system prompt میں چھ lines دیکھتا ہے اور اسے ایک name یا NONE سے جواب دینا ہے۔ Greedy decoding، so it reproduces۔ پھر وہی چوبیس requests، وہی چھ skills، مگر descriptions کو گھٹا کر bare subject بنا دیا گیا۔

rich   - sql-review: Review a SQL migration for locks, missing indexes and unsafe
         defaults before it runs on the production database. Use when someone adds
         or changes a migration, an index, or a table column.
thin   - sql-review: Helps with SQL.

rich   295 tokens of level 1 for six skills   18/24 correct = 75.0 %  [55.1, 88.0]
thin    81 tokens of level 1 for six skills   10/24 correct = 41.7 %  [24.5, 61.2]

paired: rich only 9, thin only 1, two-sided sign test p = 0.0215
answered NONE: rich 1 of 24, thin 9 of 24

Intervals پہلے پڑھیں، جیسے باب 4 نے insist کیا تھا اور باب 29 پھر کرے گا: وہ overlap کرتے ہیں، اور چوبیس cases صرف aggregate پر دو systems rank نہیں کر سکتے۔ Paired comparison فیصلہ کرتی ہے، اور یہ باب 15 کا instrument ہے: جن دس cases میں دونوں arms disagree ہوئے، نو rich descriptions کو گئے اور ایک thin descriptions کو۔ یہ usual threshold پر established ہے۔

اب آخری line پڑھیں، جو اصل finding ہے۔ thin descriptions کے ساتھ model نے چوبیس requests میں سے نو پر NONE جواب دیا۔ غلط skill نہیں: کوئی skill نہیں۔ ان میں سے چار verbatim یہ ہیں:

"Check this migration before I run it against production."     -> release-notes
"Will this CREATE INDEX lock writes?"                          -> NONE
"Is this ALTER TABLE safe to deploy at peak traffic?"          -> NONE
"Is 'seamless and powerful' allowed in the app store listing?" -> next-best-practices

ایک perfect sql-review skill installed تھی، body اور examples اور checklist کے ساتھ، اور وہ کبھی نہیں کھولی گئی، مسلسل تین بار، انہی تین سوالات پر جن کے لیے وہ لکھی گئی تھی۔ Levels 2 اور 3 اس skill کے لیے irrelevant ہیں جس تک level 1 پہنچتا ہی نہیں۔

اسے fix کرنے کی cost: 214 tokens، 295 اور 81 کا فرق، چھ skills پر پھیلا ہوا۔ یہ باب 18 کی finding ہے جو دوسری طرف سے آ رہی ہے۔ وہاں صرف tool کی description بدلنے سے date formatting 24 میں سے 2 correct سے 24 میں سے 24 ہو گئی۔ یہاں صرف skill کی description بدلنے سے activation 24 میں سے 10 سے 18 ہو جاتی ہے۔ دونوں cases میں system کا سب سے سستا fix ایک sentence ہے، اور دونوں cases میں sentence کو trigger کا نام لینا ہوتا ہے، صرف subject کا نہیں: چیز کیا ہے نہیں، بلکہ user نے ابھی کیا کہا ہوگا جب یہ apply ہوتی ہے۔

ایک caveat جو یہ باب اپنے standards کو owe کرتا ہے۔ یہ half-billion-parameter model ہے، اور frontier model 75 % سے کہیں بہتر route کرتا ہے۔ mechanism پڑھیں، magnitude نہیں: routing signal ایک sentence لمبا ہے چاہے اسے جو بھی model پڑھے، اور کوئی model ایسی information پر select نہیں کر سکتا جو آپ نے اس sentence میں ڈالی ہی نہیں۔

دوسری failure پہلی کی الٹ ہے۔ skill مل جاتی ہے، levels صحیح split ہیں، اور agent پھر بھی ساری چیز پڑھ لیتا ہے۔

vercel-react-best-practices واقعی اچھی built skill ہے۔ اس کی 1,670-token body آٹھ categories کی priority table ہے اور ایک quick reference ہے جس میں 70 rule files کے نام ہیں، ہر ایک کے لیے ایک line۔ rules اسی کے ساتھ disk پر ہیں: 70 files، smallest 132 tokens، median 319، largest 1,052۔ barrel imports کے بارے میں ایک سوال کریں تو honest cost body plus ایک file ہے — 53,670 کے bundle کے مقابل under 2,400 tokens۔

پھر body کی last line یہ کہتی ہے:

## Full Compiled Document

For the complete guide with all rules expanded: `AGENTS.md`

AGENTS.md 26,362 tokens ہے۔ یہ 70 rule files concatenated ہیں: ان کا sum 25,784 ہے، اور فرق ان کے بیچ headings کا ہے۔ یوں skill agent کو ایک choice دیتی ہے: 319 tokens کا ایک median rule پڑھنا یا وہی content، سارا، تراسی گنا قیمت پر پڑھنا — اور یہ choice ایک ایسے sentence میں دیتی ہے جس کے ساتھ کوئی cost attached نہیں اور نہ کوئی condition کہ اسے کب لینا ہے۔

یہ bug نہیں اور file غلط نہیں؛ compiled document واقعی human کے لیے مفید ہے، اور ایسے agent کے لیے بھی جس سے پوری codebase audit کرنے کو کہا گیا ہو۔ یہ level-3 file ہے جس کی level-2 invitation ہے، اور سبق اس ایک skill سے آگے generalise ہوتا ہے: SKILL.md سے نکلنے والا ہر path کہے کہ اس کی cost کیا ہے اور کب worth it ہے، کیونکہ model کے پاس یہ جاننے کا کوئی طریقہ نہیں کہ ایک filename اس کے اوپر والے filename سے تراسی گنا زیادہ expensive ہے۔

اسی folder میں staleness کا چھوٹا سبق بھی ہے۔ body کہتی ہے «70 rules across 8 categories» اور 70 list کرتی ہے؛ rules/ directory میں 72 files ہیں، جن میں سے دو scaffolding ہیں (_template.md اور _sections.md)؛ اور sidecar metadata.json کہتا ہے «40+ rules»۔ ایک ہی set کے تین counts ایک folder میں، ایک درست، ایک arithmetic، اور ایک پچھلے version سے بچا ہوا۔ skill ایک document ہے، اور documents بالکل اسی طرح rot ہوتے ہیں جیسے کوئی code comment جو اپنے ساتھ والے code سے drift ہو چکا ہو — فرق صرف یہ ہے کہ اسے ایک machine پڑھتی ہے جو eyebrow نہیں اٹھائے گی۔

Open specification چھ frontmatter fields define کرتی ہے۔ Reference implementation، Claude Code، بیس accept کرتی ہے۔² پانچ groups کو نام سے جاننا worth it ہے، کیونکہ وہیں format صرف document رہنا چھوڑتا ہے:

Arguments (arguments، argument-hint) ایک شخص کو values pass کرنے دیتے ہیں جو body میں substitute ہوتی ہیں، یہی چیز skill کو slash command کے طور پر usable بناتی ہے۔ Scoping (paths) activation کو glob سے match ہونے والی files تک limit کرتا ہے۔ اور dynamic context injection وہ ہے جو mental model بدل دیتا ہے: !`git diff HEAD` کی form والی line body بھیجے جانے سے پہلے run ہوتی ہے، اور اس کا output text میں substitute ہوتا ہے۔ document ایک template ہے، اور اس کا ایک حصہ read time پر computed ہے۔

اب trap، اور یہ اسی documentation میں stated ہے: Claude Code کے باہر — web product پر، Skills API کے ذریعے، packaging میں — صرف چھ specified fields allowed ہیں، اور کوئی بھی دوسرا field upload پر hard error ہے۔² لہٰذا ایک skill جو ایک product میں perfectly کام کرتی ہے، اسی vendor کے دوسرے product میں install ہونے میں fail ہو جاتی ہے، اور failure frontmatter پر ہوتی ہے نہ کہ کسی ایسی چیز پر جسے آپ prose پڑھ کر test کر سکیں۔ اگر آپ skill کو portable بنانا چاہتے ہیں تو چھ fields ہی پورا budget ہیں۔ اگر نہیں، تو compatibility میں کہہ دیں، جو اسی کے لیے موجود ہے۔

چار چیزیں مسلسل ایک دوسرے سے confuse ہوتی ہیں، اور confusion vocabulary pedantry نہیں: غلط choice ہر turn پر پیسے خرچ کرتی ہے، یا آپ سے وہ guarantee چھین لیتی ہے جو آپ سمجھتے تھے آپ کے پاس ہے۔

Bold والی دو rows پوری distinction ہیں۔ skill پڑھی جاتی ہے؛ tool invoke ہوتا ہے۔ skill prose ہے جو context window میں آتا ہے اور وہاں موجود ہر چیز کے ساتھ attention کے لیے compete کرتا ہے؛ model اسے follow کر سکتا ہے، misread کر سکتا ہے، یا ignore کر سکتا ہے، اور system میں کوئی چیز notice نہیں کرتی۔ tool ایک call ہے جو model کے ہاتھوں سے نکل جاتی ہے: آپ کا code arguments receive کرتا ہے، validate کرتا ہے، permissions check کرتا ہے اور decide کرتا ہے۔ باب 18 نے اسے یوں کہا تھا کہ model propose کرتا ہے اور آپ کا code dispose کرتا ہے، اور یہی division skill کے پاس نہیں۔

تو چھ real cases، resolved:

History مختصر ہے، unusually well dated، اور یہی وہ حصہ ہے جو تقریباً کوئی نہیں بتاتا۔

Agent Skills کو 16 October 2025 کو ایک vendor کے feature کے طور پر publish کیا گیا، اس announcement میں انہیں «organized folders of instructions, scripts, and resources that agents can discover and load dynamically to perform better at specific tasks» define کیا گیا، اور تین levels کو ایک ایسی analogy سے سمجھایا گیا جسے رکھنا چاہیے: «like a well-organized manual that starts with a table of contents, then specific chapters, and finally a detailed appendix»۔⁴

18 December 2025 کو اسی page کو update کیا گیا کہ format ایک open standard ہے، جس کی اپنی specification agentskills.io پر ہے، governance contributions کے لیے open ہے، اور reference validator ہے۔³ 7 September 2026 کو پڑھنے پر standard کے client showcase میں چھیالیس products listed تھے — editors، terminals، cloud platforms اور mobile runtimes، بشمول Anthropic، OpenAI، Google اور Mistral کے first-party coding agents — ہر ایک اپنی setup documentation کو link کرتا تھا۔¹

MCP کے ساتھ convergence open میں ہو رہی ہے، ایسے numbers کے ساتھ جنہیں آپ check کر سکتے ہیں:

دلچسپ چیز proposals نہیں بلکہ closure ہے۔ SEP-2076 نے tools، resources اور prompts کے ساتھ ایک چوتھے primitive کی درخواست کی۔ اس سے بننے والے working group نے decide کیا کہ answer no تھا: skills پہلے سے موجود resources primitive پر، opt-in extension کے طور پر، ride کرتی ہیں۔⁵ باب 26 نے protocol کے اپنے changelog میں یہی instinct measure کی، جہاں sampling، roots اور logging کو رکھے رکھنے کے بجائے deprecate کیا گیا۔ standards body جو اپنی authored proposal کو remove کرتی ہے اچھا behave کر رہی ہے، اور اس story کو numbers سامنے رکھ کر بتانے کی وجہ یہ ہے کہ جو summaries آپ کہیں اور پڑھیں گے وہ اب بھی skills کو MCP primitive بتاتی ہیں۔

اب آپ SKILL.md لکھ سکتے ہیں، اسے تین levels میں split کر سکتے ہیں جو اپنی cost ادا کرتے ہیں، کسی اور کی skill کا frontmatter پڑھ کر جان سکتے ہیں کہ کون سے fields کہیں اور upload ہونے سے survive نہیں کریں گے، اور وہ سوال جس کے گرد یہ پورا باب بنایا گیا تھا — system prompt، skill، tool، یا server — habit کے بجائے reason کے ساتھ answer کر سکتے ہیں۔

جو آپ نہیں کر سکتے وہ یہ بتانا ہے کہ آپ کی چیز کام کرتی ہے یا نہیں۔

اس باب میں جو ہر claim اہم تھا وہ measurement تھا، اور سب سے اہم accuracy تھی: 24 میں سے 18 بمقابلہ 24 میں سے 10، ہر ایک پر interval اور ان کے درمیان paired test کے ساتھ، کیونکہ دو overlapping aggregates کچھ decide نہیں کرتے۔ وہ instrument borrowed تھا۔ skill کی description routing key ہے، اس کی body procedure ہے جسے model follow کر بھی سکتا ہے اور نہیں بھی، اور یہ دونوں properties صرف چیز کو کئی بار run کر کے اور واپس آنے والی چیز کو score کر کے معلوم ہوتی ہیں — یعنی golden set، grader جو آپ نے run سے پہلے لکھا، اور وہ metric جو پوچھتا ہے کہ کیا یہ ہر بار کام ہوا نہ کہ کم از کم ایک بار۔

باب 29 یہی ہے، اور یہ اس number سے کھلتا ہے جس پر اس باب کا method depend کرتا ہے: ایک agent جو دس میں سے سات بار succeed کرتا ہے 70 % دکھتا ہے، اور اس کا pass^10 — یعنی دسوں میں کامیاب ہونے کا chance — zero ہے۔ یہ ایک ہی دو سو transcripts پر تین graders بھی measure کرتا ہے اور ایک بھی token regenerate کیے بغیر 0 %، 13 % اور 26 % حاصل کرتا ہے۔ description میں ابھی لکھی ہوئی sentence پر trust کرنے سے پہلے، آپ کو وہ instrument چاہیے جو بتا سکے کہ یہ اس sentence سے worse ہے جسے آپ نے replace کیا۔

اس باب میں ہر token count locally tiktoken 0.14.0 اور o200k_base encoding سے، 7 September 2026 کو produce کیا گیا: اس باب کے شروع میں listed پانچ third-party skills پر، اور اس باب کے لیے لکھی گئی release-notes skill پر، جس کا complete text اوپر part میں reproduced ہے۔ Level 1 کو single line - name: description کے طور پر measure کیا گیا جسے host system prompt میں render کرتا ہے؛ level 2 frontmatter کے بعد SKILL.md body ہے؛ level 3 folder کی ہر other file ہے۔ Costs باب 16 کی measured rates for gpt-5.6-terra استعمال کرتی ہیں، input tokens کے فی million $2.00 اور cached input tokens کے فی million $0.20، ان counts پر applied — یہ measured tokens پر arithmetic ہیں، live bill کی observations نہیں۔ اس باب کو لکھنے کے لیے کوئی paid API call نہیں کی گئی۔

Activation experiment نے ایک consumer GPU پر half precision میں Qwen/Qwen2.5-0.5B-Instruct run کیا، greedy decoding، چھ skills پر 24 requests، دو بار — ایک بار ایسی descriptions کے ساتھ جو state کرتی ہیں skill کیا کرتی ہے اور کب apply ہوتی ہے، ایک بار descriptions کو specification کی اپنی «poor example» style میں bare subject تک cut کر کے۔ Intervals 95 % پر Wilson ہیں؛ paired comparison دس discordant cases پر two-sided exact sign test ہے؛ Wilson interval باب 4 کا ہے اور exact paired sign test باب 15 کا، دونوں unchanged reused۔ Magnitudes کو بہت چھوٹے model کی property سمجھیں اور method کو transferable۔

یہاں measured پانچ skills third-party packages ہیں، اس باب کے لیے نہیں لکھی گئیں: next-best-practices اور next-cache-components from vercel-labs/next-skills، اور vercel-composition-patterns، vercel-react-best-practices اور vercel-react-native-skills from vercel-labs/agent-skills۔ ان کے internal counts — 70 rule files، AGENTS.md at 26,362 tokens، metadata.json dated January 2026 and claiming «40+ rules» — 7 September 2026 کو disk پر files سے read کیے گئے اور اس published version کی properties ہیں، authors کی criticism نہیں: ان میں سے ہر ایک اسی قسم کا drift ہے جو کسی بھی documentation tree میں آتا ہے جسے count کرنے سے زیادہ edit کیا جاتا ہے۔