એક Claude AI એજન્ટ જે વેબ ફોર્મ પરના દરેક ટેક્સ્ટ ફીલ્ડ ભરી શકતું હતું, તે અંતિમ તબક્કે ત્રણ ઈમેજ એટેચ કરવાનો પ્રયાસ કરતી વખતે અટકી ગયું, જે Desktop App ના ફાઇલ-અપલોડ હેન્ડલિંગમાં એક અદસ્તાવેજી મર્યાદાને (undocumented limitation) ખુલ્લી પાડે છે. આ નિષ્ફળતા મહત્વની છે કારણ કે તે દેખીતી રીતે સંપૂર્ણ એન્ડ-ટુ-એન્ડ ઓટોમેશનને મેન્યુઅલ હેન્ડ-ઓફમાં ફેરવી દે છે, જેના કારણે ડેવલપર્સને તેઓ કેવી રીતે AI-સંચાલિત વર્કફ્લો બનાવે છે તેના વિશે ફરીથી વિચારવા મજબૂર કરવા પડે છે.
આ સમસ્યા અત્યારે કેમ દેખાય છે
Claude એજન્ટ્સ ત્રણ વાતાવરણમાં ચાલે છે: કમાન્ડ-લાઇન ઇન્ટરફેસ (CLI), Visual Studio Code એક્સટેન્શન, અથવા સ્ટેન્ડઅલોન Desktop App. CLI માં, એજન્ટ સેશનમાં ઉમેરાયેલ ડિરેક્ટરીમાંથી ફાઇલ વાંચે છે અને કોઈપણ સમસ્યા વગર તેને અપલોડ કરે છે. Desktop App આ વર્તણૂક જાળવી રાખતું નથી. જ્યારે એજન્ટ તેની પોતાની ટેમ્પરરી ફોલ્ડરમાં ફાઇલ લખે છે, ત્યારે પણ એપ અપલોડને નકારી દે છે, અને "shared" ફાઇલોની એક આંતરિક વ્યાખ્યાનો હવાલો આપે છે જે ક્યારેય પબ્લિક ડોક્યુમેન્ટ્સમાં દેખાતી નથી.
આ વિસંગતતા ત્યારે સામે આવી જ્યારે એક યુઝરે એવું ઓટોમેશન બનાવ્યું જેણે ફોર્મ ભર્યું, “save draft” પર ક્લિક કર્યું અને પછી ત્રણ ઈમેજ એટેચ કરવાનો પ્રયાસ કર્યો. ટેક્સ્ટ ફીલ્ડ્સ કોઈપણ ખામી વગર ભરાઈ ગયા હતા, પરંતુ અપલોડ સ્ટેપમાં દર વખતે એરર (error) આવી હતી.
ડેવલપર્સે શું પ્રયાસો કર્યા છે
- એપ બનાવેલા સેશન ફોલ્ડરમાં ફાઇલો ઉમેરી.
- directory-connect ટૂલનો ઉપયોગ કર્યો જે એજન્ટને હોસ્ટ ફોલ્ડર જોવાની મંજૂરી આપે છે.
- ચેટ વિન્ડોમાં સીધી ઈમેજ એટેચ કરી.
- મેન્યુઅલ અપલોડ ફોલ્ડર બનાવ્યું અને ફોર્મને તેના તરફ નિર્દેશિત કર્યું.
આ તમામ અભિગમોમાં સમાન રિજેક્શન એરર (rejection error) જોવા મળી હતી. ફાઇલ-પિકર ડાયલોગ દર્શાવતી બ્રાઉઝર વિન્ડો ડેસ્કટોપ ઓટોમેશન માટે રીડ-ઓન્લી (read-only) મોડમાં ચાલે છે. એજન્ટ ડાયલોગ જોઈ શકે છે પરંતુ તેની અંદર ક્લિક કરી શકતો નથી અથવા પાથ (path) ટાઈપ કરી શકતો નથી, તેથી UI-ઓટોમેશન ટ્રિક્સ નિષ્ફળ જાય છે.
એક નાજુક “બેકડોર”
સફળ થયેલ એકમાત્ર પદ્ધતિ Windows ક્લિપબોર્ડનો ઉપયોગ કરતી હતી:
- એક PowerShell સ્ક્રિપ્ટ ટાર્ગેટ ફાઇલને ક્લિપબોર્ડ પર કોપી કરે છે.
- એજન્ટ Ctrl + V કીસ્ટ્રોક મોકલે છે.
- બ્રાઉઝર પેસ્ટ ઇવેન્ટ મેળવે છે અને ફાઇલ અપલોડ કરે છે.
આ હેક કામ તો કરે છે, પરંતુ તે યુઝરના ક્લિપબોર્ડને સાફ કરી દે છે, માત્ર Windows પૂરતું મર્યાદિત છે, અને Desktop App ના કોઈપણ અપડેટ સાથે બગડી શકે છે. પ્રોડક્શન પાઇપલાઇન્સ માટે આ કોઈ ટકાઉ ઉકેલ નથી.
આ મર્યાદાનો વાસ્તવિક અર્થ શું છે
મુખ્ય સમસ્યા સોફ્ટવેર બગ નથી; તે એક અદસ્તાવેજી સપાટી (undocumented surface) છે જે ફાઇલ પરમિશનને સાધારણ ફાઇલ-સિસ્ટમ ફ્લેગને બદલે હોસ્ટ એપ્લિકેશનની પ્રોપર્ટી તરીકે ગણે છે. CLI માં, એજન્ટ પ્રોસેસના રીડ એક્સેસને વારસામાં મેળવે છે, તેથી સેશન જે કોઈપણ ફાઇલ જોઈ શકે છે તેને અપલોડ કરી શકાય છે. Desktop App માં, રનટાઇમ એજન્ટના ફાઇલ-સિસ્ટમ વ્યુને અલગ (isolate) કરે છે, જેનાથી માત્ર એવી જ ફાઇલોની મંજૂરી મળે છે જે છુપાયેલા “shared” માપદંડોને પૂર્ણ કરતી હોય.
કારણ કે આ પ્રતિબંધ Desktop App ના આર્કિટેક્ચરમાં જ સામેલ છે, તેથી UI મેનિપ્યુલેશન અથવા ટેમ્પરરી ફોલ્ડર્સ પર આધારિત ઉપાયો સફળ થયા નથી.
આગળ વધવા માટે વિશ્વસનીય માર્ગો
જો વર્કફ્લોમાં ફાઇલ અપલોડની જરૂર હોય, તો ડેવલપર્સ પાસે ત્રણ ભરોસાપાત્ર વિકલ્પો છે:
- એજન્ટને CLI થી ચલાવો. આ વાતાવરણ સેશનની ફાઇલ-સિસ્ટમ પરમિશનનું સન્માન કરે છે અને વધારાના સ્ટેપ્સ વગર અપલોડ કરે છે.
- VS Code એક્સટેન્શનનો ઉપયોગ કરો. એક્સટેન્શન CLI ના પરમિશન મોડેલનું અનુકરણ કરે છે, જેનાથી એજન્ટ એડિટર જોઈ શકે તેવી ફાઇલો વાંચી અને અપલોડ કરી શકે છે.
- અપલોડ સ્ટેપ માણસ પર છોડી દો. એક નાની બે મિનિટની મેન્યુઅલ એક્શન, નાજુક ઉપાયો એન્જિનિયર કરવામાં વિતાવેલા કલાકો કરતા વધુ સારી છે.
પ્રથમ બે વિકલ્પો પસંદ કરવાથી ઓટોમેશન Desktop App ની બહાર ચાલે છે.
સારાંશ
Claude AI એજન્ટ્સમાં ફાઇલ-અપલોડ ક્ષમતા તમામ રનટાઇમ્સમાં સાર્વત્રિક નથી; તે એજન્ટ કેવી રીતે લોન્ચ કરવામાં આવે છે તેના પર આધાર રાખે છે. ભરોસાપાત્ર ઓટોમેશન માટે, CLI અને VS Code એક્સટેન્શનને એકમાત્ર એવા વાતાવરણ તરીકે ગણો જે વિશ્વસનીય રીતે ફાઇલ-સિસ્ટમ પરમિશનનું પાલન કરે છે. Desktop App નો ઉપયોગ કરતી વખતે, મેન્યુઅલ હેન્ડ-ઓફ માટે આયોજન કરો અથવા નાજુક ક્લિપબોર્ડ હેક સ્વીકારો. આ તફાવતને અવગણવાથી એક સરળ એન્ડ-ટુ-એન્ડ સ્ક્રિપ્ટ ખર્ચાળ ડિબગિંગ કવાયતમાં ફેરવાઈ શકે છે.