ஒரு இணையதள படிவத்தில் (web form) உள்ள அனைத்து உரைத் புலங்களையும் (text fields) நிரப்பக்கூடிய ஒரு Claude AI ஏஜென்ட், மூன்று படங்களை இணைக்க முயன்ற இறுதிப் படிநிலையில் திடீரென நின்றுவிட்டது. இது Desktop App-ன் கோப்பு-பதிவேற்ற (file-upload) செயல்பாட்டில் ஆவணப்படுத்தப்படாத ஒரு வரம்பை வெளிச்சம் போட்டுக் காட்டியுள்ளது. இந்தத் தோல்வி முக்கியமானது, ஏனெனில் இது முழுமையானதாகத் தோன்றும் ஒரு end-to-end ஆட்டோமேஷனை (automation) ஒரு கைமுறைப் பணியாக (manual hand-off) மாற்றிவிடுகிறது, இதனால் டெவலப்பர்கள் தாங்கள் உருவாக்கும் AI சார்ந்த பணிப்பாய்வுகளை (workflows) எவ்வாறு கட்டமைப்பது என்பதைப் பற்றி மீண்டும் சிந்திக்க வேண்டிய கட்டாயத்திற்குத் தள்ளப்படுகிறார்கள்.
இந்தப் பிரச்சனை இப்போது ஏன் ஏற்படுகிறது
Claude ஏஜென்ட்கள் மூன்று சூழல்களில் (environments) இயங்குகின்றன: a command-line interface (CLI), a Visual Studio Code extension, அல்லது a standalone Desktop App. CLI-இல், ஏஜென்ட் ஒரு session-இல் சேர்க்கப்பட்ட ஒரு கோப்புறையிலிருந்து (directory) கோப்பைப் படித்து எந்தப் பிரச்சனையும் இன்றி பதிவேற்றுகிறது. ஆனால் Desktop App அந்தப் பண்பைக் கொண்டிருப்பதில்லை. ஏஜென்ட் தனது சொந்த தற்காலிகக் கோப்புறையில் (temporary folder) ஒரு கோப்பை எழுதினாலும், பொது ஆவணங்களில் (public docs) இடம்பெறாத "shared" கோப்புகள் குறித்த ஒரு உள் வரையறையைக் கூறி, அந்தப் பதிவேற்றத்தை ஆப் நிராகரிக்கிறது.
ஒரு பயனர் ஒரு படிவத்தை நிரப்பி, “save draft” என்பதைக் கிளிக் செய்து, பின்னர் மூன்று படங்களை இணைக்க முயன்ற ஒரு ஆட்டோமேஷனை உருவாக்கியபோது இந்த முரண்பாடு வெளிப்பட்டது. உரைத் புலங்கள் மிகச் சரியாக நிரப்பப்பட்டன, ஆனால் பதிவேற்றப் படிநிலையில் ஒவ்வொரு முறையும் பிழை (error) ஏற்பட்டது.
டெவலப்பர்கள் முயற்சி செய்தவை
- ஆப் உருவாக்கும் session folder-இல் கோப்புகளைச் சேர்த்தனர்.
- ஏஜென்ட் ஒரு host folder-ஐப் பார்க்க அனுமதிக்கும் directory-connect கருவியைப் பயன்படுத்தினர்.
- சாட் விண்டோவில் (chat window) நேரடியாகப் படங்களை இணைத்தனர்.
- ஒரு கைமுறைப் பதிவேற்றக் கோப்புறையை (manual upload folder) உருவாக்கி, படிவத்தை அதன் பக்கம் திருப்பினர்.
இந்த அணுகுமுறைகள் அனைத்தும் ஒரே மாதிரியான நிராகரிப்புப் பிழையையே (rejection error) ஏற்படுத்தின. கோப்புத் தேர்வுக் கருவி (file-picker dialog) காண்பிக்கும் பிரவுசர் விண்டோ, desktop automation-க்காக read-only முறையில் இயங்குகிறது. ஏஜென்ட் அந்த டயலாக்கைப் பார்க்க முடியும், ஆனால் அதற்குள் கிளிக் செய்யவோ அல்லது ஒரு பாதையை (path) தட்டச்சு செய்யவோ முடியாது, எனவே UI-automation நுணுக்கங்கள் தோல்வியடைகின்றன.
ஒரு பலவீனமான “backdoor”
வெற்றி பெற்ற ஒரே முறை Windows clipboard-ஐப் பயன்படுத்தியது:
- ஒரு PowerShell script இலக்கு கோப்பை clipboard-இல் நகலெடுக்கிறது.
- ஏஜென்ட் Ctrl + V கீஸ்டிரோக்கை (keystroke) அனுப்புகிறது.
- பிரவுசர் paste நிகழ்வைப் பெற்று கோப்பைப் பதிவேற்றுகிறது.
இந்தத் தந்திரம் (hack) வேலை செய்கிறது, ஆனால் இது பயனரின் clipboard-ஐ அழித்துவிடுகிறது, Windows-க்கு மட்டுமே மட்டுப்படுத்தப்பட்டுள்ளது மற்றும் Desktop App-ன் எந்தவொரு புதுப்பிப்பிலும் (update) இது முறிந்து போகக்கூடும். இது production pipelines-களுக்கு நிலையான தீர்வாகாது.
இந்த வரம்பு உண்மையில் எதைக் குறிக்கிறது
இதன் முக்கியப் பிரச்சனை ஒரு மென்பொருள் பிழை (software bug) அல்ல; இது கோப்பு அனுமதிகளை (file permissions) ஒரு எளிய file-system flag ஆகக் கருதாமல், host application-ன் ஒரு பண்பாகக் கருதும் ஆவணப்படுத்தப்படாத ஒரு அம்சமாகும். CLI-இல், ஏஜென்ட் அந்தச் செயல்முறையின் (process) வாசிப்பு அனுமதியைப் (read access) பெறுகிறது, எனவே session-ஆல் பார்க்கக்கூடிய எந்தவொரு கோப்பையும் பதிவேற்ற முடியும். Desktop App-இல், runtime ஏஜென்ட்டின் file-system பார்வையைத் தனிமைப்படுத்துகிறது, இது மறைமுகமான “shared” அளவுகோல்களைப் பூர்த்தி செய்யும் கோப்புகளை மட்டுமே அனுமதிக்கிறது.
இந்தத் தடை Desktop App-ன் கட்டமைப்பிலேயே (architecture) உள்ளதால், UI கையாளுதல் அல்லது தற்காலிகக் கோப்புறைகளைச் சார்ந்திருக்கும் மாற்று வழிகள் (workarounds) வெற்றி பெறவில்லை.
நம்பகமான அடுத்தகட்ட வழிகள்
ஒரு பணிப்பாய்விற்கு (workflow) கோப்புப் பதிவேற்றம் தேவைப்பட்டால், டெவலப்பர்களுக்கு மூன்று நம்பகமான விருப்பங்கள் உள்ளன:
- ஏஜென்ட்டை CLI-லிருந்து இயக்கவும். இந்தச் சூழல் session-ன் file-system அனுமதிகளை மதிப்பதோடு, கூடுதல் படிகள் இன்றி பதிவேற்றுகிறது.
- VS Code extension-ஐப் பயன்படுத்தவும். இந்த extension, CLI-ன் அனுமதி மாதிரியைப் பிரதிபலிக்கிறது, இதன் மூலம் எடிட்டரால் பார்க்கக்கூடிய கோப்புகளை ஏஜென்ட்கள் படிக்கவும் பதிவேற்றவும் அனுமதிக்கிறது.
- பதிவேற்றப் பணியை ஒரு மனிதரிடம் விட்டுவிடுங்கள். ஒரு பலவீனமான மாற்று வழியை உருவாக்கப் பல மணிநேரம் செலவிடுவதை விட, இரண்டு நிமிட கைமுறைச் செயல் சிறந்தது.
முதல் இரண்டு விருப்பங்களைத் தேர்ந்தெடுப்பது ஆட்டோமேஷனை Desktop App-க்கு வெளியே இயக்கும்.
சுருக்கமாக
Claude AI ஏஜென்ட்களின் கோப்புப் பதிவேற்றத் திறன் அனைத்து runtimes-களிலும் பொதுவானது அல்ல; அது ஏஜென்ட் எவ்வாறு தொடங்கப்படுகிறது என்பதைப் பொறுத்தது. நம்பகமான ஆட்டோமேஷனுக்கு, CLI மற்றும் VS Code extension ஆகியவற்றை மட்டுமே file-system அனுமதிகளைத் துல்லியமாகப் பின்பற்றும் சூழல்களாகக் கருதவும். Desktop App-ஐப் பயன்படுத்தும்போது, ஒரு கைமுறைப் பணியைத் திட்டமிடுங்கள் அல்லது ஒரு பலவீனமான clipboard hack-ஐ ஏற்றுக்கொள்ங்கள். இந்த வேறுபாட்டைப் புறக்கணிப்பது, ஒரு சுமூகமான end-to-end ஸ்கிரிப்டை (script) அதிகச் செலவு பிடிக்கும் பிழைத்திருத்தப் பயிற்சியாக (debugging exercise) மாற்றிவிடும்.