వెబ్ ఫారమ్లోని ప్రతి టెక్స్ట్ ఫీల్డ్ను నింపగలిగే ఒక Claude AI ఏజెంట్, మూడు చిత్రాలను అటాచ్ చేయడానికి ప్రయత్నించినప్పుడు చివరి దశలో ఆగిపోయింది. ఇది Desktop App యొక్క ఫైల్-అప్లోడ్ హ్యాండ్లింగ్లో డాక్యుమెంట్ చేయబడని ఒక పరిమితిని బయటపెట్టింది. ఈ వైఫల్యం చాలా ముఖ్యమైనది, ఎందుకంటే ఇది పూర్తి స్థాయిగా అనిపించే ఎండ్-టు-ఎండ్ ఆటోమేషన్ను మాన్యువల్ హ్యాండ్-ఆఫ్గా మారుస్తుంది, తద్వారా డెవలపర్లు తాము నిర్మించే AI-ఆధారిత వర్క్ఫ్లోలను ఎలా రూపొందించాలో మళ్లీ ఆలోచించాల్సి వస్తుంది.
ఈ సమస్య ఇప్పుడు ఎందుకు కనిపిస్తోంది
Claude ఏజెంట్లు మూడు వాతావరణాలలో (environments) నడుస్తాయి: కమాండ్-లైన్ ఇంటర్ఫేస్ (CLI), Visual Studio Code ఎక్స్టెన్షన్, లేదా స్టాండ్అలోన్ Desktop App. CLIలో, ఏజెంట్ సెషన్కు జోడించిన డైరెక్టరీ నుండి ఫైల్ను చదువుతుంది మరియు ఎటువంటి సమస్య లేకుండా అప్లోడ్ చేస్తుంది. Desktop App ఆ ప్రవర్తనను కలిగి ఉండదు. ఏజెంట్ తన స్వంత తాత్కాలిక ఫోల్డర్కు ఫైల్ను రాసినప్పటికీ, పబ్లిక్ డాక్యుమెంటేషన్లో ఎక్కడా కనిపించని "shared" ఫైల్ల యొక్క అంతర్గత నిర్వచనాన్ని చూపుతూ, యాప్ అప్లోడ్ను తిరస్కరిస్తుంది.
ఒక వినియోగదారు ఫారమ్ను నింపి, “save draft” క్లిక్ చేసి, ఆపై మూడు చిత్రాలను అటాచ్ చేయడానికి ప్రయత్నించే ఆటోమేషన్ను రూపొందించినప్పుడు ఈ వ్యత్యాసం వెలుగులోకి వచ్చింది. టెక్స్ట్ ఫీల్డ్లు ఎటువంటి లోపం లేకుండా నింపబడ్డాయి, కానీ అప్లోడ్ దశ ప్రతిసారీ ఎర్రర్ను చూపింది.
డెవలపర్లు ఏమి ప్రయత్నించారు
- యాప్ సృష్టించే సెషన్ ఫోల్డర్కు ఫైల్లను జోడించారు.
- ఏజెంట్ హోస్ట్ ఫోల్డర్ను చూడగలిగే directory-connect టూల్ను ఉపయోగించారు.
- చాట్ విండోలో నేరుగా చిత్రాలను అటాచ్ చేశారు.
- మాన్యువల్ అప్లోడ్ ఫోల్డర్ను సృష్టించి, ఫారమ్ను దాని వైపు మళ్లించారు.
ఈ విధానాలన్నీ ఒకే రకమైన రిజెక్షన్ ఎర్రర్ను ఇచ్చాయి. ఫైల్-పిక్కర్ డైలాగ్ను ప్రదర్శించే బ్రౌజర్ విండో, డెస్క్టాప్ ఆటోమేషన్ కోసం రీడ్-ఓన్లీ మోడ్లో నడుస్తుంది. ఏజెంట్ డైలాగ్ను చూడగలదు కానీ దాని లోపల క్లిక్ చేయలేదు లేదా పాత్ (path) టైప్ చేయలేదు, కాబట్టి UI-ఆటోమేషన్ ట్రిక్స్ విఫలమవుతాయి.
ఒక బలహీనమైన “backdoor”
విజయవంతమైన ఏకైక పద్ధతి Windows క్లిప్బోర్డ్ను ఉపయోగించింది:
- ఒక PowerShell స్క్రిప్ట్ టార్గెట్ ఫైల్ను క్లిప్బోర్డ్లోకి కాపీ చేస్తుంది.
- ఏజెంట్ Ctrl + V కీస్ట్రోక్ను పంపుతుంది.
- బ్రౌజర్ పేస్ట్ ఈవెంట్ను స్వీకరించి ఫైల్ను అప్లోడ్ చేస్తుంది.
ఈ హ్యాక్ పనిచేస్తుంది, కానీ ఇది వినియోగదారు యొక్క క్లిప్బోర్డ్ను తుడిచివేస్తుంది, Windowsకు మాత్రమే పరిమితం చేయబడింది మరియు Desktop App యొక్క ఏ అప్డేట్తోనైనా విఫలమయ్యే అవకాశం ఉంది. ప్రొడక్షన్ పైప్లైన్ల కోసం ఇది స్థిరమైన పరిష్కారం కాదు.
ఈ పరిమితి యొక్క అసలు అర్థం ఏమిటి
ప్రధాన సమస్య సాఫ్ట్వేర్ బగ్ కాదు; ఇది ఫైల్ పర్మిషన్లను కేవలం ఫైల్-సిస్టమ్ ఫ్లాగ్గా కాకుండా, హోస్ట్ అప్లికేషన్ యొక్క ప్రాపర్టీగా పరిగణించే ఒక డాక్యుమెంట్ చేయబడని అంశం. CLIలో, ఏజెంట్ ప్రాసెస్ యొక్క రీడ్ యాక్సెస్ను పొందుతుంది, కాబట్టి సెషన్ చూడగలిగే ఏ ఫైల్నైనా అప్లోడ్ చేయవచ్చు. Desktop Appలో, రన్టైమ్ ఏజెంట్ యొక్క ఫైల్-సిస్టమ్ వ్యూను ఐసోలేట్ చేస్తుంది, దీనివల్ల దాగి ఉన్న “shared” ప్రమాణాలను సంతృప్తి పరిచే ఫైల్లను మాత్రమే అనుమతిస్తుంది.
ఈ పరిమితి Desktop App యొక్క ఆర్కిటెక్చర్లోనే భాగంగా ఉండటం వల్ల, UI మానిప్యులేషన్ లేదా తాత్కాలిక ఫోల్డర్లపై ఆధారపడే వర్క్అరౌండ్లు విజయవంతం కాలేదు.
నమ్మదగిన మార్గాలు
ఒక వర్క్ఫ్లోకు ఫైల్ అప్లోడ్లు అవసరమైతే, డెవలపర్లకు మూడు నమ్మదగిన ఎంపికలు ఉన్నాయి:
- ఏజెంట్ను CLI నుండి రన్ చేయండి. ఈ వాతావరణం సెషన్ యొక్క ఫైల్-సిస్టమ్ పర్మిషన్లను గౌరవిస్తుంది మరియు అదనపు దశలు లేకుండా అప్లోడ్ చేస్తుంది.
- VS Code ఎక్స్టెన్షన్ను ఉపయోగించండి. ఈ ఎక్స్టెన్షన్ CLI యొక్క పర్మిషన్ మోడల్ను అనుకరిస్తుంది, తద్వారా ఎడిటర్ చూడగలిగే ఫైల్లను ఏజెంట్లు చదవడానికి మరియు అప్లోడ్ చేయడానికి అనుమతిస్తుంది.
- అప్లోడ్ దశను మనిషికి వదిలేయండి. బలహీనమైన వర్క్అరౌండ్ను ఇంజనీరింగ్ చేయడానికి గంటల కొద్దీ సమయం వెచ్చించడం కంటే, రెండు నిమిషాల త్వరిత మాన్యువల్ చర్య ఉత్తమం.
మొదటి రెండు ఎంపికలను ఎంచుకోవడం వల్ల ఆటోమేషన్ Desktop App వెలుపల నడుస్తుంది.
ముగింపు
Claude AI ఏజెంట్లలో ఫైల్-అప్లోడ్ సామర్థ్యం అన్ని రన్టైమ్లలోనూ ఒకేలా ఉండదు; అది ఏజెంట్ను ఎలా ప్రారంభించారు అనే దానిపై ఆధారపడి ఉంటుంది. నమ్మదగిన ఆటోమేషన్ కోసం, ఫైల్-సిస్టమ్ పర్మిషన్లను నమ్మకమైన పద్ధతిలో పాటించే ఏకైక వాతావరణాలుగా CLI మరియు VS Code ఎక్స్టెన్షన్లను పరిగణించండి. Desktop Appని ఉపయోగిస్తున్నప్పుడు, మాన్యువల్ హ్యాండ్-ఆఫ్ కోసం సిద్ధంగా ఉండండి లేదా బలహీనమైన క్లిప్బోర్డ్ హ్యాక్ను అంగీకరించండి. ఈ వ్యత్యాసాన్ని విస్మరించడం వల్ల ఒక సులభమైన ఎండ్-టు-ఎండ్ స్క్రిప్ట్ ఖరీదైన డీబగ్గింగ్ ప్రక్రియగా మారవచ్చు.