تصور کنید برنامهنویسی هستید که ساعتها وقت خود را صرف تنظیم دقیق یک دستور میسازد تا مدل دقیقاً همان خروجی مورد نظرش را بدهد، اما در نهایت متوجه میشوید هزاران نفر دیگر قبلاً همین مشکل را حل کردهاند. این چرخهٔ تکراری از بازسازی گردشکارهای هوش مصنوعی، دلیل پیدایش Agensi است.
به نقل از گزارشی که در ۱۷ اوت ۲۰۲۶ در وبسایت dev.to منتشر شد، این پلتفرم به کاربران اجازه میدهد با استفاده از مهارتهای پیشتنظیمشدهای که توسط توسعهدهندگان دیگر ساخته شده، از مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است — بینیاز شوند.
در حال حاضر اکثر متخصصان هوش مصنوعی، پرامپتنویسی را یک تلاش انفرادی میبینند و ساعتها را صرف حل موارد خاص (Edge Cases) میکنند. این رویکرد دستی باعث ایجاد یک گلوگاه شده است؛ به این معنا که مسائل رایجی مثل بازبینی کد یا خط لولههای بازسازی، بهطور مستقل توسط هزاران کاربر مختلف حل میشوند. در همین راستا، شناسایی گردشکارهای اتوماسیون AI برای جایگزینی وظایف تکراری میتواند گامی موثر در جهت بهینهسازی این فرآیندها باشد.
همانطور که در بحثهای گذشتهی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، استانداردسازی ابزارها برای کاهش خطا حیاتی است. Agensi.io با ارائه کتابخانهای از مهارتهای تستشده، خروجیهای سازگار را تضمین میکند بدون اینکه کاربر نیاز داشته باشد یک مهندس پرامپت تماموقت باشد. این پلتفرم بر اساس مدل اقتصاد سازندهها (Creator Economy) عمل میکند:
- کسب مهارت: کاربران میتوانند گردشکارهای پیشساخته را برای پشتههای تکنولوژی (Tech Stacks) خاص فراخوانی کنند.
- کسب درآمد: توسعهدهندگان میتوانند مهارتهای تنظیمشده خود را برای فروش لیست کنند.
- مشوقها: کاربران جدید از طریق لینکهای ارجاع، ۱۰٪ تخفیف برای اولین خرید دریافت میکنند که هزینه آن توسط پلتفرم پرداخت میشود تا سازندگان مبلغ کامل را دریافت کنند.
این تغییر نشان میدهد که توسعه هوش مصنوعی از فاز «صنعت دستی» — جایی که پرامپت داراری اصلی است — به فاز «ماژولار» حرکت میکند. برای یک توسعهدهنده معمولی، این یعنی ارزش کار از «توانایی نوشتن پرامپت» به «توانایی یکپارچهسازی و مدیریت مهارتهای باکارآمد» تغییر یافته است. این رویکرد ماژولار با استراتژی کاهش تعداد ابزارهای هوش مصنوعی برای افزایش بهرهوری واقعی همسو است تا از پیچیدگیهای غیرضروری در پشتههای تکنولوژی جلوگیری شود.
با افزایش تعداد گردشکارهای اختصاصی در این بازار، سد ورود به اتوماسیونهای پیچیده هوش مصنوعی بهشدت کاهش مییابد. طبق بررسی منابع متعدد، اکنون باید رصد کرد که آیا این بازارها منجر به استانداردسازی پروتکلهای عاملمحور (Agentic) در میان ارائهدهندگان مختلف مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — میشوند یا خیر.
گام بعدی شما
- اگر گردشکارهای تکراری در تیم خود دارید، مهارتهای موجود در Agensi را برای جایگزینی پرامپتهای دستی بررسی کنید.
- توسعهدهندگانی که در حل مسائل خاص (مثل Refactoring) تخصص دارند، پتانسیل درآمدزایی از طریق فروش مهارتهای خود را بسنجند.
- تغییرات در نحوه تعامل عاملها با ابزارهای خارجی را دنبال کنید تا متوجه شوید کدام مهارتها در بازار پرتقاضاتر هستند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو