تصور کنید هر بار برای ثبت گزارش هزینهها باید دهها کلیک تکراری بزنید؛ حالا میتوانید این مسیر را یکبار نمایش دهید تا هوش مصنوعی آن را برای همیشه یاد بگیرد. این وعدهٔ اصلی ابزار Record & Replay است که در ۲۳ ژوئن ۲۰۲۶ توسط Codex عرضه شد.
این ابزار به کاربران اجازه میدهد یک تسک تکرار شونده را به صورت دستی اجرا کنند و سپس آن نمایش (Demo) را به یک «مهارت» (Skill) تبدیل کنند که قابل بازبینی و ویرایش است. طبق اعلام Codex، این قابلیت شکاف بین قصد کاربر و اجرای ماشین را پر میکند. این رویکرد تکاملیافتهای از ابزارهای ساخت اپلیکیشن با زبان طبیعی است که تمرکز را از توصیف متنی به اجرای عملی منتقل کردهاند.
این تحول در حالی رخ میدهد که صنعت از دستورات متنی ایستا به سمت گردش کارهای عاملمحور (Agentic Workflows) — یعنی سیستمهایی که مثل یک کارمند باتجربه، سلسلهمراتب مراحل را میفهمند و independently اجرا میکنند — حرکت میکند. همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، کنترل دقیق بر خروجی مدلها در محیطهای سازمانی حیاتی است و ابزارهای ضبط و بازپخش، لایهی نظارتی جدیدی به این فرآیند اضافه میکنند. این نیاز به کنترل دقیق، بحثهای مربوط به انتخاب میان پرامپت، RAG و تنظیم دقیق را برای استقرار بهینه در سازمانها برجستهتر میکند.
به گزارش منابع صنعتی، بهروزرسانیهای اخیر اکوسیستم هوش مصنوعی شامل موارد زیر است:
- Claude Code اکنون قابلیت Artifacts را برای پلنهای تیمی و سازمانی در حالت بتا ارائه میدهد تا صفحات HTML کاربردی مثل داشبوردهای پروژه به اشتراک گذاشته شوند.
- OpenAI برنامه امنیت سایبری Daybreak را با مدل GPT-5.5-Cyber گسترش داد؛ مدلی محدود که برای بازتولید مؤثرتر باگهای نرمافزاری طراحی شده است.
- Sakana AI رابط برنامهنویسی Fugu را برای هماهنگسازی چندین مدل عرضه کرد. بر اساس دادههای Ben's Bites، نسخه Ultra این ابزار در محک SWE-bench Pro امتیاز ۷۳.۷ و در TerminalBench 2.1 امتیاز ۸۲.۱ را کسب کرده است.
- Gemini رابط برنامهنویسی Interactions را به صورت عمومی منتشر کرد و APIهای مربوط به مدل و عامل را در یک رابط واحد ادغام نمود.
این جهات فنی نشاندهنده گذار به «کارخانههای نرمافزاری» است. در این مدل، عاملها (Agents) — شبیه دستیارهای هوشمندی که نه فقط کد مینویسند، بلکه کل پروژه را مدیریت میکنند — مسئولیت مدیریت مخازن کد و درخواستهای Pull را بر عهده میگیرند. تمرکز اکنون از «خروجی کد» به «ساختار تولید کد» تغییر یافته است. این تغییر رویکرد با تغییر اولویت برنامهنویسان در عصر AI همسو است که در آن سرعت عرضه و انعطافپذیری بر معماریهای سنگین سنتی ارجحیت یافته است.
برای مدیران کسبوکار، این بدان معناست که ارزش هوش مصنوعی از هوش خام مدل به «زمینه و اعتماد» در گردش کارهای اختصاصی شرکت منتقل میشود. اگر یک عامل بتواند فرآیند انحصاری یک شرکت را ضبط و تکرار کند، مزیت رقابتی در آن فرآیند است، نه در خودِ مدل زبانی بزرگ (LLM) — که شبیه کتابخانهداری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد.
با این حال، چالشهای جدی وجود دارد. به باور تحلیلگرانی چون اتان مولیک، گسترش این ابزارها به تمام کارهای دانشی دشوار است؛ زیرا هوش مصنوعی همچنان «تفکر نرمافزاری» دارد و در بسیاری از حوزهها، خودِ فرآیند فکر کردن به اندازه نتیجه ارزشمند است.
گام بعدی شما
- دستور /automate در ابزار Cursor را برای تجربهی حلقههای عاملمحور امتحان کنید.
- راهنمایهای هدایت جدید Claude Code را برای تعریف زیر-عاملها (Subagents) و قلابها (Hooks) مطالعه کنید.
- گردش کارهای تکراری تیم خود را شناسایی کنید تا در زمان استقرار ابزارهای ضبط، آمادهی تبدیل آنها به مهارت باشید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو