تصور کنید یک عامل کدنویس خودکار، بهجای تمرکز بر معماری کلی پروژه، روی یک خطای کوچک متمرکز شود و در نهایت برای رفع آن، فایلهای حیاتی را پاک کند یا کتابخانههای منسوخ را نصب کند؛ این همان «حلقه مرگ» (Doom Loop) است. برای حل این بحران، در ۲۰ ژوئن ۲۰۲۶، چارچوب متنباز Agent Rigor عرضه شد تا انضباط تجربی سختگیرانهای را بر توسعه مدلهای زبانی بزرگ (LLM) تحمیل کند.
این رویکرد بهطور مستقیم «پوسیدگی زمینه» (Context Rot) را هدف قرار میدهد؛ پدیدهای که در آن پنجره متنی (Context Window) — مثل میز کاری که جا برای چند ورق دارد، نه برای کل کتابخانه — با گزارشهای خطای بیپایان و تلاشهای شکستخورده پر شده و پرامپت سیستمی اصلی را به حاشیه میراند. این چالش تایید میکند که چرا حتی مدلهای قدرتمندتر نیز لزوماً نمیتوانند شکستهای عاملهای هوش مصنوعی را بدون ساختار مدیریت کنند. همانطور که در تحلیل قبلی ما دربارهی اهمیت مبانی علوم کامپیوتر در عصر AI اشاره کردیم، این ابزار ثابت میکند که هوش خام بدون لایهای از انضباط معماری، بیفایده است. این وضعیت شبیه برنامهنویس تازهکاری است که به محض برخورد با اولین باگ، تمام قوانین اصلی پروژه را فراموش میکند.
به نقل از گزارش dev.to، سیستم Agent Rigor برای مدیریت دستورالعملها از یک سلسلهمراتب سهلایه با مکانیزم افشای تدریجی استفاده میکند:
- سطح ۱ (هستهی Apex): قوانین مطلق و غیرقابل مذاکره؛ مثلاً ممنوعیت حدس زدن امضای APIها.
- سطح ۲ (مدیران فاز): سازماندهندههای متناسب با زمینه که فقط در مراحل برنامهریزی، اجرا یا تایید بارگذاری میشوند.
- سطح ۳ (پروتکلهای مهارت): دستورالعملهای اتمی برای کارهای خاص، مانند خود-اصلاحی، که فقط هنگام نیاز فعال میشوند.
بر اساس مستندات این پروژه، سیستم فراتر از مدیریت پرامپت، سیاست «وضعیت تاییدشده» را اجرا میکند. اگر یک تست شکست بخورد، عامل بهجای تغییر کورکورانه فایل، باید تغییرات را به حالت قبل برگرداند و شواهد را تحلیل کند. چنین رویکردی یادآور راهکارهای جدید برای جلوگیری از فقدان دادهها از طریق هماهنگی وضعیتهای اتمی است که دقت عملیاتی را در سیستمهای چند-عاملی افزایش میدهد. این تغییر، ذهنیت عامل را از «به نظر درست میرسد» به «اثبات تجربی لازم است» تغییر میدهد.
برای برنامهنویسان مدرن، این تحول نقش انسان را از یک «پرستار» که ساعت ۲ صبح کدهای بههمریخته را پاک میکند، به یک مهندس سیستم تبدیل میکند. Agent Rigor با جداسازی اهداف سطح بالا از گامهای اجرایی اتمی، احتمال توهم (Hallucination) — وقتی مدل با اطمینان چیزی میگوید که اصلاً وجود ندارد — و تخریب تنظیمات سیستم را کاهش میدهد. این لایهبندی در واقع نوعی سد تعیینگر برای توقف نشتهای منطقی است که اجازه نمیدهد توهمات مدل به کدهای تولیدی سرایت کند.
این چارچوب نشاندهنده یک چرخش راهبردی است: گلوگاه عاملهای خودکار دیگر تعداد پارامترهای مدل نیست، بلکه سیستمعاملی است که حلقه اجرای آنها را مدیریت میکند. در مسیر حرکت به سمت گردشهای کاری کاملاً خودکار، تمرکز از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن — به سمت «مهندسی انضباط» میرود.
گام بعدی شما
- اگر از ابزارهایی مثل Cursor یا GitHub Copilot استفاده میکنید، مخزن Agent Rigor در گیتهاب را بررسی کنید تا از پسرفت کدبیس جلوگیری کنید.
- ساختار لایهبندی دستورات را در پرامپتهای پیچیده خود امتحان کنید تا از تداخل دستورات بکاهید.
- سیاست «بازگشت به وضعیت تاییدشده» را در گردشهای کاری خود پیادهسازی کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو