مدیریت یک ناوگان از هوش مصنوعی اکنون به یک عملیات متمرکز تبدیل شده است. طبق اعلام رسمی در پورتال antigravity.google در ۵ آگوست ۲۰۲۶، Google Antigravity 2.0 به کاربران اجازه میدهد چندین عامل (Agent) — شبیه به کارمندانی که هر کدام مسئول یک بخش از پروژه هستند — را بهطور موازی در پروژههای مستقل اجرا و رصد کنند.
این تحول در زمانی رخ میدهد که شرکتها از چتباتهای ساده به سمت گردشهای کاری عاملمحور (Agentic) حرکت میکنند. همانطور که در تحلیل قبلی ما دربارهی موانع مقیاسپذیری هوش مصنوعی اشاره کردیم، صحت دادهها همچنان یک چالش است؛ به همین دلیل گوگل اکنون بر لایهی «هماهنگسازی» تمرکز کرده تا اطمینان یابد این عاملها واقعاً میتوانند وظایف را با اطمینان اجرا کنند. این تلاش برای دقت در خروجیها، یادآور رویکرد WaveMaker AI در استفاده از کامپایل دو مرحلهای برای حذف توهمات مدلهای زبانی است که بر افزایش قابلاعتماد بودن پاسخها تأکید داشت.
قابلیتهای کلیدی هماهنگسازی
بر اساس مستندات این پلتفرم، مرکزیت عملیات بر عهده یک «رابط کاربری انتزاعی» است. ویژگیهای فنی برجسته عبارتند از:
- زیر-عاملهای پویا (Dynamic Subagents): سیستم بهصورت آنی عاملهای کوچکتری میسازد تا بخشهای موازی یک مسئلهی پیچیده را حل کنند.
- وظایف زمانبندیشده: کاربران میتوانند زمانبندیهای کرون (Cron) تعریف کنند تا عاملها بررسیهای روتین را در پسزمینه انجام دهند.
- مصنوعات (Artifacts): عاملها خروجیهای ملموسی تولید میکنند تا پیشرفت کار را بهصورت لحظهای گزارش دهند.
برای کاربران حرفهای، این پلتفرم سفارشیسازی عمیقی ارائه میدهد. شما میتوانید مهارتهای سراسری، پروتکل زمینهٔ مدل (MCP) و قلابهای JSON تعریف کنید تا رفتار دقیق هر عامل را دیکته کنید. در این راستا، ایجاد محیطهای امن برای اجرای این کدها حیاتی است؛ مشابه آنچه پلتفرم Agent-Up با به اشتراکگذاری محیطهای اجرای ایزوله برای عاملهای کدنویس پیادهسازی کرده است.
به باور تحلیلگران، این اقدام عاملهای AI را از دستیارهای ایزوله به یک نیروی کار هماهنگ تبدیل میکند. گوگل با اجازه دادن به عاملها برای ایجاد زیر-فرآیندهای خود، نیاز به مهندسی پرامپت (Prompt Engineering) — یعنی هنر سؤال درست پرسیدن از مدل — برای پروژههای چندمرحلهای را کاهش داده است. نتیجه این است که انسان حالا بیشتر در نقش یک «مدیر» ظاهر میشود که هدف را تعریف میکند و سیستم، تفویض وظایف را مدیریت میکند.
گام بعدی شما
- پیکربندیهای MCP و JSON Hook را بررسی کنید تا متوجه شوید چگونه مهارتهای خاص را به عاملهای خود اضافه کنید.
- یک گردش کار موازی با استفاده از زیر-عاملها برای یک پروژه واقعی طراحی کنید.
- زمانبندیهای روتین را برای نظارت خودکار بر دادههای پروژه فعال کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک زیرساختهای مورد نیاز این پردازشهای موازی، به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو