اگر از اینکه مدلهای هوش مصنوعی پیش از ارائه یک خط کد، سه پاراگراف مقدمه مینویسند خسته شدهاید، ابزار جدیدی برای نجات شما آمده است. پاسخهای طولانی و مودبانه، بزرگترین مانع در مسیر اجرای سریع کدها هستند.
بسیاری از توسعهدهندگان با پدیده «وراجی مدلهای زبانی» دستوپنجه نرم میکنند؛ وضعیتی که در آن مدل وقت زیادی را صرف توضیح یک باگ میکند اما راه حل را در انتهای متن دفن میکند. پلاگین i-have-adhd — که در ۸ سپتامبر ۲۰۲۶ منتشر شد — با اجبار مدل به فرمت «اول اقدام، بعد توضیح»، این نویزهای ارتباطی را حذف میکند. این ابزار برای دستیارهایی مثل Claude Code مانند یک لایه رفتاری عمل میکند و تعامل را از یک گفتگو به یک چکلیست تبدیل میکند.
همانطور که در تحلیلهای قبلی ما دربارهی بهینهسازی جریان کار با عاملهای هوش مصنوعی اشاره کردیم، کاهش اصطکاک در رابط کاربری، کلید بهرهوری است. مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — در حالت پیشفرض تمایل به پرگویی دارد، اما این پلاگین آن را مهار میکند. این تلاش برای مهار خروجیهای مدل، در کنار استفاده از راهکارهای RAG برای حذف توهمات AI، گامی در جهت تبدیل هوش مصنوعی به ابزاری دقیقتر و کاربردیتر است.
به نقل از مستندات این پروژه در GitHub، این مهارت ۱۰ قانون سختگیرانه را برای سادهسازی خروجی اجرا میکند:
- شروع با اقدام بعدی: حذف جملاتی مثل «سوال عالی بود!» یا «اجازه دهید فکر کنم».
- وظایف شمارهدار: تمام فرآیندهای چندمرحلهای باید بهصورت توالی صریح باشند.
- محدودیتهای concrete: لیستها حداکثر ۵ مورد هستند و تخمین زمان باید بر حسب دقیقه باشد.
- پایداری وضعیت: مدل باید در هر نوبت، وضعیت فعلی پروژه را بازگو کند.
طبق گزارش توسعهدهندگان، این ابزار با حذف جملات پایانی مثل «امیدوارم این کمک کند!»، بار شناختی لازم برای تحلیل پیشنهادات AI را کاهش میدهد. در واقع، این پلاگین رابط چت را به یک برنامه اجرایی شبیه به خط فرمان (CLI) تبدیل میکند. این رویکرد مکمل تولید بازیابیافزا برای اتصال مدلها به دادههای خصوصی است تا خروجیها علاوه بر ایجاز، بر پایه واقعیتهای دادهای باشند.
این تغییر نشاندهنده ترندی به سمت رابطهای «کماصطکاک» است. برای یک برنامهنویس حرفهای، ارزش ابزار در ادبِ هوش مصنوعی نیست، بلکه در سرعتی است که یک پرامپت را به یک کامیت تاییدشده در گیت تبدیل میکند.
کاربران میتوانند این مهارت را از طریق CLI نصب کنند یا مخزن را فورک کرده و قوانین فایل SKILL.md را مطابق با جریان کاری خود تغییر دهند.
گام بعدی شما
- اگر از Claude Code استفاده میکنید، این پلاگین را نصب کنید تا سرعت پیمایش کدها را بسنجید.
- فایل SKILL.md را بررسی کنید تا متوجه شوید چگونه میتوانید قوانین خروجی مدل را شخصیسازی کنید.
- خروجیهای مدل را با و بدون این لایه مقایسه کنید تا میزان کاهش «نویز متنی» را مشاهده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو