بسیاری از کاربران تنها به دلیل استفاده از مدل ذهنی اشتباه، ساعتها از زمان مفید خود در کار با عاملها را از دست میدهند. طبق چارچوبی که در ۲ اوت ۲۰۲۶ توسط وبسایت brethorsting.com منتشر شد، راز موفقیت در کارهای پیچیدهٔ عاملمحور، نه در مهندسی پرامپتهای پیچیده، بلکه در توانایی جابهجایی بین دو حالت عملیاتی متمایز است: گلخانه و لنز.
تصور کنید گلخانهای است که نور خورشید را برای رشد هرچه بیشتر و هرچند نامنظم گیاهان حبس میکند؛ در مقابل، لنزی را تصور کنید که همان نور را برای سوزاندن یک نقطهٔ واحد متمرکز میکند. در دنیای عاملهای هوش مصنوعی (AI Agents) — که مانند دستیارهای دیجیتالی هستند که میتوانند بهطور مستقل ابزارها را اجرا کرده و اهداف را دنبال کنند — این تفاوت معادل فاصله بین «کاوش در فضای مسئله» و «اجرای یک راهکار مشخص» است. این رویکرد در واقع تکاملی از تفاوت میان هوش مصنوعی زاینده و عاملهای هوشمند است که در آن تمرکز از تولید محتوا به اجرای هدفمند تغییر مییابد. بسیاری از کاربران شکست میخورند چون در موقعیتی که نیاز به تمرکز است، حالت اکتشافی را فعال نگه داشتهاند.
حالت گلخانه برای کشف طراحی شده است. زمانی که هنوز دقیقاً نمیدانید چه میخواهید، به هوش مصنوعی اجازه میدهید طیف گستردهای از خروجیها را تولید کند و میپذیرید که اکثر آنها متوسط یا بیفایده باشند. همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، پذیرش خطا در مراحل اولیه، کلید رسیدن به نتایج غیرمنتظره است. برای مثال، استفاده از Claude Code برای تولید دهها ابزار هنری برای دستگاه AxiDraw، اجازه میدهد کاربر ابتدا با نتایج بازی کند و سپس بهترینها را برگزیند، به جای اینکه از ابتدا یک نقشهٔ سختگیرانه دنبال کند.
این حالت بهویژه برای ساخت نسخههای اولیه (MVP) ایدهآل است؛ جایی که هزینه آزمایش تقریباً صفر شده است. یک نمونه عملی، ساخت اپلیکیشن کوچک macOS/SwiftUI بود که متون Markdown را به Word تبدیل میکرد؛ پروژهای که هیچ سند طراحی رسمی نداشت و فقط برای یک کاربر خاص و در بازه زمانی کوتاه ساخته شد. این تغییر در روند ساخت، بخشی از تحول ماهیت توسعه نرمافزار از کدنویسی به تفویض اختیار است که در آن برنامهنویس بیشتر به یک ناظر تبدیل میشود.
حالت لنز دقیقاً نقطه مقابل است. این یک ابزار با اهرم بالا برای اهداف مشخص است که تعریف «پایان کار» در آن کاملاً دقیق است. در این حالت، کاربر باید بیرحم باشد و اگر ۹ مورد از ۱۰ پیشنهاد عامل از خط مستقیم هدف منحرف شد، فوراً آنها را رد کند.
خطر انحراف حالتی (Mode Drift)
خبرگی در استفاده از سیستمهای عاملمحور با توانایی تشخیص «انحراف» تعریف میشود. انحراف زمانی رخ میدهد که کاربر در حالت لنز شروع به توسعه یک ویژگی خاص میکند، اما ۴۰ دقیقه بعد میبیند که هوش مصنوعی در حال ساخت یک پنل مدیریتی غیرضروری است. این اتفاق میافتد چون تماشای رشد هر چیزی — حتی اگر بیربط باشد — حس پیشرفت کاذب ایجاد میکند.
در مقابل، انحراف میتواند کاربر را از اکتشاف به سمت صیقل دادن زودهنگام بکشاند. کاربر ممکن است برای بررسی یک مفهوم وارد شود، اما چون تکمیل کردن کار راحتتر از گشتوگذار در ناشناختههاست، یک ایدهٔ ناپخته را تا سطح تولید صنعتی صیقل دهد بدون اینکه اصلاً بداند آیا آن مسیر درست است یا خیر.
نقش اوراکل دامنه
تخصص موضوعی همچنان اصلیترین مزیت رقابتی در دنیای عاملمحور است. متخصص در اینجا نقش یک «اوراکل» یا پیشگو را دارد که مدل ذهنی تأییدشدهای از موضوع را در دست دارد.
- در گلخانه، اوراکل میتواند ۳ جوانه ارزشمند را از میان هزاران وجین شناسایی کند.
- در لنز، اوراکل خروجیهایی را که بهنظر درست میرسند اما پروژه را از مسیر خارج میکنند، رد میکند.
بدون این مدل ذهنی، کاربر متوجه انحراف از هدف نمیشود چون اساساً هدفی را در ذهن خود تثبیت نکرده است.
هنگام ورود به جریان خلاقیت، حیاتیترین بررسی این است که تشخیص دهید در کدام حالت هستید. هر دو حالت بهرهور هستند، اما پیشرفتهترین مهارت، دانستن لحظه تغییر از رشد پراکندهٔ گلخانه به حرارت متمرکز لنز است.
گام بعدی شما
- هر ۳۰ دقیقه یکبار نشستهای AI خود را بازبینی کنید تا ببینید خروجیها هنوز با حالت هدفگذاریشده (اکتشاف یا اجرا) همسو هستند یا خیر.
- فهرستی از «نقاط خروج» (Exit Criteria) برای حالت لنز تهیه کنید تا سریعتر انحرافات را شناسایی کنید.
- در پروژههای اکتشافی، عمداً از مدلهای سریعتر و ارزانتر استفاده کنید تا هزینهٔ «گلخانه» کاهش یابد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو