اگر شما یک وکیل یا مدیر بازاریابی هستید، دیگر برای داشتن یک تیم حرفهای از عاملهای هوش مصنوعی، نیازی به یادگیری زبان پایتون ندارید. در ۳ ژوئن ۲۰۲۶، شرکت شیائومی (Xiaomi) از آخرین نسخه سولوانجین (SoloEngine) پرده برداشت؛ نخستین پلتفرم توسعه هوش مصنوعی عاملمحور با کدنویسی کم (Low-code) که بهطور خاص طراحی شده است تا متخصصان هر حوزه را به خالقان AI تبدیل کند.
این عرضه در حالی رخ میدهد که سازمانها برای استخراج ارزش واقعی از AI در تکاپو هستند. طبق دادههای منتشر شده توسط آمازون وب سرویسز (AWS) در اجلاس AIGC۲۰۲۶، ۸۷٪ شرکتها مدعی استقرار AI هستند، اما تنها ۱۰٪ آنها توانستهاند ارزش واقعی از آن کسب کنند. صنعت امروز دچار یک «خلاء میانی» است؛ یعنی مدلهای بنیادی و تراشهها در لایههای بالادستی سرمایه جذب میکنند و تقاضای کاربر نهایی در لایههای پاییندستی بسیار قوی است، اما هیچ پل مهندسی برای تبدیل دانش متخصص به عاملهای قابلاعتماد وجود ندارد.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، دسترسی گسترده به ابزارها بدون کنترل دقیق، ریسک خطا را بالا میبرد. ابزارهای فعلی معمولاً در دو دسته ناقص قرار دارند. پلتفرمهای کد-کم مثل دیفای (Dify) و n8n از بومهای بصری استفاده میکنند، اما به مسیرهای پیشفرض «اگر/آنگاه» وابسته هستند — یعنی گام الف حتماً به گام ب میرسد — و به محض مواجهه با سناریویی غیرمنتظره، شکست میخورند. اینها در بهترین حالت، اسکریپتهای کلان (Macro) تقویتشده با AI هستند.
در مقابل، چارچوبهایی مثل لنگچین (LangChain) و کرو-ای-آی (CrewAI) از تصمیمگیری خودکار واقعی پشتیبانی میکنند، اما نیازمند مهارتهای عمیق برنامهنویسی پایتون هستند. برای مثال، یک مدیر بازاریابی (CMO) برای راهاندازی یک تیم مارکتینگ در CrewAI باید محیطهای پیچیده فنی را پیکربندی کند؛ مانعی که این ابزارها را فقط در دسترس برنامهنویسان نگه داشته است.
سولوانجین این مشکل را با اجازه دادن به کاربر برای باز کردن یک مرورگر، کشیدن عاملها روی یک بوم و تعریف روابط همکاری بدون نوشتن حتی یک خط کد حل میکند. بخش بکاند (Backend) این طراحی را بهطور خودکار به یک سیستم اجرایی تبدیل میکند که وظایف را برنامهریزی کرده و نتایج را تحویل میدهد. بر خلاف گردشکارهای اسکریپتی، هر عامل در سولوانجین یک حلقه ریاکت (ReAct) — یعنی چرخه «فکر کن $\rightarrow$ عمل کن $\rightarrow$ مشاهده کن $\rightarrow$ تکرار کن» — را اجرا میکند.
این یعنی تصمیمات بهصورت پویا در زمان اجرا گرفته میشوند. برای مثال، یک عامل حقوقی هنگام بررسی قرارداد، از یک چکلیست ایستا پیروی نمیکند؛ بلکه یک بند پرریسک را شناسایی میکند، متوجه میشود بند عدم رقابت مبهم است، بهطور مستقل به دنبال رویههای قضایی مرتبط میگردد و مسیر بررسی خود را بر اساس یافتهها تغییر میدهد. هیچ مسیر پیشفرضی وجود ندارد و هر گام توسط نتیجه گام قبلی تعیین میشود.
شیائومی بهطور هدفمند از مسیر «همهکاره» که مدلهای ابتدای سال ۲۰۲۶ مثل مانوس (Manus) و اوپنکلاو (OpenClaw) در پیش گرفتند، فاصله گرفته است. اگرچه مانوس با محبوبیت گستردهای روبرو شد — تا جایی که کدهای دعوت آن زمانی به قیمت ۵۰ هزار یوآن فروخته میشد — اما تستهای رسمی نشان داد ۸۷٪ موارد تنها بر جمعآوری اطلاعات ساده و تحلیلهای ابتدایی متمرکز بودند. علاوه بر این، گزارشهای خودکار آن در ۴۳٪ موارد نیاز به بازبینی انسانی داشت و نرخ خطای میانگامی حدود ۱۲٪ بود.
سولوانجین همچنین با ابزارهای توسعهمحور عمودی مثل کلود کد (Claude Code)، کِرسور (Cursor) و تره (Trae) محصول بایتدنس متفاوت است. در حالی که آن ابزارها برای چرخه توسعه نرمافزار بسیار بهینه هستند، اما ابزارهایی «فقط برای توسعهدهندگان» محسوب میشوند. سولوانجین رویکرد عمودی را پیش گرفته اما اجازه میدهد متخصصان هر صنعت تعریف کنند عاملهایشان چه کاری انجام دهند و از چه ابزارهایی استفاده کنند. در این مدل، عامل یک وکیل فقط کارهای حقوقی و عامل یک مارکتر فقط کارهای بازاریابی را مدیریت میکند.
برای حل مشکل دقت — که طبق نظرسنجی بلومبرگ لا (Bloomberg Law) دغدغه ۹۵٪ وکلایی است که هنوز از عاملهای AI استفاده نکردهاند — سولوانجین سیستم «تأیید متقاطع چند-عاملی» را پیاده کرده است. در این روش، چندین عامل بهطور مستقل یک وظیفه واحد را پردازش کرده و سپس خروجیهای یکدیگر را بازبینی میکنند. این سازوکار تضمین میکند که نقاط کور یا سوگیریهای قضاوت یک عامل توسط عامل دیگر اصلاح شود.
از نظر فنی، این پلتفرم ویژگیهای زیر را برای افزایش بهرهوری ارائه میدهد:
- یک لایه تطبیق یکپارچه برای پشتیبانی از OpenAI، Anthropic، DeepSeek، Ollama، Tongyi Qianwen و Zhipu برای جلوگیری از وابستگی به یک تامینکننده خاص (Vendor Lock-in).
- طراحی تعویضپذیر (Hot-swappable) برای ابزارها، مهارتها و پروتکلهای MCP که بر اساس نیاز در لحظه بارگذاری میشوند.
- کاهش مصرف توکن (Token) بیش از ۸۵٪ از طریق روش «افشای تدریجی» (Progressive Disclosure).
- قابلیت بستهبندی تککلیکی که اجازه میدهد تیمهای عامل ساخته شده به محصولات کامل تبدیل شوند تا برای فروش یا استقرار در تیمهایی با بیش از ۱۰۰ مشتری استفاده گردند.
در بخش حقوقی، نظرسنجی ۲۰۲۶ شرکت ولترز کلوئر (Wolters Kluwer) نشان میدهد ۹۲٪ متخصصان حقوقی روزانه از حداقل یک ابزار AI استفاده میکنند، اما اکثر آنها فقط برای پردازش متن ساده مثل پیشنویس ایمیلها. سولوانجین به آنها اجازه میدهد تیمی بدون کد شامل عاملهای زیر را بسازند:
- عامل تحلیل پرونده
- عامل جستجوی قوانین حقوقی
- عامل گردآوری رویههای قضایی
- عامل تحلیل استدلالها
- عامل مدیریت اسناد
در حوزه بازاریابی، در حال حاضر ۳۴٪ تیمهای مارکتینگ سازمانی حداقل یک عامل خودکار در محیط عملیاتی دارند که این رقم نسبت به ۶ ماه پیش دو برابر شده است. با این حال، ۸۷٪ مارکترها هنوز فقط از AI برای پرداختن به ویراستاری و صیقل دادن متن استفاده میکنند. سولوانجین امکان ساخت تیمی کامل شامل عاملهای زیر را فراهم میکند:
- عامل تحلیل مخاطب
- عامل پژوهش رقابتی
- عامل تدوین استراتژی
- عامل تولید محتوا و کپیرایتینگ
شرکتهای تکنفره (OPC) اکنون به بیش از ۱۶ میلیون مورد رسیدهاند و ۲۷.۴٪ از کل بنگاهها را تشکیل میدهند. سال ۲۰۲۶ به «سال شرکتهای تکنفره» معروف شده و بیش از ۲۰ شهر سیاستهای حمایتی برای آنها وضع کردهاند. نیاز اصلی این کارآفرینان فرمول «یک نفر + AI = یک شرکت کامل» است. قابلیت بستهبندی سولوانجین به این افراد اجازه میدهد تیمهای عامل بسازند و آنها را بهعنوان محصولات تجاری بفروشند.
این چرخش، قدرت هوش مصنوعی عاملمحور را از محیط برنامهنویسی (IDE) خارج کرده و به دست کسی میسپارد که واقعاً منطق کسبوکار را میفهمد. دیگر خبری از جریانهای کاری پیچیده یا کدنویسی ارکستراسیون نیست؛ فقط عاملهایی هستند که کارها را به سرانجام میرسانند.
اگر میخواهید از پرامپتهای ساده فراتر بروید، میتوانید سولوانجین را در گیتهاب پیدا کنید تا اسمبل کردن اولین تیم خودکار خود را آغاز کنید.
گام بعدی شما
- اگر از ابزارهای اتوماسیون ساده خسته شدهاید، سولوانجین را در گیتهاب پیدا کنید و اولین تیم خودکار خود را بسازید.
- برای کاهش هزینهها، قابلیت «افشای تدریجی» را در طراحی عاملهایتان پیاده کنید تا مصرف توکنها کاهش یابد.
- تیمی از عاملهای متضاد بسازید تا با تأیید متقاطع، نرخ خطای خروجیهای حساس را پایین بیاورید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو