پایان عصر عامل‌های یکپارچه؛ قدرت پنهان در «هارنس‌های نازک»

اگر هنوز در حال ساخت عامل‌های هوش مصنوعی یکپارچه و حجیم از صفر هستید، احتمالاً دارید زمان و بودجه‌ی خود را دور می‌ریزید. انتشار پروژه‌ی open-claude-design ثابت می‌کند که بهینه‌ترین راه برای مقیاس‌بندی جریان‌های کاری عامل‌محور (Agentic)، استفاده از «هارنس‌های نازک» (Thin Harnesses) است؛ ساختارهایی که به جای جایگزینی ابزارهای موجود، آن‌ها را سازمان‌دهی می‌کنند.

طبق گزارش dev.to، در ۷ مه ۲۰۲۶، تیمی با استفاده از SDK جریان کاری Atomic، یک نسخه‌ی بازمتن از ابزار Claude Design را منتشر کرد؛ ابزاری که Anthropic آن را در ۱۷ آوریل ۲۰۲۶ معرفی کرده بود. بر اساس مستندات این پروژه، توسعه‌دهندگان با مهندسی معکوس خط لوله‌ی قطعی (Deterministic Pipeline) این ابزار، سیستمی ساختند که با سه ارائه‌دهنده‌ی مختلف یعنی Claude Agent SDK، Copilot CLI و opencode سازگار است.

این سیستم از طریق ۵ فاز قطعی عمل می‌کند:

• آنبوردینگ سیستم طراحی: تحلیل موازی و بدون رابط کاربری (Headless) کدبیس.
• وارد کردن (Import): استخراج داده‌ها از URLها، فایل‌ها یا کدبیس.
• تولید (Generation): خلق اولین نسخه‌ی بصری طراحی.
• حلقه‌ی اصلاح (Refinement Loop): یک چرخه‌ی محدود (حداکثر ۵ تکرار) با تایید انسانی.
• خروجی و تحویل: ارسال نهایی به یک عامل (Agent) کدنویس برای پیاده‌سازی.

برای مقابله با توهم (Hallucination) در هوش مصنوعی زاینده (Generative AI)، این سیستم حلقه‌ی اصلاح را با Playwright CLI جفت کرده است. به نقل از تیم توسعه، این کار به یک «عامل نقدکننده» اجازه می‌دهد تا به جای تکیه بر فرض‌های متنی مدل، اسکرین‌شات‌های واقعی از خروجی رندر شده را بررسی کند.

همان‌طور که در تحلیل قبلی ما درباره‌ی مقیاس‌پذیری محاسباتی Anthropic و همکاری آن‌ها با اسپیس‌اکس اشاره کردیم، قدرت خام محاسباتی تنها نیمی از مسیر است. این پروژه نشان می‌دهد که «مایل آخر» کاربردی بودن، در نحوه‌ی مهار این مدل‌ها در جریان‌های کاری خاص نهفته است. ارکستراسیون این سیستم با TypeScript نوشته شده و برای هر ارائه‌دهنده تنها به ۵۰۰ خط کد نیاز دارد. همچنین برای بهینه‌سازی هزینه‌های استنتاج (Inference)، مراحل تحلیل به مدل Sonnet سپرده شده و مدل Opus تنها برای مراحل خلاقانه و بصری رزرو شده است.

اما این تنها آغاز ماجراست؛ اینکه آیا رابط‌های خط فرمان (CLI) می‌توانند هرگز با تجربه‌ی بصری و روانِ محصولات طراحی رقابت کنند یا خیر، در گزارش‌های بعدی بررسی خواهیم کرد.

گام بعدی شما

• بررسی SDK جریان کاری Atomic برای جایگزینی عامل‌های حجیم با هارنس‌های نازک.
• تست ترکیب Playwright CLI با مدل‌های زبانی برای کاهش نرخ توهم در خروجی‌های بصری.
• پیاده‌سازی استراتژی تفکیک مدل (استفاده از مدل‌های کوچک‌تر برای تحلیل و مدل‌های بزرگ‌تر برای خلق).