تصور کنید پیکربندی پروژه‌ای را در نظر بگیرید که در آن تسک‌های رایج دیگر پرامپت‌های تکراری نیستند، بلکه پنج «مهارت عامل» (Agent Skill) ماژولار هستند که برای OpenCode و Claude Code طراحی شده‌اند. این مجموعه که در ۱۹ اوت ۲۰۲۶ منتشر شد، موانع استاندارد توسعه را به گردش‌کارهای بازرسی‌پذیر و قابل استفاده مجدد تبدیل می‌کند.
بسیاری از عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای اداری که گاهی دستورات ساده را فراموش می‌کنند — در حفظ ثبات هنگام انجام کارهای تکراری اداری شکست می‌خورند. همان‌طور که پیش‌تر پوشش دادیم که توسعه‌دهندگان چگونه می‌توانند واترمارک‌های نامرئی در Claude را دور بزنند، چالش فعلی دیگر فرار از محدودیت‌ها نیست، بلکه افزایش بهره‌وری است. این مهارت‌ها مانند کتابخانه‌ای از توابع تخصصی عمل می‌کنند و به عامل اجازه می‌دهند هرگاه تسکی با توصیف یک مهارت مطابقت داشت، آن گردش‌کار خاص را فعال کند. این رویکرد در واقع پاسخی به چالش‌های اعتبارسنجی دستورالعمل‌های طولانی است که در آن گیت‌های سخت جایگزین دستورات متنی طولانی می‌شوند.
پیکربندی و راه‌اندازی
طبق مستندات منتشر شده، این مهارت‌ها در OpenCode در مسیر ~/.config/opencode/skills/ یا سایر مکان‌های سطح پروژه که توسط تنظیمات پشتیبانی می‌شوند، قرار می‌گیرند. در Claude Code، عامل این مهارت‌ها را از طریق پوشه .claude/skills/ شناسایی می‌کند. برای فعال‌سازی یک مهارت، کافی است پوشه مربوطه را در مکان درست قرار داده و در صورت نیاز، نشست (Session) عامل را بازنشانی کنید. این متدولوژی یادگیری مهارت‌ها با قابلیت‌های جدید روایت صوتی کلود برای تسریع در فرآیند آموزش اتوماسیون هم‌راستا است.
ابزارهای محتوا و پژوهش
- تشخیص‌دهنده متن AI: این ابزار متون انگلیسی و پرتغالی-برزیلی را برای یافتن الگوهای رایج هوش مصنوعی زاینده (Generative AI) بررسی می‌کند. مواردی مانند ریتم‌های تکراری جملات، عبارت‌های پرکننده (filler phrases)، فرمت‌بندی بیش از حد و استفاده مفرط از خط تیره (em-dash) را شناسایی می‌کند. این ابزار دارای یک رابط خط فرمان (CLI) و سرور MCP برای بررسی متون و فایل‌ها است و برای بازبینی مقدمه‌های README، پست‌های انتشار، صفحات فرود (landing pages) و یادداشت‌های تغییرات (changelogs) ایده‌آل است.
- شمارنده متن: تعداد دقیق گرافم‌ها، بایت‌ها، کاراکترها، کلمات، جملات، پاراگراف‌ها، خطوط و دفعات تکرار عبارت‌ها را محاسبه می‌کند. این ابزار برای رعایت محدودیت‌های سخت‌گیرانه، در جایی که عبارت «تقریباً زیرِ» کافی نیست، حیاتی است؛ مانند متادیسکریپشن‌های ۱۵۵ کاراکتری یا عنوان‌های ۸۰ کاراکتری در GitHub Issues. این ابزار از غافلگیری‌های مربوط به کاراکترهای یونیکد، ایموجی‌ها و فاصله‌ها جلوگیری می‌کند.
- قالب دانش باز (OKF): بسته‌های Markdown ایجاد می‌کند که دارای لینک به منابع هستند و حقایق را از تفسیرها جدا می‌سازند تا نتایج پژوهش فراتر از یک نشست چت باقی بماند. یک بسته می‌تواند شامل فهرست (index)، گزارش پژوهش، خلاصه AI، جداول منابع، جداول شواهد و فایل‌های خروجی مرتبط باشد. این ساختار به عامل‌ها اجازه می‌دهد تا با استفاده از فایل
ai_summary.mdتحقیقات را با ایمنی ادامه دهند. این دقت در مستندسازی برای حل مشکل عدم تایید علمی در کدنویسی‌های سریع AI در حوزه‌های تخصصی مانند زیست‌شناسی ضروری است.
اتوماسیون و ابزارهای کاربردی
- تبدیل HTML به PDF: با استفاده از Playwright و Chromium، صفحات وب عمومی مجاز را به PDF تبدیل می‌کند. این گردش‌کار منتظر بارگذاری کامل دارایی‌های صفحه می‌ماند، دیالوگ‌های رایج کوکی را مدیریت کرده و بلوک‌های تبلیغاتی را حذف می‌کند. در فوتر هر PDF، URL منبع و زمان دسترسی ثبت می‌شود. این قابلیت برای مستندات API، بررسی‌های طراحی و بسته‌های مطالعه داخلی بسیار کاربردی است.
- ntfy: برای تسک‌هایی که بیش از ۳۰ ثانیه زمان می‌برند، اعلان‌هایی را از طریق ntfy.sh یا سرورهای خودمیزبان (self-hosted) تایید شده ارسال می‌کند. این ابزار توسعه‌دهنده را تشویق می‌کند تا پیش از شروع، مدت زمان تسک را تخمین بزند. برای حفظ امنیت، توکن‌ها در مخازن کد، URLها یا تاریخچه شل ذخیره نمی‌شوند و مستقیماً از ذخیره‌ساز اعتبارنامه‌های سیستم‌عامل (OS credential store) فراخوانی می‌شوند.
این چرخش به سمت «مهارت‌های قابل‌حمل» به این معناست که توسعه‌دهندگان دیگر برای ایجاد رفتارهای پیچیده عامل‌محور به فریم‌ورک‌های حجیم نیاز ندارند. هر مهارت در واقع یک فایل Markdown متمرکز است که می‌تواند اسکریپت‌های اتوماسیون اختیاری داشته باشد.
نمونه‌ای از گردش‌کار یکپارچه
یک توسعه‌دهنده می‌تواند در یک نشست واحد، این ابزارها را ترکیب کند: موضوعی را پژوهش کرده و یافته‌ها را با OKF ذخیره کند، پیش‌نویس یک پست وبلاگی بنویسد، با شمارنده متن محدودیت‌های پست‌های اجتماعی را چک کند، پیش از انتشار متن را با تشخیص‌دهنده AI بازبینی نماید و مراجع عمومی را به صورت PDF ثبت کند. برای خروجی‌های طولانی یا تسک‌های مرورگر، ntfy اعلان نهایی تکمیل کار را ارسال می‌کند.
به باور تحلیلگران، این رویکرد «انحراف پرامپت» (Prompt Drift) را کاهش داده و رفتار عامل را پیش‌بینی‌پذیر می‌کند. این اتفاق صنعت را از عصر «پرامپت‌های جادویی» دور کرده و به سمت رویکردی منضبط و مهندسی‌شده برای ارکستراسیون عامل‌ها می‌برد.
گام بعدی شما
- فهرست کامل مهارت‌ها را در Published Agent Skills بررسی کنید.
- پوشه‌های مورد نیاز را در دایرکتوری پیکربندی عامل خود قرار دهید.
- برای تسک‌های طولانی، یک سرور ntfy شخصی راه‌اندازی کنید تا از وضعیت اجرای عامل مطلع شوید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو