تصور کنید می‌خواهید یک دستیار هوشمند بسازید که فقط به سوالات پاسخ ندهد، بلکه بتواند حافظه داشته باشد، ابزارها را مدیریت کند و اشتباهات خود را اصلاح کند. برای تبدیل یک پرامپت ساده به یک عامل (Agent) آماده برای محیط عملیاتی، به یک لایه ارکستراسیون قدرتمند نیاز است که بتواند حافظه، فراخوانی ابزار (Tool-calling) و بازیابی خطاها را مدیریت کند.
آنتروپیک تمام این الگوهای ضروری را در کتابچه راهنمای کلود (Claude Cookbook) متمرکز کرده است؛ مخزنی زنده از راهنماهای فنی و «دستورالعمل‌ها» (Recipes) که قابلیت‌های تئوریک عامل‌محور (Agentic) را به کدهای قابل اجرا و بازتولید برای توسعه‌دهندگان تبدیل می‌کند.
این منابع درست در زمانی منتشر می‌شوند که صنعت از چت‌بات‌های ساده به سمت «گردش‌های کاری عامل‌محور» می‌رود؛ سیستم‌هایی که می‌توانند استدلال کنند، از ابزارها استفاده کنند و اشتباهات خود را اصلاح نموده و تصحیح کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی پروتکل Arm MCP Server و توانایی آن در کامپایل سخت‌افزارهای Bare-metal اشاره کردیم، این کتابچه interoperability یا تعامل‌پذیری را گسترش می‌دهد. این مجموعه، نقشه‌های لازم برای اتصال کلود به محیط‌های خارجی از طریق پروتکل زمینه مدل (MCP) و SDKهای سفارشی را فراهم می‌کند.
اکوسیستم عامل‌های مدیریت‌شده
مرکز ثقل این کتابخانه، API مربوط به عامل‌های مدیریت‌شده کلود (Claude Managed Agents) است. این چارچوب به توسعه‌دهنده‌ها اجازه می‌دهد از پرامپت‌های تک‌مرحله‌ای (Single-turn) فراتر روند و تعاملات پایدار و مبتنی بر نشست (Session-based) ایجاد کنند. به نقل از مستندات platform.claude.com، این قابلیت امکان انتقال از اسکریپت‌های ایستا به عامل‌های پویا را فراهم می‌کند که می‌توانند به‌روزرسانی شوند، نسخه‌بندی گردند و بدون قطع شدن یا خراب کردن نشست‌های کاربر، به نسخه‌های قبلی بازگردند (Rollback).
یک الگوی برجسته در این سیستم، حلقه «ارزیابی و بازنگری» (Grade-and-Revise) است که در راهنماهای Outcomes یافت می‌شود. در این ساختار، یک عامل نویسنده پیش‌نویس یک گزارش پژوهشی مستند (Cited research brief) را تهیه می‌کند، در حالی که یک عامل ارزیاب بی‌وضعیت (Stateless) جداگانه، تک‌تک URLها را واکشی کرده و هر نقل‌قول را بر اساس یک معیار (Rubric) سخت‌گیرانه چک می‌کند. نویسنده باید آن‌قدر تکرار و اصلاح کند تا ارزیاب بر اساس رویداد user.define_outcome و نظارت بر رویدادهای span.outcome_evaluation_* خروجی نهایی را تأیید کند. این فرآیند نشان می‌دهد چگونه باید معیاری بنویسید که یک ارزیاب واقعاً بتواند بر اساس آن عمل کند.
پیاده‌سازی فنی عامل‌های مدیریت‌شده
توسعه با عامل‌های مدیریت‌شده شامل الگوهای معماری خاصی است که در آموزش‌های پل یانگ (Paul Yang) و مارک نوویکی (Mark Nowicki) با جزئیات شرح داده شده است. پیاده‌سازی‌های کلیدی عبارتند از:
- تنظیمات عملیاتی (Production Setup): استفاده از اعتبارنامه‌های MCP مبتنی بر Vault و الگوی Webhook برای وضعیت
session.status_idledتا تعاملات «انسان در حلقه» (Human-in-the-loop) بدون نیاز به اتصالات طولانی‌مدت ممکن شود. این بخش شامل استفاده از افعال CRUD برای چرخه حیات منابع (Resource lifecycle) است. - عیب‌یابی تکرار شونده (Iterative Debugging): یک آموزش نقطه-ورود (Entry-point) نشان می‌دهد که چگونه می‌توان با ایجاد عامل، محیط و نشست، در کنار نصب فایل‌ها (File mounts) و حلقه رویدادهای استریمینگ (Streaming event loop)، یک عامل را برای رفع سه باگ تعمدی در یک بسته پایتونی به نام
calc.pyبه کار گرفت.
مدیریت این عامل‌ها در مقیاس بزرگ، نیازمند چندین ابزار عملیاتی جدید است:
- ذخیره‌های حافظه (Memory stores): طبق اعلام گاگان بهات (Gagan Bhat) در به‌روزرسانی آوریل ۲۰۲۶، عامل‌ها اکنون می‌توانند ترجیحات کاربر را در چندین تعامل مجزا با استفاده از یک ذخیره‌ساز حافظه اختصاصی به خاطر بسپارند و یاد بگیرند.
- مدیریت نشست (Session management): توسعه‌دهندگان می‌توانند نشست‌ها را روی دیسک لیست کرده، بخوانند، تغییر نام دهند، برچسب بزنند و فورک (Fork) کنند. راهنمای چینگ وانگ (Qing Wang) درباره ساخت یک مرورگر نشست (Session browser) نشان می‌دهد چگونه یک نوار کناری برای تاریخچه گفتگو ایجاد کنید بدون اینکه نیاز به نوشتن یک تجزیه‌کننده متن (Transcript parser) باشد.
- نسخه‌بندی پرامپت (Prompt versioning): API از نسخه‌بندی سمت سرور از طریق
agents.updateپشتیبانی می‌کند. تیم‌ها می‌توانند نسخه ۱ (v1) را بسازند، آن را در برابر یک مجموعه تست برچسب‌دار ارزیابی کنند، نسخه ۲ (v2) را منتشر کنند و در صورت شناسایی پس‌رفت (Regression)، با پین کردن نشست‌ها به نسخه ۱ از طریقsessions.createبه حالت قبل بازگردند. این امر باعث می‌شود دروازه بازبینی (Review gate) به نقطه‌ای منتقل شود که پرامپت‌ها دیگر صرفاً به عنوان کد تلقی نمی‌شوند.
ابزارهای پیشرفته و مدیریت حافظه
برای حل مشکل پنجره زمینه (Context Window) — که شبیه به میز کاری است که فقط جای چند ورق کاغذ دارد و کل کتابخانه در آن جا نمی‌شود — آنتروپیک چندین استراتژی فشرده‌سازی (Compaction) را معرفی کرده است. ایزابلا هی (Isabella He) مقایسه‌ای بین استراتژی‌های مهندسی زمینه برای عامل‌های طولانی‌مدت ارائه داده است و با جزئیات توضیح می‌دهد که چه زمانی باید از حافظه، فشرده‌سازی یا پاک‌سازی ابزارها استفاده کرد و هزینه‌ها و ترکیب هر یک چگونه است.
توسعه‌دهندگان می‌توانند فشرده‌سازی خودکار زمینه را (طبق مستندات پدرام نوید در نوامبر ۲۰۲۵) پیاده کنند یا از رشته‌دوزی پس‌زمینه (Background threading) و کش کردن پرامپت‌ها برای فشرده‌سازی فوری حافظه نشست استفاده نمایند، همان‌طور که جو شیمون (Joe Shamon) در ژانویه ۲۰۲۶ شرح داده است. این تکنیک‌ها هزینه توکن‌ها و تأخیر (Latency) را به‌شدت کاهش می‌دهد.
استفاده از ابزارها نیز از فراخوانی‌های ساده API به الگوهای برنامه‌ریزی‌شده پیچیده تغییر کرده است. راهنمای «فراخوانی برنامه‌ریزی‌شده ابزار» (PTC) توسط پدرام نوید (نوامبر ۲۰۲۵) توصیف می‌کند که چگونه کلود می‌تواند کدی بنویسد که ابزارها را مستقیماً در یک محیط اجرای کد فراخوانی کند. این کار باعث کاهش تأخیر و کاهش مصرف کل توکن‌ها می‌شود، زیرا رفت‌وبرگشت‌های مکرر LLM به ابزار (Roundtrips) حذف می‌گردد.
مقیاس‌پذیری و قابلیت‌های ابزار
با رشد اپلیکیشن‌ها، مدیریت ابزار به یک چالش اصلی تبدیل می‌شود. کتابچه راهنما چندین مکانیزم مقیاس‌پذیری ارائه می‌دهد:
- کشف معنایی (Semantic Discovery): برای کتابخانه‌های ابزاری عظیم، هنری کیتی (نوامبر ۲۰۲۵) استفاده از بردار معنایی (Semantic embeddings) را توصیه می‌کند. این کار اجازه می‌دهد کشف پویا (Dynamic discovery) ابزارها ممکن شود و یک عامل بتواند در میان هزاران ابزار، تنها موارد مرتبط را از طریق RAG بازیابی کرده و با آن‌ها کار کند.
- موازی‌سازی (Parallelization): در مدل کلود ۳.۷ سونت (مارس ۲۰۲۵)، کاربران می‌توانند فراخوانی‌های موازی ابزار را با استفاده از یک ترفند متای-الگوی ابزار دسته‌ای (Batch tool meta-pattern) فعال کنند.
- ایمنی نوع (Type Safety): الکس آلبرت (آوریل ۲۰۲۴) نحوه استفاده از مدل‌های Pydantic را برای ایجاد تعاملات ابزاری معتبر و دارای ایمنی نوع برای ابزارهای ذخیره یادداشت نشان داده است.
- ادغام بینایی (Vision Integration): راهنماهایی برای ترکیب بینایی با ابزارها جهت استخراج داده‌های ساختاریافته از برچسب‌های تغذیه وجود دارد. نادین یاسر (نوامبر ۲۰۲۵) ابزاری برای «برش» (Crop) مناطق خاص تصویر جهت تحلیل دقیق نمودارها، اسناد و دیاگرام‌ها معرفی کرده است.
پیاده‌سازی‌های تخصصی عامل‌ها
کتابچه راهنما گالری متنوعی از قالب‌های اثرگذار را ارائه می‌دهد که توسط مهندسانی چون منگ‌تینگ لی، الکساندر بریکن، ماهش موراگ و میکائلا گریس ساخته شده‌اند:
امنیت سایبری و تحلیل تهدیدات
- شناسایی آسیب‌پذیری: یو جین (آوریل ۲۰۲۶) عاملی را با استفاده از Claude Agent SDK توسعه داد که یک هدف C را مدل‌سازی تهدید کرده، برای شکار باگ‌های ایمنی حافظه (Memory-safety bugs) با استفاده از ابزارهای داخلی فایل جست‌وجو کرده و یافته‌ها را در گزارش‌های ساختاریافته دسته‌بندی می‌کند.
- غنی‌سازی تهدیدات: جانت پارک (آوریل ۲۰۲۶) عاملی را معرفی کرده است که به‌طور خودکار شاخص‌های سمجھوم (IOC) را با استعلام از چندین منبع تحلیل تهدید بررسی کرده، یافته‌ها را تطبیق داده و آن‌ها را برای یکپارچگی با SIEM و SOAR به چارچوب MITRE ATT&CK متصل می‌کند.
مشاهده‌پذیری و قابلیت اطمینان
- پاسخ به حوادث SRE: گاگان بهات (آوریل ۲۰۲۶) و بن لهربرگر (فوریه ۲۰۲۶) عامل‌هایی را شرح داده‌اند که در جریان‌های On-call قرار می‌گیرند. این عامل‌ها پس از فعال شدن هشدار، لاگ‌ها و کتاب‌های راهنما (Runbooks) را خوانده، علت ریشه‌ای (Root cause) را شناسایی کرده و PRهای اصلاحی را برای تأیید انسان قبل از ادغام (Merge) باز می‌کنند.
- ابزارهای تشخیص: عامل قابلیت اطمینان سایت (SRE agent) از ابزارهای خواندن-نوشتن MCP برای تشخیص خودکار، رفع مشکل و مستندسازی پس‌مرگ (Post-mortem) استفاده می‌کند.
تحلیل داده و مالی
- تحلیل داده: شارمین لی و جس یان (آوریل ۲۰۲۶) قالبی برای عامل‌هایی ارائه دادند که فایل‌های CSV را به گزارش‌های روایت‌گونه HTML با نمودارهای تعاملی در محیط‌های Sandbox و با استفاده از نصب فایل‌ها تبدیل می‌کنند. این شامل نسخه‌ای یکپارچه با Slack است که کاربران با اشاره به بات و ارسال CSV، تحلیل‌های درون‌رشته‌ای و پیگیری‌های چندمرحله‌ای دریافت می‌کنند.
- خدمات مالی: الکس نوتوف (اکتبر ۲۰۲۵) راهنماهایی برای ساخت داشبوردهای مالی و تحلیل سبد سهام با استفاده از مهارت‌های تخصصی کلود در اکسل، پاورپوینت و PDF ارائه کرده است. این بخش شامل مقدمه‌ای گسترده‌تر برای ایجاد و استقرار مهارت‌های گردش‌کار سازمانی سفارشی است.
ارکستراسیون چندعاملی
پیچیدگی‌ها از طریق چندین الگوی چندعاملی مدیریت می‌شوند. پل چن (ژوئن ۲۰۲۶) دو الگوی اصلی نامتقارن (Async) را توصیف می‌کند: یک تیم ثابت N-عامله که از طریق یک هاب مشترک ارتباط می‌گیرند و سیستمی که زیر-عامل‌های نامتقارن را به‌صورت پویا تولید می‌کند. هر دو بر مکانیک‌های چرخه حیات و پیام‌رسانی ساده متمرکز هستند.
مارک نوویکی (می ۲۰۲۶) رویکرد تیمی ناهمگن را از طریق پیکربندی هماهنگ‌کننده چندعاملی (Multiagent coordinator config) شرح می‌دهد. در این مدل، یک هماهنگ‌کننده سه متخصص را مدیریت می‌کند: یک پژوهشگر جستجوی وب، یک کتابدار خواندن فایل و یک قیمت‌گذار مبتنی بر قوانین. هر کدام مجموعه ابزارهای محدودی دارند تا در نهایت یک پیشنهاد فروش (Sales proposal) را تدوین کنند. این معماری از انواع رویدادهای thread_created و thread_message_received استفاده می‌کند.
سایر الگوهای ارکستراسیون عبارت‌اند از:
- ارکستراتور-کارگران (Orchestrator Workers): یک LLM مرکزی به‌طور پویا وظایف را به LLMهای کارگر واگذار کرده و نتایج را سنتز و ترکیب می‌کند (دسامبر ۲۰۲۴).
- ارزیاب-بهینه‌ساز (Evaluator Optimizer): حلقه‌ای که در آن یک LLM محتوا تولید کرده و LLM دیگر بازخوردهای ارزیابی را ارائه می‌دهد (دسامبر ۲۰۲۴).
- ترکیب زیر-عامل: الکس آلبرت (مارس ۲۰۲۴) استفاده از Haiku را به عنوان زیر-عامل برای استخراج داده از گزارش‌های مالی و مدل Opus را برای سنتز نهایی نشان داد.
برای کسانی که از پلتفرم‌های دیگر مهاجرت می‌کنند، پرستون تاگل (مارس ۲۰۲۶) راهنمای دقیقی برای انتقال اپلیکیشن‌ها از OpenAI Agents SDK به Claude Agent SDK تهیه کرده است. این نگاشت شامل ابزارها، نرده‌های حفاظتی (Guardrails)، نشست‌ها و دست‌به‌دست کردن‌ها (Handoffs) از طریق یک مثال عملی از عامل تأیید هزینه است.
استقرار و بلوغ عملیاتی
استقرار این عامل‌ها نیازمند لایه‌های مختلف زیرساخت است. کوین تانگ و آن شاما (می ۲۰۲۶) مسیری برای بلوغ عملیاتی Agent SDK ترسیم کرده‌اند که از نوت‌بوک‌های ساده شروع شده، از طریق Docker عبور کرده و در نهایت به Kubernetes می‌رسد، در حالی که تصویر کانتینر و رابط HTTP یکسانی را حفظ می‌کند.
بهینه‌سازی‌های عملیاتی دیگر شامل این موارد است:
- کاهش هزینه: API دسته‌ای پیام‌ها (Message Batches API) در اکتبر ۲۰۲۴ امکان پردازش نامتقارن حجم بالای درخواست‌ها را با ۵۰٪ کاهش هزینه فراهم کرد.
- بهینه‌سازی تأخیر: آنتروپیک (می ۲۰۲۵) «کش کردن گمانه‌زنانه پرامپت» (Speculative prompt caching) را برای کاهش زمان تا نخستین توکن (Time-to-first-token) از طریق گرم کردن کش در حالی که کاربران هنوز در حال فرمول‌بندی پرس‌وجوها هستند، معرفی کرد.
- مکانیزم‌های جایگزین (Fallback): راهنمایی توسط الکساندر بریکن، ماهش موراگ و میکائلا گریس (ژوئن ۲۰۲۶) برای شناسایی مسدود شدن توسط طبقه‌بندی‌های ایمنی در Fable 5 و بازگشت به Opus 4.8 ارائه شده است. این راهنما شامل جایگزین‌های سمت سرور یا سمت کلاینت (SDK-based) و همچنین رفتارهای استریمینگ و تغییرات جدید در صورت‌حساب است.
- رهگیری مصرف: یک کتابچه برای Admin API (اوت ۲۰۲۵) اجازه می‌دهد تیم‌ها به‌صورت برنامه‌ریزی‌شده به داده‌های هزینه و میزان استفاده از API کلود دسترسی پیدا کرده و آن‌ها را تحلیل کنند.
از منظر هزینه و عملکرد، چرخش به سمت «تفکر گسترده» (Extended Thinking) که الکس آلبرت در فوریه ۲۰۲۵ شرح داد، اجازه می‌دهد استدلال‌های گام‌به‌گام شفاف با بودجه‌های مدیریت‌شده، چه در حالت مستقل و چه در ترکیب با ابزارها برای گردش‌های کاری چندمرحله‌ای، اجرا شوند.
بنچمارک‌ها و تکامل RAG
علاوه بر ارکستراسیون، کتابچه راهنما به دقت ارزیابی LLMها می‌پردازد. منگ‌تینگ لی (ژوئن ۲۰۲۶) راهنمایی برای بازتولید نمرات بنچمارک‌های جستجوی عامل‌محور در Messages API، به‌ویژه برای DeepSearchQA و BrowseComp ارائه داده است. این کار شامل ساخت یک هارنس (Harness) با فراخوانی برنامه‌ریزی‌شده ابزار و بودجه‌بندی وظایف است.
تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — نیز از طریق چندین دستورالعمل تکامل یافته است:
- بازیابی متنی (Contextual Retrieval): آنتروپیک (سپتامبر ۲۰۲۴) دقت را با افزودن زمینه به تکه‌ها (Chunks) قبل از تبدیل به بردار معنایی (Embedding)، با بهره‌گیری از کش کردن پرامپت، بهبود بخشید.
- گراف‌های دانش: راهنمای مارس ۲۰۲۶ بر ساخت گراف‌های دانش از متن‌های بدون ساختار از طریق استخراج موجودیت‌ها (Entity extraction)، استخراج روابط و پرس‌وجوی چند-گام (Multi-hop querying) متمرکز است.
- پرس‌وجوی پیشرفته: راهنماها از ابزارهای LlamaIndex مانند RouterQueryEngine برای جستجوی چندسندی و SubQuestionQueryEngine برای تجزیه پرس‌وجوهای پیچیده استفاده می‌کنند (مارس ۲۰۲۴).
- تولید SQL: ماهش موراگ (سپتامبر ۲۰۲۴) و الکس آلبرت (مارس ۲۰۲۴) تکنیک‌های تبدیل زبان طبیعی به SQL را با استفاده از زنجیره تفکر (Chain-of-Thought) و زمینه شمای پایگاه‌داده (Database schema context) ارائه داده‌اند.
این گسترش عظیم کتابچه راهنما سیگنالی است که آنتروپیک دیگر فقط در جنگ عملکرد مدل‌ها نیست، بلکه در جنگ اکوسیستم است. آن‌ها با ارائه «لوله‌کشی» (SDKها، نسخه‌بندی و الگوهای حافظه)، تلاش می‌کنند کلود را به سیستم‌عامل پیش‌فرض برای عامل‌های هوش مصنوعی سازمانی تبدیل کنند.
برای توسعه‌دهنده، این یعنی سد ورود برای ساخت عامل‌های پیچیده و قابل‌اعتماد فرو ریخته است. تغییر از «مهندسی پرامپت» به «مهندسی عامل» اکنون رسمی شده است، به همراه الگوهای استاندارد برای ارزیابی — مانند اجرای ارزیابی‌های موازی عامل‌ها به‌صورت مستقل از فایل‌های وظیفه (سپتامبر ۲۰۲۵) — و بازیابی قدرتمند در برابر شکست‌ها.
گام بعدی شما
- بررسی مستندات Managed Agents برای جایگزینی اسکریپت‌های ایستا با نشست‌های پویا.
- پیاده‌سازی الگوی Grade-and-Revise برای کاهش نرخ توهم در گزارش‌های تحلیلی.
- تست کردن استراتژی‌های فشرده‌سازی زمینه برای کاهش هزینه توکن‌ها در عامل‌های طولانی‌مدت.
اما داستان سخت‌افزاری این تحولات حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو