تصور کنید یک برنامه‌نویس برای ساخت لندینگ‌پیج به هوش مصنوعی تکیه می‌کند، اما خروجی مدل پر است از آمارهای ساختگی مثل «افزایش ۱۰۰۰۰ درصدی بازدهی» که هیچ ریشه در واقعیت ندارد. این مشکل یک نقص در طراحی نیست، بلکه یک نقص در «صداقت» مدل است که Anti-Slop برای حل آن آمده است.
این ابزار که در اوت ۲۰۲۶ به‌صورت رایگان و با مجوز MIT منتشر شد، ۳۸ قانون اجباری را اعمال می‌کند تا الگوهای کلیشه‌ای و متون پرکننده (Filler Copy) را پیش از رسیدن به دست توسعه‌دهنده، از خروجی عامل (Agent) — مثل دستیاری که کارهای پیچیده را به‌جای شما مدیریت می‌کند — حذف کند.
بسیاری از عامل‌های کدنویس فعلی مانند Claude Code، Cursor یا Codex یک «سبک سازمانی» پیش‌فرض دارند که ارزان و تکراری به نظر می‌رسد. این «آشغال‌های بصری» (Slop) خود را به‌صورت کارت‌های لبه‌گرد مشابه، لوگوهای درخشان، یک نشان «بتا» (Beta Pill) که بالای تیتر قرار گرفته و ترمینال‌های جعلی که تأخیرهای غیرواقعی مثل ۰.۰۰۰۱ میلی‌ثانیه را گزارش می‌کنند، نشان می‌دهند. طبق مستندات این پروژه، چون به مدل‌ها صراحتاً گفته نشده که از ابداع آمار یا استفاده از ایموجی‌های تکراری در لیست‌ها پرهیز کنند، آن‌ها برای شبیه‌سازی حرفه‌ای‌گری به این الگوها پناه می‌برند.
Anti-Slop یک راهنمای سبک (Style Guide) نیست، بلکه یک فیلتر است. این ابزار رنگ یا فونت خاصی تجویز نمی‌کند و هیچ چیدمان خاصی را تحمیل نمی‌کند. در عوض، بر «تفریق» تمرکز دارد؛ یعنی حذف هر اثر و نشانه‌ای که سیگنال می‌دهد این اثر توسط هوش مصنوعی و بدون نظارت انسانی ساخته شده است. طبق مستندات پروژه، هدف این است که جهت‌دهی محصول نهایی در دست کاربر باقی بماند، نه در دست مدل.
مشکل: ظاهر پیش‌فرض خروجی‌های هوش مصنوعی
به گزارش توسعه‌دهندگان این ابزار، «آشغال‌های بصری» در سه حوزه اصلی ظاهر می‌شوند. در رابط کاربری (UI)، این موضوع به‌صورت بنرهای رنگی محو (Color-fading) و ردیف‌های آماری ساختگی دیده می‌شود. در مقایسه‌ای چهارگانه در مخزن پروژه، نمونه‌ای بدون فیلتر دیده شد که ادعای «امتیاز ۵ از ۵۰۰ هزار مؤسس» را داشت؛ آماری که اصلاً وجود خارجی نداشت. این چالش‌های بصری در کنار برخی الگوهای CSS است که دستیارهای کدنویسی معمولاً در محیط عملیاتی می‌شکنند، باعث می‌شود خروجی‌های AI بدون نظارت انسانی غیرقابل استفاده باشند.
در متون، این مشکل به‌صورت هیجانی‌های توخالی که هیچ محتوایی ندارند ظاهر می‌شود. این موارد شامل لیست‌های ایموجی‌دار، هایپ (Hype) در هر خط و جملات آغازینِ به‌ظاهر صمیمی اما ساختگی است. در حالی که ابزارهایی مثل AI Text Cleaner متعلق به DevPik این موارد را بعد از تولید پاک می‌کنند، Anti-Slop از همان ابتدا مانع نوشتن آن‌ها می‌شود.
در کدنویسی نیز، این الگوها به‌صورت بنرهای بخش‌بندی شده با کاراکترهای خطی (Box-drawing) و کامنت‌های ایموجی‌دار دیده می‌شوند. یکی از الگوهای رایج، نوشتن کامنتی برای هر متغیر ثابت (Constant) است که صرفاً نام همان متغیر را تکرار می‌کند. قابلیت کدنویسی Anti-Slop دقیقاً این الگوها را شکار می‌کند، مشابه روشی که AI Code Detector این نشانه‌ها را از دیدگاه بازبینی (Review) شناسایی می‌کند. این رویکرد تکمیلی بر شکاف‌های امنیتی در کدنویسی AI تأکید دارد که در آن اسکنرهای سنتی قادر به شناسایی باگ‌های رفتاری پیچیده نیستند.
سیستم قوانین سه‌لایه
۳۸ قانون این ابزار (از R-01 تا R-38) یک چک‌لیست ساده و تخت نیستند. آن‌ها بر اساس سطح قضاوت مورد نیاز به سه سطح تقسیم شده‌اند:
- قوانین دروازه سخت (Hard Gate): ممنوعیت‌های مطلق که هیچ استثنا یا مذاکره‌ای نمی‌پذیرند.
- قوانین دروازه هدف (Purpose-Gate): این قوانین می‌پرسند که آیا یک انتخاب هدف مشخصی دارد یا خیر؛ هر تکنیکی که هدفمند نباشد، رد می‌شود.
- قفل‌های کیفی (Quality Locks): آزمونی برای صیقل دادن خروجی؛ هر انیمیشن، سایه، آمار یا بخشی باید دلیل وجودش را در UI ثابت کند تا اجازه حضور داشته باشد.
برای اینکه خروجی پس از این حذف‌ها بیش از حد خشک و استریل نشود، یک «جعبه‌ابزار زنده‌سازی» (Liveliness Toolkit) تعبیه شده است. این جعبه‌ابزار از سه پیچ تنظیم شامل «انرژی»، «ریتم» و «حرکت» در کنار یک «خوانش طراحی» (Design Read) استفاده می‌کند تا نتیجه نهایی زنده به نظر برسد. قانون R-37 صراحتاً ذکر می‌کند که اگر نتیجه نهایی بی‌روح است، دلیلش نبودِ جهت‌دهی انسانی در طراحی است، نه شکست فیلتر؛ زیرا Anti-Slop هرگز به‌تنهایی سعی در زیباسازی نمی‌کند.
معماری مهارت‌های ماژولار
این ابزار در قالب ۶ «مهارت» مجزا ارائه می‌شود که هر کدام شامل یک پوشه حاوی فایل SKILL.md با دستورالعمل‌های ثابت هستند که عامل‌ها آن‌ها را در زمینه (Context) خود بارگذاری می‌کنند. این ساختار مانع از اشباع پنجره زمینه (Context Window) می‌شود؛ برای مثال، مدل هنگام مهاجرت پایگاه‌داده، قوانین کپی‌رایتینگ را بارگذاری نمی‌کند تا فضای زمینه هدر نرود.
این مهارت‌ها عبارتند از:
- هسته (Core -
antislop): فیلترهای ضروری، لایه‌ها و دروازه تحویل که همیشه بارگذاری می‌شود. - رابط کاربری (UI -
antislop-ui): مدیریت چیدمان، رنگ، کامپوننت‌ها، تزئینات، حرکت و ساختار. - کپی‌رایتینگ (Copywriting -
antislop-copywriting): هدف قرار دادن تیترها، فراخوان‌ها (CTA)، لحن، آمارهای جعلی، ضد-نوشتار AI و بهداشت مارک‌داون. - انسانی (Human -
antislop-human): تمرکز بر دسترسی‌پذیری، به‌ویژه هدف قرار دادن متون با کنتراست پایین و تله‌های کیبورد طبق اصول پایه WCAG 2.2. - چیدمان موبایل (LayoutMobile -
antislop-layoutmobile): مدیریت بازچیدمان در عرض‌های مختلف صفحه، نقاط شکست (Breakpoints)، گریدها، سرریزها (Overflow) و اهداف لمسی. - کد (Code -
antislop-code): شناسایی و حذف کامنت‌های «آشغال»، و تعیین اینکه کدام کامنت‌ها باید حذف و کدام‌ها حفظ شوند.
این مدل «فقط آنچه نیاز داری بارگذاری کن» مشابه مهارت‌های حسابرسی امنیتی Cloudflare یا عامل‌های Claude for Financial Services شرکت Anthropic است که در آن دستورالعمل‌های ثابت همراه با عامل حرکت می‌کنند و نیازی به یک اپلیکیشن مجزا نیست.
اجرای دروازه تحویل (Delivery Gate)
برای اینکه قوانین صرفاً به عنوان «پیشنهاد» تلقی نشوند، Anti-Slop یک «دروازه تحویل» اجباری دارد. عامل باید پیش از تحویل هر کدی، یک گزارش چهاربخشی (قبول/رد) تولید کند. اگر خروجی از این دروازه رد نشود، باید اصلاح شود یا ارسال نگردد؛ سیستمی شبیه به نتایج CI (یکپارچه‌سازی مداوم) در خط لوله‌های توسعه حرفه‌ای.
کاربران می‌توانند از دو حالت استفاده کنند که عامل در ابتدای هر جلسه درباره آن‌ها می‌پرسد:
- حالت During: قوانین هنگام ساخت اثر اعمال می‌شوند و جلسه با گزارش دروازه تحویل بسته می‌شود. این حالت برای ساخت‌های جدید است.
- حالت After: عامل کارهای موجود را بازرسی کرده و لیستی شماره‌گذاری شده از یافته‌ها ارائه می‌دهد. کاربر تایید می‌کند کدام موارد اصلاح شوند و سپس یک گزارش تاییدیه صادر می‌شود. این حالت برای پاک‌سازی خروجی‌های موجود است.
تنظیمات این ابزار در نسخه‌ی ۳.۲.۲۰ در یک فایل JSON در مسیر ~/.config/antislop/settings.json در لینوکس/مک یا %APPDATA%\antislop\settings.json در ویندوز ذخیره می‌شود. ترجیحات را می‌توان از طریق دستور npx antislop-ai --mode during (یا after یا ask) تنظیم کرد.
یکپارچه‌سازی و اکوسیستم
بر اساس مستندات، Anti-Slop از ۱۳ عامل اصلی پشتیبانی می‌کند: Claude Code، Codex، Antigravity، OpenCode، Cursor، Cline، Amp، Gemini CLI، Hermes، GitHub Copilot، Kimi Code، Pi و Oh My Pi.
برای هفت مورد از این‌ها (Claude Code، Antigravity، Codex، Cursor، Kimi Code، Cline و Oh My Pi)، ابزار مستقیماً از طریق درگاه‌های پلاگین از مخزن گیت‌هاب قابل بارگذاری است. Pi از طریق مدیریت بسته خودش نصب می‌شود. این موضوع Anti-Slop را به بخشی از اکوسیستم گسترده‌تر مهارت‌های عامل تبدیل می‌کند، مشابه رویکرد بومی عامل‌ها در BuilderIO.
نصب اصلی از طریق npx antislop-ai انجام می‌شود که نیاز به Node.js ۱۸ یا بالاتر دارد. این نصب‌کننده عامل‌های کاربر را شناسایی کرده و پوشه‌های Markdown لازم را کپی می‌کند. مسیرهای دیگر عبارتند از:
- دایرکتوری مهارت‌ها: دستور
npx skills add miqdadbadjuber/anti-slopپوشه‌ها را بدون نوشتن اشاره‌گر کپی می‌کند. - درگاه پلاگین (Claude Code): دستور
/plugin marketplace add https://github.com/miqdadbadjuber/anti-slopو سپس/plugin install antislop@anti-slop. - تک‌فایلی: دریافت
antislop.mdاز طریق curl و چسباندن آن در پنجره چت. توجه داشته باشید که این روش باعث دور زدن اجرای خودکار دروازه تحویل می‌شود.
نکات عملیاتی: مهارت‌ها در ابتدای جلسه بارگذاری می‌شوند، بنابراین پس از به‌روزرسانی‌ها، نیاز به جلسات جدید است. به‌روزرسانی‌ها از طریق npx antislop-ai --update یا دستورات پلاگین هر عامل انجام می‌شود.
ضرورت فایل DESIGN.md
از آنجا که Anti-Slop یک فیلتر است و نه یک طراح، برای اثربخشی کامل به یک فایل همراه DESIGN.md نیاز دارد. مقایسه‌های پروژه نشان می‌دهد که Anti-Slop به‌تنهایی خروجی‌ای صادقانه اما ساده تولید می‌کند («ساده، چون زیبایی وظیفه آن نیست»). یک فایل DESIGN.md به‌تنهایی ظاهری هدفمند ایجاد می‌کند اما آمارهای جعلی AI را حفظ می‌کند. تنها زمانی که هر دو (فیلتر و سند طراحی) در کنار هم باشند، عامل خروجی‌ای تولید می‌کند که هم تمیز و هم هدفمند باشد.
اگر هیچ جهت‌دهی طراحی ارائه نشود، عامل موظف است اثر را به عنوان «پیش‌نویس بدون جهت» (Draft without direction) برچسب بزند تا تیم‌ها نبودِ طراحی نهایی را با نبودِ آشغال‌های بصری اشتباه نگیرند.
وضعیت مخزن و جایگاه بازار
این پروژه از ۷ اوت ۲۰۲۶ تاکنون بیش از ۴۲۰۰ ستاره و ۲۸۵ فورک در گیت‌هاب دریافت کرده است. پروژه سیگنال‌های سلامت بالایی دارد، از جمله انتشار مکرر نسخه‌ها (v3.2.20)، فایل‌های شفاف جامعه (CONTRIBUTING و CODE_OF_CONDUCT) و مستنداتی که صراحتاً بیان می‌کند ابزار چه کارهایی را انجام نخواهد داد.
برای توسعه‌دهندگان، این تغییر به معنای گذار از «پرامپت‌نویسی برای خلاقیت» به سمت «فیلتر کردن برای صداقت» است. با حذف نشانه‌های تولید توسط هوش مصنوعی، خروجی دیگر «ارزان» به نظر نمی‌رسد و ارزش ادراک‌شده‌ی محصول نهایی افزایش می‌یابد. این ابزار برای کسانی که خودشان دستیوار تیک‌های تکراری AI را پاک می‌کنند بسیار مناسب است، اما برای کسانی که به دنبال یک «سلیقه» خودکار یا مدیر هنری رباتیک هستند، گزینه مناسبی نیست.
گام بعدی شما
- اگر از Cursor یا Claude Code استفاده می‌کنید، با دستور
npx antislop-aiآن را نصب کنید تا خروجی‌هایتان از حالت «تولید انبوه AI» خارج شود. - یک فایل
DESIGN.mdساده شامل رنگ‌های برند و استایل مورد نظرتان بسازید تا فیلتر Anti-Slop بداند چه چیزی را باید نگه دارد. - در جلسات کدنویسی، حالت
afterرا برای پاک‌سازی پروژه‌های قدیمی امتحان کنید.
اما تأثیر این رویکرد بر مدل‌های استدلالی جدیدتر که خودشان قادر به نقد خروجی هستند، موضوعی است که در تحلیل‌های آینده بررسی خواهیم کرد.
گفتگو