«آموزش اتوماسیون با روایت صوتی»؛ قابلیت جدید کلود برای یادگیری مهارت‌ها

تصور کنید به جای ساعت‌ها کلیک تکراری و کپی-پیست بین پنجره‌های مختلف، فقط یک بار مسیر کارتان را برای دستیارتان توضیح دهید و او برای همیشه آن را یاد بگیرد. در گذشته، پژوهش‌های اداری و دفتری نیازمند ساعت‌ها تلاش دستی و خسته‌کننده بود، اما اکنون این فرآیند تنها به ۳۰ دقیقه اجرای خودکار نیاز دارد. شرکت آنتروپیک (Anthropic) با معرفی قابلیت Record-a-Skill در محیط Claude Cowork، دقیقاً همین تجربه را ممکن کرده است تا کارهای تکراری را از چند ساعت به ۳۰ دقیقه کاهش دهد. این ویژگی به کاربران اجازه می‌دهد تا به جای نوشتن پرامپت‌های دستی و پیچیده، گردش‌کارهای دشوار کامپیوتری را از طریق ضبط صفحه نمایش همراه با روایت صوتی به هوش مصنوعی آموزش دهند. این رویکرد در واقع تکامل همان مکانیزمی است که در آن Claude Cowork مهارت‌های دسکتاپ را از طریق ضبط صفحه نمایش می‌آموزد تا تعامل با سیستم‌عامل را تسهیل کند.

این قابلیت در زمانی عرضه شده که عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندانی دیجیتال که می‌توانند به‌جای چت کردن، مستقیماً با نرم‌افزارهای شما کار کنند — از محیط‌های متنی ساده به سمت کنترل فعال کامپیوتر حرکت می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های فیلترینگ بات‌ها در عامل‌های مبتنی بر کلود اشاره کردیم، اصطکاک در راه‌اندازی (Setup Friction) همواره یک مانع بزرگ بوده است. Record-a-Skill سعی می‌کند این مشکل را حل کند؛ به این صورت که کاربر به‌جای نوشتن پرامپت‌های طولانی، نقش یک معلم را ایفا می‌کند و مسیر کار را به‌صورت بصری و کلامی به مدل می‌آموزد. در واقع، این ابزار کاربر را از یک برنامه‌نویس به یک مدرس تبدیل می‌کند و با هوش مصنوعی نه به عنوان یک اسکریپت، بلکه به عنوان یک دستیار دیجیتال برخورد می‌کند.

درک مفهوم «مهارت‌ها» در کلود

در این بافتار، یک «مهارت» (Skill) در واقع یک پرامپت بسیار دقیق، ساختاریافته و از پیش آماده شده است که می‌توان آن را مانند یک برنامه از داخل محیط کلود اجرا کرد. این مهارت‌ها می‌توانند به‌شدت قدرتمند باشند؛ به عنوان مثال، افزونه کسب‌وکارهای کوچک کلود (Claude Small Business plugin) شامل مهارتی است که قراردادها را به‌طور جامع می‌خواند و ارزیابی می‌کند. اگرچه ممکن است این ابزار از برترین وکلای متخصص قراردادها پیشی نگیرد، اما در بسیاری از موارد، بسیار مفیدتر و جامع‌تر از وکلای متوسط عمل می‌کند. این تمایل به استفاده از هوش مصنوعی برای کارهای اداری، با یافته‌های ما همسو است که نشان می‌دهد چرا کاربران Claude Cowork کارهای اداری را به وظایف فنی ترجیح دادند و چگونه عملیات تجاری محرک اصلی این ابزارهاست.

فراتر از پرامپت‌های ساده، محیط Cowork به هوش مصنوعی اجازه می‌دهد کامپیوتر شما را کنترل کند، بین اپلیکیشن‌های مختلف جابه‌جا شود، صفحات وب را مرور کند و در طول فرآیند، تصمیمات مستقل بگیرد. این قابلیت به‌طور موثری به هوش مصنوعی اجازه می‌دهد تا اسکریپت‌های دسته‌ای (Batch Scripts) یا میان‌برهای قدرتمندی را اجرا کند، بدون اینکه کاربر نیاز داشته باشد حتی یک خط کد بنویسد.

تکامل اتوماسیون

از نظر تاریخی، اتوماسیون کامپیوتری همواره شکننده بوده است. بسیاری از ابزارهای قدیمی بر خواندن پیکسل‌های صفحه نمایش یا اجرای شاخه‌های پیچیده «اگر/آنگاه» (if/then) متکی بودند. راه‌اندازی این اتوماسیون‌ها اغلب روزها زمان می‌برد و به‌طور مکرر پس از یک تغییر کوچک در رابط کاربری (UI) نرم‌افزار مورد نظر، از کار می‌افتادند. هدف از Record-a-Skill این است که بررسی شود آیا اتوماسیون‌های مبتنی بر هوش مصنوعی می‌توانند به‌طور پویا با تغییرات جزئی رابط کاربری سازگار شوند، به‌جای آنکه وقتی یک دکمه چند پیکسل جابه‌جا می‌شود، سیستم دچار کرش شود.

مکانیسم عملکرد Record-a-Skill

برای استفاده از این ویژگی، کاربران باید به اپلیکیشن Claude Desktop دسترسی داشته باشند. بسیار مهم است که در بخش Chat/Cowork رابط کاربری باشید و به‌طور خاص مطمئن شوید که تب Cowork به‌جای تب Chat انتخاب شده است. فرآیند با کلیک بر روی منوی مثبت (+) و انتخاب گزینه "Record a skill" آغاز می‌شود.

از آنجا که این فرآیند شامل دستور دادن کلامی به کلود در حین نمایش عملیاتی است، داشتن یک میکروفون باکیفیت ضروری است. صدای کاربر باید به‌وضوح شنیده شود تا هوش مصنوعی بتواند قصد کلامی (Verbal Intent) را به اقدام بصری (Visual Action) متصل کند.

برخلاف ماکروهای سنتی که کلیک‌های دقیق پیکسلی را ضبط می‌کردند، این سیستم «قصد» پشت هر اقدام را ثبت می‌کند. کاربران در حین پیمایش در اپلیکیشن‌ها، روند فکری خود را روایت می‌کنند و توضیح می‌دهند که چرا روی عناصر خاصی کلیک می‌کنند و داده‌های روی صفحه را چگونه باید تفسیر کرد. این یک طرز فکر آموزشی است، نه یک طرز فکر برنامه‌نویسی.

محدودیت‌های ضبط و گردش‌کار

فرآیند ضبط در قطعات ۱۰ دقیقه‌ای انجام می‌شود. اگر یک گردش‌کار از این محدودیت زمانی فراتر رود، سیستم به‌طور خودکار ضبط را متوقف کرده و شروع به ساخت مهارت می‌کند. با این حال، کاربران می‌توانند این روند را متوقف کرده و یک جلسه ضبط جدید را آغاز کنند.

برای حفظ تداوم بین بلوک‌های مختلف، کاربر باید بلافاصله در ابتدای ضبط جدید، زمینه (Context) را ارائه دهد. به عنوان مثال، بیان جمله‌ای مانند «این ادامه گردش‌کار گزارش تحلیل احساسات HARO و Qwoted است»، به کلود اجازه می‌دهد تا جلسات را به هم متصل کند. در یک تست واقعی، یک مهارت پیچیده به سه بلوک نیاز داشت: دو جلسه ۱۰ دقیقه‌ای و یک جلسه ۵ دقیقه‌ای.

کاربرد واقعی: تجمیع نقل‌قول‌ها

در آزمونی که توسط دیوید گورتز (David Gewirtz) انجام شد، این ابزار برای اتوماسیون تحلیل احساسات و تجمیع نقل‌قول‌ها از سرویس‌هایی مانند HARO و Qwoted به کار گرفته شد. این سرویس‌ها متخصصان را به خبرنگاران متصل می‌کنند، اما فرآیند مدیریت پاسخ‌ها به‌طور بدنامی خسته‌کننده و زمان‌بر است.

مشکل: سیل «نویزهای روابط عمومی»

زمانی که خبرنگاران در HARO یا Qwoted درخواستی ثبت می‌کنند، اغلب با سیلی از پاسخ‌های بی‌ربط مواجه می‌شوند. در یک مورد خاص مربوط به مقایسه Claude Code و Codex شرکت OpenAI، کاربر پیش از ضرب‌الاجل ۱۲۱ پاسخ دریافت کرد. این نویزها شامل موارد زیر بود:

• پاسخ‌هایی از سوی نمایندگان روابط عمومی (PR) علی‌رغم درخواست برای پاسخ‌دهندگان اصلی.
• پیشنهادهای ناموجه و دستور کارهای شخصی.
• افرادی که برای مصاحبه التماس می‌کردند.
• جملات معرفی خودخواهانه و تلاش برای جایگاه‌سازی.
• تقریباً ۳۰٪ از پاسخ‌ها که صراحتاً محدودیت‌ها را نادیده گرفته بودند (مثلاً: «می‌دانم گفتید افراد PR نباشند، اما قول می‌دهم من فقط یک پیام‌رسان هستم»).

فرآیند: آموزش دادن به هوش مصنوعی

کاربر به کلود نشان داد که چگونه موانع خاص این پلتفرم‌ها را دور بزند. برای HARO، این کار شامل مدیریت ایمیل‌ها و پاسخ‌های مبتنی بر سایت بود. برای Qwoted، پیمایش در داشبورد لازم بود، جایی که پاسخ‌ها باید به‌صورت دستی باز می‌شدند و برای یافتن اطلاعات تماس، روی پروفایل‌ها کلیک می‌شد.

در طول ضبط، کاربر توضیح داد که چگونه بین «ارزش داده» (Data Value) و «ارزش نقل‌قول» (Quote Value) تمایز قائل شود. این کار باعث شد هوش مصنوعی تمام پاسخ‌ها را فیلتر کند تا کاربردی‌ترین بینش‌ها را برای مقالاتی با موضوعاتی از کاربرد 5G گرفته تا پیامدهای قانونی کدهای تولید شده توسط AI پیدا کند.

خروجی: سنتز خودکار

پس از پایان ضبط، کاربر به کلود نشان داد که چگونه اطلاعات را از داشبوردها به یک سند گوگل (Google Doc) منتقل کند و سند را به‌روزرسانی کند تا هم داده‌های تجمیعی و هم نقل‌قول‌های مفصل را ارائه دهد.

• زمان اجرا: تکمیل این مهارت حدود ۳۰ دقیقه زمان برد.
• نتیجه: یک سند ۱۹ صفحه‌ای در گوگل داک حاوی پژوهش‌های تجمیع شده.
• بهره‌وری: کاری که پیش‌تر ۴ تا ۸ ساعت کار دفتری می‌طلبید، به یک اجرای خودکار ۳۰ دقیقه‌ای کاهش یافت.

اصلاح و بهینه‌سازی مهارت

پس از اتمام ضبط، کلود متن کامل مهارت را در یک فایل Markdown به نام SKILL.md ارائه می‌دهد که در پانل سمت راست رابط کاربری نمایش داده می‌شود. مهارت نصب شده واقعی تحت یک نام خاص (مثلاً haro-qwoted-sentiment-report) ذخیره می‌شود.

کاربران می‌توانند پس از ضبط، مهارت را به‌سادگی با گفتن تغییرات مورد نظر به کلود، اصلاح کنند. برای مثال، اگر هوش مصنوعی به‌اشتباه تصور کند که هر ذکر نام "HARO" باید باعث اجرای اپلیکیشن شود، کاربر می‌تواند به کلود دستور دهد تا آن منطق خاص را تغییر دهد. این اصلاح تکرارشونده اجازه می‌دهد مهارت بدون نیاز به ضبط مجدد کل نمایش، دقیق‌تر شود.

فراخوانی مهارت

اجرای اتوماسیون نهایی بسیار ساده است. کاربر فقط کلید اسلش (/) را فشار می‌دهد و نام مهارتی را که می‌خواهد اجرا کند تایپ می‌کند. این عمل باعث می‌شود هوش مصنوعی کنترل کامپیوتر را به دست بگیرد و توالی آموزش دیده را اجرا کند.

هزینه این جادو

به‌رغم صرفه‌جویی فوق‌العاده در زمان، این ویژگی توازن‌های عملیاتی قابل توجهی را به همراه دارد. طبق گزارش ZDNET، این «جادو» چهار هزینه اصلی دارد:

۱. تخلیه سریع اعتبار: این ویژگی اعتبارها را به‌سرعت مصرف می‌کند. کاربری در پلن Max (۱۰۰ دلار در ماه) متوجه شد که تنها چند ساعت استفاده از Cowork باعث انتقال او به بخش اعتبارات قابل پرداخت (Billable Credits) شد. این نرخ مصرف به‌طور قابل توجهی بالاتر از Claude Code است، جایی که کاربران می‌توانند روزهای کامل را بدون رد شدن از سقف اعتبار سپری کنند.
۲. سرعت اجرای پایین: استفاده از کامپیوتر «به‌طور عذاب‌آوری کند» توصیف شده است. هوش مصنوعی با سرعتی بین عناصر رابط کاربری جابه‌جا می‌شود که تماشای آن تقریباً طاقت‌فرسا است و آن را برای کارهایی که نیاز به پاسخ سریع دارند، نامناسب می‌کند. این ابزار برای کارهای «تنظیم کن و رها کن» مناسب است، جایی که کاربر می‌تواند برای شام برود و هوش مصنوعی به کارش ادامه دهد.
۳. تسلط بر ماشین: چون هوش مصنوعی با مکان‌های واقعی پنجره‌ها روی صفحه تعامل دارد، کاربر نمی‌تواند به‌راحتی چندوظیفگی (Multitask) کند. هرگونه حرکت دستی موس یا جابه‌جایی پنجره در حین اجرا می‌تواند باعث بروز خطا در هوش مصنوعی شود و احتمالاً کل اجرا را خراب کند.
۴. نابینایی نسبت به خطا: کلود گاهی متوجه نمی‌شود که روی المان اشتباهی کلیک کرده یا موس به‌طور غیرمنتظره جابه‌جا شده است. این موضوع می‌تواند منجر به «حلقه‌های بی‌نهایت» شود که در آن هوش مصنوعی تا زمانی که کاربر به‌طور دستی مهارت را متوقف نکند، برای همیشه گیر می‌کند و در تمام این مدت به مصرف اعتبارات ادامه می‌دهد.

تحلیل تحریریه

برای یک متخصص معمولی، این اتفاق به معنای تغییر از «مهندسی پرامپت» به «نمایش گردش‌کار» است. ارزش این ابزار در سرعت هوش مصنوعی نیست، بلکه در توانایی آن برای مدیریت کسالت‌های اداری است که انسان‌ها از آن متنفرند.

با این حال، هزینه بالای اعتبار نشان می‌دهد که آنتروپیک هنوز در حال برقراری تعادل بین نیازهای محاسباتی عظیم بینایی ماشین در لحظه و کنترل کامپیوتر است. تا زمانی که سرعت اجرا افزایش یابد و مصرف اعتبار تثبیت شود، Record-a-Skill ابزاری برای کارهای دسته‌ای (Batch) باقی خواهد ماند تا یک کمک‌خلبان تعاملی.

باید منتظر ماند و دید این ویژگی چگونه برای مدیریت تغییرات پویا در رابط کاربری تکامل می‌یابد؛ اگر هوش مصنوعی بتواند بدون نیاز به ضبط مجدد، با بازطراحی یک وب‌سایت سازگار شود، از یک میان‌بر شکننده به یک ابزار اتوماسیون سازمانی قدرتمند تبدیل خواهد شد.