تصور کنید یک تیم محصول کامل داشته باشید که هر کلمه یا تصمیم آن، هزینه‌ای برای شما نداشته باشد. اگر هنوز در حال پرداخت مبالغ هنگفت بابت توکن‌های API هستید، باید بدانید که بازی تغییر کرده است.
به نقل از گزارشی در dev.to، یک مهندس در ۳۰ آوریل ۲۰۲۶ اعلام کرد که توانسته است یک خط لوله ۱۰ عاملی (Agent) را در Claude Code پیاده‌سازی کند که جایگزین ساختار پیچه‌ی OpenClaw شده است. این معماری جدید، هزینه‌های متغیر استنتاج (Inference) را حذف کرده و تمام عملیات را تحت یک اشتراک ثابت مدیریت می‌کند.
بر اساس مستندات این مهندس، سیستم جدید بر پایه یک ارکستراتور مرکزی به نام «آتنا» (Athina) بنا شده است که ۹ عامل تخصصی را در ۸ مرحله‌ی مختلف، از ایده‌پردازی تا عرضه به بازار، هدایت می‌کند.
برای بهینه‌سازی کیفیت استدلال و هزینه، وظایف بر اساس توانمندی مدل‌ها تقسیم شده‌اند:
- Opus 4.6: برای عامل‌های با استدلال بالا (رهبر، پژوهشگر، نویسنده PRD، طراح و مهندس).
- Sonnet 4.6: برای عامل‌های رویه‌ای و چک‌لیست‌محور (حسابرس، QA، DevOps، بازاریابی و محتوا).
این ساختار تحت اشتراک Claude Max اجرا می‌شود و نوسانات هزینه‌ی توکن در حلقه‌های عامل‌محور (Agentic) را به صفر می‌رساند. یکی از نقاط قوت این سیستم، جلسات «من را به چالش بکش» (Grill Me) است که در آن هوش مصنوعی زاینده (Generative AI) پیش از نهایی شدن هر مرحله، پیش‌فرض‌های کاربر را به شدت به چالش می‌کشد.
دقت فنی در این جریان کار از طریق دو سازوکار تضمین شده است: نخست، افزونه‌ی Superpowers که چرخه سخت‌گیرانه‌ی «قرمز-سبز-بازسازی» در تولید آزمون‌محور (TDD) را برای هر میکرو-تسک اجباری می‌کند. دوم، افزونه‌ی Codex که با استفاده از مدل‌های OpenAI، کدهای کلود را بازبینی می‌کند تا سوگیری‌های احتمالی یک خانواده‌ی مدل حذف شود.
همان‌طور که در تحلیل قبلی ما درباره‌ی لایه‌های حافظه پنهان در Claude Code اشاره کردیم، این رویکرد ثابت می‌کند که شخصیت‌های عامل‌محور ساختاریافته، وضعیت پروژه را بسیار موثرتر از یک پنجره بافتار (Context Window) طولانی حفظ می‌کنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- بررسی مدل اشتراکی Claude Max برای حذف هزینه‌های متغیر API در پروژه‌های بزرگ.
- پیاده‌سازی جلسات «به چالش کشیدن» (Grill Me) برای کاهش توهمات مدل در مراحل طراحی.
- استفاده از بازبینی متقاطع (Cross-model review) با ترکیب مدل‌های مختلف برای افزایش کیفیت کد.
گفتگو