تصور کنید یک عامل هوشمند باید هزینه‌ی خدمات یک شرکت را بررسی کند، اما به‌جای خواندن یک سند رسمی، مجبور است ساعت‌ها در صفحات وب بچرخد تا شاید قیمت واقعی را پیدا کند. این دقیقاً همان شکافی است که پروتکل ACI قصد پر کردن آن را دارد.
به نقل از Empire Labs، در ۱۹ جولای ۲۰۲۶، استاندارد «رابط سازمان خودکار» یا ACI (Autonomous Company Interface) به عنوان راهکاری برای جایگزینی وب‌اسکرپینگ (Web Scraping) شکننده با یک «قرارداد سازمانی پایدار» معرفی شد. Empire Labs این راهکار را به گونه‌ای توصیف کرد که مشخصات ماشین‌خوان، جایگزین روش‌های ناپایدار استخراج داده شود. در حالی که یک عامل (Agent) می‌تواند هزاران API را فراخوانی کند، اما هنوز نمی‌تواند با اطمینان تشخیص دهد که یک شرکت دقیقاً چیست یا چطور باید به آن اعتماد کند؛ ACI هدفش پر کردن این شکاف است.
ما وب را برای انسان‌ها ساختیم؛ با استفاده از نشانه‌گذاری‌های معنایی (Semantic Markup)، داده‌های ساختاریافته و استانداردهای دسترسی‌پذیری که برای چشم ما خواندنی باشد. اما عامل‌های هوشمند در این فضای انسانی رها شده‌اند تا خودشان راهشان را پیدا کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی سیستم‌های Pub/Sub برای پایداری عامل‌ها اشاره کردیم، مشکل اصلی اکنون «کشف زمینه سازمانی» است. وقتی یک عامل به وب‌سایتی می‌رسد که برای انسان‌ها طراحی شده، نمی‌تواند بدون تکیه بر استنتاج و حدس (Inference)، تفاوت بین یک سطح قیمتی، یک مخاطب پشتیبانی یا یک گواهینامه رسمی را بفهمد.
شکاف در استانداردهای فعلی
طبق گزارش dev.to، پروتکل ACI جایی را پر می‌کند که OpenAPI شکست می‌خورد. استاندارد OpenAPI برای توصیف رابط‌های برنامه‌نویسی (API) با دقت بالا عالی است، اما این استاندارد «رابط‌ها» را توصیف می‌کند، نه «سازمان‌ها». یک تعریف API توضیح می‌دهد که چگونه یک نقطه اتصال (Endpoint) را فراخوانی کنید، اما زمینه‌های حیاتی سازمانی را ارائه نمی‌دهد، مانند:
- چه سازمانی مالک این API است؟
- این سازمان در واقع در چه کسب‌وکاری فعالیت می‌کند؟
- آیا سازمان تحت نظارت است یا گواهینامه خاصی دارد؟
- مانیفست‌های سازمانی دیگر را در کجا می‌توان یافت؟
- کدام پیشنهادات و خدمات به‌طور مشخص برای عامل‌های خودکار در دسترس هستند (در مقابل خدماتی که برای انسان‌هاست)؟
- سازمان از چه مکانیسم‌های اعتمادسازی پشتیبانی می‌کند؟
ACI تضمین می‌کند که عامل ابتدا «زمینه سازمانی» را درک کند و سپس به جزئیات فنی API بپردازد.
چارچوب پنج مانیفست
این پروتکل از پنج نوع مانیفست (Manifest) خاص استفاده می‌کند تا یک پروفایل سازمانی جامع ارائه دهد. هر یک از این مانیفست‌ها به عنوان یک سند JSON مرتبط عمل می‌کنند:
- هویت (Identity): سازمان کیست (نام، حوزه قضایی، شناسه‌ها و جزئیات تماس).
- قابلیت (Capability): سازمان چه چیزی ارائه می‌دهد (محصولات، خدمات و مستندات). این رویکرد با قراردادهای قابلیت عامل هم‌راستا است که با جداسازی دسترسی از اجازه، حاکمیت دقیق‌تری بر عملیات هوش مصنوعی ایجاد می‌کند.
- دانش (Knowledge): سازمان چه می‌داند (مفاهیم دامنه و روابط بین آن‌ها).
- اعتماد (Trust): ادعاهای سازمانی چگونه پشتیبانی می‌شوند (تأییدها، گواهینامه‌ها، گواهی‌ها و شواهد).
- عامل (Agent): عامل‌های خودکار چگونه می‌توانند تعامل کنند (نقاط اتصال، الزامات احراز هویت و قابلیت‌ها).
در یک اجرای واقعی، عامل این موارد را از طریق فایلی به نام llms.txt پیدا می‌کند. برای مثال، شرکتی به نام NovaDynamics فایلی در آدرس https://novadynamics.example/llms.txt قرار می‌دهد که شامل لینک‌هایی به مانیفست‌های JSON برای هر دسته است. با فراخوانی مانیفست هویت، نسخه مانیفست (مثلاً "0.9.0")، حوزه قضایی (مثلاً "US-DE") و توصیفی مانند «پلتفرم عملیات زیرساخت خودکار» آشکار می‌شود. این به عامل اجازه می‌دهد تا پروفایل شرکت را بر اساس قراردادهای منتشر شده بسازد، به‌جای اینکه از روی تگ‌های HTML حدس بزند.
سطوح پذیرش و استقرار
پیاده‌سازی ACI از سه سطح انطباق تدریجی پیروی می‌کند تا پذیرش آن تسهیل شود:
- سطح ۱ (کشف): نیازمند مانیفست‌های هویت و قابلیت و یک زنجیره کشف عملیاتی است.
- سطح ۲ (درک): مانیفست‌های دانش و اعتماد را به همراه ارجاعات متقابل حل‌شده (Resolved Cross-references) اضافه می‌کند.
- سطح ۳ (تعامل): نیازمند مانیفست عامل، یک روش تعامل عملیاتی و امتیاز اعتبارسنجی (Validator Score) حداقل ۹۰ است.
به گزارش Empire Labs، سطح ۱ را می‌توان در حدود پنج دقیقه با استفاده از قالب آماده گیت‌هاب (narko4u/aci-pages-template) که شامل identity.json ،capabilities.json و /llms.txt است، پیاده‌سازی کرد. متقابلاً، کاربران می‌توانند به صورت دستی عمل کرده و با اجرای دستور python3 validator/validate.py انطباق خود را تأیید کنند.
این تغییر، فرض بنیادی تجارت عامل‌محور (Agentic Commerce) را تغییر می‌دهد. با انتقال از کشف مبتنی بر استنتاج به کشف مبتنی بر قرارداد، عامل‌ها می‌توانند به‌طور خودکار داده‌های زنجیره تأمین و رعایت قوانین را بدون دخالت انسان تأیید کنند. این فرآیند، وب‌سایت شرکت را از یک «بروشور تبلیغاتی» به یک «منبع داده ساختاریافته» تبدیل می‌کند.
این رویکرد لایه‌ای استاندارد برای هماهنگی عامل-به-عامل در مقیاس وسیع ایجاد می‌کند. وقتی تأییدیه‌های اعتماد ماشین‌خوان باشند، عامل‌ها می‌توانند نقاط اتصال اعلام‌شده را کشف کرده و داده‌های ساختاریافته را به سیستم‌های خارجی سیاست‌گذاری و حاکمیتی ارسال کنند. این در واقع یک «نشان تأیید» (Verified Badge) برای اقتصاد خودکار ایجاد می‌کند.
برای رسیدن به نسخه ۱.۰، این مشخصات در حال حاضر به سه پیاده‌سازی مستقل، بازخورد جامعه و یک هسته پایدار نیاز دارد. پیش‌نویس v0.9 تحت مجوز CC BY 4.0 منتشر شده است و طرح‌ها (Schemas) و اعتبارسنج‌ها تحت مجوز MIT ارائه شده‌اند. Empire Labs در حال حاضر به عنوان متولی اولیه عمل می‌کند و اسناد حاکمیتی مسیری را برای انتقال ACI به یک نهاد استاندارد خنثی پس از نسخه ۱.۰ و پس از برآورده شدن معیارهای استقلال خاص، تعریف کرده‌اند.
گام بعدی شما
- اگر صاحب سرویسی هستید که می‌خواهید توسط Agentها کشف شود، قالب GitHubPages ACI را امتحان کنید.
- فایل
llms.txtرا در ریشه دامنه‌تان بررسی کنید تا ببینید آیا شرکت‌های بزرگ در حال پذیرش این استاندارد هستند یا خیر. - مستندات v0.9 را برای درک نحوه ساخت مانیفست Trust مطالعه کنید.
اما اثر این استاندارد بر نحوه قیمت‌گذاری خدمات در اقتصاد Agentic حتی پیچیده‌تر است — به تحلیل ما درباره مدل‌های استدلالی در مدیریت منابع مالی مراجعه کنید.
گفتگو