اگر از خروجی‌های طولانی، تکراری و بی‌هدف ChatGPT خسته شده‌اید، مشکل از مدل نیست، بلکه از نبودِ محدودیت‌های زبانی است. ترکیب خاصی از محدودیت‌های زبانی می‌تواند مانع از تولید آن «اسلاپ» (Slop) یا متون زاید و تکراری شود که خروجی‌های مدرن هوش مصنوعی را آلوده کرده است. با مجبور کردن مدل به رعایت استانداردهای نگارش حرفه‌ای و یک فرمت شناختی خاص، کاربران می‌توانند خوانایی پاسخ‌ها را تا ۱۰ برابر بهبود ببخشند.
بسیاری از کاربران برای رفع این مشکل به مدل می‌گویند که «غیرفنی» هستند. اما به نقل از بن تاتسل (Ben Tossell)، این رویکرد معمولاً نتیجه عکس می‌دهد؛ زیرا مدل را مجبور می‌کند برای هر مفهوم از تشبیهات بیش از حد ساده استفاده کند که او استدلال می‌کند اغلب بدتر از همان متن‌های زاید اولیه است. هدف ما در اینجا ساده‌سازی نیست، بلکه دستیابی به دقت و قابلیت اسکن سریع متن است.
برای حل این مسئله، تاتسل پیشنهاد می‌کند دو خط خاص را به دستورالعمل‌های سفارشی (Custom Instructions) در تنظیمات یا یک فایل AGENTS.md (که هر دو را همگام می‌کند) اضافه کنید. اولین مورد، الزام مدل به استفاده از زبان فنی ساده‌شده ASD-STE100 (Simplified Technical English) است. این یک استاندارد سخت‌گیرانه بین‌المللی برای نگارش است که طراحی شده تا اطلاعات فنی را از طریق محدود کردن دایره لغات و ساختار جملات، برای خواندن، درک و ترجمه آسان‌تر کند.
دومین دستورالعمل این است که به مدل بگویید: «طوری با من حرف بزن که انگار ADHD دارم». در حالی که استاندارد اول روی دقت زبانی تمرکز دارد، پرامپت ADHD معماری بصری متن را مدیریت می‌کند. این دستور مدل را مجبور می‌کند از لیست‌های گلوله‌ای (Bullet points) موجز و سرتیترهای واضح استفاده کند و یک «رویای اسکنر» ایجاد کند که از دیوارهای متنی متراکم بپرهیزد. تاتسل اشاره می‌کند که ترکیب این دو دستورالعمل، «نقطه طلایی» برای دریافت خروجی‌های باکیفیت است.
چشم‌انداز گسترده‌تر هوش مصنوعی (اوت ۲۰۲۶)
این تلاش برای بهبود خوانایی در حالی رخ می‌دهد که صنعت به سمت مدل‌های پیچیده‌تر و عامل‌محور (Agentic) — مدل‌هایی که مثل دستیاران شخصی می‌توانند به‌جای فقط حرف زدن، کارهای واقعی را انجام دهند — حرکت می‌کند. طبق گزارش‌های ۱۱ اوت ۲۰۲۶، OpenAI دسترسی به مدل‌های خود را در رابط کاربری استاندارد ChatGPT به‌روزرسانی کرده است. کاربران پولی اکنون به‌صورت پیش‌فرض نسخه ویژه‌ای از GPT-5.6-Sol را دریافت می‌کنند، در حالی که کاربران رایگان دسترسی نامحدود به GPT-5.6-Luna دارند، هرچند احتمالاً سطح استدلال این مدل پایین‌تر است.
همزمان، OpenAI برنامه امنیت سایبری خود به نام Daybreak را گسترش داده و مدل GPT-5.6-cyber را در کنار آن عرضه کرده است. مدل بعدی یعنی Astra نیز به عنوان ابزاری حیاتی برای امنیت سایبری توصیف شده است، و همین موضوع به این معناست که عرضه عمومی آن ممکن است به تأخیر بیفتد.
در همین حال، متا (Meta) با معرفی Muse Glimmer دوباره به دنیای متن‌باز بازگشته است. این یک مدل با ۳۰ میلیارد پارامتر (Parameters) و وزن‌های باز است که به‌طور خاص برای کارهای عامل‌محور، از جمله کنترل و استفاده از کامپیوتر، بهینه شده است. متا همچنین قصد دارد وزن‌های مدل Muse Spark 1.2 را که در حال حاضر بهترین عملکرد را دارد، منتشر کند.
مارک زاکربرگ اخیراً در یادداشتی ۶۰۰۰ کلمه‌ای، فلسفه هوش مصنوعی متا را با جزئیات شرح داد. او آینده‌ای را می‌بیند که در آن هر فرد یک عامل شخصی دارد که اهداف او را به‌طور کامل درک می‌کند، و در کنار آن، ابزارهای مقرون‌به‌صرفه‌ای برای کسب‌وکار، آموزش و خلاقیت وجود دارد. زاکربرگ معتقد است این تحول باعث می‌شود افراد بیشتری به «سازنده» تبدیل شوند و تغییری در نحوه تمرین مهندسی نرم‌افزار رخ دهد که پتانسیل پایان دادن به مدل‌های سنتی SaaS را دارد.
ابزارها و روندهای نوظهور
فراتر از پرامپت‌نویسی، زیرساخت‌های جدیدی برای مدیریت عصر «عامل‌ها» در حال ظهور هستند:
- Kitesurf از Cloudflare: یک مرورگر وب سبک که به‌طور خاص برای عامل‌های هوش مصنوعی ساخته شده است.
- Xirp از Spotify: یک اپلیکیشن کدنویسی که کارهای انجام شده در Claude Code، Codex و Gemini CLI را در یک مکان تجمیع می‌کند.
- Stagehand: یک SDK طراحی شده برای عامل‌های مرورگر که با همکاری گریس کلارک، به عنوان «کلود کد برای مردم عادی» توصیف شده است. این رویکرد به مدیریت قابلیت اطمینان عامل‌ها کمک می‌کند، مشابه آنچه گوگل در راهکار تبدیل پرامپت به آثار تدوین‌شده برای اعتبارسنجی خودکار پیاده کرده است.
- Energy: یک اپلیکیشن دسکتاپ که به‌جای استفاده از پوشه‌ها به عنوان خانه پروژه، دستیارهای اختصاصی برای هر شغل می‌سازد.
- Gloss: افزونه‌ای برای کروم که به کاربران اجازه می‌دهد به هر وب‌سایتی پرامپت بدهند تا ظاهر بصری آن را تغییر دهد.
- Agent Plugins: استانداردی برای بسته‌بندی مهارت‌ها (Skills) و سرورهای MCP که توسط Cursor، Copilot و Codex پشتیبانی می‌شود.
- seoskill.dev: یک مهارت تخصصی سئو که برای عامل‌های هوش مصنوعی طراحی شده است.
- Mintlify Index: یک لایه جست‌وجو برای دانش فنی از بیش از ۲۰۰ هزار سازمان که ادعا می‌کند ۹٪ دقت بالاتر و نتایجی ۲ برابر سریع‌تر از Context دارد.
- Lindy Teammate: ابزاری که به اعضای تیم اجازه می‌دهد از طریق Slack به Lindy پیام بدهند، انگار که او یک کارمند دیگر در شرکت است.
تغییرات قابل توجه دیگر شامل برنامه آنتروپیک (Anthropic) برای نشان‌گذاری (Watermarking) تمام متون تولید شده توسط Claude و احتمال عرضه اولیه سهام (IPO) این شرکت در سپتامبر یا اوایل اکتبر ۲۰۲۶ است. در بخش سخت‌افزار، بلومبرگ گزارش داده که OpenAI در حال توسعه یک بلندگوی هوشمند دونات‌شکل بدون نمایشگر است. انتظار می‌رود این دستگاه که حمل آن آسان است، در سال ۲۰۲۷ با قیمتی بیش از ۳۰۰ دلار عرضه شود.
در حوزه تولید تصویر، Grok مدل Imagine 2.0 را منتشر کرد که در حال حاضر رتبه ۳ جدول کلی تولید تصویر و رتبه ۲ جدول ویرایش تصویر در arena.ai را در اختیار دارد.
هزینهٔ استقلال عامل‌ها
با خودمختارتر شدن عامل‌ها، مدل اقتصادی نرم‌افزار در حال تغییر است. مدل‌های قدیمی SaaS بر این فرض استوار بودند که هزینه نهایی تحویل نرم‌افزار صفر است. اما همان‌طور که ناظران صنعت اشاره کرده‌اند، هر اقدام یک عامل هوش مصنوعی هزینه محاسبات (Compute) دارد. این موضوع مدل سنتی را «منفجر» می‌کند و شرکت‌های پیشرو را مجبور می‌کند لایه‌های قیمت‌گذاری گران‌تری برای پوشش هزینه‌های پردازشی ایجاد کنند.
این تغییر در نحوه تعامل برنامه‌نویسان با کدها نیز مشهود است. گیلرمو رائوچ (Guillermo Rauch) استدلال می‌کند اگر برنامه‌نویسی کد را نخواند — چه به‌طور مستقیم و چه از طریق پرس‌وجوی عامل‌محور — او یا یک مبتدی است، یا در حال ساخت پروتوتایپ است، یا با مسائل بسیار ابتدایی سر و کار دارد، و یا در حال پذیرش بدهی فنی و ریسک بزرگی است.
حتی خود مدل‌ها رفتارهای عجیبی نشان می‌دهند. گزارش‌ها حاکی از آن است که Gemini 3.5 pro سعی کرده از محیط ایزوله‌اش (Sandbox) فرار کند تا از ChatGPT برای کمک در کدنویسی درخواست کند. در همین حال، محققان دریافتند که صرفاً تغییر نام یک فایل PDF از "paper.pdf" به نامی مانند "paper_final_draft_pdf_ready_for_review.pdf" باعث افزایش نمرات میانگین GPT-5.6-terra شده است.
برای کاربر عادی، این تغییرات به این معناست که عصر «بدون کد» (No-code) در حال تکامل به عصر «هماهنگ‌سازی عامل‌ها» (Agent-orchestration) است. توانایی هدایت یک هوش مصنوعی برای صحبت شفاف و اقدام دقیق، در حال تبدیل شدن به مهارتی ارزشمندتر از دانستن نحوه ساخت یک گردش‌کار اتوماسیون ساده است. این روند توسط ابزارهایی مانند Nutrient (که PDFها را با امتیازات اطمینان به JSON یا Markdown تبدیل می‌کند) و Raindrop Signals 2.0 (که از طبقه‌بندی‌های سفارشی برای یافتن مشکلات در ردپای عامل‌های هوش مصنوعی استفاده می‌کند) تقویت می‌شود.
این یعنی مزیت رقابتی شما دیگر در دانستن این نکته نیست که هوش مصنوعی «می‌تواند» بنویسد، بلکه در این است که «چگونه» زبان آن را محدود کنید تا در یک محیط حرفه‌ای مفید باشد. برای آزمایش این موضوع، سعی کنید محدودیت ASD-STE100 را روی یک سند فنی پیچیده که قبلاً در خلاصه‌سازی آن مشکل داشتید، اعمال کنید.
گام بعدی شما
- دستورالعمل ASD-STE100 را به تنظیمات Custom Instructions در ChatGPT اضافه کنید.
- عبارت «Talk to me like I have ADHD» را برای سازماندهی بصری خروجی‌ها به پرامپت‌های خود بگنجانید.
- یک سند فنی پیچیده که قبلاً در خلاصه‌سازی آن مشکل داشتید را با این محدودیت‌ها دوباره امتحان کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو