تصور کنید یک برنامه‌نویس هستید که هر بار برای اجرای یک تغییر ساده در کد، باید دقایقی منتظر بماند تا عامل هوش مصنوعی مراحل تکراری را یکی‌یکی طی کند. این «زمان مرده» دقیقاً همان جایی است که Bullet برای نابودی آن طراحی شده است.
طبق اعلام سازندگان این پروژه در ۱۳ اوت ۲۰۲۶، هدف اصلی Bullet حذف لایه‌های سنگین زیرساختی است که معمولاً دور مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — قرار می‌گیرند. این فریم‌ورک با انتقال حلقهٔ اجرای عامل مستقیماً به محیط خط فرمان (CLI) کاربر، سرعت را به اولویت اول طراحی تبدیل کرده است. این تلاش برای بهینه‌سازی سرعت، در حالی صورت می‌گیرد که ابزارهای مشابهی مانند Claude Code نیز سرعت بالایی را ارائه می‌دهند اما با هزینه‌های عملیاتی بسیار بیشتر.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی استنتاج اشاره کردیم، مشکل اصلی اکثر توسعه‌دهندگان، عبور مدل‌های قدرتمند از زیرساخت‌های کند است. Bullet برای حل این مشکل از سه پروتکل کلیدی استفاده می‌کند:
- مسیریابی/ارتقا (Route/Escalate): کارهای ساده به مدل‌های سریع سپرده می‌شوند و تنها زمانی که استدلال پیچیده‌ای لازم باشد، درخواست به مدل‌های سنگین‌تر ارتقا می‌یابد.
- جست‌وجو/اکتساب (Search/Acquire): به‌جای تبدیل کل مخزن کد به بردار معنایی (Embedding) — که شبیه به یک کارت معرفی عددی برای هر واژه است تا همسایگانش را بشناسد — این سیستم از جست‌وجوی هدفمند و خواندن مستقیم فایل‌ها استفاده می‌کند. این رویکرد جایگزینی برای متدهای سنتی است، مشابه آنچه در سیستم‌های حافظه دو لایه محلی برای کاهش شدید تأخیر عامل‌ها مشاهده کردیم.
- اجرای موازی (Parallel Execution): فراخوانی ابزارهای مستقل به‌جای انتظار در صف، به‌طور هم‌زمان اجرا می‌شوند. همچنین مکانیزم‌های داخلی برای جلوگیری از فراخوانی‌های تکراری یا حلقه‌های بی‌نهایت تعبیه شده است.
بر اساس مستندات codewithbullet.com، این تغییر معماری باعث می‌شود عامل دیگر هر مرحله را به عنوان یک مانع متوالی نبیند. با جداسازی عملیات مستقل، Bullet زمان‌های تلف‌شده در پروژه‌های بزرگ را به‌شدت کاهش می‌دهد. این رویکرد در راستای حذف آنچه برخی متخصصان «مالیات تأخیر» می‌نامند است، مشابه راهکاری که Oxlo.ai با تغییر مدل هزینه‌گذاری برای کاهش تأخیر در پاسخ‌ها دنبال کرد.
این رویکرد، تجربه کاربر را از دموهای «سینمایی» و کندِ هوش مصنوعی به مرحلهٔ ارسال واقعی و لحظه‌ای کد می‌برد. این ابزار در حال حاضر در نسخه بتای خصوصی برای سیستم‌عامل‌های macOS و Linux از طریق npm در دسترس است و برای شروع به Node 18+ نیاز دارد.
گام بعدی شما
- اگر از تأخیر در عامل‌های کدنویسی خسته شده‌اید، بستهٔ
@trybullet/cliرا نصب کنید تا اثر اجرای موازی را در پروژه‌های خود بسنجید. - ساختار مسیریابی (Route/Escalate) را در گردش‌کارهای خود پیاده کنید تا هزینه‌های استنتاج مدل‌های سنگین کاهش یابد.
- بررسی کنید که آیا ابزارهای شما برای اجرای موازی آماده‌اند یا وابستگی‌های متوالی دارند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو