واحدهای مهارت در برابر فایل‌های حجیم برای مهار زوال عملکرد عامل‌ها

اگر امروز از فایل‌های دستورالعمل حجیم برای هدایت عامل‌های کدنویسی خود استفاده می‌کنید، احتمالاً متوجه شده‌اید که مدل پس از مدتی دستورات شما را نادیده می‌گیرد. این پدیده که «افت عملکرد» نامیده می‌شود، باعث می‌شود حتی پیشرفته‌ترین مدل‌ها در میانه پروژه مسیر خود را گم کنند.

به نقل از بحث‌های فنی در Hacker News در ۶ سپتامبر ۲۰۲۶، اتکای بیش از حد به فایل‌های خاص هر پروژه (مانند claude.md) منجر به این می‌شود که مدل‌ها پس از شروع جلسه، جزئیات را فراموش کنند. تصور کنید عامل (Agent) — شبیه به یک مهندس تازه‌کار که اگر در ابتدای هفته یک دفترچه ۵۰ صفحه‌ای به او بدهید، تا سه‌شنبه همه چیز را فراموش می‌کند — نیاز به دسترسی‌های سریع و تکه‌تکه دارد، نه یک کتابچه راهنمای جامع.

برای حل این مشکل، متخصصان به سمت معماری «مهارت‌ها» حرکت کرده‌اند؛ پرامپت‌های کوچک و مدولاری که به‌جای ارائه دستورالعمل‌های کلی، مانند ابزارهای دقیق برای وظایفی خاص عمل می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مدیریت دقیق ورودی‌ها کلید پایداری خروجی است.

زمینه مدیریت مهارت‌ها

توسعه‌دهندگان متوجه شده‌اند که وقتی مهارت‌ها در پروژه‌های مختلف پراکنده باشند، حجم زیاد آن‌ها ردیابی هر آنچه در دسترس است را غیرممکن می‌کند. این وضعیت منجر به این می‌شود که برخی مهارت‌ها به‌طور کامل نادیده گرفته شوند. در پاسخ به این چالش، برخی کاربران ساختار مخازن خود را به‌طور کامل بازنگری کرده‌اند تا از دستورالعمل‌های خاص هر پروژه فاصله گرفته و به سمت مهارت‌های عمومی حرکت کنند که در هر مخزن به‌صورت مجزا ادغام شده‌اند. این رویکرد در واقع پاسخی به چالش‌های مشابهی است که در استفاده از پلاگین‌های افزایش پایداری برای Claude Code مشاهده شده بود، جایی که تعادل بین قابلیت‌ها و مصرف توکن‌ها به بحث گذاشته شد.

همچنین بحثی جدی درباره طول عمر این فایل‌ها شکل گرفته است. برخی معتقدند با پیشرفت مدل‌ها، قابلیت‌های ذاتی آن‌ها جایگزین اکثر مهارت‌های کاربردی عمومی خواهد شد و ثبت تعداد زیادی از مهارت‌ها در واقع باعث کاهش عملکرد مدل می‌شود. در مقابل، گروهی استدلال می‌کنند که یک مدل هرگز نمی‌تواند «خلاء‌های دانشی» یا نقاط کور اطلاعاتی را که یک مهارت سفارشی فراهم می‌کند، به‌تنهایی پر کند.

طبق گزارش‌های جامعه برنامه‌نویسان، موثرترین استراتژی‌های مدیریت مهارت‌ها شامل موارد زیر است:

متمرکزسازی و توزیع

• مخازن جهانی: برنامه‌نویسان به‌جای پراکنده کردن مهارت‌ها در پروژه‌های مختلف، از مخازن خصوصی گیت‌هاب برای ذخیره مهارت‌های شخصی استفاده می‌کنند. بسیاری از آن‌ها از دستور /commands استفاده می‌کنند تا بلافاصله بررسی کنند که آیا یک مهارت به‌درستی کار می‌کند یا خیر.
• مدیریت بسته‌ها: ابزارهایی مانند vercel-labs/skills و withastro/rosie برای سازماندهی مهارت‌هایی که توسط جامعه توسعه‌دهندگان تولید شده‌اند، به کار می‌روند. یک توسعه‌دهنده به‌طور خاص به ابزار osrim/ski اشاره کرد؛ یک مدیریت سفارشی که دارای قابلیت‌های اسکن امنیتی و دستورات به‌روزرسانی است.
• اتوماسیون: برخی تیم‌ها از اسکریپت‌های بوت‌استرپ (Bootstrap) استفاده می‌کنند تا مهارت‌های مدیریت‌شده توسط شرکت را در دایرکتوری محلی .claude/skills/ هر توسعه‌دهنده مستقر کنند. این فرآیند اغلب از طریق ابزار chezmoi با استفاده از یک دایرکتوری .agents/skills/ و یک لینک نمادین (Symlink) مدیریت می‌شود.
• استانداردهای شرکتی: مهارت‌های مدیریت‌شده برای کمک به عامل‌ها در یافتن روابط بین مخازن مختلف، درک معماری و قراردادهای سطح بالا (High-level conventions) استفاده می‌شوند. این مهارت‌ها به‌گونه‌ای طراحی شده‌اند که بین عامل‌های مختلف قابل انتقال و جابه‌جایی باشند.

خندق «دانش داخلی»

یک مشارکت‌کننده در این بحث استدلال کرد که در حالی که مهارت‌های عمومی (مانند «بررسی کد» یا «نقد طراحی») در نهایت توسط قابلیت‌های بومی مدل جذب می‌شوند، اما مهارت‌های سفارشی جایگزین‌ناپذیرند.

برای مثال، یک مدل ممکن است آن‌قدر باهوش باشد که دستور whoami را اجرا کند و پوشه .ssh را برای یافتن کلیدهای اتصال به کاربری به نام Bob جست‌وجو کند. اما یک فایل مهارت می‌تواند به‌سادگی بیان کند: «ما برای اتصال به bob از کلید Z و کاربر X استفاده می‌کنیم». این کار «مهملات» ناشی از استنتاج‌های بیهوده را حذف کرده و کل مرحله تحقیقاتی و جست‌وجوی مدل را از بین می‌برد. در واقع، این روش مشابه استراتژی خوانش اجباری فایل‌ها برای حذف توهمات مدل است که با ارائه داده‌های دقیق، احتمال خطای مدل را کاهش می‌دهد.

این رویکرد یک مزیت «صرفه‌جویی در توکن» (Token-burnt advantage) ایجاد می‌کند. مهارت‌های موجز و متراکم از نظر اطلاعاتی برتری دارند، زیرا دانشی داخلی را ارائه می‌دهند که مدل نمی‌تواند آن را حدس بزند، فارغ از اینکه عامل کدنویسی عمومی تا چه حد پیشرفته شود.

حلقه‌های بازخورد و نگهداری

برای تیز نگه داشتن این ابزارها، برخی توسعه‌دهندگان یک فایل جهانی AGENTS.md را نگهداری می‌کنند. آن‌ها به هوش مصنوعی دستور می‌دهند هرگونه نارضایتی یا دشواری که در حین انجام یک وظیفه با آن مواجه می‌شود را ثبت کرده و بهبودهای خاصی را برای فایل‌های مهارت پیشنهاد دهد. این کار یک حلقه بهینه‌سازی خودکار بین انسان و عامل ایجاد می‌کند.

سایر استراتژی‌های نگهداری عبارتند از:

• منابع جامعه: دنبال کردن چهره‌های شناخته‌شده‌ای مانند mattpocock، mcollina و trailsofbit، یا نظارت بر انتشار ویدیوهای یوتیوب برای یادگیری تکنیک‌های جدید پرامپت‌نویسی.
• اشتراک تیمی: قرار دادن تمام مهارت‌ها در یک مخزن مشترک تیمی، جایی که اعضا می‌توانند بدون فشار برای یکدستی مطلق، روی آن‌ها کار کرده و آن‌ها را بهبود ببخشند.
• رویکرد ADR: برخورد با پوشه docs/ که شامل تمام مهارت‌های برنامه است، به عنوان «سوابق تصمیمات معماری» (Architectural Decision Records). این کار به هوش مصنوعی کمک می‌کند تا بخش‌های خاص سیستم را بهتر درک کند.

این چرخش نشان می‌دهد آینده بهره‌وری در هوش مصنوعی، بیش از آنکه به مدل‌های بهتر وابسته باشد، به «لوله‌کشی دانش» بهتر بستگی دارد. با تبدیل پرامپت‌ها به دارایی‌های تحت کنترل نسخه (Version-controlled assets) به‌جای پیام‌های چت یک‌بار مصرف، برنامه‌نویسان «سوزاندن توکن» را کاهش و قابلیت اطمینان را افزایش داده‌اند. این بهینه‌سازی در زمانی رخ می‌دهد که برخی مهندسان نرم‌افزار در مورد ارزش اقتصادی تولید حجم زیاد کد توسط AI ابراز تردید می‌کنند و بر کیفیت و پایداری تأکید دارند.

برای کاربر عادی، این یعنی خداحافظی با پرامپت‌های سیستمی طولانی و پراکنده. هدف، ایجاد کتابخانه‌ای از دستورات تک‌جمله‌ای است که فوراً فعال شوند؛ مثلاً: «تمام اشعار اسلم-پوئتری را از مستندات این مخزن حذف کن».

با تکامل عامل‌ها، تمرکز احتمالاً به سمت ابزارهای پروتکل زمینهٔ مدل (MCP - Model Context Protocol) در سمت کلاینت خواهد رفت. این ابزارها به عامل‌ها اجازه می‌دهند به‌جای تکیه بر فایل‌های متنی ایستا، به‌صورت پویا با داده‌های محلی تعامل کنند.

گام بعدی شما

برای شروع بهینه‌سازی گردش کار خود، همین امروز درخواست‌های تکراری خود از هوش مصنوعی را بررسی کنید و آن‌ها را در یک پوشه اختصاصی .skills استخراج کنید.

• برای مهارت‌های تیمی، یک مخزن مشترک ایجاد کنید تا از تکرار تلاش‌ها جلوگیری شود.
• از مدل بخواهید در پایان هر جلسه، نقاط ضعف پرامپت‌های شما را شناسایی و پیشنهاد اصلاح دهد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.