اگر مجموعه‌ای از ده‌ها پرامپت ذخیره‌شده دارید که دیگر نمی‌دانید کدام نسخه به‌روز است، احتمالاً با بحران «شلوغی پرامپت‌ها» دست‌وپنجه نرم می‌کنید. در این وضعیت، شما نه‌تنها کنترل نسخه‌ها را از دست می‌دهید، بلکه با استفاده از «مگا-پرامپت‌های» حجیم، فضای گران‌بهای پنجره متنی مدل را برای دستورات بی‌ربط هدر می‌دهید. وقتی تعداد پرامپت‌های ذخیره‌شده بیش از حد زیاد شود، شما فراموش می‌کنید چه ابزارهایی در اختیار دارید و وجود دو پرامپت که تقریباً یک کار را انجام می‌دهند، تشخیص اینکه کدام‌یک نسخه جاری و به‌روز است را غیرممکن می‌کند.
پروژه headcount یک سازمان‌دهنده متن‌باز است که برای حل این مشکل، مهارت‌های هوش مصنوعی را به‌جای یک فهرست ساده، شبیه به نمودار سازمانی یک شرکت مدیریت می‌کند. اکثر کتابخانه‌های پرامپت مانند یک پوشه تخت عمل می‌کنند، اما headcount ساختاری درختی دارد که در هر شاخه، یک مرز نصب (Installation Boundary) تعریف شده است. این طراحی به توسعه‌دهندگان اجازه می‌دهد تنها تخصص‌های مورد نیاز برای یک وظیفه خاص را بارگذاری کنند تا مدل توسط دستورالعمل‌های غیرضروری گیج نشود. این رویکرد سازمان‌یافته در تضاد با انبوه‌های عظیم و مدیریت‌نشده‌ای است که در پروژه‌هایی مانند TormentNexus با ثبت بیش از ۵ هزار مهارت مشاهده می‌شود و تلاش می‌کند عصر پرامپت‌های یک‌بارمصرف را به پایان برساند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت حافظه در مدل‌های زبانی اشاره کردیم، بهینه‌سازی ورودی‌ها کلید افزایش دقت است. در این راستا، headcount که در مخزن cbrock84/headcount با مجوز MIT منتشر شده و با زبان Markdown نوشته شده است، اکنون بیش از ۲,۰۴۷ ستاره در گیت‌هاب دارد.
به نقل از گزارشی در وب‌سایت dev.to که در ۱۴ اکتبر ۲۰۲۶ منتشر شد، این پروژه ۱۷۲ مهارت را در ۱۶ دپارتمان مجزا سازماندهی کرده است. اگرچه برخی منابع رسمی در جملات کوتاه خود به «۱۵+ دپارتمان و ۱۲۵+ مهارت» اشاره کرده‌اند، اما جداول دپارتمان موجود در فایل README منبع دقیق‌تر و معتبرتری است. در رأس این ساختار، دفتر مدیرعامل (CEO office) قرار دارد که شامل ۷ مهارت هسته‌ای است. هر دپارتمان دیگر مانند یک افزونه (Plugin) مستقل عمل می‌کند و این امر تضمین می‌کند که یک پروژه تنها منطق‌های ضروری را بارگذاری کند.
برای جلوگیری از تداخل نام‌ها، این سیستم از یک طرح آدرس‌دهی نام‌دار (Namespacing) استفاده می‌کند. به‌جای نام‌های کلی، مهارت‌ها با فرمت department:skill فراخوانی می‌شوند. این روش تضمین می‌کند که نام‌ها در دپارتمان‌های مختلف هرگز با یکدیگر برخورد نکنند. برای مثال:
security:threat-modeling(مدل‌سازی تهدیدات امنیتی)finance:unit-economics(اقتصاد واحد مالی)demand-generation:landing-page-cro-expert(متخصص بهینه‌سازی نرخ تبدیل صفحه فرود)
کاربران می‌توانند این مهارت‌ها را از طریق تطبیق زبان طبیعی یا با فراخوانی مستقیم آن‌ها از طریق دستورات اسلش (Slash Commands) مانند /finance:financial-modeling فعال کنند. این مکانیسم تضمین می‌کند که هوش مصنوعی برای هر درخواست، یک دیدگاه خاص و قابل پیش‌بینی را اتخاذ کند.
مهم‌ترین دلیل فنی این طراحی، یک محدودیت سخت‌افزاری در سمت ChatGPT و Codex است. طبق مستندات پروژه، توصیفات مهارت‌ها در مجموع بودجه‌ای حدود ۸,۰۰۰ کاراکتر برای پنجره متنی (Context Window) دارند — شبیه به میز کاری که فقط جای چند ورق کاغذ دارد و نمی‌توان کل کتابخانه را روی آن پهن کرد.
اگر کاربر هر ۱۶ دپارتمان را به‌طور هم‌زمان نصب کند، تعداد کل کاراکترها به تقریباً ۵۰,۰۰۰ می‌رسد که بیش از ۶ برابر ظرفیت مجاز است. بنابراین، نصب تکه‌تکه و دانه‌دانه دپارتمان‌ها صرفاً برای نظم‌بخشی یا زیبایی نیست، بلکه تنها راهی است که سیستم بتواند در حافظه مدل جای بگیرد. اگر تا به حال فکر کرده‌اید که چرا یک سیستم افزونه باید به جای یک نصب کلی، به جزئیات دپارتمانی اهمیت دهد، این نسبت (۸ هزار در مقابل ۵۰ هزار) پاسخ شماست.
این ابزار برای هر دو پلتفرم Claude Code و ChatGPT طراحی شده است. برای کاربران Claude Code، نصب از طریق مارکت‌پلیس و با استفاده از این دستورات انجام می‌شود:
/plugin marketplace add cbrock84/headcount/plugin install security@headcount
سپس کاربران می‌توانند دپارتمان‌های بیشتری را بر حسب نیاز اضافه کنند، مانند /plugin install it-operations@headcount.
کاربران ChatGPT و Codex می‌توانند یا مارکت‌پلیس را از طریق مانیفست .agents/plugins/marketplace.json اضافه کنند و یا دپارتمان‌های مورد نظر خود را به‌صورت دستی در پوشه .agents/skills/ پروژه کپی کنند. از آنجایی که هر دو مانیفست از یک درخت دایرکتوری واحد (که در AGENTS.md شرح داده شده) تولید می‌شوند، یک اصلاح در مخزن اصلی به‌طور هم‌زمان هر دو پلتفرم را به‌روز می‌کند.
علاوه بر پرامپت‌های ساده، این سیستم از «منشورهای عامل» (Agent Charters) در مسیر .claude/agents/ استفاده می‌کند. این منشورها اجازه می‌دهند یک دپارتمان به‌عنوان یک زیر-عامل با محدوده دسترسی نوشتاری (Write Scope) اختصاصی تفویض شود. این ساختار امکان یک تفکیک پیچیده بین «تولیدکننده» و «بازرس» را فراهم می‌کند؛ همان‌طور که در مهارت agent-hierarchy توصیف شده، یک عامل محتوا را تولید کرده و عامل دیگر آن را در محیطی محدود بازبینی می‌کند. نکته حیاتی این است که نصب یک دپارتمان، تغییری در پروژه شما ایجاد نمی‌کند؛ بلکه مهارت‌ها را به دستیار اضافه می‌کند بدون اینکه در مخزن شما چیزی بنویسد، وابستگی جدیدی اضافه کند یا کدهای خودکار اجرا نماید.
در ۱۴ اکتبر ۲۰۲۶، یک ترجمه چینی از README در مخزن yangshun2005/headcount-cn منتشر شد. این نسخه نسخه اصلی را با نام README_en.md حفظ کرده است. اگرچه در زمان گزارش این مطلب، این مخزن هیچ ستاره‌ای نداشت، اما کاری فراتر از ترجمه متن انجام داده و یک لایه راهنمای سریع (Orientation Layer) برای کاهش هزینه ورود توسعه‌دهندگان اضافه کرده است.
این بخش راهنما که با عنوان 中文快速上手 مشخص شده است، صراحتاً محدودیت بودجه ۸,۰۰۰ کاراکتری را در اولویت قرار می‌دهد. این بخش به سوالاتی پاسخ می‌دهد که یک توسعه‌دهنده چینی در ۵ دقیقه اول با آن‌ها مواجه می‌شود: چه مشکلی حل می‌شود، کوتاه‌ترین مسیر برای اجرا چیست و تله‌های احتمالی کدام‌اند.
نکته قابل توجه در این ترجمه، صداقت در مورد شکاف‌های مستندات اصلی است:
- نیازمندی‌ها: مترجم در بخش‌های مربوط به سیستم‌عامل، سخت‌افزار و نسخه‌ها، عبارت 原文未说明 («در متن اصلی ذکر نشده») را درج کرده است تا از ابداع نیازمندی‌های احتمالی پرهیز کند.
- اتصال: در بخش مربوط به شبکه‌های داخلی، اشاره شده است که متن اصلی به میرورها یا دانلودهای شتاب‌یافته اشاره نکرده است، به‌جای اینکه یک میرور احتمالی و نامعلوم را اختراع کند.
این رویکرد هزینه ورود را به سه دستور و یک سوال به زبان طبیعی کاهش می‌دهد. همچنین در این صفحه از کاربران دعوت شده تا هرگونه عدم دقت در ترجمه را از طریق Issue یا PR گزارش کنند تا با تغییرات مخزن اصلی، انحرافی در ترجمه ایجاد نشود.
باید به خاطر داشت که مهارت‌های این پروژه در واقع متون نثر — فایل‌های Markdown هستند که توصیف می‌کنند یک متخصص چگونه باید رفتار کند. بنابراین، کیفیت واقعی خروجی کاملاً به مدل زیرساختی (Underlying Model) مورد استفاده بستگی دارد. ساختار سازمان قابل تایید است، اما کاربردی بودن یک مهارت خاص مانند security:threat-modeling تابع سیستم و مدل انتخابی کاربر است. نویسنده پروژه صراحتاً اشاره کرده که حجم نمونه‌های تست او برای این خروجی‌ها صفر است؛ بنابراین، جداول دپارتمان‌ها را باید به‌عنوان «نقشه پوشش مهارت‌ها» دید، نه لزوماً گواهی بر کیفیت خروجی هر مهارت. این نیاز به تخصص در مدیریت ابزارهای هوش مصنوعی با روندهای بازار همسو است، جایی که ۱۴٪ از فرصت‌های شغلی دورکاری اکنون به‌طور مستقیم به مهارت‌های تخصصی در این حوزه نیاز دارند.
برای کسانی که با حجم زیاد پرامپت‌ها درگیر هستند، نصب این سیستم کم‌ریسک و قابل بازگشت است. با اضافه کردن تنها یک دپارتمان، کاربران می‌توانند تست کنند که آیا تطبیق نام‌دار (Namespaced Matching) گردش کار آن‌ها را بهبود می‌بخشد یا خیر، بدون اینکه مجبور باشند کل کتابخانه ۱۷۲ مهارتی را نصب کنند. برای کسانی که چینی می‌خوانند، بخش راهنمای سریع در yangshun2005/headcount-cn سریع‌ترین مسیر برای راه‌اندازی است؛ در غیر این صورت، README اصلی و فایل docs/GETTING-STARTED.md همان مطالب را پوشش می‌دهند. فقط به خاطر داشته باشید که مخزن چینی با تاخیری نسبت به تاریخ ترجمه ۱۴ اکتبر، تغییرات مخزن اصلی را دنبال می‌کند.
گام بعدی شما
- اگر با حجم زیاد پرامپت‌ها درگیر هستید، ابتدا تنها یک دپارتمان (مثلاً security) را نصب کنید تا اثر آدرس‌دهی نام‌دار را روی گردش کار خود بسنجید.
- برای کسانی که به زبان چینی مسلط هستند، راهنمای سریع در مخزن
headcount-cnکوتاه‌ترین مسیر برای راه‌اندازی است. - ساختار منشورهای عامل را برای ایجاد چرخه «تولید و بازبینی» در پروژه‌های کدنویسی خود به کار بگیرید.
اما مدیریت این عامل‌ها تنها بخشی از ماجراست؛ برای درک اینکه چگونه پروتکل‌های جدید ارتباطی بین مدل‌ها عمل می‌کنند، تحلیل ما درباره MCP را بخوانید.
گفتگو