تصور کنید روزانه ۱۰۰ بار با کوهی از متن‌های نامنظم در ترمینال مواجه شوید و مجبور باشید جزئیات حیاتی را از میان آن‌ها بیرون بکشید. اویند کیوسباکن، متخصص عامل‌های کدنویسی، برای رهایی از این وضعیت، عامل‌های خود را مجبور کرده است تا گزارش‌های نهایی را به‌جای متن ساده، در قالب فایل‌های HTML ارائه دهند.
این رویکرد مستقیماً روی یکی از بزرگ‌ترین نقاط اصطکاک در تجربه توسعه‌دهندگان دست می‌گذارد. همان‌طور که در تحلیل قبلی ما درباره‌ی هزینه‌های بالای عامل‌های Claude اشاره کردیم، گلوگاه فعلی برای بسیاری از کاربران دیگر هزینه نیست، بلکه بار شناختی (Cognitive Load) — شبیه تلاش برای خواندن یک کتاب بدون فصل‌بندی و نقطه و ویرگول — هنگام تحلیل گفتگوهای ساختارنیافته است. متن‌های ساده فاقد سیگنال‌های بصری مانند تیترها و هایلایت‌ها هستند که مغز انسان برای مرور سریع اطلاعات به آن‌ها نیاز دارد.
به نقل از گزارشی در ۱۰ سپتامبر ۲۰۲۶ در Towards Data Science، کیوسباکن این سیستم را از طریق یک فایل پیکربندی Markdown در سطح کاربر اجرا می‌کند که توسط Claude Code یا Codex بارگذاری می‌شود. او برای مشاهده هم‌زمان ترمینال در سمت چپ و خروجی HTML در سمت راست، از مرورگر تخصصی Superset استفاده می‌کند.
جزئیات پیاده‌سازی فنی
- سلسله‌مراتب بصری: عامل‌ها موظف‌اند داده‌های کلیدی را در پایان گفتگوها و برای هر تاییدیه غیربدیهی، با استفاده از HTML خلاصه کنند.
- حفظ زمینه: گزارش‌ها شامل متن دقیق درخواست اصلی (از Slack یا Linear) هستند تا از «لغزش حافظه» در جلسات طولانی جلوگیری شود.
- نقشه‌برداری معماری: او از مخزن Archify — که حدود ۵۹,۰۰۰ ستاره در گیت‌هاب دارد — برای تولید نمودارهای SVG جهت نمایش جریان داده‌ها و چرخه حیات سیستم استفاده می‌کند.
این تغییر، بار سازماندهی اطلاعات را از دوش انسان به دوش هوش مصنوعی زاینده (Generative AI) منتقل می‌کند. با استفاده از سازماندهی بصری، کاربر دیگر هر کلمه را پردازش نمی‌کند، بلکه الگوها و اولویت‌ها را از طریق چیدمان شناسایی می‌کند. در واقع، نقش هوش مصنوعی از یک «هم‌صحبت» به یک «ابزار گزارش‌دهی ساختاریافته» تغییر می‌یابد.
با این حال، طبق بررسی‌های فنی، این روش هزینه‌های جدیدی دارد. تولید فایل برای هر تعامل، باعث افزایش تأخیر (Latency) در کارهای ساده می‌شود. همچنین، باز کردن فایل‌های HTML تولیدشده توسط هوش مصنوعی در مرورگر، در صورت وجود اسکریپت‌های خارجی یا کدهای غیرقابل‌اعتماد، ریسک‌های امنیتی ایجاد می‌کند.
گام بعدی شما
- تعاملات خود با هوش مصنوعی را بررسی کنید: آیا مشکل شما کیفیت پاسخ است یا صرفاً فرمت ارائه آن؟
- برای گزارش‌های طولانی، از مدل بخواهید خروجی را در قالب جداول HTML یا Markdown ارائه دهد تا مرور آن سریع‌تر شود.
- اگر از عامل‌های کدنویسی استفاده می‌کنید، یک فایل پیکربندی برای استانداردسازی خروجی‌های تکراری تعریف کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو