تصور کنید یک مدیر استخدام هستید که روزانه ده‌ها پیام با ساختار دقیق و بیش از حد صیقل‌خورده دریافت می‌کند؛ شما در یک ثانیه می‌فهمید که این متن توسط هوش مصنوعی نوشته شده است. برای مقابله با این «بوی هوش مصنوعی»، ابزار متن‌باز Job Seeker در ۱۳ اوت ۲۰۲۶ عرضه شد تا عامل‌های کدنویسی را مجبور کند پیش از ارسال پیام، از یک آزمون سخت‌گیرانه‌ی شبیه‌سازی انسانی سرباز زنند.
بیشتر عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای اداری که بیش از حد رسمی هستند و نمی‌دانند چطور دوستانه حرف بزنند — به‌صورت پیش‌فرض سبکی ساختاریافته دارند که در پیام‌های مستقیم (DM) غیرطبیعی به نظر می‌رسد. همان‌طور که در تحلیل قبلی ما درباره‌ی مدیریت GPU در کوبرنتیز اشاره کردیم، زیرساخت‌های سنگین برای اجرای مدل‌ها فراهم شده است، اما گلوگاه فعلی برای جویندگان کار، قدرت پردازش نیست، بلکه فقدان اصالت در گفتگو است. این چالش با یافته‌های اخیر همسو است که نشان می‌دهد مدل‌های پیشرو در اجرای سیاست‌های سازمانی با نرخ شکست بالایی مواجه‌اند و هنوز در درک ظرافت‌های محیط کار ناتوان‌اند. طبق گزارش توسعه‌دهندگان این پروژه، در لینکدین، یک پاراگراف بی‌نقص اغلب به معنای نبود تلاش واقعی کاربر است.
Job Seeker این مشکل را با ادغام یک «چک‌لیست ضد-LLM» در قوانین هسته‌ی عامل (فایل AGENTS.md) حل می‌کند. بر اساس مستندات این ابزار، عامل باید پیش از نمایش پیش‌نویس به کاربر، محدودیت‌های زیر را تأیید کند:
- حذف خط تیره (—): این علامت به عنوان اولین نشانه‌ی شناسایی متن‌های هوش مصنوعی شناخته شده و باید با کاما یا پرانتز جایگزین شود.
- ممنوعیت لیست‌های گلوله‌ای (Bullet Points): این ساختار برای اسناد است، نه پیام‌های چت.
- محدودیت طول متن: حداکثر دو پاراگراف کوتاه برای جلوگیری از توضیح‌های بیش از حد.
- ادغام طبیعی: عدم تکرار کلمات کلیدی شرح شغلی یا نتایج مستقیم جست‌وجوی گوگل.
- تطبیق لحن: شبیه‌سازی سبک خاص استخدام‌کننده یا پیام‌های قبلی کاربر.
این سامانه به‌صورت یک خط لوله (Pipeline) کامل عمل می‌کند. طبق اعلام سازندگان، وقتی مهارت خبری سیستم پیامی را در جیمیل یا لینکدین شناسایی می‌کند، موارد اقدام را استخراج کرده، درباره شرکت تحقیق می‌کند و پیش‌نویس را می‌سازد. نکته کلیدی این است که عامل پیش‌نویس را می‌نویسد، اما انسان همیشه تأیید نهایی را پیش از ارسال انجام می‌دهد. در واقع، تخصص کاربر همچنان متغیر اصلی در کیفیت خروجی مدل‌های زبانی است و نظارت انسانی بر خروجی AI برای رسیدن به اصالت ضروری است.
این چرخش نشان می‌دهد که مرز بعدی بهره‌وری در هوش مصنوعی، نه مهندسی پرامپت بهتر، بلکه «لغو پرامپت» (Un-prompting) است. با تخریب عمدی صیقلِ رسمی یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — کاربران می‌توانند از برچسب «تولید شده توسط AI» فاصله بگیرند. برای یک کاندیدای مدرن، کمی «ناقص» به نظر رسیدن اکنون یک مزیت رقابتی است. این رویکرد در تضاد با تلاش برای پیچیده‌سازی مدل‌هاست، چرا که بسیاری از وظایف هوش مصنوعی در واقع مسائل ساده‌ای از طبقه‌بندی هستند و نیازی به پیچیدگی‌های زبانی ندارند.
کاربران می‌توانند مخزن این پروژه با مجوز MIT را در گیت‌هاب بررسی کنند تا هر عاملی که فایل‌های مارک‌داون را می‌خواند، مانند Claude Code یا Cursor، به یک دستیار جست‌وجوی شغل تبدیل شود.
گام بعدی شما
- اگر از Cursor یا Claude Code استفاده می‌کنید، قوانین AGENTS.md را با محدودیت‌های متنی (حذف لیست‌ها و خط تیره‌ها) به‌روز کنید.
- در پیام‌های لینکدین، به‌جای کلمات کلیدی رسمی، از عباراتی استفاده کنید که نشان‌دهنده مطالعه‌ی شخصی شما از وب‌سایت شرکت است.
- پیش‌نویس‌های AI را پیش از ارسال، یک‌بار با صدای بلند بخوانید تا بخش‌های «بیش از حد صیقل‌خورده» را شناسایی و حذف کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو