اگر یک کارآفرین تک‌نفره هستید، احتمالاً بیشتر از آنکه روی محصول کار کنید، وقتتان را صرف بازاریابی می‌کنید. کای ثورن (Kai Thorne) راه حل این مشکل را در طراحی خط لولی از عامل‌های هوش مصنوعی یافت که مدیریت محتوای او را در ۶ پلتفرم مختلف کاملاً خودکار می‌کند.
بیشتر ابزارهای فعلی، مانند مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در هر لحظه فقط به اطلاعات فعلی دسترسی دارند و هر چه را پنج دقیقه پیش انجام داده‌اند، فراموش می‌کنند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های پنجره‌ی متنی اشاره کردیم، این فراموشی باعث تکرار خسته‌کننده‌ی محتوا می‌شود.
طبق مستنداتی که ثورن در ۸ ژوئن ۲۰۲۶ منتشر کرد، او به جای استفاده از سیستم‌های تولید بازیابی‌افزا (RAG) — که شبیه دانش‌آموزی است که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — از یک وضعیت مشترک و ساده استفاده می‌کند تا عامل‌ها بدانند دقیقاً چه کاری انجام شده است.
معماری این سیستم بر سه لایه‌ی اصلی استوار است:
- SQLite: به عنوان مغز متمرکز عمل می‌کند و با استفاده از جداول
work_logوcontentتمام اقدامات را ردیابی می‌کند. - زمان‌بندی (Cron): هر ۲ تا ۳ ساعت یک‌بار، عامل را فعال می‌کند تا قوانین متنی را بخواند و داده‌های جدید را بررسی کند.
- اجرای API: محتوا را به‌صورت خودکار در سایت‌هایی مثل dev.to و Gumroad منتشر می‌کند.
این رویکرد، گلوگاه کار را از «تولید محتوا» به «توزیع محتوا» منتقل می‌کند. شما دیگر هر پست را تک‌تک ویرایش نمی‌کنید؛ بلکه قوانینی را بازبینی می‌کنید که کل سیستم را هدایت می‌کنند. در واقع، ارزش واقعی در نثر مدل نیست، بلکه در حافظه‌ی پایداری است که به چندین عامل اجازه می‌دهد در طول زمان با هم هماهنگ شوند.
گام بعدی شما
- یک جدول ساده در SQLite بسازید تا تمام خروجی‌های مدل هوش مصنوعی خود را با برچسب زمان ذخیره کنید.
- قوانین توزیع محتوا برای توییتر و لینکدین را به گونه‌ای بازبینی کنید که هر قطعه محتوا، بیشترین بازدهی را داشته باشد.
- از Cron jobs برای خودکارسازی فراخوانی APIها در بازه‌های زمانی مشخص استفاده کنید.
ama داستان سخت‌افزاری این تحول و هزینه‌ی استنتاج در مقیاس بالا را در گزارش بعدی بررسی خواهیم کرد.
گفتگو