تصور کنید یک فروشنده کوچک در هند، عکسی از منوی دست‌نویسش را می‌گیرد و در عرض چند دقیقه، یک ویترین دیجیتال حرفه‌ای دریافت می‌کند. این دستاورد Mathondu است (به معنای «یکی دیگر» در زبان کانادا)؛ سیستمی که یک «کارخانهٔ فروشگاه‌ساز» خودکار برای حذف موانع دستی در فرآیند ورود به دنیای دیجیتال برای خرده‌فروشان خرد ایجاد کرده است.
این سامانه در زمانی عرضه شده که میلیون‌ها شیرینی‌پز خانگی و صاحب مغازه‌های محلی، با وجود استفاده از واتس‌اپ و سیستم‌های پرداخت UPI، برای مقیاس‌پذیری کسب‌وکارشان با مشکل روبرو هستند. در حالی که چت‌بات‌های ساده‌ای وجود دارند، اما فرآیند تایپ دستی بیش از ۵۰ قلم کالا به همراه قیمت‌ها، انواع مدل‌ها (Variants) و توضیحات، همچنان یک سد بزرگ است. علاوه بر این، تابلوهای مغازه‌های محلی و رسیدهای غیررسمی به زبان‌هایی مانند کانادا و هندی، اغلب توسط ابزارهای استاندارد SaaS به‌خوبی پشتیبانی نمی‌شوند. این چالش‌های زبانی پیش‌تر در تلاش‌های LocalBiz AI برای خودکارسازی محتوای بازاریابی چندزبانه در هند نیز مورد توجه قرار گرفته بود. برای بسیاری از این خرده‌فروشان، پرداخت اشتراک‌های ماهانه ثابت ۳۰ دلاری در کنار کارمزدهای ۲ تا ۵ درصدی تراکنش‌ها، می‌تواند حاشیه سود اندک آن‌ها را به‌طور کامل از بین ببرد.
همان‌طور که در تحلیل قبلی ما درباره‌ی قابلیت‌های Google Agent Development Kit (ADK) و نحوه فعال‌سازی عامل‌های هوش مصنوعی در محیط CLI اشاره کردیم، Mathondu از این چارچوب برای ایجاد یک چرخهٔ تجاری کامل استفاده کرده است. هدف این است که عاملی ساخته شود که فقط دربارهٔ باز کردن فروشگاه حرف نزند، بلکه واقعاً فروشگاه دیجیتال را ایجاد کند، از محصولات عکس‌برداری کند، یک اپلیکیشن اندروید قابل نصب کامپایل کند و سفارشات واتس‌اپ را به‌صورت سرتاسری (End-to-End) خودکار سازد.
به نقل از گزارشی در وب‌سایت dev.to که در ۲۸ اوت ۲۰۲۶ منتشر شد، این سیستم به‌جای استفاده از پرامپت‌های غول‌آسا و یکپارچه (Monolithic)، از یک شبکهٔ چندعاملی (Multi-Agent System) استفاده می‌کند که توسط یک هماهنگ‌کننده به نام onboard_orchestrator مدیریت می‌شود. این معماری از Google ADK برای هماهنگی ناوگانی از عامل‌ها با مرزهای تخصصی سخت‌گیرانه بهره می‌برد و وضعیت‌های تأییدشده را در Cloud Firestore ثبت می‌کند. در این ساختار از مدل Gemini 3.5 Flash Lite برای مدیریت حوزه‌های مجزا استفاده شده است:
- store_extract_agent: استخراج نام کسب‌وکار، ساعات کاری، شعاع تحویل کالا و واحدهای پولی.
- product_data_agent: تجزیه و تحلیل جداول کالا، نام محصولات، قیمت‌ها و گزینه‌های متنوع (Variant) و تبدیل آن‌ها به طرح‌های داده‌ای (Schemas) تایپ‌شده.
- missing_fields_agent: تحلیل فیلدهای حیاتیِ گم‌شده و تولید پرامپت‌های پیگیری هدفمند، بدون اینکه فروشنده را با سؤالات زیاد بمباران کند.
- catalog_image_agent: استفاده از Gemini 3.1 Flash Lite Image برای سنتز و تولید عکس‌های مربعی و باکیفیت برای کاتالوگ محصولات.
برخلاف اکثر نمونه‌های اولیه هوش مصنوعی که فقط متن تولید می‌کنند، Mathondu خروجی‌های ملموس و واقعی می‌سازد. مهم‌ترین آن‌ها تولید آنی فایل‌های APK اندروید است تا پاسخ درخواست همیشگی فروشندگان برای داشتن «اپلیکیشن اختصاصی روی گوشی مشتری» باشد.
وقتی فروشنده روی گزینه «دریافت APK اندروید» کلیک می‌کند، سیستم یک پردازشگر کامپایل غیرهمزمان (Asynchronous) را در Google Cloud Run فعال می‌کند. این جریان کاری مسیر دقیقی را دنبال می‌کند: ابتدا از apkJobs در Firestore شروع شده، به Worker در Cloud Run می‌رود، سپس از Bubblewrap و Android SDK برای ساخت یک APK از نوع TWA (Trusted Web Activity) استفاده می‌کند و در نهایت خروجی را در Firebase Storage ذخیره می‌کند. این فرآیند یک فایل باینری اختصاصی مانند com.mathondu.s.{slug} تولید می‌کند. فایل .apk امضا شده در Firebase Storage آپلود شده و یک لینک دانلود امن ۷ روزه و یک کد QR قابل نصب برای کاربر ایجاد می‌کند.
برای تکمیل این چرخه، سامانه از WhatsApp Cloud API (از طریق شماره ۹۱۹۴۶۲۱۴۶۱۳۳+) استفاده می‌کند تا فرآیند خرید واقعی را مدیریت کند. مشتریان می‌توانند با ارسال پیام به یک شناسه (Slug) خاص (مثلاً: «سلام، فروشگاه {slug}»)، وارد یک چرخه تجاری شوند: $\text{مرور کالا} \rightarrow \text{افزودن به سبد خرید} \rightarrow \text{ثبت سفارش} \rightarrow \text{اطلاع‌رسانی به فروشنده}$.
یک ماشین حالت (State Machine) که توسط Firestore پشتیبانی می‌شود، موارد زیر را مدیریت می‌کند:
- پیام‌های تعاملی کاتالوگ
- تغییرات سبد خرید
- وضعیت نشست (Session) مشتری
- ثبت سفارشات زنده
- رویدادهای لحظه‌ای سفارش که فروشنده را با لینک‌های مستقیم به کنسول مدیریت باخبر می‌کند.
برای جلوگیری از توهم (Hallucination) — یعنی زمانی که مدل با اطمینان داده‌ای غلط تولید می‌کند — Mathondu الگوی «انسان در حلقه» (Human-in-the-Loop) را پیاده کرده است. عامل admin_manager_agent از یک گردش کار سخت‌گیرانه به ترتیب «پیشنهاد $\rightarrow$ بررسی $\rightarrow$ پذیرش» پیروی می‌کند. برای مثال، اگر صاحب فروشگاه بخواهد «تمام اقلام نانوایی را ۱۰٪ تخفیف دهد»، عامل ابتدا محصولات متأثر را شناسایی کرده و یک تفاوت (Diff) پیشنهادی می‌سازد. سپس این تغییرات را به فروشنده ارائه می‌دهد و پیش از انجام هرگونه تغییر در پایگاه‌داده Cloud Firestore، منتظر تأیید صریح او می‌ماند.
بر اساس مستندات فنی، پشتهٔ تکنولوژی این پروژه شامل موارد زیر است:
- چارچوب AI: Google ADK 2.x
- مدل‌ها: Gemini 3.5 Flash Lite, Gemini 3.1 Flash Lite Image, Gemma (به عنوان جایگزین/Fallback)
- زیرساخت: Firebase App Hosting, Cloud Run, Google Cloud Secret Manager
- فرانت‌اند: Next.js 15 با App Router، React و Tailwind CSS
- پایگاه‌داده/ذخیره‌سازی: Cloud Firestore و Firebase Storage
- پردازشگر APK: Docker, Cloud Run, Node.js, Android SDK, Bubblewrap
- پیام‌رسان: WhatsApp Cloud API (Meta)
این تغییر رویکرد از «پاسخ دادن» به «تولید و ارسال محصول»، معیار جدیدی برای هوش مصنوعی عامل‌محور (Agentic AI) تعریف می‌کند. با سپردن کارهای سنگین محاسباتی مانند بسته‌بندی APK، تولید تصویر و تولید PDF به پردازش‌های پس‌زمینه غیرهمزمان، رابط کاربری سریع باقی می‌ماند در حالی که عامل در پشت صحنه کارهای مهندسی سنگین را انجام می‌دهد. این نوع ابزارهای کاربردی دقیقاً همان چیزی هستند که در بررسی مسیرهای درآمدزایی از هوش مصنوعی برای شهروندان هند به عنوان فرصت‌های طلایی کسب درآمد ماهانه اشاره شد.
برای یک خرده‌فروش کوچک، این یعنی هزینه تحول دیجیتال از یک اشتراک ماهانه گران‌قیمت به یک فرآیند ورود با اصطکاک تقریباً صفر تبدیل می‌شود. در واقع، عامل هوش مصنوعی از نقش یک مشاور به نقش یک مهندس تولید ارتقا یافته است.
توسعه‌دهندگانی که به این الگو علاقه‌مندند، باید مستندات Google ADK را بررسی کنند تا ببینند چگونه جداسازی استخراج و اعتبارسنجی در عامل‌های مجزا، نرخ توهم را در زبان‌های محلی مانند کانادا و هندی کاهش می‌دهد. با اطمینان از اینکه هر عامل مسئولیت محدودی دارد و یک قرارداد خروجی ساختاریافته را دنبال می‌کند، سیستم به قابلیت اطمینان بسیار بالاتری نسبت به یک پرامپت واحد و بزرگ دست می‌یابد.
باید منتظر ماند و دید که این رویکرد عامل‌های «محصول‌محور» چگونه به بخش‌های دیگر، مانند ثبت خودکار اسناد حقوقی یا راه‌اندازی خودکار سیستم‌های حسابداری، گسترش می‌یابد.
گام بعدی شما
- بررسی مستندات Google ADK برای پیاده‌سازی عامل‌های تخصصی به‌جای پرامپت‌های جامع.
- آزمایش مدل Gemini Flash Lite برای کارهای استخراج داده از تصاویر با هزینه کم.
- مطالعه الگوی Human-in-the-Loop برای جلوگیری از تخریب داده‌های تجاری توسط AI.
گفتگو