تصور کنید در دنیایی زندگی می‌کنید که برخی درهای دیجیتال فقط برای ربات‌ها باز می‌شوند و هر انسانی را در همان ابتدا بیرون می‌اندازند. اگر یک توسعه‌دهنده هستید که می‌خواهد نقاط انتهایی (Endpoints) خاصی از وب‌سایتش را فقط برای برنامه‌ها رزرو کند، HATCHA دقیقاً همین کار را انجام می‌دهد.
طبق اعلام monday.com در ۲۶ ژوئن ۲۰۲۶، ابزار HATCHA به‌شتنی طراحی شده است که برخلاف کپچاهای سنتی، به‌جای شناسایی انسان، به دنبال شناسایی عامل‌های هوش مصنوعی (AI Agents) — شبیه به دستیاران دیجیتالی که می‌توانند به‌طور مستقل در وب بچرخد و کارهای پیچیده انجام دهند — است. همان‌طور که در تحلیل قبلی ما درباره‌ی اقتصاد عامل‌محور اشاره کردیم، نیاز به تفکیک ترافیک انسانی از ماشینی در مقیاس صنعتی اکنون به یک ضرورت تبدیل شده است.
بر اساس مستندات گیت‌هاب این پروژه، HATCHA (Hyperfast Agent Test for Computational Heuristic Assessment) از پنج نوع چالش استفاده می‌کند که برای یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — بسیار ساده اما برای انسان خسته‌کننده است:
این برتری مدل‌ها در پردازش داده‌های حجیم و پیچیده، درست همان چیزی است که باعث شده در حوزه‌های حساس، عامل‌های هوشمند حتی از متخصصان انسانی نیز پیشی بگیرند و استانداردهای مهارت را تغییر دهند.
- ریاضی: ضرب دو عدد ۵ رقمی در هم.
- رشته: معکوس کردن رشته‌های تصادفی ۶۰ تا ۸۰ کاراکتری.
- شمارش: یافتن یک نویسه خاص در میان ۲۵۰ کاراکتر.
- مرتب‌سازی: مرتب کردن ۱۵ عدد و بازگرداندن کوچک‌ترین مقدار k-ام.
- باینری: رمزگشایی اکتت‌های باینری به ASCII.
معماری این سیستم کاملاً بدون وضعیت (Stateless) است و نیازی به پایگاه‌داده ندارد. سرور یک چالش ایجاد می‌کند، پاسخ را هش می‌کند و یک توکن امضا شده با HMAC را برای کلاینت می‌فرستد. به این ترتیب، پاسخ واقعی هرگز به سمت کلاینت نمی‌رود و امکان رهگیری ساده وجود ندارد. اعتبارسنجی در سمت سرور از طریق پکیج @mondaycom/hatcha-server انجام می‌شود که آداپتورهایی برای Next.js و Express دارد.
توسعه‌دهندگان می‌توانند با ثبت تولیدکنندگان چالش سفارشی در زمان اجرا، سیستم را گسترش دهند. برای مثال، یک تست تبدیل هگز به دهدهی برای تخصصی‌تر کردن فرآیند تأیید عامل اضافه کنند. مدیریت رابط کاربری نیز توسط @mondaycom/hatcha-react انجام می‌شود که از تم‌های روشن و تاریک پشتیبانی می‌کند.
این رویکرد در واقع «تست تورینگ» را وارونه می‌کند. شرکت‌ها اکنون می‌توانند «حالت عامل» (Agent Mode) را برای اپلیکیشن‌های خود فعال کنند و APIهای فوق‌سریع یا ابزارهای خودکاری ارائه دهند که در برابر دخالت انسان یا فعال‌سازی‌های تصادفی دستی محافظت شده‌اند. این یعنی بخشی از وب به‌طور صریح با تابلوی «ورود انسان‌ها ممنوع» علامت‌گذاری می‌شود تا عملکرد اقتصاد عامل‌محور بهینه شود.
گام بعدی شما
- اگر از Next.js استفاده می‌کنید، پکیج‌های core و server را از npm نصب کنید.
- یک متغیر محیطی به نام
HATCHA_SECRETتعریف کنید تا بتوانید توکن‌ها را امضا کنید. - چالش‌های ریاضی را برای تست‌های اولیه فعال کنید تا تفاوت سرعت پاسخ‌دهی مدل در برابر انسان را ببینید.
اما تأمین زیرساختی برای این حجم از درخواست‌های خودکار، چالش جدیدتری است؛ به بررسی ما درباره تأثیر مدل‌های استدلالی بر هزینه استنتاج مراجعه کنید.
گفتگو