سادگیِ پوشه‌های متنی در برابر پیچیدگیِ نرم‌افزاری در طراحی عامل‌ها

تصور کنید یک برنامه‌نویس یا مدیر محصول بخواهد دستیاری داشته باشد که تمام جزئیات پروژه او را می‌داند، اما نمی‌خواهد هر بار همه چیز را از اول توضیح دهد. حقیقت این است که یک عامل (Agent) شخصی، چیزی فراتر از مجموعه‌ای از فایل‌ها و ابزارها نیست که به یک رابط کاربری متصل شده‌اند.

به نقل از گزارشی از Ben's Bites که در ۲۰ اوت ۲۰۲۶ منتشر شد، آنچه ما به عنوان «حافظه» در این عامل‌ها می‌بینیم، در واقع فقط فایلی است که سیستم در ابتدای هر جلسه می‌خواند تا توهم تداوم و آشنایی را ایجاد کند. این رویکرد در واقع تکامل همان ایده‌ای است که در آن عامل‌های هوش مصنوعی با جایگزینی پنجرهٔ زمینه با حافظهٔ فایل‌محور ابدی شدند تا محدودیت‌های حافظه کوتاه‌مدت را دور بزنند. در نظرسنجی اخیر با ۹۹۶ رای، مشخص شد که کاربران هنوز درباره ماهیت این عامل‌ها بحث می‌کنند، اما واقعیت فنی بسیار ساده‌تر از تصورات رایج است.

بسیاری از کاربران مفهوم «عامل بودن» را بیش از حد پیچیده می‌کنند و آن را یک لایه نرم‌افزاری اختصاصی می‌بینند. در واقع، عامل همان داده‌هایی است که شما فراهم می‌کنید؛ یعنی فایل‌های زمینه و ابزارهایی که اجازه دسترسی به آن‌ها را می‌دهید. این یعنی هویت عامل شما قابل جابه‌جایی است. اگر از سبک نوشتاری Claude خوشتان نمی‌آید، می‌توانید همان پوشه فایل‌ها به ChatGPT Work معرفی کنید و بدون از دست دادن زمینه، کارتان را ادامه دهید. این قابلیت جابه‌جایی برای هر دو نسخه cowork و code صادق است.

همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، مدیریت داده‌های ورودی کلید اصلی کنترل خروجی است. در مورد حافظه عامل‌ها نیز وضعیت مشابه است؛ حافظه در گردش‌کارهای فعلی شبیه به «شب‌بیداری قبل از امتحان» است. عامل حافظه‌ای بیولوژیک ندارد، بلکه در شروع هر جلسه، یک فایل خاص — معمولاً یک گزارش حافظه — را می‌خواند تا رابطه‌ای پایدار با کاربر شبیه‌سازی کند.

برای بهینه‌سازی این فرآیند، نویسنده پیشنهاد می‌کند محیط عامل را «خانه تکانی» کنید. پوشه‌های نامنظم منجر به خروجی‌های گیج‌کننده می‌شوند. اگر با زمینه عامل مانند یک میز کار فیزیکی برخورد کنید، مطمئن می‌شوید که هوش مصنوعی فقط روی مرتبط‌ترین داده‌ها تمرکز می‌کند. هدف این است که پیش از شروع هر کار، فضای کاری را پاک کنید تا نویزهای ناشی از دایرکتوری‌های نامنظم حذف شوند.

یکی از حیاتی‌ترین بخش‌های یک عامل شخصی، فایل دستورالعمل‌ها مانند AGENTS.md است. بر اساس مستندات ۲۰ اوت، یک نکته کلیدی در بهینه‌سازی این فایل، تفکیک بین «پرسش» و «درخواست» است. این استانداردسازی در واقع بخشی از تلاشی است که طی آن استاندارد AGENTS.md رفتار عامل‌های هوش مصنوعی در مخازن کد را یکپارچه می‌کند تا تعامل با مدل‌ها پیش‌بینی‌پذیرتر شود.

با اضافه کردن این جمله که «پرسش‌ها درخواست برای پاسخ هستند، نه درخواست برای تغییر»، می‌توانید جلوی تغییرات ناخواسته فایل‌ها را بگیرید. این کار مانع از آن می‌شود که عامل پیش از پاسخ دادن به سوال شما، تعدادی از فایل‌هایتان را بدون دلیل تغییر دهد. این دستور ساده تضمین می‌کند که مدل به جای فعال کردن تغییرات ناخواسته، مستقیماً به سوال پاسخ دهد.

فراتر از پوشه‌های شخصی، صنعت به سمت محیط‌های یکپارچه حرکت می‌کند. Slack اکنون به یک محیط توسعه (IDE) تبدیل شده که اجازه کدنویسی و همکاری چندنفره با عامل‌ها را در کانال‌ها می‌دهد. Shopify گزارش داده که عامل آن‌ها در اسلک به اعضا کمک کرده تا تعامل با هوش مصنوعی را به صورت بصری و مشارکتی یاد بگیرند. این رویکرد نشان می‌دهد که کد و زمینه شرکت‌ها باید در یک monorepo — یعنی یک پوشه بزرگ شامل زیرپوشه‌های کوچک — قرار بگیرند.

سایر تحولات مهم در این حوزه عبارت‌اند از:

• Berd by Block: ابزاری که رویکرد پوشه پروژه (codex/cc) را با عامل‌های شخصیت‌محور (مثل Grok) و یک برد بصری برای پین کردن پروژه‌ها، عامل‌ها، چک‌لیست‌ها و یادداشت‌های چسبان ترکیب می‌کند. این ابزار به کاربران اجازه می‌دهد از اشتراک‌های موجود خود در codex یا Claude code برای توکن‌ها استفاده کنند.
• Vercel: توسعه یک چارچوب مینیمال برای عامل‌های کدنویسی (نسخه‌ای از Pi) برای ساده‌سازی توسعه. ورسل همچنین ادغام‌های دامنه را از طریق API ارائه می‌دهد که قدرت بخشنده Netlify و Lovable است و از OpenAPI spec و MCP پشتیبانی می‌کند. این حرکت در راستای تسهیل دسترسی به ابزارهاست، مشابه آنچه در پروژه‌ی Mu برای یکپارچه‌سازی ۶۷ ابزار عملیاتی شاهد بودیم.
• Cursor: بهبود عامل‌های ابری که می‌توانند هدف را در جلسات طولانی حفظ کنند، کار را از رویدادها دنبال کنند و در مسیر درست بمانند. کورسر همچنین یک پست تعاملی مفصل درباره نحوه ساخت Origin به عنوان یک دیتابیس منتشر کرد.
• Notion: پیاده‌سازی حافظه مشترک برای عامل‌ها از طریق ایجاد یک «تاریخچه» (Lore) بر اساس گفتگوهای گذشته کاربر.
• Replit: ارائه رایگان GPT-5.6-Luna برای کاربران طرح‌های پولی از طریق همکاری با OpenAI.
• ElevenLabs: عرضه مدل گفتگوی جدید برای ساخت اپلیکیشن‌هایی شبیه به حالت صوتی به‌روز شده ChatGPT.

عامل‌ها اکنون از دستیارهای عمومی به حوزه‌های حساس علمی تغییر مسیر داده‌اند. Anthropic اخیراً Claude را برای کمک به دانشمندان علوم زیستی در دو وظیفه خاص به کار گرفته است: طراحی پروتئین‌های پیونددهنده (protein binders) از صفر و تسریع تحلیل‌های شیمیایی. کلود در هر دو وظیفه موفق شد و این موضوع موضع مدیرعامل این شرکت، داریو، را تقویت کرد که آزمایشگاه‌های AI باید نتایج واقعی در درمان بیماری‌ها ارائه دهند، نه فقط ادعا.

در حوزه بهره‌وری، ابزارهای جدیدی برای مدیریت داده‌های حجیم آمده‌اند. برای مثال، 1kpapers.com با استفاده از DeepSeek V4 Flash و با هزینه کل ۴ دلار، ۱۰۰۰ مقاله پژوهشی برتر سال گذشته را خلاصه و بصری کرد. ابزارهای تخصصی دیگر شامل یک اپلیکیشن مک برای تبدیل صوت‌های چندساعته به متن با رابط CLI برای عامل‌ها، و یک اپلیکیشن متن‌باز مک است که به طور خودکار کل روز کاری را ردیابی می‌کند.

در حالی که لایه‌های رابط (Wrappers) در حال رشد هستند، تحلیلگرانی مانند نیکونج کوتاری معتقدند ابزارهایی مثل Windsurf یا Bolt فاقد مزیت رقابتی پایدار (Moat) هستند. ارزش واقعی در حال انتقال به زیرساخت و سخت‌افزار تخصصی است.

به عنوان مثال، Etched اخیراً ۷۰۰ میلیون دلار سرمایه با ارزش‌گذاری ۲۱ میلیارد دلار جذب کرد. این سرمایه توسط گروهی قدرتمند از سرمایه‌گذاران شامل Jane Street، Sequoia، A16Z، پیتر تیل و Blackstone تامین شد. در ۱۸ اوت ۲۰۲۶، Etched نخستین رک سخت‌افزاری خود را برای Jane Street ارسال کرد.

هم‌زمان، مسیریابی مدل‌ها (Model Routing) به یک استراتژی بهره‌وری تبدیل شده است. Ramp با راه‌اندازی router.com ادعا می‌کند که با انتخاب خودکار بهترین مدل برای هر وظیفه، هزینه‌ها را ۴۰٪ کاهش داده است. این اتفاق با تصاحب OpenRouter توسط Stripe در همان روز هم‌زمان شد؛ حرکتی که جزئیات آن در یک نامه لو رفته به سرمایه‌گذاران فاش شد. شایان ذکر است که استرایپ پیش از این در آپریل ۲۰۲۱، رهبری دور دوم سرمایه‌گذاری ۱۱۵ میلیون دلاری Ramp را بر عهده داشت.

این تغییرات نشان می‌دهد اگرچه امروز می‌توانید با یک پوشه ساده یک عامل بسازید، اما هزینه و سرعت آن‌ها به زودی توسط مسیریاب‌های خودکار و تراشه‌های تخصصی مدیریت می‌شود. حتی مدل‌ها نیز با نوسان روبرویند؛ گزارش شده که OpenAI پس از حادثه‌ای در Hugging Face و نگرانی از اینکه Astra ممکن است از آستانه سایبری بحرانی (critical-cyber threshold) عبور کند، بهبود مدل‌های خود را برای دو هفته متوقف کرد.

برای تسلط بر عامل شخصی خود، به دنبال اپلیکیشن «کامل» نباشید و در عوض، فایل AGENTS.md و پوشه‌های زمینه خود را بازبینی کنید. کیفیت عامل شما، بازتاب مستقیم سازمان‌دهی داده‌های شماست.

گام بعدی شما

• فایل AGENTS.md خود را ایجاد کنید و دستور تفکیک «پرسش» از «درخواست» را به آن اضافه کنید.
• پوشه‌های زمینه (Context) خود را پاک‌سازی کنید و فقط فایل‌های ضروری را در دسترس عامل قرار دهید.
• برای کاهش هزینه‌ها، از ابزارهای مسیریابی مدل‌ها برای انتخاب بهینه‌ترین مدل بر اساس پیچیدگی وظیفه استفاده کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های تخصصی Etched مراجعه کنید.