تصور کنید می‌خواهید عکس سگتان را به یک پرتره رسمی تبدیل کنید، اما باید ساعت‌ها با کلمات کلیدی بجنگید تا هوش مصنوعی منظور شما را بفهمد. این دقیقاً همان نقطه‌ای است که اکثر ابزارهای تولید تصویر در آن شکست می‌خورند و کاربر را مجبور می‌کنند به‌جای تمرکز بر هدف، روی یادگیری زبان مدل تمرکز کند. «یک جعبه پرامپت واحد، اغلب کاربران را مجبور می‌کند تا به‌جای اهداف خود، مدل هوش مصنوعی را درک کنند.»
به گزارش وب‌سایت dev.to، پلتفرم PetMorph در ۱۲ اوت ۲۰۲۶ برای حل این اصطکاک، جعبهٔ پرامپت عمومی خود را حذف و چهار مسیر کاربردی با زبان ساده جایگزین کرد که بر اساس «وظایف خاص کاربر» طراحی شده‌اند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی رابط‌های کاربری هوش مصنوعی اشاره کردیم، حذف لایه‌ی «ترجمهٔ هدف به پرامپت» می‌تواند نرخ تبدیل کاربران را به‌شدت افزایش دهد. این رویکرد در تضاد با روش‌های سنتی است که در آن کاربران باید از الگوهای پیچیده مهندسی پرامپت برای دستیابی به نتایج باکیفیت استفاده کنند.
بسیاری از ابزارهای فعلی یا از یک «دیوار از تنظیمات پیش‌فرض» (Wall of Presets) استفاده می‌کنند یا یک جعبه پرامپت منعطف ارائه می‌دهند که تمام کارهای سخت را به دوش کاربر می‌اندازد. این رویکرد باعث ایجاد تردید می‌شود که از چه کلماتی استفاده شود یا کدام کنترل‌های استایل اهمیت دارند. یک دیوار از تنظیمات پیش‌فرض این تردید را از بین نمی‌برد، بلکه فقط دکمه‌های بیشتری برای آن ایجاد می‌کند. PetMorph با تغییر رویکرد، به‌جای پرسیدنِ «چه مدلی می‌خواهید؟»، می‌پرسد «چه چیزی می‌خواهید بسازید؟» و بر قصد کاربر تمرکز می‌کند.
مشکل تولیدکننده‌های عمومی
رابط‌های عمومی باعث می‌شوند بار شناختی (Cognitive Load) به کاربر منتقل شود. مردم باید تصمیم بگیرند که آیا نتیجه برای تفریح است، یا یک عکس پروفایل، یا تصویری به سبک اسناد رسمی و یا یک جشن. این موضوع باعث ایجاد شکافی بین توانایی‌های سیستم و هدف واقعی کاربر می‌شود.
این پلتفرم اکنون کاربران را به چهار مورد کاربردی (Use Case) پایدار هدایت می‌کند:
- حیوان خانگی انسان‌نما (Pet Human): بازسازی حیوانات در قالب انسان برای کنجکاوی.
- پرتره حیوانات (Pet Portrait): ساخت آواتارها و یادگاری‌های قابل اشتراک.
- عکس شناسنامه‌ای (Pet ID Photo): تولید نتایج متمرکز، تمیز و با استایل پاسپورتی.
- کارت پستال تعطیلات (Pet Holiday Card): تولید تصاویر موضوعی برای تولد، کریسمس، هالووین و سال نو.
جزئیات پیاده‌سازی
بر اساس مستندات فنی این پروژه در dev.to، این مسیرها روی یک زیرساخت محصول مشترک بنا شده‌اند اما المان‌های منحصربه‌فردی را حفظ کرده‌اند:
- راهنمای سفارشی: هر مسیر دارای وعده (Promise)، مثال‌ها و راهنمای آپلود مخصوص به خود است.
- قاب‌بندی: قاب‌بندی نتایج و یادداشت‌های مربوط به ایمنی یا انتظارات خروجی برای هر مسیر شخصی‌سازی شده است.
- نقاط ورود مستقیم: نقاط ورود مستقیم برای ساخت، به کاربران اجازه می‌دهد بدون عبور از یک داشبورد عمومی، مستقیماً وارد فرآیند شوند.
تیم توسعه برای ساخت این سیستم از Next.js، React، TypeScript و Tailwind CSS استفاده کرده است. برای تضمین ثبات و جلوگیری از تداخل برچسب‌ها، آن‌ها یک پیکربندی محصول مشترک ایجاد کردند که در آن ناوبری، کارت‌های صفحه اصلی و صفحات فرود (Landing Pages) همگی از یک منبع واحد (Single Source of Truth) داده می‌گیرند. این چارچوب از شناسه‌های پایدار (Stable IDs)، کلیدهای متنی محلی‌شده و URLهای خاص برای توضیح و ساخت استفاده می‌کند تا از «لغزش برچسب‌ها» (Label Drift) جلوگیری کند؛ به این معنا که کاربر وقتی انتظار یک «پرتره» را دارد، هرگز به صفحه «آواتار حیوانات» هدایت نشود.
طراحی برای جلب اعتماد
در این سیستم، اعتماد با قرار دادن مرزها در نزدیکی وظیفه ایجاد شده است، به‌جای آنکه آن‌ها را پشت یک جعبه آپلود دوستانه پنهان کنند. سیستم پیش از شروع استنتاج (Inference) — که مثل لحظهٔ نهایی آشپزی بعد از آماده‌سازی مواد است — عکس‌ها را اعتبارسنجی می‌کند و اصرار دارد که عکس‌ها باید واضح و با نور کافی باشند.
همچنین به‌طور صریح ذکر شده که تصاویر به یک سرویس هوش مصنوعی ارسال می‌شوند و ممکن است برای تاریخچهٔ حساب به‌طور موقت ذخیره شوند. نکتهٔ حیاتی این است که سیستم هشدار می‌دهد عکس‌های شناسنامه‌ای صرفاً خروجی‌های خلاقانه هستند و سند رسمی به‌شمار نمی‌روند و استفاده از آن‌ها به حقوق عکس منبع و قوانین جاری بستگی دارد.
برای اینکه ابزارهای جانبی (مثل کمک‌کننده نام و سن حیوان) با جریان اصلی خلاقیت رقابت نکنند و مزاحم نشوند، آن‌ها را به لایه‌ای مجزا منتقل کردند. حالا صفحهٔ اصلی به ترتیب به سه سؤال پاسخ می‌دهد: با یک عکس چه چیزهایی می‌توانم بسازم؟ کدام مسیر با هدف من سازگار است؟ قبل از آپلود چه چیزهایی باید بدانم؟
این چرخش، گذاری از ارائه «قابلیت‌های سیستم» به حل «اهداف کاربر» است. در حالی که یک سیستم می‌تواند «یک تصویر حیوان تولید کند»، کاربر می‌خواهد «یک پرتره ماندگار بسازد» یا «حیوانش را در قالب یک انسان ببیند». با ساختاردهی محصول حول این اهداف، متن‌ها و فراخوان‌های اقدام (CTA) به‌طور طبیعی منسجم شدند. این تمرکز بر بهبود تجربه کاربر مشابه رویکردی است که در سیستم‌های RAG برای افزایش رضایت کاربران مشاهده شده و باعث کاهش اصطکاک در تعامل با مدل‌های زبانی می‌شود.
در مدل کسب‌وکار، PetMorph از اشتراک‌های اجباری دوری کرده است. در عوض، به کاربران جدید اجازه می‌دهد پس از ثبت‌نام، دو بار به‌صورت رایگان از سرویس استفاده کنند و برای دفعات بعد می‌توانند بسته‌های اعتباری یک‌باره (One-time credit packs) بخرند.
توسعه‌دهندگانی که در حال ساخت ابزارهای رابط (AI Wrappers) هستند باید بررسی کنند که چگونه کاهش بار ذهنی کاربر می‌تواند عملکرد بهتری نسبت به افزودن قابلیت‌های بیشتر به مدل داشته باشد. این رویکرد در واقع نوعی اتوماسیون هوشمند برای جایگزینی وظایف تکراری در لایه رابط کاربری است تا کاربر به‌جای درگیر شدن با جزئیات فنی، مستقیماً به نتیجه برسد. شما می‌توانید این مسیرهای متمایز را در وب‌سایت petmorph.app تست کنید تا ببینید آیا معماری هدف‌محور نسبت به یک جعبه پرامپت بصری‌تر و شهودی‌تر است یا خیر.
گام بعدی شما
- اگر محصولی با هوش مصنوعی می‌سازید، لیست «اهداف کاربر» را جایگزین «جعبه پرامپت» کنید.
- در وب‌سایت petmorph.app بررسی کنید که آیا معماری هدف‌محور نسبت به پرامپت‌نویسی بصری‌تر است یا خیر.
- برای هر مسیر کاربردی، راهنمای آپلود مجزایی بنویسید تا نرخ خطای ورودی کاهش یابد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو