اگر برای اعتبارسنجی ایده‌ی کسب‌وکار خود به هوش مصنوعی تکیه می‌کنید، احتمالاً او دارد به شما دروغ می‌گوید. اکثر مدل‌های پیشرو طوری آموزش دیده‌اند که هر چه کاربر می‌خواهد را تأیید کنند؛ همین «سوگیری بله‌گویی» (Yes-man bias) باعث می‌شود بنیان‌گذاران هفته‌ها زمان و سرمایه خود را روی محصولات معیوب تلف کنند.
در ۱۵ مه ۲۰۲۶، چارچوب جدیدی برای عامل‌های (Agents) — مثل کارمندی که علاوه بر حرف زدن، می‌تواند ابزارها را اجرا کند و کارها را پیش ببرد — در Claude Code معرفی شد تا این مشکل را حل کند. این متد، انضباط حرفه‌ای را مستقیماً در مهندسی پرامپت (Prompt Engineering) — مثل هنرِ نوشتنِ دستورالعمل‌های دقیق برای یک آشپز سخت‌گیر — جای می‌دهد.
همان‌طور که در تحلیل قبلی ما درباره‌ی توانایی Claude Code در مدیریت مخازن کد میلیونی اشاره کردیم، مقیاس‌پذیری تنها نیمی از راه است. در حالی که مدیریت حجم کد مهم است، این الگوی جدید روی «کیفیت تصمیم‌گیری» تمرکز می‌کند و هوش مصنوعی را از یک دستیار مطیع به یک هم‌بنیان سخت‌گیر تبدیل می‌کند که جسارت «نه» گفتن را دارد.
طبق مستندات منتشرشده، این سیستم برای ایجاد اصطکاک هدفمند از سه سازوکار استفاده می‌کند:
- بندهای رد (Refusal Clauses): بخش‌های صریحی در پرامپت که مدل را مجبور به رد کردن موارد خاص می‌کند. مثلاً یک عامل قیمت‌گذاری را مجبور می‌کنند که پیشنهاد «رایگان همیشگی» را بدون مسیر درآمدی مشخص، رد کند.
- معیارهای توقف (Kill Criteria): شرایط سخت‌گیرانه‌ای که بلافاصله حکم «رد» را صادر می‌کنند. اگر برنامه توزیع پروژه فقط «پست در توییتر و امید به شانس» باشد، عامل متوقف شده و شکست پروژه را گزارش می‌دهد.
- قلاب‌های پیش از استفاده از ابزار (PreToolUse Hooks): یک گاردریل فنی که عملیات نوشتن یا ویرایش کد را متوقف می‌کند تا بررسی کند آیا تغییرات با سند MVP-SPEC.md مطابقت دارد یا خیر.
به گزارش نویسنده‌ی این متد، پیاده‌سازی این قوانین باعث شد او تنها در یک هفته، دو ایده‌ی بد را شناسایی و متوقف کند؛ اتفاقی که احتمالاً ۶ هفته زمان توسعه‌ی بیهوده را ذخیره کرد. این یعنی هوش مصنوعی زاینده (Generative AI) اکنون می‌تواند به جای تایید، به عنوان یک «دروازه‌ی کیفیت» عمل کند و شما را مجبور کند پیش از دریافت پاسخ، تکالیف خود — مثل تحلیل رقبا — را انجام دهید.
گام بعدی شما
- یک بخش «Refusal to» با ۳ تا ۵ قانون سخت‌گیرانه به پرامپت‌های عامل‌های خود اضافه کنید.
- برای هر پروژه، یک سند MVP-SPEC.md بنویسید تا عامل شما بتواند خروج از محدوده (Scope Creep) را شناس کند.
- معیارهای توقف (Kill Criteria) را برای مراحل حساس تصمیم‌گیری تعریف کنید.
اما تأثیر این سخت‌گیری بر هزینه‌های استنتاج مدل‌ها موضوع دیگری است؛ به بررسی ما درباره‌ی بهینه‌سازی GPU مراجعه کنید.
گفتگو