تصور کنید پروژه‌ای را تحویل داده‌اید، اما مشتری با یک پیام ساده می‌گوید: «فقط یک تغییر کوچک است، سریع انجامش بده». برای بسیاری از فریلنسرها، همین «تغییرات کوچک» قاتل اصلی سودآوری است که منجر به ساعت‌ها کار رایگان می‌شود. درخواست‌های «تغییر سریع» که پس از اتمام پروژه می‌رسند، بزرگترین عامل کاهش سود پیمانکاران مستقل هستند.
ابزار Scope-Creep Guard که در هفته دوم چالش هوش مصنوعی متن‌باز Hacktoberfest منتشر شد، دقیقاً برای حل این چالش طراحی شده است. این ابزار متن‌باز، فرآیند دشوار و گاهی تنش‌زای اطلاع‌رسانی به مشتری درباره خارج شدن درخواست از محدوده قرارداد و نیاز به پرداخت هزینه اضافی را خودکار می‌کند.
بسیاری از پیمانکاران مستقل در برابر «خزش محدوده» (Scope Creep) تسلیم می‌شوند؛ چون نه توان مواجهه با مشتری را دارند و نه در شرایط فشار، می‌توانند بندهای خاص قرارداد را به یاد آورند. این وضعیت اغلب به ساعت‌ها کار بدون دستمزد منجر می‌شود. یک مثال رایج این است که مشتری پس از اتمام یک وب‌سایت ۳ صفحه‌ای، درخواست کند که یک درگاه پرداخت Razorpay ادغام شود و ۲۵ محصول جدید به سایت اضافه گردد. در حالی که مشتری این درخواست را یک «تغییر کوچک و سریع» (chhota sa quick change) می‌نامد، در واقع این کار می‌تواند به معنای یک روز کامل کاری باشد که در قرارداد پیش‌بینی نشده است. به گزارش توسعه‌دهنده این پروژه، انتقالِ پاسخ «نه» به یک هوش مصنوعی، اصطکاک عاطفی تعیین مرزهای کاری را از بین می‌برد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی عامل‌های هوش مصنوعی متخصص اشاره کردیم، قدرت این ابزارها در تمرکز بر یک مسئله‌ی بسیار خاص است.
مکانیسم محلی-محور (Local-First)
برخلاف ابزارهای ابری، Scope-Creep Guard به صورت محلی و با استفاده از مدل‌های با وزن باز (Open-weight) مدل Gemma از طریق اولاما (Ollama) اجرا می‌شود. این معماری تضمین می‌کند که قراردادهای حقوقی حساس و چت‌های خصوصی مشتریان هرگز لپ‌تاپ کاربر را ترک نکنند. توسعه‌دهنده اشاره کرده است که استفاده از یک API بسته (Closed API)، وعده اصلی حریم خصوصی را می‌شکست، زیرا در آن صورت هر قرارداد باید به سرور شخص دیگری ارسال می‌شد. این رویکرد محلی برای جلوگیری از ریسک‌های امنیتی است، چرا که برخی دستیاران کدنویسی ممکن است کلیدهای API حساس را در تاریخچه چت‌های خود افشا کنند.
ویژگی‌های کلیدی و گردش کار
کاربران محدوده اصلی پروژه (Project Scope) و پیام مشتری را در رابط کاربری وارد می‌کنند و سیستم مراحل زیر را اجرا می‌کند:
- صدور حکم (Verdict Generation): طبقه‌بندی درخواست در یکی از سه حالت «در محدوده» (IN_SCOPE)، «خارج از محدوده» (OUT_OF_SCOPE) یا «نامشخص» (UNCLEAR).
- تطبیق بندها (Clause Matching): شناسایی دقیق جمله‌ای از قرارداد که دلیل تصمیم را توجیه می‌کند.
- تخمین مالی (Financial Estimation): محاسبه ساعت‌های کاری اضافی و مبلغ نهایی بر اساس نرخ ساعتی کاربر. برای مثال، هوش مصنوعی می‌تواند خزش محدوده را حتی در پیام‌های ترکیبی (Hinglish) تشخیص دهد و مبلغی مانند ۱۲,۰۰۰ روپیه برای کارهای اضافی برآورد کند.
- پیش‌نویس پیام (Communication Drafts): تولید سه گزینه متمایز برای پاسخ: «مودبانه»، «قاطع» یا «پیشنهاد دوستانه برای فروش خدمات بیشتر» (Friendly Upsell). این قابلیت یادآور سیستم‌هایی است که گفتگوهای پشتیبانی فنی را به فرصت‌های فروش تبدیل می‌کنند.
- دفتر ثبت درآمد (Revenue Tracking): یک «دفتر کل محدوده» (Scope Ledger) که تعداد درخواست‌های شناسایی شده و مجموع مبالغ بازیابی شده را ردیابی می‌کند.
- صدور دستور تغییر (Change-Order Generation): ایجاد یک پیش‌فاکتور یا کوت (Quote) کوچک برای رسمی کردن درخواست اضافی.
پیاده‌سازی فنی
این اپلیکیشن با Next.js (App Router) و Tailwind CSS ساخته شده و برای ذخیره داده‌های دفتر کل از localStorage مرورگر استفاده می‌کند، بنابراین نیازی به دیتابیس یا سرور خارجی برای نگهداری داده‌ها ندارد. برای جلوگیری از توهم (Hallucination) — یعنی زمانی که مدل با اطمینان چیزی را می‌گوید که وجود ندارد — در پرامپت سیستمی (System Prompt) صراحتاً از مدل خواسته شده که بندهای قرارداد را اختراع نکند. اگر قرارداد درباره موضوعی سکوت کرده باشد، مدل باید حتماً حکم «نامشخص» را برگرداند.
به نقل از تیم توسعه، برای تضمین پایداری، خروجی JSON مدل توسط سرور اعتبارسنجی می‌شود. این خروجی باید شامل حکم، بند تطبیق داده شده، دلیل، ساعت‌ها، هزینه و سه پاسخ باشد. اگر خروجی خراب باشد، سیستم یک بار تلاش می‌کند با یک پرامپت اصلاحی (Repair Prompt) آن را درست کند و در صورت شکست، یک خطای دوستانه نمایش دهد. این منطق اعتبارسنجی و اصلاح توسط تست‌های واحد (Unit Tests) پشتیبانی می‌شود. همچنین این ابزار از ورودی‌های ترکیبی زبانی، به‌ویژه «Hinglish» (ترکیبی از هندی و انگلیسی) که در بازارهای جهانی فریلنسینگ رایج است، پشتیبانی می‌کند.
حالت‌های استقرار (Deployment Modes)
به دلیل اینکه مدل‌های زبانی محلی (Local LLMs) نمی‌توانند مستقیماً روی Vercel اجرا شوند، ابزار در دو حالت کار می‌کند:
- حالت زنده (Live Mode): اتصال به یک نمونه محلی Ollama برای تحلیل در لحظه. در صورت برقراری اتصال، نشان «Ollama Connected» ظاهر می‌شود.
- حالت دمو (Demo Mode): ارائه خروجی‌های پیش‌ضبط شده از مدل Gemma برای نمایش قابلیت‌ها. در این حالت، یک بنر به کاربر اطلاع می‌دهد که نتایج پیش‌ضبط شده را مشاهده می‌کند.
توسعه و تکرار
توسعه این پروژه با کمک Google Antigravity به عنوان یک عامل کدنویسی (Coding Agent) انجام شده است. توسعه‌دهنده ابتدا یک مشخصات (Spec) دقیق شامل شمای JSON و نحوه استقرار ارائه داد و سپس از این عامل برای ساخت و تست اپلیکیشن استفاده کرد. بر اساس بازخوردهای اولیه از یک دوست توسعه‌دهنده وب، چندین بهبود اعمال شد. کاربرانی اشاره کرده بودند که در مورد وارد کردن «کل گفتگو» یا «یک پیام واحد» دچار سردرگمی هستند؛ در نتیجه، توسعه‌دهنده دستورالعمل‌های ورودی شفاف‌تر و راهنمایی‌هایی برای ارائه محدوده اصلی پروژه جهت مقایسه بهتر اضافه کرد.
تأثیر بر اقتصاد فریلنسینگ
برای پیمانکاران تک‌نفره و استودیوهای کوچک که روی پروژه‌های با قیمت ثابت (Fixed-price) کار می‌کنند، این ابزار یک چالش روان‌شناختی را به یک فرآیند تجاری داده‌محور تبدیل می‌کند. با کمی کردن هزینه «تغییرات کوچک»، فریلنسرها می‌توانند از کار رایگان به سمت دستورات تغییر قابل پرداخت (Billable Change Orders) حرکت کنند.
نوآوری باز هسته اصلی ارزش این ابزار است. از آنجایی که پروژه تحت لایسنس MIT است، مزایای زیر را به همراه دارد:
- حریم خصوصی: قراردادها در حالت Live هرگز دستگاه را ترک نمی‌کنند.
- هزینه صفر: نبود هزینه‌های API برای هر درخواست، که برای افراد مبتدی حیاتی است.
- قابلیت آفلاین: اجرای کامل مدل روی سخت‌افزار محلی.
- انعطاف‌پذیری: امکان تعویض مدل از طریق فایل
.envیا تنظیم دقیق (Fine-tuning) مدل Gemma روی سبک قراردادهای شخصی کاربر.
این چرخش به سمت عامل‌های محلی و تخصصی نشان می‌دهد که هوش مصنوعی در حال تبدیل شدن از یک دستیار خلاق به یک «نرده ایمنی» برای عملیات تجاری و محافظت از مرزهای حرفه‌ای است.
برای شروع، کاربران می‌توانند Ollama را نصب کرده، مدل Gemma را دریافت کنند و پروژه را از طریق دستورات npm install && npm run dev اجرا نمایند. همچنین می‌توانید منطق ابزار را بلافاصله از طریق سایت دموی Vercel تست کنید یا ویدئوی راهنمای ۶۰ ثانیه‌ای آن را مشاهده نمایید.
گام بعدی شما
- نصب Ollama و دریافت مدل Gemma برای اجرای محلی ابزار.
- بررسی دمو در Vercel برای تست منطق شناسایی Scope Creep.
- شخصی‌سازی فایل
.envبرای تغییر مدل متناسب با سخت‌افزار خود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو