تصور کنید یک طراح وب مستقل هستید که ایمیلی مبهم از مشتری دریافت کرده و حالا باید بدون ریسکِ ضرر مالی، برای آن قیمت بدهد. ScopeKit دقیقاً برای همین لحظه طراحی شده تا ایمیل‌های پراکنده را در چند ثانیه به یک پیشنهاد رسمی در قالب Markdown تبدیل کند. در حالی که اکثر ابزارهای هوش مصنوعی نیازمند ارسال داده‌های حساس مشتری به ابر (Cloud) هستند، این ابزار به‌صورت کاملاً محلی عمل می‌کند.
طبق گزارش منتشر شده در ۱۵ اکتبر ۲۰۲۶، این ابزار از مدل Gemma 3 1B استفاده می‌کند تا خروجی‌های نهایی (Deliverables)، پیش‌فرض‌ها و موارد خارج از قرارداد (Exclusions) را از دل متون غیررسمی استخراج کند. این رویکرد، امنیت داده‌ها را تضمین می‌کند زیرا تمام پردازش‌ها به‌صورت محلی انجام می‌شود و اطلاعات حساس مشتری هرگز به سرورهای خارجی ارسال نمی‌شود.
همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهای مدیریت محدوده پروژه اشاره کردیم، بزرگ‌ترین کابوس فریلنسرها «تغییر محدوده» یا Scope Creep است؛ یعنی وقتی مشتری یک «سایت ساده» می‌خواهد اما در میانه راه، درگاه پرداخت و بهینه‌سازی موبایل را هم رایگان انتظار دارد. ScopeKit با تبدیل مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به یک دستیار استخراج، این ابهام را در همان ابتدای چرخه پروژه از بین می‌برد. این ابزار دقیقاً روی گفتگوهای طولانی درباره اینکه چه صفحاتی نیاز است، چه کسی عکس‌ها را تامین می‌کند و آیا فرم تماس شامل ارسال ایمیل هست یا خیر، تمرکز دارد.
به نقل از گزارش dev.to، این ابزار از طریق Ollama به عنوان یک میز کار محلی اجرا می‌شود و یک خط لوله (Pipeline) سخت‌گیرانه را دنبال می‌کند: دریافت متن مشتری $\rightarrow$ پردازش توسط Gemma $\rightarrow$ اعتبارسنجی و پیوند به منبع $\rightarrow$ بازبینی انسانی $\rightarrow$ محاسبه قیمت $\rightarrow$ خروجی Markdown. این رویکرد بهینه‌سازی جریان کاری، یادآور راهکارهای مشابهی است که در اتوماسیون بازاریابی با مدل‌های زبانی برای شخصی‌سازی واقعی بررسی کردیم.
زمینه و مدل کسب‌وکار
این پروژه در چارچوب چالش هفته دوم Hacktoberfest با موضوع «کسب‌وکارهای جانبی» (Side Hustle) توسعه یافته است. ScopeKit راه‌اندازی شده تا بیش از آنکه به مقیاس فکر کند، بر کاربردی بودن تمرکز کند. این ابزار عمداً کوچک طراحی شده و هیچ سیستم حساب کاربری یا پایگاه داده‌ای برای مشتریان ندارد؛ تمام محتوای در حال کار در حافظه موقت (Memory) می‌ماند و تنها ترجیحات ظاهری در مرورگر ذخیره می‌شوند.
توسعه‌دهنده پروژه در حال حاضر آن را به‌صورت متن‌باز عرضه کرده است، اما احتمال تبدیل آن به یک سرویس پولی را به عنوان یک فرضیه بررسی می‌کند. این مدل تجاری احتمالی شامل نصب و سفارشی‌سازی یک گردش کار پیشنهاد قیمت برند شده (Branded Proposal Workflow) برای استودیوهای طراحی خواهد بود. تا این لحظه، توسعه‌دهنده هیچ درآمدی ثبت نکرده و تمایل کاربران به پرداخت برای نسخه‌ی سفارشی‌سازی شده را آزمایش نکرده است. این تلاش برای کاهش هزینه‌های عملیاتی با جایگزینی SaaS با خط لوله پایتون برای کاهش هزینه جذب لید هم‌سو است.
معماری فنی و حفاظ‌ها
برای جلوگیری از توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — توسعه‌دهنده یک مکانیزم ردیابی (Traceability Heuristic) پیاده کرده است. در نسخه‌های اولیه، از مدل خواسته می‌شد نقل‌قول‌های پشتیبان تولید کند، اما مدل گاهی آن‌ها را اختراع می‌کرد یا بخش‌های نامرتبط را انتخاب می‌کرد. در نسخه نهایی، این مرحله مکانیکی به کد منتقل شد: Gemma وظایف را پیشنهاد می‌دهد و سرور با استفاده از هم‌پوشانی کلمات کلیدی و نام‌های مستعار (مانند «تلفن/موبایل»)، دقیق‌ترین بخش متن را به آن می‌چسباند.
مشخصات فنی کلیدی عبارتند از:
- مدل: Gemma 3 1B که از طریق API چت اولاما با محدودیت‌های طرح‌واره (Schema-constrained) اجرا می‌شود. دستورالعمل‌ها و متون مشتری برای مطابقت با ساختار پرامپت Gemma، در قالب نوبت‌های کاربر (User Turn) ارسال می‌شوند.
- فرانت‌اند: HTML، CSS و جاوااسکریپت ساده بدون ابزارهای Build. این بخش دارای تم‌های روشن، تاریک و سیستمی، قابلیت پیمایش با کیبورد و چیدمان‌های واکنش‌گرا (Responsive) است.
- بک‌اند: سرور پایتون با استفاده از کتابخانه استاندارد برای مدیریت اعتبارسنجی، قیمت‌گذاری و اتصال محلی به Ollama. برای جلوگیری از خطاهای محاسباتی در مسائل مالی، از کتابخانه Decimal پایتون استفاده شده است.
- تست: ۱۹ تست خودکار شامل یک سرور شبیه‌ساز (Mock) Ollama و GitHub Actions برای CI در محیط‌های ویندوز و لینوکس. تمام ۱۹ تست اعتبارسنجی محلی و یکپارچگی HTTP با موفقیت پاس شده‌اند.
- لایسنس: اپلیکیشن تحت مجوز MIT است، اما وزن‌های مدل تابع قوانین مجزای Google Gemma هستند.
جزئیات گردش کار
در یک دموی ۲۸ ثانیه‌ای برای یک گل‌فروشی خیالی، ابزار مورد آزمایش قرار گرفت. متن مشتری درخواست یک سایت تک‌صفحه‌ای، گالری دسته‌گل عروسی، فرم تماس و سازگاری با موبایل را داشت.
- استخراج AI: مدل به‌درستی وب‌سایت، گالری و فرم تماس را شناسایی کرد. همچنین سوالات خاص، پیش‌فرض‌ها و موارد خارج از قرارداد را پیشنهاد داد.
- شکاف بازبینی: مدل در ابتدا کل پروژه را تنها ۲ ساعت تخمین زد؛ همین‌جا اهمیت بازبینی انسانی به عنوان بخشی اجباری از گردش کار مشخص می‌شود.
- اصلاح دستی: در این دمو، کاربر به‌صورت دستی ساعات کاری را به ۵، ۳ و ۳ ساعت تغییر داد.
- محاسبات مالی: با نرخ ۵۰ دلار در ساعت و ۱۵٪ هزینه پیش‌بینی نشده (Contingency)، تخمین نهایی ۶۳۲.۵۰ دلار شد که مبلغ ۳۱۶.۲۵ دلار به عنوان پیش‌پرداخت (Deposit) تعیین گردید.
- بهبود نهایی: مدل عبارت «واکنش‌گرایی موبایل فراتر از سازگاری پایه با تلفن» را در بخش موارد خارج از قرارداد قرار داد. چون مشتری صراحتاً پشتیبانی از تلفن را خواسته بود، کاربر باید این عبارت را پیش از ارسال پیشنهاد، شفاف‌سازی کند.
این جداسازی وظایف حیاتی است. هوش مصنوعی استخراج وظایف را بر عهده دارد، اما بک‌اند پایتون مسئول مدیریت پول است. این امر تضمین می‌کند که خطاهای گرد کردن یا شکست‌های ریاضی LLM وارد یک قرارداد قانونی نشود. پاسخ‌هایی که به‌صورت دستی ویرایش شده‌اند، حتی پس از تغییر قیمت‌ها باقی می‌مانند، هرچند سیستم یادآوری می‌کند که اعداد را مجدداً بررسی کنید.
برای جامعه فریلنسرها، این رویکرد نشان‌دهنده حرکتی به سمت «هوش مصنوعی قابل تایید» است. با اجبار مدل به پیوند دادن هر وظیفه پیشنهادی به یک جمله مشخص در متن مشتری، اعتماد کورکورانه به LLM برای منطق تجاری حذف می‌شود. این رویکرد بر اساس تحقیقات جامعه AI Explore درباره تفاوت بین «سینتکس قابل تجزیه» و «معناشناسی قابل اعتماد» شکل گرفته است. این تمرکز بر افزایش نرخ تبدیل و دقت در ارتباطات، مشابه آنچه در بهبود نرخ پاسخ‌دهی ایمیل‌ها توسط عامل‌های Torment Nexus مشاهده شد، است.
علاوه بر این، استفاده از مدل‌های وزن‌های باز (Open Weights) — یعنی دستور پخت مدل علناً منتشر شده — به کاربر اجازه می‌دهد مالک کامل گردش کار باشد. پس از دانلود مدل، ScopeKit می‌تواند کاملاً آفلاین کار کند. هیچ کلید API، پرداخت به ازای هر درخواست و هیچ ریسکی مبنی بر آموزش مدل‌های شرکت‌های ثالث روی شرایط تجاری خصوصی وجود ندارد. مدل در اینجا قطعه‌ای جایگزین‌پذیر از یک گردش کار است که محاسبات و فرمت‌های خروجی آن کاملاً قابل بازرسی است.
گام بعدی شما
- اگر فریلنسر هستید، می‌توانید با کلون کردن مخزن GitHub تحت مجوز MIT و دریافت مدل
gemma3:1bاز طریق Ollama، این ابزار را امتحان کنید. - کاربران ویندوز می‌توانند از فایل
start.cmdبرای اجرای سریع استفاده کنند. - برای کسانی که مدل نصب‌شده ندارند، گزینه «Try an example» امکان بررسی ویرایش و خروجی گرفتن را با استفاده از یک نمونه برچسب‌گذاری شده فراهم می‌کند.
اما برای کسانی که به دنبال مدل‌های قدرتمندتر در محیط محلی هستند، بررسی قابلیت‌های Llama 3.1 در مدیریت پروژه‌های پیچیده گام بعدی است.
گفتگو