اگر برای هر اجرای ساده‌ی یک عامل هوش مصنوعی، هزینه‌ی توکن‌های تکراری و تأخیرهای طولانی را می‌پردازید، باید بدانید که دوران استدلالِ از-صفر-تا-صد به پایان رسیده است. تصور کنید یک عامل هر بار برای خلاصه‌سازی یک رشته پیام، باید دوباره تمام منطق کار را یاد بگیرد؛ Skillscript این چرخه را می‌شکند.
بر اساس مستندات این پروژه در گیت‌هاب، Skillscript یک زبان اعلامی (Declarative Language) است که به عامل‌ها اجازه می‌دهد رویه‌های یادگرفته‌شده را در قالب کدهای ارزان‌قیمت و قابل اجرا تثبیت کنند. این ابزار تا ۱۲ ژوئیه ۲۰۲۶، تغییری بنیادین در معماری عامل‌ها ایجاد کرده است تا به‌جای «استدلال گذرا» — که منجر به افزایش هزینه، تأخیر و تغییرات رفتاری مدل می‌شود — به سمت ساختارهایی نام‌گذاری‌شده و ترکیب‌پذیر حرکت کنند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی پروتکل‌های ارتباطی مدل‌ها اشاره کردیم، هدف اکنون حذف لایه‌های اضافی در مسیر اجرای دستورات است. این رویکرد مکمل تلاش‌های گسترده‌تر برای انتقال کنترل عامل‌ها از متن‌های ساده به کدهای ماژولار است تا مقیاس‌پذیری سیستم‌ها افزایش یابد.
مشکل اصلی این است که عامل‌های فعلی بستر مناسبی برای ثبت «دانسته‌های عملی» خود ندارند. اکثر زیرساخت‌ها روی حافظه تمرکز دارند و به این سؤال پاسخ می‌دهند که «عامل چه می‌داند»، اما Skillscript با ارائه بستری برای تبدیل رویه‌ها به کدهای ارزان، به سؤال «عامل چه کاری می‌تواند انجام دهد» پاسخ می‌دهد. این یعنی تبدیل یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به یک مجری دقیق که دستورالعمل‌های ثابت را سریعاً اجرا می‌کند. در واقع این مدل سعی می‌کند مشکل تحلیل‌سازهای فنی در هنگام انتقال مهارت‌ها را با استانداردسازی خروجی‌ها حل کند.
معماری «مهارت‌ها»
طبق اعلام توسعه‌دهندگان، Skillscript سه نوع مهارت (Skill) تعریف می‌کند:
- بدون سر (Headless): گردش‌کارهای خودکاری مثل مانیتورهای زمان‌بندی‌شده (Cron) که نتایج را به‌صورت نامتقارن به سیستم‌های دیگر یا انسان می‌فرستند.
- تقویتی (Augmenting): مهارت‌هایی که بستر مدل پیشرو را در لحظه‌ی شروع جلسه آماده می‌کنند (مانند گزارش‌های آغازین یا هشدارها).
- الگو (Template): دستورالعمل‌های بازتولیدپذیری که مدل پیشرو در حین اجرای خود آن‌ها را فراخوانی کرده و اجرا می‌کند.
این دسته‌ها ترکیب‌پذیر هستند. برای مثال، یک مانیتور Headless می‌تواند شرطی را بررسی کرده و نتیجه را به یک مهارت Augmenting بفرستد تا عامل را با بستر مناسب بیدار کند؛ سپس آن عامل از یک مهارت Template برای اجرای نهایی کار استفاده کند.
گرامر اتوماسیون
این زبان صرفاً بر ارکستراسیون یا همان سازمان‌دهی متمرکز است. برخلاف زبان‌های رویه‌ای مثل پایتون یا تایپ‌اسکریپت، Skillscript بر ترکیب فراخوانی‌ها از ابزارها، مدل‌ها و پایگاه‌های داده تأکید دارد. برای داده‌های پیچیده‌تر، عملیات‌های درجه‌اولی مثل emit() برای خروجی‌های تدریجی، $ data_write برای انتقال داده و file_write برای ایجاد فایل تعریف شده است. این ساختار یادآور استراتژی تولید دستورات به جای کد خام است که برای حفظ ساختار فنی اپلیکیشن‌ها در محیط‌های هوشمند به کار می‌رود.
حل «مشکل پایتون»
به نقل از تحلیل‌های فنی پروژه، زبان‌های کامل تورینگ (Turing-complete) برای کدهایی که توسط عامل‌ها نوشته می‌شوند، یک ریسک امنیتی هستند. اسکریپت‌های پایتون می‌توانند هر فراخوانی شبکه‌ای یا دستوری در سیستم‌عامل اجرا کنند که در صورت اشتباه عامل، «حریم تخریب» بزرگی ایجاد می‌کند.
Skillscript را عمداً محدود کرده است. این زبان نمی‌تواند دستورات دلخواه (eval) یا subprocess را اجرا کند و اجازه وارد کردن کدهای نامعلوم را ندارد. این محدودیت، یک محیط ایزوله (Sandbox) ایجاد می‌کند که در آن زبان فقط کارهایی را انجام می‌دهد که «اتصال‌دهنده‌ها» (Connectors) اجازه داده باشند.
ایمنی و مدل اتصال‌دهنده
ایمنی در این سیستم نه از طریق پرامپت، بلکه در سطح زبان اعمال می‌شود:
- لیست‌های مجاز (Allowlists): ابزارهایی مثل
shell()تا زمانی که اپراتور به‌صورت دستی مسیرها یا باینری‌های خاص را تأیید نکند، اجرا نمی‌شوند. - حالت امن (Secured Mode): وقتی
SKILLSCRIPT_SECURED_MODE=trueباشد، فقط مهارت‌هایی که دارای امضای معتبر Ed25519 باشند می‌توانند عملیات اثرگذار انجام دهند. - اعتبارسنجی استاتیک: یک Linter تمام خطاهای ساختاری یا متغیرهای تعریف‌نشده را در زمان نوشتن کد می‌گیرد تا از شکست‌های ناگهانی در محیط عملیاتی جلوگیری شود.
بهینه‌سازی استنتاج: مدل‌های پیشرو در برابر محلی
یکی از حیاتی‌ترین تغییرات، نحوه توزیع مدل‌هاست. در اینجا، استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی و نه دوره آموزش آشپز — بین دو سطح تقسیم می‌شود. مدل پیشرو (Frontier) نقش سازمان‌دهنده را دارد و موارد مبهم را مدیریت می‌کند، اما تکالیف محدود (مثل طبقه‌بندی پیام یا استخراج فیلد) به مدل‌های محلی منتقل می‌شوند. این یعنی داده‌های حساس مشتری در کارهای روتین هرگز از شبکه خارج نمی‌شوند و لایه مدل محلی به مرز اصلی حریم خصوصی تبدیل می‌شود.
ترکیب و «بیدار کردن» عامل‌ها
مهارت‌ها به‌گونه‌ای طراحی شده‌اند که بتوانند یکدیگر را فراخوانی کنند. یک مهارت والد می‌تواند با دستور execute_skill(...) از کتابخانه‌ای از مهارت‌های کاربردی (مثل summarize-thread) استفاده کند. برای بازگرداندن این قابلیت‌ها به کاربر، از AgentConnector استفاده می‌شود که وقتی مانیتوری شرطی را شناس کرد، عامل را از طریق نوتیفیکیشن یا وب‌هوک «بیدار» می‌کند.
جزئیات زیرساخت فنی
- تفکیک قراردادها: پنج قرارداد اصلی شامل
SkillStore(برای پایداری داده)،DataStore(برای پرس‌وجو)،LocalModel(برای استنتاج مدل محلی)،McpConnector(برای ابزارهای خارجی) وAgentConnector(برای تحویل به عامل) وجود دارد. - پروتکل زمینه مدل (MCP): سیستم ابزارهای خود را روی پروتکل MCP در مسیر
/rpcمنتشر می‌کند. این یعنی مدل‌هایی مثل Claude می‌توانند مهارت‌ها به‌طور کامل از طریق شبکه شناسایی و اعتبارسنجی کنند. - ابزارهای CLI: ابزار
skillfileامکاناتی مثلdiagramبرای ترسیم گراف جریان کار (DAG) وreplayبرای اجرای مجدد یک تسک از روی اثرات ضبط‌شده (Trace) را فراهم می‌کند.
استقرار سریع
راه‌اندازی Skillscript شامل نصب runtime از طریق npm، اجرای skillfile init و اتصال سرور MCP به عاملی مانند Claude Code است. برای محیط‌های عملیاتی، استفاده از Docker با تصویر رسمی پروژه توصیه می‌شود تا دسترسی به حجم‌های داده (/data/skills) به‌درستی مدیریت شود.
مثال: بررسی خودکار دیسک
یک مهارت خودکار برای ثبت وضعیت دیسک را در نظر بگیرید: این کد از هدر # Triggers برای زمان‌بندی استفاده می‌کند و با تگ # Autonomous: true اجازه می‌دهد عملیات file_write بدون تأیید هر‌باره انجام شود. البته این کار مستلزم تعریف df در لیست مجاز شل (Shell Allowlist) است.
گام بعدی شما
- اگر از عامل‌های خودکار برای کارهای تکراری استفاده می‌کنید، لیست تسک‌های روتین خود را استخراج کنید تا آن‌ها را به مهارت‌های استاتیک تبدیل کنید.
- پروتکل MCP را در محیط محلی خود تست کنید تا متوجه شوید چگونه مدل‌های پیشرو می‌توانند ابزارهای محلی را مدیریت کنند.
- امنیت لایه اتصال‌دهنده‌ها (Connector) را جایگزین اعتماد کورکورانه به پرامپت‌های ایمنی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو