تصور کنید به جای چت با یک هوش مصنوعی، یک اتاق فکر متشکل از متخصصان داشته باشید که هر کدام نقش دقیقی در پروژه‌ی شما دارند. با تایپ تنها یک کلمه‌ی کلیدی یعنی «Skull»، می‌توانید فرآیند مصاحبه با پروژه و تشکیل یک تیم کامل از عامل‌ها را در محیط Claude Code آغاز کنید.
طبق گزارشی در ۲۶ جولای ۲۰۲۶ در وب‌سایت dev.to، چارچوب Skull یک مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را به تیمی از متخصصان تبدیل می‌کند. در این تیم، عاملی به نام Sentinel نقش نقشه‌بردار پروژه را بر عهده دارد و در کنار او متخصصان برنامه‌ریزی، بازبینی و کنترل کیفیت حضور دارند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، حذف وابستگی به سرورهای خارجی یک گام حیاتی است. برخلاف اکثر چارچوب‌های عامل‌محور (Agentic) که نیازمند تنظیمات پیچیده ابری یا هزینه‌های بالای API هستند، Skull تنها با قرار دادن فایل‌های مارک‌دان (Markdown) در دایرکتوری .claude/ فعال می‌شود. این رویکرد در واقع تکامل یافتگی ساختار دایرکتوری‌محور در Claude Code است که پیش‌تر تأثیر آن بر اتوماسیون جریان‌های کاری توسعه را بررسی کرده بودیم. در این سیستم هیچ پردازشگر پس‌زمینه یا مخزن خارجی وجود ندارد و مدل تا زمانی که کاربر از طریق درخواست‌های دسترسی با آن تعامل نکند، غیرفعال می‌ماند.
جزئیات فنی این معماری عبارت است از:
- اولویت محلی: تمام داده‌ها به صورت متن ساده روی دستگاه کاربر ذخیره می‌شوند.
- پیکربندی صفر: برای راه‌اندازی تیم، نیازی به ساخت حساب کاربری یا مدیریت کلید API نیست.
- نقشه‌برداری پویا: عامل پیشرو ابتدا با کاربر مصاحبه می‌کند تا ابعاد پروژه را بسنجد و سپس نقش‌های تخصصی را تعریف کند.
- کنترل تعاملی: تمام قابلیت‌ها تحت چک‌پوینت‌های امنیتی استاندارد Claude Code اجرا می‌شوند تا هیچ داده‌ای بدون رضایت کاربر از دستگاه خارج نشود.
به نقل از مستندات این پروژه، مدیریت ایمنی در Skull از طریق یک سیستم اختیاری صورت می‌گیرد. کاربران می‌توانند قلاب‌های (Hooks) بخش PreToolUse را فعال کنند تا اقدامات پرخطر — مانند تضعیف مجموعه‌ی تست‌ها یا اجرای دستورات برگشت‌ناپذیر در سرور عملیاتی — به‌طور کامل مسدود شوند.
برای توسعه‌دهندگان، این تغییر به معنای گذار از مهندسی پرامپت (Prompt Engineering) — که هنر سؤال درست پرسیدن است، مثل کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب بگیرد — به سمت «مهندسی محیط» است. شما اکنون با تعریف نقش‌های تیم در فایل‌های محلی، با نیروی کار هوش مصنوعی خود نه به عنوان یک سرویس خارجی، بلکه به عنوان بخشی از کد منبع (Codebase) برخورد می‌کنید.
گام بعدی شما
- مخزن aturzone/Skull را در گیت‌هاب بررسی کنید تا با ساختار پرسوناهای مبتنی بر مارک‌دان آشنا شوید.
- سعی کنید یکی از نقش‌های تخصصی خود (مثلاً بازبین کد) را به صورت یک فایل محلی تعریف کرده و در Claude Code تست کنید.
- بررسی کنید کدام توابع حساس در پروژه‌ی شما نیاز به مسدودسازی از طریق PreToolUse دارند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو