اگر امروز یک ناوگان از عامل‌های هوش مصنوعی مدیریت می‌کنید، احتمالاً با این کابوس روبروستید که هر قابلیت جدید یعنی درگیری با کلیدهای API، خط لوله‌های استقرار (Deployment Pipelines) و تداخلات نسخه‌بندی. تصور کنید دنیایی را که در آن یک عامل (Agent) می‌تواند مهارت جدید را مثل دانلود یک فایل متنی ساده، در کمتر از یک ثانیه جذب کند.
طبق اعلام Sol AI، گلوگاه رشد عامل‌های هوشمند نه در میزبان، بلکه در «قراردادها» (Convention) است. برای اکثر توسعه‌دهندگان، ایده یک «پلاگین برای عامل» تصاویری از کلیدهای API پیچیده و تضادهای نسخه‌ای را تداعی می‌کند. واقعیت این است که اگر عامل‌ها راهی استاندارد برای درک یک ابزار جدید پیدا نکنند، نمی‌توانند از آن استفاده کنند. این شرکت با معرفی یک بازار مهارت‌ها (Skills Marketplace) در آدرس thesolai.github.io/skills/، ثابت کرد که می‌توان بدون نیاز به دیتابیس یا بک‌اندهای پیچیده، اکوسیستمی برای توزیع قابلیت‌ها ساخت و نشان داد که مهارت‌ها را می‌توان به جای استقرار نرم‌افزاری سنتی، به عنوان فایل‌های پیکربندی (Configuration Files) مدیریت کرد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی پروتکل‌های ارتباطی مدل‌ها اشاره کردیم، استانداردسازی لایه‌ی ابزاری، کلید تبدیل مدل‌های زبانی به عامل‌های عملیاتی است. در اینجا Sol AI مهارت‌ها را نه به عنوان نرم‌افزار، بلکه به عنوان فایل‌های پیکربندی می‌بیند.
به نقل از راهنمای فنی این پلتفرم، هر مهارت در واقع یک قطعه نرم‌افزاری سنتی نیست، بلکه مجموعه‌ای بسته‌بندی شده از دستورالعمل‌هاست که دامنهٔ عملیاتی عامل را گسترش می‌دهد. تمام این مدل داده روی یک «مانیفست» (Manifest) واحد استوار است. برای مثال، مهارت email-agent در نسخه ۱.۲.۰ از یک مانیفست برای تعریف هدف خود یعنی خواندن، فیلتر کردن و پیش‌نویس پاسخ‌های ایمیل در یک بازه زمانی مشخص (Schedule) استفاده می‌کند.
این مانیفست از چهار رکن اصلی تشکیل شده است:
- محرک‌ها (Triggers): عبارات یا رویدادهای خاصی (مانند «ایمیل‌ها را چک کن»، «اینباکس را پردازش کن» یا «خلاصه ایمیل») که باعث فعال شدن مهارت می‌شوند.
- قابلیت‌ها (Capabilities): ابزارهای واقعی که به آن‌ها دسترسی پیدا می‌شود، مانند
imap_readبرای خواندن،smtp_sendبرای ارسال یاdraft_generationبرای تولید پیش‌نویس. - وابستگی‌ها (Dependencies): پیش‌نیازهای خارجی مورد نیاز برای اجرا؛ برای نمونه، ابزار himalaya CLI برای پردازش ایمیل‌ها در این بخش ذکر می‌شود.
- دستورالعمل‌ها (Instructions): یک توالی منطقی کوتاه که به عامل می‌گوید دقیقاً چگونه وظیفه را اجرا کند. در مورد عامل ایمیل، این شامل خواندن ایمیل‌های خوانده‌نشده، طبقه‌بندی آن‌ها بر اساس نوع فرستنده و ذخیره پیش‌نویس‌های با اولویت بالا برای بازبینی انسانی است.
معماری این بازار بر پایه یک صفحه استاتیک Jekyll بنا شده است تا از پیچیدگی‌های دیتابیس دور بماند. این سیستم با استفاده از یک فایل registry.json برای فهرست‌بندی مهارت‌ها، از پیچیدگی‌های متکی به دیتابیس اجتناب می‌کند. این دفتر کل شامل متاداده‌هایی مثل مسیر فایل مهارت، دسته‌بندی (بهره‌وری، توسعه، پژوهش، ارتباطات یا داده)، تگ‌ها، امتیاز و تعداد نصب است.
برای نمونه، این رجیستری مهارت code-review را با امتیاز ۴.۹ و ۸۹ نصب، و مهارت email-agent را با امتیاز ۴.۷ و ۱۴۲ نصب ردیابی می‌کند. این نوع معماری در توسعه‌ی ابزارهای تخصصی حیاتی است، زیرا همان‌طور که در بررسی شکست عامل‌های کدنویس در مقیاس صنعتی دیدیم، فقدان درک محیطی و ساختاری در مواجهه با پروژه‌های واقعی منجر به ناکارآمدی مدل‌ها می‌شود. ساختار پوشه‌ها کاملاً تخت و ساده نگه داشته شده است:
skills/index.html: رابط کاربری (UI) بازار مهارت‌ها.registry.json: دفتر کل اصلی مهارت‌ها.- پوشه‌های مجزا (مانند
email-agent/،code-review/وresearch-assistant/) که هر کدام حاوی یک فایلSKILL.mdبرای دستورالعمل‌های عامل و یک فایلconfig.yamlبرای پیکربندی کاربر هستند.
فرآیند نصب توسط یک اسکریپت پایتونی (install_skill.py) مدیریت می‌شود که فایل SKILL.md را می‌خواند و محرک‌ها را در زمان اجرا (Runtime) با عامل ثبت می‌کند. این عملیات در مسیر .openclaw/skills ذخیره می‌شود (مثلاً با نوشتن یک فایل JSON شامل تاریخ نصب مانند ۲۰۲۶-۰۶-۲۹). این یعنی عامل بدون نیاز به ری‌استارت سیستم، توانایی جدید را به دست می‌آورد و کل این فرآیند در کمتر از یک ثانیه انجام می‌شود.
توسعه‌دهندگان این پلتفرم پس از ساخت ۳۹ مهارت، به الگوهای حیاتی برای موفقیت رسیدند. آن‌ها دریافتند محرک‌های مبهم مثل «ایمیل را چک کن» (Check email) اغلب شکست می‌خورند، اما عبارات دقیق مانند «ایمیل‌هایم را خلاصه کن» (Summarize my emails) به طور مداوم جواب می‌دهند. توصیه می‌شود برای پوشش دادن نحوه بیان طبیعی انسان‌ها، ۳ تا ۵ مدل عبارت متنوع برای هر محرک تعریف شود.
یک محدودیت کلیدی دیگر، طول دستورالعمل است. بر اساس بررسی‌های Sol AI، اگر فایل SKILL.md بیش از ۲۰۰ کلمه شود، «توجه» (Attention) عامل به شدت افت می‌کند. برای مقابله با این موضوع، توسعه‌دهندگان باید تنها منطق ضروری را بنویسند و اجازه دهند استدلال (Reasoning) ذاتی مدل، شکاف‌های باقی‌مانده را پر کند.
مدیریت خطا نیز باید صریح و دقیق باشد. به جای اینکه عامل در زمان وقوع «تایم-اوت» (Timeout) حدس بزند چه کند، مانیفست باید دستور مستقیم بدهد: «اگر اتصال IMAP با خطا مواجه شد، ۳۰ ثانیه صبر کن و یک‌بار دیگر تلاش کن؛ اگر باز هم شکست خورد، خطا را ثبت و به کاربر گزارش بده».
برای مشارکت‌کنندگان (Contributors)، افزودن یک مهارت جدید از یک گردش‌کار ساده مبتنی بر Git پیروی می‌کند. آن‌ها توالی دستورات مشخصی را اجرا می‌کنند: ابتدا با mkdir پوشه مهارت جدید را می‌سازند، فایل‌های SKILL.md و config.yaml را می‌نویسند و در نهایت فایل _data/skills.json را به‌روزرسانی می‌کنند و سپس آن را از طریق یک Pull Request ارسال می‌کنند.
پس از ادغام (Merge)، مهارت بلافاصله از طریق رابط کاربری استاتیک در دسترس قرار می‌گیرد. فرانت‌اند این سایت از جاوااسکریپت سمت کلاینت برای جستجو و فیلتر استفاده می‌کند. تابع filterSkills قابلیت مشاهده را بر اساس ویژگی data-category تغییر می‌دهد و تابع searchSkills یک جستجوی متنی بدون حساسیت به حروف کوچک و بزرگ را روی تمام کارت‌های مهارت انجام می‌دهد، بدون اینکه نیاز به درخواست مجدد از سرور باشد.
این رویکرد، ارزش را از زیرساخت بازار به خودِ «قرارداد» منتقل می‌کند. با استانداردسازی فرمت SKILL.md و سیستم محرک‌ها، قابلیت‌ها در هر محیطی که این فرمت را بشناسد، قابل انتقال (Portable) می‌شوند. همچنین طرحواره (Schema) پیکربندی، اصطکاک را به حداقل می‌رساند؛ برای مثال، عامل ایمیل تنها به یک رشته برای imap_host نیاز دارد و یک پورت پیش‌فرض smtp_port با مقدار ۵۸۷ را ارائه می‌دهد.
برای کاربر نهایی، این به معنای کاهش شدید پیچیدگی است. Sol AI با به حداقل رساندن فیلدهای پیکربندی مورد نیاز و ارائه پیش‌فرض‌های هوشمند، موانعی را که معمولاً کاربران را از گسترش کاربرد هوش مصنوعی خود باز می‌دارد، حذف کرده است. این اتوماسیون در سطح مهارت‌ها می‌تواند منجر به نتایج تجاری ملموسی شود؛ به طور مشابه، تجربیات ثبت شده در گردش‌کارهای بازاریابی نشان داده است که بهینه‌سازی دقیق وظایف عامل‌ها می‌تواند بازگشت سرمایه را تا بیش از ۵ برابر افزایش دهد.
اگر از عامل‌های متصل به ابزار استفاده می‌کنید، ساختار فراخوانی توابع خود را با مدل مانیفست-محور Sol AI مقایسه کنید تا نقاط صلب (Rigid) معماری‌تان را بیابید. انتقال به یک سیستم کشف مانیفست-محور می‌تواند به عامل‌های شما اجازه دهد تا مهارت‌های خود را در لحظه و بدون تغییر حتی یک خط از کد اصلی تکامل دهند. بازار مهارت‌های Sol AI در حال حاضر فعال است و پذیرای مشارکت‌های جدید است.
گام بعدی شما
- اگر از عامل‌های متصل به ابزار استفاده می‌کنید، ساختار فراخوانی توابع خود را با مدل مانیفست-محور Sol AI مقایسه کنید تا نقاط صلب (Rigid) معماری‌تان را بیابید.
- برای بهینه‌سازی قابلیت‌ها، دستورالعمل‌های هر ابزار را به زیر ۲۰۰ کلمه برسانید تا نرخ موفقیت استنتاج مدل بالا برود.
- در تعریف محرک‌ها (Triggers)، به جای یک عبارت، لیستی از ۵ عبارت متداول انسانی را جایگزین کنید.
اما این سادگی در توزیع مهارت‌ها، چالش‌های جدیدی را در امنیت زنجیره تأمین ایجاد می‌کند — در تحلیل ما درباره‌ی «دور زدن حفاظ‌های ورودی» در عامل‌های خودکار بخوانید.
گفتگو