اگر در حال ساخت عامل‌های هوش مصنوعی هستید، آموزش آن‌ها بر اساس «چه کاری انجام دهند» یک استراتژی شکست‌خورده است. باید بدانید که تمرکز صرف بر رفتار، مدل را در برابر تغییرات شکننده می‌کند و باعث لغزش عامل می‌شود.
این تغییر رویکرد درست زمانی رخ می‌دهد که Anthropic در ۸ می ۲۰۲۶ مقاله «آموزش چراها به کلود» را منتشر کرد. همان‌طور که در تحلیل قبلی ما درباره‌ی مقیاس‌پذیری Claude Code اشاره کردیم، درک «چراها» پایداری بیشتری ایجاد می‌کند. در واقع، مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — باید اصول اخلاقی و منطقی را درونی کند، نه فقط تقلید رفتار.
Soul Spec برای عملیاتی کردن این ایده، از یک سیستم پنج‌فایلی در قالب مارک‌داون استفاده می‌کند. طبق مستندات این پروژه، این ساختار شامل فایل‌های SOUL.md برای ارزش‌ها و مرزها، AGENTS.md برای قوانین کاری و IDENTITY.md برای تثبیت شخصیت است. به نقل از گزارش dev.to، آموزش مدل کلود روی ۳ میلیون توکن از گفتگوهای «توصیه‌های دشوار»، نرخ عدم همراستاسازی (Alignment) را به نزدیکی صفر رساند. همچنین ابزار SoulScan با ۵۸ قانون سخت‌گیرانه، سلامت این مشخصات را بررسی می‌کند تا از نشت اطلاعات پیش‌آموزشی جلوگیری کند.
این تحول، توسعه‌ی هوش مصنوعی را از «پرامپت‌نویسی» — که بیشتر شبیه به یک هنر تجربی است — به «مشخصات فنی» منتقل می‌کند که ماهیتی مهندسی دارد. حالا شخصیت یک مدل، شبیه به یک فایل تنظیمات است که می‌توان آن را نسخه‌بندی کرد. این یعنی رفتار مدل در یک اپلیکیشن موبایل یا محیط خط فرمان، دقیقاً یکسان خواهد بود و اثرات تنظیم دقیق (Fine-tuning) — که مثل دادن تخصص پوست به یک پزشک عمومی است — دیگر باعث پاک شدن دستورالعمل‌های اصلی نمی‌شود.
گام بعدی شما
- ابزار SoulScan را در گیت‌هاب تست کنید تا متوجه شوید آیا شخصیت مدل شما دچار نشت اطلاعات می‌شود یا خیر.
- سعی کنید اصول (Why) را از دستورالعمل‌های اجرایی (What) در فایل‌های مجزا بنویسید.
- به دنبال به‌روزرسانی‌های Anthropic در مورد مدل‌های استدلالی باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو