مهندسی دانش در کلود: جایگزینی اسکریپت‌های قطعی با پرامپت‌های شکننده

اگر هنوز برای دریافت پاسخ‌های دقیق از هوش مصنوعی به نوشتن پرامپت‌های طولانی و تکراری متکی هستید، باید بدانید که عصر «حدس زدن» مدل‌ها در حال پایان است. اکنون می‌توانید تخصص‌های پیچیده و استانداردهای سازمانی خود را در قالب فایل‌هایی ذخیره کنید که مدل به‌صورت خودکار و بدون خطا آن‌ها را اجرا می‌کند.

این تحول با معرفی چارچوب مهارت‌ها (Skills) در کلود (Claude) رخ داده است؛ سیستمی که اجازه می‌دهد یک فایل Markdown ساده در یک پوشه خاص، مدل را از یک دستیار عمومی به یک متخصص با قابلیت‌های قطعی تبدیل کند. در واقع، این قابلیت پاسخی است به مشکل «رانش پرامپت» (Prompt Drift)؛ وضعیتی که در آن دستورالعمل‌های طولانی در گفتگوهای مفصل نادیده گرفته می‌شوند یا اثرشان کمرنگ می‌شود. این رویکرد ساختاریافته، یادآور تلاش‌های گسترده‌تر در صنعت برای سازماندهی دانش است، مشابه آنچه در ثبت هزاران مهارت توسط TormentNexus برای پایان دادن به عصر پرامپت‌های یک‌بارمصرف مشاهده کردیم.

همان‌طور که در تحلیل قبلی ما درباره‌ی استفاده‌ی Claude Opus 5.5 از خط لوله‌های کد قطعی برای رندرینگ ویدیو اشاره کردیم، مهارت‌ها همین منطق را به بهره‌وری عمومی می‌آورند. این سیستم به مدل اجازه می‌دهد به جای حدس زدن، اسکریپت‌های مشخصی را برای اندازه‌گیری‌های عینی فراخوانی کند.

کالبدشناسی یک مهارت

به نقل از راهنمای فنی منتشر شده در ۲۸ سپتامبر ۲۰۲۶، هر مهارت به یک فایل SKILL.md نیاز دارد. این فایل از متادیتای YAML در ابتدای سند (frontmatter) برای تعریف نام (حداکثر ۶۴ کاراکتر) و توضیحات (حداکثر ۲۰۰ کاراکتر) استفاده می‌کند.

کلود از این توضیحات به‌عنوان «محرک» یا Trigger استفاده می‌کند. برای مثال، اگر در توضیحات ذکر شده باشد «بررسی کد طبق استانداردهای تیم»، مدل به محض تشخیص درخواست بازبینی کد، این مهارت را بارگذاری می‌کند. اگر توضیحات بیش از حد مبهم باشند یا شبیه به یک شعار تبلیغاتی نوشته شوند، احتمال فعال نشدن مهارت زیاد است. توضیحات باید دقیقاً موقعیت‌هایی را توصیف کنند که مهارت باید در آن‌ها فعال شود، نه اینکه به عنوان یک شعار عمل کنند.

در ادامه این متادیتا، کاربر تخصص واقعی را در قالب Markdown تعریف می‌کند که شامل بخش‌های زیر است:

• محرک‌های فعال‌سازی: سناریوهای خاصی که مهارت باید در آن‌ها به کار رود (مثلاً بررسی Pull Requestها، شناسایی الگوهای ضدساختاری یا پیشنهاد بهبودهای کد).
• استانداردها: قوانین دقیق و جزئی. برای مثال، رعایت PEP 8 برای پایتون یا الزامات خاص برای نوع بازگشتی در TypeScript (مانند ترجیح const بر let، ممنوعیت استفاده از var، استفاده از نام‌های معنادار برای متغیرها، محدود کردن توابع به ۵۰ خط و فایل‌ها به ۳۰۰ خط). در مورد پایتون، این بخش شامل رعایت سخت‌گیرانه PEP 8، استفاده از Type Hint‌ها برای امضای توابع و الزام وجود Docstring برای تمام توابع عمومی با حداکثر پیچیدگی مک‌کیب ۱۰ است.
• الگوهای ضدساختاری (Anti-Patterns): فهرستی از مواردی که مدل باید به آن‌ها اشاره کند و هشدار دهد؛ مواردی مانند «اشیای خدا» (God Objects - کلاس‌هایی که بیش از حد وظیفه دارند)، «اعداد جادویی» (Magic Numbers - ثابت‌های بدون توضیح)، «بهینه‌سازی زودهنگام» (Premature Optimization)، «جهنم کال‌بک‌ها» (Callback Hell - کال‌بک‌های عمیقاً تو در تو) یا «استثناهای بلعیده شده» (Swallowed Exceptions - بلوک‌های catch خالی).
• قالب‌های خروجی: یک ساختار سخت‌گیرانه برای پاسخ‌ها جهت تضمین ثبات در جلسات مختلف. برای یک بازبینی کد، این قالب می‌تواند شامل یک خلاصه (۲ تا ۳ جمله)، مسائل بحرانی (امنیت یا صحت کد)، بهبودها به همراه شماره خط، نکات مثبت (که همیشه باید ذکر شوند) و سطح اولویت (بالا/متوسط/پایین) باشد.

چک‌لیست بازبینی دقیق

برای تضمین خروجی با کیفیت بالا، یک مهارت می‌تواند شامل چک‌لیست خاصی باشد که مدل موظف به دنبال کردن آن است:

• کد از استانداردهای خاص زبان برنامه‌نویسی پیروی می‌کند
• توابع دارای هدف واضح و واحد هستند
• هیچ مشکل امنیتی آشکاری وجود ندارد (مانند SQL injection یا XSS)
• مدیریت خطاها مناسب است
• نوشتن تست برای این کد آسان است
• کد خود-مستند است یا دارای کامنت‌های ضروری است

نصب و استقرار

طبق مستندات آنتروپیک، نحوه استقرار این مهارت‌ها بسته به رابط کاربری متفاوت است. برای Claude.ai و اپلیکیشن دسکتاپ، کاربران باید پوشه مهارت را (به طوری که پوشه مهارت ریشه باشد) زیپ کرده و از طریق منوی Customize آپلود کنند. این کار مستلزم آن است که قابلیت «اجرای کد» (code execution) در تنظیمات حساب فعال باشد. اگر گزینه آپلود مشاهده نمی‌شود، کاربر باید ابتدا تنظیمات خود را بررسی کند. لازم به ذکر است که مکان منو از زمان عرضه تغییر کرده است و کاربران باید برای مشاهده اسکرین‌شات‌های به‌روز به راهنمای مهارت‌های سفارشی آنتروپیک مراجعه کنند.

برای Claude Code، فرآیند مبتنی بر دیسک است. کاربران می‌توانند مهارت‌ها را در دو مکان ذخیره کنند:

• مسیر .claude/skills/[skill-name]/ در داخل یک مخزن (Repository) خاص برای مهارت‌های سطح پروژه که با تمام کسانی که مخزن را کلون می‌کنند به اشتراک گذاشته می‌شود.
• مسیر ~/.claude/skills/[skill-name]/ برای مهارت‌های شخصی که در تمام پروژه‌های روی آن ماشین در دسترس هستند.

تست مهارت‌ها به دو روش توصیه می‌شود: اول، درخواست تسکی که با توضیحات مهارت مطابقت دارد تا ببینید آیا کلود بارگذاری مهارت را گزارش می‌کند یا خیر؛ دوم، در Claude Code، فراخوانی مستقیم با دستور / (مثلاً /code-review). برای اعتبارسنجی واقعی، کاربر باید یک جلسه جدید را با مهارت غیرفعال شروع کند و خروجی را با جلسه‌ای که مهارت در آن فعال است مقایسه کند. اگر تفاوتی در کیفیت نبود، دستورالعمل‌ها نیاز به بازنگری دارند.

افزودن قدرت قطعی (Deterministic Power)

یکی از قدرتمندترین ویژگی‌های مهارت‌ها، امکان گنجاندن اسکریپت‌های اجرایی در یک زیرپوشه به نام scripts/ است. در حالی که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — ماهیتی احتمالی دارند، اما اسکریپت‌ها قطعی هستند.

برای مثال، یک مهارت بازبینی کد می‌تواند شامل یک اسکریپت پایتون باشد که پیچیدگی مک‌کیب را محاسبه می‌کند. به جای اینکه مدل «حدس بزند» یک تابع بیش از حد پیچیده است یا خیر، دستور python scripts/complexity_checker.py <file_path> را اجرا می‌کند تا یک عدد عینی به دست آورد. این کار مانع از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره را اشتباه تعریف می‌کند — در گزارش‌های فنی می‌شود و تضمین می‌کند بازبینی بر اساس داده‌های سخت است. این رویکرد برای حذف توهمات در محیط‌های توسعه بسیار حیاتی است، مشابه راهکاری که پلاگین‌های رسمی یونیتی برای متوقف کردن توهمات کدنویسی عامل‌های هوش مصنوعی به کار گرفته‌اند.

پیاده‌سازی فنی اسکریپت‌ها:

• منطق اسکریپت: یک بررسی‌کننده پیچیدگی ممکن است از ماژول ast برای تجزیه کد و شمارش نقاط تصمیم‌گیری (If, While, For, ExceptHandler, With) استفاده کند تا حداکثر پیچیدگی را تعیین کند. همچنین می‌تواند تعداد توابع، کلاس‌ها و کل خطوط کد را ردیابی کند.
• یکپارچه‌سازی: فایل SKILL.md به‌روزرسانی می‌شود تا در بخش «ابزارهای موجود» (Tools Available) به این اسکریپت اشاره کند. این کار به کلود اجازه می‌دهد تحلیل را به‌طور خودکار و بدون درخواست صریح کاربر اجرا کند.
• کارایی: این روش به کلود اجازه می‌دهد بدون بارگذاری کل منطق اسکریپت در زمینه گفتگو (Context)، به معیارهای عینی دست یابد.

کاربردهای سازمانی در دنیای واقعی

شرکت‌ها در حال حاضر از این قابلیت برای اتوماسیون جریان‌های کاری حساس استفاده می‌کنند:

مثال‌های صنعتی:

• Rakuten: این غول تجارت الکترونیک مهارت‌هایی برای جریان‌های کاری حسابداری مدیریت ایجاد کرده و عملیات مالی را که پیش از این نیاز به هماهنگی دستی بین دپارتمان‌ها داشت، خودکار کرده است.
• Box: این شرکت مدیریت محتوای سازمانی از مهارت‌ها برای تبدیل فایل‌های ذخیره شده به ارائه‌ها، صفحات گسترده و اسناد Word استفاده می‌کند که به‌طور خودکار از استانداردهای برندینگ سازمان پیروی می‌کنند. این قابلیت‌ها در راستای استراتژی گسترده‌تر آنتروپیک برای ورود به بازار بهره‌وری است، همان‌طور که در ادغام ابزارهای تولید سند و اسلاید برای رقابت با گوگل ورک‌اسپیس مشاهده شد.
• خدمات مالی: شرکت‌ها در حال کدگذاری مدل‌های جریان نقدی تنزیل‌شده (DCF)، تحلیل شرکت‌های مشابه، جریان‌های کاری بررسی دقیق (Due Diligence) و گزارش‌های آغاز پوشش تحلیلی در قالب مهارت‌ها هستند. این امر تضمین می‌کند که تحلیلگران تازه‌کار دقیقاً از همان متدولوژی ارشدها پیروی کنند و تفاوت‌های معمول در پرامپت‌نویسی دستی حذف شود.

موردهای کاربردی برای مدیران فنی (CTO):
فراتر از غول‌های صنعتی، مهارت‌های تخصصی می‌توانند نقاط درد مدیریتی را حل کنند:

• مستندسازی معماری: کدگذاری قالب‌هایی برای مقدمه، الزامات، محدودیت‌ها و گزینه‌ها، و همچنین قراردادهای نمودارهای Mermaid. این کار می‌تواند زمان ایجاد مستندات را از ۲ ساعت به ۳۰ دقیقه کاهش دهد.
• برنامه‌ریزی اسپرینت: استفاده از مهارت برای کدگذاری قالب‌های تیکت جیرا (فرمت عنوان، ساختار توضیحات، معیارهای پذیرش) و قراردادهای تخمین تیم. در ترکیب با MCP (اتصال به جیرا)، این قابلیت اجازه ایجاد خودکار تیکت‌های آماده برای تخصیص را می‌دهد.
• مصاحبه‌های فنی: ایجاد مهارتی با بانک سوالات بر اساس سطح دشواری، روباریک ارزیابی، سوالات تکمیلی بر اساس پاسخ‌های کاندیدا و قالب یادداشت‌برداری برای تضمین مقایسه عادلانه بین متقاضیان.

الگوهای پیشرفته و تله‌ها

کاربران باتجربه اکنون در حال پیاده‌سازی «زنجیره مهارت‌ها» (Skill Chains) هستند. این شامل ایجاد توالی است که در آن یک مهارت استخراج داده، خروجی خود را به یک مهارت تحلیل داده می‌فرستد و سپس مهارت تولید گزارش فعال می‌شود. کلود می‌تواند این‌ها را به‌طور خودکار هنگام دریافت یک پرامپت پیچیده مانند «این داده‌ها را تحلیل کن و یک گزارش بساز» زنجیره کند.

الگوهای منطقی پیشرفته:

• منطق شرطی: استفاده از دستورات «اگر/آنگاه» در SKILL.md. برای مثال، اگر کاربر درباره مشکلات محیط Production بپرسد، مهارت رویه‌های پاسخ اضطراری و اطلاعات چرخش On-call را بارگذاری می‌کند؛ اما اگر درباره توسعه بپرسد، استانداردهای کدنویسی و مستندات معماری را بارگذاری می‌کند.
• تکامل مهارت: نسخه‌بندی مهارت‌ها با استفاده از نسخه‌بندی معنایی (Major.Minor.Patch) در متادیتای YAML برای ردیابی تغییرات. نسخه‌های Major نشان‌دهنده تغییرات ساختاری در رابط، نسخه‌های Minor افزودن ویژگی‌ها و نسخه‌های Patch رفع باگ‌ها هستند. یک لیست تغییرات (Changelog) می‌تواند مستقیماً در فایل SKILL.md نگهداری شود.
• نگاشت وابستگی‌ها: مستندسازی صریح مهارت‌های مرتبط (مثلاً مهارت report-formatting که در ترکیب با مهارت data-validation بهترین عملکرد را دارد).

تله‌های رایج:

• کلی بودن بیش از حد: یک «مهارت نویسندگی عمومی» بسیار کمتر از مهارت‌های مجزا برای ایمیل، وبلاگ و گزارش مؤثر است، زیرا مهارت‌های کلی توکن‌های بیشتری مصرف می‌کنند و تمرکز مدل را کاهش می‌دهند.
• سوگیری مسیر خوش‌بینانه (Happy Path Bias): مهارت‌ها اغلب برای درخواست‌های ساده کار می‌کنند اما در موارد خاص (Edge Cases) شکست می‌خورند. راهکار توصیه شده، گنجاندن بخش «چه زمانی از این مهارت استفاده نکن» در SKILL.md است تا از فعال‌سازی اشتباه جلوگیری شود (مثلاً دستور به کلود برای عدم استفاده از مهارت تحلیل پیچیده برای محاسبات ساده یا داده‌های لحظه‌ای).
• تورم توکن‌ها: گنجاندن کل دفترچه راهنمای شرکت در یک مهارت می‌تواند سرعت تجزیه را کاهش دهد. پایگاه‌های دانش بزرگ باید به مهارت‌های متمرکز با لینک به مستندات خارجی تقسیم شوند.
• غفلت از نگهداری: اگر مهارت‌ها هر سه ماه یک‌بار بازبینی نشوند، ممکن است توصیه‌های قدیمی ارائه دهند. کاربران باید تاریخ last_updated را به متادیتای YAML اضافه کنند.

ترکیب قدرتمند با MCP

ترکیب مهارت‌ها با پروتکل زمینه مدل (Model Context Protocol یا MCP) یک حلقه کاملاً خودمختار می‌سازد. برای مثال، کاربر می‌تواند یک MCP را به یک پایگاه‌داده PostgreSQL و یک فضای کاری Slack متصل کند، سپس مهارت «استانداردهای کوئری پایگاه‌داده» و مهارت «قالب‌بندی پیام‌های اسلک» را اعمال کند.

وقتی از کلود خواسته شود «فروش دیروز را در اسلک پست کن»، او ابتدا مهارت استانداردها را بارگذاری می‌کند، یک کوئری مطابق با استاندارد از طریق MCP می‌نویسد، آن را اجرا می‌کند و سپس از مهارت قالب‌بندی برای ارسال نتیجه استفاده می‌کند. این فرآیند یک روند دستی چندمرحله‌ای را با یک دستور استاندارد جایگزین می‌کند.

برنامه عملیاتی برای شروع

برای انتقال از «مهندسی پرامپت» به «مهندسی دانش»، برنامه چهار هفته‌ای زیر توصیه می‌شود:

• هفته اول: کاوش در مهارت‌های پیش‌ساخته: مهارت‌ها را در Claude.ai تحت منوی Customize فعال کنید. مهارت‌های ساخت سند (docx, pptx, xlsx, pdf) را امتحان کنید و بخش Thinking را بررسی کنید تا ببینید مهارت‌ها چگونه فعال می‌شوند.
• هفته دوم: شناسایی اولین مهارت سفارشی: به دنبال کارهای تکراری هفتگی با قوانین خاص باشید، مانند قالب‌های پاسخ به ایمیل، تولید گزارش یا ساختار یادداشت‌های جلسه.
• هفته سوم: ساخت و تست: از مهارت skill-creator برای ساخت اولین مهارت سفارشی خود استفاده کنید. آن را با تغییرات مختلف در درخواست‌های معمول تست کنید و دستورالعمل‌ها را بر اساس مواردی که کلود نادیده می‌گیرد، اصلاح کنید.
• هفته چهارم: انباشت و مقیاس‌بندی: مهارت‌های مکملی ایجاد کنید که به‌طور خودکار با هم کار می‌کنند و آن‌ها را برای دریافت بازخورد با همکاران به اشتراک بگذارید.

نکات کاربردی برای تکرار و بهبود:

• ابتدا زبان طبیعی: ابتدا نتیجه مطلوب را در یک گفتگوی عادی با کلود توصیف کنید. وقتی عبارت‌ها به‌طور مداوم جواب دادند، آن‌ها را به یک مهارت تبدیل کنید.
• ثبت شکست‌ها: لیستی از زمان‌هایی که مهارت فعال نشد یا خروجی اشتباه داد نگه دارید تا توضیحات و دستورالعمل‌ها را اصلاح کنید.
• استفاده از Skill-Creator: این مهارت پیش‌نصب با کاربر مصاحبه می‌کند — درباره هدف اصلی، جریان‌های کاری و قالب‌های خروجی می‌پرسد — تا ساختار پوشه و محتوای Markdown لازم را به‌طور خودکار تولید کند.
• تفکر مهارت (Skill Thinking): از ویژگی Thinking استفاده کنید تا ببینید کدام مهارت‌ها فعال شده‌اند و چگونه با هم تعامل داشته‌اند؛ این کار برای عیب‌یابی (Debugging) بسیار ارزشمند است.

توصیه‌های متناسب با نقش شغلی:
بسته به نقش شما، اولین مهارت‌ها باید نقاط درد متفاوتی را هدف دهند:

• توسعه‌دهندگان: با یک مهارت تولید کد برای استک خود (شامل قوانین Linting و الگوهای رایج) شروع کنید، سپس مهارت بازبینی PR و در نهایت مهارت تأیید استقرار با رویه‌های بازگشت (Rollback).
• تولیدکنندگان محتوا: با مهارت قالب‌بندی محتوا (لحن برند و SEO) شروع کنید، سپس مهارت سنتز تحقیقات و در نهایت مهارت تطبیق برای پلتفرم‌های مختلف (مثلاً تبدیل وبلاگ به رشته توییتر).
• عملیات/کسب‌وکار: با مهارت یادداشت‌های جلسه (قالب‌بندی موارد اقدام) شروع کنید، سپس مهارت تولید گزارش (محاسبات KPI) و در نهایت مهارت مستندسازی فرآیند (قالب‌های SOP).

این تغییر نشان‌دهنده حرکت به سمت «مهندسی دانش» است. به جای جنگیدن با یک رابط چت، کاربران در حال ساخت کتابخانه‌ای از هوش سازمانی هستند که در جلسات و بین اعضای تیم باقی می‌ماند. تا نوامبر ۲۰۲۵، این حوزه کاملاً باز است و مزیت قابل توجهی برای کسانی ایجاد می‌کند که فرآیندهای خود را امروز در قالب مهارت‌ها کدگذاری کنند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.