تصور کنید پس از عرضه یک محصول، با سیل عظیمی از نظرات مشتریان مواجه شوید که تحلیل دستی آن‌ها در اکسل، هفته‌ها زمان می‌برد. حالا می‌توانید تنها با یک دستور متنی، ابزاری بسازید که این آشوب را در چند ثانیه به یک گزارش مدیریتی تبدیل کند. در واقع، اکنون یک پرامپت واحد می‌تواند یک اپلیکیشن تحت حاکمیت و آماده برای محیط عملیاتی (Production-ready) جهت تریاژ نظرات مشتریان تولید کند.
در ۱۳ اکتبر ۲۰۲۶، شرکت ToolJet این قابلیت را با ساخت یک «تحلیل‌گر طوفان نظرات» (Review Storm Analyzer) به نمایش گذاشت. این دستاورد حاصل ترکیب پروتکل زمینهٔ مدل (Model Context Protocol یا MCP) — که شبیه به یک مترجم است و به هوش مصنوعی اجازه می‌دهد ابزارهای مختلف را به هم وصل کند — و مدل تصمیم‌گیر Jev از شرکت TypeSafe است. این مدل تصمیم‌گیر پیش از این در ۳۳ پروژه منتخب برای پیاده‌سازی تصمیمات محدود مورد بررسی قرار گرفته بود تا دقت خروجی‌های هوش مصنوعی در محیط‌های عملیاتی تضمین شود.
مدیریت نظرات مشتریان معمولاً در فایل‌های مشترک اکسل متوقف می‌شود؛ جایی که تنها یک نفر می‌داند داده‌ها کجا هستند و شناسایی باگ‌های حیاتی در میان هزاران ردیف، تقریباً غیرممکن است. یک صفحه گسترده مشترک که فقط یک نفر نحوه کار با آن را می‌داند، در هفته‌ای که عرضه محصول تیم شما را با سیل نظرات بمباران می‌کند، دیگر مقیاس‌پذیر نیست. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی ابزارهای اتوماسیون عامل‌محور اشاره کردیم، جایگزینی دسترسی‌های دستی با خط لوله‌های هوشمند، تنها راه مقیاس‌پذیری است. در این گردش‌کار جدید، مدل هوش مصنوعی برچسب‌ها را پیشنهاد می‌دهد و انسان تصمیم نهایی را می‌گیرد.
زمینه: گردش‌کار تریاژ نظرات
هدف از این سامانه، «تریاژ» یا اولویت‌بندی است؛ یعنی هر نظر برچسب می‌خورد، موضوعات تکراری گروه‌بندی می‌شوند و موارد فوری استخراج می‌گردند. خروجی نهایی، یک صفحه داشبورد است که شامل تیترهای اصلی، کاشی‌های موضوعی، یک فید قابل فیلتر و فهرستی از اقداماتی است که باید فوراً انجام شوند.
این ساختار برای تیم‌های محصول در برندهای سخت‌افزاری مصرفی، فروشندگان بازارگاه (Marketplace) و تیم‌های نرم‌افزاری که پس از یک انتشار (Release) فعالیت می‌کنند، طراحی شده است. این ابزار می‌تواند برای هر نوع انفجار داده‌های متنی استفاده شود تا یک «طوفان نظرات» را به یک سند عملیاتی تبدیل کند.
فرآیند ساخت بر پایه ToolJet MCP است که به یک عامل (Agent) — مثل یک مهندس نرم‌افزار مجازی که می‌تواند محیط کار را ببیند و قطعات را سر هم کند — اجازه می‌دهد مدل‌های داده، کوئری‌ها و اجزای رابط کاربری (UI) را متصل کند. این قابلیت تولید سریع اپلیکیشن با MCP پیش از این در ساخت سیستم‌های مدیریت پرسشنامه در یک مرحله به نمایش گذاشته شده بود. در این پیاده‌سازی خاص، عامل هفت جدول در پایگاه‌داده PostgreSQL ایجاد کرد: rs_batches ،rs_reviews ،rs_synthetic_labels ،rs_runs ،rs_analysis ،rs_corrections و rs_followups. سپس این جداول را با ۱۰۰ نظر مصنوعی پر کرد و آن‌ها را به منبع داده TypeSafe (با نام typesafe) متصل نمود تا تحلیل‌های Jev فعال شود.
اجرای فنی و عملکرد
طبق گزارش منتشر شده در dev.to، این سیستم از طریق پردازش موازی و تعاملات بهینه با پایگاه‌داده به توان عملیاتی بالایی رسیده است:
- کارگران موازی: یک کوئری RunJS دسته‌های داده را از طریق ۱۲ کارگر موازی به Jev ارسال می‌کند.
- سرعت تحلیل: در یک اجرای ثبت‌شده، Jev هر ۱۰۰ نظر را در ۶.۴ ثانیه از «زمان Jev» برچسب‌گذاری کرد.
- بهینه‌سازی: اولین اجرای کامل ۲۲.۹ ثانیه طول کشید. در اینجا Jev گلوگاه نبود، زیرا ۱۲ فراخوانی موازی در ۱.۱ ثانیه به پایان رسید، در حالی که کوئری‌های Postgres در صف انتظار بودند و هر کدام ۷۰۰ میلی‌ثانیه زمان می‌بردند. با تغییر روش به «درج دسته‌ای» (Bulk Insert) و رندر از حافظه، این زمان به ۸.۸ ثانیه کاهش یافت.
- خروجی داده: مدل Jev برای هر پاسخ، احساس (Sentiment)، موضوع، امتیاز اطمینان برای هر پاسخ و یک بخش استنادی از متن را برمی‌گرداند. همچنین اگر احتمال فوریت ۵۰٪ یا بیشتر باشد، یک پرچم «فوری» (Urgent flag) را باز می‌گرداند.
- حضور انسان در چرخه: Jev فقط پیشنهاد می‌دهد. تحلیلگران می‌توانند برچسب را همراه با ذکر دلیل اصلاح کنند و این برچسب اصلاح‌شده در تمام شمارش‌ها جایگزین پیشنهاد Jev می‌شود.
حاکمیت داده و کنترل دسترسی
به دلیل حساسیت داده‌های مشتریان، این اپلیکیشن از کنترل دسترسی مبتنی بر نقش (RBAC) استفاده می‌کند. ToolJet این محدودیت را در دو سطح اعمال می‌کند: مجوزهای پلتفرم (تصمیم‌گیری درباره اینکه چه کسی به منابع محیط کار دسترسی دارد) و مجوزهای اپلیکیشن (تصمیم‌گیری درباره اینکه کدام گروه می‌تواند کدام صفحات، کوئری‌ها و اجزا را باز کند).
- تحلیلگران: تنها گروهی که اجازه اجرای Jev و ذخیره اصلاحات برچسب‌ها را دارند.
- مدیران محصول: مجاز به افزودن یادداشت‌های پیگیری برای نظرات علامت‌گذاری‌شده.
- بینندگان: دسترسی فقط-خواندنی دارند و هرگونه تلاش برای اجرای یک کوئری نوشتاری (Write query) با خطای ۴۰۱ مواجه می‌شود.
برای تیم‌هایی که امنیت بالاتری می‌خواهند، ToolJet قابلیت‌های سازمانی شامل SAML SSO، گزارش‌های بازرسی (Audit Logs)، همگام‌سازی با گیت (Git Sync) و میزبانی شخصی (Self-hosting) با داکر را ارائه می‌دهد. این رویکرد در خودکارسازی اپلیکیشن‌های اعتبارسنجی وام نیز به کار گرفته شده بود تا امنیت داده‌های حساس مالی در کنار سرعت تولید حفظ شود.
این تغییر نشان می‌دهد که عصر «پرامپت» در حال تبدیل شدن به عصر «تولید اپلیکیشن» است. کاربران به‌جای چت کردن با یک بات برای دریافت پاسخ، از عامل‌ها می‌خواهند ابزارهایی را بسازند که برای مدیریت داده‌ها به آن‌ها نیاز دارند. ارزش اصلی از پاسخ مدل زبانی (LLM) به ساختار اپلیکیشنی که ایجاد می‌کند منتقل شده است. ToolJet MCP به‌جای یک بسته کد ساده، یک اپلیکیشن ساختاریافته شامل داده‌ها، کوئری‌ها، منطق صفحات و مجوزها را در اختیار کاربر قرار می‌دهد.
برای تیم‌های سخت‌افزاری یا خانه‌های نرم‌افزاری، این یعنی فاصله بین وقوع یک «طوفان نظرات» و رسیدن به یک گزارش عملیاتی، از چند روز به چند ثانیه می‌رسد. در اجرای ثبت‌شده، ۳۸ نظر برای پیگیری فوری علامت‌گذاری شدند و «کیفیت محصول» به عنوان اصلی‌ترین موضوع شناسایی شد. در این میان، انسان همچنان تصمیم‌گیرنده نهایی است، اما هوش مصنوعی بار شناختی مرحله اول را بر عهده می‌گیرد.
کاربران اکنون می‌توانند این تحلیل‌گر خاص را با متصل کردن یک عامل کدنویسی به ToolJet MCP و استفاده از پرامپت ساخت تجمیع‌شده‌ای که در مستندات ارائه شده، بازسازی کنند. همچنین کاربران می‌توانند کوئری‌های نظرات را به جداول PostgreSQL خود متصل کنند تا داده‌های واقعی مشتریانشان را تحلیل نمایند.
گام بعدی شما
- اگر از ToolJet استفاده می‌کنید، پروتکل MCP را فعال کرده و پرامپت ساخت تحلیل‌گر را از مستندات آن‌ها امتحان کنید.
- جداول PostgreSQL خود را به جای داده‌های مصنوعی به مدل Jev متصل کنید تا نظرات واقعی مشتریان را تحلیل کنید.
- نقش‌های دسترسی (RBAC) را برای تیم تحلیل و مدیریت محصول تعریف کنید تا امنیت داده‌ها حفظ شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو