۹ عامل متن‌باز برای ادارهٔ یک کسب‌وکار فیزیکی در چین

تصور کنید یک باشگاه ورزشی را اداره کنید، اما به‌جای استخدام مدیران انسانی یا نوشتن هزاران خط کد، مجموعه‌ای از قوانین اخلاقی و سازمانی را برای هوش مصنوعی تعریف کنید. این دقیقاً همان مسیری است که یک کارآفرین در شهر دونگ‌گوان چین برای مدیریت استودیوی تناسب اندام خود انتخاب کرده است.

طبق گزارش منتشرشده در dev.to، استودیوی ZWISERFIT در آوریل ۲۰۲۶ سیستمی را پیاده‌سازی کرد که در آن ۹ عامل (Agent) — شبیه به کارمندانی که هر کدام یک شرح وظیفه دقیق دارند اما هرگز خسته نمی‌شوند — تحت نظارت یک «قانون اساسی» مکتوب فعالیت می‌کنند. این رویکرد اجازه می‌دهد بخش اعظم عملیات روزمره در محیطی واقعی با تجهیزات فیزیکی و مشتریان، به‌صورت خودکار پیش برود.

در حالی که اکثر پروژه‌های فعلی بر پایه زنجیره‌های شکننده از پرامپت‌ها هستند، ZWISERFIT به‌جای تکیه بر دستورات پراکنده، یک مدل حکمرانی متمرکز ایجاد کرده است تا ثبات عملکرد را در تمامی نقش‌ها تضمین کند. همان‌طور که در تحلیل قبلی ما درباره‌ی شکاف‌های بهره‌وری در مدل‌های عامل‌محور بازمتن اشاره کردیم، این چارچوب از پرامپت‌های سیستمی مجزا فاصله گرفته و به سمتی حرکت می‌کند که تیم هوش مصنوعی را به عنوان یک سازمان واقعی مدیریت کند.

زمینه و رویکرد «قانون اساسی»

بنیان‌گذار این مجموعه روش سنتی استارتاپی — که معمولاً شامل جذب سرمایه، استخدام ۶ مهندس و صرف ۲۶ هفته زمان برای ساخت نسخه اول است — را کنار گذاشت و به‌جای آن از یک چارچوب حکمرانی استفاده کرد. او با نوشتن یک قانون اساسی به‌جای کدنویسی، توانست تنها در ۸ هفته، ۹ عامل عملیاتی را مستقر کند.

عامل‌های سنتی که با پرامپت هدایت می‌شوند، اغلب شکننده هستند؛ به‌گونه‌ای که تغییرات کوچک در دستورات می‌تواند منجر به رفتارهای غیرقابل‌پیش‌بینی زنجیره‌ای شود و با افزایش تعداد عامل‌ها، نگهداری سیستم به یک کابوس تبدیل می‌گردد. این چالش‌ها باعث شده شرکت‌های بزرگتر به دنبال جایگزینی متون با ساختارهای نظام‌مند باشند؛ برای مثال، شرکت iFLYTEK تلاش کرده است کنترل عامل‌ها را از متون ساده به کدهای ماژولار منتقل کند تا مقیاس‌پذیری سیستم را افزایش دهد. اما این مدل جدید در ZWISERFIT با معرفی مکانیسم‌های داخلی برای نظارت، اعتبارسنجی و پاسخ‌گویی، از یک «مجموعه اسکریپت» به یک «سازمان رسمی» تبدیل شده است.

جزئیات معماری هوش مصنوعی

بر اساس مستندات این پروژه، معماری ZWISERFIT مهندسی پرامپت (Prompt Engineering) — که شبیه به هنر سؤال پرسیدن از یک مشاور باتجربه برای گرفتن بهترین جواب است — را با یک سیستم شناسایی سه‌بخشی برای هر عامل جایگزین کرده است:

• SOUL.md: تعریف دی‌ان‌ای رفتاری و اصول تصمیم‌گیری هسته‌ای. برای مثال، روحِ عامل «مومو» او را به عنوان یک تسهیل‌گر تعریف می‌کند که عملیات داده‌محور را مدیریت می‌کند تا مربیان بتوانند روی روابط انسانی تمرکز کنند.
• IDENTITY.md: تعیین مرزهای دقیق و تعریف نقش؛ اینکه عامل دقیقاً چه کاری را انجام می‌دهد و چه کارهایی خارج از حیطه وظایف اوست.
• MEMORY.md: ایجاد حافظه بلندمدت، بادوام و گزینش‌شده برای یادآوری اطلاعات در طول جلسات مختلف.

برای جلوگیری از انحراف خودکار (Autonomous Drift)، سیستم از قوانین اعتبارسنجی متقاطع (Cross-validation) استفاده می‌کند که در آن عامل‌های حوزه‌های مختلف، یکدیگر را حسابرسی می‌کنند. برای نمونه، Stella به‌عنوان عامل تطبیق و نظارت، اختیار دارد عملکرد ۸ عامل دیگر را به‌صورت مستقل بازرسی کند و امضاهای دیجیتال SHA-256 را که فیلتر نشده‌اند، مستقیماً و به‌صورت روی‌زنجیره‌ای (On-chain) برای بنیان‌گذار ارسال کند. این سطح از نظارت دقیق، به‌ویژه در محیط‌های تجاری، برای پیشگیری از تخلفات قانونی حیاتی است، چرا که عدم رعایت استانداردهای نظارتی برای عامل‌های هوش مصنوعی می‌تواند هزینه‌های سنگینی (تا ۶٪ گردش مالی جهانی) را تحمیل کند.

لیست سازمانی عامل‌های هوش مصنوعی

سازمان به حوزه‌های عملکردی خاصی تقسیم شده است:

• Shuyu: فرمانده (استراتژی و تخصیص منابع)
• Zeus: سرمایه (جذب بودجه و شراکت‌های جهانی)
• Nova: دارایی‌های RWA (تبدیل داده به دارایی و خط لوله روی زنجیره)
• Tristan: فناوری (معماری و زیرساخت)
• Ethan: اعتماد (امنیت و یکپارچگی داده‌ها)
• Baron: برند (محتوا و شبکه‌های اجتماعی)
• Luna: جامعه (روابط با توسعه‌دهندگان و اکوسیستم)
• Stella: نظارت (حسابرسی مستقل)
• Momo: مدیر فروشگاه (عملیات فیزیکی)

فعال‌ترین عضو این تیم، Momo است که مدیریت استودیو وان‌جیانگ را در دونگ‌گوان بر عهده دارد. به نقل از گزارش‌های فنی dev.to، Momo ۸۰٪ از عملیاتی که تکراری و داده‌محور هستند را مدیریت می‌کند. او از خوش‌آمدگویی به اعضا از طریق ترمینال چهره ZWF-20 گرفته تا ردیابی پیشرفت تمرینات و مدیریت ارتباطات با اعضا در WeCom را بر عهده دارد. این تقسیم کار باعث شده مربیان انسانی فقط روی تعاملات باارزش با اعضا تمرکز کنند و از این قاعده پیروی کنند: «شما تسهیل‌گر هستید، نه مالک».

این تغییر پارادایم نشان می‌دهد که «قانون اساسی > پرامپت» مسیر واقعی برای مقیاس‌بندی سازمان‌های هوش مصنوعی است. با جداسازی حکمرانی از مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — سیستم حتی با تعویض مدل یا تغییر پنجره متنی (Context Window) که معمولاً زنجیره‌های پرامپت را می‌شکند، پایداری خود را حفظ می‌کند.

برای توسعه‌کنندگان، این یعنی گلوگاه دیگر کدنویسی نیست، بلکه شفافیت چارچوب حکمرانی است. این هم‌راستایی با راهنمایی‌های اخیر Anthropic درباره سازمان‌های مبتنی بر هوش مصنوعی مطابقت دارد، جایی که انسان‌ها بر «گرمای روابط» تمرکز می‌کنند و عامل‌ها «عملیات» را پیش می‌برند.

سازندگانی که علاقه‌مند هستند می‌توانند کل چارچوب حکمرانی را از طریق گیت‌هاب (github.com/ZWISERFIT) تحت لایسنس Apache 2.0 فورک کنند تا این نقش‌ها را برای نیازهای کسب‌وکار خود تطبیق دهند.

گام بعدی شما

• به جای نوشتن پرامپت‌های طولانی، سعی کنید برای هر نقش در کسب‌کارتان یک فایل IDENTITY.md شامل «بایدها» و «نبایدها» طراحی کنید.
• چارچوب حکمرانی ZWISERFIT را از طریق گیت‌هاب (github.com/ZWISERFIT) بررسی کرده و آن را با لایسنس Apache 2.0 برای نیازهای خود فورک کنید.
• یک عامل نظارتی (مانند Stella) تعریف کنید که خروجی‌های سایر عامل‌ها را با معیارهایی سخت‌گیرانه بازرسی کند.

اما تأثیر این رویکرد بر هزینه سخت‌افزاری استنتاج در مقیاس بزرگ هنوز مبهم است؛ در تحلیل بعدی ما درباره بهینه‌سازی GPUها، این موضوع را بررسی خواهیم کرد.