تصور کنید بعدازظهر خود را صرف خواندن ۴۰۰۰ خط کد JSON کنید تا فقط یک اشتباه کوچک در اجرای ابزارها را پیدا کنید. اگر از Claude Code استفاده می‌کنید، تا امروز بازرسی جلسات عامل (Agent) — مثل دستیاری که دستور کلی می‌گیرد و خودش تصمیم می‌گیرد کدام ابزار را بردارد — دقیقاً همین‌قدر دشوار بود.
ابزار Her که اکنون در Hugging Face در دسترس است، این وضعیت را تغییر می‌دهد و فایل‌های .jsonl را به گزارش‌های شفاف انگلیسی تبدیل می‌کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی پیشگیری از «بدهی بهره‌وری» در Claude Code اشاره کردیم، مدیریت گسترش عامل‌ها نیازمند نظارت سخت‌گیرانه است. بیشتر برنامه‌نویسان لاگ‌های جلسات را به عنوان آرشیوهای «فقط-خواندنی» می‌بینند. این موضوع شناسایی نقاطی که یک عامل بودجه‌ی توکن‌ها را می‌سوزاند، تقریباً غیرممکن می‌کرد.
به نقل از مستندات این پروژه، سیستم از یک معماری دو لایه بهره می‌برد:
- یک موتور ارزیابی قطعی (Deterministic) — شبیه ماشین‌حساب که برای هر ورودی همیشه یک جواب ثابت و دقیق می‌دهد — که تحلیل‌های عددی و جنایی را انجام می‌دهد.
- مدل Nemotron-Mini-4B-Instruct که مسئول تولید متن و پیشنهادات است.
- یک پایگاه داده ابزاری برای شناسایی ابزارهای CLI از Homebrew، npm و PyPI.
طبق گزارش سازندگان، این ابزار ریسک‌های خاص مثل استقرار در محیط عملیاتی یا افشای اسرار (Secrets) را شناسایی کرده و آن‌ها را به دقیق‌ترین لحظه در جلسه ردیابی می‌کند. همچنین یک Copilot داخلی به نام «Ask Her» دارد تا کاربران بتوانند درباره‌ی نحوه‌ی استفاده از ابزارها با یک چت‌بات پرس‌وجو کنند.
کاربران می‌توانند یک فایل را برای مشاهده‌ی یک جلسه یا چندین فایل را برای بررسی کل پروژه بارگذاری کنند. این قابلیت اجازه می‌دهد تا یک سؤال خاص را در چندین جلسه به‌طور هم‌زمان جست‌وجو کنید.
این رویکرد مشکل «جعبه سیاه» در جریان‌های کاری عامل‌محور (Agentic) را حل می‌کند. با جداسازی منطق قطعی از متن تولیدشده توسط مدل زبانی کوچک (SLM)، تضمین می‌شود که اعداد گزارش شما با تغییر مدل تغییر نمی‌کنند. برای برنامه‌نویس، این یعنی تبدیل یک بازرسی دستی خسته‌کننده به یک گزارش بصری سریع.
گام بعدی شما
- ابزار Her را در Hugging Face Spaces تست کنید.
- لاگ‌های جلسات فعلی خود را برای شناسایی نشت احتمالی اسرار بررسی کنید.
- منتظر ابزارهای مشابه برای سایر IDEهای عامل‌محور باشید.
اما این تنها بخشی از پازل نظارت بر عامل‌هاست؛ در گزارش بعدی بررسی می‌کنیم که چگونه مدل‌های استدلالی هزینه‌ی این نظارت را کاهش می‌دهند.
گفتگو