تصور کنید یک مدیر محصول هستید که برای استارتاپ جدیدش لوگویی می‌خواهد، اما هر چه از هوش مصنوعی می‌پرسد، خروجی‌ها شبیه به کلیپ‌آرت‌های ارزان‌قیمت دهه ۹۰ هستند. این دقیقاً همان نقطه‌ای است که Logo Design Skill وارد میدان می‌شود تا مدل‌های زبانی را از یک «تولیدکننده تصویر» به یک «طراح دیسیپلین‌شده» تبدیل کند.
طبق اعلام توسعه‌دهندگان، این چارچوب که در ۲۶ سپتامبر ۲۰۲۶ منتشر شد، به عامل (Agent) — شبیه به کارمندی متخصص که دستورات پیچیده را می‌فهمد و اجرا می‌کند — اجازه می‌دهد تا فرآیند طراحی را نه به عنوان یک حدس بصری، بلکه به عنوان تمرینی در هندسه و اصلاحات اپتیکی پیش ببرد. این سیستم می‌تواند کلود (Claude) یا هر عاملی که از فرمت Agent Skills پشتیبانی می‌کند را به یک متخصص هویت بصری تبدیل کند که از اولین بریف تا فایل‌های نهایی SVG و دستورالعمل‌های برند را مدیریت می‌کند.
بیشتر لوگوهای تولیدشده توسط هوش مصنوعی در تله‌های پیش‌بینی‌پذیری می‌افتند؛ مثلاً برای اپلیکیشن‌های غذایی همیشه یک اسکوتر یا کلاه آشپز می‌کشد. همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهای همگام‌سازی پیکربندی در عامل‌ها اشاره کردیم، قدرت واقعی در دستورالعمل‌های ساختاریافته است. این مهارت (Skill) به صورت یک فایل SKILL.md و ابزارهای پایتون ارائه می‌شود که به عنوان دستورات ثابت توسط عامل بارگذاری می‌شوند. این رویکرد ساختاریافته در واقع پاسخی به چالش‌های تبدیل دموهای اولیه به محصولات تجاری است که پیش‌تر در تحلیل سه رکن حیاتی تبدیل دموهای AI به محصول به آن پرداختیم.
مکانیزم ضدکلیشه
به نقل از مستندات پروژه، مشکل اصلی این است که مدل‌ها ابتدا به سراغ رایج‌ترین استعاره‌های بصری می‌روند. برای مقابله با این موضوع، این چارچوب رویکرد «نمادهای ممنوعه» را در بریف‌ها پیاده کرده است. برای مثال، در بریف مربوط به Keyfort (مدیریت رمز عبور)، صراحتاً ذکر شده که از قفل، سپر یا اثر انگشت استفاده نکند.
عامل پیش از تولید حتی یک خط کد، ابتدا یک تحقیق دسته‌ای انجام می‌دهد. این سیستم یک کتابخانه طبقه‌بندی‌شده از بیش از ۱,۴۰۰ لوگوی SVG را جست‌وجو می‌کند تا کنوانسیون‌های موجود در صنعت را شناسایی کند. این مرحله تضمین می‌کند که مفاهیم نهایی هم از کلیشه‌ها دور باشند و هم شباهت تصادفی به برندهای موجود نداشته باشند.
خط لوله تولید دیسیپلین‌شده
این چارچوب از یک خط لوله (Pipeline) ثابت پیروی می‌کند که دقیقاً مشابه فرآیند یک آژانس طراحی انسانی است:
- کشف (Discovery): شروع با فرضیات یا بانک سؤالات برای نقشه‌برداری کلمات و انتخاب نوع نشان (مثل Wordmark یا Abstract).
- تحقیق (Research): بررسی کتابخانه مرجع برای اطمینان از عدم تکرار ایده‌های موجود.
- مفهوم‌سازی (Concepting): تولید ۸ تا ۱۲ ایده تک‌خطی که تنها ۳ مورد برتر آن‌ها به SVG تبدیل می‌شوند.
- آزمون (Testing): هر مفهوم پیش از نمایش به کاربر، از فیلتر ابزارهای حسابرسی عبور می‌کند.
برای بهینه نگه داشتن پنجره متنی (Context Window) — که مثل میز کاری است که فقط جای چند ورق کاغذ دارد و مدل نمی‌تواند کل کتابخانه را هم‌زمان در ذهن نگه دارد — عامل تنها اسناد مرجع مورد نیاز برای هر تسک خاص را بارگذاری می‌کند. این تلاش برای مهار خروجی‌های تصادفی، یادآور استفاده از استانداردهای Markdown در Figma Specs است که برای هدایت دقیق‌تر عامل‌ها به سمت هویت برند طراحی شده است.
مجموعه حسابرسی فنی
برخلاف پرامپت‌های ساده، این سیستم از ابزارهای پایتون برای تضمین کیفیت تولید استفاده می‌کند. اسکریپت svg_audit.py قوانین طراحی را به چک‌های خودکار تبدیل می‌کند. این ابزار زوایای «نزدیک به خطا» (مثلاً زاویه ۶۰.۸ درجه که برای چشم انسان ناخوشایند است) و جزئیاتی کوچک‌تر از ۱/۴۸ بوم را شناسایی می‌کند.
هر حسابرسی با یک امتیاز آمادگی تولید از ۱۰۰ به پایان می‌رسد. همچنین ابزار preview_sheet.py یک صفحه تست HTML می‌سازد تا خوانایی لوگو در اندازه‌های مختلف (از ۹۶ پیکسل تا ۱۶ پیکسل) و نسخه‌های تک‌رنگ بررسی شود. ابزارهای دیگری مانند presentation_board.py برای ساخت تخته‌های ارائه به مشتری و render_png.py برای خروجی‌های متنوع (مانند favicon) در این مجموعه قرار دارند.
نقطه بازرسی انسانی
یک تصمیم راهبردی در این چارچوب، اجباری کردن «نقطه بازرسی» است. عامل پس از ارائه مفاهیم اولیه متوقف می‌شود و تا زمانی که انسان مسیر را انتخاب نکند، کیت کامل برند را تولید نمی‌کند. این کار مانع از آن می‌شود که مدل «یک ایده غلط را به زیبایی صیقل دهد».
در آزمونی روی ۲۸ برند فرضی، این نقطه بازرسی ارزش خود را ثابت کرد؛ در ۴ مورد، مشتری مفهومی را انتخاب کرد که برخلاف پیشنهاد اولِ عامل بود. برای برند Tinkertrail، مشتری یک Letterform را به جای حلزون پیشنهادی انتخاب کرد چون در اندازه ۱۶ پیکسل خوانایی بیشتری داشت.
کتابخانه مرجع ۱,۴۰۰ لوگو
این کتابخانه مزیت رقابتی اصلی سیستم است و شامل ۱,۴۰۰ فایل SVG از ۱,۲۰۰ برند است که بر اساس نوع نشان، هندسه و صنعت طبقه‌بندی شده‌اند. توزیع این کتابخانه به شرح زیر است:
- انتزاعی (Abstract): ۲۴٪
- ترکیبی (Combination): ۲۱٪
- تصویری (Pictorial): ۲۰٪
- حروفی (Letterform): ۱۵٪
- تایپوگرافی (Wordmark): ۱۰٪
- سایرین (Emblem, Mascot, etc): ۱۰٪
داده‌ها نشان می‌دهد میانگین هر لوگو ۲ رنگ است و ۷۵٪ آن‌ها از ۳ رنگ یا کمتر استفاده می‌کنند. کاربران می‌توانند این کتابخانه را از طریق خط فرمان یا یک گالری محلی جست‌وجو کنند. البته در فایل TRADEMARKS.md تأکید شده که این فایل‌ها صرفاً برای آموزش هستند و نباید کپی شوند.
استقرار و سازگاری
این مهارت با هر عاملی که از فرمت Open Agent Skills پشتیبانی کند، از جمله Claude Code، Gemini CLI و Cursor سازگار است. برای کاربران Claude Code، نصب تنها با یک دستور /plugin marketplace add انجام می‌شود. کاربران نسخه دسکتاپ نیز می‌توانند فایل zip را دانلود کرده و در بخش Capabilities بارگذاری کنند. برای کسانی که به دنبال جایگزین‌های متن‌باز و محلی هستند تا محدودیت‌های ابزارهای ابری را دور بزنند، پروژه Open Design یک گزینه جایگزین برای Claude Design محسوب می‌شود.
محدودیت بینایی
تنها محدودیت فنی بزرگ این است که سیستم به یک مدل چندوجهی (Multimodal) — مدلی که مثل انسان هم‌زمان متن و عکس را می‌فهمد — نیاز دارد. چون عامل برای بازبینی خود، پیش‌نویس‌ها را به PNG تبدیل می‌کند، مدل‌های متنی خالص نمی‌توانند حلقه بازبینی را ببندند و خطاهایی مثل تغییر شکل حروف در ابعاد کوچک را تشخیص دهند.
کاربرد در دنیای واقعی
مثال‌های موجود در مخزن گیت‌هاب عمق این چارچوب را نشان می‌دهد. برای برند Maison Orvelle (آتلیه مد لوکس)، یک مفهوم «M در دایره» حذف شد چون بیش از حد به علائم ترانزیت شباهت داشت. در مورد Zestly (اپلیکیشن غذا)، سیستم صادقانه هشدار داد که برخی کاربران ممکن است برش مرکبات را با هندوانه اشتباه بگیرند.
این سطح از جزئیات، ابزار را از تولیدکننده‌های تصویر ساده جدا می‌کند. در اینجا رنگ نه به عنوان تزیین، بلکه به عنوان هویت تعریف می‌شود؛ رنگی که فقط در اشباع کامل زیباست تزیین است، اما رنگی که در حالت تک‌رنگ هم زنده می‌ماند، هویت است.
اثر بازار
این مخزن در اولین هفته انتشار بیش از ۱,۴۰۰ ستاره در گیت‌هاب گرفت و در رتبه ۱۴ جدول The New 100 قرار گرفت. رشد سریع این پروژه نشان‌دهنده تقاضای بالا برای «مهارت‌های عامل» است که به جای فیلتر کردن خروجی، «صنعت و حرفه» را به مدل آموزش می‌دهند.
گام بعدی شما
- اگر از Claude Code یا Cursor استفاده می‌کنید، این پلاگین را نصب کنید تا کیفیت خروجی‌های بصری پروژه‌هایتان را ارتقا دهید.
- برای هر پروژه بصری، لیستی از «نمادهای ممنوعه» تهیه کنید تا مدل را مجبور به تفکر خلاقانه کنید.
- خروجی‌های SVG خود را با ابزارهای حسابرسی (Audit) بررسی کنید تا از خوانایی آن‌ها در ابعاد کوچک مطمئن شوید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو