تصور کنید بخش بزرگی از بودجه‌ی توکن‌های شما صرف توصیفاتی می‌شود که مدل هر بار آن‌ها را متفاوت تفسیر می‌کند. اگر هنوز برای تعریف مهارت‌های عامل‌های خود از متون طولانی و مبهم استفاده می‌کنید، در واقع دارید روی یک زمین لرزان می‌سازید.
در ۲ مه ۲۰۲۶، مشخصات فنی SKILL.make در گیت‌هاب منتشر شد تا پارادایم سیستم‌های ساخت (Build Systems) حرفه‌ای را به دنیای عامل (Agent)ها بیاورد. به نقل از مستندات این پروژه، این فرمت جایگزین متون سنتی SKILL.md شده و یک گراف اجرای بازتولیدپذیر را ایجاد می‌کند تا اطمینان حاصل شود که عامل‌ها مراحل حیاتی را نادیده نمی‌گیرند.
این تحول فنی بر سه ستون اصلی استوار است:
- بهینه‌سازی توکن‌ها: با جایگزینی توصیفات پرطمطراق با سینتکس بهینه، حجم فایل‌های مهارت به‌طور متوسط ۱۵ درصد کاهش یافته است. بر اساس مستندات، در بنچمارک «مهارت‌ها برای مهندسان واقعی»، تعداد کل توکن‌ها از ۶۶,۳۹۴ به ۵۶,۳۸۷ کاهش یافت.
- حل وابستگی‌ها: این سیستم به‌طور خودکار گراف جهت‌دار بدون دور (Directed Acyclic Graph - DAG) را تحلیل می‌کند و نیاز به حدس زدن توالی عملیات توسط مدل زبانی بزرگ (Large Language Model) را از بین می‌برد.
- منطق ساختاریافته: استفاده از متغیرها (
VAR = val)، دستورات شل (@) و فراخوان‌های صریح ابزار، باعث می‌شود مهارت‌ها به دارایی‌های قابل‌حسابی تبدیل شوند که با Git ردیابی می‌شوند.
همان‌طور که در تحلیل قبلی ما درباره‌ی توهمات کدنویسی هوش مصنوعی اشاره کردیم، حذف ابهام در دستورات، تنها راه رسیدن به پایداری در محیط‌های عملیاتی است. اکنون با SKILL.make، توسعه‌دهندگان می‌توانند با قابلیت‌های عامل‌ها مانند یک سیستم نرم‌افزاری حرفه‌ای رفتار کنند، نه مجموعه‌ای از پرامپت‌های پراکنده.
با حرکت صنعت به سمت «مهندسی تکاملی»، کنترل نسخه‌ی منطق عامل‌ها به عنوان کد، احتمالاً به استاندارد استقرار در سطح سازمانی تبدیل خواهد شد.
اما این تنها بخشی از مسیر است؛ تأثیر این رویکرد بر مدل‌های استدلالی کوچک‌تر را در گزارش بعدی بررسی می‌کنیم.
گام بعدی شما
- مهارت‌های فعلی عامل‌های خود را بررسی کنید و بخش‌های تکراری توصیفات متنی را شناسایی کنید.
- ساختار DAG را برای جریان‌های کاری پیچیده پیاده‌سازی کنید تا از اجرای تصادفی مراحل جلوگیری شود.
- مستندات SKILL.make در گیت‌هاب را برای تبدیل پرامپت‌های متنی به منطق Declarative مطالعه کنید.
گفتگو