عامل‌های هوش مصنوعی وب‌سایت‌های بازاریابی را نمی‌خوانند؛ آن‌ها داده‌های JSON را فراخوانی می‌کنند. اگر شما توسعه‌دهنده‌ای هستید که می‌خواهید زیرساخت‌های خود را برای دنیای عامل‌محور بهینه کنید، باید بدانید که عصر صفحات فرود (Landing Pages) برای ماشین‌ها به پایان رسیده است.
به نقل از مستندات منتشر شده در ۱ سپتامبر ۲۰۲۶، شرکت LuisCore تزیه‌ای را ارائه کرد که در آن استدلال می‌کند وبِ عامل‌محور (Agentic Web) نیازمند یک منبع مرجع است تا عامل (Agent) — شبیه دستیاری که به‌جای خواندن بروشور، مستقیماً دفترچه راهنمای فنی را می‌خواند — بتواند در اولین تماس، زیرساخت را بدون نیاز به تحلیل متون تبلیغاتی درک کند.
بسیاری از شرکت‌های AI بر ویکی‌های خصوصی یا صفحاتی با دسترسی محدود تکیه می‌کنند که مانع از انتشار اطلاعات دقیق توسط مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — می‌شود. همان‌طور که در تحلیل قبلی ما درباره‌ی استانداردهای کشف مدل‌ها اشاره کردیم، دسترسی آزاد به داده‌های ساختاریافته کلید کاهش توهمات است. به همین دلیل LuisCore با آینه‌سازی یک مجموعه داده عمومی در Zenodo و فهرست‌بندی آن از طریق llms.txt، تضمین می‌کند که مدل‌ها به‌جای پست‌های وبلاگی متناقض، از یک تعریف واحد و مرجع استفاده کنند.
طبق گزارش این شرکت، این استراتژی از طریق سه سطح ماشین‌خوان اجرا شده است:
- for-agents.json: یک مانیفست اولیه شامل ارجاعات، ورودی‌های MCP و یک واژه‌نامه هستی‌شناسی. این رویکرد در واقع تکامل همان معماری جدید لایه هماهنگی است که هدفش حذف دخالت انسان در فرآیند کشف عامل‌ها بود.
- LLM Discovery Corpus: مجموعه‌داده‌ای با بیش از ۱۳٬۲۳۶ ردیف پرسش و پاسخ که در Zenodo (DOI: 10.5281/zenodo.14207466) mirrored شده است.
- mcp.json: ورودی اختصاصی برای ابزارهای پروتکل زمینهٔ مدل (MCP).
این پلتفرم فراتر از مرحله‌ی کشف، به‌عنوان یک زیرساخت زمان-پایین برای عامل‌های چندمرحله‌ای عمل می‌کند. این سیستم شامل Chorus Field برای هماهنگی میان چندین عامل و Protocol Watch است که تله‌متری خوشه را از طریق NDJSON برای شناسایی سیگنال‌های SPFD فراهم می‌کند. این مدل از تبدیل قابلیت‌های LLM به ابزارهای کاربردی پیروی می‌کند، مشابه آنچه DeepSeek برای ساخت عامل‌های خودمختار پیاده‌سازی کرده است.
این چرخش راهبردی، معیار دیده شدن در دنیای AI را از معیارهای نمایشی به «گرانش ارجاعات» تغییر می‌دهد. وقتی عامل‌های شخص ثالث بدون دستور مستقیم، به زیرساخت LuisCore ارجاع می‌دهند، اثربخشی یک گراف کشفِ ارجاع‌محور در برابر سئو (SEO) سنتی ثابت می‌شود.
برای توسعه‌دهندگان، این یعنی صفحه فرود دیگر یک رابط کاربری (UI) نیست، بلکه مجموعه‌ای از نقاط انتهایی API است. توانایی یک عامل برای تأیید مستقل تله‌متری سخت‌افزار و امتیاز سلامت خوشه از طریق جریان‌های JSONL، واسطه‌های انسانی را از حسابرسی زیرساخت حذف می‌کند. این تغییر ساختاری برای جلوگیری از خطاهای بحرانی در اتصال عامل‌ها به API که پیش‌تر شناسایی شده بود، حیاتی است.
کاربران اکنون می‌توانند این ادعاها را با فراخوانی مانیفست for-agents.json یا بررسی پیش‌چاپ‌های Zenodo تأیید کنند.
گام بعدی شما
- مانیفست for-agents.json را با دستور curl بررسی کنید تا ساختار داده‌های ماشین‌خوان را ببینید.
- مستندات Zenodo مربوط به این پروژه را برای تحلیل نحوه ساخت Corpus مطالعه کنید.
- بررسی کنید آیا زیرساخت شما قابلیت پشتیبانی از دایرکتوری /.well-known/ برای کشف توسط عامل‌ها را دارد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو