تصور کنید برنامه‌نویسی هستید که ابزارهای AI او مدام در حلقه‌های تکراری می‌گیرند یا دستورات سازمانی را نادیده می‌گیرند. مشکل احتمالاً از هوش مدل نیست، بلکه از «هارنس» یا همان چارچوبی است که مدل در آن محبوس شده است.
طبق اعلام رایان لوپوپولو (Ryan Lopopolo)، اکثر شکست‌های عامل‌های AI در محیط عملیاتی، ریشه در ضعف مدل ندارند، بلکه مشکل از محیط پیرامونی یا همان هارنس است. او در ۱۸ جولای ۲۰۲۶، راهنمای جامع و مجموعه‌ای از ابزارهای بافتاری را در گیت‌هاب (GitHub) منتشر کرد تا این متدولوژی را رسمیت ببخشد. این تلاش برای ساختارمند کردن خروجی‌ها، در ادامه موجی از ابزارهای متن‌باز است که هدفشان حذف نتایج نامرتبط است؛ درست مانند کتابخانه‌ی جدیدی برای پاک‌سازی زباله‌های بصری در خروجی مدل‌ها که اخیراً معرفی شد.
بسیاری از توسعه‌دهندگان به اشتباه تصور می‌کنند مدل‌های 똑똑تر، مشکل پایداری را حل می‌کنند. در واقع، یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده اما از قوانین داخلی شرکت شما خبر ندارد — اگر در یک هارنس ضعیف قرار بگیرد، همچنان دچار توهم (Hallucination) می‌شود. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل خروجی بدون کنترل محیط ناممکن است. مهندسی هارنس، مدل را مانند یک جعبه سیاه می‌بیند و تنها روی دو اهرم بیرونی تمرکز می‌کند: بافتار (Context) و ابزارها.
بر اساس مستندات منتشرشده در گیت‌هاب، یک هارنس اصولی تضمین می‌کند که عامل بتواند قصد کاربر را بازیابی کند، سیستم‌ها را به درستی به کار بگیرد و نتایج را اثبات کند. این چارچوب به‌ویژه روی «الزامات غیرعملاتی» — یعنی محدودیت‌های نامرئی امنیتی و عملکردی — تمرکز دارد. لوپوپولو تأکید می‌کند که مخزن کد باید خود به عامل آموزش دهد:
- محدودیت‌های اجرایی: تبدیل تصمیمات سازمانی به کدهایی که مدل بتواند بازیابی کند.
- قضاوت تراکمی: استفاده از شکست‌ها و اصلاحات قبلی به‌عنوان بافتار برای اجراهای آینده.
- کوه یخ داده-فرآیند: نمایش وضعیت عملیاتی و هستی‌شناسی محلی که مدل‌های کلی نمی‌توانند حدس بزنند.
این چرخش راهبردی، هوشمندی را از پرامپت به محیط منتقل می‌کند. وقتی یک عامل کدنویسی را به جای یک دستور طولانی، به یک مخزن اختصاصی هارنس متصل می‌کنید، او نقشه دقیق دسترسی‌ها و استانداردهای کیفی را دریافت می‌کند. این یعنی تبدیل یک ابزار عمومی به یک نیروی متخصص که استانداردهای ظریف سازمانی را می‌شناسد.
برای متخصصان، این به معنای تغییر تمرکز از مهندسی پرامپت (Prompt Engineering) — یا همان هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — به مهندسی سیستم‌ها است. هدف این است که قضاوت‌های سازمانی تراکمی شوند تا هر قطعه کد پذیرفته‌شده، مسیر آینده‌ی عامل را بهبود ببخشد. این رویکرد در واقع شکاف نهایی میان یک مدل توانمند و یک کارمند قابل‌اتکا در محیط تولید را پر می‌کند.
برای پیاده‌سازی این روش، توسعه‌دهندگان باید ابتدا نقاط شکست عامل‌های خود را بررسی کنند تا بفهمند آیا مدل دچار نقص استدلالی شده یا صرفاً محدودیت درست را در اختیار نداشته است. اکنون می‌توانید با استفاده از کتابچه‌های راهنما و فایل مسیردهی AGENTS.md، محیط عامل‌محور خود را ساختاربندی کنید.
گام بعدی شما
- نقاط شکست عامل‌های فعلی خود را بررسی کنید تا متوجه شوید نقص در مدل است یا محیط.
- مخزن هارنس را بر اساس فایل AGENTS.md لوپوپولو در پروژه خود پیاده کنید.
- الزامات غیرعملاتی (Security/Performance) را به صورت کدهای بازیابی‌پذیر درآورید.
اما تأثیر این معماری بر هزینه‌های استنتاج در مقیاس بالا هنوز ناشناخته است — به تحلیل ما درباره‌ی بهینه‌سازی هزینه GPU مراجعه کنید، یا برای بررسی روش‌های جایگزین در مدیریت ترافیک، راهکار Foreman در کاهش هزینه‌های LLM از طریق مسیریابی قطعی را مطالعه کنید.
گفتگو