کلود پروژه‌ها را با ایجنت‌های موازی بازطراحی کرد

شرکت Anthropic بخش Projects کلود را کاملاً بازطراحی کرد؛ حالا این ابزار مثل یک مدیر پروژه‌ی هوشمند، کار را میان چند نخ موازی در کلود کد پخش و هماهنگ می‌کند.

نخست: چرا Anthropic این تغییر را داد

تا پیش از این به‌روزرسانی، Projects در کلود بیشتر شبیه یک پوشه‌ی هوشمند بود؛ جایی برای نگه‌داشتن فایل‌ها، مستندات و تاریخچه‌ی گفت‌وگوها. کاربر برای هر کار تازه باید خودش زمینه را دوباره توضیح می‌داد، فایل‌های مرتبط را پیدا می‌کرد و منتظر می‌ماند تا یک گفت‌وگوی واحد کل مسیر را طی کند. این روش برای کارهای کوچک خوب جواب می‌داد، اما برای پروژه‌های نرم‌افزاری واقعی که چند بخش هم‌زمان نیاز به تغییر دارند، کند و ناکارآمد بود.

در طول یک سال گذشته، رقابت میان آزمایشگاه‌های بزرگ هوش مصنوعی از «پاسخ بهتر به یک پرامپت» به سمت «مدیریت کامل یک وظیفه‌ی چندمرحله‌ای» رفته است. برای آشنایی بیشتر با ریشه‌ی این رقابت و اینکه اصلاً OpenAI چیست و چه نقشی در شکل‌گیری این مسابقه داشته، می‌توانید مطلب اختصاصی سایت را بخوانید. Anthropic با این بازطراحی عملاً اعلام کرده که آینده‌ی ابزارهای کدنویسی هوش مصنوعی، موازی‌سازی واقعی کار است، نه فقط سریع‌تر پاسخ‌دادن به یک درخواست.

دوم: معماری تازه؛ یک هماهنگ‌کننده و چند نخ

در قلب طراحی جدید، یک لایه‌ی هماهنگ‌کننده قرار دارد. این لایه همان گفت‌وگوی اصلی پروژه است که سؤال‌های ساده را مستقیماً پاسخ می‌دهد، اما وقتی با کار بزرگ‌تری روبه‌رو شود، تصمیم می‌گیرد که کدام بخش‌ها باید به یک نخ جداگانه سپرده شوند. هماهنگ‌کننده گزارش پیشرفت هر نخ را دریافت می‌کند، اما لازم نیست هر قدم میانی را زیر نظر بگیرد؛ دقیقاً مثل یک مدیر فنی که به تیمش اعتماد کرده است.

لایه‌ی دوم، خود نخ‌ها هستند. هر نخ یک نشست کامل کلود کد در فضای ابری است که روی برنچ گیت و کپی مستقل خودش از مخزن کار می‌کند. نخ‌ها می‌توانند کار را حتی بیشتر خرد کنند و از زیرعامل‌ها، حلقه‌ها و گردش‌کارهای داخلی خودشان استفاده کنند. این یعنی یک درخواست ساده‌ی کاربر می‌تواند در پس‌زمینه به یک درخت کامل از عامل‌های هوش مصنوعی تبدیل شود که هرکدام مسئول بخش کوچکی از کار هستند.

سوم: حافظه‌ی مشترک و فایل MEMORY.md

یکی از بخش‌های کلیدی این بازطراحی، حافظه‌ی مشترک پروژه است. همه‌ی نخ‌ها به‌طور خودکار به مخازن کد پروژه، فایل‌های آپلودشده، دستورالعمل‌های پروژه تا سقف شانزده‌هزار کاراکتر، و یک فایل شاخص به اسم MEMORY.md دسترسی دارند. این فایل هم توسط نخ‌ها خوانده می‌شود و هم به‌روزرسانی می‌شود؛ یعنی وقتی یک نخ تصمیم مهمی می‌گیرد یا یک قانون تازه کشف می‌کند، نخ‌های دیگر و حتی گفت‌وگوهای بعدی هم از آن باخبر می‌شوند.

این مکانیزم مشکل قدیمی «فراموشی زمینه» را حل می‌کند. تا پیش از این، کاربران مجبور بودند با پرامپت‌نویسی پیچیده هر بار زمینه‌ی کار را از نو بسازند. اگر دوست دارید با اصول درست پرامپت‌نویسی برای گرفتن بهترین خروجی از مدل‌های زبانی آشنا شوید، آموزش نوشتن پرامپت در سایت Mr ChatGPT نقطه‌ی شروع خوبی است. با حافظه‌ی مشترک، بخش زیادی از این نیاز کم می‌شود، چون خودِ کلود تاریخچه و تصمیم‌های قبلی پروژه را به خاطر می‌سپارد.

چهارم: کلود کد و نشست‌های ابری موازی

هر نخ در واقع یک نشست کامل کلود کد است، با همان قابلیت‌های معمول: اتصال به مخزن، تولید فایل و آرتیفکت، اجرای تست، و باز کردن پول‌ریکوئست همراه با اصلاح خودکار خطاها. نکته‌ی مهم این است که این نشست‌ها بعد از بسته‌شدن مرورگر یا خاموش‌شدن دستگاه کاربر هم به کارشان ادامه می‌دهند؛ کاربر می‌تواند ساعت‌ها بعد برگردد و ببیند کدام نخ‌ها تمام شده‌اند، کدام‌ها به بازبینی نیاز دارند و کدام‌ها هنوز در حال اجرا هستند.

اگر چند نخ روی یک فایل یا بخش مشترک از کد تغییر بدهند، تعارض‌های احتمالی دقیقاً مثل هر پول‌ریکوئست معمولی در گیت مدیریت و حل می‌شوند. این طراحی باعث می‌شود کاربر نگران هماهنگی دستی میان نخ‌ها نباشد و بیشتر روی تصمیم‌های سطح بالا تمرکز کند.

پنجم: چند سناریوی واقعی از این قابلیت

Anthropic برای روشن‌شدن کاربرد این معماری، چند مثال عملی معرفی کرده است. در یکی از آن‌ها، کاربر هدفی مثل کاهش تأخیر پاسخ‌دهی در صدک هفتادوپنجم یک سرویس را تعیین می‌کند؛ کلود خودش هر مسیر (endpoint) را پروفایل می‌کند، چند بهینه‌سازی مختلف را در نخ‌های جداگانه امتحان می‌کند و برای هرکدام یک پول‌ریکوئست جدا باز می‌کند. در نمونه‌ی دیگر، حذف یک ای‌پی‌آی منسوخ از چند مخزن کد مختلف است؛ به‌جای اینکه یک نفر یکی‌یکی مخازن را باز کند، هر مخزن به یک نخ اختصاصی سپرده می‌شود.

این نوع سناریوها به‌خصوص برای تیم‌های کوچک یا توسعه‌دهندگان مستقل جذاب است که وقت کافی برای انجام دستی کارهای تکراری ندارند. برای درک بهتر تفاوت میان کار یک توسعه‌دهنده‌ی تنها و یک مهندسی واقعی که از چنین ابزارهایی به‌درستی استفاده می‌کند، مطلب توسعه‌دهنده‌ی تنها در برابر مهندس واقعی در سایت را از دست ندهید.

ششم: محدودیت‌ها، سقف مصرف و هزینه

اجرای موازی چند نخ به این معناست که مصرف حساب کاربری هم سریع‌تر از حالت عادی بالا می‌رود؛ هر نخ در حال اجرا مثل یک نشست کامل جداگانه حساب می‌شود. به همین دلیل Anthropic یک سقف سخت‌گیرانه‌ی روزانه‌ی ۲۰۰ نخ جدید برای هر حساب در نظر گرفته است. نخ‌های بی‌کار هم فقط وقتی دوباره فعال می‌شوند که خطایی در تست‌های یکپارچگی رخ دهد یا بازبینی تازه‌ای برسد.

برای کنترل بهتر هزینه، هر پروژه یک تب مصرف جداگانه دارد که در آن می‌توان مدل و سطح تلاش هماهنگ‌کننده را جدا از نخ‌ها تنظیم کرد. تنظیم پیش‌فرض پروژه‌های تازه، استفاده از مدل Opus برای همه‌ی بخش‌ها با سطح تلاش بالا برای نخ‌ها و سطح تلاش پایین برای گفت‌وگوی هماهنگ‌کننده است؛ ترکیبی که سرعت را با هزینه‌ی معقول متعادل نگه می‌دارد.

هفتم: زمان‌بندی عرضه و پلن‌های در دسترس

در حال حاضر، دسترسی آزمایشی این قابلیت فقط برای بخشی از کاربران پلن‌های Pro و Max در نسخه‌ی وب و دسکتاپ باز شده است. Anthropic اعلام کرده طی روزهای آینده این دسترسی به کاربران بیشتری از همین پلن‌ها می‌رسد. مرحله‌ی بعدی، عرضه برای حساب‌های تیمی و سازمانی خواهد بود و در نهایت، قابلیت‌های مشابه به بخش گفت‌وگوی معمولی کلود و Cowork هم راه پیدا می‌کند. فعلاً هیچ اشاره‌ای به دسترسی از طریق خط فرمان (CLI) نشده است.

هشتم: مقایسه با OpenAI، Copilot و گروک

این بازطراحی کلود در خلأ اتفاق نیفتاده است. OpenAI پیش‌تر نسخه‌ی عمومی آزمایشی Agents API خودش را معرفی کرده بود که هدف مشابهی دارد: واگذاری کارهای چندمرحله‌ای به عامل‌های خودکار. از سوی دیگر، گروک هم با معرفی تیم‌های عامل ماندگار و پایدار، وارد همین میدان رقابت شده است. مایکروسافت هم در Copilot سازمانی خودش به سمت هماهنگی چند عامل حرکت کرده تا بتواند در پروژه‌های بزرگ‌تر جواب بدهد.

نکته‌ی مشترک همه‌ی این تحرکات این است که مرز میان «دستیار هوش مصنوعی» و «همکار خودکار» دارد کم‌رنگ می‌شود. اگر می‌خواهید بدانید این نوع تحول چه معنایی برای کسب‌وکارهای واقعی دارد، مطلب اهمیت هوش مصنوعی در کسب‌وکار در سایت Mr ChatGPT به‌خوبی این موضوع را باز کرده است. با این حال، باید در نظر داشت که این ابزارها همچنان محدودیت‌های واقعی دارند و جای قضاوت و نظارت انسانی را نمی‌گیرند؛ موضوعی که در مطلب محدودیت‌های واقعی هوش مصنوعی به آن پرداخته‌ایم.

نهم: چرا این تغییر برای توسعه‌دهندگان ایرانی مهم است

بسیاری از تیم‌های کوچک و توسعه‌دهندگان مستقل در ایران با محدودیت زمان، نیروی انسانی و گاهی حتی دسترسی پایدار به ابزارهای بین‌المللی دست‌وپنجه نرم می‌کنند. قابلیتی مثل موازی‌سازی واقعی کارهای کدنویسی می‌تواند به این معنا باشد که یک توسعه‌دهنده‌ی تنها بتواند هم‌زمان روی چند بخش از یک محصول کار کند، بدون اینکه مجبور باشد یکی‌یکی منتظر تمام‌شدن هر کار بماند. البته استفاده‌ی مؤثر از چنین ابزارهایی همچنان نیازمند درک درست از نحوه‌ی طراحی پرامپت، ساختار پروژه و بازبینی خروجی مدل است.

برای دنبال‌کردن ادامه‌ی این روند و سایر تحولات مشابه در دنیای هوش مصنوعی، سری اخبار Mr ChatGPT هم می‌تواند منبع خوبی باشد؛ در بخش سایر اخبار هوش مصنوعی و آموزش‌های ChatGPT می‌توانید آخرین تغییرات ابزارهای هوش مصنوعی را دنبال کنید.

پرسش‌های پرتکرار

پروژه‌های موازی کلود چه زمانی برای همه باز می‌شود؟
فعلاً فقط بخشی از کاربران Pro و Max در وب و دسکتاپ به آن دسترسی دارند و Anthropic گفته طی روزهای آینده دایره‌ی کاربران را گسترش می‌دهد. زمان دقیق عرضه‌ی عمومی و نسخه‌ی تیمی/سازمانی هنوز اعلام نشده است.

آیا استفاده از نخ‌های موازی هزینه‌ی بیشتری دارد؟
بله. هر نخ در حال اجرا مثل یک نشست کامل کلود کد مصرف حساب کاربری را کم می‌کند، به همین دلیل سقف روزانه‌ی ۲۰۰ نخ تازه در نظر گرفته شده و کاربران می‌توانند مدل و سطح تلاش را برای کنترل هزینه تنظیم کنند.

تفاوت این قابلیت با نسخه‌ی قبلی Projects چیست؟
در نسخه‌ی قبلی، Projects بیشتر یک فضای نگه‌داری فایل و گفت‌وگو بود. در نسخه‌ی تازه، یک گفت‌وگوی هماهنگ‌کننده کار را میان چند نخ ابری مستقل توزیع می‌کند که هرکدام روی برنچ جداگانه‌ی خودشان کار، تست و پول‌ریکوئست باز می‌کنند.