به گزارش مدیاتی:آنتروپیک با معرفی قابلیت تازهای به نام «رؤیابینی» در ایجنتهای هوش مصنوعی خود، گام دیگری بهسوی ساخت مدلهایی با رفتار انسانیتر برداشته است. این ویژگی به ایجنتها اجازه میدهد سناریوهای ذهنی بسازند، مسیرهای احتمالی را شبیهسازی کنند و پیش از انجام یک وظیفه، آن را در «ذهن» خود تمرین کنند. آنتروپیک میگوید این توانایی میتواند کیفیت تصمیمگیری، خلاقیت و حل مسئله را در نسل جدید ایجنتها به شکل چشمگیری افزایش دهد و جهشی مهم در مسیر توسعه هوش مصنوعی خودمختار باشد.
افزودهشدن قابلیت «Dreaming» به ایجنتهای آنتروپیک؛ افزایش خلاقیت و تخیل مدلها
آنتروپیک در جریان کنفرانس توسعهدهندگان Code with Claude در سانفرانسیسکو، از مجموعهای از ابزارهای تازه و ارتقای زیرساختی برای پلتفرم خود رونمایی کرد؛ اما در میان همه این تغییرات، قابلیتی با نام Dreaming یا «رؤیابینی» بیش از بقیه جلب توجه کرده است. این ویژگی، برخلاف آنچه از نامش به نظر میرسد، مفهومی فانتزی یا شبیهسازی خواب برای ایجنتها نیست؛ بلکه سازوکاری مهندسیشده برای بهبود عملکرد هوش مصنوعی در پروژههای طولانی، پیچیده و چندمرحلهای بهشمار میرود.
به گفته آنتروپیک، ایجنتهای Claude با کمک این قابلیت میتوانند در فاصله بین انجام وظایف مختلف، عملکرد قبلی خود را مرور و تحلیل کنند تا برای مراحل بعدی آمادهتر شوند. این رویکرد با رفتار چتباتهای معمولی تفاوت دارد؛ زیرا بسیاری از مدلهای رایج در گفتوگوهای طولانی بهمرور دچار فراموشی، افت تمرکز یا سردرگمی میشوند.
رؤیابینی چگونه کار میکند؟
قابلیت رؤیابینی بهطور ویژه برای ایجنتهای مدیریتشده (Managed Agents) طراحی شده است. این دسته از ایجنتها برخلاف مدلهای ساده مبتنی بر API، در یک زیرساخت کنترلشده و سازمانیافته فعالیت میکنند؛ زیرساختی که در آن چندین عامل هوش مصنوعی میتوانند بهصورت همزمان و برای ساعتها روی یک پروژه واحد کار کنند.
فرایند Dreaming در عمل نوعی بازبینی دورهای و برنامهریزیشده است. در این فرایند، سیستم بخشهای مختلف پروژه و همچنین حافظه ایجنتها را اسکن میکند تا چند هدف را همزمان دنبال کند:
شناسایی خطاهای تکراری
تشخیص الگوها و گردشهای کاری بهینه
پاکسازی حافظه از اطلاعات اضافی و کماهمیت
این موضوع از آن جهت اهمیت دارد که مدلهای زبانی با محدودیت پنجره زمینه (Context Window) روبهرو هستند. به همین دلیل، اگر حافظه آنها با انبوهی از دادههای غیرضروری پر شود، کیفیت تصمیمگیری و پاسخگویی کاهش پیدا میکند. آنتروپیک میگوید رؤیابینی کمک میکند ایجنتها بهجای انباشتن یادداشتها و دادههای بیفایده، روی اطلاعات مهمتر و کاربردیتر متمرکز بمانند.
به گفته این شرکت، Dreaming نسبت به روشهای سنتی مانند فشردهسازی مکالمه در چتباتهای معمولی، بسیار قدرتمندتر عمل میکند؛ زیرا فقط به خلاصهسازی یک گفتوگوی واحد محدود نیست و میتواند الگوها را در سطح چند ایجنت و حتی کل تیم هوش مصنوعی شناسایی و ذخیره کند.
دو قابلیت مهم دیگر هم به بتای عمومی رسیدند
آنتروپیک در کنار Dreaming، دو ویژگی مهم دیگر به نامهای Outcomes و Multiagent Orchestration را نیز از مرحله پیشنمایش خارج کرده و وارد بتای عمومی کرده است.
در قابلیت Outcomes، توسعهدهندگان میتوانند برای هر تسک، معیارهای مشخصی برای موفقیت تعریف کنند. سپس یک سیستم ارزیابی جداگانه، کیفیت خروجی ایجنت را با این معیارها میسنجد و اگر نتیجه رضایتبخش نباشد، دستور تکرار یا اصلاح فرایند را صادر میکند. این قابلیت میتواند به بهبود پایداری و دقت خروجیها در پروژههای حساس کمک کند.
قابلیت Multiagent Orchestration نیز به مدیریت هماهنگ چند ایجنت اختصاص دارد. در این معماری، یک ایجنت اصلی نقش راهنبر یا مدیر پروژه را برعهده میگیرد و وظایف تخصصی را میان چند ایجنت دیگر تقسیم میکند؛ برای مثال، یک ایجنت مسئول بررسی لاگها میشود و دیگری پاسخگویی به تیکتها را برعهده میگیرد.
آنتروپیک میگوید برخی شرکتهای بزرگ هماکنون از این معماری استفاده میکنند. برای نمونه، نتفلیکس از آن برای تحلیل انبوه لاگهای سیستمی بهره میبرد و شرکت Wisedocs نیز با تکیه بر همین ساختار توانسته سرعت بررسی اسناد خود را ۵۰ درصد افزایش دهد.
افزایش سقف استفاده برای کاربران Claude Code
در کنار معرفی این قابلیتها، آنتروپیک به یکی از مطالبات اصلی کاربران هم پاسخ داده است. این شرکت اعلام کرده با وجود فشار بالای واردشده به زیرساختهای محاسباتی و محدودیتهای زمانی، سقف استفاده از Claude Code در بازههای ۵ ساعته برای مشترکان طرحهای Pro و Max دو برابر میشود.
فعلاً در مرحله پیشنمایش تحقیقاتی
درحالحاضر قابلیت Dreaming بهصورت پیشنمایش تحقیقاتی در دسترس قرار گرفته و توسعهدهندگانی که میخواهند از آن استفاده کنند، باید درخواست دسترسی ثبت کنند.
در مجموع، آنچه آنتروپیک معرفی کرده نشان میدهد این شرکت در تلاش است ایجنتهای هوش مصنوعی را از ابزارهایی صرفاً واکنشی، به سیستمهایی منظمتر، خودارزیابتر و آمادهتر برای کارهای طولانی و تیمی تبدیل کند؛ مسیری که میتواند نقش مهمی در آینده ایجنتهای پیشرفته هوش مصنوعی داشته باشد.
