محصول جدید Anthropic؛ آیا آنقدر قدرتمند است که تیم‌های زیرساخت «ایجنت‌های هوش مصنوعی» را بیکار کند؟

عنوان اصلی: «Anthropic امروز محصول جدیدی را عرضه کرد که ممکن است باعث موجی از بیکاری در تیم‌های زیرساخت ایجنت‌های هوش مصنوعی شود»

نویسنده اصلی: Bayu، مهندس هوش مصنوعی

نام این محصول Claude Managed Agents است. به زبان ساده: شما به Anthropic می‌گویید چه نوع ایجنت هوش مصنوعی نیاز دارید و این شرکت به شما کمک می‌کند تا آن را در فضای ابری اجرا کنید، که شامل تمام زیرساخت‌ها و مدل قیمت‌گذاری بر اساس میزان مصرف می‌شود. Sentry از این محصول استفاده کرد تا در عرض چند هفته، رفع خودکار باگ‌ها را به صورت سرتاسری عملیاتی کند و Rakuten نیز یک ایجنت تخصصی را در عرض یک هفته مستقر کرد. پیش از این، چنین وظایفی نیازمند ماه‌ها کار یک تیم مهندسی کامل بود.

در همین حال، درآمد سالانه تکرارشونده Anthropic به تازگی از ۳۰ میلیارد دلار فراتر رفته است که سه برابر رقم دسامبر سال گذشته است. بخش عمده این رشد از سوی مشتریان سازمانی حاصل شده است. وال‌استریت نگران شده و وال‌استریت ژورنال اعلام کرده که سرمایه‌گذاران نسبت به قیمت سهام شرکت‌های سنتی SaaS محتاط‌تر شده‌اند، چرا که می‌ترسند محصولاتی مانند محصولات Anthropic، برخی خدمات نرم‌افزاری سنتی را منسوخ کنند.

این محصول دقیقاً چیست؟ چه تفاوتی با Claude Code که هم‌اکنون استفاده می‌کنید دارد؟ از نظر فنی چگونه به دست آمده است؟

این چیست؟ چه تفاوتی با Claude Code دارد؟

اگر از Claude Code استفاده کرده باشید، می‌دانید ایجنت‌های هوش مصنوعی چگونه کار می‌کنند: شما به آن‌ها وظیفه‌ای می‌دهید و آن‌ها به‌طور خودکار مراحل را برنامه‌ریزی کرده، از ابزارها استفاده می‌کنند، کد می‌نویسند، فایل‌ها را تغییر می‌دهند و وظیفه را گام‌به‌گام به پایان می‌رسانند.

Claude Code روی کامپیوتر شخصی شما اجرا می‌شود و یک ابزار خط فرمان برای استفاده توسعه‌دهندگان است. با خاموش کردن کامپیوتر، اجرای آن متوقف می‌شود.

Managed Agents روی فضای ابری Anthropic اجرا می‌شوند و یک سرویس API برای استفاده سازمانی هستند. آن‌ها می‌توانند به‌صورت ۲۴ ساعته و مداوم کار کنند، پیشرفت کار را حتی در صورت قطع اتصال حفظ کنند و محصول شما می‌تواند قابلیت‌های ایجنت هوش مصنوعی را مستقیماً در خود جای دهد.

Notion به این صورت عمل می‌کند: کاربران وظایف خود را به ایجنت‌های Claude در داخل Notion محول می‌کنند، ایجنت‌ها در پس‌زمینه کار کرده، وظایف را تکمیل می‌کنند و نتایج را بازمی‌گردانند، بدون اینکه کاربر نیازی به خروج از Notion داشته باشد.

چند مورد استفاده معمول:

· رویداد-محور: سیستم یک باگ را شناسایی می‌کند، به‌طور خودکار یک بات را برای رفع آن و ایجاد یک Pull Request اختصاص می‌دهد، بدون اینکه نیاز به دخالت انسانی باشد.

· زمان‌بندی‌شده: هر روز صبح به‌طور خودکار خلاصه‌ای از فعالیت‌های GitHub یا گزارش کاری تیم را تولید می‌کند.

· «ارسال و فراموشی»: وظیفه‌ای را در Slack به یک بات محول کنید؛ بات وظیفه را انجام داده و سند، فایل پاورپوینت یا اپلیکیشن خروجی را به شما تحویل می‌دهد.

· وظایف طولانی‌مدت: اجرای یک تحقیق عمیق یا بازنویسی کد که چندین ساعت طول می‌کشد.

تفاوت بین بات‌های میزبانی‌شده در فضای ابری و بات‌های داخلی چیست؟

شما می‌توانید خودتان میزبانی کنید، اما این کار پرهزینه و کند است.

یک بات هوشمند که بتواند عملیاتی شود، به چیزی فراتر از «فراخوانی یک API» نیاز دارد: محیط سندباکس (یک فضای امن ایزوله که هوش مصنوعی بتواند در آن کد اجرا کند، فایل‌ها را تغییر دهد و بدون تأثیر بر سیستم خارجی واقعی با آن کار کند، مانند ارائه یک ماشین مجازی اختصاصی به هوش مصنوعی)، مدیریت اعتبارنامه‌ها، بازیابی وضعیت، کنترل دسترسی، ردیابی سرتاسری و موارد دیگر.

بسیاری از مشتریان سازمانی قبلاً به یک تیم مهندسی کامل برای این وظایف نیاز داشتند. اکنون، این کار به صورت «وصل کن و استفاده کن» (Plug and Play) درآمده و مهندسان را آزاد می‌گذارد تا بر هسته اصلی محصول تمرکز کنند.

با این حال، مشکلاتی که Managed Agents حل می‌کنند فراتر از صرفه‌جویی در نیروی کار است.

مت دانگسلی (@dongxi_nlp) خلاصه کوتاهی دارد:

مثال خاصی در وبلاگ مهندسی Anthropic وجود دارد:

وقتی Claude Sonnet 4.5 به محدودیت پنجره کانتکست نزدیک می‌شود، «دستپاچه» شده و وظیفه را با عجله به پایان می‌رساند. آن‌ها برای رفع این مشکل، بازنشانی کانتکست را در چارچوب زمان‌بندی اضافه کردند. اما با Claude Opus 4.5، این مشکل ناپدید شد و وصله قبلی عملاً به یک بار اضافی تبدیل شد.

اگر خودتان چارچوب زمان‌بندی را بسازید، باید با هر ارتقای مدل آن را به‌روزرسانی کنید. آن را به Anthropic بسپارید؛ آن‌ها آن را برای شما بهینه می‌کنند، که در واقع بهینه‌سازی چیزی است که به شما می‌فروشند.

چه کسانی از آن استفاده می‌کنند؟ چگونه؟

Notion به کاربران اجازه می‌دهد وظایفی مانند کدنویسی، ایجاد پاورپوینت و سازماندهی صفحات گسترده را مستقیماً به Claude در داخل فضای کاری محول کنند، ده‌ها وظیفه را به صورت موازی اجرا کنند و کل تیم روی خروجی یکسانی همکاری کنند. اریک لیو، مدیر محصول Notion، گفت که کاربران می‌توانند وظایف پیچیده و باز را بدون خروج از Notion مستقیماً محول کنند.

Sentry یک فرآیند کاملاً خودکار «از شناسایی باگ تا ارسال اصلاحیه کد» را پیاده‌سازی کرد. ابزار دیباگ هوش مصنوعی آن‌ها یعنی Seer، پس از شناسایی علت اصلی، به Claude اجازه می‌دهد مستقیماً وصله‌ها را بنویسد و PR (درخواست ادغام) باز کند. ایندراگی کاروناراتنه، مدیر مهندسی، گفت که آن‌ها توانستند در عرض چند هفته این سیستم را راه‌اندازی کنند و هزینه‌های نگهداری مداوم زیرساخت‌های خودساخته را حذف کنند.

Atlassian آن را در Jira ادغام کرد و به توسعه‌دهندگان اجازه داد مستقیماً وظایف را به هوش مصنوعی Claude محول کنند.

Asana همکاران هوش مصنوعی (AI Teammates) را ایجاد کرد و همکاران هوش مصنوعی را به مدیریت پروژه اضافه کرد که می‌توانند وظایف و خروجی‌ها را بر عهده بگیرند.

General Legal (شرکت فناوری حقوقی) جالب‌ترین رویکرد را دارد: هوش مصنوعی آن‌ها می‌تواند بر اساس پرسش‌های کاربر، به‌طور موقت ابزارهایی برای جستجوی داده‌ها ایجاد کند. قبلاً باید هر پرسش کاربر پیش‌بینی می‌شد و ابزار بازیابی از قبل توسعه می‌یافت، اما اکنون هوش مصنوعی آن‌ها را در لحظه تولید می‌کند. مدیر ارشد فناوری آن‌ها گفت که زمان توسعه ۱۰ برابر کاهش یافته است.

Rakuten ایجنت‌های هوش مصنوعی تخصصی را در بخش‌های مهندسی، محصول، فروش، بازاریابی و مالی مستقر کرد که هر کدام در عرض یک هفته عملیاتی شدند و وظایف را از طریق Slack و Teams دریافت کرده و خروجی‌های ملموسی مانند صفحات گسترده، پاورپوینت و اپلیکیشن تحویل می‌دهند.

اصل فنی: جداسازی مغز از دست‌ها

تیم مهندسی Anthropic یک پست وبلاگ فنی با عنوان «مقیاس‌پذیری Managed Agents: جداسازی مغز از دست‌ها» نوشت و در مورد تکامل معماری پشت Managed Agents بحث کرد.

در ابتدا، آن‌ها همه چیز را در یک کانتینر قرار می‌دادند: حلقه استنتاج هوش مصنوعی، محیط اجرای کد و گزارش نشست، همگی با هم. مزیت آن سادگی بود، اما نقطه ضعفش این بود که همه تخم‌مرغ‌ها در یک سبد بودند؛ اگر کانتینر از کار می‌افتاد، کل نشست از دست می‌رفت و بخش‌های مختلف را نمی‌شد جداگانه جایگزین کرد.

بعداً، آن‌ها یک تفکیک کلیدی انجام دادند:

· «مغز» همان Claude و چارچوب زمان‌بندی آن است که مسئول تفکر و تصمیم‌گیری است.

· «دست» همان سندباکس و ابزارهای مختلف است که مسئول اجرای عملیات خاص است.

· «حافظه» یک گزارش نشست مستقل است که هر اتفاقی را ثبت می‌کند.

این سه مستقل هستند و اگر یکی از کار بیفتد، بر دو تای دیگر تأثیری نمی‌گذارد.

این تفکیک چندین مزیت عملی به همراه داشت:

سرعت

لازم نیست هر وظیفه‌ای محیط کامل سندباکس را راه‌اندازی کند. اکنون، سندباکس فقط زمانی که هوش مصنوعی واقعاً نیاز به اجرای کد دارد، در صورت تقاضا راه‌اندازی می‌شود. میانگین تأخیر اولین پاسخ حدود ۶۰ درصد کاهش یافت و در موارد شدید، بیش از ۹۰ درصد کاهش داشت.

امنیت

کد تولید شده توسط هوش مصنوعی در سندباکس اجرا می‌شود، در حالی که اعتبارنامه‌های دسترسی به سیستم‌های خارجی در یک خزانه امن خارج از سندباکس ذخیره می‌شوند و ایزولاسیون فیزیکی در هر دو طرف وجود دارد. برای مثال، برای دسترسی به یک مخزن Git، سیستم در حین مقداردهی اولیه کد را کلون می‌کند و هوش مصنوعی به‌طور عادی با git push/pull تعامل می‌کند، اما خودِ توکن برای هوش مصنوعی قابل مشاهده نیست. برای سرویس‌هایی مانند Slack و Jira، دسترسی از طریق پروتکل MCP انجام می‌شود که در آن درخواست‌ها از یک لایه پروکسی عبور می‌کنند؛ لایه پروکسی اعتبارنامه‌ها را از خزانه برای فراخوانی سرویس بازیابی می‌کند و هوش مصنوعی در طول کل فرآیند هرگز به اعتبارنامه‌ها دسترسی پیدا نمی‌کند.

انعطاف‌پذیری

مغز اهمیتی نمی‌دهد که دست چیست. عبارت جالبی در وبلاگ مهندسی وجود دارد: چارچوب زمان‌بندی نمی‌داند که سندباکس یک کانتینر است، یک تلفن همراه است یا یک شبیه‌ساز پوکمون. فقط باید از رابط «ورودی یک نام، خروجی یک رشته» پیروی کند.

این همچنین به این معنی است که چندین مغز می‌توانند از یک دست استفاده کنند و یک مغز می‌تواند دست را به مغز دیگری بسپارد، که پایه‌ای برای همکاری چند-ایجنت است.

محدودیت‌ها

Managed Agents همه‌کاره نیستند. چند نکته قابل توجه وجود دارد:

برخی ویژگی‌ها هنوز در مرحله پیش‌نمایش تحقیقاتی هستند. قابلیت‌هایی مانند همکاری چند-ایجنت، ابزارهای حافظه پیشرفته و تکرار خودارزیابی (اجازه دادن به ایجنت برای قضاوت در مورد کیفیت تکمیل وظیفه خود و بهبود تکراری آن) هنوز کاملاً باز نیستند و نیاز به درخواست دسترسی دارند.

وابستگی به پلتفرم (Lock-in). انتخاب Managed Agents به این معنی است که زیرساخت ایجنت شما به اکوسیستم Anthropic گره خورده است. اگر قصد دارید در آینده مدل‌ها یا پلتفرم‌ها را تغییر دهید، هزینه‌های مهاجرت را نباید نادیده گرفت.

مدیریت کانتکست همچنان یک چالش است. اگرچه گزارش‌های نشست به‌طور مستقل ذخیره می‌شوند، تصمیم‌گیری در مورد اینکه چه اطلاعاتی در طول وظایف طولانی حفظ یا حذف شوند، همچنان شامل تصمیمات غیرقابل بازگشت است. این یک چالش مداوم است و رویکرد فعلی آن‌ها ذخیره‌سازی کانتکست را از مدیریت کانتکست جدا می‌کند: ذخیره‌سازی تضمین‌کننده بقا است، در حالی که سیاست‌های مدیریتی با تکامل مدل تنظیم می‌شوند.

پیش‌بینی‌پذیری هزینه. ۰.۰۸ دلار به ازای هر ساعت نشست ممکن است منطقی به نظر برسد، اما برای وظایف پیچیده‌ای که نیاز دارند ایجنت چندین ساعت اجرا شود، با در نظر گرفتن مصرف توکن و هزینه‌های زمان اجرا، هزینه کلی ممکن است ناچیز نباشد. شرکت‌ها باید بودجه خود را بر این اساس ارزیابی کنند.

Managed Agents نشان می‌دهند که اکثر شرکت‌ها هنوز راه درازی در پیش دارند تا بتوانند «برای کار به‌طور کامل به ایجنت‌های هوش مصنوعی تکیه کنند.»

اگرچه مانع زیرساختی کاهش یافته است، Managed Agents نمی‌توانند در تعریف وظایف خوب، طراحی گردش کار یا ایجاد اعتماد برای اجازه دادن به هوش مصنوعی جهت دسترسی به داده‌های اصلی کسب‌وکار کمک کنند.

«لحظه AWS» برای زیرساخت ایجنت‌های هوش مصنوعی

به نظر می‌رسد Managed Agents مسیر AWS را در روزهای اولیه خود دنبال می‌کنند: ابتدا ارائه قدرت محاسباتی، سپس کپسوله‌سازی محیط زمان اجرا.

ده سال پیش، شرکت‌ها بحث می‌کردند که آیا «به فضای ابری مهاجرت کنند»؛ اکنون بحث این است که آیا «زیرساخت ایجنت را خودشان میزبانی کنند یا از خدمات مدیریت‌شده استفاده کنند.» تجربه تاریخی به ما می‌گوید که اکثر شرکت‌ها در نهایت خدمات مدیریت‌شده را انتخاب می‌کنند، زیرا زیرساخت هرگز یک شایستگی اصلی نیست. OpenAI نیز پلتفرم ایجنت خود یعنی Frontier را راه‌اندازی کرده است و رقابت در این فضا تازه آغاز شده است.

از منظر فناوری، رویکرد معماری «جداسازی مغز و دست» قابل توجه است. این اجازه می‌دهد هر بخش از سیستم به‌طور مستقل تکامل یابد: مدل را ارتقا دهید، مغز را تغییر دهید؛ به ابزار جدید نیاز دارید، یک دست اضافه کنید؛ راهکار ذخیره‌سازی را تغییر دهید، لایه حافظه را جایگزین کنید.

یک قیاس خوب از وبلاگ مهندسی: دستور read() در یک سیستم‌عامل اهمیتی نمی‌دهد که با یک دیسک دهه ۱۹۷۰ سروکار دارد یا یک SSD مدرن؛ لایه انتزاعی پایدار است و اجازه می‌دهد پیاده‌سازی زیرین به‌راحتی جایگزین شود.

از منظر استفاده، اگر شما یک توسعه‌دهنده سازمانی هستید که به دنبال گنجاندن قابلیت ایجنت هوش مصنوعی در محصول خود هستید، Managed Agents ممکن است چندین ماه کار زیرساختی را برای شما ذخیره کند.

شش زبان (Python، TypeScript، Java، Go، Ruby، PHP) توسط SDKها پشتیبانی می‌شوند. اگر قبلاً از Claude Code استفاده می‌کنید، به آخرین نسخه به‌روزرسانی کنید و دستور /claude-api managed-agents-onboarding را تایپ کنید تا شروع کنید.

اگر یک علاقه‌مند معمولی به هوش مصنوعی هستید، فوری‌ترین تأثیری که ممکن است احساس کنید این است: در محصولات SaaS که استفاده می‌کنید، ایجنت‌های هوش مصنوعی بیشتری در پس‌زمینه برای کمک به شما کار خواهند کرد و این ایجنت‌ها احتمالاً روی Managed Agents اجرا می‌شوند.

مرجع قیمت‌گذاری: هزینه‌های توکن بر اساس قیمت‌گذاری استاندارد API Anthropic است، با هزینه زمان اجرای ۰.۰۸ دلار به ازای هر ساعت نشست (زمان بیکاری محاسبه نمی‌شود) و ۱۰ دلار به ازای هر هزار جستجوی وب.

آیا فکر می‌کنید زیرساخت ایجنت‌های هوش مصنوعی در نهایت تحت سلطه چند بازیگر بزرگ قرار خواهد گرفت، مشابه آنچه امروز در رایانش ابری شاهد هستیم؟

لینک مقاله اصلی