‏Agent UX: ابزار توسعه باید برای ایجنت‌ها هم ساخته بشه

Ines Montani، از سازنده‌های spaCy و Prodigy، تو این مقاله از چیزی حرف می‌زنه که اسمش رو گذاشته agent UX. حرف اصلیش اینه که بیشتر کار واقعی حالا تو ترمینال و با دستیارهایی مثل Claude Code انجام می‌شه. پس ابزاری که ایجنت نتونه باهاش کار کنه، از روند کاری آدم‌ها جا می‌مونه. تیمش این ایده‌ها رو موقع ساخت Ellf پیاده کرده؛ یه پلتفرم برای توسعهٔ NLP (یعنی پردازش زبان طبیعی) که هم اپ وبه هم ابزار توسعه.

نویسنده از اصطلاح reverse centaur استفاده می‌کنه، یعنی آدمی که به‌جای هدایت کار، شده یه مرحله از نقشهٔ ایجنت. اگه کاری فقط از راه GUI ممکن باشه، ایجنت نمی‌تونه انجامش بده و از کاربر می‌خواد بره دکمه‌ها رو بزنه و برگرده گزارش بده. به گفتهٔ اون، راه درست اینه که هر کاری که تو اپ می‌شه کرد، از API و ایجنت هم با همون اسم شدنی باشه.

بهترین مثالش workflowهای سفارشی Ellf هست. تابع پایتون رو با decorator علامت می‌زنی و از type hintها، هم CLI ساخته می‌شه هم فرم وب. مثلاً آرگومانی با نوع str می‌شه یه فیلد متنی، نوع Dataset می‌شه لیست انتخاب دیتاست‌های cluster، و Input[Literal["text"]] فقط assetهای متنی رو نشون می‌ده. یعنی اگه ایجنت یه اسکریپت پیش‌پردازش بنویسه و آپلود کنه، چند دقیقه بعد بقیهٔ تیم یه فرم آماده تو اپ دارن، بدون اینکه ترمینال باز کنن.

برای اینکه SaaS قابل اسکریپت‌نویسی باشه، Ellf اجازه می‌ده cluster پردازش خودت رو وصل کنی، شبیه self-hosted runnerها تو CI. اپ رابط مشترک و حساب‌های کاربری رو می‌ده و cluster خودت کد رو اجرا می‌کنه و داده‌ها پیش خودت می‌مونه. نویسنده می‌گه قبلاً راه‌اندازی همچین زیرساختی تجربهٔ DevOps زیادی می‌خواست، ولی حالا ایجنت می‌تونه قدم به قدم کمکت کنه. تو اپ هم هر صفحه یه دستور CLI معادل داره که از command bar می‌شه کپیش کرد.

بخش دیگه اینه که ایجنت بتونه «کار رو روی انسان زمان‌بندی کنه». تو نظرسنجی بتای Ellf، نزدیک ۵۰٪ گفتن بزرگ‌ترین گلوگاهشون ارزیابی و بهتر کردن کیفیت خروجی LLM هست. اگه ایجنت بدونه ابزار annotation (یعنی برچسب‌زدن داده) دم دستشه، احتمال بیشتری داره که انسان رو وارد کار کنه. کارهای تکراری مثل پیش‌برچسب‌زدن با LLM انجام می‌شه و تصمیم‌هایی که قضاوت می‌خوان می‌مونه برای آدم. نویسنده می‌گه حتی چند صد نمونه هم فرق بزرگی ایجاد می‌کنه.

آخر سر، تیم Explosion تجربه‌شون رو از راه skillها و MCP serverها در اختیار ایجنت گذاشتن تا ایجنت بتونه تو قدم‌های اول پروژه، مثل شکستن مسئله و تعریف خروجی، کمک کنه. نقشهٔ پروژه هم تو یه فایل Markdown نوشته می‌شه که با پلتفرم sync می‌شه و ایجنت به‌روزش نگه می‌داره.

نکات کلیدی:

• Ellf از decorator و type hintهای پایتون، هم CLI می‌سازه هم فرم وب، از یک منبع واحد.
• CLI در Ellf تقریباً یک‌به‌یک با امکانات اپ وب منطبقه و هر صفحه دستور معادلش رو نشون می‌ده.
• cluster پردازش مال خود کاربره و می‌تونه لوکال یا روی کلود باشه؛ داده‌ها خصوصی می‌مونن.
• نزدیک ۵۰٪ پاسخ‌دهنده‌های بتا ارزیابی کیفیت خروجی LLM رو بزرگ‌ترین گلوگاه دونستن.
• دانش تخصصی NLP تیم از راه skillها و MCP serverها به ایجنت داده می‌شه.