هارنس تخصصی، جایگزین مدل تخصصی
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
نویسنده از یه ایدهٔ قدیمی شروع میکنه: مدل زبانی تخصصی. از نظر تئوری کاملاً منطقی بود — یه توکنایزر بساز که توکنهای همون حوزه رو خوب نمایش بده، وزنهای مدل رو روی زبان همون حوزه پیشآموزش یا فاینتیون کن، و یه مدل تخصصی بساز.
ولی به گفتهٔ او مدلهای زبانی بزرگ تخصصی هیچوقت واقعاً جا نیفتادن، چون همیشه یه معامله وسط بود: از دست دادن عمومیت، که به کل سیستم ضربه میزد. مدلهای زبانی کوچیک که برای یه کار مشخص مثل دستهبندی ساخته میشدن بهتر جواب دادن، ولی بیشتر تقاضا سمت یه مدل واحده.
چیزی که حالا میبینیم اینه که بارهای کاری مختلف با ترکیبهای خاصی از مدل و هارنس بهتر کار میکنن. به گفتهٔ نویسنده بلوکهای ساختمانیش هم آمادهست: هارنسهای ماژولار و کمنظر که میشه فورکشون کرد، و کلی هارنس سازمانی که همین حالا اوپنسورسن — از codex و qwen code تا opencode و gemini cli.
تعریفش از هارنس اینه: لایهای که حافظه رو مدیریت میکنه، کنترل میکنه مدل چطور اطلاعات رو بازیابی کنه، و اینکه چطور کار رو برنامهریزی کنه و از ابزار استفاده کنه. مدل بیحالته و هارنس دستورها، دسترسیها، کانتکست و ابزارهای موردنیازش رو تأمین میکنه. یعنی دیگه تخصصیسازی حول وزنهای مدل نمیچرخه و به محیط اطراف مدل منتقل شده.
سه نقطه رو برای تخصصیسازی نشون میده. اول حافظه: اینکه ایجنت چطور اطلاعات رو مدون و ماندگار کنه — و چون سلسلهمراتب اطلاعات هر حوزه رو میشه به شکل گراف یا آنتولوژی تعریف کرد، هدف روشنیه. دوم فشردهسازی: نگه داشتن یه حالت بادوام از کانتکست مدل، و مهمتر از همه اینکه چی حفظ میشه و مدل مجازه چی رو دور بریزه. مثالش حوزهٔ حقوقیه: اونجا ارجاع فایل خام رو دور نمیریزه و آرتیفکتی نگه میداره که اجازهٔ مراجعه به متن اصلی رو بده، در حالی که جای دیگه شاید خلاصهٔ مفهومی کافی باشه.
سوم ابزارها: راههایی که مدل باهاشون دنیای بیرون رو میبینه یا تغییر میده — جستوجو، دسترسی به فایل، اجرای کد، API و دیتابیس. اینها میتونن ورودی و خروجی، عملیات و حلقههای اعتبارسنجی مخصوص هر حوزه رو کدگذاری کنن؛ مثلاً استفادهٔ درست از دادهٔ تخصصی رو الزامی کنن یا ایجنت رو مجبور کنن قبل از هر تغییر، دیتابیس رو مرجعگذاری کنه.
نویسنده ضدنظر رو هم میآره: هر ارائهدهندهٔ مدل مرزی، مدلش رو روی هارنس خودش پسآموزش میده — اینکه چه ابزاری رو کِی صدا بزنه، چه آرگومانی میخواد، اعتبارسنجها چطور جواب میدن و چطور از خطا برگرده — و همیشه یه چیزی از تطبیق وزنها با محیط گیرت میاد. ولی به باور او با توان عمومی مدلهای امروز، اهمیت این موضوع داره کم میشه، درست مثل فاینتیون تخصصی؛ چون یه حلقهٔ تلاش دوباره با پیام خطای کامل باعث میشه بیشتر مدلها بار دوم صدا زدن ابزار رو اشتباه نکنن.
نکات کلیدی:
- مدل زبانی تخصصی بهخاطر از دست رفتن عمومیت جا نیفتاد
- تخصصیسازی داره از وزنهای مدل به هارنس یعنی محیط اطراف مدل منتقل میشه
- سه نقطهٔ کلیدی: حافظه، فشردهسازی کانتکست و ابزارها
- در فشردهسازی، تصمیم دربارهٔ اینکه چی حفظ و چی دور ریخته بشه وابسته به حوزهست
- ضدنظر: مدلها روی هارنس خودشون پسآموزش شدن، ولی وزن این موضوع داره کم میشه
