‏Droid 1.0: ایجنت کدنویسی Factory با فراخوانی برنامه‌ای ابزارها

شرکت Factory نسخهٔ 1.0 از Droid رو منتشر کرده. Droid همون agent harness این شرکته، یعنی هر چیزی که دور مدل می‌چرخه: پرامپت‌ها، ابزارها، شکل برگشتن نتیجهٔ ابزارها و حلقه‌ای که همه‌شون رو اجرا می‌کنه. به گفتهٔ تیم Factory، روی تسک‌ها و مدل‌های یکسان، Droid هم امتیاز بالاتری می‌گیره و هم ارزون‌تره و تا ۲۰٪ از harnessهای خود سازنده‌های مدل بهینه‌تره. Factory به هیچ مدلی وابسته نیست و می‌شه مدل رو دستی انتخاب کرد یا به Factory Router سپرد.

بزرگ‌ترین تغییر، programmatic tool calling یا PTC هست. تو حلقهٔ معمولی، مدل خودش مستقیم ابزار صدا می‌زنه و خروجی هر ابزار به context اضافه می‌شه. با PTC مدل یه برنامه می‌نویسه که ابزارها رو صدا می‌زنه و کل برنامه یه‌جا اجرا می‌شه. Droid این ایده رو به شکل ابزار Script پیاده کرده: مدل JavaScript می‌نویسه که تو یه sandbox بدون دسترسی مستقیم به فایل، شبکه یا سیستم اجرا می‌شه. فایل‌ها و لاگ‌های خام داخل برنامه می‌مونن و فقط خروجی چاپ‌شده به مدل می‌رسه.

طبق این مقاله، Script mode هزینهٔ Droid رو روی Claude Opus 5.5 حدود ۱۵٪ کم کرده. یه نمونه: پاک‌سازی Linear که ۱۵۱ issue رو جابه‌جا کرد و هر جابه‌جایی رو چک کرد، کلاً ۳۱۲ فراخوانی ابزار داشت. با فراخوانی مستقیم حدود ۳۶ درخواست و ۳.۱ میلیون توکن ورودی لازم بود، ولی Script با ۲ درخواست و حدود ۶۱ هزار توکن انجامش داد. تو یه نمونهٔ دیگه، بررسی ۵,۳۸۴ job تو CI فقط یه خلاصهٔ پنج‌عددی به مدل برگردوند.

نویسنده‌ها یه حلقهٔ داخلی به اسم Agent Factory هم معرفی کردن. ایجنت‌ها خطاهای benchmark و مشکلات واقعی کاربرها رو بررسی می‌کنن، تغییر پیشنهاد می‌دن و هر تغییر روی همهٔ خانواده‌های مدل تست می‌شه؛ آخرش مهندس‌ها تصمیم می‌گیرن چی منتشر بشه. مثلاً شماره‌گذاری خط‌های فایل هزینهٔ Opus رو تو یه تسک ۲۲٪ کم کرد، ولی هزینهٔ Kimi رو ۳۲٪ بالا برد. برای همین فقط به شکل گزینه‌ای اضافه شد که مدل هر وقت لازم داشت ازش استفاده می‌کنه.

بقیهٔ تغییرها ریزترن ولی جمعشون مهمه. الان ۹۸٪ ورودی درخواست‌ها از prompt cache خونده می‌شه (یعنی بخشی از درخواست که provider قبلاً پردازش کرده و دوباره ازش استفاده می‌کنه)، چون ابزارهای تازه به آخر درخواست اضافه می‌شن نه اولش. پرامپت پایه از ۲۰,۸۸۷ به ۱۳,۰۵۵ توکن رسیده، یعنی ۳۷٪ کمتر. اولین paint اپ از ۱,۸۳۹ به ۴۸۸ میلی‌ثانیه و زمان خروج از ۶۴۸ به ۳۰ میلی‌ثانیه رسیده. هر session اضافه هم به‌جای حدود ۳۵۰ مگابایت، حدود ۲۰ مگابایت حافظه می‌گیره.

تو مقایسه روی Terminal-Bench 4 با سه بار اجرا برای هر تسک، Droid روی Claude Opus 5.5 به ازای هر تسک موفق ۲۶٪ زمان کمتر و ۱۷٪ توکن کمتر از Claude Code مصرف کرده. روی GPT-6.1 Sol هم ۱۲٪ توکن کمتری از Codex خرج کرده ولی ۱۰٪ کندتر بوده. Droid 1.0 برای macOS و Windows و به شکل CLI در دسترسه و با پکیج @factory/droid-sdk هم می‌شه روش اپ ساخت.

نکات کلیدی:

• Script mode تو Droid 1.0 پیش‌فرضه و مدل به‌جای فراخوانی تک‌تک ابزارها، یه برنامهٔ JavaScript تو sandbox اجرا می‌کنه.
• Script mode هزینه رو روی Claude Opus 5.5 حدود ۱۵٪ کم کرده.
• یه کار ۳۱۲ فراخوانی‌ای به‌جای حدود ۳۶ درخواست، با ۲ درخواست و حدود ۶۱ هزار توکن انجام شده.
• پرامپت پایه ۳۷٪ کوچیک‌تر شده و از ۱۱ تعریف ابزار اولیه فقط ۲ تا باقی مونده.
• ۹۸٪ ورودی درخواست‌ها از prompt cache خونده می‌شه.
• زمان خروج از اپ از ۶۴۸ به ۳۰ میلی‌ثانیه رسیده و هر session اضافه حدود ۲۰ مگابایت حافظه می‌گیره.