‏hip-agent: هارنسی که توی پرامپت جا می‌شه

نویسنده این پست می‌گه ابزارهای معروف کدنویسی ایجنتی مثل Claude Code و Codex برای استفاده‌ی انسان طراحی شدن، نه خود مدل‌های هوش مصنوعی. وقتی یه ایجنت بخواد از یکی از این ابزارها به‌عنوان ساب‌ایجنت استفاده کنه، باید چند تا نوبت رو فقط صرف فهمیدن فلگ‌های خط فرمان یا خوندن سورس‌کد کنه.

برای حل این مشکل، پروژه‌ای به اسم hip-agent (مخفف harness in prompt، یعنی هارنسی که تو پرامپت جا می‌شه) ساخته شده. کل حلقه‌ی اصلیش فقط حدود ۲۰۰ خط پایتونه و مدل فقط به دو تا ابزار دسترسی داره: sh برای اجرای دستورهای شل و view_image برای دیدن عکس. تو پرامپتش هم مستقیم گفته شده که مدل خودش بره سورس‌کد هارنس رو بخونه تا دقیقا بفهمه چطور کار می‌کنه.

ایده‌ی اصلیش اینه که خود سیستم‌عامل به‌عنوان محیط اجرا عمل کنه: تنظیمات از طریق متغیرهای محیطی انجام می‌شه، کارها با دستورهای شل اجرا می‌شن و یه ساب‌ایجنت فقط یه پردازش فرزنده. پلاگین‌ها هم از استاندارد Agent Plugins پیروی می‌کنن و مکالمه‌ها به شکل فایل سشن Codex CLI ذخیره می‌شن، پس با دستور codex resume قابل بازیابی هستن.

نویسنده hip-agent رو روی بنچمارک DeepSWE، که شامل ۱۱۳ تسکه، در برابر Codex CLI نسخه‌ی 0.147.0 تست کرده و نتیجه تقریبا برابر بوده: hip-agent ۶۴.۶ درصد تسک‌ها رو حل کرده در مقابل ۶۳.۷ درصد Codex CLI، هرچند هر تسک به طور میانگین چند دقیقه بیشتر طول کشیده. به گفته‌ی نویسنده، چون هارنس ساده و قابل خوندنه، حتی خود مدل هم می‌تونه محدودیت‌هاش رو بفهمه و دورش بزنه یا تغییرش بده.

نویسنده تو جمع‌بندی می‌گه یه هارنس مرجع مینیمال و ثابت، بهتر از ابزارهای کاربرمحوریه که هر هفته عوض می‌شن، چون ارزیابی مدل‌ها رو سخت می‌کنن؛ به گفته‌ی اون، تغییر تنظیمات هارنس می‌تونه حتی بدون تغییر مدل، نتیجه‌ی یه بنچمارک رو خیلی عوض کنه.

نکات کلیدی:

• hip-agent یه هارنس ایجنتی حدود ۲۰۰ خطی پایتونه که کامل تو پرامپت مدل جا می‌شه
• مدل فقط دو تا ابزار داره: sh و view_image
• تنظیمات از طریق متغیر محیطی انجام می‌شه و ساب‌ایجنت‌ها به شکل پردازش فرزند اجرا می‌شن
• روی بنچمارک DeepSWE (۱۱۳ تسک) ۶۴.۶ درصد حل کرده، در مقابل ۶۳.۷ درصد Codex CLI
• کد پروژه به صورت متن‌باز روی گیت‌هاب منتشر شده