چرا Skillهای هوش مصنوعی باید مستقل از مدل باشن
خلاصهٔ کاملتر
به گفتهٔ نویسنده، وقتی داری بین Claude، Codex یا Gemini انتخاب میکنی، در واقع داری مدل رو مقایسه میکنی، در حالی که چیزی که واقعاً روی کارت تاثیر میذاره «هارنس»ه؛ یعنی همون لایه نرمافزاریای که به مدل امکان خوندن و نوشتن فایل، اجرای دستورات ترمینال، و لوپ زدن روی نتیجهٔ کارهاش رو میده. یه مدل بدون هارنس فقط میتونه متن تولید کنه، نه اینکه واقعاً کاری روی سیستم تو انجام بده.
اونی که واقعاً ارزش داره و باید ازش محافظت کنی Skillها و فایلهای context هستن؛ یعنی همون دستورالعملها و استانداردهایی که تجربهٔ تو رو کدنویسی میکنن. نویسنده پیشنهاد میکنه این Skillها رو به شکل مستقل از هارنس بنویسی و بعد روی چند تا ابزار مختلف تستشون کنی، مثلاً یه Skill رو اول برای Claude Code بسازی و بعد با یه مرحلهٔ تبدیل، برای Codex هم بازنویسیش کنی تا مطمئن بشی رفتار یکسانی دارن.
این Skillها زود کهنه میشن؛ چون مدلها و هارنسها مدام آپدیت میشن، دستورالعملی که یه محدودیت قدیمی رو دور میزده میتونه بعد از رفع اون محدودیت، اضافی یا حتی اشتباه بشه. به همین خاطر افرادی که زیاد تو این حوزه کار میکنن پیشنهاد میدن هر چند ماه یهبار (حدود هر ۶ ماه) کل Skillها رو پاک کنی و از نو بنویسی، به جای اینکه لایهلایه روش پچ بذاری.
مدلهای متنباز محلی هم الان اونقدر قوی شدن که میتونن بخش زیادی از کارهای روتین رو انجام بدن، و بهتره مدلهای قویتر و پولی رو فقط برای برنامهریزی و تصمیمهای سختتر نگه داری. نویسنده همچنین میگه هارنسهای مختلف شخصیتهای متفاوتی دارن؛ یکی بیشتر شبیه یه برنامهریز کلینگره و یکی دیگه بیشتر دقیق و مو به مو دستورات رو اجرا میکنه، و ترکیب دوتاشون تو یه ورکفلو میتونه نقطهضعفهایی رو نشون بده که هر کدوم تنها نمیتونن پیدا کنن.
نکات کلیدی:
- هارنس (مثل Claude Code یا Codex) امکان خوندن و نوشتن فایل و اجرای دستور رو به مدل میده؛ خود مدل فقط متن تولید میکنه.
- Skillها و فایلهای context دارایی واقعی هستن؛ باید مستقل از هارنس نوشته و روی چند ابزار مختلف تست بشن.
- توصیه میشه هر حدود ۶ ماه Skillها از نو بازنویسی بشن، چون سریع کهنه میشن.
- مدلهای متنباز محلی برای کارهای روتین کافیان؛ مدلهای قویتر و پولی برای برنامهریزی و تصمیمهای سخت نگه داشته میشن.




