ایجنت‌ها کلیک رو یاد گرفتن، کار رو نه
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
Yunze Xiao تو این مقاله می‌گه بعد از GPT-6 Astra، کارهای CUA (یعنی ایجنت‌هایی که مثل آدم با صفحه و ماوس با کامپیوتر کار می‌کنن) روی اپ‌های معروف مثل Word و Google Workspace دیگه چالش نیستن. مدل مستندات این محصولات رو هزار بار خونده و کار با اپ عملاً شده یادآوری. به گفتهٔ نویسنده، سختی باقی‌مونده جای دیگه‌ست: ایجنتی که بلده یه کار رو انجام بده، لزوماً بلد نیست به هدف برسه.
مثالش درخواست نیروی جدیده. ایجنت می‌تونه ایمیل درخواست بفرسته، ولی گرفتن نیرو یعنی پیدا کردن بودجه، قانع کردن کسی که بودجه دستشه و گرفتن تأییدش. نویسنده می‌گه این دانش نانوشته، مثلاً اینکه بازپرداخت‌های بالای یه مبلغی تأیید نفر دوم می‌خواد و اون آدم این هفته مرخصیه، جایی مستند نشده. اگه محیط آموزشی فقط کلیک‌ها رو چک کنه، کل بودجه‌شو خرج همون چیزی می‌کنه که مدل‌ها از قبل بلدن.
پیشنهادش اینه که محیط RL (یعنی دنیای شبیه‌سازی‌شده‌ای که ایجنت توش با آزمون و خطا و پاداش یاد می‌گیره) یه سازمان زنده داشته باشه: کی چی می‌دونه، کی اجازهٔ تأیید چی رو داره، چقدر بودجه مونده و چه قول‌هایی داده شده. همکار شبیه‌سازی‌شده باید دلیل داشته باشه و با مدرک نظرش عوض بشه، نه با پنج بار تکرار سؤال. grader هم باید ببینه نیرو واقعاً تأیید شده و بودجه‌ش هست، نه اینکه فقط ایمیل رفته.
نویسنده می‌گه دنیای محیط باید پر و به‌هم‌ریخته باشه، مثل یه درایو واقعی با فایل‌هایی که به هم ارجاع می‌دن و تب‌هایی به اسم «v2 final» و «use this one». برای ساختنش میشه از داده‌های واقعی شرکت‌های تعطیل‌شده استفاده کرد، ولی نه خام. اون چهار لایه ازشون استخراج می‌کنه: ساختار سازمان و خط زمانی، فرایندها و قانون‌ها، آمار شلوغی (مثل اسم‌گذاری فایل‌ها و طول جواب‌ها) و منبع تسک‌ها. بعد دادهٔ اصلی رو کنار می‌ذاره و با LLM یه دنیای جدید می‌سازه.
ایدهٔ دیگه‌ش اینه که یه دنیا از چند در قابل دسترس باشه: GUI، API و خط فرمان، همه روی یه state مشترک. این‌طوری میشه سختی تسک رو با عوض کردن ابزارهای در دسترس تنظیم کرد و ایجنت یاد می‌گیره کی به جای کلیک روی دویست ردیف، یه اسکریپت بنویسه. نویز هم باید جزو دنیا باشه: فایل‌های تکراری و قدیمی، پاپ‌آپ، همکاری که دیر جواب می‌ده، یا بودجه‌ای که وسط کار عوض میشه.
نویسنده می‌گه اگه جواب درست به اطلاعاتی بستگی داشته باشه که هیچ‌جا نیست، تسک سخت نیست، ناعادلانه‌ست و فقط حدس زدن یاد می‌ده. آزمایشی که می‌خواد انجام بده اینه که نرم‌افزار ثابت بمونه و سازمان پشتش عوض بشه. بعد ببینه ایجنت‌هایی که روی سازمان‌های پویا آموزش دیدن، تو سازمان‌های ناآشنا واقعاً کار رو پیش می‌برن یا فقط ابزار رو بهتر بلدن.
نکات کلیدی:
- به گفتهٔ نویسنده، بعد از GPT-6 Astra کار با Word و Google Workspace برای ایجنت‌های CUA دیگه چالش نیست
- grader باید نتیجه رو بسنجه، مثلاً تأیید واقعی نیرو و وجود بودجه، نه ارسال ایمیل
- چهار لایهٔ استخراج از داده‌های واقعی: ساختار و خط زمانی، قانون‌ها، آمار شلوغی، منبع تسک
- یه state مشترک پشت GUI، API و CLI باعث میشه نمرهٔ نتیجه برای همهٔ مسیرها یکی باشه
- پنج نوع نویز پیشنهادی: محتوا، رابط کاربری، دستور، اجتماعی و سازمانی
