‏ایجنت‌ها رو بیار توی همون برد کاری تیم

نویسنده می‌گه بیشتر تیم‌هایی که سراغ ایجنت می‌رن به یه دیوار مشترک می‌خورن: ایجنت‌ها کارهای مفیدی می‌کنن ولی هیچ‌کس دقیق نمی‌دونه کِی چی کار کردن و خروجی‌شون خوب بوده یا نه. خروجی‌ها جایی جدا از جایی که آدم‌ها کار رو مدیریت می‌کنن جمع می‌شن و تیم مدام بین ابزار پروژه و خروجی هوش مصنوعی جابه‌جا می‌شه. به گفتهٔ نویسنده راه‌حل اتوماسیون بیشتر نیست، معماری بهتره.

فضای کاری مشترک یعنی محیطی که هم آدم و هم ایجنت می‌تونن توش تسک بسازن، تسک برداشته و تمومش کنن، هر خروجی از همون مسیر بازبینی رد شه و هیچی بدون تأیید قابل ردیابی منتشر نشه. هدف اینه که کار هوش مصنوعی خوانا شه: بازکردن برد پروژه باید نشون بده ایجنت‌ها امروز چی کار کردن، چی منتظر بازبینیه و چی تأیید یا رد شده.

ابزارهایی مثل Linear، Jira و Asana همین حالا بدنهٔ لازم رو دارن: وضعیت‌های ساختاریافته، امکان تخصیص به کاربر یا حساب سرویس، برچسب و متادیتا، و دسترسی API که ایجنت بتونه تسک بسازه و جابه‌جا کنه. همین چند تا اولیه برای ساختن یه لایهٔ واقعی همکاری آدم و ایجنت کافیه.

لایهٔ اول دریافته: کار می‌تونه از ورودی آدم، از ایجنتی که یه صندوق ورودی یا فید داده رو پایش می‌کنه، از تریگر زمان‌بندی‌شده یا از وب‌هوک بیاد. قانون کلیدی اینه که همهٔ تسک‌ها بدون توجه به منشأشون تو یه صف واحد بشینن؛ ساختن یه برد جدا برای «تسک‌های هوش مصنوعی» کل هدف رو از بین می‌بره. هر تسک هم باید عنوان قابل فهم، بافت، برچسب منبع، سیگنال اولویت و پیوست مرتبط داشته باشه.

لایهٔ دوم صفه، یعنی مسیریابی و تخصیص. اینکه یه تسک مستقیم به ایجنت برسه یا به آدم، به چهار چیز بستگی داره: تازگی کار، میزان ریسک خطا، برگشت‌پذیری خروجی و مقدار قضاوت شخصی لازم. قاعدهٔ سرانگشتی نویسنده اینه: اگه راحت بودی خروجی ایجنت بدون بازبینی جلوی مشتری بره، بذار خودکار انجام شه؛ وگرنه از مسیر بازبینی آدم ردش کن.

برای پیاده‌سازی، برچسب‌هایی مثل agent-ready، needs-human و hybrid استفاده می‌شه و یه حساب سرویس به اسم AI Agent ساخته می‌شه که تخصیص کار بهش دقیقاً یعنی مسئولیت اون ایجنت. یه ایجنت امتیازدهی هم می‌تونه هر صبح بک‌لاگ ورودی رو ببینه و بر اساس اثر کسب‌وکاری و فوریت، اولویت بذاره.

لایهٔ سوم ارزیابیه، همون چیزی که بیشتر تیم‌ها ازش می‌گذرن و به همین خاطر جریان کارشون به مرور از هم می‌پاشه. سه نوع ارزیابی معرفی شده: ارزیابی خودکار (چک‌لیست ساده یا الگوی «مدل به‌عنوان داور» که یه مدل دوم خروجی مدل اول رو با یه روبریک امتیاز می‌ده)، نمونه‌گیری تصادفی به دست آدم برای کالیبره موندن، و تأیید نهایی آدم برای هر چیزی که به بیرون سازمان می‌ره.

این‌ها تو ابزار پروژه به شکل وضعیت مدل می‌شن: در حال انجام، در انتظار ارزیابی، در حال بازبینی، تأییدشده و نیازمند اصلاح. ایجنت خودش وضعیت رو جلو می‌بره و آدم‌ها فقط سر مرحلهٔ بازبینی نوتیفیکیشن می‌گیرن. مهم اینه که بازبین تو همون صفحه خروجی، امتیاز ارزیابی، بافت اصلی تسک و یه دکمهٔ روشن تأیید یا رد رو ببینه، وگرنه بازبینی تبدیل به مهر زدن کورکورانه می‌شه.

نکات کلیدی:

• همهٔ تسک‌ها، چه ساختهٔ آدم چه ساختهٔ ایجنت، باید تو یه صف واحد باشن؛ صف جدا یعنی نابودی دید کلی.
• هر تسک با برچسب منبع، نوع تخصیص و وضعیت ارزیابی مشخص شه تا سطح سخت‌گیری بازبین یکسان بمونه.
• ارزیابی خودکار مشکل‌های مقیاس‌پذیر رو می‌گیره و نمونه‌گیری آدم شما رو کالیبره نگه می‌داره.
• مسیر رد و برگشت برای اصلاح رو از روز اول بساز، وگرنه ایجنت هیچ سیگنال اصلاحی نمی‌گیره.
• روبریک ارزیابی رو با ۳ تا ۵ معیار قبولی/ردی ساده شروع کن، نه ۲۰ معیار ریز.
• نرخ رد شدن خروجی‌ها رو رصد کن؛ اگه مدام بالای ۲۰ درصد بود، منطق تخصیص کار یا خود ایجنت ایراد داره.