در دنیای پرشتاب توسعه برنامههای کاربردی مبتنی بر مدلهای زبانی بزرگ (LLM)، شاهد یک تحول بنیادین هستیم. لایههای پیچیدهای که پیش از این برای ایجاد برنامههای نوآورانه ضروری بودند - از موتورهای جستجو و خطوط لوله بازیابی گرفته تا حلقههای پیچیده عامل (Agent) - به سرعت در حال از بین رفتن و ادغام شدن هستند. این پدیده، که جرری لیو، همبنیانگذار و مدیرعامل LlamaIndex، آن را «نقطه مطلوب» توصیف میکند، نشاندهنده بلوغ اکوسیستم هوش مصنوعی و تغییر تمرکز توسعهدهندگان است.
لیو در مصاحبهای جدید توضیح میدهد که با این تحول، نیاز به چارچوبهایی که صرفاً به سازماندهی گردش کارها به شیوهای سبک و سطحی کمک میکنند، کاهش یافته است. مدلهای زبانی مدرن به طور فزایندهای قادر به درک و پردازش حجم عظیمی از دادههای بدون ساختار هستند و در این زمینه از انسان پیشی میگیرند. قابلیتهای استدلال، خود-اصلاحی و برنامهریزی چندمرحلهای آنها به حدی رسیده که میتوان به آنها اعتماد کرد.
زمینه به عنوان مزیت رقابتی اصلی
LlamaIndex، به عنوان یکی از پیشروترین چارچوبهای تولید افزوده بازیابی (RAG) که دادههای خصوصی، سفارشی و مختص دامنه را به LLMها متصل میکند، اذعان دارد که اهمیت چارچوبهای سنتی رو به کاهش است. مدلهای جدید با هر انتشار، قابلیتهای افزایشی در استدلال بر روی حجم عظیمی از دادههای بدون ساختار از خود نشان میدهند و در این زمینه از انسان بهتر عمل میکنند. توانایی این مدلها در استدلال، خود-اصلاحی و برنامهریزی چند مرحلهای، همراه با ابزارهایی مانند پروتکل مدرن زمینه (MCP) و افزونههای Claude Agent Skills، به مدلها امکان میدهد تا ابزارها را بدون نیاز به ادغامهای جداگانه کشف و استفاده کنند.
الگوهای عامل (Agent) به سمت آنچه لیو «نمودار عامل مدیریتشده» مینامد، یعنی لایهای از مهارکنندهها همراه با ابزارها، اتصالات MCP و افزونههای مهارت، تثبیت شدهاند. این رویکرد جایگزین سازماندهی سفارشی برای هر گردش کار میشود. علاوه بر این، عاملهای کدنویسی در نوشتن کد بسیار ماهر شدهاند، که نیاز به اتکای توسعهدهندگان به کتابخانههای گسترده را کاهش میدهد. طبق گفته لیو، حدود ۹۵ درصد از کد LlamaIndex توسط هوش مصنوعی تولید میشود و مهندسان به جای نوشتن کد واقعی، از زبان طبیعی استفاده میکنند. این امر باعث فروپاشی لایه بین برنامهنویسان و غیربرنامهنویسان شده است، زیرا «زبان برنامهنویسی جدید اساساً انگلیسی است».
به جای کدنویسی دستی یا تلاش برای درک ادغام API و مستندات، توسعهدهندگان میتوانند به سادگی Claude Code را به آن اشاره کنند. لیو بیان میکند که «این نوع کارها در گذشته یا بسیار ناکارآمد بود یا عامل را مختل میکرد. امروزه ساختن حتی بازیابیهای نسبتاً پیشرفته با اصول بسیار ساده، بسیار آسانتر است.»
پس تمایز اصلی در زمان فروپاشی پشته (stack) چیست؟ لیو پاسخ میدهد: «زمینه». عاملها باید بتوانند فرمتهای فایل را برای استخراج اطلاعات صحیح رمزگشایی کنند. ارائه دقت بالاتر و تجزیه ارزانتر کلیدی میشود و LlamaIndex به دلیل توسعههای خود در پردازش اسناد عامل از طریق تشخیص نوری کاراکتر (OCR) در موقعیت خوبی قرار دارد. لیو معتقد است: «ما واقعاً شناسایی کردهایم که مجموعهای اصلی از دادهها وجود دارد که در تمام این کانتینرهای فرمت فایل قفل شدهاند.» در نهایت، «چه از OpenAI Codex استفاده کنید چه Claude Code، واقعاً تفاوتی نمیکند. چیزی که همه آنها نیاز دارند، زمینه است.»
حفظ ماژولار بودن پشتهها
با توجه به نگرانیهای فزاینده در مورد شرکتهایی مانند Anthropic که دادههای جلسه را قفل میکنند، لیو بر اهمیت ماژولار بودن و استقلال تأکید میکند. توسعهدهندگان نباید روی یک مدل پیشرفته خاص سرمایهگذاری کنند یا پشتهای بسازند که اجزای آن بیش از حد پیچیده شوند. او استدلال میکند که بازیابی به «عامل پلاس سندباکس» تکامل یافته است و سازمانها باید اطمینان حاصل کنند که پایگاههای کد آنها از بدهی فنی پاک بوده و قابل انطباق با الگوهای در حال تغییر هستند. همچنین باید اذعان داشت که برخی از بخشهای پشته در نهایت به طور طبیعی باید کنار گذاشته شوند.
لیو میگوید: «زیرا با هر انتشار مدل جدید، همیشه مدل دیگری وجود دارد که برنده است. شما میخواهید اطمینان حاصل کنید که انعطافپذیری لازم برای بهرهبرداری از آن را دارید.»
برای جزئیات بیشتر در مورد:
- آغاز LlamaIndex به عنوان یک «پروژه سرگرمی» با دقت اولیه تنها حدود ۴۰٪؛
- چگونگی بهرهبرداری شرکتهای SaaS از گردش کارهای پیچیده که باید برای کارگران دانش عمومی استاندارد و تکرارپذیر شوند؛
- دلایل محبوبیت شرکتهای هوش مصنوعی عمودی و اینکه چرا «ساخت در مقابل خرید» همچنان یک سوال معتبر در عصر عاملها است؛
