Interpretation of xBubble SOP: Packaging Vibe Coding for non-technical users

با توسعه فناوری هوش مصنوعی، بهره‌وری کسانی که از ابزارهای هوش مصنوعی مانند Codex و Claude Code استفاده می‌کنند، ده تا صد برابر افزایش یافته است. برای کاربران فنی، تا زمانی که نحوه نوشتن پرامپت، دیباگ کردن، تکرار و توسعه مهارت‌ها (Skills) را بدانند، هوش مصنوعی می‌تواند به یک ابزار تولیدی با اهرم بالا تبدیل شود.

با این حال، برای کاربران غیرفنی، شرکت‌های کوچک و متوسط یا عملیات‌های تجاری، استفاده از هوش مصنوعی هنوز بسیار دشوار است:

1. اگر آن‌ها سعی کنند مستقیماً از آن استفاده کنند، باید زمان زیادی را صرف یادگیری و دیباگ کردن کنند. مدل‌های مختلف قابلیت‌های متفاوتی دارند، نحوه نوشتن پرامپت متفاوت است و آن‌ها باید خودشان مشکلات نتایج ناموفق را برطرف کنند. توسعه یک مهارت کاربردی، آستانه بالایی دارد. در عین حال، بهترین روش‌های Vibe Coding اغلب با عادات بسیاری از کاربران در تضاد است. بسیاری از افراد ترجیح می‌دهند تمام خواسته‌های خود را یک‌جا بنویسند و امیدوارند هوش مصنوعی مستقیماً نتیجه رضایت‌بخشی ارائه دهد، اما این کار اغلب دشوار است. در بیشتر موارد، یک جریان کاری واقعاً مؤثر هوش مصنوعی نیازمند چندین دور گفتگو، پرامپت‌نویسی مداوم، تست و اصلاح است تا به نتیجه مطلوب نزدیک شود.

2. اگر آن‌ها کسی را برای استفاده از آن استخدام کنند، معمولاً پیدا کردن فرد مناسب دشوار است و حجم کاری پایداری وجود ندارد، به‌علاوه هزینه‌های حقوق اضافی نیز مطرح است. پیدا کردن کارمندی که فعال باشد و بتواند به‌طور مؤثر از هوش مصنوعی استفاده کند آسان نیست؛ اکثر کارمندان نگرش منفعلانه‌ای نسبت به کار دارند و ممکن است حتی برقراری ارتباط مستقیم با هوش مصنوعی برایشان راحت‌تر باشد. نتیجه ممکن است این باشد که پول صرف هوش مصنوعی می‌شود، اما صرفه‌جویی واقعی در هزینه‌ها صورت نمی‌گیرد و حتی ممکن است وضعیت از استخدام نکردن کسی هم بدتر شود.

آیا این معضل با پیشرفت قابلیت‌های مدل‌های بزرگ زیربنایی هوش مصنوعی از بین خواهد رفت؟ در حال حاضر، بعید به نظر می‌رسد.

وجود خودِ «مهارت‌ها» (Skills) ثابت می‌کند که خروجی مستقیم مدل‌های بزرگ اغلب نمی‌تواند نیازهای خاص را برآورده کند و برای بهبود نتایج به مهارت‌های از پیش تعریف‌شده نیاز دارد. حتی اگر هوش مصنوعی در آینده به اندازه انسان هوشمند شود، این مسئله همچنان باقی خواهد ماند. در واقعیت، مگر اینکه درجه خاصی از استانداردسازی حاصل شود، برقراری ارتباط شفاف در مورد نیازها و دریافت نتایج مطلوب در یک مرحله، ذاتاً دشوار است.

بنابراین، بدیهی است که در عصر به‌سرعت در حال پیشرفت هوش مصنوعی، کسانی که نمی‌دانند چگونه از هوش مصنوعی استفاده کنند و کسانی که در استفاده از آن مهارت دارند، شکاف بهره‌وری فزاینده‌ای خواهند داشت؛ این همان پس‌زمینه واقعی «اضطراب هوش مصنوعی» در بسیاری از افراد است. به نظر می‌رسد ما دائماً در حال یادگیری نحوه استفاده مؤثر از هوش مصنوعی هستیم، اما چیزهای جدید خیلی سریع ظهور می‌کنند و باعث می‌شوند احساس کنیم یادگیری هرگز تمام نمی‌شود.

پلتفرم xBubble که توسط DAPPOS راه‌اندازی شده، دقیقاً همین حوزه را هدف قرار داده است. رویکرد آن نیازی ندارد که هر کاربر به یک متخصص هوش مصنوعی تبدیل شود یا Vibe Coding بیاموزد، بلکه از یک سیستم SOP برای کپسوله‌سازی Vibe Coder برای مشکلات خاص استفاده می‌کند تا به شرکت‌های کوچک و متوسط یا افراد غیرفنی کمک کند بدون صرف زمان برای یادگیری و دیباگ کردن یا نیاز به استخدام نیروی اضافی، از هوش مصنوعی استفاده کنند.

معماری xBubble

SOP راهکاری است که xBubble از طریق آن از هوش مصنوعی برای حل مشکلات خاص استفاده می‌کند. این یک مهارت مستقل یا یک پرامپت طولانی‌تر نیست، بلکه بسته‌ای از مهارت‌ها، محیط‌های اجرا، انتخاب مدل، MCPها و APIهای شخص ثالث است تا عملکرد نسبتاً پایداری برای مشکلات حوزه‌های خاص به دست آید.

پیرامون SOP، معماری محصول xBubble را می‌توان به دو سیستم تقسیم کرد: Bubble Engine و Bubble Pilot.

Bubble Engine لایه تولید راهکار است. این بخش مسئول تولید و آموزش SOPها، ساخت راهکارها برای وظایف خاص از طریق ایجنت‌های کدنویسی هوش مصنوعی و تنظیم مداوم نتایج از طریق تست، ارزیابی و تکرار برای برآورده کردن بهتر نیازها است.

Bubble Pilot لایه توزیع زمان اجرا است. این بخش درخواست‌های کاربر را می‌خواند، نوع وظیفه را شناسایی می‌کند و سپس مناسب‌ترین راهکار را از کتابخانه SOP برای اجرا پیدا می‌کند. اگر SOP اختصاصی مناسبی وجود نداشته باشد، می‌تواند به راهکارهای عمومی‌تر مانند Computer SOP بازگردد.

SOP بین این دو قرار دارد. Engine مسئول ایجاد SOPها و Pilot مسئول توزیع آن‌ها است.

به این ترتیب، کاربران با مجموعه‌ای از زنجیره‌های ابزار پیچیده هوش مصنوعی مواجه نیستند، بلکه با نقطه ورود ساده‌تری به نام «وظیفه را بیان کن، نتیجه را بگیر» روبرو هستند. انتخاب مدل، محیط اجرا، فراخوانی مهارت، پیکربندی API و منطق تکرار، همگی تا حد امکان در سمت سیستم مدیریت می‌شوند.

SOP چیست؟

در xBubble:

SOP = مهارت‌ها + زمان اجرا + APIها + MCPها + انتخاب مدل

یک مهارت به تنهایی نمی‌تواند نتایج پایداری را تضمین کند. خروجی واقعی همچنین به این بستگی دارد که از چه مدلی استفاده می‌شود، در چه محیطی اجرا می‌شود، آیا APIهای ضروری متصل هستند، آیا MCPهای مناسب وجود دارند و چگونه استثناها و تکرارها در حین اجرا مدیریت می‌شوند.

اگر این موارد به خود کاربران واگذار شود، آستانه استفاده همچنان بالا باقی می‌ماند. رویکرد xBubble کپسوله‌سازی این متغیرها در SOPها است. کاربران نیازی به انتخاب جداگانه مدل‌ها، پیکربندی APIها یا تست مکرر بین چندین مهارت مشابه ندارند؛ بلکه مستقیماً بر اساس توضیحات وظیفه، مسیر راهکار مربوطه را فعال می‌کنند.

در مقایسه با بازار مهارت‌های مرسوم، سیستم SOP در xBubble سه مزیت اصلی دارد:

1. عملکرد پایدار

از آنجا که SOPها نه تنها شامل مهارت‌ها هستند، بلکه محیط‌های اجرا، انتخاب مدل، MCPها و APIهای شخص ثالث را نیز کپسوله می‌کنند، این امر به‌طور مؤثری بسیاری از عدم قطعیت‌ها را در حین اجرا از بین می‌برد و نتایج را با ثبات بیشتری تولید می‌کند. در عین حال، SOPها فقط برای حل مشکلات در یک محدوده تأیید شده استفاده می‌شوند و در همان محدوده تست خواهند شد. بنابراین، وقتی یک وظیفه در محدوده تعریف‌شده SOP قرار می‌گیرد، نتایج معمولاً بسیار پایدار هستند.

این با منطق مهارت‌های متن‌باز متفاوت است. مهارت‌های متن‌باز اغلب به دنبال ستاره‌های بیشتر هستند و تمایل دارند عمومی‌تر باشند. اگرچه عمومی بودن مزایای خود را دارد، اما نقطه ضعف آن این است که بسیاری از مهارت‌ها خارج از مثال‌ها به اندازه کافی تست نشده‌اند و مهارت‌های زیادی با عملکردهای مشابه وجود دارند. نتیجه این است که کاربران همچنان باید زمان خود را صرف تست، مقایسه و تأیید کنند تا مشخص شود آیا یک مهارت خاص می‌تواند نیازهای آن‌ها را برآورده کند یا خیر. این وظیفه در اصل کار یک Vibe Coder است.

SOP در xBubble بر محدوده کاربردی تأیید شده تأکید دارد. این بدان معنا نیست که یک SOP می‌تواند همه کارها را انجام دهد، بلکه به این معناست که در محدوده تعریف‌شده و تست‌شده، تلاش می‌کند نتایج پایداری ارائه دهد.

2. ساده و آسان برای استفاده

SOP توضیحات وظیفه کاربر را به عنوان ورودی اصلی می‌گیرد. کاربران نیازی به انتخاب مدل، پیکربندی یا پرداخت هزینه برای APIهای شخص ثالث ندارند و نیازی نیست بدانند در پشت صحنه چه مهارتی فراخوانی می‌شود.

Bubble Pilot نوع وظیفه را بر اساس نیازهای کاربر تعیین کرده و اولویت را به پیشنهاد SOPهای تخصصی‌تر می‌دهد. از آنجا که SOPها در محدوده خاصی تست و تأیید شده‌اند، کاربران معمولاً نیازی به مقایسه مکرر چندین SOP ندارند. اگر یک SOP اختصاصی قبلاً وظیفه را پوشش داده باشد، در اولویت قرار می‌گیرد. اگر نتایج همچنان ایده‌آل نباشد، کاربران می‌توانند از طریق سرویس Bubble Engine به تکرار و بهینه‌سازی خودکار ادامه دهند (ارسال «Bubble Up»).

به عبارت دیگر، آنچه xBubble قصد حل آن را دارد «آیا هوش مصنوعی می‌تواند این کار را انجام دهد؟» نیست، بلکه «آیا کاربران عادی می‌توانند هوش مصنوعی را با هزینه کم و پایداری به انجام این کار وادار کنند؟» است. دیباگ کردن پرامپت، انتخاب مدل، پیکربندی API و تکرار نتیجه که کاربران در ابتدا باید خودشان مدیریت می‌کردند، تا حد امکان به سمت سیستم منتقل شده است.

3. تولید سلف‌سرویس

توسعه یک مهارت کاربردی آستانه خاصی دارد و نیازمند زمان برای دیباگ کردن و بهینه‌سازی است. برای کاربران بدون دانش فنی، این ذاتاً غیردوستانه است. علاوه بر این، مهارت‌های متن‌باز اغلب بیش از حد عمومی هستند و برای پوشش نیازهای سفارشی‌تر مانند فرمت‌های داخلی، عادات شخصی یا قالب‌های صنعتی با مشکل مواجه می‌شوند.

هدف xBubble کپسوله‌سازی Vibe Coderها است. برای اکثریت قریب به اتفاق نیازها، نیازی نیست کاربران خودشان مهارت‌ها را توسعه داده و دیباگ کنند، بلکه این سیستم به کاربران کمک می‌کند تا این پیچیدگی را کپسوله کرده و به آن‌ها اجازه می‌دهد SOPهای اختصاصی را از طریق Bubble Engine تولید کنند.

در عین حال، محدوده کاربردی SOPها می‌تواند گسترده یا محدود باشد. برای مثال، در حالت کاری (Work mode)، اگر SOP اختصاصی برای مدیریت نوع خاصی از وظیفه وجود نداشته باشد، سیستم معمولاً از Bubble Computer SOP برای رفع مشکلات عمومی استفاده می‌کند. با این حال، اگر کاربران نیازهای بسیار خاصی داشته باشند، مانند ایجاد فایل‌های PPT مطابق با مشخصات قالب شرکتشان، تولید اسناد در فرمت ثابت یا تولید محتوا با سبک داخلی خاص، آن‌ها همچنین می‌توانند SOPهایی تولید کنند که فقط برای یک کاربر یا شرکت خاص اعمال می‌شود.

این نیز یکی از تفاوت‌های سیستم SOP با بازار مهارت‌های معمولی است. این سیستم فقط مجموعه‌ای از اجزای عمومی را برای انتخاب کاربران ارائه نمی‌دهد، بلکه به کاربران اجازه می‌دهد راهکارهای تخصصی‌تری را پیرامون مرزهای وظایف خود ایجاد کنند.

SOP چگونه آموزش می‌بیند؟

در xBubble، از Bubble Engine برای آموزش SOPها استفاده می‌شود که هدف آن جایگزینی Vibe Coderها و تولید مستقیم SOPهایی است که نیازهای کاربر را برآورده می‌کنند. از نظر مکانیکی، SOPها را می‌توان توابعی دانست که پرامپت‌های خاص را به نتایج نگاشت می‌کنند. بنابراین، مشکلی که باید در تنظیم عملکرد حل شود را می‌توان به این صورت ساده کرد:

Max Rank(SOP(prompt))

این بدان معناست که برای همان نیاز کاربر که از طریق SOP پردازش می‌شود، نتیجه تولید شده باید در سیستم ارزیابی بالاترین رتبه ممکن را داشته باشد و به آنچه کاربر واقعاً می‌خواهد نزدیک‌تر شود.

موارد آموزشی (Cases)

آموزش SOP حول محور موارد (Cases) می‌چرخد.

کاربران می‌توانند مستقیماً مواردی را که فکر می‌کنند الزامات را برآورده می‌کنند ارسال کنند، مانند پرامپت‌هایی که به تبلیغات ویدیویی یک شرکت خاص اشاره دارند یا ارسال نتایجی که قبلاً به‌صورت دستی تکمیل کرده‌اند. این موارد می‌توانند اسناد، فایل‌های PPT، ویدیوهای تبلیغاتی، سبک‌های وب‌سایت یا هر سبک خروجی باشند که امیدوارند سیستم از آن تقلید کند.

اگر مورد مرتبطی در وظیفه آموزشی وجود نداشته باشد، Bubble Engine همچنین می‌تواند به‌طور خودکار مطالب مرجع را به‌صورت آنلاین جستجو کند یا از نتایج تولید شده توسط سایر محصولات هوش مصنوعی به عنوان موارد آموزشی استفاده کند.

هنگامی که موارد تأیید شدند، سیستم پرامپت‌ها را بر اساس مشکل اصلی و پیچیدگی ورودی‌های کاربر استنتاج کرده و مجموعه‌هایی از ترکیب‌های (پرامپت، نتیجه) را تشکیل می‌دهد. این ترکیب‌ها پایه و اساس تولید و ارزیابی بعدی SOP خواهند بود.

کلید آموزش صرفاً کپی کردن موارد نیست، بلکه یافتن روش‌های مناسب برای تولید نتایجی نزدیک به نتایج موارد بر اساس پرامپت‌ها است، بدون اینکه اطلاعات نتیجه در طول توسعه ترکیب شود. در غیر این صورت، سیستم ممکن است فقط در موارد آموزشی عملکرد خوبی داشته باشد اما در وظایف مشابه شکست بخورد.

چرخه تکرار

سپس، Bubble Engine SOPهای اختصاصی جدیدی را بر اساس برخی SOPهای معیار از طریق ایجنت‌های کدنویسی توسعه می‌دهد.

برای جلوگیری از بیش‌برازش (Overfitting)، فرآیند توسعه همچنین از ترکیب مستقیم اطلاعات نتیجه خاص در SOPها اجتناب می‌کند. در غیر این صورت، ممکن است به نظر برسد که نتایج آموزش خوب هستند، اما استفاده واقعی ممکن است توانایی تعمیم ضعیفی داشته باشد.

پس از تکمیل توسعه، سیستم تست‌هایی را با SOP جدید اجرا کرده و نتایج را ارزیابی می‌کند و هرگونه مشکل موجود را خلاصه می‌کند.

ارزیابی عمدتاً شامل دو جنبه است:

1. استفاده از هوش مصنوعی برای تعیین اینکه آیا نتایج با الزامات مشخص شده توسط کاربران در وظایف آموزشی مطابقت دارد یا خیر. برای مثال، آیا فرمت صحیح است، آیا محتوا کامل است و آیا با محدودیت‌های صریح تعیین شده توسط کاربر مطابقت دارد.

2. تعیین اینکه آیا نتایج به اندازه کافی به موارد نزدیک هستند یا خیر. برای مثال، سبک، ساختار، سازماندهی محتوا و فرم خروجی باید مشابه نتایج مرجع ارائه شده توسط کاربر باشد.

بر اساس نتایج ارزیابی، ایجنت کدنویسی به اصلاح SOP، تولید مجدد، ارزیابی مجدد و اصلاح مجدد ادامه خواهد داد. این فرآیند تا زمانی که نتایج دیگر نتوانند به‌طور قابل توجهی بهبود یابند، ادامه خواهد یافت.

این کل فرآیند در اصل آنچه را که Vibe Coderها در ابتدا به‌صورت دستی انجام می‌دادند، خودکار می‌کند: بررسی موارد، نوشتن برنامه‌ها، اجرای نتایج، شناسایی مشکلات، اصلاح برنامه‌ها و تکرار مکرر.

تعریف محدوده

قبل از اتصال SOP تنظیم‌شده به سیستم، لازم است محدوده کاربردی آن تعریف شود.

این مرحله بسیار مهم است. زیرا SOPهای اختصاصی لزوماً با تعداد بیشتر بهتر نیستند و نباید همیشه در اولویت باشند. اگر یک SOP فقط برای یک وظیفه بسیار محدود مؤثر باشد اما برای مدیریت مسائل گسترده‌تر استفاده شود، ممکن است از یک SOP عمومی بدتر باشد.

Bubble Engine با تست موارد مختلف و تجزیه و تحلیل محتوای مهارت در داخل SOP، تعیین می‌کند که SOP برای چه وظایفی مناسب است و برای چه وظایفی مناسب نیست.

هدف از این مرحله اطمینان از این است که Bubble Pilot فقط زمانی SOPهای اختصاصی را پیشنهاد کند که عملکرد آن‌ها بهتر از SOPهای عمومی باشد. در غیر این صورت، سیستم به راهکارهای عمومی‌تر بازمی‌گردد.

راهکارهای حرفه‌ای

برای تولید SOPهای بسیار پیچیده، مانند وظایفی که نیاز به APIهای پولی شخص ثالث دارند یا وظایفی که قابلیت‌های فعلی مدل‌های بزرگ نمی‌توانند به‌طور کامل خودکار کنند، xBubble همچنین راهکارهای حرفه‌ای با کمک انسان را برای پوشش نیازهای سفارشی کاربران سازمانی ارائه می‌دهد.

این نوع کمک انسانی به عنوان یک لایه انتقالی بین قابلیت‌های فعلی مدل و نیازهای سازمانی عمل می‌کند. با ادامه بهبود مدل‌های هوش مصنوعی زیربنایی، تعداد مواردی که نیاز به کمک انسانی دارند به‌سرعت کاهش خواهد یافت.

خلاصه تفسیر

از دیدگاه منطق محصول، سیستم SOP در xBubble فقط ایجاد یک بازار مهارت معمولی نیست و صرفاً اتصال چندین ابزار هوش مصنوعی به یکدیگر هم نیست؛ بلکه محصولی کردن خودِ عمل Vibe Coding است.

بازار مهارت به این سؤال پاسخ می‌دهد که «چه مهارت‌هایی در دسترس هستند؟» اما برای کاربران غیرفنی، بخش چالش‌برانگیزتر اغلب دومی است: کدام مهارت برای سناریوی من مناسب است؟ چه مدلی باید جفت شود؟ چگونه آن را اجرا کنم؟ اگر نتایج ناپایدار باشند چه؟ آیا دفعه بعد قابل استفاده مجدد است؟ اگر مهارت‌های متن‌باز کار نمی‌کنند، چگونه می‌توانم یک مهارت کاربردی ایجاد کنم؟

SOP دقیقاً با هدف حل همین مسائل ایجاد شده است. این سیستم تلاش می‌کند وظایف انتخاب، پیکربندی، تست، توسعه، تعریف محدوده و تکرار—که در اصل کار Vibe Coderها بود—را به سمت سیستم منتقل کند. کاربران فقط باید وظیفه را در سمت خود توصیف کنند.

البته، اینکه این سیستم تا کجا می‌تواند پیش برود، در نهایت به دو متغیر بستگی دارد: آیا کیفیت SOPهای تولید شده توسط Bubble Engine به اندازه کافی پایدار است و آیا سرعت پوشش SOP می‌تواند با تغییرات نیازهای کاربر و قابلیت‌های عمومی ایجنت‌ها همگام شود.

اما حداقل در مرحله فعلی، برای افراد بدون دانش فنی و شرکت‌های کوچک و متوسط، xBubble مسیر متفاوتی را ارائه می‌دهد: نه یادگیری کل زنجیره ابزار هوش مصنوعی و سپس تلاش برای استفاده از آن، بلکه کپسوله‌سازی مستقیم بهره‌وری هوش مصنوعی پیشرفته در جریان‌های کاری قابل استفاده مجدد از طریق SOPهای سطح وظیفه.

کاربران اهداف خود را شفاف می‌کنند و xBubble عملیات هوش مصنوعی زیربنایی را مدیریت می‌کند.

درباره DAPPOS

DAPPOS یک شرکت هوش مصنوعی است که بر محصولات هوش مصنوعی با آستانه ورود پایین تمرکز دارد و جریان‌های کاری هوش مصنوعی آسان‌تری را برای کاربران عادی و حرفه‌ای می‌سازد. DAPPOS بیش از ۲۰ میلیون دلار سرمایه‌گذاری جذب کرده است و سرمایه‌گذاران آن شامل Polychain، Binance Labs، Sequoia China، IDG Capital، OKX Ventures و سایر موسسات هستند.

درباره xBubble

xBubble یک محصول ایجنت هوش مصنوعی با پرامپت کم است که توسط DAPPOS راه‌اندازی شده و با هدف کمک به کاربران برای تکمیل وظایفی مانند اسناد، فایل‌های PPT، وب‌سایت‌ها، تصاویر، ویدیوها، تحقیقات، اتوماسیون و وظایف زمان‌بندی شده با توضیحات کوتاه نیازها طراحی شده است.

xBubble بهره‌وری هوش مصنوعی پیشرفته را با هزینه یادگیری کمتر برای کاربران عادی از طریق SOPهای سطح وظیفه کپسوله می‌کند و به کاربران اجازه می‌دهد بدون نیاز به یادگیری کل زنجیره ابزار هوش مصنوعی، به بهره‌وری هوش مصنوعی در سطح حرفه‌ای دست یابند.