مدل‌های قابل تعویض، ابزارهای قابل اتصال: DeepSeek رقابت عامل‌ها را از "مغز" به "سیستم‌عامل" منتقل می‌کند

خبرگزاری CoinWorld گزارش می‌دهد:

DeepSeek در تاریخ 14 آگوست فریم‌ورک عامل خود به نام DeepSeek Harness را به صورت متن باز منتشر کرد. این فریم‌ورک خود را به عنوان یک محصول بسته که فقط می‌تواند به مدل‌های DeepSeek متصل شود، طراحی نکرده است، بلکه مدل‌ها، ابزارها، ذخیره‌سازی، و محیط‌های آزمایشی را به عنوان افزونه طراحی کرده و تحت مجوز MIT منتشر کرده است. توسعه‌دهندگان می‌توانند مدل‌های شرکت‌های دیگر را متصل کنند و همچنین محیط اجرایی و سیستم حافظه را تعویض کنند. برای شرکتی که به خاطر مدل‌های پایه‌اش مشهور شده است، این انتخاب بسیار معنادار است: DeepSeek در حال انتقال موقعیت رقابتی خود از "ارائه هوشمندترین مغز" به "کنترل اینکه چگونه عوامل کار خود را انجام می‌دهند" است.

Harness در حال حاضر هنوز نسخه پیش‌نمایش توسعه‌دهندگان است. این شرکت به وضوح هشدار داده است که تغییراتی که سازگاری را مختل می‌کند، در آینده رخ خواهد داد. این فریم‌ورک اکنون می‌تواند مخزن کد را باز کند، فایل‌ها را ویرایش کند، دستورات را اجرا کند، وب‌سایت‌ها را جستجو کند، برنامه‌های قابل اجرا را تدوین کند، برخی وظایف را به عوامل دیگر واگذار کند و سوابق تماس با ابزار، نتایج اجرا و تعاملات مدل را ذخیره کند. جلسات قدیمی می‌توانند ادامه یابند و همچنین می‌توانند از نقاط قبلی انشعاب بگیرند. این ویژگی‌ها به نظر نمی‌رسد به اندازه یک مدل جدید با پارامترهای زیاد چشمگیر باشند، اما به طور مستقیم تعیین می‌کنند که آیا عامل می‌تواند از نمایش به محیط تولید منتقل شود.

مدل DeepSeek V4-Pro-0813 نیز به همراه Harness مورد توجه قرار گرفته است. داده‌های منتشر شده توسط DeepSeek نشان می‌دهد که این مدل در Terminal Bench 2.1 نمره 87.9 را کسب کرده است، در Toolathlon-Verified نمره 74.1 و در DSBench-FullStack و DSBench-Hard به ترتیب نمره‌های 71.1 و 67.2 را کسب کرده است. برخی از آزمایش‌های عمومی کدگذاری عامل از حداقل حالت Harness استفاده کرده‌اند. اما این اعداد متعلق به نتایج خود گزارش شده توسط تولیدکننده است و نمی‌توان به طور مستقیم آن‌ها را معادل تمام سناریوهای شرکتی دانست و نمی‌توانند ثابت کنند که فریم‌ورک پیش‌نمایش شده دارای ثبات تولید است.

بخش واقعی دشوار عامل، از پاسخ به سوالات به مدیریت فرآیند تبدیل می‌شود

یک پرسش و پاسخ تنها نیاز به تولید یک نتیجه به نظر منطقی دارد، اما عامل باید در ده‌ها یا حتی صدها مرحله جهت را حفظ کند. این عامل باید به یاد داشته باشد که چه کارهایی انجام داده است، بداند چه زمانی باید ابزار را فراخوانی کند، قضاوت کند که آیا نتایج قابل اعتماد هستند، در مرزهای مجاز فایل‌ها را تغییر دهد و در صورت اشتباه، نقاط قابل بازگشت را باقی بگذارد. توانایی مدل حداکثر را تعیین می‌کند و فریم‌ورک اجرایی تعیین می‌کند که آیا این توانایی می‌تواند به طور ایمن و تکراری استفاده شود.

این نیز ارزش واقعی "همه چیز افزونه است" را نشان می‌دهد. شرکت‌ها تنها از یک مدل استفاده نخواهند کرد: وظایف دشوار ممکن است به مدل‌های قوی استدلال واگذار شود، دسته‌بندی انبوه به مدل‌های ارزان‌تر و داده‌های حساس به مدل‌های محلی نیاز دارد. اگر جریان کار به یک مدل خاص عمیقاً متصل باشد، هر تغییر در قیمت یا توانایی می‌تواند کل سیستم را تحت تأثیر قرار دهد. Harness مدل‌ها را به اجزای قابل تعویض کاهش می‌دهد و به طور نظری می‌تواند به شرکت‌ها اجازه دهد تا بر اساس هزینه‌های وظیفه، الزامات انطباق و تأخیر، تأمین‌کنندگان را به طور دینامیک انتخاب کنند.

افزونه‌سازی همچنین مشکلات مهندسی که قبلاً پنهان بودند را نمایان می‌کند. چگونه محیط‌های آزمایشی دستورات خطرناک را ایزوله می‌کنند، چگونه مجوزهای ابزار توزیع می‌شوند، حافظه بلندمدت چه مدت حفظ می‌شود، وظایف ناموفق چگونه بازیابی می‌شوند و آیا حسابرسان می‌توانند تصمیمات عامل را بازتولید کنند، این‌ها همه به مراتب نزدیک‌تر به جایی هستند که شرکت‌ها واقعاً هزینه می‌کنند تا "مدل را کمی هوشمندتر کنند". Harness مراحل جلسه را ذخیره می‌کند و از انشعاب پشتیبانی می‌کند، که نشان می‌دهد DeepSeek درک می‌کند که عامل به چیزی بیشتر از پاسخ‌ها نیاز دارد، بلکه به تاریخچه اجرایی قابل مشاهده، قابل ردیابی و قابل تعمیر نیاز دارد.

اما معماری باز به طور خودکار امنیت را به همراه نخواهد آورد. افزایش تعداد افزونه‌ها به معنای افزایش ورودی‌های حملات زنجیره تأمین، سوءاستفاده از مجوزها و تضاد نسخه‌ها است. مجوز MIT آزادی زیادی برای استفاده تجاری فراهم می‌کند، اما مسئولیت تأیید را بر عهده کاربر نمی‌گذارد. به ویژه در زمانی که فریم‌ورک به وضوح در دوره پیش‌نمایش است، اتصال مستقیم آن به پایگاه داده تولید یا سیستم‌های انتشار خودکار، ریسک بسیار بالاتری نسبت به ارزیابی در محیط ایزوله دارد.

نبرد برای فریم‌ورک عامل متن باز، ورودی پیش‌فرض توسعه‌دهندگان را هدف قرار می‌دهد

مدل‌های پایه به سرعت در حال تجاری‌سازی هستند. بین مدل‌های مختلف هنوز تفاوت‌های توانایی وجود دارد، اما قیمت‌های API به طور مداوم در حال کاهش است، و نسخه‌ها به سرعت در حال تغییر هستند و شرکت‌ها نیز به طور فعال از قفل شدن به تأمین‌کننده واحد جلوگیری می‌کنند. هر کسی که بتواند به عنوان لایه‌ای در خارج از مدل‌ها عمل کند، ممکن است استانداردهای ابزار، اکوسیستم افزونه‌ها، سوابق اجرایی و عادات توسعه‌دهندگان را در دست بگیرد. این موقعیت بیشتر شبیه به محیط اجرایی برنامه در عصر AI است، نه فقط یک رابط چت.

DeepSeek به مدل‌های رقیب اجازه می‌دهد تا وارد Harness شوند، که به نظر می‌رسد انحصار مدل‌های خود را تضعیف می‌کند، اما در واقع ممکن است تأثیر اکوسیستمی آن را گسترش دهد. اگر توسعه‌دهندگان ابتدا با Harness وظایف، مجوزها و افزونه‌ها را تنظیم کنند، حتی اگر در آینده مدل را تغییر دهند، جریان کار هنوز در چارچوب تعریف شده توسط DeepSeek باقی می‌ماند. درآمد ناشی از فراخوانی مدل تنها هدف نیست، بلکه تبدیل شدن به پایگاه پیش‌فرض توسعه عامل نیز ارزش بلندمدتی دارد.

البته، Harness هنوز به این رقابت پیروز نشده است. پیش‌نمایش توسعه‌دهندگان به این معناست که رابط‌ها تغییر خواهند کرد، اکوسیستم هنوز به بلوغ نرسیده است و شرکت‌ها نیاز به تأیید مجدد ثبات، مجوزها و هزینه‌های نگهداری دارند. معیارهای رسمی نیز نیاز به آزمایش مستقل دارند، به ویژه نرخ موفقیت وظایف طولانی، بازیابی خطا، مصرف توکن و فراوانی تصرف توسط انسان. یک عامل که در یک نمایش ده دقیقه‌ای وظیفه‌ای را انجام می‌دهد، به این معنا نیست که می‌تواند به طور مداوم یک ماه بدون انباشت خطرات اجرا شود.

مهم‌ترین سیگنال این متن باز، نه این است که DeepSeek یک محصول دیگر دارد، بلکه این است که مرزهای شرکت‌های AI همچنان در حال گسترش است. شرکت‌های مدل در حال رقابت برای لایه اجرایی عامل هستند، ارائه‌دهندگان ابری برای ورودی ابزار و داده‌ها و پلتفرم‌های توسعه برای استانداردهای افزونه‌ها. پیروزی در مرحله بعدی تنها به این بستگی ندارد که چه کسی در لیست‌ها امتیاز بالاتری دارد، بلکه به این بستگی دارد که چه کسی می‌تواند مدل‌های مختلف را در سیستم‌های واقعی به طور پایدار به کار گیرد و هر مرحله را قابل مشاهده، قابل محدود و قابل بازگشت کند. Harness پاسخی بسیار باز ارائه می‌دهد، اما اینکه آیا می‌تواند به استاندارد تبدیل شود، هنوز باید توسط محیط تولید و نه داغی روز انتشار ثابت شود.