شرکت Hark، یک استارتاپ با رشد سریع که توسط ۷۰۰ میلیون دلار سرمایه‌گذاری سری A حمایت می‌شود، رسماً از "Handoff" رونمایی کرد؛ یک عامل هوشمند که برای پیمایش در وب دقیقاً مانند یک انسان طراحی شده است. Handoff با فراتر رفتن از تولید متن ساده، قصد دارد جریان‌های کاری پیچیده را در وب‌سایت‌هایی که فاقد پشتیبانی رسمی از API هستند، خودکارسازی کند.

پیمایش در وب بدون API

یکی از بزرگ‌ترین موانع در مسیر خودکارسازی، اتکا به APIهای ساختاریافته است. عامل Handoff متعلق به Hark، با تحلیل ساختار زیربنایی وب‌سایت و داده‌های بصری برای تعامل با رابط‌ها، این محدودیت را دور می‌زند. این امر به عامل اجازه می‌دهد تا به‌طور یکپارچه در پلتفرم‌های پربازدید و فاقد API مانند Target، Walmart، OpenTable و LinkedIn پیمایش کند.

این عامل با درک نشانه‌های بصری عمل می‌کند تا تعیین کند چه زمانی روی دکمه‌ها کلیک کند، اسکرول کند یا متن وارد نماید. در یک نمایش اخیر، مدیرعامل شرکت، Brett Adcock، توانایی این عامل را در مدیریت منطق پیچیده و «مبهم» (fuzzy) نشان داد؛ مانند ساخت یک دسته گل سفارشی که در آن کاربر عبارت «برخی گل‌ها به انتخاب گل‌فروش» را مشخص می‌کند. این قابلیت نشان‌دهنده سطحی از درک معنایی است که از اجرای دستورات صلب فراتر رفته و اجازه تعامل طبیعی‌تر میان انسان و عامل را می‌دهد.

گذار از پیش‌بینی توکن بعدی به پیش‌بینی اقدام بعدی

از نظر فنی، Hark در حال تغییر مسیر از پارادایم استاندارد مدل‌های زبانی بزرگ (LLM) است. در حالی که LLMهای سنتی برای پیش‌بینی توکن بعدی در یک دنباله متنی بهینه‌سازی شده‌اند، معماری مدل Hark برای پیش‌بینی «اقدام بعدی» (next action) طراحی شده است. این بدان معناست که مدل به‌طور مشخص تعامل فیزیکی یا دیجیتالی بعدی، مانند یک ورودی خاص از کیبورد یا کلیک موس در مختصاتی دقیق روی صفحه را محاسبه می‌کند.

برای تسریع در توسعه، Hark در حال حاضر از یک مدل پس‌آموزش‌دیده (post-trained) استفاده می‌کند. این استراتژی به شرکت اجازه می‌دهد تا پیش از ورود به مرحله کامل پیش‌آموزش (pre-training) که برای اواخر امسال برنامه‌ریزی شده است، زیرساخت‌های آموزشی، خطوط لوله داده (data pipelines) و تکنیک‌های تخصصی خود را به‌سرعت اصلاح کند. این رویکرد تکرارشونده برای بهینه‌سازی عامل از نظر سرعت و بهره‌وری هزینه طراحی شده است.

چشم‌انداز رقابتی عامل‌های استفاده از کامپیوتر

Hark وارد عرصه‌ای شلوغ و بسیار رقابتی می‌شود. رقابت برای تسلط بر حوزه «استفاده از کامپیوتر» شامل غول‌های فناوری مانند Google، OpenAI و Anthropic، در کنار استارتاپ‌های تخصصی تحت حمایت سرمایه‌گذاران خطرپذیر (VC) مانند Browser Use، Polar، Strawberry و Aside است.

Hark با ادعای سرعت بالاتر و هزینه‌های عملیاتی به‌مراتب کمتر در مقایسه با مدل‌های سنگین‌وزنی مانند GPT 5.5 یا Opus 4.8، خود را به عنوان یک جایگزین تحول‌آفرین معرفی می‌کند. Hark با تمرکز بر یک معماری تخصصیِ اقدام-محور (action-oriented) به جای یک مدل متنی همه‌منظوره، به دنبال تسخیر بازار خودکارسازی مرورگر با فرکانس بالا و هزینه کم است.

این شرکت لیست انتظار پلتفرم خود را باز کرده است و قصد دارد تا پایان تابستان سرویس کامل را راه‌اندازی کند. برای توسعه‌دهندگان و بنیان‌گذاران، موفقیت Handoff می‌تواند نشان‌دهنده گذار به سمت «مدل‌های اقدام» (Action Models) باشد که تکمیل وظیفه را بر گفتگوی صرف اولویت می‌دهند.

نکات کلیدی

  • معماری اقدام-محور: برخلاف LLMهای استاندارد که توکن‌های متنی را پیش‌بینی می‌کنند، مدل Hark اقدامات خاص کاربر مانند کلیک‌ها و فشردن کلیدها را پیش‌بینی می‌کند.
  • خودکارسازی بدون API: عامل Handoff از داده‌های بصری و ساختاری برای پیمایش در وب‌سایت‌هایی مانند Walmart و LinkedIn که API رسمی ارائه نمی‌دهند، استفاده می‌کند.
  • تمرکز بر هزینه و سرعت: Hark قصد دارد قیمت‌گذاری و تأخیر (latency) مدل‌های بزرگی مانند GPT 5.5 را کاهش دهد و خودکارسازی کارآمد و در مقیاس بزرگ وظایف مرورگر را هدف قرار دهد.

آنچه باید زیر نظر داشت

  • زمان‌بندی عرضه – Hark لیست انتظار را باز کرده و برنامه‌ریزی کرده است که تا پایان تابستان نسخه کامل را منتشر کند.
  • تکامل مدل – Hark در حال گذار از یک مدل پس‌آموزش‌دیده به مرحله کامل پیش‌آموزش است که برای اواخر امسال برنامه‌ریزی شده است.