سیستم جدید پیشنهاد ابزار Arcade؛ کاهش ۳۷ درصدی هزینه توکن‌های ورودی در ایجنت‌های هوش مصنوعی

استارتاپ Arcade.dev که در زمینه فعالیت ایمن و کنترل‌شده ایجنت‌های هوش مصنوعی در نرم‌افزارهای تجاری فعالیت می‌کند، قابلیت جدیدی به نام پیشنهاد ابزار (Tool Recommendation) را معرفی کرده است؛ ابزاری هوشمند که به ایجنت‌ها کمک می‌کند بدون نیاز به بارگذاری مداوم فهرستی طولانی از دستورات و توابع نرم‌افزاری در هر گفتگو، دقیقاً اکشن مناسب را پیدا و اجرا کنند.

این به‌روزرسانی مستقیماً دست روی یکی از چالش‌های پرهزینه هوش مصنوعی سازمانی گذاشته است: اتصال ایجنت به سیستم‌ها و ابزار‌های تجاری بیشتر، پرامپت‌ها و دستورالعمل‌های ورودی را سنگین‌تر و در نتیجه به شدت گران‌تر می‌کند.

مجموعه Arcade.dev که به اختصار «آرکید» نیز نامیده می‌شود، اعلام کرده رویکرد جدیدش توکن‌های اختصاص‌یافته به کشف و شناسایی ابزار‌ها را تا ۹۱ درصد کاهش می‌دهد و در شبیه‌سازی‌ها صرفه‌جویی در هزینه‌های توکن ورودی تا سقف ۳۷ درصد به ثبت رسیده است.

در تستی مجزا روی گردش‌کارهای کامل، این شرکت نتیجه‌ای ملموس‌تر و کاربردی‌تر گزارش کرده است: کاهش ۷.۶ درصدی در مجموع صورت‌حساب توکن‌های ورودی و خروجی.

یکی از سخنگویان این استارتاپ اعلام کرد این قابلیت از تاریخ ۱۵ اکتبر بدون هزینه جداگانه در اختیار کاربران پلتفرم تمام‌ابری و مدیریت‌شده Arcade Cloud قرار گرفته است.

با این حال، کارمزدهای معمول پلتفرم و استفاده از خدمات همچنان در پلن‌های پولی پابرجاست و پیاده‌سازی‌های سازمانی، از جمله نسخه‌های نصب‌شده روی سرور‌های داخلی شرکت‌ها (On-Premises)، قیمت‌گذاری اختصاصی دارند.

آرکید وارد بازاری می‌شود که غول‌هایی مثل مایکروسافت، آنتروپیک و اوپن‌ای‌آی هم‌اکنون روش‌هایی برای کشف ابزار در صورت نیاز (On-Demand) در آن عرضه کرده‌اند. برگ برنده آرکید ترکیب این ویژگی با یک محیط اجرایی ویژه است که دسترسی‌ها را می‌سنجد، سیاست‌های شرکت را اعمال می‌کند و تمامی فعالیت‌های ایجنت را در میان مدل‌های مختلف با دقت ثبت و ضبط می‌نماید.

آرکید در حال حاضر چه کار می‌کند و مشتریان آن چه کسانی هستند؟

پیش از هر چیز باید بدانیم که آرکید نه یک چت‌بات است و نه یک مدل زبانی بزرگ تازه؛ بلکه نرم‌افزار پشت‌صحنه‌ای است که به ایجنت‌های هوش مصنوعیِ قدرت‌گرفته از مدل‌هایی نظیر Claude یا ChatGPT اجازه می‌دهد در سیستم‌های کاری و اداری دست به اقدام بزنند.

به عنوان مثال، وقتی یک ایجنت هوشمند نیاز دارد رکوردی را در Salesforce به‌روز کند یا از طریق جیمیل پیامی بفرستد، آرکید آن را به برنامه متصل می‌کند، مجاز بودن کارمند و ایجنت برای انجام آن کار را بررسی می‌نماید، کلیدهای دسترسی لازم را مدیریت کرده و لاگ ماجرا را به ثبت می‌رساند.

پلتفرم فعلی این شرکت بر سه قابلیت کلیدی تکیه دارد:

• بررسی‌های امنیتی و اعتبارسنجی سطح دسترسی برای ایجنت‌های هوش مصنوعی

• کاتالوگی از اقدامات و ابزار‌های نرم‌افزاری آماده به همراه امکان توسعه ابزار‌های سفارشی توسط برنامه‌نویسان

• پنل مدیریتی متمرکز برای مدیران شبکه جهت پایش و نظارت بر تمامی اعمال ایجنت‌ها

درگاه MCP Gateway این پلتفرم می‌تواند ابزار‌های متفرقه و ابزار‌های اختصاصی آرکید را پشت یک اتصال واحد گردآوری کند. پروتکل MCP یا همان Model Context Protocol روشی استاندارد و نوین برای ارتباط دستیاران هوش مصنوعی با برنامه‌های کاربردی بیرونی است. آرکید همچنین در تاریخ ۷ اکتبر یک رجیستری خصوصی (Private Registry) راه‌اندازی کرد تا کارکنان بتوانند ببینند ایجنت‌ها به چه ابزار‌هایی دسترسی دارند و اضافه شدن موارد جدید را درخواست کنند.

آرکید شرکت‌های مطرحی همچون LangChain، Relevance AI، Snyk و Sybill را در فهرست مشتریان فناوری خود معرفی کرده و نظرات مثبت مدیران آن‌ها را منتشر ساخته است.

علاوه بر این نام برندهایی چون Duracell و YUR در کنار مشتریان بزرگی از میان فهرست فورچون ۱۰۰ و نزدک ۱۰۰ در وبسایت این شرکت به چشم می‌خورد؛ هرچند این ارجاعات هنوز ثابت نمی‌کند که این مشتریان مشخصاً به صرفه‌جویی توکن وعده‌داده‌شده دست یافته باشند.

سم پارتی (Sam Partee)، هم‌بنیان‌گذار و مدیر ارشد فناوری آرکید، در رویداد نوآوری Transform 2026 فناوری‌های نظارتی و امنیتی این پلتفرم را تشریح کرده بود.

او توضیح داد که این پلتفرم چگونه به ایجنت‌ها اجازه می‌دهد با مجوزهای متناسب کاربری عمل کنند و هم‌زمان فعالیت‌هایشان برای تیم‌های امنیت سایبری کاملاً شفاف و قابل‌ردیابی باشد.

سیستم نوین پیشنهاد ابزار درست روی همین زیرساخت بنا شده است: آرکید علاوه بر تعیین این‌که آیا یک ایجنت اجازه فعالیت دارد یا خیر، حالا کاری می‌کند که ایجنت‌ها سریع‌تر و با کم‌ترین هزینه بفهمند باید سراغ کدام ابزار بروند.

چرا فهرست ابزار‌های یک ایجنت به یک هزینه گزاف تجاری تبدیل می‌شود؟

منظور از ابزار یک تابع قابل فراخوانی است؛ کار‌هایی مثل جستجو در اینباکس ایمیل، واکشی پرونده مشتری، ثبت تیکت پشتیبانی یا ساخت یک سند کاری. یک ایجنت قبل از این‌که بتواند ابزاری را انتخاب و استفاده کند، نیاز دارد توضیحات کامل آن توابع و ورودی‌های موردنیازشان را بخواند.

بر اساس اعلامیه آرکید، کاتالوگ این پلتفرم شامل بیش از ۸ هزار ابزار است. فرستادن کل این اطلاعات عظیم به مدل، قبل از این‌که کاربر حتی درخواستی مطرح کند، حدود ۱.۷۵ میلیون توکن می‌سوزاند! حتی یک کاتالوگ بسیار جمع‌وجورتر هم در جریان رفت‌وبرگشت مکالمات، هزینه سنگینی روی دست شرکت‌ها می‌گذارد.

سیستم Tool Recommendation این فهرست عریض و طویل را با چند نقطه ورودی ساده برای کشف برنامه، درخواست تابع‌های مرتبط و اجرای اکشن نهایی جایگزین می‌کند. ایجنت نیاز لحظه‌ای خود را توضیح می‌دهد؛ سپس آرکید در کاتالوگ جستجو کرده و فهرستی کوتاه و اولویت‌بندی‌شده برمی‌گرداند تا تابع مورد نظر اجرا شود.

آرکید به جای این‌که مدل‌های گران‌قیمت را وادار کند کل کاتالوگ را بارها و بارها از اول بخوانند، از مدل‌های کوچک‌تر و تخصصی برای پیدا کردن و رتبه‌بندی ابزار‌های مرتبط بهره می‌برد. البته این کار جای هوش اصلی ایجنت را نمی‌گیرد؛ چرا که تصمیم‌گیری نهایی درباره انتخاب پیشنهاد به عهده مدل اصلی خود ایجنت خواهد بود.

سم پارتی در گفت‌وگویی اختصاصی توضیح داد که آرکید از مدل‌های کوچک دنیای متن‌باز و داده‌های مربوط به رفتارهای قبلی ایجنت‌ها بهره می‌گیرد.

او گفت: «ما می‌توانیم از این داده‌ها استفاده کنیم و مدل‌های زبانی کوچک را طوری آموزش دهیم که بتوانند حدس بزنند قدم بعدی شما چیست و دقیقاً به چه ابزاری احتیاج دارید.»

او اشاره کرد که برعکس فید شبکه‌های اجتماعی که کاملاً شخصی‌سازی‌شده است، بیش‌تر وظایف ایجنت‌ها در دسته‌بندی‌های کلی و مشخصی قرار می‌گیرد؛ مثل ارسال ایمیل، ویرایش یک پیش‌نویس متنی یا به‌روزرسانی رکوردهای دیتابیس.

پارتی ریشه توسعه این ابزار را به دوران طراحی یک ایجنت مهندسی پایداری سیستم (SRE) مربوط دانست؛ روز‌هایی که مدل‌های زبانی در انتخاب ابزار مناسب و ساخت ساختار صحیح JSON شدیداً با مشکل مواجه می‌شدند.

او به یاد می‌آورد: «آن زمان اگر فقط پنج ابزار مختلف به یک مدل می‌دادید، گیج می‌شد و حتی خروجی درست JSON تولید نمی‌کرد.»

با پیشرفت مدل‌ها، همین متدولوژی پیشنهاد ابزار به سطحی رسید که بتوان از آن برای انتخاب انواع عملیات‌ها و تأمین ورودی‌های موردنیاز در ابعاد گسترده استفاده کرد.

این تغییر در فرآیندهایی که نیازمند سر زدن به چندین برنامه مختلف هستند اهمیت بالایی دارد؛ برای مثال تمدید قرارداد یک مشتری ممکن است مستلزم خواندن سوابق، تاریخچه تیکت‌ها، اطلاعات مالی و سپس نگارش پاسخ نهایی باشد. قابلیت کشف ابزار باعث می‌شود توابع تنها در همان لحظه نیاز وارد جریان چت شوند. البته این‌که گردش کار چقدر بهتر شود، به کیفیت فهرست پیشنهادی و هزینه جستجوهای اضافی بستگی دارد.

آرکید تأکید می‌کند که سیستم Tool Recommendation از طریق پروتکل MCP کار می‌کند و می‌توان آن را روی درگاه (Gateway) این پلتفرم بدون نیاز به تغییر در اتصالات قبلی فعال کرد. به گفته این شرکت، ابزار یادشده با انواع مدل‌ها، فریم‌ورک‌های ساخت ایجنت و نرم‌افزارهای سازگار با MCP کار می‌کند؛ مزیتی مهم که نشان می‌دهد سازمان‌ها برای استفاده از این قابلیت مجبور نیستند مدل‌هایی نظیر Claude، ChatGPT یا ایجنت‌های کنونی خود را کنار بگذارند.

تفاوت ادعای ۳۷ درصدی با کاهش واقعی ۷.۶ درصدی در کجاست؟

متدولوژی و گزارش آرکید چند نکته بسیار ظریف دارد که مدیران کسب‌وکارها باید پیش از خرید به آن دقت کنند.

عدد چشمگیر ۳۷ درصد صرفه‌جویی، در واقع ماحصل یک مدل‌سازی روی دستیاری است که ۱۰۰ ابزار از پیش تعیین‌شده برای آن تعریف شده بود. برای یک تعامل کاری معمولی که شامل سه درخواست و حدود هشت فراخوانی ابزار در هر درخواست است، آرکید میزان صرفه‌جویی را بسته به نوع مدل حدود ۲۰ درصد تخمین می‌زند.

پارتی نیز در گفت‌وگوی خود تخمین مشابهی ارائه داد: «یک کاربر معمولی در یک جلسه کاری ۱۰ مرحله‌ای (Turn) می‌تواند شاهد صرفه‌جویی ۱۸ تا ۲۰ درصدی در مصرف توکن‌هایش باشد.»

این عدد یک تخمین انتظاری برای یک نشست نمونه است، نه این‌که لزوماً صورت‌حساب کل هوش مصنوعی یک شرکت به صورت قطعی به همین میزان افت کند.

در این محاسبات، توکن‌های خروجی لحاظ نشده و فرض شده است که کاربر خروجی‌های حجیم ابزار‌ها را خارج از محیط چت نگه می‌دارد. اگر نتایج در خود مکالمه باقی بمانند، صرفه‌جویی پیش‌بینی‌شده تنها به ۵ تا ۷ درصد می‌رسد. در واقع نشست‌های کاری کوتاه، بالا‌ترین درصد صرفه‌جویی تئوریک را ثبت می‌کنند.

همچنین پیش‌بینی صرفه‌جویی سالانه ۱۱۹ هزار دلاری برای ۱۰۰۰ کاربر مدل Claude Opus 5 بر این فرض استوار است که هر نفر در ماه ۲۰ گفتگو داشته باشد؛ رقمی که صرفاً یک سناریوی تخمینی است نه گزارشی واقعی از یک مشتری باهویت.

ادعای کاهش ۹۱ درصدی نیز روی جامعه آماری محدودتری استوار است. این رقم تنها به توکن‌های ورودی مربوط به تعاریف توابع و پاسخ‌های پیشنهادی در یک تعامل فرضی ۱۰ مرحله‌ای برمی‌گردد و خود متن گفتگو و داده‌های تجاری برگشتی را فاکتور می‌گیرد.

در این شبیه‌سازی، تعداد توکن‌های مدل فرضی GPT-5.6 از ۲۵۶,۶۵۰ به ۲۲,۱۶۴ و توکن‌های Claude Opus 5 از ۴۱۱,۷۲۹ به ۳۸,۱۷۰ عدد تقلیل یافته است.

آرکید در مستندات متدولوژی خود صراحتاً نوشته است: «این صرفه‌جویی‌ها مربوط به توکن‌های تعریف توابع است، نه کل نشست کاری.»

با این حال در یک آزمایش جامع‌تر که ۴۰۸ نشست و ۶۴ گردش‌کار کامل را با و بدون ابزار کشف و به کمک مدل‌های Codex و Claude Code ارزیابی کرده، کاهش کل هزینه‌های توکن (شامل ورودی و خروجی) ۷.۶ درصد ثبت شده که بازه اطمینان آن بین ۲.۵ تا ۱۲.۶ درصد با نرخ یکسان در موفقیت کار‌ها گزارش شده است.

میزان کاهش هزینه برای Claude Code معادل ۹.۷ درصد و برای Codex برابر با ۵.۵ درصد بوده است. البته این آزمون‌ها هنوز به طور مستقل توسط منابع بیرونی بازتولید و تأیید نشده‌اند.

پارتی اذعان کرد که اگر یک ایجنت مکرراً و بیش از حد سیستم پیشنهاد ابزار را فراخوانی کند، ممکن است صرفه‌جویی حاصل‌شده بی‌اثر شده یا حتی مکالمه گران‌تر تمام شود؛ هرچند او تأکید کرد که این اتفاق نادر است اما آمار مستقلی در این باره ارائه نکرد.

مقایسه با مایکروسافت نیازمند در نظر گرفتن شرایط است

آرکید برای ارزیابی قدرت بازیابی ابزار‌های خود از بنچمارک عمومی ToolRet کمک گرفته است. معیار Recall@10 نشان می‌دهد که چه تعداد از ابزار‌های موردنیاز در میان ۱۰ نتیجه اول جستجو ظاهر می‌شوند؛ این معیار البته نشان‌دهنده تکمیل موفقیت‌آمیز کل تسک تجاری نیست.

آرکید داده‌های زیر را برای نمایش مقایسه عملکرد سیستم خود با رقیب مایکروسافتی یعنی Microsoft Foundry منتشر کرده است:

منبع: ارقام منتشرشده در اینفوگرافیک آرکید و ارزیابی‌های رسمی مایکروسافت. تنظیمات هر دو تست کاملاً یکسان نبوده است.

سیستم نهایی آرکید از یک مرحله رتبه‌بندی اضافه و دستورالعمل‌های بنچمارک استفاده می‌کند؛ در حالی که تست مایکروسافت رشته دستورات را برای جلوگیری از تأخیر و هزینه مضاعف فراخوانی مدل حذف کرده و از روش بازیابی سبک‌تری بدون مدل رتبه‌بندی سنگین بهره می‌برد.

خود آرکید نیز قبول دارد این نتایج بیش‌تر از آن‌که نشان‌دهنده یک رقابت رو در رو و کنترل‌شده باشد، پتانسیل‌های فنی آن را نشان می‌دهد؛ بنابراین برتری در این امتیازات به معنای تضمین قطعی اتمام بهتر کار‌ها یا هزینه کم‌تر نسبت به سرویس مایکروسافت نیست.

مایکروسافت، آنتروپیک و اوپن‌ای‌آی هم به میدان آمده‌اند

راهکار Foundry Toolboxes مایکروسافت مسیرهای ورود جستجو و اجرا را فراهم کرده و تعاریف هماهنگ را تحویل می‌دهد؛ سیستمی که به گفته مایکروسافت وابسته به هیچ خانواده خاصی از مدل‌ها نبوده و ابزار‌های متنوعی را پوشش می‌دهد. بنابراین انعطاف‌پذیری نسبت به مدل‌ها ویژگی منحصربه‌فرد آرکید نیست.

در سوی دیگر، ابزار Tool Search Tool شرکت Anthropic نیز لود کردن مشخصات توابع را تا لحظه نیاز Claude به تعویق می‌اندازد. آنتروپیک در نمونه‌های خود از کاهش ۸۵ درصدی مصرف توکن خبر داده، هرچند سناریوی تست آن با آرکید متفاوت است.

همچنین Responses API اوپن‌ای‌آی از توابع تعویقی و ابزار‌های مبتنی بر MCP پشتیبانی می‌کند. طبق مستندات OpenAI، ابزار‌های تازه کشف‌شده به انتهای کانتکست اضافه می‌شوند تا مکانیزم کش ذخیره شود؛ قابلیتی که پشتیبانی از آن در نسخه GPT-5.4 آغاز شده است.

تمایز اصلی که آرکید روی آن دست گذاشته، ترکیب قابلیت کشف با کنترل‌های دسترسی و نظارت در قالب لایه‌ای مستقل است که سازمان‌ها می‌توانند روی هر هوش مصنوعی دلخواهی از آن استفاده کنند.

به ادعای این شرکت، این لایه مجوزهای کاربر و اختیارات ایجنت را بررسی می‌کند، کدهای عبور و کلیدها را خارج از حافظه مدل نگه می‌دارد، قوانین سازمان را قبل و بعد از تماس‌ها چک کرده و گزارش‌های امنیتی منطبق با استانداردهای OpenTelemetry تولید می‌کند؛ گزارش‌هایی که حتی مانع از نشت داده‌های حساس شرکت می‌شوند.

پارتی بر این باور است که چنین معماری به آرکید اجازه می‌دهد مدل‌های مرزی آینده را به سرعت و بدون نیاز به طراحی دوباره سیستم پیشنهاد ابزار پذیرا باشد.

او می‌گوید با گذشت چندین نسل از مدل‌های بزرگ، عملکرد این سیستم باثبات مانده است: «هر زمان مدل جدیدی معرفی شود، قادریم ظرف یک هفته کیفیتی مشابه را برای آن تضمین کنیم.» هرچند این فقط یک چشم‌انداز است و با توجه به سرعت شتابان دنیای هوش مصنوعی، تضمین رسمی به شمار نمی‌رود.

قیمت‌های فعلی آرکید و نسبت آن با صرفه‌جویی‌های اعلام‌شده

پلتفرم آرکید در حال حاضر سیستم قیمت‌گذاری مشخصی دارد و تعرفه‌های رسمی آن به جای تعداد کارمندان، بر اساس میزان مصرف تنظیم شده است:

رویدادهای احراز هویت مربوط به اتصال ایجنت به حساب کاربری پرسنل است و فراخوانی ابزار به درخواست‌هایی گفته می‌شود که ایجنت برای انجام کار‌های مختلف ارسال می‌کند. البته این هزینه‌ها تنها متعلق به پلتفرم آرکید است و هزینه‌های مجزای مربوط به اشتراک مدل‌های زبانی را پوشش نمی‌دهد.

آرکید اعلام کرده فعال‌سازی این سیستم پیشنهاد ابزار، هزینه اولیه‌ای برای خریداران سرویس Arcade Cloud ندارد؛ اما نباید آن را با استفاده رایگان و نامحدود اشتباه گرفت، چرا که کاربران پلن Team بابت رویدادهای احراز هویت و فراخوانی‌ها مبالغ معمول را می‌پردازند. هنوز زمان عرضه و قیمت‌گذاری این قابلیت برای نسخه‌های لوکال سازمانی منتشر نشده است.

پارتی کانون اصلی درآمدهای تجاری خود را شرکت‌های بزرگی می‌داند که برای امنیت و مدیریت ناوگان ایجنت‌های سازمانی پول می‌پردازند. او می‌گوید: «بله، قطعاً از مشتریان سازمانی بزرگ بابت این خدمات هزینه دریافت خواهیم کرد.»

این مسأله یعنی کاهش توکن‌های مدل به معنای کاهش خودکار کل هزینه‌های هوش مصنوعی شرکت نیست؛ خریداران باید کارمزدهای پلتفرم، لایسنس‌ها و هزینه‌های نگهداری سرور را هم در محاسبات مالی خود در نظر بگیرند.

علاوه بر این، سیستم پیشنهاد ابزار برای هر سناریویی به‌صرفه نخواهد بود. طبق مدل‌سازی‌های خود آرکید، اگر تعداد ابزار‌های یک ایجنت زیر ۲۵ تا ۲۸ ابزار باشد، استفاده از همان فهرست ثابت ارزان‌تر تمام می‌شود؛ اما برای کاتالوگ‌های شلوغ‌تر و بزرگ‌تر، شرکت‌ها باید میزان تأخیر جستجو و هزینه نهایی را روی بارهای کاری خود بسنجند.

در نهایت، برای سازمان‌هایی که از ده‌ها نرم‌افزار کاری و چندین مدل هوش مصنوعی استفاده می‌کنند، ارزش پیشنهادی آرکید فراتر از صرفه‌جویی توکن است: پلتفرمی متمرکز که اختیارات ایجنت را مشخص می‌کند، آن را به برنامه‌های هدف متصل می‌سازد، رخدادها را ثبت می‌کند و حالا ابزار مرتبط را بدون پر کردن بی‌مورد پنجره زمینه چت، در اختیار هوش مصنوعی می‌گذارد.