Model
مدل فقط مغز یه LLMـه که توکن رو به توکن تبدیل میکنه و تمام قابلیتهای پیشرفته مثل Tool Calling و اجرای چندمرحلهای کارها توسط Harness انجام میشن، نه خود مدل.
وقتی میگیم Model ، منظورمون همون مغز اصلی یه LLM ـه.
در واقع چیزی که Model رو تشکیل میده، همون Parameters هستن، یعنی تمام چیزایی که مدل موقع Training یاد گرفته.
خود Model کلا بلده توکن ورودی بگیره و توکن خروجی برگردونه، یعنی مدل واقعا همین یکارو بلده و اصلا نه فایل میتونه بخونه، نه اینترنت داره، نه دستور اجرا میکنه و نه چیزی از چت های قبلی یادشه.
مثلاً GPT-5.x یا Claude Opus 4.x فقط یه Model هستن، نه یه Agent.
یه سیستم دیگه به اسم Harness دور مدل قرار گرفته که همهچیز رو مدیریت میکنه. Harness تصمیم میگیره چه زمانی مدل رو صدا بزنه، کدوم Tool رو اجرا کنه، نتیجهی Tool رو دوباره به مدل بده و این چرخه رو تا رسیدن به جواب ادامه بده.
در واقع این Harnessـه که فایل میخونه، سرچ میزنه، Tool ران میکنه، چند مرحله ای فکر میکنه و یه تسک رو تا آخر پیش میبره و هیچکدوم اینا کار خود Model نیست.
یه نکتهی مهم دیگه اینه که Model Providerها معمولا چند نسخه از یه مدل ارائه میدن. مدلهای بزرگتر باهوشترن، ولی کندتر و گرونترن، در مقابل، مدلهای کوچکتر سریعتر و ارزونترن، اما تواناییشون کمتره.
برای همینه که همیشه لازم نیست خفن ترین مدل رو انتخاب کنی و مثلا برای Planning یا حل یه مشکل پیچیده، شاید مدل قویتر انتخاب بهتری باشه ولی برای کارهای ساده مثل تغییر اسم متغیرها، اصلاح یه فایل یا نوشتن کدهای تکراری، یه مدل سبک هم اوکیه.
حتی بعضی Harnessها وسط یه Session هم میتونن مدل رو عوض کنن و بخشهای سخت کار رو با یه مدل قوی انجام بدن و کارهای سادهتر رو به یه مدل سریعتر و ارزونتر در بیارن.
یه اشتباه رایج هم اینه که وقتی خروجی بدی میبینیم، سریع میگیم که این Model خیلی مزخرفه، در حالی که خیلی وقتها مشکل اصلا از خود Model نیست.
شاید Context خوبی بهش ندادی، System Prompt درست نبوده، Harness ابزار اشتباهی انتخاب کرده یا اصلا اطلاعات کافی در اختیار مدل قرار نگرفته.
پس قبل از اینکه تقصیر رو گردن Model بندازی، اول ببین چه ورودی و چه محیطی داشته، چون کیفیت خروجی خیلی وقتها بیشتر به Context و Harness بستگی داره تا خود Parameters مدل.