Factory نسخه 1.0 از Droid را منتشر کرد — بزرگ‌ترین به‌روزرسانی تاکنون برای این agent harness مستقل از مدل. تغییر اصلی: Programmatic Tool Calling (PTC) از این پس به‌صورت پیش‌فرض فعال است. مدل به‌جای فراخوانی تک‌تک ابزارها، یک برنامه JavaScript در یک sandbox اجرا می‌کند و یک درخواست مدل می‌تواند صدها فراخوانی ابزار را هدایت کند.

جزئیات فنی و عملکرد#

پرامپت پایه Droid از 20,887 به 13,055 توکن کاهش یافته (37٪ کمتر) و تنها 2 تعریف ابزار در ابتدا بارگذاری می‌شود (قبلاً 11 بود). PTC روی 10 مدل فعال است، از جمله GPT-6.1 Sol و Kimi K3. روی Claude Opus 5.5، Script Mode هزینه را 15٪ نسبت به فراخوانی مستقیم ابزار کاهش می‌دهد.

نتایج Terminal-Bench 4 (آزمون‌های Factory، 3 تکرار برای هر تسک، 23 تا 28 اکتبر 2026):

  • Claude Opus 5.5: Droid نمره 65.2٪ با هزینه $4.73 به ازای هر تسک موفق. Cursor و OpenCode: 62.1٪، Devin: 59.6٪، Claude Code: 57.6٪. Droid تا 24٪ ارزان‌تر.
  • GPT-6.1 Sol: Droid نمره 57.6٪ با هزینه $0.79 به ازای هر تسک. Codex: 54.0٪، OpenCode: 51.0٪، Devin: 45.0٪. اما Droid با این مدل 10٪ کندتر از Codex است.

سایر تغییرات harness#

  • Prompt cache: ابزارهای تازه‌بارگذاری‌شده به انتهای درخواست اضافه می‌شوند؛ درخواست تولیدی معمولاً 98٪ ورودی را از cache می‌خواند.
  • Bounded autonomy: 3 فراخوانی یکسان ابزار یک nudge فعال می‌کند و 6 فراخوانی حلقه را متوقف می‌سازد. خلاصه‌های compaction از 8,000 به 16,000 توکن افزایش یافته.
  • App latency: First paint از 1,839 به 488 میلی‌ثانیه رسیده. هر session اضافه حدود 20 مگابایت مصرف می‌کند (قبلاً 350 مگابایت).

دسترسی و قیمت#

Droid 1.0 به‌صورت اپ دسکتاپ (macOS و Windows)، رابط ترمینالی و Node SDK (@factory/droid-sdk) در دسترس است. با هر مدل پشتیبانی‌شده کار می‌کند و امکان استفاده از API key شخصی (BYOK) وجود دارد. پلن‌های پولی از $20 به‌ازای ماه شروع می‌شوند. SDK تحت مجوز Apache 2.0 است، اما مجوز خود harness اعلام نشده.

خوانش تحریریه#

برای کسی که همین حالا با ابزارهای agent در حال ساخت اتوماسیون است، PTC یک تغییر معماری واقعی است، نه صرفاً یک به‌روزرسانی نسخه. ایده این است که به‌جای اینکه هر نتیجه ابزار به context مدل برگردد و توکن مصرف کند، مدل یک اسکریپت بنویسد و نتایج را خودش پردازش کند. Factory در سه نمونه واقعی (رفع تست واحد، پاک‌سازی Linear، جاروب CI) این را نشان داده و کاهش چشمگیر توکن و زمان را گزارش کرده است.

اما دو نکته احتیاطی: اعداد Terminal-Bench 4 خود Factory است و روش‌شناسی‌اش را خودش تعریف کرده. همچنین Droid با GPT-6.1 Sol از Codex کندتر است — یعنی مزیت سرعت و هزینه به مدل بستگی دارد و یک‌دست نیست. اگر روی مدل خاصی کار می‌کنید، قبل از مهاجرت، مقایسه را روی همان مدل و همان نوع تسک‌های خودتان انجام دهید.

منبع: MarkTechPost