چگونه DeckerGUI هزینه توکن‌های عامل‌های هوشمند را ۸۸ درصد کاهش داد؟

اگر برای مدیریت ناوگان عامل‌های هوشمند خود بودجه تخصیص می‌دهید، احتمالاً با بحران «نشت توکن» در جلسات طولانی آشنا هستید. اکنون یک معماری جدید می‌تواند این هزینه را تا ۸۸ درصد کاهش دهد.

بر اساس گزارش پیشرفت منتشر شده در اوت ۲۰۲۶ توسط وان محمد عزیزی بن وان هوسن و ریکایو ویلزام، یک جریان اتصال (Docking Flow) نماینده در اکوسیستم DeckerGUI اکنون تنها ۶۳۳ توکن مصرف می‌کند؛ عددی که در حالت پایه ۵۳۲۵ توکن بود. این جهش بهره‌وری، که کاهش ۸۸.۱۱ درصدی هزینه‌ها را نشان می‌دهد، از یک چرخش ساختاری حاصل شده است: جداسازی نحوه صدور مجوز برای یک عامل از نحوه اجرای واقعی وظیفه توسط آن.

در اکثر معماری‌های فعلی عامل‌های هوش مصنوعی، حاکمیت (Governance) و اجرا در یک چرخه عمر واحد قرار دارند. این بدان معناست که عامل توکن‌های گران‌قیمتی را صرف می‌کند تا صرفاً «فعال» بماند در حالی که در حال انجام کار است. DeckerGUI این مشکل را با معرفی پروتکل DGUI Emitter حل کرده است. در این مدل، عامل اولیه به عنوان یک نگهبان (Gatekeeper) سبک‌وزن عمل می‌کند که صرفاً یک ClawIntent امضا شده و دارای Nonce صادر می‌کند و سپس از چرخه خارج می‌شود.

این رویکرد، عامل را از یک اپراتور سنگین به یک هماهنگ‌کننده (Coordinator) چابک تبدیل می‌کند. با انتقال بار کاری واقعی به عامل‌های Claw تخصصی که تحت کلیدهای دیجیتالی اندازه‌گیری شده (Metered keys) فعالیت می‌کنند، سیستم از «نشت توکنی» که در جلسات طولانی عامل‌محور رایج است، جلوگیری می‌کند. قرارداد ClawIntent به‌گونه‌ای طراحی شده که صراحتاً مقدار maxDockingTokens: 0 را حمل می‌کند و این امر باعث می‌شود بودجه اجرا در سطح نوع داده (Type level) غیرممکن باشد.

دروازه نظارتی 3-DGM

طبق مستندات این پروژه، هر عملیات باید از دروازه مدل نظارتی سه‌بعدی یا 3-DGM عبور کند. این لایه امنیتی شامل سه بررسی متوالی است:

• بازنشانی حافظه DSYNC: اسکن حافظه عامل برای شناسایی ۹ الگوی تهدید حیاتی — به‌طور خاص eval()، new Function، __proto__، constructor، process.env و child_process — تا موارد تطابق را با طبقه‌بندی شدت خطر قرنطینه کند.
• محافظ قابلیت (Capability Guard): تایید می‌کند که آیا عامل مجوز خاصی برای اقدام درخواستی دارد یا خیر.
• ناظر سیاست (Policy Supervisor): اطمینان حاصل می‌کند که عملیات با سیاست‌های کلان سازمانی مطابقت دارد.

این لایه‌های نظارتی در واقع پاسخ عملی به چالش‌های امنیتی هستند که در تحلیل‌های پیشین درباره ارتقای مقیاس‌پذیری و امنیت عامل‌های AI بررسی شده بودند. پس از تایید نهایی، تنها مسیر قانونی و مجاز برای ثبت نتایج، Central YoloMoE Seeder است تا یک دفتر کل واحد و قابل حسابرسی برای تمام تغییرات سیستم وجود داشته باشد.

اقتصاد توکن و پروتکل Emitter

به نقل از گزارش پیشرفت، وقتی اجرا به کلیدهای Claw منتقل می‌شود، کاهش ساختاری برای عامل‌های اتصال بسیار چشمگیر است و ردپای توکنی آن‌ها تا ۹۹.۴ درصد کاهش می‌یابد.

بررسی اعداد دقیق نشان می‌دهد در حالی که دروازه 3-DGM در هر دو مدل استاندارد و Emitter ۵۰ توکن مصرف می‌کند و ثبت نتایج ۵ توکن می‌برد، اما هزینه ساخت قصد (Intent) از ۱۰ توکن به کمتر از ۱ توکن کاهش می‌یابد. فاز اجرا (که ۱۰ ۰۰۰ توکن مصرف می‌کند) به‌طور کامل به بودجه کلید Claw منتقل می‌شود. در نتیجه، مجموع توکن‌های عامل اتصال از ۱۰ ۰۶۵ توکن به تنها ۵۶ توکن سقوط می‌کند.

برای مدیریت این فرآیند، DeckerGUI از کلیدهای API دیجیتال استفاده می‌کند که حاوی موارد زیر است:

• keyHash و ownerAgentId (هش کلید و شناسه عامل مالک)
• محدوده‌های مجوز خاص (Authorization scopes)
• برچسب‌های زمانی remainingQuota (سهمیه باقی‌مانده) و expiresAt (زمان انقضا)
• پرچم‌های rewardEligible (واجد شرایط بودن برای پاداش)

این کلیدها به ازای هر ویژگی (Feature) ضرب (Mint) شده، در اسلات‌های عاملانه قرار می‌گیرند و بلافاصله پس از قطع اتصال ابطال می‌شوند تا از تداوم دسترسی‌های غیرمجاز جلوگیری شود. سپس سیستم تسویه و اندازه‌گیری، هر اجرا را با استفاده از هش کلید Claw و توکن‌های مصرف شده ثبت می‌کند.

کنسول و زیرساخت DGUI Emitter

این سیستم بر روی یک زیرساخت آماده تولید (Production-ready) مستقر شده است که از تونل‌های نام‌گذاری شده Cloudflare (تحت نام deckergui-api) با سه نسخه پشتیبان (Replica) و پورت‌های متریک ۴۱۰۰، ۴۱۰۱ و ۴۱۰۲ بهره می‌برد. کنسول زنده Emitter در آدرس emitter.deckergui.my در دسترس است (API روی پورت ۳۰۰۶ و کنسول روی پورت ۳۰۰۷).

این کنسول در حال حاضر از ۱۶ ویژگی اتصال پشتیبانی می‌کند که در ۸ نمای ویژگی اصلی سازماندهی شده‌اند:

• نماهای هسته (Core Views): شامل DSYNC، DGUI Persona، DGM Factory، DGUI Market، DGUI Tufty، DGUI Hub Network، DGUI DOCS و DGUI AGENT.
• گروه سیستمی (System Group): شامل وضعیت اتصال (Connection) و وضعیت Seed.

تا به امروز، سیستم ۱۶ ویژگی را ثبت کرده و تاریخچه زنده Seed شامل ۵۰ ورودی را ضبط نموده است.

یکپارچه‌سازی KPI سازمانی

علاوه بر کاهش هزینه، این اکوسیستم شامل یک Enterprise KPI Tokenizer است (قابل دسترس در app.deckergui.my با API روی پورت ۳۰۰۴ و رابط کاربری روی پورت ۳۰۰۳). این یک ذخیره‌گاه پیشرفت است که به کاربران اجازه می‌دهد پس از پایان پروژه، پیشرفت خود را بر اساس روز، مدل، هارنس یا ابزار بررسی کنند.

قابلیت‌های کلیدی آن عبارتند از:

• موتور بودجه: نگاشت حقوق به توکن‌های ماهانه با نرخ ۱ ۰۰۰ توکن به‌ازای هر رینگیت مالزیایی (RM).
• سهمیه‌های لایه‌ای: پشتیبانی از چهار سطح حقوقی: ورودی (Entry)، متوسط (Mid)، ارشد (Senior) و اجرایی (Executive).
• مدیریت مدل: کاتالوگی از قیمت‌گذاری ۱۴ مدل با قابلیت تشخیص خودکار نوع مدل از روی رشته‌های متنی.
• مجموعه عملیاتی: شامل داشبورد، نماهای کارمندی، گزارش‌های KPI، لاگ‌های استفاده و یک پروکسی ارائه‌دهنده AI از طریق ۱۳ نقطه اتصال (Endpoint) API.

لایه نگهداری DGM

فاز بعدی توسعه بر لایه‌ی نگهداری Digital Guild Master (DGM) تمرکز دارد. در این مرحله، «عامل‌های تکنسین» (Technician agents) به هر ویژگی منفرد اختصاص می‌یابند.

این تکنسین‌ها بر اساس یک زمان‌بندی قابل پیکربندی (مثلاً دوشنبه‌ها) از طریق هارنس opencode فراخوانی می‌شوند. آن‌ها روتین‌های نگهداری خاصی را اجرا کرده و یک وضعیت Seed (Seed-Status) را به مرکز YoloMoE گزارش می‌دهند. این امر منجر به ایجاد یک ناوگان خود-نگهدار می‌شود که در آن کارهای نگهداری نیز خودشان تحت نظارت، اندازه‌گیری و ثبت از طریق همان مسیر واحد نوشتن (Single write path) هستند که برای تمام اتصالات استفاده می‌شود.

ابزارهای سفارشی opencode

برای پشتیبانی از لایه DGM، مجموعه‌ای از ابزارهای سفارشی در هارنس opencode در حال توسعه است. این ابزارها شامل موارد زیرند:

• امنیت و نظارت: بررسی‌های دروازه 3-DGM و اسکن‌های تهدید DSYNC.
• اجرا: صدور ClawIntent با توکن صفر و اجرای اندازه‌گیری شده در برابر ارائه‌دهندگان راه دور، GPU یا محلی.
• مدیریت: ضرب سکه کلیدها، اندازه‌گیری (Metering)، تسویه (Settlement) و گزارش Seed.
• راه‌اندازی: ابزاری برای اولین استفاده که پیش‌نیازهای KPI Tokenizer شامل هویت، مدل مورد استفاده، منبع لاگ و اتصال Emitter را ثبت می‌کند.

مقایسه DGM و پروتکل MCP

اگرچه DeckerGUI موتور خود را به‌عنوان یک سرور DGM MCP (پروتکل زمینه مدل) برای سازگاری با ابزارهایی مثل Claude Code، Codex، Antigravity و VS Code ارائه می‌دهد (با پشتیبانی از stdio و Streamable HTTP)، اما توسعه‌دهندگان تاکید دارند که DGM یک کلون از MCP نیست.

در واقع MCP پاسخ می‌دهد که «یک مدل چگونه به ابزار وصل شود»، اما DGM پاسخ می‌دهد که «چه کسی اجازه دارد، هزینه چقدر است، چه اتفاقی افتاد و چه کسی ناوگان را نگهداری می‌کند». DGM برای دسترسی گسترده‌تر از انتقال MCP استفاده می‌کند، اما ماهیت آن فراتر از این پروتکل است. این رویکرد مدیریتی در تضاد با ضعف‌های شناسایی شده در بررسی‌های مربوط به تولید کد در برابر اعتبارسنجی قرار دارد، جایی که دقت در اجرا بر سادگی اتصال اولویت می‌یابد.

مسیر عرضه نهایی

در نهایت، لایه opencode، سرور DGM MCP و جریان راه‌اندازی اولیه به‌صورت یک مخزن مستقل با نام deckergui/dgm-opencode منتشر خواهند شد. این عرضه شامل بسته‌های npm مانند @deckergui/opencode-tools و @deckergui/dgm-mcp به همراه مستندات کامل و عرضه در Product Hunt خواهد بود.

این تفکیک معماری باعث می‌شود که با رشد ناوگان‌های AI سازمانی، هزینه «مدیریت» عامل‌ها دیگر به‌صورت خطی با هزینه «کاری» که انجام می‌دهند افزایش نیابد. با حذف سربارهای نظارتی، DeckerGUI الگویی برای استقرار پایدار و مقیاس‌پذیر عامل‌ها ایجاد می‌کند.

گام بعدی شما

• اگر از سیستم‌های چندعاملی استفاده می‌کنید، مدل جداسازی «مجوز» از «اجرا» را برای کاهش هزینه‌ها بررسی کنید.
• مستندات deckergui/dgm-opencode را برای پیاده‌سازی لایه‌های نظارتی در پروژه‌های خود دنبال کنید.
• ساختار KPI Tokenizer را برای تبدیل بودجه‌های مالی به سهمیه‌های توکنی در سازمان خود مدل کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.