تصور کنید لایهی نرمافزاری را که دور یک مدل میپیچد تا به آن عاملیت (Agency) و ابزارها ببخشد. در حالی که اکثر کاربران از طریق اپلیکیشنهای بسته با هوش مصنوعی تعامل میکنند، قدرت واقعی در همین لایه نهفته است؛ برای اینکه واقعاً صاحب تجربهی هوش مصنوعی خود باشید، داشتن یک اشتراک ماهانه کافی نیست، بلکه شما به یک Harness (هارنس یا محیط اجرایی) نیاز دارید.
برای اکثر مردم، هوش مصنوعی یک جعبه سیاه است که توسط یک شرکت مدیریت میشود. شما یک پرامپت میفرستید و رابط کاربری آزمایشگاه سازنده تصمیم میگیرد که مدل چگونه رفتار کند و به چه ابزارهایی دسترسی داشته باشد. این وضعیت یک وابستگی ایجاد میکند که در آن آزمایشگاه، «روح» هوش مصنوعی و تاریخچه تعاملات شما را کنترل میکند.
زمینه: استعارهی صخرهنوردی
برای درک بهتر این مفهوم، تعریف لغوی هارنس را بررسی کنیم. طبق دیکشنری کمبریج، هارنس به عنوان یک اسم، تجهیزاتی شامل تسمهها و کمربندها است که برای کنترل یا نگه داشتن یک شخص، حیوان یا شیء در جای خود به کار میرود. به عنوان یک فعل، به معنای کنترل کردن چیزی، معمولاً برای استفاده از قدرت آن است.
یک هارنس صخرهنوردی را تصور کنید. هارنس خودش برای شما صعود نمیکند، اما شما را به طنابها متصل میکند، از سقوط شما جلوگیری میکند و تجهیزاتتان را نگه میدارد. این ابزار صخرهنورد را به کارابینها و طنابهایی متصل میکند که سرعت صعود را تعدیل کرده و مسیر را مدیریت میکنند. بدون آن، شما نمیتوانید با ایمنی از یک کوه بالا بروید.
هارنسهای صخرهنوردی تطبیقپذیر هستند. آنها توسط آکروباتها و درختنوردان (Arborists) نیز استفاده میشوند. کاربران میتوانند ابزارهای خاصی را به آنها متصل کنند، مانند کیسه گچ، ابزارهای پیچگوشتی (Nut tools) و کوییکدراوها (Quickdraws). بسته به نوع زمین، یک صخرهنورد میتواند هارنس و آنچه روی حلقههای تجهیزات قرار دارد را تغییر دهد. آنها تجهیزات را متعلق به خودشان میکنند.
یک هارنسِ عامل (Agent Harness) دقیقاً همین کار را برای یک مدل هوش مصنوعی انجام میدهد و نردههای ایمنی و کمربند ابزاری لازم برای کارهای پیچیده را فراهم میکند. شباهتهای عمیقی بین هارنسهای صخرهنوردی و هارنسهای عامل، هم در ساختار و هم در عملکرد وجود دارد.
به نقل از گزارشی که Earendil در ۲۳ اوت ۲۰۲۶ منتشر کرد، فرمول یک عامل هوش مصنوعی کاربردی بسیار ساده است: «عامل = مدل + هارنس». هارنس همان قطعه نرمافزاری است که محیط عملیاتی را فراهم میکند و به مدل اجازه میدهد تا از یک چت ساده به یک اقدام خودمختار (Autonomous Action) حرکت کند.
جزئیات: چهار ستون یک هارنس
یک هارنس عامل، نرمافزاری است که محیطی را برای فعالیت مدل هوش مصنوعی فراهم میکند. برخلاف اکثر مدلهای هوش مصنوعی که در محیطهای بسته هستند، کاربر نهایی میتواند مالک شخصی هارنس عامل خود باشد.
کاربران به روشهای مختلف با این سیستمها تعامل میکنند. مهندسان نرمافزار اغلب مستقیماً با هارنسهایی مانند Pi از طریق اپلیکیشن ترمینال (Terminal) در کامپیوتر خود تعامل میکنند. هارنسهای دیگر، مانند OpenClaw، از رابطهای کاربری متفاوتی مانند iMessage، اپلیکیشنهای چت یا ایمیل استفاده میکنند. برای مثال، هارنس Lefos اساساً برای تعامل از طریق ایمیل ساخته شده است.
هر هارنس کارآمد برای فعال کردن رفتار عاملمحور، چهار وظیفه اصلی را انجام میدهد:
- پرامپتهای سیستمی (System Prompts): اینها دستورالعملهایی هستند که در هر گفتگو تزریق میشوند. اکثر مدلهای هوش مصنوعی قوانینی دارند که در زمان آموزش در آنها جاسازی شده است — مانند «سند روح» (Soul Document) که برای مدل Claude Opus 4.5 به طور گسترده منتشر شد — اما پرامپت سیستمی کمتر جاسازی شده است. این پرامپت مانند مجموعهای از دستورالعملهایی است که یک کارمند جدید در اولین روز کاریاش دریافت میکند؛ مدل آنها را درونی نکرده است، اما میداند که هنگام انجام کار باید از آنها پیروی کند.
- یکپارچهسازی ابزارها (Tool Integration): هارنسها مجموعهای از قابلیتها را فراهم میکنند که با کد نوشته شدهاند و مدل میتواند آنها را «فراخوانی» (Call) کند. هارنس ابزارها را توصیف کرده و خودِ نرمافزار را فراهم میکند. مثالهایی از این ابزارها عبارتند از: ابزار جستوجوی وب، ابزاری برای نوشتن و اجرای کدهای نرمافزاری، یا ابزاری برای تنظیم یک ایمیل. نکته حیاتی این است که هارنس دیکته نمیکند که چه زمانی از ابزار استفاده شود؛ بلکه آنها را در دسترس قرار میدهد و اجازه میدهد مدل هوش مصنوعی تصمیم بگیرد.
- حلقه عاملمحور (Agentic Loop): این چارچوبی است که نحوه رفتار مدل را مدیریت میکند. این لایه حلقهای را ایجاد میکند که به مدل اجازه میدهد کار خود را بازبینی کند، متوجه شود که یک جستوجو شکست خورده است و تصمیم بگیرد بدون دخالت کاربر، دوباره تلاش کند.
- لایه ترجمه (Translation Layer): این حیاتیترین جزء برای آزادی کاربر است. این لایه به هارنس اجازه میدهد تا با طیف متنوعی از مدلهای مختلف هوش مصنوعی کار کند. این قابلیت باعث میشود یک هارنس واحد بتواند با مدلهای Anthropic، OpenAI یا مدلهای وزنهای باز (Open-weight) کار کند؛ مدلهایی که اغلب وقتی بر اساس هزینه به ازای هر تسک (Cost-per-task) اندازهگیری میشوند، ارزش بیشتری ارائه میدهند.
کالبدشکافی یک حلقه عاملمحور
برای درک اینکه این سیستم در عمل چگونه کار میکند، درخواستی را در نظر بگیرید که هدف آن مقایسه نمرات آزمون مدارس ابتدایی محلی و ارسال یک توصیه از طریق ایمیل است. فرض کنید هارنس برای ایمیل ساخته شده و سه ابزار دارد: WebSearch، WriteCode و ComposeEmail.
در ابتدا، مدل از پیشآموزش و وزنهای خود برای درک درخواست استفاده میکند. مدل تعیین میکند که «مدرسه ابتدایی» چیست، «منطقه محلی» به چه معناست و کاربر احتمالاً به کدام رتبهبندیها اهمیت میدهد. سپس کوئریهای جستوجوی وب را برای دریافت دادههای اخیر میسازد.
مدل هوش مصنوعی که درون یک هارنس قرار دارد، نتایج را در متن درخواست اولیه بازبینی میکند. اگر تشخیص دهد که اولین جستوجو اطلاعات درست یا کافی را نیاورده است، میتواند به طور مستقل تصمیم بگیرد که دوباره جستوجو کند. این تصمیم برای فراخوانی مجدد ابزار بر اساس ارزیابی خودِ مدل، اولین نمونه واضح از «حلقه» است.
پس از جمعآوری دادهها، مدل ممکن است ابزار WriteCode را برای تولید یک صفحه گسترده (Spreadsheet) فراخوانی کند. از آنجایی که تمام صفحات گسترده در اصل کد هستند، مدل از این ابزار برای انجام محاسبات ریاضی و قالببندی نتایج به گونهای که قابل فهم باشد استفاده میکند. سپس صفحه گسترده را با پرامپت اصلی مقایسه میکند. اگر دادهها هنوز رضایتبخش نباشند، ممکن است دوباره به مرحله جستوجو بازگردد.
در نهایت، مدل ابزار ComposeEmail را فراخوانی میکند تا یافتهها را بازبینی، خلاصه و صفحه گسترده را پیوست کند. مدل این کار نهایی را بازبینی کرده و تصمیم میگیرد که کار تمام شده است. در این لحظه حلقه عاملمحور بسته میشود. در عرض چند ثانیه، کاربر ایمیل را دریافت میکند. برای مشاهده این فرآیند در عمل، میتوان یک جلسه در Pi را بررسی کرد.
نبرد برای عاملیت
از نظر تاریخی، هارنسها بیطرف نبودند. اولین هارنس محبوب عامل، یعنی Claude Code، به عنوان یک لایه ترجمه آگنوستیک (بیطرف) ساخته نشد، بلکه به عنوان اپلیکیشنی برای فعال کردن کدنویسی با مدلهای Claude روی یک کامپیوتر محلی طراحی شده بود. با این حال، موج جدیدی از هارنسهای عامل متنباز و رایگان مانند OpenClaw، OpenCode، Hermes و Pi در حال تغییر این پویایی قدرت هستند.
هارنس Pi که توسط Earendil توسعه یافته است، یک هارنس مینیمال و متنباز است که روی لپتاپ خود کاربر اجرا میشود. چون این سیستم محلی است، کاربران میتوانند پرامپت سیستمی را تغییر دهند یا افزونههای (Extensions) خود را طراحی کنند. این ابزار طوری طراحی شده است که از همان ابتدا مزاحم کاربر نباشد. تا به امروز، کاربران Pi بیش از ۵,۰۰۰ افزونه را با یکدیگر به اشتراک گذاشتهاند.
با استفاده از یک لایه ترجمه بیطرف، کاربر میتواند یک ایمیل مشابه را به طور همزمان به یک مدل OpenAI، یک مدل Anthropic و یک مدل وزنباز بفرستد. آنها میتوانند نتایج و هزینه این نتایج را در یک مکان مقایسه کنند، به جای اینکه سه پاسخ مجزا در سه اپلیکیشن شرکتی مختلف داشته باشند.
این تغییر، اهرم قدرت را از آزمایشگاههای هوش مصنوعی دور میکند. وقتی شما هارنس خود را به صورت محلی روی سختافزار خودتان اجرا میکنید، عاملیت خود را حفظ میکنید. شما این آزادی را دارید که ابزارهای خود را شخصیسازی کنید و نسخههای محلی از جلساتی که مکاتبات شما با ماشینها را تشکیل میدهند، نگه دارید. شما دیگر مستأجر یک اکوسیستم شرکتی نیستید؛ بلکه مالک پشته (Stack) هوش مصنوعی خود هستید.
برای یک متخصص معمولی، این بدان معناست که گردش کار هوش مصنوعی او دیگر تابع تصمیمات قیمتگذاری یا تغییرات سیاستهای یک شرکت واحد نیست. اگر یک مدل بیش از حد گران شود یا بیش از حد سانسور شود، شما به سادگی مدل را در لایه ترجمه خود تعویض میکنید در حالی که ابزارها و پرامپتهایتان دستنخورده باقی میمانند.
در نهایت، هدف این است که اطمینان حاصل شود انسانها تکنولوژی را به دست میگیرند، نه اینکه تکنولوژی انسانها را هدایت کند. Earendil به تقویت عاملیت انسان از طریق خلق نرمافزارها و پروتکلهای بازی که شکافها و جهل را پل میزنند، باور دارد. این کار با نادیده گرفتن تکنولوژیهای موجود انجام نمیشود، بلکه با مهار کردن (Harnessing) آنها با چشمانی باز و تسلطی محکم صورت میگیرد — تا اطمینان یابیم که ما چکش را در دست داریم، و چکش ما را در دست نمیگیرد.
گام بعدی شما
- بررسی پروژههای متنباز مانند Pi یا OpenClaw برای اجرای محلی هارنس.
- تست مدلهای مختلف (OpenAI در برابر مدلهای وزنباز) در یک لایه ترجمه واحد برای مقایسه هزینه به کیفیت.
- طراحی پرامپتهای سیستمی شخصی برای تبدیل مدلهای عمومی به عاملهای تخصصی در حوزه کاری خود.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو