تصور کنید به جای مدیریت یک تیم انسانی پرهزینه، شش کارمند دیجیتال داشته باشید که هر کدام در یک حوزه تخصصی، بدون خستگی و با دقت بالا، دستورات شما را اجرا کنند. چاد آریمورا (Chad Arimura) ثابت کرد که یک خوشه کوچک از عاملهای تخصصی میتواند بسیار کارآمدتر از هایپهای تبلیغاتی درباره «هزاران عامل» باشد. آریمورا یک ساختار آماده برای محیط عملیاتی (Production-ready) را معرفی کرد که همه چیز، از نگهداری زیرساخت تا مدیریت اجرایی را بدون نیاز به یک تیم مهندسی بزرگ مدیریت میکند.
این رویکرد در حالی مطرح میشود که صنعت هوش مصنوعی از چتباتهای ساده به سمت جریانهای کاری عاملمحور (Agentic Workflows) — شبیه به تبدیل یک دستیار که فقط جواب میدهد به کارمندی که واقعاً کار انجام میدهد — حرکت میکند. این تغییر پارادایم با پیشبینی مارک زاکربرگ مبنی بر ورود میلیاردها عامل هوشمند به بازار همسو است که آیندهای را ترسیم میکند که در آن هر فرد یا کسبوکار، ارتشی از دستیاران دیجیتال خواهد داشت. در حالی که بسیاری از اینفلوئنسرها حلقههای خودبهبوددهنده پیچیده، گرافها یا «سوارمها» (Swarms) را تبلیغ میکنند، استراتژی آریمورا بر اصل «حداقل دسترسی» (Least Privilege) متمرکز است. او محدودههای خاص و محدودی را به هر عامل اختصاص داده تا ریسک خطاهای فاجعهبار کاهش یابد. این دقیقاً مشابه ساختار شرکتهای سنتی است که در آن یک برنامهنویس دسترسی مدیر سیستم را ندارد و در نتیجه «شعاع تخریب» (Blast Radius) هر اشتباه احتمالی محدود میشود. این استراتژی تاییدکننده این دیدگاه است که ناوگان عاملهای ایزوله در مقایسه با یک دستیار همهفنحریف، کارایی و امنیت بیشتری دارند.
فهرست عاملها
طبق گزارش آریمورا، این سیستم از ۶ پروفایل مجزا تشکیل شده است که هر کدام مأموریت مشخصی دارند:
- ea-agent: یک مدیر اجرایی است. این عامل تقویمها را مدیریت میکند، یادآورها را هندل میکند و مانند یک مدیر برنامه (Program Manager)، کارهای موجود در Linear را سازماندهی میکند.
- ops-agent: یک ناظر عملکرد است. این عامل پایداری سایت و Sentry را پایش میکند تا از ثبات سیستم اطمینان حاصل کند. او مسائل را تریاژ میکند؛ یعنی یا خودش آنها را رفع میکند، یا به dev-agent ارجاع میدهد و یا در صورت لزوم موضوع را به خود آریمورا گزارش میکند.
- dev-agent: توسعهدهنده اصلی است. این عامل به چند پروژه خاص در گیتهاب دسترسی دارد.
- gtm-agent: یک بازاریاب است. او قیفهای فروش (Funnels)، اعداد مربوط به ترافیک و شبکههای اجتماعی را تحلیل میکند و مهارتهای خاصی در نویسندگی و مدیریت رسانههای اجتماعی دارد.
- research-agent: یک پژوهشگر وب بهصورت غیرهمزمان (Asynchronous) است. او وب را برای انجام تحقیقات طولانیمدت جستجو کرده و گزارشهای مفصل تهیه میکند.
- vps-agent: مدیر زیرساخت است. این عامل دسترسی ریشه (Root) به باکسِ عاملها دارد. او میتواند عاملهای جدید ایجاد کند، سرورهای MCP و مهارتهای جدید اضافه کند و نگهداری سرور را بر عهده بگیرد. نکته مهم این است که او فقط در محیط Buzz به آریمورا پاسخ میدهد.
پشته فنی و حافظه
تمام این عاملها در حال حاضر به عنوان عاملهای Hermes اجرا میشوند. آنها توسط مجموعهای از فایلهای پیکربندی تعریف شدهاند: SOUL.md برای تعریف روح و شخصیت، AGENTS.md برای تعریف ساختار عاملها، و همچنین مهارتها، ابزارها و سرورهای MCP خاص.
مدیریت حافظه از طریق ترکیبی از یک بانک حافظه Mnemosyne برای هر پروفایل و یک ویکی مشترک در Obsidian انجام میشود که با دستگاه آریمورا همگام (Sync) است. آریمورا پس از آنکه کارپاتی (Karpathy) تخلیه ذهنی ویکی LLM خود را منتشر کرد، با Obsidian آشنا شد. او از آن به عنوان یک «دفترچه راهنمای عملیاتی کسبوکار» استفاده میکند و فرآیندها را در آن ثبت میکند تا وقتی عاملها فعال میشوند، بلافاصله بدانند هر چیز چگونه کار میکند. این معماری تضمین میکند که سیستم قابل جابهجایی است و از «۰ و ۱»هایی تشکیل شده که به راحتی قابل مکانیابی هستند.
انتخاب مدل و محاسبات
در حال حاضر، تمام عاملها از مدل OpenAI GPT-5.6 Sol استفاده میکنند و قابلیت ایجاد زیر-عاملها (Sub-agents) را با استفاده از GPT-5.6 Terra دارند. آریمورا در ابتدا از مدل Fable شرکت آنتروپیک استفاده میکرد، اما پس از دریافت صورتحسابهای بالای API و متوجه شدن اینکه آنتروپیک اجازه استفاده از اشتراک (Subscription) را برای این ساختار خاص نمیدهد، به OpenAI کوچ کرد.
او اشاره میکند که مدلهای پیشرو (Frontier Models) برای این نوع کارها عمدتاً قابل جایگزینی هستند. اگرچه او ترجیح میدهد از مدلهای بازمتن (Open-weights) استفاده کند، اما وقتی یک اشتراک ۱۰۰ دلاری OpenAI کفایت میکند، انگیزهای برای تغییر نمیبیند و حتی میگوید اگر لازم باشد به پلن ۲۰۰ دلاری ارتقا میدهد.
کل این خوشه روی یک Droplet پایه در DigitalOcean با مشخصات زیر اجرا میشود:
- ۴ پردازنده مجازی (vCPU)
- ۸ گیگابایت رم (که از ۴ گیگابایت ارتقا یافت چون سرور شروع به Swap کردن روی دیسک کرده بود)
- ۱۶۰ گیگابایت فضای دیسک
امنیت این شبکه از طریق Tailscale تأمین شده تا هیچ پورت عمومی به اینترنت باز نباشد. جالب است که آریمورا با وجود داشتن dev-agent، هنوز ۹۵٪ کدنویسی خود را با Claude Code (با مدل Fable و Codex به عنوان جایگزین) انجام میدهد، زیرا ترجیح میدهد در ترمینال محلی، روند استدلال مدل را در لحظه تماشا کند.
ارتباطات از طریق Buzz و Nostr
ارتباطات سیستم در Buzz (نسخه ۰.۵.۹) جریان دارد؛ یک جایگزین متنباز برای Slack که توسط Block ساخته شده و پشتیبانی بومی و درجهیک از عاملها دارد. اگرچه اپلیکیشن آیفون آن باید بهصورت دستی نصب شود، اما این پلتفرم به vps-agent اجازه میدهد تا یک عامل جدید ایجاد کرده و آن را در حدود ۱۰ دقیقه به تیم متصل کند.
عاملها به پیامهای مستقیم (DM) بدون نیاز به فراخوانی پاسخ میدهند، اما در اتاقهای مشترک، نیاز به @mention دارند (مثلاً @ea-agent). عاملها میتوانند با یکدیگر صحبت کنند، به استثنای vps-agent که برای آریمورا خصوصی باقی میماند.
Buzz بر پایه پروتکل Nostr اجرا میشود که مشخصات خود را از طریق «NIPها» (امکانات پیادهسازی نوستر) تعریف میکند. بهطور خاص، NIP-01 موارد زیر را تعریف میکند:
- رویدادهای امضا شده جهانی (Universal signed events)
- نویسندگی مبتنی بر کلید (Key-based authorship)
- رلههای WebSocket
- اشتراکهای بلادرنگ قابل فیلتر
در این اکوسیستم، عاملها در واقع فقط جفتکلیدهای رمزنگاریشده هستند. Buzz این مبانی را به کانالها و رویدادهای عملیاتی گسترش میدهد و به هر جامعهای اجازه میدهد رله (Relay) خود را با همان مدل امضا و احراز هویت میزبانی کند.
جریانهای کاری در دنیای واقعی
آریمورا چندین حلقه خودکار را با استفاده از وبهوکهایی که پیامها را به Buzz میفرستند، پیاده کرده است. یک مثال، جریان کاری sentry_notifier است که با یک وبهوک فعال شده و پیامی میفرستد: «🚨 خطای Sentry ایجاد شد: {{trigger.data | truncate(1000)}} @ops-agent لطفاً تریاژ کنید.»
سایر کاربردهای فعال عبارتاند از:
- پاسخ خودکار Sentry: عامل ops-agent هشدار را دریافت کرده، علت ریشهای را در Sentry، Cloudflare و کد تحلیل میکند و گزارشی ارائه میدهد. اگرچه در حال حاضر مدل «انسان در حلقه» (me-in-the-loop) است، اما برای اتوماسیون مستقل در آینده طراحی شده است.
- گزارشهای صبحگاهی: عامل ea-agent تیکتهای Linear، تقویم و گفتگوهای روز قبل را بررسی کرده و یک لیست اولویتبندی شده برای کارهای روزانه پیشنهاد میدهد.
- پایش سلامت سیستم: عامل vps-agent تمام گفتگوهای Buzz روز قبل، از جمله DMهای خصوصی را بررسی میکند. او یک گزارش صبحگاهی را به صورت لیستی مرتب از کارهای انجام شده و کارهای در جریان ارسال میکند. آریمورا سپس میتواند با دستوراتی مثل «کارهای ۲ و ۳ را انجام بده، فردا مورد ۴ را یادآوری کن و برای ۸ و ۱۰ تیکت Linear بساز» پاسخ دهد.
- توسعه در حرکت: آریمورا از اپلیکیشن موبایل Buzz ایدهای را میفرستد و یک عامل آن را بهصورت غیرهمزمان تکمیل میکند. هدف نهایی ایجاد یک «کارخانه نرمافزار» است که در آن عاملها به تیکتهای Linear واکنش نشان دهند: «تیکت وارد شود، PR خارج شود». برای کسانی که به دنبال تجاری کردن این مدلها هستند، نقشه راه ۲۰۲۶ برای ساخت و فروش عاملهای هوش مصنوعی B2B راهنمای جامعتری برای پیادهسازی در مقیاس سازمانی ارائه میدهد.
- بررسی تقویم اجتماعی: عامل gtm-agent روزانه تقویم محتوا را بررسی میکند تا شکافها را شناسایی کند. آریمورا در اینجا محتاط است و میخواهد مطمئن شود محتوا با صدای واقعی خودش به اشتراک گذاشته میشود، نه اینکه فقط به دنبال جذب کلیک باشد.
- یادآورها و پژوهش: آریمورا از طریق اپلیکیشن موبایل به ea-agent میگوید تا یک تسک را تا زمان پاسخ او یادآوری کند، یا به research-agent مأموریت میدهد تا تحقیقی عمیق روی یک ایده جدید انجام دهد.
فلسفه و بازگشت سرمایه
آریمورا نسبت به دنیایی که توسط چند بازیگر بزرگ به عنوان «داوران اخلاق و حقیقت» کنترل شود، بدبین است. به همین دلیل او بر استفاده از پشتههای قابل جابهجایی، قابل تعویض و متنباز تأکید دارد تا از وابستگی کامل به «امپراتوریهای» OpenAI یا Anthropic اجتناب کند.
در مورد بازگشت سرمایه (ROI)، آریمورا اعتراف میکند که این مقدار در حال حاضر منفی است. او ده برابر بیشتر از زمانی که برای انجام دستی این کارها لازم بود، وقت صرف راهاندازی این کادر عاملها کرد. با این حال، او این را هزینه ساخت خودِ «کارخانه» میبیند که پیشنیازی برای مقیاسبندی چندین محصول و سازمان غیرانتفاعیاش با تعداد کمتری کارکن و داوطلب است.
گام بعدی شما
- بررسی پروتکل Nostr برای درک نحوه ایجاد هویتهای غیرمتمرکز برای عاملهای هوش مصنوعی.
- مطالعه مستندات MCP (پروتکل زمینه مدل) برای متصل کردن ابزارهای محلی به مدلهای زبانی.
- تست مدلهای GPT-5.6 در سناریوهای مدیریت تسک برای ارزیابی دقت استدلال در زنجیرههای طولانی.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو