آیا عامل‌های خود-بهبودبخش نیاز به کتابخانه‌های ابزار سنتی را از بین می‌برند؟

تصور کنید یک برنامه‌نویس ارشد را دارید که نه تنها کد می‌زند، بلکه هر بار که به ابزاری جدید نیاز دارد، آن را اختراع می‌کند و حافظه‌اش را برای بهره‌وری بیشتر بازطراحی می‌کند. این دیگر یک تخیل نیست؛ عامل‌های هوش مصنوعی اکنون از مرحلهٔ اجرای دستورات ثابت عبور کرده و به «مهندسان خودکار» تبدیل شده‌اند.

به نقل از گزارشی که در ۱۳ اوت ۲۰۲۶ منتشر شد، برداشت اصلی این است که «عصر ساختارهای ایستا در هوش مصنوعی عامل‌محور به پایان رسیده است». گواه این ادعا، یک اثبات مفهوم (Proof of Concept) اخیر است: عاملی که توانست پنج بازی مختلف پوکمون — از جمله نسخه‌های Pokemon Red، Blue, Yellow Legacy (در حالت سخت)، Crystal و Emerald — را بدون هیچ راهنمایی (Walkthrough) یا جدول حرکات کدنویسی‌شده به پایان برساند. این عامل تنها با یک اسکرین‌شات خام و یک پرامپت خالی شروع کرد و در طول مسیر، ساختارهای حافظه خود را بازنویسی کرد، مهارت‌های ناکارآمد را حذف نمود و برای مدیریت مکانیک‌های خاص نبرد، زیر-عامل‌های جدیدی خلق کرد.

این دستاورد صرفاً یک نمایش فنی یا یک ترفند نبود، بلکه نشان‌دهنده یکی از بزرگ‌ترین چرخش‌های معماری در سیستم‌های هوش مصنوعی پس از ظهور ترنسفورمر (Transformer) است. در حال حاضر، این پژوهش‌ها وارد مرحله تولید شده‌اند: PrimeIntellect محصول Prime Agent را عرضه کرده، Meta ابزار Muse Code را با پشتیبانی Muse Spark 1.2 روانه بازار کرده، Cloudflare یک کامپیوتر واقعی در اختیار عامل‌ها قرار داده است و Uber در کنفرانس MLSys ۲۰۲۶، امنیت سازمانی برای سیستم‌های عامل‌محور را به‌صورت متن‌باز منتشر کرد. این تحولات بخشی از روندهای کلیدی توسعه نرم‌افزار با هوش مصنوعی در سال ۲۰۲۶ است که مرزهای برنامه‌نویسی سنتی را جابه‌جا می‌کند.

سال‌ها بود که توسعه‌دهندگان به چارچوب‌هایی مثل LangChain، LangGraph، CrewAI یا AutoGPT تکیه می‌کردند که در آن‌ها ابزارها و پرامپت‌ها در زمان استقرار (Deployment) ثابت بودند. در این سیستم‌ها، ابزارها در قالب طرح‌های JSON تعریف می‌شدند، پرامپت‌ها رشته‌هایی در فایل‌های پیکربندی بودند و حافظه یک خط لوله بازیابی با منطق تکه‌بندی (Chunking) سخت‌افزاری بود. همان‌طور که در تحلیل قبلی ما درباره‌ی Nemotron 3 انویدیا اشاره کردیم که بر طراحی سخت‌افزار-محور متمرکز بود، اکنون صنعت به سمت نرم‌افزارهایی می‌رود که در حین اجرا تکامل می‌یابند.

تیم PrimeIntellect اشاره می‌کند که طراحی‌های قدیمی (Harness) بر اساس قابلیت‌های مدل‌های ضعیف‌تر ساخته شده بودند و این امر سه نقطه شکست اصلی ایجاد کرد:

• از دست رفتن داده‌ها در فشرده‌سازی زمینه (Context compaction loss): وظایف با افق زمانی طولانی، پنجرهٔ زمینه را پر می‌کنند. راهکارهای فعلی مثل خلاصه‌سازی، پنجره‌های لغزان (Sliding windows) و حافظه سلسله‌مراتبی، همگی شامل فشرده‌سازی با اتلاف داده هستند. وقتی یک تصمیم حیاتی که ۲۰۰ فراخوانی ابزار پیش از این گرفته شده، بر اقدام بعدی تأثیر می‌گذارد، آن اطلاعات اغلب از بین رفته است.
• مجموعه مهارت‌های منجمد (Frozen skill sets): هر مهارت در یک عامل ایستا توسط طراحش پیش‌بینی شده است. لحظه‌ای که وظیفه‌ای به قابلیتی نیاز داشته باشد که طراح از پیش نساخته است، عامل یا شکست می‌خورد، یا یک فراخوانی ابزار جعلی توهم می‌زند و یا نتیجه‌ای کاهش‌یافته تولید می‌کند.
• طرح‌های ابزار سخت‌افزاری (Hard-coded tool schemas): طرح‌های ثابت JSON مدل را مجبور می‌کنند تا استدلال خود را با واژگان آن طرح تطبیق دهد. در سیستم‌های خود-بهبودبخش، این عامل است که رابط مورد نیازش را تعریف می‌کند، نه برعکس.

اکنون، عامل‌ها در حال تبدیل شدن به «مهندسان خودمختار» هستند که معماری خود را در لحظه با عملیات CRUD (ایجاد، خواندن، به‌روزرسانی و حذف) تغییر می‌دهند.

چارچوب هارنس مستمر (Continual Harness)

گوگل دیپ‌مایند (Google DeepMind) این تغییر را در مقاله Continual Harness: Online Adaptation for Self-Improving Foundation Agents (arxiv:2605.09998) رسمی کرد. آن‌ها «هارنس» یا همان مهارِ عامل را یک بردار حالت چهارجزئی تعریف می‌کنند: H = (rho, G, K, M)، که در آن:

• rho: پرامپت سیستمی و دستورالعمل‌های خاص وظیفه.
• G: مجموعه زیر-عامل‌های فعال.
• K: کتابخانه مهارت‌ها (ابزارها و توابع قابل فراخوانی).
• M: ذخیره‌ساز حافظه (رویدادی، معنایی و کاری).

برخلاف سیستم‌های قبلی مانند GEPA که برای به‌روزرسانی نیاز به بازنشانی کامل اپیزود داشتند، هارنس مستمر از یک «حلقه پالایشگر» (Refiner loop) استفاده می‌کند که در داخل اپیزود عمل می‌کند. هر ۵۰ گام (F=50)، عامل نشانه‌های شکست را شناسایی کرده و بدون توقف وظیفه، عملیات CRUD هدفمندی را روی بردار حالت اعمال می‌کند:

• انحراف پرامپت (Prompt Drift): به‌روزرسانی پرامپت سیستمی (rho) بر اساس انحراف مشاهده‌شده در وظیفه.
• مهارت‌های مفقود (Missing Skills): سنتز یک مهارت جدید و افزودن آن به کتابخانه (K) بر اساس توصیف وظیفه.
• کهنگی حافظه (Memory Staleness): حذف ورودی‌های قدیمی حافظه و ایندکس مجدد نسخه‌های تازه در ذخیره‌ساز (M).
• گلوگاه‌های زیر-عامل (Sub-agent Bottlenecks): ایجاد یک زیر-عامل متخصص (G) برای رفع گلوگاه‌های تکراری.

در محک‌های فنی (Benchmarks) که پیش از این هارنس‌های مهندسی‌شده توسط خبرگان سقف عملکرد را تعیین می‌کردند، هارنس مستمر به‌طور قابل‌توجهی هزینه‌های فشردن دکمه (Button-press costs) را کاهش داده و اکثر شکاف عملکرد تا سطح خبره را پر کرده است — آن هم بدون نیاز به دانش سازمان‌یافته یا ساختارهای پیش‌فرض دامنه. این امر به عامل اجازه می‌دهد تا با مهندسی انسانی خبره برابری کند، بدون اینکه هزینه‌های مهندسی مرتبط با آن را داشته باشد.

مدل‌های زبانی بازگشتی (RLM)

در حالی که دیپ‌مایند تئوری را ارائه داد، PrimeIntellect محیط اجرای آن را از طریق Prime Agent عرضه کرد. مدل زبانی بازگشتی (RLM) آن‌ها، زمینهٔ عامل را به عنوان یک متغیر پایتون دائمی می‌بیند که در یک IPython REPL ذخیره شده است. جلسه (Session) در واقع یک فرآیند زنده پایتون است، به این معنی که نتایج گذشته به عنوان متغیرهای نام‌گذاری شده در یک فضای نام (Namespace) باقی می‌مانند که به‌طور نامحدود در طول نوبت‌ها تداوم می‌یابد.

این انتخاب معماری باعث می‌شود سرریز شدن زمینه (Context overflow) غیرممکن شود. وقتی عامل به اطلاعات ۵۰۰ گام قبل نیاز دارد، به‌جای تکیه بر یک خلاصه ناقص، مستقیماً دستور rlm.harness.memory.get(id) را از یک ذخیره‌ساز دائمی و فقط-افزودنی (Append-only) می‌خواند. این رویکرد که «فراخوانی ابزار برنامه‌نویسی‌شده» (PTC) نام دارد، اجازه می‌دهد عامل در لحظه‌ای که به آن نیاز دارد، رابط مورد نیازش را تنها با استفاده از پایتون تعریف کند.

در این مدل، ارجاع به زیر-عامل‌ها صرفاً یک فراخوانی await است. این ساختار جایگزین هزاران خط کد JSON، دکوراتورهای @tool، ارث‌بری از BaseTool و کلاس‌های ToolExecutor می‌شود. برای مثال، یک عامل می‌تواند سه متخصص موازی — یک متخصص احراز هویت (auth-expert)، یک متخصص HTTP و یک متخصص زیرساخت (infra-expert) — ایجاد کند که هر کدام در هسته IPython خود با تاریخچه جلسه مجزا اجرا شوند.

این الگو جایگزین صدها خط ارکستراسیون در LangGraph می‌شود. عامل حتی می‌تواند پیام‌های پیگیری را در حین اجرا به یک زیر-عامل فعال ارسال کند (مثلاً از متخصص HTTP بخواهد نقاط انتهایی مستند نشده را با جستجوی @app.route بدون docstring علامت‌گذاری کند) و سپس نتایج را در یک نمای کلی معماری نهایی ترکیب کند.

آموزش مشترک و آنتروپی مهارت

Meta با Muse Spark 1.2 و استفاده از فرآیندی به نام «یادگیری تقویتی از پاداش‌های قابل تأیید» (RLVR)، این مسیر را فراتر برد. آن‌ها مسیرهای (Trajectories) نمونه‌برداری شده از طریق رد (Rejection-sampled) و بهینه‌سازی‌های دستورالعمل برای اهداف، فشرده‌سازی و زیر-عامل‌ها را به وزن‌های مدل بازگرداندند. این یعنی مدل فقط از یک هارنس استفاده نمی‌کند، بلکه آموزش دیده است تا یک عامل مؤثر در داخل آن هارنس خاص باشد.

حلقه آموزش RLVR از سه سیگنال پاداش مستقل و قابل تأیید با هزینه صفر برای حاشیه‌نویسی انسانی استفاده می‌کند:

• دقت بازیابی (Retrieval accuracy): آیا عامل سند یا تکه (Chunk) منبع صحیح را واکشی کرد؟
• دقت استناد (Citation accuracy): آیا عامل در پاسخ خود به بخش درست استناد کرد؟
• صحت (Correctness): آیا پاسخ نهایی دقیقاً با حقیقت زمینی (Ground truth) مطابقت دارد؟

صحت بیشترین وزن (۰.۴) را دارد، در حالی که بازیابی و استناد سیگنال‌های میانی متراکمی (هر کدام ۰.۳) فراهم می‌کنند. این دستورالعمل مدل‌هایی تولید کرد که با هزینه حدود ۰.۰۰۰۳ دلار در هر درخواست، از GPT-5.6 Sol (با هزینه ۰.۰۳ دلار) پیشی گرفتند. این نتیجه برای اکثر موارد استفاده سازمانی قابل تکرار است، زیرا داده‌های داخلی شرکت به یک دارایی آموزشی تبدیل می‌شوند.

این رویکرد مشکل «آنتروپی مهارت» (Skill Entropy یا SkE) را حل می‌کند؛ معیاری که توسط سانجییو آرورا و همکاران (arxiv:2608.05139) از پرینستون و UIUC معرفی شد. SkE میزان افت عملکرد را با افزایش تنوع مهارت‌های مورد نیاز به‌صورت متوالی اندازه‌گیری می‌کند. مدل‌های ایستا معمولاً پس از ۸ تا ۱۰ مهارت متمایز متوالی، به‌سرعت دچار افت عملکرد می‌شوند. اما مدل‌های آموزش‌دیده مشترک (Co-trained)، منحنی‌های عملکرد مسطحی را حفظ می‌کنند زیرا روی دقیقاً همان الگوهای تعویض مهارت که در زمان اجرا با آن‌ها مواجه می‌شوند، آموزش دیده‌اند.

زیرساخت تولید و امنیت

غول‌های فناوری در حال استقرار این الگوها هستند. Cloudflare Computer (github.com/cloudflare/computer) یک سیستم فایل مجازی دائمی را در داخل یک Durable Object با پشتیبانی SQLite در اختیار عامل‌ها قرار می‌دهد. این سیستم یک سطح اجرای قابل تعویض شامل موارد زیر ارائه می‌دهد:

• لایه کاربر لینوکس با نصب FUSE: در عملیات‌های متادیتای سنگین از دیسک‌های واقعی سریع‌تر است و برای بازرسی سریع کدبیس حیاتی است.
• Bash از طریق Dynamic Worker: بدون هیچ هزینه‌ای برای راه‌اندازی کانتینر.
• ماژول‌های ECMAScript در ایزوله‌های V8: برای اجرای جاوااسکریپت با کارایی بالا.

تمام بک‌اندهای این سیستم، حالت SQLite دائمی را از طریق capnweb RPC با FUSE همگام‌سازی می‌کنند.

Muse Code از زیر-عامل‌های دائمی استفاده می‌کند که می‌توانند بیش از ۲۴ ساعت روی بهینه‌سازی هسته‌های GPU برای تراشه‌های NVIDIA Hopper کار کنند و آن‌ها را پروفایل نمایند. این سیستم از یک ماشین حالت جلسه (در حال اجرا -> بیکار -> غیرفعال) و یک لاگ رویداد فقط-افزودنی استفاده می‌کند تا تضمین کند جلسات دقیقاً قابل بازپخش (Replay-exact) هستند و نیاز به جمع‌آوری مجدد زمینه در هر فراخوانی جدید را از بین می‌برد. عامل‌های پس‌زمینه در حالت Idle بین تکالیف باقی می‌مانند.

با این حال، تغییر خودکار کد، یک سطح حمله (Attack Surface) عظیم ایجاد می‌کند. Uber در MLSys ۲۰۲۶ با سیستم ADR (تشخیص و پاسخ عامل‌محور)، این موضوع را مورد بررسی قرار داد. این سیستم ۷ ابزار کدنویسی هوش مصنوعی را در ۳۰۳ وظیفه روی ۱۳۳ سرور MCP رصد می‌کند و تمام ۱۷ تکنیک شناخته‌شده حمله به عامل‌ها را پوشش می‌دهد. خطرناک‌ترین تهدید، «مسموم‌سازی پالایشگر» (Refiner poisoning) است؛ جایی که یک ورودی مخرب، حلقه پالایشگر را فریب می‌دهد تا پرامپت سیستمی را بازنویسی کند، زیر-عامل‌های مخرب اضافه کند یا مهارت‌های جاسوسی را به کتابخانه (K) تزریق کند که برای بقیه جلسه باقی بمانند. این چالش‌ها نشان می‌دهد که حاکمیت لایه‌های کنترلی در برابر افزایش هوش مدل‌ها برای جلوگیری از رفتارهای پیش‌بینی‌نشده در سیستم‌های خودمختار، حیاتی‌تر از هر زمان دیگری است.

دفاع Uber از یک ساختار دو لایه استفاده می‌کند:

• لایه ۱ (تریاژ با بازخوانی بالا): یک لایه با تأخیر کم که تمام فراخوانی‌های ابزار، عملیات سیستم فایل و درخواست‌های شبکه را در لحظه ثبت می‌کند. این لایه خروج غیرعادی داده‌ها، اجرای باینری‌های غیرمنتظره، توالی‌های ابزار با آنتروپی بالا یا عملیات CRUD روی H خارج از محدوده مورد انتظار را علامت‌گذاری می‌کند.
• لایه ۲ (استدلال عامل‌محور): یک تحلیل عمیق مبتنی بر LLM روی مسیرهای علامت‌گذاری شده برای بازسازی قصد (Intent) و تشخیص تفاوت بین سنتز مهارت مشروع و یک حمله مخرب.

جزئیات پیاده‌سازی برای توسعه‌دهندگان

برای استقرار این سیستم‌ها، توسعه‌دهندگان باید از منطق‌های موقت مبتنی بر وظیفه به سمت مدیریت جلسات دائمی حرکت کنند. یک پیاده‌سازی حداقلی از هارنس مستمر در پایتون نیازمند یک Harness dataclass است که در آن rho، G، K و M اشیایی زنده و تغییرپذیر باشند. تمام تغییرات باید از یک نقطه ورودی واحد (apply_crud) عبور کنند تا تضمین شود هر تغییر پیش از اجرا ثبت (Log) می‌شود.

برای کسانی که مسیر پس‌آموزش RL را دنبال می‌کنند، خط لوله Castform RLVR امکان بهینه‌سازی خاص دامنه را فراهم می‌کند. این فرآیند شامل مراحل زیر است:

• تولید سنتتیک: استفاده از SyntheticQAGenerator برای ایجاد حدود ۱۰,۰۰۰ جفت پرسش و پاسخ با دشواری‌های مختلف از یک کورپوس داخلی در S3.
• آموزش RLVR: استفاده از RLVRTrainer روی یک مدل پایه مانند google/gemma-4-9b-it برای تقریباً ۲,۰۰۰ گام آموزشی.
• استقرار: ادغام مدل دامنه حاصل در یک RLM با یک harness_config سفارشی.

مسیر رسیدن به AGI

این تکامل معماری با تغییرات مدیریتی بزرگی در سطح صنعت همزمان شده است. در ۵ اوت ۲۰۲۶، ساندار پیچای اعلام کرد که دمیس هاسابیس از مقام مدیرعاملی گوگل دیپ‌مایند به مقام دانشمند ارشد Alphabet منتقل می‌شود تا منحصراً روی AGI تمرکز کند. این تغییر سازمانی که بحث‌های گسترده‌ای را در Hacker News با ۶۱۹ نظر برانگیخت، سیگنالی است که مسیر رسیدن به AGI اکنون به عنوان یک مسئله پژوهشی دیده می‌شود که محور آن این است که آیا بهبود خودکار می‌تواند مستمر، ایمن و در تمام دامنه‌ها مقیاس‌پذیر باشد یا خیر.

برای توسعه‌دهندگان، انتخاب اکنون روشن است. ساختارهای ایستا برای وظایف کوتاه (زیر ۵۰ فراخوانی ابزار) که در آن‌ها مجموعه مهارت‌ها پایدار است و تأخیر (Latency) بر قابلیت‌های افق بلند اولویت دارد، کافی هستند. اما برای عملیات‌های خودمختار که نیازمند صدها گام در دامنه‌های نوظهور هستند، هارنس مستمر استاندارد جدید است.

هر توسعه‌دهنده‌ای در سال ۲۰۲۶ اکنون باید چهار تصمیم معماری بگیرد:
۱. پایداری جلسه: موقت (به ازای هر وظیفه) در مقابل دائمی (به ازای هر پروژه، با عمر هفته‌ها).
۲. توپولوژی حافظه: محلی در جلسه، مشترک تیمی یا مشترک جهانی.
۳. دامنه CRUD: عامل اجازه تغییر کدام اجزای هارنس را دارد و تحت چه محدودیت‌هایی.
۴. استراتژی آموزش مشترک: پس‌آموزش RL روی پاداش‌های قابل تأیید دامنه یا پذیرش سقف مدل‌های پیشرو (Frontier models).

شکاف تا رسیدن به یک مهندس خودمختار همه‌منظوره دیگر یک معمای فلسفی نیست؛ بلکه یک فاصله قابل اندازه‌گیری است که توسط «آنتروپی مهارت» تعریف می‌شود. اگر سیستمی بتواند عملکرد خود را در هر سطح از SkE با سنتز مهارت‌هایی که کم دارد حفظ کند، به تپه‌های فنی تکینگی (Singularity) رسیده است. هر چرخش در این مارپیچ، قابلیت‌هایی را می‌افزاید که چرخش قبلی نمی‌توانست پیش‌بینی کند.

برای شروع پیاده‌سازی، توسعه‌دهندگان می‌توانند کتابخانه Prime Agent را بررسی کنند (pip install prime-agent)، دسترسی‌های CRUD عامل‌های فعلی خود را با چارچوب Uber ADR ممیزی کنند تا از مسموم‌سازی پالایشگر جلوگیری شود، یا از Castform RLVR برای پس‌آموزش مدل‌های باز (مانند Gemma-4-9b-it) روی داده‌های داخلی دامنه برای کاهش ۱۰۰ برابری هزینه‌ها استفاده کنند. عامل‌هایی که امروز مستقر می‌کنید، آخرین نسلی هستند که نمی‌توانند خودشان را بهبود ببخشند. نسل بعدی را بر همین اساس بسازید. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.