تصور کنید برنامهنویسی باشید که به جای نوشتن اسکریپتهای پراکنده، بتواند در کمتر از ۵ دقیقه یک عامل هوشمند کامل با رابط کاربری و زمانبندی اختصاصی مستقر کند. این رویای اتوماسیون اکنون با ابزار App Kit در پلتفرم Kiro Crew به واقعیت تبدیل شده است. این تغییر، پلتفرم را از یک دستیار کدنویسی ساده به یک پلتفرم هوش مصنوعی ماژولار تبدیل میکند که در آن ابزارهای سفارشی به جای اسکریپتهای تکهتکه، به عنوان اپلیکیشنهای قابل نصب بستهبندی میشوند.
بیشتر دستیارهای هوش مصنوعی فعلی مانند یک محیط چت ساده عمل میکنند که کاربر باید هر دستور را دستی وارد کند. Kiro Crew با ایجاد یک اکوسیستم شبیه به اپاستور، این رویکرد را تغییر داده است. این سیستم به تیمها اجازه میدهد بستههای ایزوله و نسخهبندیشدهای بسازند که استدلال مدلهای زبانی بزرگ (LLM) را با اتوماسیون در سطح سیستم و داشبوردهای سفارشی ترکیب میکند. برخلاف پلاگینها یا اسکریپتهای ساده، اینها اپلیکیشنهای کاملی هستند که عاملها، مهارتها، کارهای زمانبندیشده (Cron Jobs) و صفحات داشبورد مخصوص به خود را دارند و سایر کاربران میتوانند آنها را تنها با یک کلیک نصب کنند.
همانطور که در تحلیلهای قبلی ما دربارهی معماریهای عاملمحور اشاره کردیم، جداسازی منطق استدلال از اجرای عملیاتی، کلید مقیاسپذیری است. Kiro Crew اکنون این جداسازی را در قالب اپلیکیشنهای مستقل پیاده کرده است که هر کدام دارای عاملها، مهارتها و کارهای زمانبندیشده هستند و با یک کلیک نصب میشوند.
به نقل از مستندات فنی این پلتفرم، یک اپلیکیشن کامل از ۵ جزء اصلی تشکیل شده که همگی در یک فایل مانیفست به نام app.json تعریف میشوند. این فایل به عنوان منبع واحد حقیقت (Single Source of Truth) عمل کرده و هویت عامل، قابلیتها و زمانبندی اجرا را به هم متصل میکند. یک اپلیکیشن میتواند بسیار کوچک باشد (مثلاً تنها یک فایل Markdown اگر فقط یک مهارت ارائه دهد) یا یک پروژه کامل باشد اگر تمام اجزا را شامل شود.
اجزای تشکیلدهنده این اپلیکیشنها عبارتند از:
- عاملها (Agents): موجودات هوش مصنوعی سفارشی با پرامپتهای خاص و انتخاب مدلهای مشخص. سیستم از تنظیم مدل «auto» پشتیبانی میکند که به پلتفرم اجازه میدهد بهینهترین LLM را برای هر وظیفه انتخاب کند. این عاملها در فایلهای JSON (مانند
standup-agent.json) تعریف میشوند. - مهارتها (Skills): فایلهای دانشی که با فرمت Markdown نوشته میشوند. این مهارتها بهصورت پویا و در لحظه، زمانی که کلمات کلیدی خاص (Trigger words) در گفتگو ظاهر شوند، بارگذاری میشوند و نیاز به کامپایل پیچیده کد را از بین میبرند. آنها از یک هدر frontmatter برای تعریف نام، توضیحات و محرکها استفاده میکنند.
- کارهای زمانبندیشده (Cron Jobs): وظایفی که بدون دخالت انسان اجرا میشوند. برای مثال، یک ربات میتواند با استفاده از عبارات استاندارد cron (مانند
0 9 * * 1-5) تنظیم شود تا هر روز کاری ساعت ۹ صبح اجرا شود. Crew چرخه حیات این کارها را مدیریت کرده و هنگام فعالسازی، کرون را ثبت و هنگام غیرفعالسازی، آن را حذف میکند. - صفحات رابط کاربری (UI Pages): داشبوردهای سفارشی که با استفاده از
@kirocrew/app-sdkساخته میشوند. این صفحات از طریق Gateway به صورت reverse-proxy منتقل میشوند، به این معنی که اپلیکیشن سبک باقی میماند. توسعهدهندگان با Vite برنامه را میسازند و خروجی نهایی یک فایل تک.mjsاست. - سرورهای MCP: ابزارهای جدیدی که LLM میتواند برای تعامل با دادهها یا سیستمهای خارجی آنها را فراخوانی کند.
- فرآیندهای بکاِند: سرورهای HTTP که از طریق درگاه (Gateway) به صورت reverse-proxy متصل میشوند.
برای نمایش قدرت این ابزار، توسعهدهندهای به نام sarvar_04 یک «ربات استندآپ روزانه» ساخته است. این ربات برای حذف زحمت نوشتن گزارشهای روزانه طراحی شده است؛ بهطوری که کامیتهای گیت ۲۴ ساعت گذشته را میخواند و آنها را در سه بخش «کارهای انجام شده» (What I Did)، «موانع» (What's Blocked) و «گامهای بعدی» (What's Next) دستهبندی میکند. این ربات بهگونهای طراحی شده است که هر روز کاری ساعت ۹ صبح بهطور خودکار اجرا شود و تاریخچه گزارشها را در یک صفحه داشبورد سفارشی نمایش دهد.
بر اساس بررسی جزئیات فنی، معماری این ربات بسیار سبک است و تنها به ۵ فایل نیاز دارد:
۱. app.json: مانیفستی که نام اپلیکیشن (standup-bot)، نسخه (1.0.0)، نویسنده و لینکهای مربوط به عامل، مهارت، نقطه ورود UI و زمانبندی کرون را تعریف میکند. این فایل بهطور خاص مسیر /apps/standup-bot را با برچسب "Standups" و آیکون ClipboardList تعریف میکند.
۲. agents/standup-agent.json: تعریف نقش عامل به عنوان «دستیار خلاصه استندآپ» و تخصیص ابزار @kirocrew-core برای تعامل با سیستم. پرامپت بهطور صریح به عامل دستور میدهد تا کامیتهای گیت ۲۴ ساعت گذشته را تحلیل کند.
۳. skills/standup-format/SKILL.md: یک فایل Markdown که قوانین فرمتبندی خاص را به عامل میآموزد. این فایل از محرکهایی مانند [standup, daily, summary, morning] استفاده میکند. دستورالعملها شامل گروهبندی کامیتهای مرتبط، نادیده گرفتن کامیتهای Merge و بهروزرسانیهای Dependency، و علامتگذاری مواردی است که بیش از ۲۴ ساعت ادغام نشدهاند. همچنین الزام میکند که برای بخش «انجام شده» از زمان گذشته، برای «موانع» از زمان حال و برای «بعدی» از زمان آینده استفاده شود.
۴. ui/src/App.tsx: یک داشبورد React که از اجزای SDK مانند PageHeader ،StatCard و Badge استفاده میکند. این صفحه تاریخچه را از طریق api.get('/api/apps/standup-bot/history') دریافت کرده و یک شبکه از چهار کارت آماری (امروز، این هفته، کل کامیتها و اجرای بعدی) را نمایش میدهد.
۵. پیکربندی Vite: برای تبدیل رابط کاربری به یک فایل تک .mjs استفاده شده است، در حالی که Crew SDK به عنوان یک وابستگی خارجی (external) علامتگذاری شده چون داشبورد آن را در زمان اجرا فراهم میکند.
در یک اجرای زنده، این عامل با دسترسی به ابزار @kirocrew-core — که اجازه ایجاد فرآیندهای سیستمی، خواندن فایلها و تعامل با سیستم را میدهد — مورد آزمایش قرار گرفت. از عامل خواسته شد تا یک استندآپ از مسیر ~/projects/payment-api تولید کند.
عامل دستور git log --since="24 hours ago" --oneline --no-merges را اجرا کرد، ۱۱ کامیت را تحلیل نمود و تنها در ۹ ثانیه یک گزارش دقیق تولید کرد. خروجی شامل موارد زیر بود:
- کارهای انجام شده (What I Did):
- پردازش پرداخت: پیادهسازی Middleware محدودکننده نرخ برای
/api/payments(حداکثر ۱۰۰ درخواست در دقیقه برای هر کلید API)، رفع باگهای گرد کردن در تبدیل ارز و افزودن منطق تلاش مجدد با عقبنشینی نمایی (Exponential Backoff) برای تحویل وبهوکهای Stripe (حداکثر ۵ بار). - API و مستندات: بهروزرسانی مشخصات OpenAPI با کدهای خطای ۴۲۹، ۵۰۳ و ۵۰۴؛ افزودن اعتبارسنجی درخواست برای USD، EUR، GBP و JPY؛ بازنویسی ایجاد Intent پرداخت با استفاده از کلیدهای Idempotency.
- زیرساخت: پیکربندی TTL در DynamoDB برای نگهداری ۷ روزه نشستها و افزودن Alarms در CloudWatch برای نرخ شکست پرداختهای بیش از ۵٪.
- پردازش پرداخت: پیادهسازی Middleware محدودکننده نرخ برای
- موانع (What's Blocked): بررسی امنیتی PCI Compliance (در انتظار تیم AppSec برای ۲ روز) و فرآیند Onboarding در Stripe Connect (در انتظار تایید حقوقی).
- گامهای بعدی (What's Next): سیستم صورتحساب اشتراکی با اندازهگیری مبتنی بر مصرف و داشبورد تحلیل پرداختها برای بررسی نرخ درآمد و شکست.
نصب این اپلیکیشنها از طریق یک فراخوانی API ساده انجام میشود. کاربران ابتدا توکن احراز هویت را با دستور kirocrew token | grep -oP 'token=\K[^&]+' دریافت میکنند. سپس با یک درخواست curl از نوع POST به نقطه اتصال /api/apps/install و اشاره به دایرکتوری اپلیکیشن (مثلاً {"source": "./standup-bot"}) آن را نصب میکنند. پس از نصب، فراخوانی دوم به نقطه اتصال /enable عاملها، مهارتها و کرونها را فعال میکند.
سیستم یک پاسخ JSON برمیگرداند که ثبت موفقیتآمیز عامل (standup-bot/standup-agent)، مهارت (standup-bot/standup-format) و کرون (standup-bot/morning-standup) را تایید میکند.
برای توزیع عمومی، پلتفرم از یک ریجستری منتخب استفاده میکند. توسعهدهندگان یک Pull Request به فایل app-registry.json ارسال میکنند که شامل نام اپلیکیشن و آدرس گیتهاب آن (مثلاً https://github.com/simplynadaf/kiro-crew-standup-bot) است. پس از ادغام، اپلیکیشن در بخش "Explore → Library" برای همه کاربران در کنار ابزارهای رسمی مانند Code Review Sage، Research Lab و Task Runner ظاهر میشود. تیمها همچنین میتوانند ریجستریهای خصوصی برای اپلیکیشنهای داخلی که باید محرمانه بمانند، میزبانی کنند.
این معماری شکاف بین یک جلسه چت ساده و یک جریان کاری تولیدی (Production Workflow) را پر میکند. با ترکیب رابط کاربری و زمانبندی، هوش مصنوعی دیگر فقط به پرامپتها واکنش نمیدهد، بلکه فعالانه محیط را نظارت میکند. Kiro Crew یک فضای کاری توسعه متنباز (تحت لایسنس Apache 2.0) است که بهصورت محلی یا از راه دور اجرا میشود. این سیستم پایدار و خود-تکاملیافته است و اجازه میدهد وظایف چندمرحلهای بدون نظارت انسان اجرا شوند. App Kit آن را از یک دستیار شخصی به یک پلتفرم تیمی تبدیل میکند که در آن اپاستور به پیشگامان اجازه میدهد کاربرد اکوسیستم را تعریف کنند.
برای یک برنامهنویس، این یعنی سد ورود برای ساخت «میکروسرویسهای هوش مصنوعی» از بین رفته است؛ چرا که دیگر نیازی به مدیریت جداگانه تریگرهای دیتابیس، هاستینگ فرانتاند و Wrapperهای API نیست. پلتفرم چرخه حیات را مدیریت میکند و توسعهدهنده تنها بر روی پرامپت و منطق خاص مهارت تمرکز میکند. این رویکرد بهینهسازی در لایههای زیرساختی، مشابه تلاشهای عملیاتی در پروژه Casper Carbon است که با کاهش پیچیدگیهای ادغام، مسیر فعالسازی بازار RWA را برای عاملهای AI هموار کرد.
الگوی «بررسی + فرمتبندی + تحویل زمانبندیشده» میتواند در موارد دیگری هم به کار رود:
- ربات بررسی PR: ترکیب یک عامل، مهارت قوانین بررسی کد و یک کرون برای بررسی ساعتی PRها.
- تولیدکننده گزارش پسمرگ (Postmortem): استفاده از یک عامل، مهارت قالب پستمورتوم و یک صفحه تاریخچه UI.
- هشداردهنده هزینههای ابری: یک عامل و کرون برای بررسی روزانه هزینههای AWS با اعلانهای Slack.
- همیار Onboarding: عاملی با مهارتهای دانش تیمی و یک ردیاب پیشرفت در UI.
- ناظر سلامت اسپرینت: یک عامل و کرون برای بررسیهای روزانه جیرا با نمودار Burndown در UI.
این رویکرد Kiro Crew را در رقابت مستقیم با ابزارهایی مثل Retool قرار میدهد، اما با تفاوتی بنیادین: در اینجا هوش مصنوعی هسته مرکزی طراحی است، نه یک افزونه جانبی. قابلیت میزبانی ریجستریهای خصوصی همچنین آن را برای تیمهای سازمانی که به ابزارهای هوش مصنوعی مشترک نیاز دارند اما نمیخواهند دادهها از زیرساخت محلی خارج شود، ایدهآل میکند.
گام بعدی شما
برای شروع ساخت، کاربران باید CLI را از طریق دستور curl -fsSL https://download.crew.kiro.dev/cli.sh | sh نصب کنند، Gateway را با دستور kirocrew gateway اجرا نمایند و گزینه "apps_allow_third_party": true را در فایل ~/.kiro/crew/config.json فعال کنند.
این فرآیند شامل ایجاد ساختار دایرکتوری (agents/, skills/, ui/src/)، نوشتن ۵ فایل اصلی، بیلد کردن UI با Vite و استفاده از API برای نصب و فعالسازی اپلیکیشن است. پس از اتمام، صفحه سفارشی اپلیکیشن در نوار کناری ظاهر شده و عامل را میتوان بهصورت دستی یا از طریق کرون زمانبندیشده فعال کرد. این روند Kiro Crew را از یک دستیار کدنویسی شخصی به یک پلتفرم هوش مصنوعی کامل برای تیمها تبدیل میکند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو