تصور کنید دستیاری دارید که ۸۱ ابزار مختلف را روی سیستم شما اجرا میکند، اما هیچ دادهای به سرورهای خارجی نمیفرستد و هیچ هزینه ماهانهای ندارد. اگر به دنبال سیستمی هستید که کنترل کامل ابزارهای هوش مصنوعی را به شما برگرداند، Sentience همان نقشهی راه است.
به نقل از مستندات این پروژه که در ۸ ژوئن ۲۰۲۶ منتشر شد، هدف اصلی این است که هوش مصنوعی را از یک «پلاگین جانبی» به «رابط اصلی کاربر» تبدیل کند. در دنیای امروز، بیشتر عاملهای (Agent) هوش مصنوعی — که شبیه کارمندی اداری هستند و میدانند چطور ابزارها را برای رسیدن به هدف به کار بگیرند — منطق خود را در پسزمینه پنهان میکنند. همین موضوع یک «جعبه سیاه» ایجاد میکند که میتواند تغییرات پیشبینینشدهای در سیستم شما ایجاد کند.
همانطور که در تحلیلهای قبلی ما دربارهی حریم خصوصی در مدلهای محلی اشاره کردیم، شفافیت تنها راه اعتماد به سیستمهای خودکار است. Sentience با ترکیب یک مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — و یک ترمینال قابل مشاهده، این قدرت را دوباره به کاربر میدهد.
بر اساس بررسیهای فنی، این سیستم با ۶۲۰۰ خط کد پایتون ساخته شده است. برای نمایش پنجرهها از PySide6 و برای ویرایش کد از QScintilla استفاده میکند. قلب تپندهی این پروژه، حلقهی Reason-Act-Observe (ReAct) است که در آن هر ابزار به عنوان یک مدل Pydantic تعریف شده است. این یعنی مدل به جای تولید متنهای پراکنده، باید یک ساختار JSON دقیق را پر کند تا برنامه کرش نکند.
مشخصات فنی کلیدی عبارتند از:
- حافظه: ذخیرهسازی محلی با SQLite و استفاده از بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که میگوید این کلمه «همسایهی» چه کلمات دیگری است — از نوع
nomic-embed-text. - پشتیبانی: سازگاری کامل با Ollama، OpenAI، Anthropic و Groq.
- امنیت: ابزاری برای ویرایش کد منبع که نیاز به تأیید دستی تغییرات (diff-review) دارد.
- شفافیت: استفاده از QTermWidget برای اجرای دستورات شل (Shell) درست جلوی چشم کاربر.
این طراحی مشکل «فجایع خاموش» را حل میکند. اگر یک پردازش از کنترل خارج شود، شما میتوانید قبل از اینکه کل یک پوشه پاک شود، آن را متوقف کنید. در واقع، فرآیند استنتاج (Inference) — یعنی لحظهای که مدل واقعاً جواب تولید میکند، شبیه خودِ آشپزی (نه دورهی آموزش آشپز) — اکنون کاملاً قابل نظارت است.
گام بعدی شما
- مخزن Sentience را در گیتهاب کلون کنید تا با ساختارهای Pydantic برای ابزارها آشنا شوید.
- ابزارهای محلی خود را با استفاده از Ollama تعریف و اجرا کنید.
- منتظر انتشار «رجیستری مهارتها» باشید که قرار است مجموعهای از ابزارها را در دستههای کاربردی دستهبندی کند.
اما داستان سختافزاری اجرای این مدلها در محیطهای محلی حتی پیچیدهتر است؛ به تحلیل ما دربارهی بهینهسازی حافظه در مدلهای کوچک مراجعه کنید.
گفتگو