تصور کنید هر بار که از هوش مصنوعی میپرسید «ساعت چند است؟»، مدل مجبور باشد ابتدا یک دفترچهٔ راهنمای ۱۰۰ صفحهای از تمام ابزارهای سیستم را بخواند و بعد جواب دهد. این دقیقاً همان اتفاقی است که در Omarchy میافتد؛ سیستمعاملی که وعدهٔ سادگی را میدهد اما هزینهای نامرئی روی میز میگذارد.
بر اساس مستندات پروژه، توسعهدهندهای که Omarchy — توزیع خاص Arch + Hyprland ساخته شده توسط DHH — را نصب میکند، میتواند در کمتر از یک دقیقه یک سیستمعامل کاملاً عاملمحور (Agentic) داشته باشد. این پروژه که در اواسط سال ۲۰۲۵ به عنوان یک مخزن dotfiles آغاز شد، رشد انفجاری داشت و طبق گزارش گیتهاب، در ۱۰ سپتامبر ۲۰۲۶ به حدود ۴۰,۰۰۰ ستاره (دقیقاً ۳۹,۸۴۶ ستاره) رسید. این پروژه اکنون تحت مجوز MIT است و توسط یک بنیاد چند میلیون دلاری و تعهد سالانه یک میلیون دلاری شرکت DigitalOcean پشتیبانی میشود.
بسیاری از کاربران جذب نصب ۳۵ ثانیهای و صفحهٔ بوت اولیه میشوند که اجازه میدهد از بین ۱۳ عامل (Agent) — شبیه دستیارهای تخصصی که هر کدام وظیفهٔ خاصی دارند — یکی را انتخاب کنند. این رویکرد در راستای موج جدیدی از دستیارهای هوشمند است، مشابه عامل Muse متا که برای اجرای عملیات واقعی در اپلیکیشنها عرضه شد تا تعامل کاربر با سیستم را به سطح جدیدی از خودکارسازی برساند. این لیست شامل Claude Code، Codex، OpenCode، Copilot CLI، Crush، Grok، Hermes و چندین مورد دیگر است. این ساختار اجازه میدهد سیستمعامل اعلانهای کرش را مستقیماً به یک عامل بفرستد تا تشخیص دهد چه اتفاقی افتاده است؛ در واقع ماشین را دعوت میکند تا خودش را تعمیر کند.
اما این راحتی، یک هزینهٔ مالی و عملکردی پنهان دارد. همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، لایههای واسط همیشه ریسک یا هزینه اضافه میکنند. Omarchy بر پایهٔ پروتکل زمینهٔ مدل (MCP) — مثل یک زبان مشترک که به مدل میگوید چه ابزارهایی در دسترس است — کار میکند. در این پروتکل، هر سرور متصل، تمام کاتالوگ ابزارهای خود شامل نامها، توضیحات و طرحهای JSON تو در تو (Nested JSON Schema) برای هر پارامتر را در هر نوبت گفتگو به پرامپت سیستمی (System Prompt) اضافه میکند. این اتفاق نه یک بار، بلکه در هر Turn از هر گفتگو تکرار میشود و یک «حق ورودی» ثابت از فضای پنجرهٔ زمینه (Context Window) — شبیه میز کاری که فقط جای چند ورق کاغذ دارد — ایجاد میکند.
برای مخاطبان هدف این سیستم، روز اول معمولاً شامل متصل کردن چندین سرور MCP برای مدیریت عملیات Git، کانتینرها، کلاینتهای دیتابیس و ابزارهای دریافت وب (Web Fetchers) است. اینجاست که «مالیات توکن» به یک واقعیت ملموس تبدیل میشود.
برای سنجش این موضوع، یک استک واقعی توسعهدهنده با استفاده از tiktoken (مدل cl100k_base) اندازهگیری شد؛ این همان خانوادهای از توکنایزرها است که اکثر عاملها برای صورتحساب مالی استفاده میکنند. محیط تست شامل ۶ سرور و ۳۲ ابزار در دستههای زیر بود:
- عملیات Git
- کنترل کانتینرها
- مدیریت بستهها (Package Management)
- کاوشهای سیستمی (System Probes)
- RPC ویرایشگر
- دیباگ HTTP
نتایج نشان داد که کاربر برای «مبلمان» یا همان کدهای تکراری JSON، هزینهای سنگین میپردازد:
- مانیفستهای JSON خام: ۵,۳۵۹ توکن
- پس از سادهسازی طرح: ۴,۶۵۵ توکن (۱۳.۱٪ کاهش)
- پس از فشردهسازی به سبک TOON: ۳,۴۴۶ توکن (۳۵.۷٪ کاهش)
این یعنی قبل از اینکه هوش مصنوعی حتی درخواست شما را پردازش کند، هزاران توکن (Token) — تکههای کوچکی از متن که مدل آنها را میخورد — از طریق براکتهای تکراری، تو در تو شدن تایپها و کدهای Boilerplate مصرف شده است. چون این مالیات نسبت به تعداد ابزارها خطی است و در هر نوبت (Turn) محاسبه میشود، اضافه کردن سرور هفتم، هشتم یا نهم باعث رشد سریع هزینهها میشود.
بسیاری از کاربران این سربار را به اشتباه «تضعیف مدل» (Model Degradation) میپندارند. وقتی پاسخها تنبل یا کلی میشوند، غریزه کاربر این است که ارائهدهنده مدل را مقصر بداند یا تصور کند یک کاهش کیفیت بیصدا رخ داده است. برخی کاربران حتی برای یک هفته مدل خود را عوض میکنند، اما متوجه میشوند که همان «مه» و ابهام در پاسخها همچنان وجود دارد.
برخی دیگر مشکل را به «رانش زمینه» (Context Drift) نسبت میدهند و هر صبح جلسات خود را کاملاً پاک میکنند تا خلاصهها را تازه کنند. با این حال، این کار در واقع مشکل را بدتر میکند؛ زیرا یک جلسهٔ تازه همچنان باید هزینهٔ ثابت و کامل توکنهای سیستمی را بپردازد و کاربر صرفاً تعداد دفعاتی که در روز این مالیات را میپردازد، زیاد میکند.
برای مقابله با این مشکل، پروژهٔ متنباز کوچکی به نام mcptoon (با حدود ۲۰۰ ستاره) معرفی شده است. این ابزار یک خط لوله (Pipeline) را اجرا میکند که هر تعریف ابزار را ساده کرده و آنچه باقی میماند را در قالبی متراکمتر بازبست میکند.
اگرچه این بهینهسازی برای کاربرانی که تنها یک یا دو سرور سبک دارند ناچیز است، اما وقتی تعداد ابزارها به ۱۰ مورد یا بیشتر میرسد، ریاضیات ماجرا اهمیت پیدا میکند و پس از آن، هزینه به سرعت «بلند و آزاردهنده» میشود.
این وضعیت نشان میدهد Omarchy مشکل ورود به دنیای سیستمعاملهای عاملمحور را حل کرده، اما اکوسیستم MCP هنوز راهی بهینه برای مدیریت مانیفستهای استاتیک ندارد. در واقع، شما برای زیرساختی پول میدهید که یک بار نصب کردهاید اما هرگز مستقیماً با آن تعامل ندارید.
برای کسانی که یک سیستم عامل عاملمحور را اجرا میکنند، اولویت اکنون از انتخاب «بهترین مدل» به «حسابرسی مانیفستها» تغییر میکند. هزینه واقعی یک OS هوش مصنوعی، مبلغ اشتراک ماهانه نیست؛ بلکه مالیات نامرئی توکنی است که هر بار با فشردن کلید Enter پرداخت میکنید.
گام بعدی شما
- اگر از Omarchy استفاده میکنید، تعداد سرورهای MCP فعال را بازبینی کنید و موارد غیرضروری را حذف کنید.
- ابزار mcptoon را برای فشردهسازی مانیفستها و کاهش هزینهٔ هر Turn امتحان کنید.
- به جای پاک کردن مداوم جلسات، از استراتژیهای مدیریت زمینه برای کاهش تکرار توکنهای سیستمی استفاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو