تصور کنید تمام زیرساخت فنی محصول خود را روی ابزاری بنا کنید که دیگر هیچ به‌روزرسانی یا وصله امنیتی دریافت نمی‌کند. این کابوس برای توسعه‌دهندگانی که به لیست‌های توصیه‌شده در توییتر اعتماد می‌کنند، اکنون به واقعیت تبدیل شده است.
در ۱ اکتبر ۲۰۲۶، رشته‌توییتی از کاربر Lummox_eth با عنوان «GPT-6 Astra دارد شدید می‌شود» منتشر شد. این پست ادعا می‌کرد که نقشه‌راه ضروری برای ساخت سامانه‌های پیرامونی مدل‌های هوش مصنوعی را ارائه می‌دهد و بازخوردهای گسترده‌ای گرفت. اما طبق بررسی‌های ما، یکی از توصیه‌های کلیدی این لیست، یک بن‌بست فنی است. با وجود اینکه این پست ۳۵۱ لایک گرفت و ۱۰ مخزن را در ۵ دسته‌بندی بحرانی معرفی کرد، بازرسی دستی نشان می‌دهد که Daytona — پرستاره‌ترین پروژه این لیست — توسعه عمومی خود را در ژوئن ۲۰۲۶ متوقف کرده است.
ساخت یک محصول هوش مصنوعی دیگر تنها به انتخاب مدل محدود نمی‌شود، بلکه به زیرساخت‌های پیرامونی وابسته است. همان‌طور که در تحلیل‌های پیشین ما درباره امنیت مدل‌های بازمتن اشاره کردیم، مدل تنها یک پوشه از کد است، اما سامانه پیرامونی، محصول واقعی را می‌سازد. گردش‌کار پیشنهادی برای این سامانه‌ها به این ترتیب است: درخواست $\rightarrow$ عامل (Agent) — مثل کارمندی که وظایف پیچیده را می‌پذیرد و برای اجرای آن‌ها برنامه‌ریزی می‌کند — $\rightarrow$ حافظه $\rightarrow$ ابزارها $\rightarrow$ محیط اجرا $\rightarrow$ ارزیابی $\rightarrow$ تلاش مجدد $\rightarrow$ استقرار. برای توسعه‌دهندگان، انتخاب درست این پشته (Stack) برای بخش‌های عامل، حافظه، محیط اجرا و ارزیابی، اکنون به اصلی‌ترین گلوگاه رقابتی تبدیل شده است. در این میان، بهینه‌سازی نحوه تعامل با این عامل‌ها برای جلوگیری از خستگی ذهنی مهندسان حیاتی است؛ موضوعی که رویکرد کیوسباکن در کاهش بار شناختی توسعه‌دهندگان به خوبی آن را بررسی کرده است.
جزئیات بازرسی فنی
برای تأیید صحت این لیست، داده‌ها در ۲ اکتبر ۲۰۲۶ از طریق API گیت‌هاب استخراج شد. این بازرسی بر دو محور متمرکز بود: اول اینکه آیا مخازن هنوز فعال هستند و دوم اینکه اعداد واقعی فراتر از ادعاهای ویروسی شبکه‌های اجتماعی چه نکاتی را فاش می‌کنند.
بر اساس داده‌های API، چشم‌انداز ابزارها به ۵ گروه عملکردی تقسیم می‌شود:
هماهنگ‌سازهای عامل (Agent Orchestration)
- PydanticAI: یک SDK پایتونی که بر خروجی‌های تایپ‌شده تمرکز دارد تا تضمین کند مدل‌ها نمی‌توانند انواع داده‌های نادرست را برگردانند. این ابزار اجازه می‌دهد تنها با تغییر یک رشته متنی (String)، مدل را عوض کنید. (۲۰,۳۵۰ ستاره، مجوز MIT)
- LangGraph: چارچوبی سطح‌پایین برای عامل‌های دارای وضعیت (Stateful) و طولانی‌مدت که توسط شرکت‌های بزرگی مثل Klarna، Replit و Elastic استفاده می‌شود. (۴۲,۶۰۰ ستاره، مجوز MIT)
- Agno: چارچوبی که از AgentOS برای مدیریت تیم‌های عامل و جریان‌های کاری از طریق یک رابط وب استفاده می‌کند. (۴۲,۴۹۰ ستاره، مجوز Apache-2.0)
- smolagents: کتابخانه‌ای سبک از Hugging Face که منطق آن در حدود ۱,۰۰۰ خط کد گنجانده شده است؛ در این کتابخانه، عامل‌ها وظایف را از طریق نوشتن و اجرای کد انجام می‌دهند. (۲۹,۶۴۴ ستاره، مجوز Apache-2.0)
حافظه و محیط اجرا (Memory and Runtime)
- Mem0: حافظه دائمی برای عامل‌ها فراهم می‌کند و با ۶۶,۴۵۹ ستاره، دومین ابزار محبوب این لیست است. (مجوز Apache-2.0)
- Graphiti: گراف دانش (Knowledge Graph) — شبیه به یک نقشه مفهومی که روابط بین اطلاعات را با خطوط به هم وصل می‌کند — را با بُعد زمان پیاده می‌کند تا ردیابی کند اطلاعات چگونه در طول زمان تغییر می‌کنند. (۳۱,۳۷۹ ستاره، مجوز Apache-2.0)
- E2B: محیط‌های ایزوله (Sandbox) امنی برای اجرای کدهای تولیدشده توسط AI فراهم می‌کند تا بدون به خطر انداختن سیستم میزبان، کدها اجرا شوند. (۱۴,۱۰۰ ستاره، مجوز Apache-2.0)
- Daytona: به عنوان ابزار محیط اجرا با ۷۱,۶۷۵ ستاره معرفی شده، اما در فایل README آن صراحتاً هشدار داده شده که این مخزن دیگر نگهداری نمی‌شود زیرا توسعه آن به یک کدبیس بسته منتقل شده است. (آخرین به‌روزرسانی: ۲۴ ژوئیه ۲۰۲۶)
ارزیابی (Evaluation)
- DeepEval: ابزاری تخصصی برای ارزیابی سامانه‌های مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد. (۱۸,۵۶۷ ستاره، مجوز Apache-2.0)
- Langfuse: پلتفرمی مبتنی بر TypeScript برای ردیابی و نظارت بر AI در محیط عملیاتی. برخلاف سایرین، مجوز این ابزار به جای Apache-2.0 یا MIT، تحت عنوان «سایر» (Other) ثبت شده است. (۳۵,۲۹۸ ستاره)
این تضاد، یک ریسک سیستمی در نحوه کشف ابزارها توسط توسعه‌دهندگان را افشا می‌کند. Daytona همچنان پرستاره‌ترین مخزن در این گروه است، اما از ۲۳ ژوئن ۲۰۲۶ و نسخه v0.190.0 هیچ ریلیزی نداشته است. تکیه بر تعداد ستاره‌ها یا لیست‌های ویروسی، مهندسان را به سمت بنا کردن محصول روی پی‌هایی می‌برد که هرگز وصله امنیتی یا رفع باگ دریافت نمی‌کنند.
نکات ظریف و حیاتی
به نقل از مستندات، تمام هشدارهای «منسوخ شدن» یکسان نیستند. برای مثال، Graphiti در README خود هشدارهای deprecation دارد، اما این هشدار به طور خاص مربوط به درایور پایگاه‌داده Kuzu است که به دلیل توقف توسعه خودِ پروژه Kuzu، با Neo4j یا FalkorDB جایگزین می‌شود. این مورد با Daytona کاملاً متفاوت است؛ در Daytona کل ابزار به مدل منبع‌بسته (Closed-source) تغییر مسیر داده است.
برای کسانی که سامانه‌های عامل‌محور می‌سازند، درس روشن است: پیش از ادغام هر پروژه، «ضربان قلب» آن را بررسی کنید. تاریخ آخرین Commit را چک کنید و ابتدای README را برای هشدارهای منسوخ شدن اسکن کنید. ابزاری که در تبلیغات سریع به نظر می‌رسد، اگر تعمیرگاهش بسته باشد، بی‌فایده است.
توسعه‌دهندگان باید اکنون پشته‌های AI فعلی خود را برای شناسایی «مخازن شبح» مشابه بازرسی کنند. مراقب تغییر مسیر به سمت مدل‌های بسته در چارچوب‌های عاملی باشید که پیش‌تر متن‌باز بودند.
گام بعدی شما
- پشته فنی فعلی خود را برای شناسایی «مخازن شبح» (پروژه‌های متوقف شده اما پرستاره) بازرسی کنید.
- در هنگام انتخاب ابزار، به جای تعداد ستاره‌ها، به فاصله زمانی بین آخرین ریلیزها توجه کنید.
- تغییر مسیر چارچوب‌های متن‌باز به مدل‌های بسته (Closed-source pivot) را در پروژه‌های مورد استفاده خود رصد کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو