تصور کنید یک دستیار هوشمند دارید که دقیقاً می‌داند سه‌روز پیش در کدام فایل کدنویسی می‌کردید و در کدام جلسه زوم بودید، بدون اینکه هیچ داده‌ای از سیستم شما خارج شود. Ambient Context همین رویای حافظهٔ محلی را برای کاربران macOS به واقعیت تبدیل کرده است.
این ابزار که در ۲۵ اوت ۲۰۲۶ منتشر شد، متنی را که در پنجره‌های فعال سیستم نمایش داده می‌شود، از طریق درخت دسترسی‌پذیری (Accessibility Tree) macOS استخراج کرده و در فایل‌های ساده‌ی مارک‌داون (Markdown) روی دیسک کاربر ذخیره می‌کند.
بسیاری از عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندانی که هر روز صبح حافظه‌شان پاک می‌شود و باید همه چیز را از اول یاد بگیرند — با مشکل حافظه بلندمدت دست‌وپنجه نرم می‌کنند. آن‌ها نمی‌بینند شما سه روز پیش در پنج تا اپلیکیشن مختلف چه کرده‌اید. در حالی که برخی ابزارها از اسکرین‌شات یا تله‌متری ابری استفاده می‌کنند، Ambient Context کاملاً آفلاین عمل می‌کند. این برنامه برای هر روز یک فایل مارک‌داون می‌سازد که می‌توان آن را به ابزارهایی مثل Claude Code داد تا سوالات مربوط به بهره‌وری گذشته را پاسخ دهد یا یادداشت‌های روزانه (Standup notes) را خودکار بنویسد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، حذف واسطه‌های ابری برای حفظ حریم خصوصی حیاتی است. این اپلیکیشن دقیقاً برای خوانده شدن توسط یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — طراحی شده است. برای اینکه حجم فایل‌ها برای پنجرهٔ زمینه (Context Window) — یعنی میز کاری مدل که فقط جای چند ورق کاغذ دارد — زیاد نشود، خطوط تکراری حذف و داده‌های زائد رابط کاربری فیلتر می‌شوند. هر بلوک متنی، مسیر سند یا URL را ثبت می‌کند تا عامل بتواند منبع اصلی را باز کند، نه اینکه به تکه‌های پراکنده اعتماد کند. همچنین یک فایل AGENTS.md در پوشه ذخیره‌سازی قرار دارد تا فرمت داده‌ها را به هر مدلی که می‌خواهد آن‌ها را بخواند، توضیح دهد.
به نقل از مخزن گیت‌هاب این پروژه، مدل حریم خصوصی برنامه بسیار سخت‌گیرانه است. این ابزار به‌طور مشخص مدیریت‌کننده‌های رمز عبور و پنجره‌های مرورگر در حالت Private را ثبت نمی‌کند. علاوه بر این، نرم‌افزار پیش از ذخیره داده‌ها روی دیسک، اطلاعات حساس مثل کلیدهای API و شماره کارت‌های بانکی را پاک می‌کند. طبق مستندات، برنامه فقط پنجره فعال را می‌خواند و هرگز به پنجره‌های پس‌زمینه، نمایشگرهای دیگر یا صفحه قفل‌شده دسترسی ندارد. برای جلوگیری از حلقه‌های تکرار، پوشه ذخیره‌سازی خودش از ثبت توسط برنامه مستثنی شده است. این رویکرد به جداسازی داده‌ها شباهت دارد، مشابه آنچه در بهینه‌سازی محیط‌های ایزوله توسط Kern برای افزایش سرعت و امنیت مشاهده می‌کنیم.
جزئیات فنی این ابزار به شرح زیر است:
- سازگاری: نیاز به macOS 14 به بالا روی تراشه‌های Apple Silicon.
- زیرساخت: ساخته شده با Node، Rust و Tauri.
- روش ثبت: خواندن API دسترسی‌پذیری در هر چند ثانیه (بدون استفاده از ویدیو یا اسکرین‌شات).
- ذخیره‌سازی: ذخیره در پوشه انتخابی کاربر (پیش‌فرض
~/Ambient Context) برای جلوگیری از همگام‌سازی با iCloud. - شبکه: نسخه فعلی هیچ تماس شبکه‌ای برقرار نمی‌کند و تنها در نسخه‌های امضا شده، بررسی به‌روزرسانی از گیت‌هاب اضافه خواهد شد.
در مورد عملکرد، باید توجه داشت که اپلیکیشن‌های مبتنی بر Chromium و Electron — مثل Chrome، Slack، VS Code، Obsidian و Figma — درخت دسترسی‌پذیری خود را فقط هنگام درخواست می‌سازند. به همین دلیل، چند ثانیه اول ثبت در این برنامه‌ها ممکن است داده‌های کمی داشته باشد. همچنین، در هنگام فعال بودن، ممکن است انیمیشن تغییر اندازه پنجره در کروم کمی دچار لرزش شود.
ترمینال‌های رندر شده با GPU مثل Kitty یا Alacritty متن کمی ارائه می‌دهند، اما iTerm2 و Terminal.app به‌درستی کار می‌کنند. توسعه‌دهندگان از کاربران خواسته‌اند نتایج هر اپلیکیشن را در فایل docs/census.md ثبت کنند.
این چرخش به سمت لاگ‌های فعالیت ساختاریافته و محلی، این فرض را که عامل‌های AI به لایه‌های حافظه ابری نیاز دارند، تغییر می‌دهد. با تبدیل فعالیت صفحه به یک پوشه مارک‌داون که قابلیت جست‌وجو (grep) دارد، بار حافظه از دوش مدل و پنجره متنی آن، به سیستم فایل محلی منتقل می‌شود.
برای یک متخصص، این یعنی عامل هوش مصنوعی دیگر حدس نمی‌زند شما سه‌شنبه روی چه چیزی کار می‌کردید؛ بلکه یک لاگ واقعی را می‌خواند. این ابزار، LLM را از یک رابط چت ساده به یک تاریخ‌نگار شخصی از جریان کاری واقعی شما تبدیل می‌کند.
در حال حاضر می‌توانید این برنامه را با دستور npm run tauri build در حدود دو دقیقه از سورس کد بسازید. برای این کار به Node، Rust و Xcode Command Line Tools نیاز دارید.
گام بعدی شما
- اگر کاربر macOS هستید، سورس کد را از گیت‌هاب دریافت و روی پروژه‌های کوچک خود تست کنید.
- فایل‌های مارک‌داون تولید شده را به یک مدل استدلالی (Reasoning Model) بدهید تا تحلیل کند کجا بیشترین زمان را تلف کرده‌اید.
- بررسی کنید کدام یک از ابزارهای کاری شما داده‌های غنی‌تری را به Ambient Context ارسال می‌کنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو