تصور کنید تیمی از برنامه‌نویسان دارید که هر کدام در یک اتاق دربسته زندانی شده‌اند و تنها راه ارتباطشان ارسال نامه است. در این وضعیت، اگر یکی از آن‌ها متوجه اشتباهی در کد همکارش شود، نامه‌ای حاوی جزئیات خطا می‌فرستد تا طرف مقابل آن را اصلاح کند؛ این دقیقاً همان اتفاقی است که در چارچوب AIPass رخ می‌دهد.
در حالی که اکثر شرکت‌ها روی هوشمندتر کردن تک‌تک مدل‌ها تمرکز کرده‌اند، AIPass اولویت را به لایه‌ی ارتباطی داده است تا عامل‌های متخصص بتوانند با هم هماهنگ شوند. نتیجه این است که این عامل‌ها اکنون بدون دخالت انسان، برای یکدیگر گزارش باگ (Bug Report) ثبت می‌کنند تا نقص‌های فنی را برطرف کنند.
بسیاری از سامانه‌های چندعاملی (Multi-agent system) — شبیه به خط تولیدی که هر کارگر فقط قطعه‌ای را می‌سازد و می‌رود و هیچ حرفی با بقیه نمی‌زند — با واحدهای ایزوله کار می‌کنند. اما AIPass که یک پروژه‌ی متن‌باز است و طی هفت ماه توسعه یافته، ارتباط را موتور اصلی قابلیت اطمینان می‌داند. طبق این رویکرد، شبکه‌ای از عامل‌های متخصص اگر بتوانند با هم حرف بزنند، بسیار کارآمدتر از یک مدل همه‌فن‌حریف هستند. این رویکرد در واقع پاسخی به چالش‌های پیشین است، جایی که حتی دو عامل هوش مصنوعی در برابر یک باگ بحرانی شکست خوردند و نشان دادند که نبودِ هماهنگی مؤثر می‌تواند منجر به خطاهای انسانی قابل شناسایی شود.
به نقل از گزارشی که در ۴ اکتبر ۲۰۲۶ در وب‌سایت dev.to منتشر شد، این سامانه از ۱۸ عامل متخصص تشکیل شده که هر کدام در دایرکتوری (Directory) مخصوص خود محبوس شده‌اند. این جداسازی شدید یعنی یک عامل نمی‌تواند فایلی را خارج از پوشه‌ی خودش تغییر دهد؛ یعنی نمی‌تواند مستقیماً کد عامل دیگر را اصلاح کند. برای حل این بن‌بست، توسعه‌دهنده برای آن‌ها «ایمیل» تعریف کرد.
سازوکار ارتباطی
عامل‌ها از دو روش اصلی برای تعامل استفاده می‌کنند:
- ایمیل: یک پیام استاندارد که در صندوق پستی ریخته می‌شود تا بعداً خوانده شود.
- دیسپچ (Dispatch): پیامی که همزمان با ارسال نامه، «زنگ در» را هم می‌زند تا عامل گیرنده فوراً بیدار شده و اقدام کند.
وقتی یک عامل «پهپاد» در حوزه‌ی کاری عامل «پست» با خطا مواجه می‌شود، منتظر انسان نمی‌ماند. طبق مستندات، این عامل یک دیسپچ حاوی ردپای خطا (Traceback) می‌فرستد؛ مثلاً می‌گوید: «وقتی نام شاخه دارای نقطه است، تحلیل مسیر شما شکست می‌خورد». عامل گیرنده سپس گزارش را خوانده و اصلاحیه را اعمال می‌کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اعتماد به خروجی مدل‌ها نیازمند لایه‌های نظارتی است. در AIPass، قابلیت اطمینان نه از مدل برتر، بلکه از تاریخچه‌ی شکست‌ها می‌آید. برای مثال، عامل پست دارای ۱,۴۶۰ تست است؛ نه به این دلیل که از ابتدا برنامه‌ریزی شده بود، بلکه هر شکست در ماه‌های گذشته منجر به ایجاد یک مورد تست جدید شده است. این متدولوژی با مفاهیم مدیریت دسترسی بر اساس هزینه بازگشت از خطا همسو است تا ریسک تغییرات در کد به حداقل برسد.
برای جلوگیری از هرج‌ومرج، سیستم سلسله‌مراتب سخت‌گیرانه‌ای دارد. عامل‌های کارگر می‌توانند آزادانه به هم دیسپچ بفرستند، اما اجازه ندارند عامل‌های «مدیر» را بیدار کنند؛ این پیام‌ها فقط به‌صورت ایمیل عادی ارسال می‌شوند تا مدیر با کارهای خرد مزاحم نشود. همچنین، عامل‌ها نمی‌توانند با نوشتن مستقیم در فایل صندوق پستی دیگری، پیام جعلی بسازند چون سیستم هرگونه نوشتن خارج از دایرکتوری شخصی را مسدود می‌کند.
نظارت بر این محیط توسط یک عامل مانیتورینگ انجام می‌شود که هر شاخه را به‌صورت لحظه‌ای ثبت می‌کند. یک عامل «ناظر» (Watcher) مجزا نیز اثر انگشت خطاها را می‌گیرد و عامل مسئول را فرا می‌خواند؛ اگر خطا بعد از اطلاع‌رسانی باقی بماند، سیستم موضوع را به سطوح بالاتر ارجاع می‌دهد. این ساختار به توسعه‌دهنده اجازه می‌دهد به‌جای اینکه گلوگاه تاییدات باشد، فقط بر روند کلی نظارت کند.
این معماری یک نگرانی امنیتی جدی را برجسته می‌کند. وقتی عامل‌ها دسترسی به شل (Shell)، دسترسی به کامیت‌ها و مجوزهای مدیریت بسته می‌گیرند — مشابه قابلیت‌های Claude Code — یک سطح حمله (Attack Surface) عظیم ایجاد می‌شود. ما در واقع کلیدهای دسترسی به سیستم را به بازیگرانی غیرانسانی می‌دهیم، بدون اینکه ابزارهای نظارتی مشابه انسان‌ها برایشان داشته باشیم. این وضعیت دقیقاً همان بحران هویت ممتاز در عامل‌های آلوده است که نظارت سنتی را در برابر دسترسی‌های گسترده‌ی هوش مصنوعی ناکارآمد می‌کند.
برای کسانی که می‌خواهند این سیستم را تست کنند، AIPass مبتنی بر CLI است و روی لینوکس، مک و ویندوز (از طریق Git Bash) اجرا می‌شود. این ابزار با اشتراک‌های فعلی Claude ادغام شده و از طریق کلون کردن مخزن AIOSAI قابل نصب است.
گام بعدی شما
- اگر از سامانه‌های چندعاملی استفاده می‌کنید، لایه‌ی ارتباطی بین آن‌ها را از حالت «ورودی-خروجی ساده» به حالت «گزارش‌دهی متقابل» تغییر دهید.
- مخزن AIOSAI را بررسی کنید تا ببینید چگونه جداسازی دایرکتوری‌ها می‌تواند از تداخل عامل‌ها جلوگیری کند.
- در مورد سطح دسترسی‌های داده شده به عامل‌های کدنویس بازبینی کنید تا از ایجاد حفره‌های امنیتی جلوگیری شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو