تصور کنید یک برنامه‌نویس بخواهد عاملی بسازد که به‌جای نوشتن کد، مستقیماً وارد پورتال تأمین‌کنندگان شود و فاکتورها را دانلود کند. برای تحقق این رویای «عامل‌محور»، مدل باید بتواند مانند انسان با محیط دسکتاپ تعامل کند، اما مشکل اینجاست که مدل‌های زبانی ذاتاً دسترسی فیزیکی به سخت‌افزار ندارند.
به نقل از مستندات Anthropic، قابلیت استفاده از کامپیوتر (Computer Use) که در ۲۲ اکتبر ۲۰۲۴ در حالت بتای عمومی منتشر شد، به مدل اجازه می‌دهد مکان‌نما را حرکت دهد، روی دکمه‌ها کلیک کند و متن تایپ کند. این ویژگی از طریق APIهای Claude, Amazon Bedrock و Google Cloud Vertex AI در دسترس است، اما مسئولیت تأمین سخت‌افزار و محیط اجرای دستورات بر عهده توسعه‌دهنده است. این رویکرد در راستای گسترش دسترسی به ابزارهای پیشرفته است، مشابه زمانی که آنتروپیک دسترسی سازمان‌های دولتی آمریکا به ابزارهای عامل‌محور کلود را عمومی کرد تا استانداردهای امنیتی در مقیاس سازمانی پیاده‌سازی شود.
همان‌طور که در تحلیل قبلی ما درباره‌ی توهمات API در Claude Code اشاره کردیم، صنعت در حال گذار از تولید متن ساده به سمت اقدامات تغییردهنده وضعیت است. برای اکثر توسعه‌دهندگان، راه‌اندازی زیرساخت مورد نیاز یک مانع بزرگ است. پیاده‌سازی مرجع آنتروپیک نیازمند یک کانتینر Docker با نمایشگر مجازی X11 و دسکتاپ سبک است که مدیریت آن دشوار است.
طبق اعلام آنتروپیک، برای امنیت این محیط باید چهار شرط رعایت شود:
- استفاده از ماشین‌های مجازی اختصاصی با کمترین سطح دسترسی.
- عدم ارائه مستقیم داده‌های حساس مانند رمز عبور به مدل.
- محدود کردن دسترسی به اینترنت از طریق یک فهرست سفید (Allowlist).
- الزام به تأیید انسانی برای اقدامات حساس.
در این میان، Burrowbox به‌عنوان یک لایه زیرساختی مدیریت‌شده وارد می‌شود و یک دسکتاپ لینوکس را همراه با نقطه اتصال پروتکل زمینهٔ مدل (MCP) — که شبیه به یک مترجم استاندارد برای ارتباط مدل با ابزارهای خارجی است — فراهم می‌کند. توسعه‌دهندگان به‌جای ساخت دستی حلقه‌های ابزاری، از رابط MCP در Messages API استفاده می‌کنند تا Claude را مستقیماً به یک ماشین مجازی متصل کنند.
قابلیت‌های فنی این ادغام شامل موارد زیر است:
- کنترل دسکتاپ: ابزارهای بومی برای اسکرین‌شات، کلیک، تایپ متن و دریافت وضعیت برنامه.
- مرورگر پایدار: توابع اختصاصی برای پیمایش، ثبت لحظه‌ای و ورود به حساب‌های کاربری.
- گاوصندوق‌های امن: سیستمی برای ذخیره اعتبارنامه‌ها که اجازه می‌دهد مدل بدون دیدن رمز عبور در پرامپت، وارد پورتال‌ها شود.
- دسترسی به شل: توانایی اجرای دستورات سیستمی از طریق
shell_run.
برای پیاده‌سازی، توسعه‌دهنده با یک درخواست POST به API شرکت Burrowbox، ماشینی با مشخصات خاص (مثلاً اندازه کوچک و زمان عمر مشخص) ایجاد می‌کند و یک mcpUrl و mcpToken دریافت می‌کند. این تنظیمات سپس در کلاینت Claude تحت پارامتر mcp_servers قرار می‌گیرد. به این ترتیب، مدل می‌تواند مستقیماً ابزارهای MCP را فراخوانی کند تا مثلاً وارد یک پورتال شود و فاکتورها را در یک فایل محلی ذخیره کند.
این معماری مشکل «نشت اعتبارنامه» را حل می‌کند. با استفاده از گاوصندوق (Vault)، ابزار ورود به مرورگر فرم‌ها را به‌صورت داخلی پر می‌کند و داده‌های حساس هرگز وارد پنجرهٔ زمینه (Context Window) — که مثل میز کاری است که مدل فقط مقدار محدودی کاغذ روی آن جا دارد — نمی‌شوند. همچنین، استفاده از کانتینرهای ایزوله باعث می‌شود هر کاربر دیسک اختصاصی داشته باشد و داده‌ها با هم ترکیب نشوند.
از دیدگاه کاربردی، نقش توسعه‌دهنده از «مدیر زیرساخت» به «تعیین‌کننده سیاست» تغییر می‌کند. دیگر نیازی به درگیری با تنظیمات X11 نیست و تمرکز بر فهرست سفید دامنه‌ها و نقاط تأیید انسانی معطوف می‌شود. همچنین می‌توان نمای زنده از فعالیت عامل را تماشا کرد یا در صورت نیاز، کنترل جلسه را به‌دست گرفت.
برای مقیاس‌پذیری، یک ماشین کوچک با ۱ vCPU و ۶ گیگابایت رم، ساعتی ۰.۱۱ دلار هزینه دارد و وضعیت ماشین حتی در حالت خاموش حفظ می‌شود. این بهینه‌سازی‌های هزینه‌ای در کنار پیشرفت‌های مدل، مانند زمانی که کلاود اپوس ۵.۵ هزینه استنتاج را در بارهای کاری رایج ۴۰٪ کاهش داد، باعث می‌شود استقرار عامل‌های هوشمند برای کسب‌وکارها اقتصادی‌تر شود. عامل‌ها حتی می‌توانند از طریق نقطه اتصال MCP، سخت‌افزار خود را مدیریت کنند و ماشین‌های جدید بسازند یا ماشین‌های قدیمی را حذف کنند.
گام بعدی شما
- بررسی مستندات MCP برای اتصال مدل‌های دیگر به زیرساخت‌های مشابه.
- تست محیط‌های ایزوله برای کاهش ریسک اجرای دستورات سیستمی توسط عامل‌ها.
- ارزیابی هزینه-فایده استفاده از ماشین‌های مدیریت‌شده در برابر Dockerهای شخصی.
تکامل استاندارد MCP احتمالاً ما را به سمتی می‌برد که سخت‌افزار برای عامل‌های هوش مصنوعی به‌صورت «بزن و بکار» (Plug-and-Play) در دسترس باشد؛ موضوعی که در گزارش‌های آینده بررسی خواهیم کرد.
گفتگو