تصور کنید یک پوشه ساده روی دیسک شما، تبدیل به سند قانونی و اجرایی برای رفتار یک عامل هوش مصنوعی شود. این ایده، هسته مرکزی Eve است؛ فریم‌ورکی برای ساخت عامل‌های بک‌اند بادوام (Durable Agents) روی Vercel که پیکربندی‌های حجیم را با یک سلسله‌مراتب پوشه‌ای جایگزین کرده است تا مشخصات قابل خواندن برای انسان را از کدهای اجرایی جدا کند.
بسیاری از فریم‌ورک‌های فعلی بر پایه فایل‌های JSON یکپارچه یا رشته‌های پرامپت مبهم هستند که نسخه‌بندی و نگهداری آن‌ها کابوس توسعه‌دهندگان است. Eve با تبدیل دیسک به «منبع حقیقت»، مدیریت عامل‌ها را شبیه به پروژه‌های سنتی نرم‌افزاری می‌کند. این رویکرد درست زمانی معرفی می‌شود که صنعت به سمت عامل‌های «بادوام» حرکت می‌کند؛ سیستم‌هایی که می‌توانند وضعیت (State) خود را حفظ کرده و گردش‌کارهای پیچیده را در جلسات مختلف از سر بگیرند.
زمینه و منطق فریم‌ورک
این فریم‌ورک به صورت بسته eve در npm توزیع شده و یک فایل اجرایی CLI متناظر با نام eve ارائه می‌دهد. این ابزار از یک ساختار دایرکتوری خاص برای تعریف قابلیت‌های عامل استفاده می‌کند. برای مثال، فایل instructions.md به عنوان پرامپت همیشگی (Always-on) عمل می‌کند، در حالی که فایل agent.ts تنظیمات تکمیلی زمان اجرا مانند نام مدل، بیلد (Build) و متدهای فشرده‌سازی (Compaction) را مدیریت می‌کند.
طبق مستندات eve.dev، منطق داخلی این فریم‌ورک به سه لایه مجزا تقسیم شده است:
- کانال (Channel): ورودی‌های انتقال (مانند HTTP یا Slack) را نرمال‌سازی کرده، سیاست‌های تحویل را اعمال می‌کند و مالک آدرس‌های محلی کانال است.
- هارنس (Harness): یک واحد کاری هوش مصنوعی را اجرا کرده و خروجی
{ session, next }را برمی‌گرداند. - زمان اجرا (Runtime): وضعیت را ذخیره می‌کند، دستور
nextرا دنبال کرده، رویدادها را استریم می‌کند و مالک ابزارهای اولیه گردش‌کار مانندstart()،resumeHook()،createHook()وgetWritable()است.
جزئیات فنی و پیاده‌سازی
توسعه‌دهندگان می‌توانند با دستور npx eve@latest init پروژه را آغاز کنند. این دستور ساختار دایرکتوری را ایجاد کرده، وابستگی‌ها را نصب می‌کند، Git را مقداردهی اولیه کرده و سرور توسعه را فعال می‌کند. کاربران می‌توانند با فلگ‌های خاص، تنظیمات را شخصی‌سازی کنند:
--model: برای انتخاب مدل از AI Gateway (مثلاًopenai/gpt-5.5).--reasoning high: برای تنظیم سطح تلاش استدلال روی حالت بالا.--channel-web-nextjs: برای افزودن یک اپلیکیشن Web Chat.
برای پیاده‌سازی عملی، مثلاً در یک عامل هواشناسی، توسعه‌دهنده ابزاری در TypeScript با استفاده از Zod برای اعتبارسنجی طرحواره (Schema) ورودی‌ها می‌سازد. ابزاری مانند get_weather.ts می‌تواند با استفاده از defineTool تعریف شود تا داده‌های خاصی مثل temperatureF: 72 را برگرداند. این عامل سپس می‌تواند از طریق تابع defineAgent در فایل agent.ts به مدل‌هایی نظیر gpt-5.4-mini متصل شود.
Eve همچنین الگوهای پیشرفته عامل‌محور را از طریق یک سلسله‌مراتب پوشه‌ای اختصاصی پشتیبانی می‌کند:
- subagents/: برای ایجاد عامل‌های فرزند متخصص با استفاده از
defineAgent. - schedules/: برای تعریف کارهای تکرارشونده (Recurring Jobs) برای عامل.
- connections/: برای اتصال به سرورهای خارجی پروتکل زمینه مدل (MCP).
- workspace/: فایل‌هایی که در هر جلسه به محیط Sandbox تزریق می‌شوند.
- hooks/: برای اشتراک در رویدادهای استریم و چرخه حیات عامل.
این چرخش به سمت معماری فایل‌محور، مدل ذهنی توسعه‌دهنده را از «مهندسی پرامپت» (Prompt Engineering) به «معماری عامل» تغییر می‌دهد. با جداسازی لایه انتقال از منطق هوش مصنوعی، Eve عامل‌ها را در محیط‌های عملیاتی پیش‌بینی‌پذیرتر کرده و عیب‌یابی آن‌ها را آسان‌تر می‌کند. در واقع، این سیستم پرامپت و مجموعه ابزارهای عامل را به جای دستورالعمل‌های شکننده، به یک کدبیس قابل استقرار تبدیل می‌کند.
برای کسانی که روی Vercel توسعه می‌دهند، این یعنی عامل‌ها اکنون به شهروندان درجه‌یک بک‌اند با قابلیت ذخیره‌سازی بومی وضعیت تبدیل شده‌اند. استفاده از یک پروتکل HTTP عمومی که حول محور sessionId می‌چرخد، تضمین می‌کند که این عامل‌ها بدون افشای منطق داخلی کانال، قابل بازرسی و کنترل خارجی باشند. برای شروع، توسعه‌دهندگان می‌توانند با دستور eve init یک عامل پایه به همراه اپلیکیشن Web Chat مستقر کنند.
گام بعدی شما
- با دستور
eve initیک عامل ساده به همراه اپلیکیشن Web Chat مستقر کنید تا تفاوت مدیریت فایل‌محور را حس کنید. - ساختار
subagentsرا برای شکستن کارهای پیچیده به تکالیف کوچک‌تر و تخصصی‌تر به کار بگیرید. - اتصال‌های MCP را در پوشه
connectionsتعریف کنید تا عامل شما به داده‌های خارجی زنده دسترسی یابد.
اما داستان سخت‌افزاری این تحول و نحوه مدیریت حافظه در مقیاس بالا حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی بهینه‌سازی‌های KV Cache مراجعه کنید.
گفتگو