تصور کنید پروژه‌ای در لیست کارهای شما «در حال اجرا» است، اما در واقع هفته‌هاست که هیچ پیشرفتی نداشته و شما تازه امروز متوجه آن شده‌اید. برای بسیاری از مشاوران مستقل، این وضعیت دقیقاً همان جایی است که سودآوری می‌میرد؛ چرا که سیگنال‌های توقف پروژه در سه جای مختلف پخش شده‌اند. داشبوردهای سنتی معمولاً سیگنال‌های واقعی زوال پروژه را پنهان می‌کنند.
برای حل این مشکل «شکست‌های خاموش» — پروژه‌هایی که فعال به نظر می‌رسند اما در حقیقت متوقف شده‌اند — صاحب یک شرکت مشاوره کوچک، ابزاری به نام Founders OS را در ۱۸ ژوئیه ۲۰۲۶ منتشر کرد. این ابزار متن‌باز به‌طور خاص برای صاحبان کسب‌وکارهایی طراحی شده است که نیاز دارند متوجه شوند چه زمانی وظایف حیاتی واقعاً از حرکت بازمانده‌اند.
اکثر لیست‌های وظیفه به صورت باینری هستند؛ یعنی یک وظیفه که روی وضعیت «در حال اجرا» قرار دارد، چه دیروز پیشرفت کرده باشد و چه سه ماه پیش، در ظاهر یکسان به نظر می‌رسند. رکود واقعی معمولاً در سه سیستم مختلف پنهان شده است: یک CRM ساکت، یک فاکتور پرداخت‌نشده و یک سؤال بی‌پاسخ در میان یادداشت‌ها. برای اکثر فریلنسرها، این قطعات از هم گسسته می‌مانند و این یعنی یک همکاری می‌تواند هفته‌ها متوقف شود پیش از آنکه مالک متوجه شود.
به نقل از گزارش dev.to، ابزاری به نام Founders OS از پروتکل زمینهٔ مدل (Model Context Protocol یا MCP) استفاده می‌کند. این پروتکل شبیه به یک مترجم جهانی است و اجازه می‌دهد مدل‌های هوش مصنوعی با نرم‌افزارهای مختلف بدون نیاز به کدنویسی پیچیده صحبت کنند تا داده‌های پراکنده را یکپارچه کند. Founders OS به عنوان یک سرور MCP عمل می‌کند که این حوزه‌های تکه‌تکه شده را به هم می‌پیوندد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت وضعیت در عامل‌های هوش مصنوعی اشاره کردیم، مشکل اصلی این است که وضعیت‌های باینری حقیقت را نمی‌پوشانند. این موضوع یادآور چالش‌های پایداری در حافظه عامل‌هاست که استفاده از SQLite توانست مقاومت آن‌ها را در برابر کرش و از دست رفتن وضعیت افزایش دهد. این ابزار به جای جست‌وجو برای یک برچسب وضعیت ساده، سه منبع خاص را در لحظه استنتاج (Inference) تحلیل می‌کند:
- لیست وظایف (Tasks): شناسایی وضعیت‌های بازی که پس از یک تاریخ آستانه مشخص، هیچ فعالیتی نداشته‌اند.
- مدیریت ارتباط با مشتری (CRM): ردیابی اینکه مشتری مرتبط آخرین بار چه زمانی مورد تماس قرار گرفته و ماهیت آن تعامل چه بوده است.
- دفتر حسابداری (Ledger): بررسی اینکه آیا مبالغ مربوط به آن کار خاص همچنان پرداخت‌نشده باقی مانده‌اند یا خیر.
بر اساس مستندات این پروژه، مدل هوش مصنوعی با ترکیب این سه لایه می‌تواند یک تصویر ترکیبی بسازد: «وظیفه X برای ۱۱ روز است متوقف شده، مشتری بعد از پرسش درباره محدوده پروژه (Scope Query) دیگر جواب نداده و فاکتور ماه گذشته هنوز پرداخت نشده است». طبق گزارش dev.to، این ابزار روی stdio و علیه پایگاه‌داده Postgres خودِ کاربر اجرا می‌شود تا اطمینان حاصل شود که هیچ لیست حساس مشتری یا دفاتر مالی به سرویس‌های شخص ثالث ارسال نمی‌شود.
این رویکرد، نقش هوش مصنوعی را از بازیابی ساده (Simple Retrieval) به پیوند رابطه‌ای پیچیده (Complex Relational Joining) تغییر می‌دهد. در حالی که اکثر ابزارهای فعلی AI بر روی قرار دادن سند درست در زمینه (Context) تمرکز دارند، این مکانیسم بر روی رابطه بین رکوردها در سه سیستم مختلف تمرکز می‌کند. این کار با اجازه دادن به اینکه زمینه کسب‌وکار کاربر را در کلاینت‌های مختلف AI مثل Claude یا Cursor دنبال کند، «خستگی از داشبورد» (Dashboard Fatigue) را از بین می‌برد.
برای یک مشاور مستقل، این بدان معناست که هوش مصنوعی به جای یک موتور جست‌وجوی غیرفعال برای یادداشت‌ها، به یک حسابرس فعال برای سلامت کسب‌وکار تبدیل می‌شود. این ابزار تکه‌ای از داده را به یک «محرک عملیاتی» (Actionable Trigger) تبدیل می‌کند؛ مانند نیاز فوری به ارسال یک ایمیل پیگیری به مشتریی که پروژه را متوقف کرده است. در واقع این قابلیت به نوعی مقابله با شکست‌های عملیاتی است، مشابه آنچه در تحلیل‌های مربوط به مکانیزم‌های خودترمیمی در ۷۲.۴٪ از شکست‌های عامل‌ها مشاهده شده است.
گام بعدی شما
- اگر مشاور مستقل هستید، این سرور با مجوز MIT را از طریق npm با شناسه
@ourthinktank/founders-osنصب کنید. - کدهای منبع را در گیت‌هاب بررسی کنید تا متوجه شوید چگونه MCP می‌تواند داده‌های Local را به مدل متصل کند.
- یک گردش‌کار برای بررسی هفتگی «پروژه‌های متوقف‌شده» در دستیار AI خود تعریف کنید.
اما این تنها بخشی از پازل است؛ روش‌های پیشرفته‌تر برای تبدیل داده‌های ساختاریافته به گراف دانش را در گزارش بعدی بررسی خواهیم کرد.
گفتگو