تصور کنید به جای یک چت‌بات ساده، یک اتاق فکر کامل در اختیار دارید که هر تصمیم را از فیلترهای مالی، حقوقی و عملیاتی عبور می‌دهد. SenteLabsAI در ۲۷ اوت ۲۰۲۶ با معرفی OpenExecutive، این تصور را به واقعیت تبدیل کرد؛ چارچوبی متن‌باز که یک مدل زبانی را به تیمی متشکل از ۸ عامل تخصصی تبدیل می‌کند.
بسیاری از مدیران کسب‌وکار از هوش مصنوعی به عنوان یک دستیار عمومی استفاده می‌کنند که اغلب توصیه‌هایی کلی و بدون در نظر گرفتن تضادهای بین بخش‌های مالی و محصول می‌دهد. OpenExecutive این مشکل را با هدایت هر پرسش به یک «شورای تخصصی» پیش از تولید پاسخ نهایی حل می‌کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی نقش حافظه در مدل‌های عامل‌محور اشاره کردیم، این سیستم از قابلیت‌های پیشرفته شرکت Anthropic برای حفظ شخصیت مدیریتی بدون افزایش سرسام‌آور هزینه‌ها استفاده می‌کند. در واقع، هوش مصنوعی از یک چت‌بات ساده به یک لایه حافظه سازمانی تبدیل می‌شود.
معماری یک هیئت‌مدیره مجازی
این سامانه توسط یک ارکستراتور اجرایی مبتنی بر مدل claude-sonnet-4-6 مدیریت می‌شود. طبق مستندات پروژه، وقتی کاربر سوالی می‌پرسد، ارکستراتور مستقیماً پاسخ نمی‌دهد، بلکه درخواست را به صورت موازی به ۸ عامل تخصصی می‌فرستد:
- مدیر استراتژی (CSO): تحلیل رقبا، جایگاه در بازار و OKRها.
- مدیر مالی (CFO): مدل‌سازی مالی، جذب سرمایه و جریان وجوه نقد.
- مدیر منابع انسانی (CHRO): استخدام، فرهنگ سازمانی و عملیات کارکنان.
- مشاور حقوقی (GC): قراردادها، مالکیت معنوی و انطباق قانونی.
- مدیر عملیات (COO): طراحی فرآیندها و مقیاس‌پذیری عملیاتی.
- مدیر بازاریابی (CMO): استراتژی ورود به بازار (GTM) و برندینگ.
- مدیر محصول (CPO): نقشه راه و اولویت‌بندی ویژگی‌ها.
- مدیر ارتباطات هیئت‌مدیره: گزارش‌های سرمایه‌گذاران و حاکمیت شرکتی.
برای استدلال‌های حساس، سیستم مدل Sonnet را با claude-opus-4-7 جایگزین می‌کند تا توصیه‌های مالی و حقوقی از قدرت زنجیره تفکر (Chain-of-Thought) — شبیه وقتی شاگرد ریاضی پای تخته بلند بلند فکر می‌کند تا به جواب برسد — بهره ببرند. تمام این پاسخ‌ها در نهایت به یک صدای مدیریتی واحد تبدیل می‌شوند و کاربر هرگز با پیچیدگی‌های داخلی عامل‌ها مواجه نمی‌شود.
پیوند هوش مصنوعی با واقعیت کسب‌وکار
برای جلوگیری از توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — OpenExecutive از یک سیستم بازیابی دو لایه با ChromaDB استفاده می‌کند. لایه اول شامل دانش پیش‌فرض سطح MBA است و لایه دوم داده‌های اختصاصی شرکت مثل مدل‌های مالی و اسناد استراتژیک را بازیابی می‌کند.
این سیستم از روش تولید بازیابی‌افزا (RAG) — مثل دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — بهره می‌برد. نکته فنی اینجاست که داده‌ها به جای پرامپت سیستمی، در نوبت کاربر تزریق می‌شوند. این طراحی باعث شده نرخ命中 (Cache Hit) به ۸۵٪ برسد و تأخیر و هزینه‌های API به شدت کاهش یابد.
حافظه و اقدامات پیش‌دستانه
یکی از مهم‌ترین بخش‌های فنی، لایه حافظه اپیزودیک است. پس از هر تعامل، مدل claude-haiku-4-5 تصمیمات کلیدی را استخراج کرده و در یک پایگاه‌داده SQLite ذخیره می‌کند. بنابراین، اگر ماه پیش تصمیمی برای تغییر استراتژی گرفتید، مدل در جلسات آینده آن را به یاد می‌آورد.
همچنین یک زمان‌بند داخلی تعبیه شده که می‌تواند به‌طور پیش‌دستانه یادآورهای زمانی یا اقدامات لازم را به مدیر اطلاع دهد. به دلیل مکانیزم UPDATE … RETURNING برای جلوگیری از اجرای تکراری دستورات، این API باید به صورت تک‌نمونه (Single Instance) اجرا شود و مقیاس‌دهی افقی بدون مدیریت زمان‌بند ممنوع است.
پشته فنی و استقرار
بک‌اند سیستم با Python 3.11 و FastAPI ساخته شده و برای مدیریت بسته‌ها از uv استفاده می‌کند. فرانت‌اند نیز بر پایه Next.js 15 و Tailwind CSS است.
ساختار پروژه در packages/core/openexecutive/ به بخش‌های مجزایی تقسیم شده است:
- Orchestrator: مدیریت شخصیت اجرایی و حلقه مسیریابی.
- Agents: منطق ۸ عامل تخصصی.
- Knowledge: خط لوله RAG و ذخیره‌ساز ChromaDB.
- Memory: مدیریت پروفایل شرکت و حافظه اپیزودیک.
- Integrations: اتصال به Slack، تلگرام، ایمیل و دیسکورد.
- Scheduler: مدیریت کارهای پس‌زمینه و هشدارها.
پشتیبانی از مدل‌های محلی
برای کاربرانی که نگران حریم خصوصی یا هزینه‌ها هستند، سیستم از مدل‌های محلی از طریق Ollama یا vLLM پشتیبانی می‌کند. کاربران می‌توانند یک ساختار ترکیبی ایجاد کنند؛ مثلاً ارکستراتور روی Claude باشد اما عامل‌های تخصصی روی مدل‌های محلی مثل Llama 3.3 70B اجرا شوند. البته در این حالت، قابلیت‌هایی مثل کشینگ پرامپت Anthropic غیرفعال می‌شوند.
زیرساخت و استقرار در Fly.io
استقرار سیستم برای Fly.io بهینه شده و از Volumeهای دائمی برای پوشه executive_data استفاده می‌کند. برای محافظت از زمان‌بند، مقدار max_machines_running = 1 در تنظیمات Fly قرار داده شده است. دسترسی‌ها نیز از طریق Google Sign-in و یک لیست سفید (Allow-list) مدیریت می‌شود.
رابط‌های چندکاناله
OpenExecutive در هر جایی که کاربر حضور دارد در دسترس است:
- وب‌سایت: داشبورد اصلی برای مدیریت.
- دیسکورد: پشتیبانی از DMها و دستورات
/askیا/today. - اسلک: تعامل از طریق Mentionها.
- ایمیل: بررسی دوره‌ای ایمیل‌ها (IMAP/SMTP) برای پاسخ به CCها.
- CLI: ابزاری برای چت سریع و آپلود اسناد.
فرآیند Onboarding و پیکربندی
کاربران در ابتدا از یک جادوگر (Wizard) برای ساخت پروفایل شرکت عبور می‌کنند که شامل نام، صنعت، مدل درآمدی، اولویت‌های استراتژیک و وضعیت مالی است. تمام تنظیمات از طریق متغیرهای محیطی (Environment Variables) مدیریت می‌شوند، از جمله ANTHROPIC_API_KEY و مدل‌های پیش‌فرض.
کنترل کیفیت و حریم خصوصی
تیم SenteLabsAI یک مجموعه ارزیابی شامل ۲۹ سناریو طراحی کرده است که توسط مدل claude-opus-4-7 در نقش «مدل زبانی به‌مثابه داور» (LLM-as-a-judge) امتیازدهی می‌شود. معیارهایی مثل انسجام شخصیت، دقت تخصصی و قابلیت اجرایی توصیه‌ها بررسی می‌شوند و هر امتیاز باید بالای ۳.۵ از ۵ باشد تا تغییرات تایید شوند.
در مورد حریم خصوصی، تمام پروفایل‌ها و اسناد در ماشین محلی یا Volume خصوصی کاربر باقی می‌مانند و به دلیل استفاده از APIهای Anthropic، داده‌ها برای آموزش مدل‌ها استفاده نمی‌شوند.
گسترش تیم اجرایی
معماری OpenExecutive به گونه‌ای است که افزودن عامل جدید ساده است. توسعه‌دهنده باید یک فایل منطق در پوشه agents بسازد، پرامپت سیستمی را تعریف کند و آن را در SPECIALIST_REGISTRY ثبت نماید. این رویکرد، نقش هوش مصنوعی را از یک «نویسنده» به یک «استراتژیست» تغییر می‌دهد. این تحول در مدیریت دیجیتال در حالی رخ می‌دهد که دنیای واقعی با چالش‌های انسانی دست و پنجه نرم می‌کند؛ برای مثال، تلاطمات اخیر در کادر مدیریتی OpenAI نشان داد که حتی پیشروترین شرکت‌های هوش مصنوعی نیز با بحران‌های حاکمیت شرکتی روبرو هستند.
برای کاربر نهایی، این یعنی پاسخ‌ها دیگر کلی نیستند، بلکه توسط یک CFO و یک مشاور حقوقی مجازی بررسی شده و بر اساس واقعیت‌های مالی و قانونی شرکت صادر شده‌اند. اگر کسب‌وکار کوچکی دارید، این چارچوب نقشه‌ای برای خودکارسازی بار شناختی مدیریت میانی و ارشد است. این رویکرد به طور مستقیم با استراتژی‌های نوسازی شرکت‌های سنتی همسو است، مشابه آنچه در مدل سرمایه‌گذاری Thrive Holdings برای بازطراحی ساختارهای قدیمی مشاهده می‌کنیم.
گام بعدی شما
- مخزن GitHub پروژه را کلون کرده و با دستور
make devآن را به صورت محلی اجرا کنید. - برای کاهش هزینه‌ها، مدل‌های تخصصی را روی Llama 3.3 در محیط محلی (Ollama) تست کنید.
- اسناد استراتژیک شرکت خود را آپلود کنید تا قدرت RAG در پاسخ‌های تخصصی بسنجید.
اما داستان سخت‌افزاری اجرای این مدل‌های سنگین در محیط محلی حتی پیچیده‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی VRAM در مدل‌های ۷۰ میلیاردی مراجعه کنید.
گفتگو