تصور کنید پژوهشگری هستید که به‌جای جابه‌جایی مداوم بین مرورگر، ویرایشگر کد و فایل‌های PDF، تمام این ابزارها را در یک میز کار واحد دارد و یک دستیار هوشمند هم‌زمان در حال ویرایش متون کنار اوست. این دقیقاً همان تغییری است که Panel در نسخه‌ی اولیه‌ی خود که در ۱۵ سپتامبر ۲۰۲۶ منتشر شد، ایجاد کرده است. هدف اصلی این ابزار، تبدیل عامل هوش مصنوعی از یک رابط چت ساده به یک شریک همکاری است که دسترسی مستقیم به سیستم فایل (Filesystem) دارد. اکنون یک پژوهشگر می‌تواند جلسات چت، فایل‌های PDF و نوت‌بوک‌های Jupyter را در یک داک (Dock) واحد مدیریت کند، در حالی که یک عامل AI به‌طور فعال در کنار او در حال ویرایش فایل‌هاست.
بیشتر ابزارهای فعلی کاربران را مجبور می‌کنند بین پنجره‌های مختلف جابه‌جا شوند؛ این جابه‌جایی مداوم باعث ایجاد یک «مالیات شناختی» می‌شود که سرعت تحلیل داده‌ها و مرور ادبیات پژوهشی را به‌شدت کاهش می‌دهد. Panel این مشکل را با ایجاد رابط کاربری متشکل از «پنل‌ها» (Panes) حل کرده است که هر چیزی، از بصری‌سازهای SQLite تا فایل‌های Markdown را نمایش می‌دهد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اکوسیستم عامل‌های هوش مصنوعی اشاره کردیم، حرکت به سمت محیط‌های کاری یکپارچه، گام بعدی پس از چت‌بات‌های ساده است. در این سیستم، عامل (Agent) — شبیه به همکاری است که روی میز شما نشسته و به تمام پوشه‌های پروژه دسترسی دارد — از یک رابط چت ساده به یک شریک همکاری تبدیل شده است. این رویکرد یادآور تغییر پارادایم در meclaw است که در آن حلقه‌های تکرار سنتی جای خود را به توپولوژی فایل دادند تا تعامل با داده‌ها ساختاریافته‌تر شود.
به نقل از مستندات فنی این پروژه، برای راه‌اندازی این نسخه، کاربران به Node 22.18 یا جدیدتر (یا نسخه 24.12 به بالا) و pnpm نیاز دارند. سیستم از ابزار uv برای دریافت خودکار پایتون ۳.۱۲ یا نسخه‌های جدیدتر استفاده می‌کند. از آن‌جآی که توابع مرور ادبیات و عملیات عامل‌محور از طریق Claude Code اجرا می‌شوند، کاربر باید پیش از شروع، با اجرای دستور claude وارد حساب خود شود.
فرآیند نصب شامل اجرای دستورات pnpm install و uv sync و در نهایت pnpm start است. اولین اجرای برنامه حدود یک دقیقه زمان می‌برد تا اپلیکیشن ساخته شود و در نهایت فضای کاری در آدرس http://localhost:4173 میزبان می‌شود. کاربران می‌توانند تمام فرآیندها را با استفاده از کلیدهای Ctrl-C متوقف کنند.
در مورد مدیریت داده‌ها، Panel اطلاعات را خارج از پوشه‌ی مخزن (Repository) ذخیره می‌کند تا با حذف یا کلون مجدد پروژه، داده‌ها پاک نشوند. طبق اعلام توسعه‌دهندگان، تاریخچه‌ی گفتگوها و سوابق عامل در مسیر ~/Panel/panel.db و فضاهای کاری جدید به‌طور پیش‌فرض در ~/Panel/workspaces ذخیره می‌شوند.
طبق مستندات گیت‌هاب پروژه، این سیستم برای قابلیت‌های اصلی عامل‌محور خود به Claude Code متکی است. معماری این سیستم بر چند رکن فنی استوار است:
- فضاهای کاری (Workspaces): پوشه‌های اختصاصی که عامل‌ها در آن‌ها با چیدمان (Layout) و تاریخچه‌ی ذخیره‌شده‌ی خود فعالیت می‌کنند.
- پروتکل ماژول (Module Protocol): سیستمی برای جریان‌های کاری بین‌ماژولی که از تعاریف تایپ‌شده برای ورودی‌ها (Inputs)، خروجی‌ها (Outputs) و متغیرهای میانی (Intermediates) استفاده می‌کند. متغیرهای میانی امکان مشاهده‌ی زنجیره تفکر (Chain-of-Thought) یا «تخته‌سیاه» (Scratchpad) عامل را برای کارهای طولانی فراهم می‌کند؛ مثل وقتی شاگرد ریاضی پای تخته بلند بلند فکر می‌کند تا به جواب برسد.
- لایه انتزاع داده (DAL): پلی که URIها را به حافظه یا فایل‌های محلی متصل می‌کند تا ماژول‌ها بدون نگرانی از محل ذخیره‌سازی، اشیا را تغییر دهند.
- پنل‌های سفارشی: قابلیت ایجاد نمایشگرهای جدید (مثل نمایشگر PDB) توسط انسان یا عامل، زمانی که گزینه‌های پیش‌فرض کافی نباشند.
- نوت‌بوک‌های یکپارچه: نوت‌بوک‌های Jupyter که با یک کرنل واقعی اجرا می‌شوند و اجازه می‌دهند کاربر و عامل هم‌زمان یک فایل را ویرایش کنند.
با این حال، این سیستم هنوز محدودیت‌های جدی دارد. به گزارش گیت‌هاب پروژه، قابلیت‌های جست‌وجوی وب و مرور ادبیات تنها به‌طور کامل توسط Claude Code پشتیبانی می‌شوند. اگرچه می‌توان کلید API شرکت OpenAI را (از طریق فایل apps/server/.env) برای چت‌های ساده و ابزارهای پایه اضافه کرد، اما این مدل‌ها نمی‌توانند ماژول‌های تخصصی فرضیه یا مرور ادبیات را اجرا کنند. این وابستگی به زیرساخت‌های خاص، مشابه رویکرد پلتفرم OtoDock است که برای تبدیل مدل‌های زبانی به عامل‌های سخت‌افزارمحور از سرورهای داخلی بهره می‌برد.
همچنین، ماژول‌ها در حال حاضر نمای اختصاصی ندارند و نتایج آن‌ها سخت خوانده می‌شود. علاوه بر این، دکمه‌ای برای اجرای ماژول‌ها وجود ندارد و کاربر باید از طریق چت درخواست اجرا کند.
در صورت بروز خطا و نمایش پیام «Panel couldn't reach its server»، یعنی بخش سرور در حال اجرا نیست و کاربر باید ترمینال را بررسی کند. برای حل تداخل پورت‌ها یا مشکلات بارگذاری، دستور pnpm dev:doctor فرآیند مزاحم را شناسایی کرده و روش پاک‌سازی آن را ارائه می‌دهد.
این چرخش به سمت فضاهای کاری «شانه-به-شانه»، نشان می‌دهد که آینده‌ی بهره‌وری در هوش مصنوعی، نه در ساخت چت‌بات‌های بهتر، بلکه در ساخت محیط‌های عملیاتی بهینه است. با تبدیل عامل به کاربری که پنجره‌ها و ابزارهای خاص خود را دارد، Panel گامی بلند به سوی دستیاری پژوهشی واقعاً خودمختار برداشته است. این پروژه تحت لایسنس MIT در دسترس است.
گام بعدی شما
- اگر پژوهشگر هستید، نسخه‌ی MIT این پروژه را نصب کنید تا تفاوت بین «چت با مدل» و «کار با عامل در محیط محلی» را تجربه کنید.
- برای بهینه‌سازی، ابتدا Claude Code را به‌طور مستقل نصب و پیکربندی کنید.
- بررسی کنید که آیا جریان کاری شما می‌تواند از لایه انتزاع داده (DAL) برای مدیریت فایل‌های حجیم بهره ببرد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو