تصور کنید به جای کلنجار رفتن با منوهای پیچیده نصب لینوکس، با یک متخصص سیستم صحبت کنید که دقیقاً می‌داند مادربرد و کارت گرافیک شما چیست. PromptOS همین تجربه را فراهم می‌کند؛ ابزاری که نصب سیستم‌عامل را از یک فرآیند خشک به یک گفتگوی هوشمند تبدیل کرده است.
بر اساس گزارش ۱۸ جولای ۲۰۲۶ در وب‌سایت dev.to، این سامانه با عبور از تصاویر ISO سنتی و منجمد، سؤالاتی درباره ترجیحات کاربر می‌پرسد و در لحظه یک نقشه نصب متناسب با سخت‌افزار تولید می‌کند. این رویکرد مشکلی قدیمی در توزیع‌های لینوکس را حل می‌کند: تضاد میان درایورهای قدیمی موجود در فایل نصب و قطعات سخت‌افزاری جدید بازار.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی عامل‌های هوش مصنوعی اشاره کردیم، حذف واسطه‌های سخت و جایگزینی آن‌ها با لایه‌های استدلالی، در حال تغییر تعریف «نصب نرم‌افزار» است. این رویکرد یادآور مدل‌های پیشرفته‌تری است که در پروژه EverOS برای تبدیل تجربیات به مهارت‌های قابل بازاستفاده به کار گرفته شده‌اند.
این پروژه که با زبان Go و چارچوب Bubble Tea توسعه یافته، بیشتر شبیه به یک ارکستراتور هوشمند است تا یک توزیع کامل. طبق مستندات پروژه، اجزای فنی کلیدی آن عبارتند از:
- کلاینت‌های LLM قابل تعویض: اتصال مستقیم به مدل‌های OpenAI، Anthropic، Gemini یا نمونه‌های محلی Ollama.
- نقشه‌های ساختاریافته: مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — نقشه‌هایی به فرمت JSON می‌سازد که پیش از اجرای عملیات پارتیشن‌بندی یا بوت‌استرپینگ توسط ابزارهایی مثل pacstrap، اعتبارسنجی می‌شوند.
- مسیر خودبهبود: یک سامانه تریاژ بسته که در صورت شکست در بوت اولیه، مسیر نجات (Rescue Path) را فعال می‌کند.
به گزارش توسعه‌دهندگان، این پروژه از GitHub Actions برای ساخت تصاویر و تأیید آن‌ها در QEMU استفاده می‌کند. با این روش، بار نگهداری از دوش نصاب (Installer) برداشته شده و به مدیران بسته‌های بالادستی و مدل‌های هوش مصنوعی منتقل می‌شود که استک‌های نرم‌افزاری مدرن را رصد می‌کنند.
برای سازندگان سیستم، این یعنی گذار به ماشین‌هایی که در عین شخصی‌سازی، بازتولیدپذیر هستند. با جداسازی «قصد کاربر» (نقشه تولید شده توسط AI) از «اجرا» (فرآیند نصب)، دیگر نیازی به فورک کردن‌های بی‌پایان و پرهزینه توزیع‌های سفارشی نیست.
گام بعدی شما
- مخزن پروژه را در github.com/HappyMonkeyAI/prompt-os بررسی کنید تا روند تکامل تأیید آمادگی مهمان (Guest Readiness) را ببینید.
- اگر از لینوکس‌های مینیمال استفاده می‌کنید، مدل‌های محلی Ollama را برای کاهش وابستگی به APIهای ابری تست کنید.
- بررسی کنید که آیا جداسازی لایه Intent از Execution می‌تواند در سایر ابزارهای اتوماسیون شما کاربرد داشته باشد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید، جایی که همکاری OpenAI و Broadcom برای ساخت تراشه‌های استنتاج ابعادی جدید به سخت‌افزارهای بهینه شده برای مدل‌های زبانی بخشیده است.
گفتگو