تصور کنید یک برنامه‌نویس به جای طراحی دقیق هر گام از یک اتوماسیون، تنها یک بذر می‌کارد و تماشا می‌کند که هوش مصنوعی چگونه ابزارهای مورد نیازش را خودش می‌سازد. این دقیقاً همان اتفاقی است که در پروژه Seed رخ می‌دهد؛ جایی که کنترل از دست معمار خارج و به دست باغبان می‌افتد.
به نقل از مستندات این پروژه، یک فایل پایتون ساده به نام seed.py اجازه می‌دهد یک عامل (Agent) — شبیه به کارمندی که هم فکر می‌کند و هم دسترسی به ابزار دارد — قابلیت‌هایش را از صفر رشد دهد. این رویکرد که در ۲۱ اوت ۲۰۲۶ منتشر شد، مجموعه‌های ابزار پیش‌ساخته را با یک حلقه ساده جایگزین می‌کند که مدل زبانی را به یک ابزار اجرای bash متصل می‌کند.
بیشتر عامل‌های مدرن برای مدیریت حافظه و مهارت‌ها به فریم‌ورک‌های صلب تکیه می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، وابستگی به ساختارهای پیچیده اغلب نقاط ضعف امنیتی ایجاد می‌کند. Seed اما از استعاره زیست‌شناختی استفاده می‌کند؛ یعنی همان‌طور که یک نهال برای بقا باید ریشه‌هایش را خودش رشد دهد، این عامل هم باید ابزارها و قراردادهای خود را در دایرکتوری /self بنویسد تا در جلسات بعدی به آن‌ها دسترسی داشته باشد. این رویکرد خودگردان، چالش‌های جدیدی در زمینه مدیریت منابع ایجاد می‌کند؛ موضوعی که در بررسی سیستم Wattage برای شناسایی نقاط اتلاف توکن در عامل‌ها به آن پرداختیم.
بر اساس بررسی مخزن github.com، این سامانه از مکانیزم‌های زیر بهره می‌برد:
- راه‌اندازی (Bootstrapping): در اولین اجرا، منطق هسته کپی شده و یک فایل
SELF.mdدر یک مخزن git تازه ایجاد می‌شود. این تکیه بر تاریخچه گیت برای مدیریت هویت عامل، یادآور سیستم us-vs-them است که برای تفکیک نویسندگی انسان و هوش مصنوعی از ساختار مشابهی بهره می‌برد. - پایداری (Persistence): هر آنچه عامل باید به خاطر بسپارد باید در پوشه
/selfنوشته شود، زیرا جلسات به‌صورت پیش‌فرض موقتی هستند. - ثبت وقایع (Flight Recording): هر نوبت گفتگو به صورت یک فایل JSON در
self/sessions/ذخیره می‌شود تا عامل بتواند بعداً ابزارهایی برای تحلیل آن‌ها بسازد. - انعطاف‌پذیری مدل: این سیستم از کتابخانه llm اثر سایمون ویلیسون استفاده می‌کند و به‌صورت پیش‌فرض روی gpt-5.6-sol تنظیم شده است، اما از Gemini 2.5 Pro و Anthropic نیز پشتیبانی می‌کند.
این تغییر، صنعت را از مهندسی پرامپت (Prompt Engineering) — که مثل هنر سؤال درست پرسیدن از یک مشاور باتجربه است — به سمت «تکامل عامل‌محور» می‌برد. اثر ثانویه این است که دو عامل که از یک بذر یکسان شروع شده‌اند، بر اساس تجربیات منحصربه‌فرد و ابزارهایی که برای خود می‌نویسند، به دو شخصیت کاملاً متفاوت تبدیل می‌شوند. برای تضمین پایداری در چنین محیط‌های پویا، برخی رویکردها مانند جداسازی هر خط لوله AI در یک پردازش مستقل توسط RocketRide پیشنهاد شده‌اند تا از تداخلات احتمالی جلوگیری شود.
گام بعدی شما
- با اجرای دستور
uvx --from git+https://github.com/vivekhaldar/seed.git seedدر یک دایرکتوری جدید، عامل خود را راه‌اندازی کنید. - تغییرات پرامپت سیستمی (System Prompt) را رصد کنید تا ببینید عامل چگونه خود را با گردش کار شما تطبیق می‌دهد.
- سعی کنید به عامل مأموریتی بدهید که نیاز به ساخت یک ابزار جدید برای تحلیل فایل‌های محلی داشته باشد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو