اگر از کپی-پیست کردن مداوم کدها بین مرورگر و محیط توسعه خسته شده‌اید، زمان آن رسیده که هوش مصنوعی را مستقیماً به ترمینال خود منتقل کنید. در ۱۸ آوریل ۲۰۲۶، یک مهندس ارشد با ۲۰ سال تجربه توضیح داد که چگونه استقرار Hermes (محصول Nous Research) در محیط لینوکس، سرعت توسعه‌ی او را به‌طور بنیادین تغییر داده است.
طبق گزارش وب‌سایت dev.to، این عامل (Agent) — شبیه به یک کارآموز فعال که به‌جای گوش دادن به دستورات، خودش دست به کیبورد می‌زند و کد می‌زند — با نوشتن کد، کامپایل آن و تحلیل خروجی‌ها به‌صورت لحظه‌ای عمل می‌کند. این رویکرد در واقع گامی عملی در مسیر گذار از ابزارهای هوش مصنوعی به یک سیستم‌عامل شخصی است که در آن مدل‌ها مستقیماً با زیرساخت سیستم تعامل دارند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دسترسی مستقیم مدل به سیستم‌فایل ریسک‌های امنیتی دارد، اما در مقابل، شکاف «ناهمزامانی» در دستیارهای کدنویسی را از بین می‌برد.
بر اساس مستندات این تجربه، برخلاف بات‌های معمولی که فقط قطعاتی از کد را پیشنهاد می‌دهند، یک عامل یکپارچه با ترمینال به مدیریت بسته‌ها و سیستم‌فایل دسترسی کامل دارد و محیط توسعه را به عنوان یک حلقه بازخورد زنده می‌بیند. این مهندس با استفاده از Hermes سه نبرد فنی را پیروز شد:
- مسدود شدن صدای PWA: عامل با تحلیل درخواست‌های شبکه، یک باگ مسیردهی دوگانه (assets/assets/audio/...) را در اپلیکیشن Flutter Web شناسایی و رفع کرد تا پخش صدا با توکن‌های مرورگر همگام شود.
- اختلال در منطقه زمانی: مدل محاسبات تاریخ و زمان را در بک‌اند پایتون و فرانت‌اند دارت به UTC واحد کرد تا خطاهای ۲۳ یا ۲۵ ساعته ناشی از تغییر ساعت تابستانی حذف شود.
- ابزارهای لینوکس: Hermes لاگ‌های کامپایلر CMake را تحلیل کرد تا بسته‌های توسعه GStreamer که برای یک اپلیکیشن دسکتاپ با زبان Go در اوبونتو حیاتی بودند را شناسایی کند.
این رویکرد، نقش هوش مصنوعی را از یک «تولیدکننده قطعه‌کد» به یک «شریک اجرایی» تغییر می‌دهد. هدف اصلی اینجا نه کاهش حجم کدنویسی، بلکه کاهش زمان بین مشاهده خطای کامپایلر و تایید اصلاحیه است. این تغییر دیدگاه یادآور این بحث است که چرا در عصر هوش مصنوعی، رویکردهای غیرمتعارف در کدنویسی یا حتی «کد کثیف» می‌تواند به دلیل سرعت بالای اصلاحات توسط AI، به یک مزیت تبدیل شود.
گام بعدی شما
- بررسی کنید آیا زنجیره ابزارهای AI شما اجازه اجرای مستقیم در ترمینال را می‌دهد یا همچنان مدل‌ها را در محیط‌های ایزوله (Sandbox) نگه داشته‌اید.
- برای شروع، مدل‌های وزن‌های باز (Open Weights) — یعنی مدل‌هایی که دستور پختشان علناً منتشر شده — را در محیط‌های کنترل‌شده آزمایش کنید. برای نمونه، استقرار محلی مدل‌هایی نظیر Qwen3-Coder با استفاده از Ollama می‌تواند راهکاری مناسب برای حفظ حریم خصوصی و کاهش هزینه‌ها باشد.
- جریان‌های کاری تکراری در لینوکس را شناسایی کرده و برای اتوماسیون آن‌ها با عامل‌های محلی برنامه‌ریزی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک نیازهای پردازشی این مدل‌ها به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو