تصور کنید یک برنامه‌نویس یا مهندس CAD باشید که مجبور است برای اجرای یک تسک، مدام بین سه رایانه مختلف جابه‌جا شود. حالا با YourHand، شما می‌توانید از طریق یک پنجره چت واحد، به چندین دستگاه ویندوزی دستور بدهید و آن‌ها را هم‌زمان مدیریت کنید. در حالی که کاربران به‌طور سنتی مجبور بودند برای اجرای وظایف استدلال‌شده توسط هوش مصنوعی، به‌صورت دستی بین ماشین‌ها جابه‌جا شوند، YourHand اکنون امکان می‌دهد یک چت واحد هوش مصنوعی به‌طور هم‌زمان روی چندین کامپیوتر فیزیکی ویندوزی عملیات را اجرا کند.
این لایه کنترلی متن‌باز که در ۷ اکتبر ۲۰۲۶ منتشر شد، اصطکاک مدیریت چنددستگاهی را از بین می‌برد. طبق گزارش توسعه‌دهنده این پروژه در وب‌سایت dev.to، اکثر دستیارهای هوش مصنوعی فعلی در تب‌های مرورگر یا محیط‌های تک‌جلسه‌ای زندانی شده‌اند؛ آن‌ها می‌توانند به شما بگویند چگونه یک سرور را تعمیر کنید یا یک فایل را باز کنید، اما نمی‌توانند واقعاً دستشان را به درون سیستم‌عامل شما ببرند و آن را اجرا کنند.
YourHand این وضعیت را تغییر می‌دهد. این ابزار با استفاده از مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — چندین دستگاه ویندوزی را به عنوان منابع صریح متصل به یک حساب کاربری می‌بیند و اجازه می‌دهد گفتگوها، ماشین‌های خاصی را با نامشان هدف قرار دهند.
مشکل: «شکاف دستی»
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های عامل‌محور اشاره کردیم، دسترسی مستقیم به سیستم‌عامل همواره یک چالش امنیتی است. در دنیای واقعی، کارهای حرفه‌ای روزمره اغلب بین چندین ماشین ویندوزی پخش شده‌اند که هر کدام اپلیکیشن‌ها، فایل‌ها، جلسات (Sessions) و حجم‌های کاری متفاوتی دارند. در حالی که یک دستیار معمولی فقط دستورالعمل می‌دهد، کاربر همچنان باید هر مرحله را به‌صورت دستی روی سخت‌افزارهای مختلف اجرا کند.
پروژه YourHand هدفش حذف این شکاف دستی و یکپارچه کردن تعاملات است. برای مثال، کاربر می‌تواند به هوش مصنوعی بگوید: «برنامه Revit را در PC-075 باز کن و بررسی کن آیا پروژه در حال اجرا است» و بلافاصله اضافه کند: «حالا کروم را در BeDo-Tower باز کن و آخرین بیلد را تست کن». در اینجا هوش مصنوعی بدون از دست دادن بستر (Context) ماشین اول، روی ماشین دوم عمل می‌کند.
معماری سیستم
بر اساس مستندات فنی پروژه، معماری این سیستم بر یک پشته چندلایه استوار است. این ساختار کلاینت‌های هوش مصنوعی را به یک صفحه کنترل (Control Plane) متصل می‌کند که هویت و مسیریابی را مدیریت کرده و سپس با عامل (Agent)های سبک‌وزنی که روی هر ماشین ویندوزی نصب شده‌اند، ارتباط برقرار می‌کند.
مسیر کامل عملیات به این صورت است: کلاینت هوش مصنوعی $ \rightarrow $ پلاگین YourHand MCP $ \rightarrow $ صفحه کنترل $ \rightarrow $ مسیریاب قابلیت‌ها $ \rightarrow $ عامل ویندوز $ \rightarrow $ سیستم‌عامل/مرورگر/رابط کاربری (UI)/فایل‌ها/دستورات.
صفحه کنترل در واقع مغز مرکزی است که مالکیت دستگاه‌ها، اشتراک‌گذاری، مسیریابی و هماهنگی درخواست‌ها را بر عهده دارد. در مقابل، عامل ویندوز به‌گونه‌ای طراحی شده که در پس‌زمینه به‌طور بی‌صدا اجرا شود تا کاربر نیازی به باز نگه داشتن پنجره ترمینال برای حفظ قابلیت کنترل نداشته باشد.
قابلیت‌های عامل (Agent)
این عامل‌ها قابلیت‌های مشخصی را به هوش مصنوعی می‌دهند تا بتواند با محیط دسکتاپ تعامل داشته باشد:
- کنترل رابط کاربری (UI): ورودی کیبورد و موس، مدیریت پنجره‌ها و اپلیکیشن‌ها، و مشاهده صفحه.
- دسترسی سیستمی: دستکاری سیستم فایل‌ها و اجرای دستورات سیستمی.
- یکپارچگی با مرورگر: کنترل مستقیم صفحات وب از طریق پروتکل CDP (Chrome DevTools Protocol).
- تله‌متری: ردیابی لحظه‌ای وضعیت سلامت دستگاه و تأخیر در اجرا.
مسیریاب قابلیت‌ها (Capability Router)
یکی از کلیدی‌ترین بخش‌های این سیستم، «مسیریاب قابلیت‌ها» است. توسعه‌دهنده YourHand دریافته است که اتوماسیون دسکتاپ نباید به یک تکنیک واحد وابسته باشد. یکی از بزرگ‌ترین درس‌های توسعه این بود که اتوماسیون نباید شکننده باشد. به‌جای اینکه «کلیک روی این دکمه» را یک دستور ساده و واحد ببیند، سیستم تسک را به بهینه‌ترین و پایدارترین مسیر می‌فرستد:
- APIهای مستقیم: برای حداکثر پایداری از APIهای سیستم‌عامل یا اپلیکیشن استفاده می‌کند.
- CDP مرورگر: مخصوص زمانی که هدف نهایی یک صفحه وب است.
- اتوماسیون معنایی: استفاده از Windows UI Automation برای شناسایی عناصر.
- تعامل مبتنی بر پیکسل: ورودی‌های پیش‌زمینه به عنوان یک جایگزین (Fallback).
- بازگشت به بینایی (Vision): تنها زمانی که رابط کاربری به‌صورت معنایی قابل شناسایی نیست، از تحلیل تصویری استفاده می‌شود.
این رویکرد باعث می‌شود سیستم بسیار استوارتر از مدل‌هایی باشد که صرفاً به اسکرین‌شات و حرکت کورکورانه نشانگر موس تکیه می‌کنند.
امنیت و دسترسی چنددستگاهی
امنیت در این پروژه از طریق ورود با گوگل و مجوزهای OAuth مدیریت می‌شود. این یعنی کاربر مجبور نیست رمز عبورهای ارائه‌دهنده هوش مصنوعی یا توکن‌های طولانی‌مدت را به‌صورت سخت‌افزاری (Hard-code) در عامل دسکتاپ ذخیره کند. جداسازی دسترسی‌ها سخت‌گیرانه است: کلاینت اجازه فراخوانی YourHand را دارد، YourHand تصمیم می‌گیرد کدام دستگاه‌ها در دسترس حساب کاربری باشند و عامل ویندوز فقط کارهای مسیریابی شده از صفحه کنترل را می‌پذیرد.
پشتیبانی از چنددستگاهی یک اولویت اصلی و پیش‌فرض بود. برخلاف ابزارهایی که فرض می‌کنند هر ماشین فقط یک جلسه (Session) دارد، YourHand اجازه می‌دهد یک عامل نصب باشد اما دسترسی برای چندین حساب مجاز باز شود. این یعنی یک عضو تیم می‌تواند بدون نیاز به نصب عامل دوم و ایجاد تداخل، به دستگاهی دسترسی پیدا کند.
مشاهده‌پذیری و قابلیت اطمینان
اتوماسیون دسکتاپ اغلب به شکل‌های «نامنظم» شکست می‌خورد؛ مثلاً پنجره‌ای بین مرحله شناسایی و ورودی ناپدید می‌شود، یا یک دستگاه با یک سوکت قدیمی (Stale Socket) دوباره متصل می‌شود. برای حل این مشکل، تله‌متری برای ردیابی موفقیت/شکست، متدهای اجرا، تأخیر، تعداد تلاش‌های مجدد و سلامت دستگاه اضافه شده است.
این قابلیت مشاهده (Observability) به توسعه‌دهنده اجازه می‌دهد تفاوت بین انواع مختلف خطاها را تشخیص دهد: خطاهای مسیریابی، خطاهای UI، خطاهای انتقال (Transport) و خطاهای اپلیکیشن. بدون این سیستم، هر خطا صرفاً به این صورت دیده می‌شد که «هوش مصنوعی جای اشتباهی را کلیک کرد».
اگرچه پروژه در حال حاضر در نسخه بتا است، اما به عنوان یک زیرساخت مقیاس‌پذیر طراحی شده نه یک دموی ساده. تمرکز فعلی روی سه محور است: پایداری (کاهش فرض‌های شکننده UI)، سرعت (اولویت APIها بر اسکرین‌شات‌ها) و گردش‌کارهای چنددستگاهی. همچنین فرآیند ورود کاربران برای کسانی که با سرورهای پروتکل زمینه مدل (MCP) آشنا نیستند، در حال بهینه‌سازی است.
اگر مجموعه‌ای از ماشین‌های ویندوزی را مدیریت می‌کنید یا از نرم‌افزارهای سنگین بومی مثل CAD یا IDEها استفاده می‌کنید، این پل ارتباطی آخرین شکاف دستی در گردش‌کار هوش مصنوعی را پر می‌کند. اما چالش بزرگ‌تر و مانع بعدی، تعیین این موضوع است که کاربران چقدر حاضرند به یک هوش مصنوعی با دسترسی کامل در سطح سیستم‌عامل در کل سخت‌افزارشان اعتماد کنند. این نگرانیات در حالی مطرح می‌شود که برخی روش‌ها برای دور زدن حفاظ‌های امنیتی چت‌بات‌ها شناسایی شده‌اند که ریسک‌های امنیتی دسترسی‌های سطح سیستم را دوچندان می‌کند.
گام بعدی شما
- اگر توسعه‌دهنده هستید، مستندات MCP را مطالعه کنید تا متوجه شوید چگونه ابزارهای خود را به مدل‌های زبانی متصل کنید.
- برای تست YourHand، ابتدا یک محیط ایزوله (Sandbox) ایجاد کنید تا دسترسی‌های سطح سیستم‌عامل را در محیط امن آزمایش کنید.
- بررسی کنید کدام بخش از گردش‌کار شما نیاز به جابه‌جایی بین ماشین‌های مختلف دارد و آیا YourHand می‌تواند آن را خودکار کند.
به تحلیل ما درباره‌ی حفاظ‌های امنیتی در عامل‌های هوش مصنوعی مراجعه کنید تا درک بهتری از مدیریت دسترسی‌های سطح سیستم داشته باشید.
گفتگو