تصور کنید به جای نوشتن صدها خط کد پیچیده برای تعریف رفتار یک عامل، صرفاً یک فایل تنظیمات بنویسید که دقیقاً توصیف کند این عامل چه کسی است و چه ابزارهایی دارد. این همان ایده‌ی Kastor است؛ ابزاری که منطق زیرساخت به‌عنوان‌کد (Infrastructure as Code) را به دنیای توسعه‌ی عامل‌های هوش مصنوعی می‌آورد.
بسیاری از عامل‌های فعلی در چارچوب‌های خاصی مثل LangGraph یا رابط‌های بسته OpenAI اسیر شده‌اند. طبق گزارش‌های فنی، این وضعیت باعث ایجاد مشکل «منبع واحد حقیقت» می‌شود؛ یعنی وقتی تغییری در رفتار عامل ایجاد می‌کنید، ردیابی و بازگشت به نسخه‌های قبلی دشوار است. Kastor با معرفی فایل‌های .agent و .tool و .prompt که با زبان HCL (زبان پیکربندی هشیکورپ) نوشته می‌شوند، تنظیمات عامل‌ها را قابل بازبینی و نسخه‌مند می‌کند.
بر اساس مستندات گیت‌هاب این پروژه، این ابزار که در ۸ جولای ۲۰۲۶ به‌عنوان یک اثبات مفهوم (Proof of Concept) عرضه شد، دو گردش‌کار اصلی دارد:
- Kastor Build: تبدیل توصیفات деклараاتیو به پروژه‌های اجرایی؛ مثلاً تبدیل یک توصیف ساده از «عامل هواشناسی» به یک پروژه کامل در LangGraph.
- Kastor Plan/Apply: تطبیق وضعیت فعلی عامل با کد منبع با استفاده از فایل‌های وضعیت (State files) برای شناسایی هرگونه انحراف یا Drift.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی استانداردسازی ابزارهای هوش مصنوعی اشاره کردیم، جداسازی منطق از اجرا یک ضرورت است. این رویکرد با تلاش‌هایی نظیر مدیریت مهارت‌های عامل در سیستم‌های محلی از طریق mistral.rs هم‌سو است تا انعطاف‌پذیری بیشتری به توسعه‌دهندگان بدهد. Kastor برای همین هدف با پروتکل زمینهٔ مدل (MCP) — که مثل یک مترجم استاندارد، ابزارهای مختلف را به مدل متصل می‌کند — یکپارچه شده است. به نقل از مستندات پروژه، برای مثال یک عامل هواشناسی می‌تواند از ابزار web_search که روی یک سرور MCP میزبانی شده، استفاده کند.
برای توسعه‌دهنده، این تغییر یعنی گذار از «کدنویسی یک رفتار» به «توصیف یک وضعیت». با این روش، تیم‌ها می‌توانند بدون بازنویسی کل منطق، چارچوب‌های زیربنایی یا پلتفرم‌های استقرار را عوض کنند. این رویکرد با اجبار به دترمینیستم در تولید کد، بدهی فنی را کاهش می‌دهد و با هر عامل نه به عنوان یک اسکریپت، بلکه به عنوان یک قطعه از زیرساخت مدیریت‌شده نگاه می‌کند. این نگاه زیرساختی، یادآور رویکردی است که Kognita با تبدیل لایه‌ی دانش به APIهای مدیریت‌شده برای ساده‌سازی خط لوله‌های مهندسی به کار گرفت.
کاربران اکنون می‌توانند این ابزار را از طریق Homebrew یا Go 1.26+ نصب کنند تا مثال‌های ساده‌ای مثل زمان‌بندی محتوا را اجرا نمایند.
گام بعدی شما
- اگر از LangGraph یا OpenAI Assistants خسته شده‌اید، فایل‌های HCL را برای تعریف ساختار عامل خود امتحان کنید.
- مستندات MCP را مطالعه کنید تا متوجه شوید چگونه ابزارهای خود را مستقل از مدل تعریف کنید.
- منتظر انتشار نسخه v0 باشید که مدیریت فایل‌های وضعیت محلی و استقرار مستقیم در AWS و Azure را ممکن می‌کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو