تصور کنید یک دستیار دیجیتال داشته باشید که به‌جای پیشنهاد دادن، واقعاً آستین‌ها را بالا بزند و در اپلیکیشن‌های قدیمی شما که هیچ رابط برنامه‌نویسی ندارند، عملیات پیچیده را اجرا کند. nanoMuse که در ۷ اکتبر ۲۰۲۶ منتشر شد، دقیقاً همین کار را می‌کند: تبدیل نمایشگر دستگاه‌های شما به «دست‌هایی» برای تعامل با دنیای دیجیتال. این عامل متن‌باز اکنون می‌تواند گوشی و کامپیوتر شما را کنترل کند و فراتر از پاسخ به سوالات، وظایف را در تمامی دستگاه‌های شما از جمله اندروید، آیفون، آیپد، ویندوز، مک‌او‌اس (macOS) و لینوکس اجرا نماید.
این تحول در حالی رخ می‌دهد که صنعت از مدل‌های زبانی غیرفعال (Passive LLMs) به سمت عامل‌های فعال (Active Agents) حرکت می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی PocketPal AI و توانایی آن در اجرای مدل‌های محلی روی موبایل اشاره کردیم، تمرکز اکنون از استنتاج ساده به ارکستراسیون میان‌دستگاهی تغییر یافته است. nanoMuse دامنه فعالیت را از استنتاج محلی به هماهنگی بین دستگاه‌ها گسترش می‌دهد و پلی است میان مغز ابری و رابط فیزیکی سخت‌افزار شما.
زمینه و اهداف پروژه
این پروژه به عنوان یک عامل شخصی غیرانتفاعی و متن‌باز طراحی شده است. هدف اصلی آن «انجام دادن» است، نه فقط «پاسخ دادن». برخلاف چت‌بات‌های سنتی، nanoMuse برای اجرای عملیات ساخته شده است. این عامل می‌تواند حتی در حالت بسته بودن اپلیکیشن، به کار خود ادامه دهد، روتین‌های شما را مدیریت کرده و اهداف تعیین‌شده را در یک زمان‌بندی مشخص بررسی کند.
یکی از ویژگی‌های متمایز آن، هویت بصری است. کاربر می‌تواند ظاهر عامل خود را توصیف کند تا یک مدل تصویری آن را رسم کرده و یک مدل ویدیویی به آن حرکت ببخشد. برای مثال، حالت پیش‌فرض این عامل یک اژدهای کوچک است. این رویکرد در پردازش بصری و رندرینگ، یادآور پیشرفت‌های اخیر در بهینه‌سازی‌های گرافیکی است؛ مشابه آنچه در انتقال رندرینگ ویدیو به WebGPU توسط Gitframes برای افزایش سرعت اجرا در مرورگرها مشاهده کردیم. همچنین، این سیستم مستقیماً با پیام‌رسان‌های موجود ادغام می‌شود؛ از جمله تلگرام، 飞书 (Feishu)، 钉钉 (DingTalk) و 企业微信 (WeCom).
سازوکار «دست‌های دیجیتال»
طبق مستندات پروژه، اکثر عامل‌های هوش مصنوعی به دلیل محدودیت‌های API عملاً کور هستند. اگر یک اپلیکیشن پورتال توسعه‌دهنده نداشته باشد، عامل قادر به تعامل با آن نیست. nanoMuse این مشکل را با استفاده از خودِ نمایشگر حل می‌کند. در اندروید و پلتفرم‌های دسکتاپ، این عامل اسکرین‌شات می‌گیرد و با عناصر رابط کاربری (UI) تعامل می‌کند تا اقداماتی را انجام دهد که پیش از این برای هوش مصنوعی غیرممکن بود.
در اندروید، این سیستم از یک CLI دسترسی‌پذیری (Accessibility CLI) استفاده می‌کند. در دسکتاپ نیز بر اساس گزارش توسعه‌دهندگان، از نسخه‌ای از UI-TARS-desktop شرکت بایت‌دنس (ByteDance) و ابزار ScreenMarker برای شناسایی اهداف بهره می‌برد. این یعنی عامل می‌تواند در هر پنجره یا اپلیکیشنی پیمایش کند و به‌طور موثری کلیک‌ها و تایپ‌های انسانی را شبیه‌سازی نماید.
قابلیت‌های فنی و عملیاتی
- یکپارچگی ابزارها: این عامل به یک شل لینوکس (Linux shell)، مرورگر وب و سرورها و مهارت‌های MCP (پروتکل زمینهٔ مدل) دسترسی دارد.
- حفاظ‌های ایمنی: سیستم از سیاست «ابتدا بپرس» (Asks first) پیروی می‌کند. عامل پیش از انجام هر اقدامی که غیرقابل‌بازگشت باشد (مانند حذف فایل‌ها، ارسال پیام‌ها یا پرداخت وجه)، متوقف شده و اجازه کاربر را می‌گیرد.
- حضور انسان در چرخه (Human-in-the-Loop): مواردی مانند رمزهای عبور، کدهای تایید، ورود به حساب‌ها و کپچاها به کاربر ارجاع داده می‌شوند تا به‌صورت دستی تایپ شوند؛ پس از تکمیل، عامل وظیفه را از سر می‌گیرد.
- خوراک خودکار: این سیستم می‌تواند هر صبح یک فید شخصی‌سازی‌شده برای کاربر تولید کند.
ارکستراسیون میان‌دستگاهی
nanoMuse از یک سیستم رله (Relay) برای اتصال دستگاه‌های شما استفاده می‌کند. شما می‌توانید با ارسال تگی مثل @Mac در ابتدای یک پیام از طریق گوشی، دستوری را روی کامپیوتر خود اجرا کنید و وظیفه در آنجا اجرا خواهد شد. تاییدیه عملیات حساس — مانند پرداخت‌ها یا حذف داده‌ها — به دستگاهی ارسال می‌شود که در آن لحظه در دست شماست.
معماری فنی و حریم خصوصی
هر دستگاه یک نمونه محلی از عامل را اجرا می‌کند. در اندروید (پشتیبانی از اندروید ۸.۰ به بالا و معماری arm64)، از OpenMinis با لینوکس آلپاین (Alpine Linux) در محیط proot برای ایزوله‌سازی (Sandboxing) استفاده شده است. نسخه دسکتاپ (پشتیبانی از macOS 12+ با تراشه‌های اپل سیلیکون/اینتل و ویندوز ۱۰ به بالا) با DeepSeek Harness و یک محیط اجرای پایتون برای مدیریت قابلیت‌های «دست‌ها» ادغام شده است.
حریم خصوصی ستون اصلی این پروژه است. کاربران می‌توانند رله را با یک اسکریپت ساده داکر (scripts/self-host.sh) به‌صورت شخصی میزبانی کنند تا متن گفتگوها و اسکرین‌شات‌ها هرگز از شبکه خصوصی آن‌ها خارج نشود. در حالی که متن‌ها از طریق رله منتقل می‌شوند، فایل‌ها و اسکرین‌شات‌ها در همان دستگاهی که ایجاد شده‌اند باقی می‌مانند.
حافظه در فایل‌های Markdown قابل ویرایش ذخیره می‌شود. این فایل‌ها حاوی اطلاعاتی است که عامل کیست، چه چیزهایی درباره کاربر می‌داند و چه زمانی باید بیدار شود. این ساختار به کاربران شفافیت کامل و کنترل دستی بر دانش عامل می‌دهد.
انعطاف‌پذیری در مدل‌ها
کاربران به یک ارائه‌دهنده خاص محدود نیستند. nanoMuse از ۱۸ تامین‌کننده مختلف از جمله OpenAI، Gemini، DeepSeek و OpenRouter پشتیبانی می‌کند. همچنین با پلن‌های پولی ChatGPT، Claude و Kimi یکپارچه شده است.
برای کسانی که کلید API ندارند، ورود به سیستم یک سهمیه رایگان از مدل‌ها را روی رله جامعه (Community Relay) فراهم می‌کند که هزینه آن توسط توسعه‌دهنده پرداخت شده است. اگر ارائه‌دهنده انتخابی فاقد قابلیت‌های تصویر یا ویدیو باشد، اپلیکیشن به‌طور خودکار آن ویژگی‌های خاص را غیرفعال کرده و به کاربر اطلاع می‌دهد.
مقایسه با Meta Muse
بر اساس مستندات فنی، nanoMuse در سه مورد حیاتی با Meta Muse و OpenMinis متفاوت است:
۱. محل اجرا: در حالی که Meta Muse برای هر کاربر در یک ماشین مجازی (VM) ابری اجرا می‌شود، nanoMuse روی گوشی، کامپیوتر یا سرور خود کاربر اجرا می‌شود و یک حساب کاربری بین آن‌ها به اشتراک گذاشته می‌شود.
۲. استقلال از API: Meta Muse نمی‌تواند به دستگاه محلی کاربر دسترسی داشته باشد. nanoMuse از نمایشگر به‌عنوان پروکسی برای هر اپلیکیشنی استفاده می‌کند (هرچند این قابلیت در iOS به دلیل محدودیت‌های سیستم‌عامل در دسترس نیست).
۳. لایسنس: nanoMuse تحت لایسنس GPL-3.0-or-later منتشر شده و یک پروژه جامعه غیرانتفاعی است، در حالی که Meta Muse بسته (Closed) است.
به‌روزرسانی‌های اخیر و توسعه
در نسخه‌های اخیر، بهبودهای مهمی صورت گرفته است. نسخه ۰.۱.۴۰ با نام «Clear» مشکل فیلد ورودی آیفون را حل کرد و پاسخ‌های رله را به جملات ساده یا کارت‌ها تبدیل نمود. نسخه ۰.۱.۳۹ با نام «Keys» کاتالوگ ارائه‌دهندگان را به ۱۸ گزینه گسترش داد و نماهای گفتگوهای مربوط به هر حساب را بهبود بخشید. نسخه ۰.۱.۳۸ با نام «Loom» چت‌های جانبی (Side chats) را معرفی کرد که روی دستگاه محلی می‌مانند و یک اپلیکیشن کمکی برای مک جهت مدیریت مجوزهای «دست‌ها» اضافه کرد.
این چرخش به سمت عامل‌های محلی و آگاه از نمایشگر، یعنی «دیوار API» در حال فروپاشی است. برای کاربر عادی، این یعنی هوش مصنوعی بالاخره می‌تواند در یک اپلیکیشن قدیمی سال ۲۰۱۰ که سال‌هاست به‌روز نشده، بلیط هواپیما رزرو کند یا یک جدول را سازماندهی نماید.
برای توسعه‌دهندگان، این پروژه نقشه‌ای برای ساخت «عامل‌های همه‌کاره» (Omni-agents) است که به اکوسیستم‌های شرکتی وابسته نیستند. ترکیب OpenMinis برای موبایل و DeepSeek Harness برای دسکتاپ ثابت کرد که می‌توان دنیای تکه‌تکه سخت‌افزاری را زیر یک هویت متن‌باز متحد کرد.
گام بعدی شما
- دمو مرورگر را در nanomuse.dev تست کنید تا با نحوه تعامل بصری آشنا شوید.
- اگر به حریم خصوصی اهمیت می‌دهید، راهنمای میزبانی شخصی (Self-hosting) را برای استقرار رله روی VPS در کمتر از یک ساعت مطالعه کنید.
- لیست ۱۸ ارائه‌دهنده مدل را بررسی کنید تا بهینه‌ترین مدل را برای نیازهای خود انتخاب نمایید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو