تصور کنید عامل‌های هوش مصنوعی شما کد می‌نویسند، اما شما برای اینکه سرورتان منفجر نشود، درگیر جنگ با Redis و Docker هستید. این اتوماسیون در سطح کدنویسی، یادآور رویکرد oproxy در هوشمندسازی دیباگ و شبیه‌سازی شبکه‌هاست که در آن هوش مصنوعی جایگزین اسکریپت‌های پیچیده می‌شود. Tako VM دقیقاً برای حذف همین درگیری‌های زیرساختی طراحی شده است.
اجرای کدها در یک محیط ایزوله (Sandbox) — شبیه به اتاقک‌های آزمایشگاهی است که هیچ ماده خطرناکی از آن‌ها بیرون نمی‌رود — اکنون به مرحله‌ای رسیده که مدیریت چرخه حیات کد مهم‌تر از خودِ ایزولاسیون است. همان‌طور که در تحلیل قبلی ما درباره‌ی محیط‌های اجرای امن اشاره کردیم، صنعت از کانتینرهای ساده به سمت سیستم‌های مدیریت کامل حرکت می‌کند. در همین راستا، تلاش برای بهینه‌سازی سرعت پاسخ‌دهی در این محیط‌ها منجر به ظهور ابزارهایی نظیر پروژه jhansi.io شد که تأخیرهای طولانی بوت‌آپ در محیط‌های اجرای کد AI را هدف قرار داده است. مدیریت هزاران درخواست همزمان در این محیط‌ها، شبیه به داشتن یک سیستم مدیریت ناوگان خودرو به‌جای اجاره تک‌تک ماشین‌هاست.
Tako VM در ۷ ژوئن ۲۰۲۶ عرضه شد و رویکرد «فقط سندباکس» در ابزارهایی مثل e2b را به چالش کشید. به نقل از مستندات گیت‌هاب این پروژه، قابلیت‌های کلیدی آن عبارتند از:
- ایزولاسیون داکر (Docker isolation) با پشتیبانی از gVisor و فیلترهای seccomp برای امنیت حداکثری.
- استفاده داخلی از PostgreSQL برای ذخیره تاریخچه اجرا، خروجی‌ها و زمان‌بندی‌ها.
- ادغام صف‌های کاری (Job Queues) — شبیه به سیستم نوبت‌دهی بانک که درخواست‌ها را منظم می‌کند — برای حذف نیاز به Redis یا Celery.
- ایزولاسیون شبکه به‌صورت پیش‌فرض با امکان تعریف لیست‌های مجاز.
- قابلیت استقرار کامل روی سیستم‌های کاربر با پایتون ۳.۹ به بالا.
طبق گزارش‌های فنی، این تغییر برای توسعه‌دهندگان به معنای حذف ساعت‌ها «لوله‌کشی» زیرساختی است. وقتی صف، دیتابیس و محیط ایزوله تنها با یک دستور pip install آماده شوند، زمان استقرار یک عامل کدنویس از چند روز به چند دقیقه کاهش می‌یابد. در واقع، تمرکز از «چگونه امن اجرا کنیم» به «عامل من واقعاً چه چیزی بسازد» تغییر می‌کند، در حالی که هزینه هر بار اجرا صفر باقی می‌ماند.
گام بعدی شما
- بررسی مستندات API در گیت‌هاب برای درک نحوه اتصال عامل‌ها.
- تست دستور
tako-vm serverدر محیط محلی برای ارزیابی سرعت استنتاج. - بررسی اثر این ابزار بر رشد عامل‌های هوش مصنوعی محلی (Local-first) که بر حاکمیت داده تأکید دارند.
اما این تازه شروع ماجراست؛ بررسی اینکه چگونه این مدل روی سخت‌افزارهای لبه اجرا می‌شود، موضوع گزارش بعدی ماست.
گفتگو