تصور کنید یک درخت دایرکتوری در کامپیوتر شما، توسط یک تک فایل باینری نوشته شده به زبان Rust، به یک کلونی زنده از عامل‌های هوش مصنوعی تبدیل شود. meclaw دقیقاً همین است؛ یک سیستم ساخت (Build System) مبتنی بر هستی‌شناسی و قابل بازرسی برای سیستم‌های عامل‌محور (Agentic Systems) که «حلقه عامل» (Agent Loop) سنتی را حذف می‌کند. این سیستم به جای تکیه بر منطق سخت‌کد شده (Hard-coded)، بدنه عملیاتی را به عنوان توپولوژی سیستم فایل در نظر می‌گیرد.
بیشتر چارچوب‌های فعلی عامل‌های هوش مصنوعی بر پایه یک حلقه تکرار کار می‌کنند: سیستم یک مدل را فراخوانی می‌کند، ابزاری را اجرا می‌کند و نتیجه را تا رسیدن به یک شرط توقف، دوباره به مدل برمی‌گرداند. این رویکرد باعث می‌شود توسعه‌دهندگان مجبور باشند یک بدنه عملیاتی (Harness) را به صورت دستی بسازند و هر بار که منطق سیستم با خطا مواجه شود، کل پشته (Stack) را دوباره مستقر (Redeploy) کنند. meclaw در دنیایی وارد شده است که این استقرار دستی، گلوگاه اصلی برای مقیاس‌پذیری سیستم‌های عامل‌محور محسوب می‌شود. این تلاش برای بهینه‌سازی چرخه توسعه، یادآور رویکرد پروژه Firment در حوزه توسعه فریم‌ور است که با یکپارچه‌سازی زنجیره ابزارها سعی در بستن حلقه‌های تکراری توسعه دارد.
تصور کنید اگر مغز هوش مصنوعی شما به جای یک اسکریپت، یک ساختار پوشه‌ای بود. در meclaw، هر پوشه یک «سلول»، هر فایل config.json یک «تعریف» و یال‌های بین پوشه‌ها، مسیرهایی هستند که پیام‌ها از آن‌ها عبور می‌کنند. چون بدنه عملیاتی در سیستم فایل زندگی می‌کند، ابزارهای استاندارد لینوکس مانند ls ،grep ،diff و git به ابزارهای اصلی مدیریت و عیب‌یابی تبدیل می‌شوند. هر تغییر در سیستم قابل مقایسه (Diffable) است و یک عامل می‌تواند توپولوژی خود را با همان واژگان محدودی بازسازی کند که یک انسان استفاده می‌کند.
معماری یک کلونی
بر اساس مستندات فنی، meclaw از سه لایه مجزا تشکیل شده است، هرچند کاربر برای شروع تنها به نصب لایه اول نیاز دارد:
- زیرلایه (Substrate): یک فایل باینری استاتیک برای لینوکس که یک درخت دایرکتوری را به یک کلونی در حال اجرا تبدیل می‌کند. در این لایه، هر پوشه به عنوان یک «اکتور» (Actor) و هر یال به عنوان یک «مسیر» (Route) عمل می‌کند.
- meclaw-os: یک سیستم‌عامل کوچک و آزمایشی برای عامل‌ها که در زمان اجرا روی زیرلایه رشد می‌کند. این لایه قالب‌هایی (Templates) برای سازمان‌ها، افراد و کانال‌های ارتباطی فراهم می‌کند.
- دستیاران (Assistants): این‌ها دیگر استقرارهای نرم‌افزاری پیچیده نیستند، بلکه فایل‌های JSON هستند که درون سیستم‌عامل رشد می‌کنند. یک نسخه کامل از این ساختار (که در مسیر
examples/organismیافت می‌شود) می‌تواند تنها با ۵ فایل از این نوع، یک سازمان کامل و دستیاران آن را ایجاد کند.
نصب این سیستم نیازمند یک فایل باینری و یک کلید API از OpenRouter (مثلاً sk-...) است. فرآیند راه‌اندازی شامل کلون کردن یک تگ نسخه‌ی خاص است تا اطمینان حاصل شود که قالب‌ها با نسخه‌ی باینری مطابقت دارند. برای این کار از دستور git clone --depth 1 --branch "v$(meclaw --version | cut -d' ' -f2)" استفاده می‌شود. پس از پیکربندی با یک مدل مغزی مانند openai/gpt-4o-mini، سیستم به صورت یک دیمون (Daemon) روی یک پورت مشخص، مانند ۷۷۷۷، فعال می‌شود.
رشد عامل‌ها از طریق جهش
افزودن قابلیت‌های جدید به یک کلونی meclaw نیازی به ری‌استارت یا استقرار مجدد ندارد. در عوض، سیستم از «جهش‌ها» (Mutations) استفاده می‌کند؛ فایل‌های JSON (مانند grow.json) که گره‌ها و یال‌های جدید را تعریف می‌کنند. این جهش‌ها از طریق یک درخواست POST به مسیر /colony/mutations در کلونی در حال اجرا اعمال می‌شوند.
این سازوکار به کلونی اجازه می‌دهد در حین اجرا، بدنه عملیاتی خود را بازنویسی کند. برای مثال، یک جهش می‌تواند یک «در»، یک «دیوار آتش» (Firewall) و یک «عامل گفتگو» را از کتابخانه قالب‌ها رشد دهد و ایجاد کند. از آنجایی که این تنها راه افزودن هر چیزی به کلونی است، همین «در» برای خودِ عامل‌ها نیز باز است و آن‌ها می‌توانند سیستم را تغییر دهند.
این رویکرد نیاز به یک SDK اختصاصی یا API پیچیده برای پلاگین‌ها را از بین می‌برد. رابط کاربری سیستم صرفاً بر پایه HTTP و فایل‌ها است. این پروژه شامل ۳۸ قالب آماده است که بدون نیاز به حتی یک خط کد به زبان Rust کار می‌کنند و این موضوع، قابلیت اجرایی بودن این رابط فایل‌محور را اثبات می‌کند.
مدل استدلال «دو مغزی»
meclaw برای جلوگیری از تضاد بین سرعت پاسخ‌دهی و عمق تحلیل، یک تفکیک معماری خاص برای دستیاران خود پیاده کرده است. به جای استفاده از یک مدل واحد برای همه کارها، سیستم دو مغز مجزا را به طور همزمان اجرا می‌کند:
۱. سطح گفتگو (Conversation Surface): یک مدل سریع که تعاملات فوری را مدیریت کرده و به سرعت پاسخ می‌دهد.
۲. هسته استدلال (Reasoning Core): یک مدل عمیق‌تر که وظیفه تفکرات پیچیده و تحلیل‌های سنگین را بر عهده دارد.
هر مغز وظیفه خاص خود را دارد، برای هر نقش یک مغز در نظر گرفته شده و هر کدام منوی ابزار (Tool Menu) مخصوص به خود دارند. نکته حیاتی این است که منوی ابزارها به جای اینکه در پرامپت تایپ شوند، توسط مدل «درخواست» می‌شوند. این تفکیک یک تصمیم در سطح بدنه عملیاتی است و چون این بدنه یک فایل است، می‌توان این معماری را بدون تغییر در کد تغییر داد.
حافظه و هستی‌شناسی
حافظه در meclaw از پنجره زمینه (Context Window) مدل‌های زبانی جدا شده است و این امر اجازه می‌دهد گفتگوها برای هفته‌ها ادامه یابند. مکانیزم «کندوی حافظه» (Memory Hive) از طریق فرآیندهای زیر عمل می‌کند:
- بازیابی بدون مدل (Model-Free Retrieval): سیستم داده‌ها را بدون دخالت LLM می‌نویسد و آن‌ها را طی پنج مرحله (Leg) بدون نیاز به مدل بازیابی می‌کند.
- تثبیت شبانه (Nightly Consolidation): اطلاعات هر شب بازبینی و تثبیت می‌شوند؛ به این صورت که داده‌های جدید جایگزین داده‌های قدیمی می‌شوند اما داده‌های قدیمی حذف نمی‌شوند.
- مونتاژ بودجه‌بندی شده (Budgeted Assembly): پنجره زمینه در هر نوبت گفتگو، بر اساس یک بودجه مشخص از سوابق موجود ساخته و مونتاژ می‌شود.
برای جلوگیری از هرج‌ومرج ناشی از فایل‌های JSON آزاد، meclaw از یک هستی‌شناسی (Ontology) استفاده می‌کند که در واقع یک کاتالوگ تایپ‌شده از اعلان‌هاست. سازنده سیستم بر اساس کتابخانه قالب‌ها طراحی می‌کند و خروجی توسط آن اعتبارسنجی می‌شود. هرگاه کاتالوگ فاقد یک اصطلاح ضروری باشد، سیستم از دستور add_templates برای ثبت یک کلاس جدید در کلونی در حال اجرا استفاده می‌کند. «اپلیکیشن‌ها» ابزار اصلی هستند که هستی‌شناسی از طریق آن‌ها کلمات جدید را می‌آموزد.
امنیت و محدودیت‌ها
به دلیل اینکه سیستم اجازه جهش در زمان اجرا (Runtime Mutation) را می‌دهد، امنیت در سطح کرنل مدیریت می‌شود. meclaw با زبان Rust ساخته شده و منحصراً برای لینوکس محدود شده است تا از ابزارهای خاصی استفاده کند که باعث می‌شود «سندباکسینگ» (Sandboxing) یک ویژگی ذاتی باشد نه یک وعده:
- ایزولاسیون: استفاده از Landlock و فضای نام‌های شبکه (Network Namespaces).
- کنترل منابع: به‌کارگیری cgroup v2 و seccomp برای محدود کردن دسترسی‌ها.
- مدل شکست: بهره‌گیری از مدل امنیتی Fail-closed (بستن تمام دسترسی‌ها در صورت بروز خطا).
در حال حاضر، سلول‌های کد تنها محدود به اجرای Python 3 هستند. این پروژه هنوز برای محیط‌های تولید (Production) بدون نظارت طراحی نشده است. با این حال، توسعه‌دهنده اشاره کرده است که هزینه اجرای یک کلونی تولیدی به‌طور متوسط ۰.۳۲ یورو در روز بوده است که شامل هزینه‌های گفتگو، متدها و پنجره‌های پین‌شده می‌شود.
چشم‌انداز بهبود بازگشتی
سیستم برای بهبود بازگشتی خودکار (Recursive Self-Improvement یا RSI) طراحی شده است، هرچند این قابلیت در حال حاضر برای جلوگیری از «بهبود کور» (Blind RSI) به‌صورت پیش‌فرض غیرفعال است. ابزارهای اولیه تست شده و در سیستم حضور دارند:
- جهش در زمان اجرا: توانایی تغییر سیستم در حالی که در حال اجراست.
- سازنده مانیفست (Manifest Builder): ابزاری که یک «آرزو» یا خواسته را به یک مانیفست اجرایی تبدیل می‌کند.
- تأییدیه (Verification): مکانیزم «نگه داشتن یا بازگشت» (Keep-or-Revert) روی یک پنجره اندازه‌گیری شده و صدور رسید برای هر اقدام.
حلقه کنترلی که اجازه می‌دهد سیستم بدون نظارت خود را بهبود بخشد، وجود دارد اما غیرفعال عرضه شده است. این کار تضمین می‌کند که هیچ چیزی در مخزن کد بدون نظارت انسانی، خودش را بهبود نبخشد.
قرارداد عمومی و پایداری
از آنجایی که پروژه در نسخه ۰.x قرار دارد، meclaw پایداری خود را از طریق ۵ سطح عمومی تضمین می‌کند:
- APIهای HTTP: شامل مسیرهای
/colony/*وPOST /messages. - زبان توصیفی قالب‌ها (Template DSL): طرحواره‌های (Schemas) فایل‌های
template.jsonوconfig.jsonو فرمت‌های Diff جهش‌ها. - پورت‌های قالب: آدرس‌های ورودی و خروجی که در README هر قالب اعلام شده‌اند.
- مبدأ سلول‌های وب (Web Cell Origin): گرامر مسیرها برای
page.set، شامل نام‌های رزرو شده مانند/live/websocketو/@client/*. - کدهای خطا: کدهای Dead-letter و انوم‌های (Enums) خطای نوع سلول.
تغییرات در این سطوح همواره افزایشی (Additive) هستند. هر تغییری که باعث شکست توپولوژی‌های موجود شود، در بخش Breaking در فایل CHANGELOG.md مستند می‌شود. کریت‌های داخلی Rust تضمین SemVer ندارند، زیرا هیچ API عمومی برای کتابخانه meclaw وجود ندارد.
مسیرهای آینده
چشم‌انداز این دستیار از فیلم Her الهام گرفته شده است؛ سیستمی که با آن صحبت می‌کنید و او لیست‌ها، برنامه‌ها و تصاویر را روی نمایشگری نشان می‌دهد که متعلق به کاربر است، نه یک عامل خاص. اگرچه قابلیت صوتی در حال حاضر در نقشه راه (Roadmap) است و هنوز پیاده نشده، اما پنجره‌ای که این تصاویر را رسم می‌کند از پیش وجود دارد.
این تغییر نشان می‌دهد که آینده مقیاس‌پذیری عامل‌ها در پرامپت‌های بهتر نیست، بلکه در زیرساخت‌های بهتری است که عامل‌ها برای سازماندهی وجود خود به آن نیاز دارند. meclaw با تبدیل توپولوژی به یک فایل، منطق داخلی یک عامل هوش مصنوعی را قابل بازرسی، قابل مقایسه و قابل ویرایش توسط انسان‌ها و خودِ عامل‌ها می‌کند. اگر بدنه عملیاتی یک فایل باشد، عامل دیگر زندانی کد اولیه خود نیست.
گام بعدی شما
- اگر توسعه‌دهنده Rust یا Python هستید، مخزن meclaw را کلون کرده و با یک کلید OpenRouter، اولین کلونی کوچک خود را بسازید.
- ساختار
examples/organismرا بررسی کنید تا ببینید چگونه ۵ فایل JSON می‌توانند یک سازمان کامل را شبیه‌سازی کنند. - مدل‌های سریع (مانند GPT-4o-mini) را برای سطح گفتگو و مدل‌های استدلالی را برای هسته تحلیل در تنظیمات تست کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو