چرا آینده هوش مصنوعی دیگر یک پنجرۀ چت نیست؟

اگر امروز ChatGPT، Claude یا هر چت‌بات هوش مصنوعی دیگری را باز کنید، تقریباً با یک رابط یکسان روبه‌رو می‌شوید؛ یک کادر متن و یک نشانگر چشمک‌زن. شما سؤال می‌پرسید، مدل پاسخ می‌دهد و گفت‌وگو ادامه پیدا می‌کند.

در سه سال گذشته، همین رابط ساده به نماد صنعت هوش مصنوعی تبدیل شده است.

اما واقعیت این است که پنجرۀ چت فقط یک رابط کاربری (GUI) است؛ نه خود هوش مصنوعی.

درست همان‌طور که محیط دسکتاپ ویندوز سیستم‌عامل واقعی نبود، پنجرۀ گفت‌وگو نیز هوش مصنوعی را تشکیل نمی‌دهد. پشت این رابط باید سیستمی وجود داشته باشد که وظایف را زمان‌بندی کند، حافظه را مدیریت کند، ابزارها را فراخوانی کند، چندین عامل را هماهنگ کند و منابع را بین آن‌ها تقسیم کند.

در نسل اول چت‌بات‌ها تقریباً چنین لایه‌ای وجود نداشت. با پایان هر مکالمه، تمام اطلاعات از بین می‌رفت.

امروز اما این لایه در حال شکل‌گیری است و نام مشخصی دارد:

Agent Operating System (سیستم‌عامل عامل‌های هوش مصنوعی)

چرا اصطلاح «سیستم‌عامل» کاملاً درست است؟

ممکن است تصور کنید استفاده از واژۀ «سیستم‌عامل» صرفاً یک اصطلاح بازاریابی باشد. در دنیای نرم‌افزار تقریباً هر فناوری جدیدی در مقطعی «Operating System» نامیده شده است.

اما این بار شباهت کاملاً واقعی است.

همان مشکلاتی که دهه‌ها پیش باعث تولد سیستم‌عامل‌های رایانه شدند، امروز دوباره در دنیای عامل‌های هوش مصنوعی دیده می‌شوند.

در سال ۲۰۲۴ پژوهشگران مقاله‌ای با عنوان AIOS: LLM Agent Operating System منتشر کردند.

آن‌ها نشان دادند تقریباً تمام فریم‌ورک‌های عامل هوش مصنوعی، بارها و بارها یک مجموعه وظایف تکراری را از ابتدا پیاده‌سازی می‌کنند:

• مدیریت Context
• ذخیرۀ حافظه
• فراخوانی ابزارها
• زمان‌بندی وظایف
• مدیریت منابع مدل

در نتیجه:

• مصرف منابع بالا می‌رود.
• عامل‌ها با یکدیگر تداخل پیدا می‌کنند.
• توسعه دشوارتر می‌شود.
• امنیت کاهش می‌یابد.

راهکار پژوهشگران ساده بود:

این مسئولیت‌ها نباید داخل هر Agent باشند؛ بلکه باید در یک «هسته» مشترک قرار گیرند.

معماری AIOS چگونه است؟

در معماری AIOS یک Kernel بین سیستم‌عامل و عامل‌های هوش مصنوعی قرار می‌گیرد.

این Kernel خدمات اصلی زیر را ارائه می‌دهد:

• اجرای مدل‌های زبانی (LLM Core)
• زمان‌بندی وظایف (Scheduler)
• مدیریت پنجرۀ Context
• مدیریت حافظۀ کوتاه‌مدت
• مدیریت حافظۀ دائمی
• مدیریت ابزارها و APIها

عامل‌ها از طریق یک SDK با این Kernel ارتباط برقرار می‌کنند و درخواست‌های خود را مانند System Callهای سیستم‌عامل به آن ارسال می‌کنند.

نتیجۀ این معماری طبق نتایج مقاله:

تا ۲.۱ برابر افزایش سرعت اجرای Agentها نسبت به معماری‌های سنتی.

سیستم‌عامل Agent از چه بخش‌هایی تشکیل شده است؟

اگر نام محصولات مختلف را کنار بگذاریم، تقریباً تمام Agent OSها اجزای مشابهی دارند.

به همین دلیل محصولات مختلف بیش از آنکه رقیب باشند، نسخه‌های متفاوتی از یک ایده هستند؛ دقیقاً همان اتفاقی که سال‌ها پیش میان Unix، Windows و macOS رخ داد.

Hermes Agent؛ نمونه‌ای واقعی از Agent OS

یکی از کامل‌ترین نمونه‌های عملی این مفهوم، Hermes Agent است که توسط Nous Research منتشر شده است.

Hermes یک چت‌بات نیست.

این پروژه برای نصب روی سرور شخصی طراحی شده و می‌تواند به‌صورت دائمی اجرا شود.

مهم‌ترین قابلیت‌های آن عبارت‌اند از:

حافظۀ دائمی

تمام اطلاعات در پوشۀ محلی ذخیره می‌شوند.

Hermes:

• پروژه‌ها را فراموش نمی‌کند.
• ترجیحات شما را به خاطر می‌سپارد.
• با گذشت زمان هوشمندتر می‌شود.

Skills

هر زمان Agent مسئلۀ جدیدی را حل کند، آن راهکار را به یک Skill قابل استفاده مجدد تبدیل می‌کند.

در دفعات بعد دیگر نیازی به حل دوبارۀ همان مسئله نیست.

اجرای موازی

Hermes می‌تواند چندین Sub-Agent را هم‌زمان اجرا کند.

هر Sub-Agent:

• Context مستقل دارد.
• ترمینال مستقل دارد.
• وظیفۀ جداگانه‌ای انجام می‌دهد.

Scheduler داخلی

بدون نیاز به درخواست کاربر می‌تواند:

• گزارش تولید کند.
• نسخه پشتیبان تهیه کند.
• وظایف روزانه را اجرا کند.

دقیقاً مشابه Cron در لینوکس.

Gateway

Hermes از یک لایۀ ارتباطی واحد برای اتصال به سرویس‌هایی مانند:

• Telegram
• Discord
• Slack
• WhatsApp
• Signal
• Command Line

استفاده می‌کند.

مدل هوش مصنوعی دیگر وابسته نیست

یکی از مهم‌ترین ویژگی‌های Hermes این است که وابسته به مدل خاصی نیست.

می‌تواند با:

• GPT
• Claude
• مدل‌های محلی
• OpenRouter
• APIهای سازگار با OpenAI

کار کند.

در یک سیستم‌عامل واقعی نیز سیستم‌عامل اهمیتی نمی‌دهد پردازنده Intel باشد یا AMD.

Agent OS نیز نباید وابسته به یک مدل مشخص باشد.

OpenAI و Anthropic نیز به همین مسیر رسیده‌اند

جالب اینجاست که شرکت‌های بزرگ نیز دقیقاً در حال حرکت به همین سمت هستند.

Anthropic

Anthropic مدت‌هاست Claude را صرفاً یک چت‌بات معرفی نمی‌کند.

امروز ابزارهایی مانند:

• Claude Agent SDK
• Tool Discovery
• Dynamic Tool Execution

در واقع همان اجزای یک سیستم‌عامل هستند.

OpenAI

OpenAI نیز با معرفی:

• AgentKit
• Apps SDK

ChatGPT را از یک پنجرۀ گفت‌وگو به بستری برای اجرای Agentها تبدیل کرده است.

در این معماری، پنجرۀ چت تنها ورودی سیستم محسوب می‌شود.

هسته در پشت آن قرار دارد.

حافظه؛ مهم‌ترین تفاوت Chatbot و Agent OS

اگر تنها یک ویژگی باشد که Agent OS را از Chatbot جدا کند، آن ویژگی Memory است.

چت‌بات‌ها ذاتاً Stateless هستند.

هر جلسه از صفر شروع می‌شود.

اما Agent OSها حافظه را به‌عنوان بخشی از هسته مدیریت می‌کنند.

نمونه‌ها:

• AIOS دارای Memory Manager اختصاصی است.
• Hermes حافظۀ دائمی دارد.
• Claude Memory
• ChatGPT Memory

همگی نشان می‌دهند که حافظه در حال تبدیل شدن به یکی از خدمات اصلی پلتفرم است، نه قابلیتی که هر Agent جداگانه پیاده‌سازی کند.

MCP؛ درایور دنیای Agentها

در سیستم‌عامل‌های سنتی، برنامه‌ها از طریق Driverها با سخت‌افزار ارتباط برقرار می‌کنند.

عامل‌های هوش مصنوعی نیز دقیقاً همین نیاز را دارند.

اگر Agent بخواهد:

• پایگاه داده بخواند
• تقویم را بررسی کند
• وب را جست‌وجو کند
• API فراخوانی کند

نباید برای هر ابزار یک اتصال اختصاصی بنویسد.

اینجاست که Model Context Protocol (MCP) وارد می‌شود.

MCP که توسط Anthropic معرفی شد، یک استاندارد باز برای اتصال Agentها به ابزارها و منابع داده است.

امروزه Claude، ChatGPT و بسیاری از ابزارهای توسعه از MCP پشتیبانی می‌کنند.

به همین دلیل بسیاری MCP را «Driver Model» دنیای Agentها می‌دانند.

معماری کامل Agent OS چگونه است؟

اگر تمام اجزا را کنار هم قرار دهیم، معماری نهایی تقریباً چنین خواهد بود:

1. لایۀ مدل‌ها (Models)
   GPT، Claude، Gemini، Qwen، Llama و سایر مدل‌های زبانی.
2. لایۀ اتصال (Drivers)
   MCP و سایر Connectorها.
3. هستۀ سیستم (Kernel)
   شامل Scheduler، Memory Manager، Context Manager و Tool Manager.
4. لایۀ برنامه‌ها (Applications)
   Skills، Workflowها و Sub-Agentها.
5. رابط کاربری (GUI)
   همان پنجرۀ چت که کاربران هر روز با آن کار می‌کنند.

در این معماری، چت‌بات تنها یکی از رابط‌های کاربری است، نه کل سیستم.

اگر در حال ساخت Agent هستید...

هر Agent جدی دیر یا زود با این چالش‌ها روبه‌رو می‌شود:

• مدیریت Context
• حافظۀ دائمی
• زمان‌بندی وظایف
• مدیریت ابزارها
• اجرای موازی
• ایزوله‌سازی پردازش‌ها

دو انتخاب وجود دارد:

• تمام این زیرساخت را خودتان توسعه دهید.
• از یک Agent Operating System یا Runtime آماده استفاده کنید.

همان‌طور که امروزه تقریباً هیچ توسعه‌دهنده‌ای سیستم‌عامل اختصاصی خود را نمی‌نویسد، احتمالاً در آینده نیز کمتر کسی هسته اختصاصی برای Agentها توسعه خواهد داد.

جمع‌بندی

سه سال گذشته بیشتر توجه صنعت هوش مصنوعی به پنجرۀ چت معطوف بود.

اما اکنون تمرکز از رابط کاربری به زیرساخت منتقل شده است.

Agent Operating System همان لایه‌ای است که وظایف، حافظه، ابزارها، منابع و اجرای عامل‌های هوش مصنوعی را مدیریت می‌کند.

در سال‌های آینده احتمالاً رقابت اصلی نه بر سر بهترین چت‌بات، بلکه بر سر بهترین سیستم‌عامل برای Agentها خواهد بود.

همان‌گونه که در گذشته ویندوز، لینوکس و macOS زیرساخت دنیای رایانه‌های شخصی شدند، Agent OSها نیز می‌توانند به زیرساخت نسل بعدی نرم‌افزارهای هوشمند تبدیل شوند.

پرسش‌های متداول (FAQ)

Agent Operating System چیست؟

Agent Operating System یا سیستم‌عامل عامل‌های هوش مصنوعی، لایه‌ای نرم‌افزاری است که بین مدل‌های زبانی و Agentها قرار می‌گیرد و وظایفی مانند مدیریت حافظه، زمان‌بندی پردازش‌ها، مدیریت ابزارها، ذخیره‌سازی اطلاعات و هماهنگی چندین Agent را بر عهده دارد.

تفاوت Agent OS با Chatbot چیست؟

چت‌بات تنها یک رابط کاربری است که معمولاً پس از پایان گفتگو اطلاعات را فراموش می‌کند. اما Agent OS یک محیط اجرایی دائمی است که حافظه، زمان‌بندی، اجرای موازی و مدیریت ابزارها را در اختیار عامل‌های هوش مصنوعی قرار می‌دهد.

Hermes Agent چیست؟

Hermes Agent یک Agent متن‌باز است که توسط Nous Research توسعه یافته و به‌عنوان نمونه‌ای عملی از یک Agent Operating System شناخته می‌شود. این پروژه از حافظۀ دائمی، Sub-Agentهای موازی، Skillهای قابل استفاده مجدد و زمان‌بندی خودکار وظایف پشتیبانی می‌کند.

MCP چه نقشی در Agent OS دارد؟

Model Context Protocol یا MCP استانداردی برای اتصال Agentها به ابزارها، پایگاه‌های داده، APIها و سرویس‌های خارجی است. همان نقشی که Driverها در سیستم‌عامل‌های سنتی دارند، MCP در معماری Agent OS ایفا می‌کند.

آیا برای ساخت Agentهای حرفه‌ای به Agent OS نیاز است؟

اگر Agent شما تنها یک گفت‌وگوی ساده انجام می‌دهد، الزاماً خیر. اما برای ساخت Agentهای تولیدی (Production) که به حافظه، ابزارهای متعدد، اجرای موازی، وظایف پس‌زمینه و مدیریت منابع نیاز دارند، استفاده از یک Agent OS یا Runtime مشابه، توسعه را ساده‌تر، پایدارتر و مقیاس‌پذیرتر می‌کند.

در حال ساخت AI Agent هستید؟

معماری‌های مدرن مانند Agent Operating System به‌صورت ذاتی باید Model Agnostic باشند؛ یعنی بتوانند بدون وابستگی به یک مدل خاص، بین چندین مدل هوش مصنوعی جابه‌جا شوند.

درواره این لایه را برای شما فراهم می‌کند.

با API درواره می‌توانید تنها با یک Endpoint و یک API Key به بیش از ۴۵۰ مدل هوش مصنوعی از شرکت‌هایی مانند OpenAI، Anthropic، Google، xAI، DeepSeek، Qwen، Meta، Mistral و ده‌ها ارائه‌دهندۀ دیگر متصل شوید.

چه در حال ساخت یک AI Agent باشید، چه یک سیستم چندعاملی (Multi-Agent System)، ابزار برنامه‌نویسی هوشمند یا یک Agent Operating System، درواره زیرساختی ساده، پایدار و سازگار با OpenAI API در اختیار شما قرار می‌دهد تا روی منطق Agentها تمرکز کنید، نه مدیریت مدل‌ها.

همین حالا رایگان شروع کنید و اولین Agent خود را با API درواره بسازید. 🚀

مقالات مرتبط

1. MCP چیست؟ آشنایی کامل با Model Context Protocol و کاربرد آن در Agentهای هوش مصنوعی
2. Agent هوش مصنوعی چیست؟ تفاوت AI Agent با Chatbot و دستیارهای هوشمند
3. OpenAI Compatible API چیست و چرا اهمیت دارد؟
4. بهترین فریم‌ورک‌های توسعه AI Agent در سال ۲۰۲۶