از Paperclip و OpenClaw تا Hermes و Ouroboros؛ پروژههای Open Source جدید در حال تغییر مفهوم AI Agent هستند
تا همین چند سال پیش، بخش بزرگی از تجربه ما از هوش مصنوعی به چتکردن با یک مدل زبانی محدود میشد؛ سؤال میپرسیدیم و پاسخ میگرفتیم. اما در سال ۲۰۲۶، پروژههای جدیدی در حال تغییر این مدل هستند. تمرکز بسیاری از توسعهدهندگان دیگر فقط روی ساخت مدلهای بزرگتر نیست، بلکه روی ساخت Agentهایی است که بتوانند کار واقعی انجام دهند.
در این میان، چند پروژه Open Source بیش از بقیه جلب توجه کردهاند.
Paperclip؛ وقتی Agentها تبدیل به یک سازمان میشوند
Paperclip یکی از عجیبترین پروژههای جدید در حوزه AI Agent است. ایده اصلی آن ساخت محیطی برای مدیریت مجموعهای از Agentهای هوش مصنوعی است؛ Agentهایی که میتوانند نقشهای مختلفی مانند مدیر، برنامهنویس، طراح یا بازاریاب داشته باشند.
Paperclip مفاهیمی مانند وظیفه، بودجه، ساختار سازمانی، تأیید عملیات و گزارش فعالیت را وارد دنیای Agentها میکند.
به زبان ساده، اگر یک AI Agent را بتوان یک «کارمند» در نظر گرفت، Paperclip تلاش میکند محیطی شبیه «شرکت» برای این کارمندها بسازد.
همین ایده باعث شده Paperclip به یکی از پروژههای قابلتوجه موج جدید AI-native software تبدیل شود.
OpenClaw؛ یک Agent که روی سیستم شما زندگی میکند
OpenClaw رویکرد متفاوتی دارد. این پروژه یک Agent شخصی است که میتواند روی سیستم یا سرور کاربر اجرا شود و به سرویسهایی مانند Telegram، WhatsApp، Discord و Slack متصل شود.
نکته مهم OpenClaw این است که Agent صرفاً یک پنجره چت نیست. میتواند با ابزارهای مختلف کار کند، اطلاعات را نگه دارد و برای انجام وظایف مختلف از محیط اجرای واقعی استفاده کند.
ترکیب OpenClaw با پروژههایی مانند Paperclip حتی جالبتر میشود؛ جایی که OpenClaw میتواند نقش یک Worker را داشته باشد و Paperclip مدیریت سازمانی Agentها را بر عهده بگیرد.
Hermes Agent؛ وقتی حافظه و یادگیری مهم میشوند
Hermes Agent ساخته Nous Research است و یکی از تمرکزهای اصلی آن، حافظه و یادگیری بین Sessionهای مختلف است.
یک مشکل رایج Agentها این است که با پایان یک Session، بخش زیادی از تجربه قبلی از بین میرود. Hermes تلاش میکند این مشکل را با حافظه دائمی و سیستم Skill حل کند.
Agent میتواند از تجربههای قبلی خود Skill ایجاد کند و در ادامه از آنها استفاده کند.
البته «یادگیری» در اینجا به معنی یادگیری انسانی یا خودآگاهی نیست. موضوع اصلی، ذخیره و استفاده مجدد از تجربه برای بهبود عملکرد Agent در وظایف بعدی است.
همین موضوع یکی از چالشهای مهم نسل بعدی Agentهاست: چگونه میتوان تشخیص داد که یک Agent واقعاً بهتر شده یا فقط اطلاعات بیشتری ذخیره کرده است؟
Ouroboros؛ Agentی که میتواند خودش را تغییر دهد
Ouroboros یکی از غیرمعمولترین پروژههای این فهرست است. این پروژه روی مفهوم Self-Modifying Agent تمرکز دارد.
طبق طراحی پروژه، Agent میتواند علاوه بر انجام وظایف معمول، بخشهایی از implementation، ابزارها، Promptها و ساختار خودش را نیز تغییر دهد.
این ایده را نباید با «خودآگاهی هوش مصنوعی» اشتباه گرفت. صحبت درباره نرمافزاری است که اجازه دارد تحت شرایط مشخص بخشی از کد یا معماری خودش را تغییر دهد.
چنین سیستمی اگر به شکل قابلکنترل توسعه پیدا کند، میتواند یکی از مسیرهای جالب برای ساخت Agentهای تطبیقپذیر باشد؛ البته هرچه اختیار Agent برای تغییر خودش بیشتر شود، مسئله امنیت و کنترل نیز جدیتر خواهد شد.
Orca؛ چند Coding Agent به جای یک Agent
Orca بیشتر برای توسعهدهندگان جذاب است. ایده آن این است که به جای سپردن یک وظیفه برنامهنویسی به یک Agent، بتوان چند Coding Agent را همزمان اجرا کرد.
Agentهای مختلف میتوانند روی نسخههای جداگانه یک پروژه کار کنند و بعد خروجی آنها با یکدیگر مقایسه شود.
این رویکرد میتواند برای وظایف پیچیده برنامهنویسی جالب باشد؛ مخصوصاً زمانی که چند راهحل متفاوت برای یک مسئله وجود دارد.
در چنین مدلی، توسعهدهنده فقط از AI برای تولید کد استفاده نمیکند، بلکه میتواند از چند Agent بهعنوان چند نیروی موازی برای بررسی و حل مسئله کمک بگیرد.
Buzz؛ همکاری مستقیم انسان و Agent
Buzz نیز ایده متفاوتی را دنبال میکند: قرار نیست AI یک ابزار جداگانه در کنار تیم باشد؛ بلکه Agent میتواند بخشی از همان محیط کاری باشد که انسانها در آن فعالیت میکنند.
هدف چنین معماریای این است که انسان و Agent بتوانند در یک فضای مشترک با یکدیگر ارتباط داشته باشند، روی پروژه کار کنند و فعالیتهای Agent نیز قابل مشاهده و پیگیری باشد.
این مدل میتواند بهخصوص برای تیمهای نرمافزاری جالب باشد؛ جایی که برنامهنویس، QA، مستندساز و سایر نقشها میتوانند بخشی از وظایف خود را به Agentهای تخصصی بسپارند.
آینده AI فقط مدل بزرگتر نیست
وجه مشترک این پروژهها یک تغییر مهم در مسیر توسعه هوش مصنوعی است.
رقابت دیگر فقط بر سر این نیست که کدام مدل زبان طبیعی بهتری تولید میکند. بخش مهمی از آینده میتواند مربوط به سیستمهایی باشد که مدلهای مختلف را با حافظه، ابزار، هویت، دسترسی، محیط اجرا و اهداف مشخص ترکیب میکنند.
Paperclip روی سازماندهی Agentها تمرکز دارد، OpenClaw یک Agent شخصی و قابلاجرا میسازد، Hermes روی حافظه و تجربه تمرکز میکند، Ouroboros ایده Self-Modifying Agent را آزمایش میکند و Orca سراغ همکاری چند Agent برای توسعه نرمافزار میرود.
هنوز فاصله زیادی میان این پروژهها و یک سازمان کاملاً خودمختار وجود دارد. مسائل امنیتی، هزینه اجرای مدلها، کنترل دسترسی، خطاهای Agent و نیاز به نظارت انسانی همچنان جدی هستند.
اما یک تغییر مشخص در حال رخ دادن است: هوش مصنوعی آرامآرام از یک «ابزار پاسخگو» به سمت «سیستمی که میتواند کار انجام دهد» حرکت میکند.
شاید مهمترین اتفاق موج جدید AI همین باشد؛ اینکه آینده هوش مصنوعی فقط در مدلهای بزرگتر خلاصه نمیشود، بلکه در نرمافزارهایی است که میتوانند این مدلها را به نیروی کاری واقعی تبدیل کنند.
