قدمت ستانفورد OpenJarvis — حزمة من وكلاء AI المحليين مع الذاكرة والتعلّم

قدم باحثون من جامعة ستانفورد OpenJarvis — إطار عمل مفتوح المصدر لوكلاء الذكاء الاصطناعي الشخصيين الذين يعملون بالكامل على جهاز المستخدم. تم تصميم المشروع كمكدس جاهز للاستخدام في الذكاء الاصطناعي المحلي: من تشغيل النماذج وتنسيق الوكلاء إلى الذاكرة والأدوات ومعايير الأداء والتدريب اللاحق على البيانات المحلية.

لماذا هذا مهم

معظم الأنظمة الذكية الاصطناعية الشخصية حتى الآن تبدو محلية فقط على السطح: تعمل الواجهة على الكمبيوتر المحمول، لكن المنطق الأساسي ينتقل إلى واجهات برمجية سحابية. بالنسبة للمهام التي تتضمن الملفات والملاحظات والرسائل والسياق المستمر للمستخدم، هذا يعني التأخير والتكاليف المتكررة ونقل البيانات الحساسة غير الضروري. يقترح OpenJarvis نموذجاً مختلفاً: التنفيذ المحلي بشكل افتراضي، والسحابة كخيار فقط عندما تكون حقاً ضرورية.

في ستانفورد، يرتبط الإصدار بعملهم الخاص حول الذكاء لكل واط. وفقاً للمختبر، نماذج اللغة المحلية والمسرعات المحلية بالفعل قادرة على خدمة 88.7٪ من طلبات الدردشة والاستدلال بمسار واحد بسرعة استجابة تفاعلية بشكل صحيح، والكفاءة حسب مقياس "الذكاء لكل واط" زادت 5.3 مرات من 2023 إلى 2025. الفكرة وراء OpenJarvis هي أن الأجهزة والنماذج جاهزة تقريباً، لكن السوق كان يفتقد طبقة برمجيات موحدة لمثل هذه الأنظمة.

كيف يعمل المكدس

يتم بناء OpenJarvis حول خمس عناصر بدائية يمكن استبدالها واختبارها وتحسينها بشكل مستقل عن بعضها البعض. هذا النهج يهدف إلى القضاء على الالتباس النموذجي في إعدادات الذكاء الاصطناعي المحلية، حيث تتشابك الاستدلال ومنطق الوكلاء ومعالجة الأدوات والذاكرة والتعلم في مشروع يصعب إعادة إنتاجه. نتيجة لذلك، يمكن للمطورين مقارنة ليس النظام بأكمله ككل، بل طبقة محددة — النموذج أو المحرك أو الذاكرة أو سلوك الوكيل. هذا يجعل التجارب والنشر في الإنتاج أكثر بساطة بشكل ملحوظ.

• Intelligence — طبقة نماذج مع فهرس موحد لنماذج اللغة الكبيرة المحلية وتجريد عملية اختيارها.
• Engine — بيئة تشغيل للتنفيذ عبر Ollama و vLLM و SGLang و llama.cpp ومحركات أخرى.
• Agents — أدوار الوكلاء، بما في ذلك Orchestrator لتحليل المهام و Operative للسيناريوهات المتكررة.
• Tools & Memory — الوصول إلى الأدوات والذاكرة المحلية والبحث الدلالي و MCP والاتصال بين الوكلاء عبر A2A.
• Learning — حلقة تحسين تستخدم الآثار المحلية للضبط الدقيق والتحسين.

يتم التركيز بشكل خاص على عدم اقتصار النظام على الدردشة. يمكن لـ OpenJarvis العمل مع البحث المحلي عن الملاحظات والمستندات وربط أدوات مثل البحث على الويب والآلة الحاسبة وإدخال/إخراج الملفات وتفسير الأكواد، بالإضافة إلى التواصل مع خوادم MCP الخارجية. لهذا السبب، يتم وضع الإطار لا كغلاف حول نموذج واحد، بل كبنية تحتية لوكيل شخصي بذاكرة طويلة الأجل والوصول إلى بيئة المستخدم الحقيقية.

ما هو متاح بالفعل

من ناحية عملية، يبدو المشروع متجذراً تماماً. يحتوي OpenJarvis على واجهة سطر أوامر و SDK Python وواجهة متصفح وتطبيقات سطح مكتب لـ macOS و Windows و Linux. أمر `jarvis init` يحدد الأجهزة المتاحة ويوصي بمزيج مناسب من المحرك والنموذج، و `jarvis doctor` يساعد في تشخيص الإعدادات، و `jarvis serve` يشغل خادم API متوافق مع OpenAI على FastAPI حتى يتمكن المطورون من توصيل العملاء والواجهات الأمامية الموجودة بتغييرات بسيطة. السيناريوهات الأساسية، وفقاً للتوثيق، يمكنها أن تعمل بدون شبكة.

نقطة قوة أخرى هي قياس الكفاءة وليس فقط جودة الاستجابة. يجمع الإطار بيانات القياس على الطاقة والكمون و FLOPs والتكلفة النقدية للطلب، ويدعم الاختبار الدقيق على NVIDIA و AMD و Apple Silicon، ويوحد معايير الأداء عبر `jarvis bench`. في الوقت نفسه، يحافظ OpenJarvis على آثار محلية للتفاعلات: من أزواج prompt-completion إلى تسلسلات إجراءات الوكلاء واستدعاءات الأدوات. على أساس هذا، يمكن تحسين ليس فقط أوزان النموذج، بل أيضاً التعليمات والمنطق الوكيل ومحرك الاستدلال نفسه — على سبيل المثال، من خلال التكمية و DSPy و GEPA و SFT و DPO أو GRPO.

ماذا يعني هذا

يظهر OpenJarvis أن الذكاء الاصطناعي المحلي ينتقل من الإعدادات التجريبية نحو مكدس هندسي كامل. إذا نجحت منهجية ستانفورد، سيحصل المطورون على أساس معياري للوكلاء الشخصيين الذين يخزنون البيانات لدى المستخدم، وأرخص في التشغيل، وأصبحوا أكثر فائدة بمرور الوقت من خلال التدريب على سيناريوهاتهم المحلية الخاصة. بالنسبة للسوق، هذه إشارة أخرى: جزء من مهام الذكاء الاصطناعي اليومية سرعان ما سيبدأ الانتقال من السحابة إلى الأجهزة الشخصية.