مسیر یادگیری

راهنمای عملی

آزمایش قابل‌بازتولید حافظه و آداپترهای دو ابزار

نتیجهٔ واقعی نسخهٔ ۰.۱۰.۰ با دادهٔ ساختگی: ساخت آداپتر، بستهٔ زمینه و بررسی بدون تغییر وضعیت.

آخرین بازبینی:

دربارهٔ تهیهٔ این راهنما

این راهنما با کمک هوش مصنوعی و بر پایهٔ مستندات عمومی پروژه تهیه شده است؛ تجربهٔ آزمایش روی همهٔ دستگاه‌ها یا بررسی انسانی مستقل را ادعا نمی‌کند. مسئول انتشار پروژه: AmirSina Zamanian.

منابع در پایان مقاله آمده‌اند. برای گزارش خطا یا پیشنهاد اصلاح، از مخزن پروژه استفاده کنید. گزارش خطا

در این صفحه

نتیجهٔ آزمایش چه بود؟

در ۱۲ سپتامبر ۲۰۲۶، روی macOS با Node.js v24.19.0 و بستهٔ عمومی personal-agentic-os نسخهٔ ۰.۱۰.۰، Wizard در حالت dashboard-only با پاسخ‌های برنامه‌نویسی‌شده اجرا شد. نتیجه ready بود؛ AGENTS.md و CLAUDE.md ساخته شدند، دو کاندیدای هم‌مسیر به یک پروژه رسیدند و یک بستهٔ زمینه تولید شد. verify وضعیت healthy داد و state.json را تغییر نداد. نصب تعاملی CLI نیز در یک پوشهٔ جدا با پاسخ‌دادن مرحله‌به‌مرحله به پرسش‌ها انجام شد و بررسی نهایی سالم بود.
منبع این بخش

ورودی و روش آزمایش

همهٔ ورودی‌ها ساختگی بودند: پروژهٔ demo در پوشهٔ موقت، منابع مصرف خالی، Sync دستی و تله‌متری خاموش. نخست طرح رد شد و نبود config.json بررسی شد؛ سپس همان طرح تأیید شد. یک تصمیم نمونه با منبع synthetic-lab به حافظهٔ آزمایشی اضافه شد و Sync اجرا شد. اسکریپت وجود متن تصمیم، منبع و Verified: true را در خروجی بررسی می‌کند. این تأیید مربوط به fixture آزمایش است، نه واقعیت یک پروژهٔ کاربر.
منبع این بخش

چطور بازتولید کنیم؟

اسکریپت پایین صفحه را دریافت و قبل از اجرا بخوانید. در یک پوشهٔ خالی آزمایش، npm install --ignore-scripts --no-audit --no-fund personal-agentic-os@0.10.0 را اجرا کنید؛ دریافت بسته به شبکه نیاز دارد. سپس node handoff-lab.mjs ./node_modules/personal-agentic-os را اجرا کنید. اسکریپت برای داده‌ها یک پوشهٔ موقت تازه می‌سازد و مسیرش را چاپ می‌کند. اطلاعات شخصی به آن ندهید؛ خروج صفر و JSON نهایی معیار عبور assertionهاست. پوشهٔ آزمایش برای بازبینی باقی می‌ماند.
منبع این بخش

چه چیزی آزمایش نشده است؟

هیچ جلسهٔ واقعی Codex یا Claude Code، رابط Obsidian، منبع مصرف واقعی یا سیستم‌عامل دیگری آزمایش نشد. نصب تعاملی فقط در حالت dashboard-only و با ورودی ساختگی بررسی شد. یکسان‌بودن متن آداپترها، کیفیت درک دو مدل را ثابت نمی‌کند. کاهش توکن، هزینه، زمان یا رشد ترافیک نیز اندازه‌گیری نشده است. این نتیجه آزمایش محلی نصب و بستهٔ زمینه است، نه بنچمارک عملکرد هوش مصنوعی.
منبع این بخش

منابع و ادامهٔ مسیر

دریافت اسکریپت آزمایش — پیش از اجرا بخوانید

راهنماهای مرتبط

این راهنما به شما کمک کرد؟

پاسخ شما به‌صورت آمار تجمیعی برای انتخاب و بهبود محتوا ثبت می‌شود.