آموزش Prime Agent: راهنمای عامل کدنویسی خودبهبوددهنده RLM

Prime Agent عامل متن‌باز کدنویسی و پژوهش Prime Intellect برای کارهای طولانی است. این ابزار یک مدل زبانی بازگشتی یا RLM—که context و زیرعامل را قابل برنامه‌نویسی می‌کند—با یک Continual Harness ترکیب می‌کند؛ بخشی که می‌تواند درس‌های کوچک و قابل‌بازبینی را بیرون از system prompt پایه نگه دارد.

بنابراین Prime Agent فقط یک چت ترمینالی نیست. ابزار اصلی آن محیط ماندگار IPython است. عامل از آنجا می‌تواند history را بررسی کند، فایل و ابزار را به‌کار بگیرد، زیرعامل بازگشتی بسازد، state مفید را بیرون context فعال نگه دارد، از ترمینال جدا شود و با هدف یا زمان‌بندی صریح ادامه دهد.

این آموزش در ۱۵ مرداد ۱۴۰۵ / ۶ اوت ۲۰۲۶، روز معرفی Prime Agent، با مقاله رسمی معرفی، مخزن رسمی و مستندات بالادستی بازبینی شده است. پروژه بسیار تازه و پرشتاب است؛ فرمان‌ها را با نسخه نصب‌شده تطبیق دهید.

تصویر رسمی Prime Intellect. نتایج benchmark معرفی‌شده شاهدی درباره این harness هستند، نه تضمین نتیجه روی مدل یا مخزن شما.

Prime Agent چه چیزی را تغییر می‌دهد؟

بیشتر coding agentها فهرستی ثابت از ابزارها را مستقیم به مدل می‌دهند. Prime Agent در عوض یک محیط کنترل Python ماندگار در اختیار مدل بالادستی می‌گذارد. مدل می‌تواند با کد در context بزرگ جست‌وجو و تبدیل انجام دهد، ابزار صدا بزند، برش‌های محدود کار را به زیرعامل بدهد و متغیر مفید را بدون کپی‌کردن همه خروجی خام در prompt فعال نگه دارد.

دو مفهوم اصلی آن عبارت‌اند از:

• RLM: prompt و history متغیر هستند و rlm(...) زیرعامل واقعی را به‌صورت برنامه‌ای فراخوانی می‌کند؛
• Continual Harness: prompt تکمیلی، memory، شرح skill و مشخصات زیرعامل قابل‌استفاده‌مجدد با تغییرات کوچک و ثبت‌شده تکامل می‌یابند.

این معماری برای مخزن بزرگ، deep research، ارزیابی، کار بدون‌نظارت طولانی و خروجی میانی حجیم مناسب است. برای اصلاح کوتاه یک فایل، Codex، Claude Code، OpenCode یا Copilot CLI ممکن است مستقیم‌تر باشند.

نصب Prime Agent

نصاب رسمی فعلی از macOS و Linux پشتیبانی می‌کند:

curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

روی دستگاه حساس یا سازمانی، پیش از pipe‌کردن installer به shell، URL و منبع آن را بررسی کنید. سپس از یک checkout ایزوله شروع کنید:

cd /path/to/a/disposable-worktree
prime-agent

در اجرای نخست:

/login

subscription یا API provider پشتیبانی‌شده را انتخاب کنید. token را در مخزن، prompt، screenshot، skill یا یادداشت session قرار ندهید.

سلامت runtime محلی را بررسی کنید:

prime-agent status
prime-agent doctor
prime-agent agents

نصاب release نسخه‌بندی‌شده و runtime مربوط به IPython را آماده می‌کند. اگر daemon یا worker سالم نیست، prime-agent doctor --fix را فقط پس از دیدن تغییر پیشنهادی اجرا کنید.

نخستین نشست امن

از branch یا worktree تمیز استفاده کنید و ابتدا درخواست read-only بدهید:

مخزن و جریان احراز هویت را بررسی کن.
فعلاً هیچ فایلی را تغییر نده.
فایل‌های مرتبط، مرزهای اعتماد و تست‌ها را نام ببر.
سپس برنامه بده و برای تایید صبر کن.

پس از تایید برنامه:

فقط محدوده تاییدشده را پیاده‌سازی کن.
تست متمرکز و type-check مرتبط را اجرا کن.
diff نهایی و ریسک باقی‌مانده را گزارش کن.
commit، push یا تغییر سرویس بیرونی انجام نده.

این جداسازی discovery از mutation، diff را به مرز روشن بازبینی تبدیل می‌کند.

نمای رسمی TUI از مقاله معرفی Prime Agent.

مدل IPython ماندگار را بفهمید

ابزار داخلی مدل در Prime Agent یک kernel ماندگار IPython است. دسترسی فایل، فرمان shell، ابزار، مدیریت context و فراخوانی child agent با کد بیان می‌شوند. kernel می‌تواند متغیر را بین turnها نگه دارد؛ بنابراین log بزرگ، مجموعه سند یا index کد بدون تکرار کامل در هر prompt قابل‌استفاده می‌ماند.

عادت کلیدی این است: پیش از گسترش، فیلتر کن.

1. ورودی بزرگ را index یا جست‌وجو کنید؛
2. قسمت مرتبط را جدا کنید؛
3. سؤال‌های مستقل را واگذار کنید؛
4. شواهد کوتاه را ترکیب کنید؛
5. فقط هنگام نیاز محتوای خام کامل را وارد کنید.

context طولانی همچنان رایگان نیست. state ماندگار بار تکراری prompt را کم می‌کند، اما subagent، model call و خروجی ابزار هزینه زمان و token دارند.

زیرعامل بازگشتی را هدفمند به‌کار ببرید

RLM با rlm(...) child agent می‌سازد و پاسخ را برنامه‌ای دریافت می‌کند. این الگو وقتی خوب است که کارها واقعاً مستقل باشند:

• نقشه‌برداری packageهای جدا در monorepo؛
• پژوهش چند گزینه مستقل؛
• بازتولید bug توسط یک عامل و بررسی history توسط عامل دیگر؛
• review امنیت، تست و بومی‌سازی پس از پیاده‌سازی.

یک تغییر وابسته را میان چند نویسنده در checkout مشترک تقسیم نکنید. برای write موازی worktree جدا بدهید یا عامل‌ها را تا زمان ادغام read-only نگه دارید.

پیام مستقیم عامل‌به‌عامل و retained subagent نیز وجود دارد. پیام هماهنگی است، نه مدرک؛ عامل والد باید فایل، diff، log و تست واقعی را ببیند.

نمای رسمی مدیریت sessionهای ماندگار و چندعاملی.

کار طولانی را قابل‌ادامه کنید

workerهای daemon-backed اجازه می‌دهند session پس از قطع terminal ادامه یابد:

prime-agent agents
prime-agent attach <agent>
prime-agent --resume <path-or-id>
prime-agent status
prime-agent shutdown

مستندات فعلی هدف، heartbeat، schedule و autonomous mode محدود را توضیح می‌دهند:

• /goal هدف و پیشرفت را میان turnها فعال نگه می‌دارد؛
• /heartbeat می‌تواند session را دوره‌ای دوباره فعال کند؛
• prime-agent schedule زمان اجرای کار را تعیین می‌کند؛
• /autonomous در بودجه turn، token و زمان ادامه می‌دهد.

پایان کار باید قابل‌اندازه‌گیری باشد. «ادامه بده» تعریف done نیست. goal خوب artifact موردنیاز، check لازم، عمل ممنوع و رفتار در نبود شواهد را مشخص می‌کند.

رسیدن به سقف بودجه موفقیت نیست و gate موفق فقط همان چیزی را ثابت می‌کند که واقعاً بررسی کرده است.

Continual Harness را بدون آلوده‌کردن اصلاح کنید

/refine trajectory را مرور و تغییر متمرکز در harness تکمیلی پیشنهاد می‌کند. طبق پروژه، system prompt پایه تغییر نمی‌کند و snapshot ثبت‌شده rollback را ممکن می‌سازد.

refinement خوب پایدار، محدود و مستند است:

• «برای تغییر API این مخزن pnpm test --filter api اجرا می‌شود.»
• «client تولیدشده باید با npm run generate ساخته شود و دستی ویرایش نشود.»
• «صفحات فارسی باید در عرض موبایل از نظر overflow در RTL بررسی شوند.»

حدس، workaround موقت، secret یا نتیجه مخصوص یک task را قانون عمومی نکنید. هر تغییر را مانند code review کنید. دانش تیمی را در دستور نسخه‌بندی‌شده مخزن و ترجیح شخصی را جدا نگه دارید.

Skill، MCP، extension و package

Prime Agent چند سطح توسعه‌پذیری دارد:

• skill: قابلیت قابل‌استفاده‌مجدد Markdown یا Python؛
• prompt template: prompt تکرارشونده با slash command؛
• MCP: ابزار بیرونی که از طریق Python skill ارائه می‌شود تا سطح ابزار مدل کوچک بماند؛
• extension: ماژول TypeScript برای ابزار، فرمان، event یا UI؛
• package: بسته قابل‌توزیع skill، prompt، extension و theme؛
• model/provider سفارشی: ورودی مدل سازگار و جریان auth جدید.

برای shortlist تاریخ‌دار، شناسه و caveat سازگاری qwen3.8-max-preview، glm-5.2 و deepseek-v4-flash را ببینید. مدل را فقط با schema رسمی provider در Prime Agent اضافه و علاوه بر پاسخ اصلی، فراخوانی child بازگشتی را هم تست کنید.

از instruction مخزن و skill کوچک شروع کنید. فقط با نیاز واقعی به داده یا عمل بیرونی MCP اضافه کنید. extension و package کد اجرایی زنجیره تأمین هستند؛ منبع را بازبینی و pin کنید و صرفاً به‌خاطر دستور یک صفحه وب چیزی نصب نکنید.

Session، branch، compaction و حالت برنامه‌ای

پروژه session tree و branching، compaction خودکار و داده session در JSONL را مستند کرده است. برای بررسی گزینه جایگزین branch بسازید. پس از compaction، محدودیت حیاتی را از مخزن یا goal دوباره کنترل کنید؛ summary ممکن است جزئیات را از دست بدهد.

حالت‌های integration فعلی شامل JSON event stream، RPC مبتنی بر stdin/stdout JSONL، پروتکل ACP و Node.js SDK هستند. headless بودن مدل را deterministic نمی‌کند. نسخه، ورودی، revision مخزن، permission، event خروجی، شواهد تست و diff نهایی را ثبت کنید.

مرز daemon، worker، session و kernel چرخه‌عمر را بهتر می‌کند؛ sandbox امنیتی برای کد متخاصم نیست.

مدل امنیت: kernel یک sandbox نیست

مهم‌ترین واقعیت عملیاتی این است: Prime Agent کد Python و فرمان پروژه تولیدشده توسط مدل را با permission کاربر شما اجرا می‌کند. جداسازی process به recovery کمک می‌کند، اما خود پروژه صریحاً می‌گوید security sandbox نیست.

کنترل‌های ضروری:

1. در clone یا worktree یک‌بارمصرف کار کنید؛
2. secret غیرضروری را از محیط و working directory دور نگه دارید؛
3. skill، extension، instruction مخزن و محتوای وب را ورودی غیرقابل‌اعتماد بدانید؛
4. کد ناشناس را در VM، container یا sandbox خارجی اجرا کنید؛
5. credential production و اختیار deploy را هنگام پیاده‌سازی ندهید؛
6. پیش از merge، diff و شواهد test را ببینید؛
7. autonomous mode را مجاز به پرداخت، انتشار، پیام به افراد یا mutation production نکنید مگر با gate مستقل انسانی.

prompt injection می‌تواند در issue، سند، log، dependency، وب یا فایل مخزن باشد. خوانده‌شدن یک دستور هیچ‌گاه به معنی مجازبودن آن نیست.

جریان کاری مناسب production

1. checkout ایزوله در revision مشخص بسازید؛
2. فقط provider لازم را authenticate کنید؛
3. mapping و plan read-only بگیرید؛
4. goal را با scope، evidence، budget و عمل ممنوع تعریف کنید؛
5. فقط پژوهش یا review مستقل را واگذار کنید؛
6. یک مالک integration پیاده‌سازی را انجام دهد؛
7. check متمرکز، سپس build/test گسترده را اجرا کنید؛
8. diff، refinement، skill و artifact نشست را بررسی کنید؛
9. commit یا publish را در جریان جداگانه مجاز انجام دهید؛
10. عامل پس‌زمینه بی‌استفاده را متوقف یا archive کنید.

رفع مشکل

عامل پس‌زمینه ناپدید شده است

prime-agent status و prime-agent agents را اجرا کنید؛ سپس با prime-agent attach <agent> متصل یا session ذخیره‌شده را resume کنید. برای مشکل daemon یا worker از doctor کمک بگیرید.

پس از compaction کار تکرار می‌شود

نتیجه و وضعیت verification را در /goal بگذارید، واقعیت پایدار را در instruction بنویسید و پیش از ادامه، بررسی diff و test فعلی را درخواست کنید.

زیرعامل‌ها کار را کند کرده‌اند

واگذاری را کم کنید. child agent فقط برای کار مستقل و evidence-producing مناسب است. موازی‌سازی هزینه orchestration و token دارد.

refinement بد رفتار آینده را خراب کرده است

history ثبت‌شده را ببینید و state تکمیلی بد را rollback کنید؛ درس را محدود و قابل‌سنجش بنویسید یا حذف کنید.

آیا اجرای هر مخزنی امن است؟

خیر. برای کد ناشناس sandbox خارجی لازم است. worktree تمیز review و rollback را ممکن می‌کند، اما از secret و process میزبان محافظت نمی‌کند.

یادداشت منابع

بازبینی‌شده در ۱۵ مرداد ۱۴۰۵ / ۶ اوت ۲۰۲۶:

• مقاله معرفی Prime Agent
• مخزن و README رسمی
• فهرست مستندات
• quickstart
• مرجع استفاده و CLI
• مدل برنامه‌نویسی RLM
• عامل‌های طولانی
• skillها
• پژوهش RLM پرایم اینتلکت