Oz: اولین کنترلپلن چند-هارنس برای ایجنتهای ابری
خلاصهٔ کاملتر
پلتفرم Oz از Warp تا حالا میتونست چند مدل هوش مصنوعی رو مدیریت کنه، ولی با این آپدیت یه قدم بزرگتر برداشته: حالا چند هارنس (harness) مختلف رو هم پشتیبانی میکنه. هارنس در اینجا یعنی ابزار اجرایی ایجنت — مثل Claude Code از آنتروپیک، Codex از OpenAI، یا Warp Agent خودشون. این تفاوت مهمه چون عملکرد ایجنت به ترکیب مدل و هارنس با هم بستگی داره، نه فقط مدل.
Oz به عنوان یه لایه بالاتر از همه این ابزارها عمل میکنه. یعنی تیمها میتونن برای کارهای مختلف، هارنسهای مختلف بهکار ببرن — مثلاً Claude Code برای یه نوع تسک، Codex برای یه نوع دیگه — در حالی که همه چیز از یه داشبورد مشترک با لاگهای یکپارچه و کنترل دسترسی متمرکز مدیریت میشه.
قابلیت orchestration خودکار چند ایجنت هم اضافه شده. Oz میتونه برای تسکهای طولانی و پیچیده — مثل migration کد یا دیپلوی پروداکشن — چندین subagent موازی رو بهصورت خودکار راهاندازی و هماهنگ کنه. این هم روی هارنسهای مختلف کار میکنه و یه رابط مدیریتی برای دیدن پیشرفت هر subagent داره.
Agent Memory یه قابلیت جدید دیگهست که الان در مرحله research preview هست. این سیستم حافظه، یه ایندکس از دانش سازمانی تیمه که ایجنتها میتونن ازش بخونن و بهش بنویسن. مثلاً ایجنت code review یاد میگیره تیم چه استایلی رو ترجیح میده، یا ایجنت دیپلوی توپولوژی سیستم رو به خاطر میسپاره. حافظه از منابع مختلف مثل فایل، دیتابیس، یا MCP تغذیه میشه و مهمتر از همه، cross-harness هست — یعنی بین همه هارنسها مشترکه.
در بحث کنترل و governance، Oz حالا billing جداگانه برای هر تیم، سقف کردیت فردی، و مجوزهای دقیقتر برای هر ایجنت داره. ایده اینه که هر ایجنت فقط به سرویسهایی دسترسی داشته باشه که برای کارش لازمه — اصل least privilege — نه بیشتر.
برای self-hosting هم گزینههای بیشتری اومده: Oz حالا روی Kubernetes pods، بدون Docker، و در محیطهای توسعه ریموت موجود هم اجرا میشه. به علاوه، API پلتفرم گسترش پیدا کرده و handoff بین محیطهای local و remote آسانتر شده — میشه یه ایجنت رو روی موبایل شروع کرد، روی لپتاپ ادامه داد و شب به کلود سپرد.
نکات کلیدی:
- Oz حالا از Claude Code، Codex و Warp Agent بهعنوان هارنس پشتیبانی میکنه
- orchestration خودکار چند subagent موازی برای تسکهای پیچیده
- Agent Memory: حافظه مشترک بین هارنسها برای یادگیری از تجربه تیم
- کنترل دسترسی دقیقتر با اصل least privilege
- self-hosting روی Kubernetes بدون نیاز به تغییر در setup فعلی




