پروژه متنباز Co-op Anything؛ تبدیل بازیهای تکنفره به چندنفره با ایجنتهای هوش مصنوعی
پروژه متنباز Co-op Anything با ترکیب دستورالعملهای مهندسی معکوس و پروتکل MCP، به ایجنتهای هوش مصنوعی آموزش میدهد تا قابلیت بازی چندنفره را به بازیهای تکنفره اضافه کنند. این ابزار به توسعهدهندگان کمک میکند مادهای ناتمام جامعه گیمینگ را احیا کرده یا حالت همکاری دونفره را از پایه توسعه دهند.

در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- پروژه متنباز Co-op Anything یک چارچوب عملیاتی در اختیار ایجنتهای کدنویسی هوش مصنوعی قرار میدهد تا بازیهای ویدیویی تکنفره را به بازی چندنفره و همکاری دونفره تبدیل کنند.
- ایجنتهای هوش مصنوعی در دو مسیر مشخص فعالیت میکنند؛ احیا و رفع باگهای مادهای نیمهکاره قدیمی جامعه بازی، یا پیادهسازی همگامسازی حرکات، انبار آیتمها و دشمنان کاملاً از صفر.
- این پروژه از طریق پروتکل MCP با ابزارهایی مانند Cursor و Claude Code یکپارچه میشود و به مدلها دسترسی مستقیم برای تحلیل موتور بازی و اجرای آزمایشهای همگامسازی شبکه میدهد.
پروژه متنباز Co-op Anything که با هدف ساخت مادهای چندنفره برای بازیهای ویدیویی توسعه یافته است، یک جریان کاری استاندارد و تکرارپذیر را برای افزودن حالت همکاری (Co-op) به بازیهای تکنفره در اختیار ایجنتهای کدنویسی هوش مصنوعی قرار میدهد. این مخزن گیتهاب راهنماهای پژوهشی، تکنیکهای ویژه هر موتور بازیسازی، آزمونهای همگامسازی، دستورالعملهای بستهبندی نهایی و یک سرور مبتنی بر پروتکل MCP را برای ابزارهایی مانند Claude Code، Cursor، Codex و Gemini CLI ترکیب کرده است.
این پروژه یک ماد فراگیر و همگانی ارائه نمیدهد، بلکه شیوه مهندسی اختصاصی را دنبال میکند؛ به این صورت که توسعهدهنده ایجنت هوش مصنوعی را به مسیر نصب محلی یک بازی هدایت میکند، سپس ایجنت سوابق تلاشهای پیشین جامعه را بررسی کرده، موتور بازیسازی را شناسایی میکند، کدهای منبع یا فایلهای باینری موجود را ارزیابی کرده و پس از انتخاب راهبرد مناسب، ماد حاصل را آزمایش میکند. پروژههای موفق متناسب با هر بازی میتوانند فایل نصب و قابلیت اتصال از طریق بستر Steam را برای بازیکنان بستهبندی و آماده کنند، هرچند که کل این فرآیند همچنان نیازمند نظارت فعال برنامهنویس است. این مخزن تاکنون بیش از ۱٫۱ هزار ستاره در گیتهاب کسب کرده است.
دو مسیر اختصاصی پیش روی ایجنتهای هوش مصنوعی
پس از آنکه توسعهدهنده بازی مورد نظر خود را مشخص کرد، دستورالعمل پروژه ایجنت کدنویسی را به سمت یکی از دو مسیر اصلی هدایت میکند:
- ترمیم و احیای مادهای پیشین: ایجنت هوش مصنوعی مخازن گیتهاب، انجمنهای گفتوگو، سامانههای ثبت خطا و بحثهای جامعه گیمرها را برای یافتن مادهای نیمهکاره یا رهاشده جستوجو میکند. سپس با بررسی دقیق کد، بازتولید خطاهای گزارششده و افزودن آزمونهای پسرفت، اصلاحات لازم را در قالب یک بسته جداگانه منتشر میسازد.
- شروع توسعه از صفر: ایجنت ابتدا موتور بازی و نقاط قابل توسعه آن را شناسایی میکند، سپس شخصیت بازیکن دوم را به بازی افزوده و در چند مرحله، مواردی مانند حرکت شخصیتها، رفتار دشمنان، وضعیت کلی دنیای بازی، مأموریتها، فهرست داراییها (Inventory) و فایلهای ذخیرهسازی را با یکدیگر همگامسازی مینماید.
هر یک از این مراحل با مهارتی با قابلیت استفاده مجدد تطبیق داده شده است که در مسیر .agents/skills یا پوشه .claude/skills ابزار Claude Code ذخیره میشود. این مهارتها گستره وسیعی از فعالیتها از جمله پژوهش اولیه، احیای پروژهها، مهندسی معکوس، توسعه نرمافزاری از پایه، برنامهنویسی شبکه، آزمون همگامسازی و تضمین کیفیت را پوشش میدهند.
درگاه مبتنی بر MCP و محیط آزمایش همگامسازی
سرور پایتونی این پروژه قابلیتهای مختلف را از طریق پروتکل استانداردی به نام Model Context Protocol یا همان MCP در اختیار ایجنتهای سازگار قرار میدهد؛ استانداردی که وظیفه اتصال مدلهای هوش مصنوعی به دادهها و ابزارهای خارجی را بر عهده دارد. با تکیه بر این درگاه، ایجنت میتواند راهنمای بازیهای چندنفره را جستوجو کند، با بررسی فایلهای نصبی بازی موتور آن را تشخیص دهد، دستورالعملهای مربوطه را بارگذاری نماید و تغییرات پیشنهادی را مورد سنجش قرار دهد.
مطالب مرتبط و پیشنهادی

هوش مصنوعی مکانی چگونه نقاط آسیبپذیر شهرها را پیش از وقوع طوفان و سیل شناسایی میکند؟
هوش مصنوعی مکانی با بررسی مستمر سازههای فیزیکی و مسیرهای شهری، نقاط در معرض خطر سیل و فرسودگی را پیش از رسیدن طوفانهای سهمگین شناسایی میکند. این فناوری با جایگزینی نظارت پیشگیرانه بهجای تعمیرات پرهزینه پس از فاجعه، به مدیران شهری کمک میکند تا امکانات امدادی را هدفمند توزیع کنند.

رسیدن کارایی vLLM به موتور اختصاصی DeepSeek؛ جهش ۸ برابری سرعت در سرورهای ۷۲ پردازندهای
موتور متنباز vLLM با ثبت عملکردی نزدیک به موتور اختصاصی DeepInfer، امکان اجرای مدل DeepSeek-V4.1-Flash را با بازدهی بالا فراهم کرد. این فریمورک توانسته است در رکهای مجهز به ۷۲ پردازنده گرافیکی NVIDIA، سرعت پردازش را تا ۷٫۹ برابر افزایش دهد و نیاز تیمهای فنی به موتورهای اجرایی جداگانه را برطرف کند.

اجرای محلی مدل FLUX.2 در ComfyUI آسان شد؛ انتشار بسته آماده Comfy-Org
تیم Comfy-Org با انتشار نسخهای از پیش کوانتایزشده از مدل تصویری FLUX.2 [dev]، فرآیند راهاندازی و اجرای محلی این مدل را برای کاربران ComfyUI بسیار ساده کرد. این بسته نیاز به پیکربندیهای پیچیده را برطرف کرده و تاکنون بیش از یک میلیون بار در Hugging Face دانلود شده است.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.