Amir Jabbari
اگر بخش زیادی از روز مدیر یک شرکت صرف بررسی ایمیل‌ها، یادآوری کارهای عقب‌افتاده، پیگیری وعده‌های جلسه، مرور تقویم و تهیه گزارش وضعیت تیم شود، مشکل لزوماً کمبود نیروی انسانی نیست؛ مشکل پراکندگی اطلاعات است. یک AI Chief of Staff می‌تواند این جریان پراکنده را روی یک سرور مجازی جمع کند و از داده‌های روزانه، فهرستی از کارهای مهم، پیگیری‌ها، ریسک‌ها و گزارش مدیریتی بسازد.
در این راهنما، به‌جای ساخت یک چت‌بات ساده، یک معماری واقعی برای اجرای AI Chief of Staff روی VPS بررسی می‌کنیم؛ سیستمی که می‌تواند ایمیل، جلسه، یادداشت، وظایف و تقویم را دریافت کند، موارد قابل پیگیری را استخراج کند و در پایان روز یا ابتدای صبح یک نمای مدیریتی از وضعیت کارها ارائه دهد.
📌 این مقاله برای چه کسی است؟
برای مدیران، صاحبان کسب‌وکار، تیم‌های کوچک، مدیران پروژه و افرادی که می‌خواهند یک دستیار مدیریتی AI را روی زیرساخت خودشان اجرا کنند و اطلاعات کاری را تا حد امکان در محیط تحت کنترل خود نگه دارند.
AI Chief of Staff چیست و چه کاری انجام می‌دهد؟
Chief of Staff در یک شرکت معمولاً نقش هماهنگ‌کننده میان مدیر، تیم‌ها، جلسات، پروژه‌ها و پیگیری‌های روزمره را دارد. نسخه هوش مصنوعی همین ایده را به یک سیستم نرم‌افزاری تبدیل می‌کند.
نمونه‌های جدید این حوزه معمولاً فقط به پاسخ دادن به سؤال محدود نیستند. پروژه متن‌باز AI Chief of Staff برای نمونه می‌تواند ایمیل‌ها، جلسات، یادداشت‌ها و فایل‌های صوتی یا متنی را دریافت کرده و از آن‌ها تعهدات، کارهای قابل انجام، پیگیری‌ها و ریسک‌ها را استخراج کند. این سیستم همچنین امکان مدیریت وظایف، ساخت گزارش صبحگاهی و اتصال به سرویس‌هایی مانند Microsoft 365، Google Calendar، Jira، Trello و Microsoft To Do را فراهم می‌کند.
بنابراین تفاوت آن با یک چت‌بات معمولی در این است که AI Chief of Staff باید حافظه کاری، زمان‌بندی، منبع داده و گردش کار داشته باشد؛ نه اینکه فقط منتظر بماند مدیر یک سؤال را تایپ کند.
چرا اجرای AI Chief of Staff روی VPS منطقی است؟
وقتی دستیار مدیریتی به ایمیل، تقویم، صورت‌جلسه‌ها، وظایف و اطلاعات داخلی شرکت متصل می‌شود، موضوع زیرساخت اهمیت بیشتری پیدا می‌کند. اجرای یک نمونه Self-Hosted روی VPS اجازه می‌دهد بخش اصلی برنامه، پایگاه داده و سرویس‌های پردازشی در محیطی که خودتان مدیریت می‌کنید قرار بگیرند.
مزیت‌های معماری Self-Hosted:
🔹 کنترل بیشتر روی محل نگهداری داده‌های کاری
🔹 امکان استفاده از دامنه اختصاصی و HTTPS
🔹 اجرای ۲۴ ساعته بدون وابستگی به کامپیوتر مدیر
🔹 امکان اتصال به سرویس‌های مختلف از یک نقطه مرکزی
🔹 قابلیت انتخاب مدل AI و ارائه‌دهنده مدل بر اساس نیاز
🔹 امکان توسعه معماری در آینده بدون تغییر کل سیستم
البته Self-Hosted به معنی امنیت خودکار نیست. سرور باید به‌روزرسانی شود، HTTPS داشته باشد، رمزهای قوی استفاده کند و دسترسی سرویس‌ها محدود شود.
معماری پیشنهادی AI Chief of Staff روی VPS
برای اجرای این سیستم بهتر است از ابتدا آن را یک سرویس چندبخشی ببینیم. یک پروژه متن‌باز فعلی در این حوزه از Docker Compose استفاده می‌کند و اجزایی مانند Frontend، Backend، PostgreSQL، Redis و چند سرویس هوش مصنوعی و یکپارچه‌سازی را کنار هم قرار می‌دهد.
| بخش | وظیفه | نیازمندی اصلی |
|---|---|---|
| Frontend | داشبورد مدیریتی و نمایش وظایف | CPU و RAM |
| Backend | مدیریت API و منطق برنامه | CPU و RAM |
| PostgreSQL | ذخیره وظایف، تاریخچه و داده‌های ساختاریافته | RAM و دیسک سریع |
| Redis | کش و هماهنگی سرویس‌ها | RAM |
| AI Services | تحلیل متن، استخراج وظیفه و ساخت گزارش | CPU یا GPU / API |
| Reverse Proxy | دامنه و HTTPS | شبکه |
در این معماری، مرورگر مدیر به Frontend متصل می‌شود، Frontend درخواست‌ها را به Backend می‌فرستد و Backend اطلاعات را میان پایگاه داده، سرویس‌های AI و سرویس‌های خارجی جابه‌جا می‌کند. این جداسازی باعث می‌شود در آینده بتوان یک بخش را ارتقا داد بدون اینکه کل سیستم دوباره طراحی شود.
حداقل منابع VPS برای شروع چقدر باشد؟
منابع دقیق به تعداد کاربران، حجم ایمیل‌ها، تعداد جلسات، نوع مدل AI و محل اجرای مدل بستگی دارد. اگر مدل زبانی از API خارجی استفاده کند، فشار پردازشی روی VPS کمتر می‌شود. اگر قصد اجرای مدل محلی داشته باشید، RAM و در بعضی سناریوها GPU اهمیت بسیار بیشتری پیدا می‌کند.
| سناریو | CPU | RAM | دیسک |
|---|---|---|---|
| تست و استفاده شخصی | ۲ تا ۴ هسته | ۴ تا ۸ GB | ۴۰ تا ۶۰ GB NVMe |
| تیم کوچک | ۴ تا ۶ هسته | ۸ تا ۱۶ GB | ۸۰ تا ۱۲۰ GB NVMe |
| پردازش سنگین و فایل زیاد | ۶ تا ۸ هسته | ۱۶ تا ۳۲ GB | ۱۲۰ GB به بالا |
این اعداد نقطه شروع معماری هستند، نه تضمین عملکرد. برای استفاده واقعی باید مصرف RAM کانتینرها، فضای PostgreSQL، حجم فایل‌های صوتی و تعداد درخواست‌های AI را بعد از راه‌اندازی اندازه‌گیری کنید.
نصب AI Chief of Staff روی VPS با Docker
یکی از گزینه‌های قابل بررسی، پروژه متن‌باز AI Chief of Staff در GitHub است. مخزن آن Docker Compose، PostgreSQL، Redis، Frontend، Backend و سرویس‌های جداگانه برای پردازش AI و اتصال به سرویس‌های خارجی را ارائه می‌کند.
در ادامه، مسیر نصب را بر اساس Quick Start همین پروژه می‌بینیم. قبل از اجرای آن، نسخه فعلی README و فایل‌های محیطی پروژه را بررسی کنید؛ چون پروژه‌های متن‌باز ممکن است در نسخه‌های بعدی متغیرهای محیطی یا ساختار سرویس‌ها را تغییر دهند.
git clone https://github.com/JoshuaSeidel/ai-chief-of-staff.git cd ai-chief-of-staff cp env.example .env
حالا فایل .env را باز کنید و حداقل مقادیر امنیتی اصلی را تنظیم کنید. پروژه برای احراز هویت API، رمز پایگاه داده و تنظیمات مربوط به Frontend متغیرهایی در اختیار شما قرار می‌دهد.
AICOS_AUTH_TOKEN=YOUR_LONG_RANDOM_TOKEN OAUTH_STATE_SECRET=YOUR_LONG_RANDOM_SECRET POSTGRES_PASSWORD=YOUR_SECURE_DATABASE_PASSWORD FRONTEND_URL=http://YOUR_SERVER_IP:3000 ALLOWED_ORIGINS=http://YOUR_SERVER_IP:3000 TRUST_PROXY=false
برای ساخت Secretهای قوی می‌توانید از ابزارهای استاندارد لینوکس استفاده کنید:
openssl rand -base64 48 openssl rand -hex 32
پس از تنظیم متغیرها، Stack را با Docker Compose اجرا کنید:
docker compose up --build -d docker compose ps docker compose logs -f aicos-backend
پس از بالا آمدن سرویس‌ها، رابط وب پروژه در پورت 3000 قرار می‌گیرد. در نصب آزمایشی می‌توانید آن را با آدرس IP سرور بررسی کنید. برای استفاده عمومی بهتر است مستقیماً پورت برنامه را روی اینترنت باز نگذارید و یک Reverse Proxy با HTTPS جلوی آن قرار دهید.
بعد از نصب چه چیزهایی را باید تنظیم کنیم؟
راه‌اندازی Docker پایان کار نیست. ارزش واقعی Chief of Staff زمانی مشخص می‌شود که پروفایل کاری، مدل AI، منابع داده و قواعد استخراج وظایف به‌درستی تنظیم شوند.
۱. تعریف پروفایل مدیریتی
در تنظیمات، اطلاعاتی مانند نام یا Alias مدیر، نقش، شرکت و دپارتمان را مشخص کنید. این اطلاعات به سیستم کمک می‌کند تشخیص دهد کدام تعهد واقعاً متعلق به مدیر است و کدام کار فقط درباره شخص دیگری مطرح شده است.
۲. اتصال مدل AI
این معماری می‌تواند با ارائه‌دهندگان مختلف AI کار کند. در پروژه مورد بررسی، امکان تعریف Providerهایی مانند OpenAI، Anthropic و Ollama وجود دارد. اگر اولویت شما کنترل بیشتر روی زیرساخت و هزینه درخواست‌هاست، اجرای مدل محلی هم می‌تواند بخشی از معماری باشد؛ البته نیاز سخت‌افزاری آن به مدل انتخابی بستگی دارد.
۳. اتصال ایمیل و تقویم
با اتصال Microsoft 365 یا Google Calendar، دستیار می‌تواند اطلاعات جلسات و برنامه روزانه را در کنار وظایف بررسی کند. برای Microsoft 365، پروژه از Microsoft Graph و تنظیمات Entra استفاده می‌کند؛ بنابراین مجوزها و سیاست‌های سازمانی باید قبل از فعال‌سازی بررسی شوند.
برای اطلاعات رسمی، مستندات Microsoft Graph مرجع مناسبی برای بررسی Permissionها و APIهای Microsoft 365 است.
AI Chief of Staff چطور گزارش روزانه مدیر را می‌سازد؟
بهترین روش این نیست که هر روز یک خلاصه طولانی از تمام اطلاعات تولید شود. گزارش مدیریتی باید اطلاعات را فیلتر کند و فقط مواردی را نشان دهد که به تصمیم یا اقدام نیاز دارند.
| بخش گزارش | محتوا |
|---|---|
| اولویت‌های امروز | مهم‌ترین کارهایی که نباید از دست بروند |
| جلسات | جلسات امروز و مواردی که نیاز به آمادگی دارند |
| پیگیری‌ها | مواردی که منتظر پاسخ یا اقدام فرد دیگری هستند |
| کارهای عقب‌افتاده | وظایف دارای Deadline گذشته |
| ریسک‌ها | موضوعاتی که ممکن است پروژه یا تصمیمی را متوقف کنند |
| تصمیم‌های لازم | مواردی که AI نباید به‌جای مدیر تصمیم نهایی بگیرد |
این مدل گزارش باعث می‌شود مدیر صبح به‌جای باز کردن چندین ابزار مختلف، ابتدا یک تصویر فشرده از وضعیت کاری دریافت کند و سپس فقط وارد جزئیات موارد مهم شود.
⚠️ نکته مهم درباره خودکارسازی
در شروع کار، بهتر است AI بیشتر نقش پیشنهاددهنده و هماهنگ‌کننده داشته باشد. ارسال خودکار ایمیل، حذف اطلاعات، تغییر وظایف یا انجام اقدامات حساس را بدون مرحله تأیید فعال نکنید. معماری‌های جدید Chief of Staff نیز در بسیاری از موارد بین استخراج کار، تأیید انسان و اجرای اقدام تفاوت قائل می‌شوند.
ساخت چرخه کاری صبح تا شب با AI
یک Chief of Staff مفید باید در طول روز چند نقطه مشخص برای بررسی داشته باشد. این کار را می‌توان با Cron، Scheduler داخلی برنامه یا ابزارهای اتوماسیون انجام داد.
🔹 ۷ صبح: تقویم، وظایف، پیگیری‌ها و موارد عقب‌افتاده بررسی شوند.
🔹 قبل از جلسات: اطلاعات مرتبط با جلسه و کارهای قبلی آماده شوند.
🔹 بعد از جلسه: تصمیم‌ها، مسئولیت‌ها و Deadlineها استخراج شوند.
🔹 بعدازظهر: مواردی که هنوز پاسخی دریافت نکرده‌اند شناسایی شوند.
🔹 پایان روز: کارهای انجام‌شده، باقی‌مانده و اولویت فردا خلاصه شوند.
جلوگیری از تولید صدها Task بی‌ارزش
یکی از خطرهای سیستم‌های Agentic این است که هر جمله را به یک Task تبدیل کنند. در یک شرکت واقعی چنین رفتاری خیلی سریع داشبورد را به فهرستی از وظایف تکراری تبدیل می‌کند.
برای همین باید بین Commitment، Action Item، Follow-up و Risk تفاوت گذاشت. همچنین قبل از ایجاد Task جدید باید بررسی شود آیا نمونه مشابهی از قبل وجود دارد یا خیر.
پروژه مورد بررسی دقیقاً روی همین موضوع تمرکز دارد و تلاش می‌کند موارد مشابه را به وظایف موجود متصل یا از ایجاد موارد تکراری جلوگیری کند. این قابلیت برای Chief of Staff بسیار مهم‌تر از صرفاً تولید متن زیباست.
اتصال AI Chief of Staff به ابزارهای شرکت
بعد از راه‌اندازی اولیه، می‌توانید سیستم را به ابزارهای کاری متصل کنید. در پروژه انتخاب‌شده، اتصال به Microsoft 365، Google Calendar، Jira، Microsoft Planner، Microsoft To Do، Trello، Monday.com و برخی سرویس‌های تقویم مبتنی بر CalDAV پیش‌بینی شده است.
🔹 Email: کشف درخواست‌ها و تعهدات جدید
🔹 Calendar: بررسی جلسات و Deadlineها
🔹 Jira: همگام‌سازی وظایف فنی
🔹 Planner / To Do: مدیریت کارهای اجرایی
🔹 Transcript: تبدیل جلسه به تصمیم و Action Item
VPS ابری یا اجرای مدل AI روی همان سرور؟
این دو موضوع را نباید با هم یکی دانست. شما می‌توانید خود برنامه Chief of Staff را روی VPS اجرا کنید اما مدل زبانی را از طریق API دریافت کنید. در این حالت VPS وظیفه مدیریت برنامه، داده، اتصال‌ها و زمان‌بندی را برعهده دارد.
در سناریوی دوم، مدل AI نیز روی زیرساخت خودتان اجرا می‌شود. این حالت کنترل بیشتری روی پردازش می‌دهد اما منابع سخت‌افزاری بیشتری نیاز دارد. برای مدل‌های بزرگ، VPS معمولی بدون GPU الزاماً گزینه مناسبی نیست.
| روش | مزیت | محدودیت |
|---|---|---|
| AI API خارجی | نیاز سخت‌افزاری کمتر | وابستگی به سرویس‌دهنده AI |
| مدل محلی | کنترل بیشتر روی پردازش | نیاز به RAM/GPU بیشتر |
| معماری ترکیبی | انعطاف در انتخاب مدل | پیچیدگی بیشتر مدیریت |
📌 یک نکته مهم برای انتخاب VPS
اگر هدف شما اجرای خود نرم‌افزار Chief of Staff و اتصال آن به APIهای AI است، تمرکز اصلی روی RAM کافی، CPU پایدار، دیسک NVMe و شبکه مناسب خواهد بود. اگر قرار است مدل زبانی را هم روی سرور اجرا کنید، انتخاب GPU و مقدار VRAM به بخش مهم‌تری از طراحی تبدیل می‌شود.
سرور مجازی مناسب برای اجرای دستیار مدیریتی AI
برای یک AI Chief of Staff که قرار است ۲۴ ساعته فعال باشد، زیرساخت پایدار اهمیت زیادی دارد. اجرای Docker، پایگاه داده، Redis و سرویس‌های AI روی یک VPS با منابع مناسب، محیطی آماده برای توسعه اتوماسیون‌های مدیریتی ایجاد می‌کند. اگر قرار است سیستم را برای تیم یا شرکت استفاده کنید، بهتر است از ابتدا منابع را بر اساس حجم داده و تعداد پردازش‌ها انتخاب کنید.
📞 تماس با پشتیبانی: 91302467-021 | ایرانیکاسرور
امنیت AI Chief of Staff روی VPS
چون این سیستم ممکن است با اطلاعات کاری حساس سروکار داشته باشد، امنیت باید از اولین مرحله نصب در نظر گرفته شود.
⚠️ از Tokenهای طولانی و تصادفی برای API استفاده کنید.
⚠️ برای دامنه عمومی حتماً HTTPS فعال کنید.
⚠️ PostgreSQL را مستقیماً روی اینترنت منتشر نکنید.
⚠️ فایل .env را داخل Git قرار ندهید.
⚠️ قبل از اتصال Microsoft 365، Permissionهای مورد نیاز را بررسی کنید.
⚠️ از اطلاعات حساس برای تست مدل‌های مختلف بدون بررسی سیاست نگهداری داده استفاده نکنید.
⚠️ از PostgreSQL و Volumeهای Docker نسخه پشتیبان داشته باشید.
HTTPS و Reverse Proxy برای استفاده واقعی
برای محیط Production بهتر است برنامه پشت یک Reverse Proxy قرار بگیرد. در چنین ساختاری کاربر با دامنه‌ای مانند staff.example.com وارد می‌شود و Reverse Proxy درخواست‌ها را به سرویس داخلی منتقل می‌کند.
پروژه AI Chief of Staff از سناریوهای Reverse Proxy مانند Nginx Proxy Manager، Traefik و SWAG پشتیبانی می‌کند. در این حالت تنظیماتی مانند FRONTEND_URL، ALLOWED_ORIGINS و TRUST_PROXY باید با معماری واقعی شما هماهنگ شوند.
چه کارهایی را بهتر است به AI نسپاریم؟
Chief of Staff قرار نیست مدیر را حذف کند. هدف آن کاهش کارهای تکراری و آماده‌سازی اطلاعات برای تصمیم‌گیری است. حتی اگر AI بتواند یک ایمیل را تحلیل کند، تصمیم درباره قرارداد، پرداخت، استخدام، اخراج یا انتشار اطلاعات حساس باید در اختیار انسان باقی بماند.
در تنظیم یا رفع مشکل دستیار مدیریتی نیاز به کمک دارید؟
اگر هنگام راه‌اندازی Docker، اتصال دامنه، تنظیم سرویس‌های VPS، پورت‌ها، منابع سرور یا کانفیگ محیط اجرا با مشکل مواجه شدید، می‌توانید تنظیمات سرور را بررسی و برای رفع مشکل از خدمات کانفیگ ایرانیکاسرور استفاده کنید.
📞 تماس با پشتیبانی: 91302467-021 | ایرانیکاسرور
از یک دستیار ساده تا سیستم مدیریتی واقعی
اگر از همان ابتدا بخواهید ده‌ها Integration و Agent را فعال کنید، نگهداری سیستم سخت می‌شود. بهتر است پروژه را مرحله‌ای توسعه دهید.
مرحله ۱: نصب VPS و اجرای Docker
مرحله ۲: اتصال مدل AI و ساخت پروفایل مدیر
مرحله ۳: مدیریت دستی Taskها و گزارش روزانه
مرحله ۴: اتصال تقویم و ایمیل
مرحله ۵: استخراج خودکار Action Item از جلسات
مرحله ۶: اتصال Jira، Planner یا ابزار مدیریت پروژه
مرحله ۷: زمان‌بندی گزارش صبحگاهی و پایان روز
جمع‌بندی
ساخت AI Chief of Staff روی VPS زمانی ارزشمند می‌شود که آن را فقط یک چت‌بات نبینیم. یک دستیار مدیریتی واقعی باید بتواند اطلاعات را از چند منبع دریافت کند، وظایف و پیگیری‌ها را تشخیص دهد، موارد تکراری را کنترل کند، وضعیت کارها را نگه دارد و در زمان مشخص یک گزارش کوتاه و قابل اقدام ارائه دهد.
اجرای Self-Hosted با Docker Compose می‌تواند نقطه شروع مناسبی برای چنین معماری باشد. در ادامه نیز می‌توان آن را به ایمیل، تقویم، Jira، Microsoft To Do، Planner و سایر ابزارهای شرکت متصل کرد.
برای استفاده واقعی، انتخاب VPS مناسب، RAM کافی، دیسک سریع، HTTPS، پشتیبان‌گیری و مدیریت Secretها به اندازه انتخاب مدل AI اهمیت دارند. بهتر است ابتدا چرخه ساده «دریافت اطلاعات → استخراج وظیفه → تأیید → گزارش» را پایدار کنید و بعد سراغ خودکارسازی‌های پیچیده‌تر بروید.
سؤالات متداول درباره AI Chief of Staff روی VPS
AI Chief of Staff دقیقاً چه کاری انجام می‌دهد؟
این سیستم اطلاعاتی مانند ایمیل، جلسات، یادداشت‌ها و وظایف را بررسی می‌کند و می‌تواند تعهدات، Action Itemها، پیگیری‌ها، ریسک‌ها و اولویت‌های روزانه را استخراج و سازمان‌دهی کند.
آیا برای اجرای AI Chief of Staff حتماً GPU لازم است؟
خیر. اگر مدل AI از طریق API ارائه شود، خود برنامه می‌تواند روی VPS بدون GPU اجرا شود. GPU زمانی اهمیت بیشتری پیدا می‌کند که بخواهید مدل‌های زبانی یا پردازش‌های سنگین را مستقیماً روی سرور اجرا کنید.
آیا می‌توان AI Chief of Staff را به ایمیل و تقویم متصل کرد؟
بله. معماری پروژه بررسی‌شده امکان اتصال به Microsoft 365 و Google Calendar را دارد و برای Microsoft 365 از زیرساخت Microsoft Graph استفاده می‌کند.
آیا اجرای این سیستم روی VPS امن است؟
Self-Hosted بودن به‌تنهایی امنیت را تضمین نمی‌کند. باید HTTPS، Secretهای قوی، محدودسازی دسترسی، به‌روزرسانی سیستم، پشتیبان‌گیری و تنظیم صحیح Reverse Proxy و CORS انجام شود.
برای AI Chief of Staff چه مقدار RAM نیاز است؟
برای آزمایش می‌توان از منابع پایین‌تر شروع کرد، اما Docker، PostgreSQL، Redis و سرویس‌های AI هم‌زمان مصرف RAM دارند. برای یک تیم کوچک، بازه ۸ تا ۱۶ گیگابایت RAM می‌تواند نقطه شروع مناسبی برای ارزیابی باشد و مقدار نهایی باید بر اساس مصرف واقعی تعیین شود.
آیا AI می‌تواند خودش ایمیل ارسال کند یا کارها را انجام دهد؟
از نظر معماری امکان خودکارسازی اقدامات وجود دارد، اما بهتر است عملیات حساس ابتدا با تأیید انسان انجام شوند. برای شروع، حالت Draft و پیشنهاد اقدام از اجرای کاملاً خودکار امن‌تر است.
منابع و مستندات خارجی:
دیدگاه‌ها (۰)