---
url: https://docs.ogmabox.com/fa/guide/workspace-ai.md
description: >-
  دستیار هوش مصنوعی داخلی فضای کاری Ogma را برای تحلیل درخواست، آزمون با کمک
  مرورگر، خلاصهٔ شواهد، پیش‌نویس یافته‌ها و اقدامات محلی پروژه تنظیم و استفاده
  کنید.
---

# هوش مصنوعی فضای کاری {#workspace-ai}

هوش مصنوعی فضای کاری یک پنل گفت‌وگوی داخلی در Ogma است که می‌تواند ترافیک ثبت‌شدهٔ شما را بخواند، در برنامه اقدام کند و به ساخت یافته‌ها کمک کند؛ همهٔ این کارها بدون خروج از فضای کاری انجام می‌شوند.

## اتصال به ارائه‌دهندهٔ هوش مصنوعی {#connecting-an-ai-provider}

1. **تنظیمات > هوش مصنوعی** را باز کنید.
2. یک ارائه‌دهنده انتخاب کنید: **Anthropic**، **OpenAI** یا **Google Gemini**.
3. کلید API خود را جای‌گذاری کنید.
4. یک مدل انتخاب کنید.
5. به فضای کاری برگردید.

کلید API به‌صورت محلی باقی می‌ماند. این کلید مستقیما از مرورگر شما به API ارائه‌دهنده ارسال می‌شود و از هیچ سرور Ogma عبور نمی‌کند.

## باز کردن پنل دستیار {#opening-the-assistant-panel}

روی دکمهٔ هوش مصنوعی در کنترل‌های پایین سمت راست فضای کاری کلیک کنید یا، در صورت وجود، از دکمهٔ فضای کاری در نوار پیمایش بالا استفاده کنید. پنل در کنار فضای کاری اصلی باز می‌شود. می‌توانید آن را بزرگ کنید یا به‌صورت پنل شناور جداگانه نمایش دهید.

## آنچه هوش مصنوعی می‌تواند ببیند {#what-the-ai-can-see}

دستیار بر اساس آنچه اکنون باز کرده‌اید، زمینه دریافت می‌کند:

| زمینه | محتوای شامل‌شده |
| --- | --- |
| نمای فعال | صفحهٔ فعلی، مانند تاریخچهٔ HTTP، بازپخش، یافته‌ها و غیره |
| درخواست انتخاب‌شده | هدرها و بدنهٔ کامل درخواست و پاسخ |
| تاریخچهٔ ثبت‌شده | قابل پرس‌وجو با ابزارها؛ هوش مصنوعی به‌جای دریافت کل لاگ، جست‌وجو می‌کند |
| یافته‌ها | یافته‌های موجودی که هوش مصنوعی می‌تواند بخواند و به‌روزرسانی کند |
| محدوده | قواعد فعلی میزبان و مسیر داخل محدوده |
| متغیرهای محیطی | نام‌ها و مقادیر متغیرهای غیرمحرمانه |
| یادداشت‌ها | محتوای یادداشت‌های پروژه |

متغیرهای محیطی محرمانه هرگز به ارائه‌دهندهٔ هوش مصنوعی ارسال نمی‌شوند.

## تحلیل درخواست {#analyzing-a-request}

1. یک درخواست در تاریخچهٔ HTTP یا بازپخش انتخاب کنید.
2. پنل دستیار را باز کنید.
3. بپرسید: «این درخواست چه کاری انجام می‌دهد و کدام پارامترها قابل‌بررسی به نظر می‌رسند؟»

دستیار ورودی انتخاب‌شده را می‌خواند، درخواست را شرح می‌دهد، پارامترها را شناسایی می‌کند و آزمون‌های بعدی پیشنهاد می‌دهد.

## تهیهٔ پیش‌نویس یافته {#drafting-a-finding}

پس از شناسایی یک آسیب‌پذیری در بازپخش یا اسکنر:

1. دستیار را باز کنید.
2. درخواست کنید: «برای این دور زدن مجوزدهی، یک پیش‌نویس یافته با درخواست انتخاب‌شده به‌عنوان شاهد تهیه کن.»

دستیار ابزار `create_finding` را فراخوانی می‌کند تا یک یافتهٔ ساختاریافته با عنوان، شدت، شرح، مراحل بازتولید و یادداشت‌های رفع مشکل را مستقیما در فهرست یافته‌های شما بنویسد.

## بررسی خودمختار {#autonomous-investigation}

به دستیار یک URL شروع و یک هدف بدهید:

> «به https://app.example.com برو، با اطلاعات احراز هویت موجود در متغیرهای محیطی من وارد شو و هر نقطهٔ پایانی را که به نظر می‌رسد کنترل مجوزدهی ناکافی دارد شناسایی کن.»

دستیار با ابزارهای مرورگر پیمایش می‌کند، ترافیک حاصل را ثبت و تحلیل می‌کند و یافته‌های خود را گزارش می‌دهد. همچنین می‌تواند بدون درخواست بیشتر، از طریق بازپخش درخواست بفرستد، اسکن پسیو اجرا کند و یافته بسازد.

## کمک هوش مصنوعی برای HTTPQL و StreamQL {#httpql-and-streamql-ai-assist}

در سراسر برنامه، نوارهای فیلتر با نماد درخشش هوش مصنوعی، پرس‌وجوهای زبان طبیعی را می‌پذیرند. شرح آنچه می‌خواهید پیدا کنید، مانند «درخواست‌هایی با بدنهٔ JSON که فیلد نقش را تنظیم می‌کنند»، وارد کنید تا دستیار آن را به عبارت HTTPQL یا StreamQL تبدیل کند.

## ابزارهای دستیار درون برنامه {#in-app-assistant-tools}

دستیار می‌تواند این اقدامات را در Ogma انجام دهد:

| حوزه | اقدامات در دسترس |
| --- | --- |
| تاریخچهٔ HTTP | جست‌وجو، خواندن ورودی‌ها و بدنه‌ها، تحلیل ورودی‌ها |
| یافته‌ها | جست‌وجو، ایجاد و به‌روزرسانی یافته‌ها |
| نقشهٔ سایت و تحلیل | دریافت نقشهٔ سایت، تحلیل سطح فرانت‌اند، تشخیص فناوری‌های هدف، کدگشایی JWT |
| بازپخش | فهرست کردن نشست‌ها، به‌روزرسانی و ارسال درخواست‌ها، آزمون روندهای ورود |
| WebSocket | جست‌وجو در تاریخچهٔ WS، خواندن پیام‌ها، شروع ثبت WS |
| مرورگر | راه‌اندازی، پیمایش، اجرای JS، گرفتن تصویر صفحه، دریافت منبع صفحه |
| رهگیری | بررسی وضعیت صف، ارسال درخواست‌های رهگیری‌شده |
| خودکارسازی و گردش‌های کار | ایجاد نشست‌های خودکارسازی، اجرای گردش‌های کار پسیو، جست‌وجوی گردش‌های کار |
| اسکنر | اجرای اسکن پسیو |
| محدوده و پروژه‌ها | خواندن محدوده، افزودن به محدوده، فهرست کردن پروژه‌ها و جابه‌جایی میان آن‌ها |
| ابزارهای کمکی پی‌لود | دریافت پی‌لودها و قطعه‌کدهای شل معکوس |
| محیط | فهرست کردن متغیرهای محیطی |

## هوش مصنوعی فضای کاری در برابر سرور MCP {#workspace-ai-vs-mcp-server}

| | هوش مصنوعی فضای کاری | سرور MCP |
| --- | --- | --- |
| محل اجرا | درون فرانت‌اند Ogma | فرایند جداگانهٔ `ogma-mcp` |
| کاربر اصلی | شما، هنگام گفت‌وگو در Ogma | کلاینت‌های خارجی، مانند Claude Code، Cursor و Codex |
| پروتکل | API ارائه‌دهنده و فراخوانی ابزارهای فرانت‌اند | Model Context Protocol |
| تعداد ابزارها | 55 ابزار جایگزین درون برنامه، به‌علاوهٔ ابزارهای زندهٔ MCP بک‌اند در صورت دسترسی | 164 ابزار MCP |
| مناسب برای | تحلیل تعاملی هنگام آزمون | گردش‌های کار عامل‌های خارجی و دسترسی از محیط توسعهٔ یکپارچه |

برای ابزارهای هوش مصنوعی خارجی، به [راه‌اندازی MCP](../mcp-setup.md) مراجعه کنید.

## درخواست‌های کاربردی {#practical-prompts}

* «کار این درخواست را خلاصه کن و پارامترهای قابل‌بررسی را شناسایی کن.»
* «بر اساس شواهد بازپخش انتخاب‌شده، مراحل بازتولید را بنویس.»
* «این دو پاسخ را مقایسه کن و تفاوت‌های معنادار را توضیح بده.»
* «این شواهد اسکنر را به یک پیش‌نویس یافتهٔ مختصر تبدیل کن.»
* «برای این نقطهٔ پایانی، آزمون‌های بعدی بازپخش را پیشنهاد بده.»
* «در تاریخچه، درخواست‌هایی را پیدا کن که داده‌های حساب کاربر را تغییر می‌دهند.»