تصور کنید در یک شرکت بزرگ، تیم بازاریابی و تیم مالی هر کدام یک عامل هوش مصنوعی جداگانه ساختهاند که از یک منبع داده مشترک استفاده میکنند، اما سطح دسترسیهای امنیتی آنها کاملاً متفاوت است. این تضاد، دقیقاً همان نقطهای است که امنیت دادههای سازمانی را به خطر میاندازد. در چنین محیطی، عدم هماهنگی باعث میشود ابزارهایی ساخته شوند که از یکدیگر بیخبرند و ریسکهای امنیتی پنهانی ایجاد میکنند.
آمازون وب سرویسز (AWS) در ۳۱ اوت ۲۰۲۶ با عرضه عمومی AWS Agent Registry، راهکاری برای مدیریت این هرجومرج ارائه داد. این سرویس در واقع یک کاتالوگ مرکزی برای ثبت و نظارت بر عامل (Agent)ها، ابزارها و مهارتهای هوش مصنوعی است تا از پراکندگی استقرارها جلوگیری کند. در واقع، AWS اکنون پراکندگی هوش مصنوعی سازمانی را به عنوان یک بدهی قابل اندازهگیری در نظر میگیرد که باید مدیریت شود.
بسیاری از سازمانها اکنون با پدیدهای به نام «هوش مصنوعی سایه» (Shadow AI) دستوپنجه نرم میکنند؛ وضعیتی که در آن تیمهای مختلف، ابزارهای مشابهی را در انزوای کامل و بدون نظارت تیم امنیت میسازند. همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، نبودِ یک لایهٔ نظارتی متمرکز، ریسک نشت دادهها را بهشدت افزایش میدهد و باعث ایجاد شکافهای حاکمیتی در زیرساختهای فناوری اطلاعات میشود.
این سرویس که پیشنمایش آن در ۹ آوریل ۲۰۲۶ آغاز شده بود، اکنون در مناطق استراتژیک از جمله شرق ایالات متحده (ویرجینیا)، غرب ایالات متحده (اورگان)، اروپا (ایرلند) و آسیا-پاسیفیک (توکیو و سیدنی) در دسترس است. برای حفظ امنیت در شبکههای بسته و محیطهای شبکه محدود، AWS از AWS PrivateLink استفاده میکند تا دسترسی به رجیستری را ایمن و درونی نگه دارد.
مدیریت دسترسی به هر نمونه از رجیستری از طریق اعتبارنامههای AWS IAM یا پروتکل OAuth با استفاده از توکنهای JSON Web (JWT) از طریق ارائهدهندگان هویت سازمانی انجام میشود. مدیران میتوانند یک رجیستری واحد برای کل سازمان مستقر کنند یا بر اساس واحدهای تجاری، محیطهای مختلف (توسعه، تست، تولید) یا الزامات خاص انطباق (Compliance)، نمونههای مجزایی ایجاد کنند.
این سامانه از طریق Amazon Bedrock AgentCore عمل میکند و عملیات را به دو بخش مجزا تقسیم میکند: «لایهٔ حاکمیتی» (Governance Plane) که تمام سوابق و سیاستهای مدیریتی را ذخیره میکند و «لایهٔ اکتشاف» (Discovery Plane) که فقط ابزارهای تأییدشده را به کاربران نهایی نمایش میدهد. جستوجو در این لایه ترکیبی از تطبیق کلیدواژهها و جستوجوی معنایی (Semantic Search) است که به کاربران اجازه میدهد از طریق پرسوجوهای زبان طبیعی یا جستوجوی دقیق نام، رکوردها را بیابند. این قابلیتهای اکتشافی در راستای استراتژی گستردهتر AWS برای فدراسیون ثبتکنندههای هوش مصنوعی است تا مدیریت منابع در محیطهای چندابری تسهیل شود.
به گزارش unite.ai، این سیستم از چهار نوع رکورد پشتیبانی میکند:
- رکوردهای MCP: سرورهای پروتکل زمینهٔ مدل (Model Context Protocol) شامل ابزارها، منابع و پرامپتها.
- رکوردهای عامل: کارتهای Agent2Agent (A2A) که تعریف یک عامل و مهارتهای مرتبط با آن را مشخص میکنند.
- رکوردهای مهارت: تعاریف Markdown همراه با کدها یا پکیجهای نرمافزاری مرتبط.
- رکوردهای سفارشی: هر توصیفگر معتبری که در قالب JSON باشد.
هر رکورد یک چرخهٔ حیات سختگیرانه دارد: رکوردها از حالت پیشنویس (Draft) به وضعیت انتظار برای تأیید (Pending Approval) میروند و سپس یا تأیید یا رد میشوند. متصدیان (Curators) میتوانند در هر زمان هر رکوردی را منسوخ (Deprecate) کنند. همچنین برای اهداف حسابرسی، تمامی فراخوانیهای API رجیستری در AWS CloudTrail ثبت میشوند.
برای مقابله با هوش مصنوعی سایه، AWS قابلیت شناسایی خودکار را اضافه کرده است. وقتی این ویژگی در سطح AWS Organizations فعال شود، رجیستری تمام عاملهایی که روی AgentCore Runtime و Gateway در تمامی حسابهای سازمان اجرا میشوند را اسکن میکند. این منابع شناساییشده به عنوان رکوردهای پیشنویس ظاهر میشوند و آنها را مجبور میکنند وارد چرخه استاندارد بررسی و تأیید شوند. علاوه بر این، رجیستری میتواند متادادهها را مستقیماً از نقاط انتهایی (Endpoints) خارجی سرورهای MCP یا A2A با استفاده از IAM، OAuth یا دسترسیهای بدون احراز هویت همگامسازی کند.
فرآیند انتشار از طریق کنسول AWS، رابط خط فرمان (CLI) یا APIها انجام میشود و قابلیت ادغام در خط لولههای CI/CD را دارد. هنگامی که یک رکورد به وضعیت «در انتظار تأیید» میرسد، رجیستری یک رویداد Amazon EventBridge صادر میکند. اگرچه AWS گردش کارهای تأیید داخلی را ارائه نمیدهد، اما این قلابها (Hooks) به سازمانها اجازه میدهد سیستمهای مسیریابی سفارشی خود را بسازند.
برای توسعهدهندگان، API جستوجوی این سامانه مانند یک سرور MCP عمل میکند تا عاملها بتوانند بهصورت برنامهنویسیشده ابزارهای دیگر را پیدا کنند. محیطهایی مثل Kiro و Claude Code میتوانند از طریق ثبت کلاینت پویا (Dynamic Client Registration) بهطور بومی به این سیستم متصل شوند. کاربران تجاری نیز از طریق Amazon Quick به این عاملهای تأییدشده در جریانهای کاری چت، اتوماسیونها، جریانها (Flows) و گردشهای کاری «تحقیق عمیق» (Deep Research) دسترسی دارند. این دسترسیها در کنار قابلیتهای جدید جستوجوی وب در سرویس بدراک به عاملها اجازه میدهد تا با دادههای بهروزتر و دقیقتر عمل کنند.
بر اساس گزارشهای اولیه، شرکتهایی مثل Southwest Airlines با استفاده از این کاتالوگ، از بازسازی ابزارهای تکراری توسط تیمهای مختلف جلوگیری کردهاند. لورن وودز، مدیر فناوری این شرکت، تأیید کرد که آنها از دهها ابزار پراکنده به یک کاتالوگ متمرکز رسیدهاند. شرکت Syngenta نیز توسط ساندپ رایاسا، معمار سازمانی، اعلام کرد که اکنون هر قابلیت را پیش از اشتراکگذاری داخلی بررسی میکنند. سایر پذیرندگان اولیه شامل سونی، میتسوبیشی الکتریک، پپسیکو و Amdocs هستند.
شرکای تجاری نیز در حال ادغام با این پلتفرم هستند. Informatica سرورهای MCP میزبانیشده خود را در رجیستری فهرست میکند و Check Point از آن برای شناسایی مداوم و ارزیابی وضعیت امنیتی بارهای کاری Bedrock AgentCore استفاده میکند. شرکتهای PwC Australia، Caylent و Slalom نیز از این عرضه حمایت کردهاند.
از منظر تجاری، این حرکت AI را از فاز «تجربی» به فاز «عملیاتی» میبرد. AWS با تبدیل عاملها به داراییهای قابل اکتشاف سازمان — مشابه مدیریت کاتالوگهای API — بدهی فنی (Technical Debt) گردشهای کاری عاملمحور را کاهش میدهد. اثر ثانویه این تغییر، کاهش زمان عرضه به بازار (Time-to-Market) برای ابزارهای داخلی AI است، زیرا تیمها اکنون میتوانند مهارتهای موجود را «جستوجو و انتخاب» کنند بهجای آنکه آنها را از صفر کدنویسی کنند.
قیمتگذاری این سرویس بر اساس مصرف است و یک سطح رایگان سخاوتمند دارد: ۵۰۰۰ رکورد اول، یک میلیون فراخوانی API جستوجو و دو میلیون فراخوانی ترکیبی Get و List رایگان است. پس از آن، هر ۱۰۰۰ رکورد ۰.۴۰ دلار، هر ۱۰۰۰ فراخوانی API جستوجو ۰.۰۲۰ دلار و هر ۱۰۰۰ فراخوانی List/Get مبلغ ۰.۰۰۴ دلار هزینه دارد.
AWS قصد دارد در آینده شناسایی خودکار را به منابع Amazon EC2، EKS و ECS گسترش دهد و فدراسیونی برای منابع غیر AWS ایجاد کند. بهروزرسانیهای آتی شامل گرافهای وابستگی، معیارهای مشاهدهپذیری برای هر منبع و یک اپلیکیشن وب مستقل با قابلیت SSO خواهد بود که نیاز به کنسول AWS را از بین میبرد. نمونه کدهای عملی نیز در مخزن agentcore-samples در دسترس است.
گام بعدی شما
- اگر در سازمان خود از چندین عامل AI پراکنده استفاده میکنید، ابتدا یک فهرست از تمام دسترسیهای دادهای آنها تهیه کنید.
- بررسی کنید که آیا ابزارهای فعلی شما با پروتکل MCP سازگار هستند تا در آینده راحتتر به رجیستریهای متمرکز متصل شوند. در همین راستا، ابزارهایی مانند Is Agentic ورسل میتوانند به شما در ارزیابی میزان سازگاری زیرساختهای وب با عاملهای هوش مصنوعی کمک کنند.
- مدل قیمتگذاری AWS را با حجم رکوردهای احتمالی سازمان خود تطبیق دهید تا هزینه استنتاج و مدیریت را پیشبینی کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو