اگر امروز برای ابزارهای کدنویسی هوش مصنوعی هزینه میکنید، احتمالاً بخش زیادی از بودجه شما صرف مدلهای گرانقیمتی میشود که برای کارهای ساده بیش از حد قدرتمند هستند. دیتابریکس (Databricks) با معرفی Unity Gateway CLI این معادله را تغییر داد تا از پراکندگی هزینههای هوش مصنوعی در سازمانهای بزرگ جلوگیری کند. هدف اصلی این ابزار، ایجاد یک معیار برای کاهش ۳۵ درصدی هزینههای کدنویسی داخلی است.
طبق اعلام این شرکت در ۲۴ سپتامبر ۲۰۲۶، این ابزار خط فرمان (CLI) به شرکتها اجازه میدهد کنترل متمرکزی بر مدلها و ابزارهایی که توسعهدهندگانشان در هزاران عامل (Agent) — شبیه به دستیارهای دیجیتالی که میتوانند بهجای شما ابزارها را اجرا کنند — استفاده میکنند، داشته باشند. این ابزار در واقع برای متوقف کردن تکهتکه شدن بودجههای AI در سطح سازمان طراحی شده است. در همین راستا، استفاده از عاملهای تخصصی برای اتوماسیون فرآیندهای پیچیده در حال گسترش است، مشابه آنچه در سازوکار عاملهای SlideOps برای بازسازی مستندات مشاهده میکنیم.
فشار حاکمیتی در عصر مدلهای سریع
بسیاری از تیمهای مهندسی اکنون با فشار شدیدی روبرو هستند که ناشی از سرعت سرسامآور عرضه مدلهاست. به نقل از وبلاگ دیتابریکس، در این صنعت تقریباً هر پنج روز یک مدل پیشرو جدید معرفی میشود. در شش ماه پیش از این عرضه، بازار شاهد ظهور GPT-6, Claude Opus 5.5, Gemini 3.8 و Grok 4.7 بود و در کنار آنها مدلهای وزنهای باز (Open Weights) — یعنی مدلهایی که دستور پخت یا همان ساختار داخلیشان علناً منتشر شده — مانند Kimi K3, GLM-5 و DeepSeek V4.1 عرضه شدند.
این وضعیت یک کابوس مدیریتی ایجاد میکند؛ چراکه سیاستهای امنیتی، کنترل دسترسی، ثبت گزارشات استفاده (Usage Logging) و بودجهها در سیستمهای مختلف برای هر عامل پذیرفته شده پخش شدهاند. همانطور که در تحلیل قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، استانداردسازی روی یک ارائهدهنده واحد باعث میشود گزینههای ارزانتر یا بهتر نادیده گرفته شوند، اما پشتیبانی از ارائهدهندگان متعدد، سازمان را در برابر مخاطرات امنیتی و هزینههای کنترلنشده قرار میدهد. این چالشهای مدیریتی در مقیاس بزرگ، نیاز به ابزارهایی برای جلوگیری از تخریب ساختاری کدها را نیز افزایش میدهد، همانطور که ImpactGate با امتیازدهی به تخریب ساختاری سعی در جلوگیری از ایجاد کلاسهای غولپیکر دارد.
برای حل این مشکل، Unity Gateway CLI که با دستور ug اجرا میشود، به عنوان یک نقطه اتصال واحد بین عامل توسعهدهنده و لایه حاکمیتی شرکت عمل میکند. مدیران اکنون از یک کنسول واحد — که در مسیر Govern و سپس Agent Configuration قرار دارد — برای پیکربندی مدلهای پیشفرض، سیاستهای هزینه، سرورهای MCP، مهارتها (Skills) و مسیریابی هوشمند استفاده میکنند. پس از انتشار تنظیمات، توسعهدهندگان تنها با یک دستور، محیط محلی خود را با استانداردهای شرکت همگام میکنند.
جزئیات فنی و یکپارچهسازی
این ابزار برای اجرا به پایتون ۳.۱۲ یا بالاتر و مدیریت بسته uv نیاز دارد. همچنین اگر یک عامل CLI نیاز به نصب خودکار داشته باشد، باید npm نصب باشد. نصب این ابزار از طریق یک دستور uv tool install انجام میشود که مستقیماً به مخزن گیتهاب databricks/unity-gateway اشاره دارد.
این سیستم از طیف گستردهای از عاملها پشتیبانی میکند، از جمله:
- Claude Code، Codex و Gemini CLI
- OpenCode، GitHub Copilot CLI و Pi
- Cursor Agent (که تنها از طریق ثبت MCP-server متصل میشود)
در اولین اجرا، ug فضای کاری دیتابریکس را درخواست کرده و کاربر را برای نوشتن پیکربندی محلی وارد میکند؛ در اجراهای بعدی، از همین اعتبارنامهها (Credentials) استفاده میشود. برای حفظ سازگاری، بسته پایتون نام ucode را حفظ کرده است و دستورات موجود ucode همچنان فعال هستند. همچنین برای جلوگیری از دسترسی به دادهها و از دست رفتن اطلاعات، هر فایلی که توسط ug بازنویسی شود، پشتیبانگیری میشود و با دستور ug revert قابل بازیابی است.
توسعهدهندگان میتوانند در میانه یک جلسه با دستور /model مدل را تغییر دهند، در حالی که مدیران میتوانند مدلهای جدید را بهصورت دستهای (Cohort-based) برای تیمهای خاص منتشر کنند. این سیستم همچنین از ثبت مهارتهای Unity Catalog به عنوان ابزارهای پروتکل زمینهٔ مدل (MCP) یا دایرکتوریهای مهارت محلی پشتیبانی میکند. سرورهای MCP دیتابریکس بهصورت محلی به عنوان سرورهای stdio اجرا میشوند که دستور ug mcp-proxy را اجرا کرده و توکنهای OAuth را از پروفایل CLI کاربر بهروزرسانی میکنند. مراجع دستورات این ابزار شامل ug status برای وضعیت، ug doctor برای عیبیابی، ug usage برای میزان مصرف و ug upgrade برای بهروزرسانی است.
کنترل هزینه و مشاهدهپذیری
قلب تپنده این ابزار «مسیریابی هوشمند» (Smart Routing) است. این مکانیزم بهطور خودکار وظایف ساده را به مدلهای ارزانتر و وظایف پیچیده را به مدلهای قدرتمند میسپارد. این سیستم میتواند یک مدل را برای جلسه اصلی و مدل متفاوتی را برای کارهای واگذار شده به یک زیر-عامل (Subagent) انتخاب کند. این رویکرد در بنچمارکهای داخلی دیتابریکس منجر به کاهش ۳۵ درصدی هزینهها شده است.
وقتی هزینهها به آستانه تعیینشده میرسند، پیشفرضهای آگاه از بودجه در Unity Gateway مدلهای ارزانتر را برای جلسات جدید پیشنهاد میدهند تا از تخطی از بودجه جلوگیری شود. این توصیهها جریان کاری جاری را مختل نمیکنند و توسعهدهندگان میتوانند بودجه باقیمانده را با دستور ug usage بررسی کنند.
علاوه بر مسیریابی، این CLI ردپای (Traces) فراخوانی ابزارهای محلی و اجرای مهارتها را به یک جدول Lakehouse واحد صادر میکند. دیتابریکس گزارش داد که تیم مهندسیاش با استفاده از این دادههای ردیابی و Genie One، هفت باگ در ابزارهای MCP را شناسایی کرد. رفع این خطاها سالانه ۱.۲ میلیون دلار در هزینههای توکنهای هدر رفته و بهرهوری از دست رفته ذخیره کرد. تیمها میتوانند از Genie برای شناسایی پاسخهای بیش از حد بزرگ و شکستهای مکرر ابزارها استفاده کنند تا اتلاف توکنها را بیشتر کاهش دهند.
پذیرش در سطح سازمانی
جان زینگ، مدیر فناوری Concurrence، اشاره کرد که این CLI یک لوله کنترلشده برای تمام ترافیک مدلها فراهم میکند که هر تراکنش را با دقت تا سطح کاربر فردی نسبت میدهد. در این سیستم، دسترسی تنها به مدلها و ابزارهای MCP تأیید شده محدود است. از زمان استقرار، عاملهای این شرکت بیش از ۶۱ میلیارد توکن ورودی را در ۳۶۰ هزار درخواست پردازش کردهاند که همگی در یک داشبورد مرکزی قابل مشاهدهاند.
این تغییر، صنعت را از «هوش مصنوعی سایه» (Shadow AI) — جایی که توسعهدهندگان از کلیدهای API شخصی خود برای دسترسی به جدیدترین مدلها استفاده میکنند — دور میکند و اکوسیستمی مدیریتشده میسازد که در آن تیم زیرساخت میتواند مدل را بهصورت جهانی به نسخهای ارزانتر یا بهتر تغییر دهد، بدون اینکه توسعهدهنده نیازی به تغییر در جریان کاری محلی خود داشته باشد.
برای کسانی که قصد پیادهسازی این ابزار را دارند، این ابزار از طریق مخزن databricks/unity-gateway در گیتهاب تحت لایسنس دیتابریکس در دسترس است. این لایسنس اجازه مشاهده، کپی و تغییر مطالب را تنها برای استفاده در خدمات دیتابریکس یا اتصال به آنها میدهد. کاربران میتوانند با اجرای دستور uv tool install شروع کنند تا فضای کاری خود را متصل کرده و همگامسازی پیکربندیهای تأیید شده را آغاز کنند.
گام بعدی شما
- اگر از چندین مدل زبانی برای کدنویسی استفاده میکنید، مخزن
databricks/unity-gatewayرا در گیتهاب بررسی کنید. - برای کاهش هزینهها، وظایف تکراری و ساده را شناسایی کرده و آنها را به مدلهای کوچکتر (SLM) منتقل کنید.
- از دستور
ug usageبرای تحلیل دقیقترین نقاط مصرف توکن در تیم خود استفاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو