یک درخواست ارسالی از یک عامل هوش مصنوعی به عامل دیگر، اغلب در خلأ ناپدید میشود و فرستنده را در این تردید میگذارد که آیا طرف مقابل کند است یا بهطور کلی از دسترس خارج شده است. این شکست، تعریف دقیق ریسک در سامانههای نظیر به نظیر (Peer-to-Peer) است؛ جایی که هیچ صف پیام یا توزیعکنندهای برای مدیریت منطق تلاش مجدد وجود ندارد. در ۷ اوت ۲۰۲۶، یک بررسی فنی عمیق در وبسایت dev.to تشریح کرد که توسعهدهندگان برای حفظ پایداری، باید تصمیمات مربوط به تلاش مجدد (Retry) را از لایهی زیرساخت به منطق برنامه منتقل کنند.
معماریهای سنتی کلاینت-سرور، تلاشهای مجدد را یک دغدغهی زیرساختی میدانند. در آن تنظیمات، یک واسطه (Broker) چرخه عمر درخواست را مدیریت کرده و پیامهای تأییدنشده را بهطور خودکار بازمیفرستد. در این مدلها، یک صف پیام (Message Queue) پیامهای بدون تایید را مجدداً ارسال میکند، یک توزیعکننده بار (Load Balancer) در صورت خرابی، درخواست را به یک نسخه سالم منتقل میکند و پلتفرمهای بدون سرور (Serverless) فراخوانیها را بهطور خودکار تکرار میکنند. اما عاملهای (Agents) مستقل که مستقیماً با هم صحبت میکنند، با قلمرو شکست گستردهتری روبرو هستند؛ جایی که یک طرف ممکن است کرش کرده باشد، دوباره مستقر شده باشد، به ابر (Cloud) دیگری منتقل شده باشد یا صرفاً در حال اجرای عملیاتی طولانی باشد که دقایق زمان میبرد. برای عیبیابی این سناریوها، شناخت گامهای عملی برای رفع اختلالات ارتباطی میان عاملها پیشنیاز مدیریت پایداری در مقیاس گسترده است.
تصور کنید دو پیمانکار مستقل بدون منشی، با تلفن با یکدیگر تماس میگیرند. اگر خط قطع شود، هیچکدام نمیدانند که تماس قطع شده یا طرف مقابل فقط در حال فکر کردن است. از دیدگاه عامل A، یک پاسخ کند و یک عامل مرده کاملاً یکسان به نظر میرسند، زیرا هیچکس روی سیم نظارت نمیکند. بدون وجود یک واسطه، یک پاسخ گمشده بهسادگی تبخیر میشود. علاوه بر این، اگر هر دو طرف همزمان تلاش مجدد کنند، یک حلقه بازخورد مخرب ایجاد میشود که در آن یک پیام دو بار میرسد یا عاملها در یک چرخه تکراری، یکدیگر را بمباران میکنند.
منطق مهلتهای زمانی بهینه
تنظیم مهلت زمانی (Timeout) بر اساس حدس و گمان، یکی از اصلیترین دلایل شکست است. بازهی زمانی خیلی کوتاه، عاملهای سالم اما کند را «شکستخورده» علامت میزند و بازهی خیلی طولانی، کل سیستم را منجمد میکند. طبق گزارش dev.to، مهلت زمانی صحیح باید از اندازهگیری واقعی رفتوبرگشت دادهها استخراج شود و مقداری بیشتر از «دمِ کند» (Slow Tail) توزیع باشد.
توسعهدهندگان باید دو معیار متمایز را تفکیک کنند:
- زمان رفتوبرگشت (Round-trip time): مدت زمانی که داده در شبکه میماند و از طریق پینگ یا ضربانسنج (Heartbeat) بررسی میشود. این معیار مشخص میکند که آیا طرف مقابل در دسترس است یا خیر.
- زمان عملیات (Operation time): زمان مورد نیاز برای انجام واقعی کار که بسته به نوع درخواست متفاوت است. این معیار مشخص میکند که آیا کار به پایان رسیده است یا نه.
در تنظیمات P2P یا شبکههای رویهمافتاده (Overlay)، حیاتی است که قبل از فرضِ مرگِ یک عامل، وضعیت انتقال داده پینگ شود؛ زیرا «در دسترس بودن» و «پاسخگو بودن» دو حقیقت متفاوت هستند. علاوه بر مهلتهای هر تلاش، یک ضربالاجل (Deadline) کلی نیز لازم است. در حالی که مهلت هر تلاش تصمیم میگیرد چه زمانی یک પ્રયاند تک را شکستخورده بدانیم، ضربالاجل تعیین میکند که چه زمانی کل درخواست باید متوقف شود تا از هدر رفتن منابع محاسباتی جلوگیری شود.
برای مثال، منطق یک فراخوانی با بودجه مشخص، شامل محاسبه زمان باقیمانده در برابر ضربالاجل کلی است. در این حالت از asyncio.wait_for با مقدار کمترینِ «مهلت تلاش» یا «بودجه باقیمانده» استفاده میشود. اگر زمان باقیمانده صفر یا کمتر باشد، یک TimeoutError برای ضربالاجل کلی صادر میشود.
اجرای عقبنشینی نمایی و لرزش
تلاش مجدد با نرخ ثابت منجر به پدیدهی «گلههای خروشان» (Thundering Herds) میشود؛ جایی که عاملهای همگام، یک طرف در حال بازیابی را بمباران میکنند. راه حل این است: عقبنشینی نمایی (Exponential Backoff) همراه با لرزش (Jitter). این سازوکار تضمین میکند که هر شکست بعدی، تأخیر را افزایش دهد؛ به عنوان مثال، حرکت از ۰.۲ ثانیه به ۰.۴، ۰.۸ و ۱.۶ ثانیه تا رسیدن به یک سقف مشخص (مانند ۸.۰ ثانیه).
دو جزئیات کلیدی این مکانیسم را تعریف میکنند:
- نمایی: هر تلاش شکستخورده، بازه زمانی را ضرب میکند. این کار به عامل در حال بازگشت فرصت بازیابی (Recovery) میدهد و مانع از آن میشود که یک عامل مرده بهطور مداوم بمباران شود.
- لرزش: تصادفیسازی با استفاده از فرمولهایی مثل
random.uniform(0, min(cap, base * (2 ** attempt)))اعمال میشود.
با شکستن تقارن در زمانبندی تلاشها، لرزش مانع از آن میشود که عاملها در یک حلقه دائمی از شکستهای همگام با یکدیگر برخورد کنند. این تصادفیسازی، همان حاشیه اندکی است که مانع تبدیل یک نقص کوچک به یک طوفان عظیم از تلاشهای مجدد میشود. اما باید مراقب بود که این تکرارهای سیستمی منجر به هزینههای پیشبینی نشده نشود؛ چنانکه حلقههای تکرار در پروتکل MCP پیش از این باعث افزایش چشمگیر هزینههای ابری شدهاند. هر پیادهسازی باید حتماً یک سقف برای عقبنشینی داشته باشد و در تعداد مشخصی از تلاشها متوقف شود.
همتوانسازی: شرط ایمنی
هر تلاش مجدد در واقع یک تکرار است. اگر عاملی درخواست را پردازش کند اما پاسخ گم شود، تلاش مجدد باعث میشود عامل دوباره همان کار را انجام دهد. برای کارهای فقط-خواندنی (Read-only) این موضوع بیضرر است؛ اما برای تغییرات وضعیت مانند پرداختها، تخصیص شغلها یا سایر اثرات جانبی (Side effects)، این یک باگ بحرانی است.
برای ایمن کردن این فرآیند، گیرنده باید همتوانسازی (Idempotency) را از طریق حذف تکراریها با استفاده از شناسههای منحصربهفرد (Request IDs) پیاده کند. ترکیبی از «تحویل حداقل-یکبار» و «حذف تکراریها» به این صورت عمل میکند:
- تولید شناسه: فرستنده یک ID منحصربهفرد میسازد و آن را در تمام تلاشهای مجدد حفظ میکند.
- ردیابی گیرنده: گیرنده شناسههای پردازششده را به خاطر میسپارد، که اغلب از طریق یک دیکشنری که شناسهها را به نتایج متصل میکند، انجام میشود.
- مدیریت تکرار: اگر شناسهای تکراری برسد، گیرنده نتیجه را از حافظه پنهان (Cache) برمیگرداند بدون اینکه کار را دوباره اجرا کند.
با تلقی کردن «شناسه یکسان» به عنوان «درخواست منطقی یکسان»، تلاش مجدد از یک مشکل صحت (Correctness) به یک دغدغه انتقال داده تبدیل میشود.
بودجههای تلاش مجدد و قطعکنندهها
بدون مرزبندی، منطق تلاش مجدد میتواند خود عامل قطعی شود. یک «بودجه تلاش مجدد» حداکثر تعداد تلاشها و زمان کل صرف شده برای یک تماس را محدود میکند. یک حلقه معمولی ممکن است با تأخیر ۰.۲ ثانیه شروع شده و در محدوده max_attempts تکرار شود و تنها پس از اتمام تمام تلاشها، TimeoutError را صادر کند. در کنار این محدودیتهای زمانی، استفاده از لایههای حفاظتی نظیر AI CostGuard میتواند از انفجار هزینهها در اثر تلاشهای مجدد بیپایان در عاملهای خودمختار جلوگیری کند.
برای شکستهای سیستمی، یک قطعکننده (Circuit Breaker) در سطح هر عامل ضروری است. به جای سوزاندن بودجه روی عاملی که بهوضوح قطع است، سیستم تعداد شکستهای متوالی را ردیابی کرده و وارد یک پنجرهی استراحت (Cooldown) میشود. در دنیای بدون واسطه، قطعکننده تنها مکانیسمی برای ایجاد فشار معکوس (Backpressure) است. این تنها چیزی است که مانع از آن میشود که یک عامل تمام بعدازظهر خود را صرف تلاش مجدد برای یک اتصال مرده کند، در حالی که طرف مقابل صرفاً یک «دقیقه بد» داشته است.
توافقات در سطح پروتکل
از آنجا که هر دو عامل در یک تبادل P2P از یک دستورالعمل مشابه استفاده میکنند، ممکن است هر دو همزمان تلاش کنند یک تبادل را از دو جهت مختلف بازگردانند. این امر میتواند منجر به انجام کارهای تکراری در هر دو طرف و ایجاد طوفانهای پیامی شود که عقبنشینی به تنهایی نمیتواند آنها را حل کند. کاهش این اثر نیازمند توافقات در سطح پروتکل است، نه صرفاً انتخاب کتابخانه:
- شناسههای سرتاسری: IDها باید توسط شروعکننده (Originator) تولید شده و توسط گیرنده در هر دو طرف پذیرفته شوند.
- معناشناسی «حداقل-یکبار»: هر دو طرف باید فرض کنند که حذف تکراریها یک نیاز پیشفرض است.
- کنونسیونهای مشترک: مقادیر Timeout باید همراستا باشند تا چیزی که عامل A «کند» میپندارد، برای عامل B «عادی» نباشد.
برای کسانی که از سوکتهای خام یا HTTP دوری میکنند، مستندات Pilot Protocol استفاده از یک شبکه رویهمافتاده (Overlay Network) را پیشنهاد میکند. این کار به عاملها آدرسهای مجازی دائمی میدهد که با تغییر IP یا ریاستارت شدن، پایداری خود را حفظ میکنند و تضمین میکند که تلاش مجدد به همان آدرس، همچنان به همان عامل برسد. این شبکه همچنین تونلهای رمزنگاری شده و عبور از NAT را فراهم میکند. با جداسازی لولهکشی انتقال (در دسترس بودن) از منطق برنامه (مهلتهای زمانی)، توسعهدهندگان میتوانند بر پایداری عملیاتی تمرکز کنند.
چکلیست نهایی پایداری
برای تضمین ثبات عامل-به-عامل، توسعهدهندگان باید این اصول اصلی را دنبال کنند:
- اندازهگیری واقعی رفتوبرگشتها و تنظیم مهلت هر تلاش بالاتر از دمِ کند.
- تفکیک زنده بودن (پینگ کردن عامل) از پاسخگو بودن (زمانبندی عملیات).
- پیادهسازی عقبنشینی نمایی با لرزش، شامل سقف زمانی و حداکثر تعداد تلاش.
- حذف تکراریها توسط شناسه درخواست در سمت گیرنده برای تضمین همتوانسازی.
- استفاده از ضربالاجل کلی و قطعکننده برای جلوگیری از تبدیل شدن تلاشهای مجدد به عامل قطعی.
- همگامسازی معناشناسی با طرف مقابل، با پذیرش این نکته که هیچ واسطهای (Broker) برای نجات اتصال وجود ندارد.
مرجع: مستندات Pilot Protocol — آدرسدهی، انتقال و مدل اعتماد برای شبکههای عاملی. نصب: curl -fsSL https://pilotprotocol.network/install.sh | sh.
گام بعدی شما
- اندازهگیری واقعی زمان رفتوبرگشت (RTT) در محیط استقرار خود و تنظیم Timeout بر اساس دمِ کند توزیع.
- پیادهسازی لایه حذف تکراری (Deduplication) در تمامی نقاط تغییر وضعیت (State Change) برای تضمین همتوانسازی.
- بررسی مستندات Pilot Protocol برای جایگزینی زیرساختهای انتقال داده با شبکههای Overlay.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو