تصور کنید سیستمی که میتواند میلیاردها عامل هوش مصنوعی را بهطور همزمان مدیریت کند؛ مقیاسی که دیگر یک فرض تئوریک نیست. AX، موتور اجرای جدید عاملمحور، این امکان را فراهم میکند تا توسعهدهندگان ناوگانهای عظیمی از وظایف ایزولهشده (Sandboxed Tasks) را فراتر از محدودیتهای ارکستراتورهای سنتی مستقر کنند.
بیشتر سیستمهای فعلی با عامل (Agent) — شبیه به کارمندی دیجیتال که میتواند ابزارها را مدیریت کند و تصمیم بگیرد — یا بهعنوان میکروسرویسهای بدون وضعیت (Stateless) یا کارهای دستهای (Batch) پیشبینیپذیر برخورد میکنند. طبق گزارش agentexecutor.io در ۲۰ سپتامبر ۲۰۲۶، این رویکرد باعث اتلاف شدید بودجه میشود؛ زیرا عاملها اغلب دقایق زیادی را در انتظار پاسخ مدل یا تأیید انسان میگذرانند. در واقع، شما هزینه محاسباتیِ وضعیتی را میپردازید که عملاً هیچ کاری انجام نمیدهد و فقط یک جلسه (Session) را باز نگه داشته است. حتی اگر کسی نظارت نکند، عاملها ممکن است در یک حلقه تکرار بیپایان، بودجه شما را بسوزانند. این چالشهای ساختاری در مدیریت حلقههای تکرار، پیشتر در رویکرد meclaw برای جایگزینی این حلقهها با توپولوژی فایل مورد بررسی قرار گرفته بود.
این پلتفرم که حاصل پژوهشهای گوگل (Google) و گوگل دیپمایند (Google DeepMind) است، عاملها را بهعنوان نوع جدیدی از بار کاری میبیند: بازیگرانی با وضعیت (Stateful) و رفتاری انفجاری (Bursty). AX بر پایه Agent Substrate بنا شده است؛ یک محیط اجرای محاسباتی (Compute Runtime) که برای تراکم بالا و چرخه عمر سریع طراحی شده است.
زمینه: یک پارادایم جدید در محاسبات
AX زمانی توسعه یافت که پژوهشهای سیستمهای زمان اجرای عاملمحور با سختافزارهای پیشرو تلاقی کردند. تیمهای مختلف در گوگل دریافتند که بارهای کاری عاملمحور نه میکروسرویس هستند و نه کارهای دستهای؛ آنها وضعیت را در طول زمان انباشته میکنند، به جداسازی سختگیرانه نیاز دارند و بهطور مداوم با APIهای مدل و سرورهای ابزار در ارتباطاند.
ارکستراتورهای سنتی برای این حجم از عملیات بسیار گران و از نظر مالی بازدارنده هستند. این سیستمها فاقد پشتیبانی بومی از تعلیق (Suspend) و بازیابی (Resume) در کمتر از یک ثانیه هستند. این موضوع آنها را برای بازیگرانی که برای یک دقیقه محاسبات شدید انجام میدهند و سپس منتظر پاسخهای خارجی میمانند، کاملاً ناکارآمد میکند.
معماری فنی
AX برای مدیریت چرخه عمر عاملها از چهار مفهوم بنیادین و توصیفی (Declarative Primitives) استفاده میکند:
- فضاهای کاری (Workspaces): محیطهای ایزولهای که میتوانند از طریق فایلهای YAML یا توصیفات انگلیسی ساده تعریف شوند. برای مثال، یک مشخصه (Spec) فضای کاری میتواند مستقیماً به یک مخزن گیت و یک شاخه خاص متصل شود (مانند
https://github.com/golang/go.git). این سادهسازی در تعریف محیطها، یادآور ساختار Baize است که محیطهای پیچیده را با پردازشهای جانبی جایگزین میکند. - وظایف (Tasks): اهداف مشخصی که یک عامل باید به آنها برسد و بهعنوان بازیگرانی سبک (Lightweight Actors) اجرا میشوند. یک مشخصه وظیفه، فضای کاری و یک هدف خاص را تعریف میکند؛ مثلاً: «اطمینان حاصل کن که زنجیره ابزار Go در دسترس است و از سورس ساخته شده است.»
- حصار شبکه (Network Fencing): جداسازی سختگیرانه برای جلوگیری از دسترسی عاملها به منابع غیرمجاز و حفظ امنیت زیرساخت.
- مدیریت وضعیت (State Management): قابلیت ایجاد نقطه بازرسی (Checkpoint) و تعلیق عاملها برای بهینهسازی مصرف منابع.
یکی از حیاتیترین ویژگیهای این سیستم، بازیابی زیر یک ثانیه است. وقتی عاملی منتظر یک ابزار خارجی یا انسان است، AX وضعیت آن را ذخیره و تعلیق میکند. سپس میتواند عامل را در کمتر از یک ثانیه و بدون تأخیر راهاندازی سرد (Cold Start) — شبیه به روشن شدن فوری یک کامپیوتر که از حالت خواب بیدار شده — بازگرداند. به این ترتیب، محاسبات تنها زمانی مصرف میشوند که عامل واقعاً در حال تفکر یا اجرای کد باشد.
جزئیات پیادهسازی
AX یک لایه کنترل توصیفی فراهم میکند که وظایف، فضاهای کاری، سیاستهای شبکه و مدلها را انتزاع میکند. توسعهدهندگان میتوانند از طریق یک رابط خط فرمان (CLI) با این سیستم تعامل داشته باشند:
- استقرار: استفاده از دستور
ax apply -f task.yamlبرای ایجاد فضاهای کاری و وظایف. - نظارت: استفاده از دستور
ax watch task [name]برای ردیابی مراحل از وضعیت «در انتظار» (Pending) تا «در حال اجرا» (Running) و شناسایی IP دقیق ورکر (مثلاً10.20.3.67). - تعامل: استفاده از دستور
ax sshبرای اجرای دستورات داخل سندباکس، مانندgo build ./...یا بررسی پردازشها از طریقps -o pid,cmd. - کنترل چرخه عمر: استفاده از دستورات
ax suspendوax resumeبرای متوقف کردن و شروع مجدد وظایف بدون از دست دادن وضعیت، یاax deleteبرای حذف کامل آنها.
زیرساخت زاینده
این پلتفرم هوش مصنوعی زاینده (Generative AI) را مستقیماً در لایه کنترل خود ادغام کرده است. بهجای پیکربندی دستی محیطهای پیچیده، توسعهدهنده محیط مورد نظر را به زبان انگلیسی توصیف میکند. AX سپس در اولین بوت، عاملی را برای نصب ابزارهای لازم و تأیید خودکار پیشنیازها اختصاص میدهد.
این قابلیت برای پژوهشگران AI بسیار کاربردی است. آنها میتوانند هزاران سندباکس تکرارپذیر را برای جمعآوری مسیرها (Trajectories) جهت حلقههای یادگیری تقویتی (RL) یا ارزیابی عملکرد عاملها در مقیاس وسیع، بدون مدیریت دستی زیرساخت، راهاندازی کنند. این رویکرد در مقیاس محلی، مشابه پلتفرم OtoDock است که مدلهای زبانی را به عاملهای سختافزارمحور در سرورهای داخلی تبدیل میکند.
این سیستم از طیف وسیعی از بارهای کاری پشتیبانی میکند، از جمله عاملهای کدنویسی تعاملی، سرورهای عاملمحور طولانیمدت، نوتبوکهای Jupyter و تستهای مرورگر بدون رابط کاربری (Headless Browser).
برای توسعهدهنده، تمرکز از لولهکشی زیرساختی به منطق عامل تغییر میکند. دیگر نیازی به ساخت منطق بازیابی سفارشی یا مدیریت پیچیده ارکستراسیون کانتینرها برای هر جلسه کاربر نیست.
این رویکرد نشاندهنده تغییری در پیشفرضهای میزبانی عاملها است. ما از کانتینرهای «همیشه روشن» به سمت یک مدل بازیگر بسیار متراکم و چندگانه (Multiplexed Actor Model) حرکت میکنیم که در آن وضعیت سیال و محاسبات گذرا (Ephemeral) هستند.
گام بعدی شما
- اگر در حال توسعه گردشکارهای عاملمحور هستید، انتشار متنباز این مفاهیم توصیفی را دنبال کنید تا نحوه ادغام آنها با فریمورکهای LLM را بررسی کنید.
- مدلهای فعلی مدیریت وضعیت (State Management) در اپلیکیشنهای خود را با رویکرد تعلیق و بازیابی AX مقایسه کنید تا نقاط اتلاف هزینه را بیابید.
- برای کاهش هزینههای استنتاج، استراتژیهای جداسازی محیط (Sandboxing) را در معماری خود بازنگری کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو