اگر امروز محصول خود را بر پایه یک مدل خاص بنا کنید، در واقع تمام آیندهی فنی خود را به دست یک شرکت سپردهاید. تصور کنید یک نقص فنی یا تغییر قیمت ناگهانی در مدل موردنظر، کل زیرساخت شما را فلج کند.
بسیاری از برنامهنویسان ابتدا یک مدل را انتخاب میکنند و سپس محصول را بر اساس نقاط قوت و ضعف آن میسازند؛ این کار شبیه خریدن یک موتور خاص است، پیش از آنکه تصمیم بگیرید ماشین شما قرار است چه کار کند. برای حل این مشکل، از ۲۹ ژوئن ۲۰۲۶، رویکردی به نام «معماری قابلیتمحور» (Capability-first architecture) معرفی شده است که هدف آن جداسازی هدف محصول از مدل ارائهدهنده است. این رویکرد در واقع تکاملی از بحثهای پیشین ماست که در آن اشاره کردیم چگونه پورتفولیوهای معماری تا سال ۲۰۲۶ ممکن است در برابر هوش مصنوعی نامرئی شوند و نیاز به بازنگری در ساختارها دارند. همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، انعطافپذیری در لایهی زیرساخت، تنها راه بقا در برابر تغییرات سریع بازار است.
به نقل از راهنمای فنی وبسایت dev.to، سازوکار اصلی این روش بر تعریف یک تایپ Capability در زبان TypeScript است. در این ساختار، نیازهای سیستم به پنج دستهی اصلی تقسیم میشوند:
- استدلال (Reasoning) و کدنویسی (Coding)
- بینایی (Vision)
- استخراج (Extraction) برای خروجیهای ساختاریافته
- تولید سریع (Fast-generation) با هزینه و تأخیر کم
طبق این مستندات، توسعهدهندگان باید یک «پرتفوی مدل» ایجاد کنند؛ یعنی نقشهای که برای هر قابلیت، یک مدل اصلی و یک مدل جایگزین (Fallback) تعریف کند. سپس یک سیاست مسیریابی (Routing Policy) بر اساس اولویتهایی مثل کیفیت، سرعت یا هزینه، مدل نهایی را انتخاب میکند.
این چرخش راهبردی، نقش برنامهنویس را از مدیریت SDKها به مدیریت پرتفویی از قابلیتها تغییر میدهد. نتیجهی مستقیم این کار، کاهش شدید بدهی فنی است؛ چراکه برای جایگزینی یک مدل گرانقیمت یا ناکارآمد، دیگر نیازی به بازنویسی منطق اصلی برنامه نیست و تنها کافی است نقشهی پرتفو بهروزرسانی شود. در این راستا، مدیریت دقیق ابزارها و دادهها مشابه آنچه در چارچوب VTrade برای مدیریت دادههای خصوصی در Copilot دیدیم، میتواند مکمل این معماری در محیطهای سازمانی باشد.
در حال حاضر شرکت VectorNode در حال ساخت زیرساختی است تا این مدلها را به یک ابر مدل مستقل تبدیل کند. شما میتوانید از همین امروز با انتزاع درخواستهای هوش مصنوعی در قالب یک رابط قابلیتمحور، پیش از فراخوانی SDK ارائهدهنده، این مسیر را آغاز کنید.
گام بعدی شما
- تعریف تایپهای
Capabilityدر پروژه فعلی خود برای جداسازی لایه مدل از لایه منطق. - پیادهسازی یک سیستم مسیریابی ساده که در صورت خطای مدل اصلی، درخواست را به مدل جایگزین بفرستد.
- بررسی مستندات TypeScript برای بهینهسازی اینترفیسهای انتزاعی.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو