تصور کنید دنیایی که در آن کاربران تجاری میتوانند ابزارهای سفارشی را بدون نوشتن حتی یک خط کد به عاملهای هوش مصنوعی متصل کنند. این رویای «دمکراتیزه کردن توسعه» در ۱۰ ژوئیه ۲۰۲۶ با انتشار نسخه ۲.۲.۳ پلتفرم qKnow (پلتفرم متنباز توسعه عامل) به واقعیت تبدیل شد و قدرت ارکستراسیون را از دستان توسعهدهندگان بکاند به متخصصان راهکار و مدیران سیستم منتقل کرد.
نقش در حال تکامل عاملهای سازمانی
مدیریت عاملها در محیط سازمان شبیه به مدیریت یک نیروی کار دیجیتال است. عاملها دیگر محدود به ایفای نقش به عنوان رابطهای گفتگو نیستند. آنها بهطور فزایندهای در فرآیندهای تجاری، سرویسهای داده، عملیات سیستمی و همکاریهای دانشی ادغام میشوند.
با گسترش این سناریوهای پیچیده سازمانی، پلتفرمها باید ادغام ابزارهای منعطفتر و گردشکارهای ارکستراسیون شفافتری ارائه دهند. هدف نهایی، کاهش موانع پیکربندی برای کاربران تجاری و ارائه پشتیبانی بهتر برای کاربردهای خاص هر سناریو است.
تا پیش از این، دادن یک مهارت جدید به یک ربات — مانند استعلام از یک پایگاه داده تجاری خاص یا فراخوانی یک API داخلی — معمولاً مستلزم آن بود که یک توسعهدهنده پارامترها را بهطور دستی در بکاند پیکربندی کند. این گلوگاه فنی اغلب باعث توقف یا کند شدن استقرار عاملها در محیطهای سازمانی میشد که با سرعت بالایی تغییر میکردند.
طبق گزارش dev.to، محور اصلی تغییرات در نسخه ۲.۲.۳، معرفی «ارکستراسیون ابزار تعریفشده توسط کاربر» است. اکنون کاربران میتوانند در هنگام ایجاد یک ربات از نوع عامل (Agent)، ابزارهای مرتبط را مستقیماً اضافه و متصل کنند. این تغییر، جریان توسعه را به یک مدل کمکد (Low-code) تبدیل میکند که در آن تیمهای تجاری میتوانند قابلیتهای ربات را بهصورت آنی (Real-time) تکرار و اصلاح کنند.
قابلیتهای پیشرفته ابزارها و ارکستراسیون
در محیطهای واقعی سازمانی، نیازهای رباتها در سازمانها و دپارتمانهای مختلف بهشدت متفاوت است. برخی از رباتها ممکن است بهطور خاص به موارد زیر نیاز داشته باشند:
- استعلام دادههای تجاری و دسترسی به پایگاههای دانش سازمانی
- فراخوانی ابزارهای داخلی و اتصال به سیستمهای گردشکار (Workflow)
- فراخوانی APIهای تجاری خاص
در گذشته، این موارد نیازمند کدنویسی در بکاند بود. در نسخه ۲.۲.۳، این قابلیت به مدیران اجازه میدهد تا کاربردهای عامل را سریعتر با سناریوهای خاص همراستا کنند، بدون اینکه لازم باشد هر کاربر را به یک توسعهدهنده تبدیل کنند.
برای مدیریت حجم رو به رشد قابلیتهای موجود، qKnow یک سیستم مدیریت دستهبندی ساختیافته برای ابزارها معرفی کرده است. فراهم کردن دسترسی به ابزارها تنها گام اول است؛ سازمانها به روشی نیاز دارند تا آنها را سازماندهی، مکانیابی، نگهداری و مجدداً استفاده کنند. ابزارها دیگر یک لیست ساده و تخت نیستند، بلکه بر اساس معیارهای زیر سازماندهی میشوند:
- نوع کسبوکار و سناریوی استفاده
- قابلیت عملکردی
- مالکیت دپارتمانی یا منبع تامین
- هدف کاربردی
این دستهبندی باعث کاهش هزینههای عملیاتی ناشی از نامگذاریهای مبهم میشود. برای سازمانهایی که چندین ربات عاملمحور را مدیریت میکنند، این سیستم از یک رویکرد استاندارد برای داراییهای قابلیتی قابلاستفاده (Reusable Assets) پشتیبانی میکند.
کارایی در سناریوهای کمکد
تیمهای سازمانی اغلب با دو چالش مواجهاند: تغییرات مکرر در نیازهای تجاری و محدودیت منابع توسعه. در بسیاری از موارد، تکیه بر تقویمهای زمانبندی مهندسی برای هر تغییر کوچک، غیرعملی و ناکارآمد است.
با انتقال پیکربندی از لایه بکاند به لایه کاربر پلتفرم، تیمهای تجاری اکنون میتوانند چندین وظیفه را بهطور مستقل به پایان برسانند:
- ترکیب ابزارها و تنظیم قابلیتهای ربات
- اعتبارسنجی گردشکارهای کاربردی
- تست پیکربندیهای خاص هر سناریو
- تکرار و اصلاح سریع برنامههای عامل
این رویکرد ارتباطات تکراری و خستهکننده بین تیمهای تجاری و توسعه را کاهش داده و زیربنایی برای هوش مصنوعی سناریومحور ایجاد میکند.
بهبودهای فرانت-اند و پیکربندی سیستم
فراتر از ارکستراسیون، این بهروزرسانی نقصهای حیاتی در پایداری و مدیریت سیستم را هدف قرار داده است. تغییرات کوچک در استانداردسازی و سازگاری، مستقیماً بر کیفیت استقرار و تحویل سازمانی اثر میگذارد.
- نمایش اعلانها و اطلاعیهها: لیست اعلانها اکنون بهصورت معکوس زمانی (از جدید به قدیم) نمایش داده میشود. جدیدترین اطلاعیهها ابتدا ظاهر میشوند تا دسترسی به اطلاعات عملیاتی آسانتر شود.
- بهینهسازی نوار پیمایش (Navigation Bar): این نسخه باگی را برطرف کرده است که در آن نوار پیمایش بالایی بهطور غیرمنتظره بسته میشد. منطق چیدمان واکنشگرا (Responsive) برای مرور صفحات کامل بهینه شده است.
- حقوقی و برندینگ: شرکت نام نمایشی سراسری سیستم و همچنین عبارت و جایگاه بیانیه مجوز متنباز (Open-source license) را برای افشای قانونی بهتر بهروزرسانی کرده است.
محیط دمو و اصلاحات مدیریتی
برای پشتیبانی از نمایشهای روانتر محصول (Demo) و اعتبارسنجی راهکارها، نسخه ۲.۲.۳ دادههای بنیادی در محیط دمو را استاندارد کرده است. این شامل بهبود اطلاعات پایه کاربران و تنظیمات مجوزهای نقش (Role Permissions) است تا از هرگونه وقفه در جریانهای کاری حین دموها جلوگیری شود.
علاوه بر این، اصلاحی در ماژول مدیریت کاربران صورت گرفته که باعث بازگشت قابلیت مشاهده لیست عملیات میشود. این تغییر تضمین میکند که موارد زیر بهدرستی بارگذاری شوند:
- دادههای کامل کاربران
- دکمههای عملیات دستهای (Batch Operation)
- ورودیهای عملیات برای هر کاربر بهصورت مجزا
این اصلاحات، یک بنیاد پایدار برای استقرارهای خصوصی (Private Deployment)، اعتبارسنجی آزمایشی، پذیرش داخلی و مدیریت کلی کاربران فراهم میکند.
این تغییر مسیر به سمت ارکستراسیون کمکد نشان میدهد که هدف هوش مصنوعی سازمانی از «قابلیت ساخت» به «قابلیت انطباق» تغییر کرده است. با کاهش وابستگی به تقویمهای مهندسی برای هر تغییر کوچک در قابلیتها، qKnow اجازه میدهد عاملها به همان سرعتی تکامل یابند که فرآیندهای تجاری مورد پشتیبانی آنها تغییر میکنند.
برای کاربر نهایی، این به معنای حلقههای بازخورد کوتاهتر است. یک متخصص راهکار میتواند اتصال یک پایگاه دانش جدید را تست کرده و بلافاصله گردشکار را تایید کند، به جای اینکه تیکتی برای تیم توسعه ارسال کرده و منتظر چرخهی اسپرینت (Sprint Cycle) بماند.
چه در حال استقرار یک نمونه خصوصی باشید و چه در حال اعتبارسنجی یک دوره آزمایشی، پایداری مدیریت بکاند اکنون زیربنای قویتری برای پذیرش داخلی است. توانایی پیکربندی سریع ابزارها، عامل را از یک نرمافزار ایستا به یک دارایی زنده تبدیل میکند.
برای مشاهده این تغییرات در عمل، کاربران باید نسخه استقرار فعلی خود را بررسی کرده و تنظیمات جدید دستهبندی ابزارها را در پنل مدیریت بررسی نمایند.
گام بعدی شما
- اگر از نسخههای قدیمی qKnow استفاده میکنید، سریعاً به نسخه ۲.۲.۳ ارتقا دهید تا دسترسی به مدیریت ابزارها فراهم شود.
- در پنل مدیریت، بخش تنظیمات دستهبندی ابزارها را بررسی کنید تا از تکرار ابزارهای مشابه در سازمان جلوگیری کنید.
- یک سناریوی تکراری در بخش بیزنس را انتخاب کنید و سعی کنید بدون دخالت تیم فنی، ابزار جدیدی را به ربات متصل کنید.
اما این تسهیل در لایهی کاربر تنها بخشی از داستان است؛ برای درک چالشهای استقرار مدلهای زبانی در محیطهای بسته، تحلیل ما دربارهی استراتژیهای Self-hosting را بخوانید.
گفتگو