تصور کنید در مخزن کدهای شرکتتان، فایلهایی به نام AGENTS.md یا INSTRUCTIONS.md وجود داشته باشد که نه برای انسان، بلکه به طور استاندارد برای راهنمایی عاملهای هوش مصنوعی طراحی شدهاند تا کل پشتههای تکنولوژی (Stacks) برای رباتها قابل کشف و قابل مشارکت باشد. این تغییر رویکرد نشان میدهد که مهندسان زیرساخت در حال تبدیل شدن به «مدیران ارشد» رباتهایی هستند که کارهای سخت و خستهکننده ارکستراسیون ابری را بر عهده میگیرند و در واقع، مهندسان در حال معاوضه کردن رفلکسهای سینتکسی خود با سرعت خام هستند.
به نقل از گزارش ۲۳ اوت ۲۰۲۶ در وبسایت omegion.dev، صنعت در حال گذار از کمک به انسان برای کدنویسی سریعتر، به سمت پذیرش «عمدهفروشی» (Wholesale) هوش مصنوعی است. هدف دیگر این نیست که انسان سریعتر بنویسد، بلکه هدف فراهم کردن بستر و زمینه (Context) کافی است تا یک ربات بتواند زیرساخت را به طور مستقل مدیریت کند. نکتهی طنزآمیز اینجاست که مهندسانی که سالها فایل README را نادیده میرفتند، حالا دقیقترین مستندات تاریخ را مینویسند؛ چون میدانند مخاطب آنها یک ربات است که هیچ حدس و گمانی نمیزند و دقیقاً طبق دستورالعمل عمل میکند.
این وضعیت شبیه به گذار از وصلهکردن دستی سرورها به عصر کانتینرسازی است؛ جایی که تمرکز از «ماشین» به «بار کاری» (Workload) تغییر کرد. سوال مرکزی این است که آیا وقتی تمام زمینههای مربوط به پشته و زیرساخت برای خواندن توسط یک عامل نوشته شود، جایگاه مهندسی به طور کلی زائد خواهد شد یا خیر.
موازیسازی با کوبرنتیز
طبق تحلیل omegion.dev، موج فعلی هوش مصنوعی جایگزین مهندسان نمیشود، بلکه لایهای از کارهای دستی آنها را حذف میکند. نویسنده اشاره میکند که ابزاری مثل Kubernetes — که شبیه به یک ارکستر است و هر ساز (کانتینر) را در جای درست قرار میدهد — نیاز به مهندسی زیرساخت را از بین نبرد، بلکه مدیریت سرور را چنان ساده کرد که مهندسان دیگر نیازی ندیدند برای ساخت دستی ایمیجهای گره (Node) وقت تلف کنند. این تحول در مدیریت لایهها، در واقع بخشی از یک روند گستردهتر است که در آن زیرساختهای AI از برنامهریزی ظرفیت به مدیریت ارکستراسیون تغییر مسیر دادند تا انعطافپذیری بیشتری در محیطهای سازمانی ایجاد شود.
در این مدل تحول:
- ساخت دستی ایمیجها جای خود را به AMIهای ارائهدهندگان ابری داد که اکنون بدون هیچ سوالی مورد استفاده قرار میگیرند.
- عیبیابی از طریق SSH به یک راهکار نادر و آخرین گزینه تبدیل شد؛ حالا اگر گرهی دچار مشکل شود، صرفاً آن را میکشند (Kill میکنند) به این امید که جایگزین آن پایدار باشد.
- واحد کار (Unit of Work) از ماشینهای تکی به کل بار کاری در سرویسهایی مثل ECS Fargate, Lambda یا Cloudflare Containers منتقل شد.
- تصمیمات ارکستراسیون همچنان در دست انسان است؛ از جمله تصمیمگیری درباره نوع ایمیج، مجوزهای ارتباطی، استراتژیهای مقیاسدهی و پروتکلهای مواجهه با شکست.
اتوماسیون «کارهای جستوجویی»
امروزه مهندسان در عمل روزمره برای تولید چارتهای Helm و ماژولهای Terraform از Claude استفاده میکنند. هدف اصلی، حذف «کارهای جستوجویی» (Lookup Work) است؛ یعنی همان فرآیند خستهکننده خواندن تغییرات نسخههای ارائهدهندگان (Changelogs) برای شناسایی تغییرات سینتکسی بین نسخهها، مانند تغییرات بین نسخه ۵ و ۶ ارائهدهنده AWS.
به جای نوشتن دستی فایلهای YAML در Kubernetes — که نویسنده آن را به روش قدیمی و منسوخ نوشتن دستی ماژولهای Ansible تشبیه میکند — مهندس فقط نتیجهی مطلوب را به هوش مصنوعی دیکته میکند. مدل نسخهی اول را میسازد و انسان آن را تکرار و اصلاح میکند تا آمادهی انتشار شود. زمانی که این ماژولهای تولیدشده توسط AI نهایی شدند، به عنوان «استاندارد طلایی» برای مشارکتهای آیندهی عاملهای هوش مصنوعی از طریق مستندات مخزن عمل میکنند.
بهای سرعت
این بهرهوری با یک هزینه قابل اندازهگیری همراه است: فرسایش مهارتهای بنیادین. نویسنده گزارش اشاره میکند که در نوشتن سینتکس HCL «به طور مشهودی زنگزده» شده است. این یک فقدان واقعی در رفلکسهای فنی است، مشابه مهندسانی که بعد از ظهور کوبرنتیز وارد این حوزه شدند و هرگز یاد نگرفتند چطور یک ایمیج سرور را به صورت دستی بسازند.
برای تصویرسازی این موضوع، نویسنده به یک حلقهی تکرار (for-loop) تو در تو و پیچیده در چهار سال پیش اشاره میکند که برای برچسبگذاری زیرشبکهها در مناطق (Regions) و Availability Zoneهای مختلف در یک حساب AWS مجزا استفاده میشد. منطق این کد نیاز به چهار لایه فراخوانی merge([...]...) داشت تا بتواند نقشهای از نقشهای از نقشهای از زیرشبکهها را تخت (Flatten) کند:
locals { subnet_tags = merge([ for account, regions in var.accounts : merge([ for region, azs in regions : merge([ for az, subnets in azs : { for subnet_id, tags in subnets : "${account}/${region}/${az}/${subnet_id}" => tags } ]...) ]...) ]...) }
در حالی که بهینهسازی این کد در گذشته یک ساعت تلاش دستی زمان میبرد، اکنون Claude معادل آن را در چند ثانیه مینویسد. مهندس هنوز میتواند تشخیص دهد که یک ماژول خوب است یا خیر و تصمیم بگیرد چه چیزی یک سال بعد قابل نگهداری است، اما دیگر نمیتواند چنین سینتکس پیچیدهای را بدون تفکر زیاد و از صفر خلق کند.
آیندهی هدایت
در حال حاضر، انسان به دلیل داشتن «زمینه بلندمدت» (Long-term Context) از پشتهی تکنولوژی، همچنان تصمیمگیرنده است. دانش هوش مصنوعی فعلاً محدود به آنچه در فایل AGENTS.md یک مخزن خاص نوشته شده است.
با این حال، فشار برای ایجاد «زمینه هوش مصنوعی در سطح شرکت» — یعنی دسترسی عاملها به تک تک تصمیماتی که طی سالها در تمام مخازن گرفته شده — این لایه نهایی را تهدید میکند. اگر عاملها بتوانند یک دید بلندمدت واقعی از زیرساخت داشته باشند، ممکن است در نهایت بهتر از انسانها برنامهریزی کنند؛ درست همانطور که یک AI میتواند با خواندن فوری تمام تغییرات نسخههای ارائهدهندگان، بهتر از انسان عیبیابی کند.
کوبرنتیز یک لایه از کار را حذف کرد و مهندسان را یک پله بالا برد. هوش مصنوعی اکنون در حال بلعیدن لایهی درست زیرِ «تصمیمگیری» است، اما هیچ تضمینی نیست که لایهی تصمیمگیری، آخرین ایستگاه باشد.
برای کسانی که پشتههای ابری را مدیریت میکنند، چالش فوری ایجاد تعادل بین سرعت زیرساختهای تولیدشده توسط AI و توانایی مداخله در زمان شکست اتوماسیون است. شما باید مستندات فعلی خود را بازبینی کنید تا ببینید آیا برای یک همکار انسان نوشته شدهاند یا برای یک عامل هوش مصنوعی.
گام بعدی شما
- مستندات فعلی خود را بازبینی کنید؛ آیا آنها برای یک همکار انسان نوشته شدهاند یا برای یک عامل هوش مصنوعی؟
- سعی کنید هر هفته یک بخش از زیرساخت را بدون کمک AI بازنویسی کنید تا مهارتهای سینتکسی شما تحلیل نرود.
- برای فایلهای
AGENTS.mdدر پروژههایتان استاندارد تعریف کنید تا انتقال دانش به مدلها ساختاریافته باشد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو