اگر عاملهایی میسازید که با اولین برخورد به یک مورد غیرمنتظره متوقف میشوند، در حال جنگ با یک بازنده هستید. باید بدانید که مسیر مقیاسپذیری، نه در پایداری مطلق، بلکه در تعریف یک «بودجه پایداری» است که در آن شکست، یک منبع قابل مدیریت تلقی میشود.
طبق راهنمای منتشر شده در ۱۷ ژوئن ۲۰۲۶ در dev.to، این چرخش زمانی رخ میدهد که هوش مصنوعی به سمت مدلهای محلی و پردازش غیرمتمرکز میرود. در این حالت، عاملها به جای تکیه بر یک سرور مرکزی، باید خودشان مسئولیت قابلیت اطمینان باشند. این رویکرد شبیه این است که به یک پیمانکار آزاد، مبلغی بهعنوان «حق ریسک» بدهید تا اگر اشتباهی رخ داد، پروژه متوقف نشود و راهکاری برای جبران داشته باشد. همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، توزیع کنترل در سیستمهای پیچیده همواره ریسکهای جدیدی ایجاد میکند. این پیچیدگیهای ساختاری در واقع تکامل یافتهی مفاهیم معماری هستند که در تفکیک لایهی خرد از هوش در معماری عاملها به آنها پرداخته بودیم.
بر اساس مستندات فنی، پیادهسازی این مدل نیازمند سه تغییر اساسی است:
- پایداری به مثابه طیف: تغییر از حالت صفر و یکی (کار میکند یا نمیکند) به بودجهای که در آن منابع محاسباتی بر اساس ریسکِ تکلیف تخصیص مییابد.
- شکست نرم: طراحی عامل (Agent) — مانند کارمندی که وقتی جواب سوالی را نمیداند، به جای سکوت، از متخصص دیگر کمک میگیرد — تا به جای خاموش شدن، به کاربر خبر دهد یا از میکروسرویسهای تخصصی از طریق API کمک بخواهد.
- انتخاب تکلیف مبتنی بر ریسک: عاملها ابتدا تکلیف را ارزیابی میکنند؛ اگر پیچیدگی بیش از بودجه فعلی باشد، آن را رد کرده یا ریسک را بین چندین عامل تقسیم میکنند.
به گزارش منابع توسعهدهنده، این تغییر یعنی نقش شما از مدیریت ریزِ کدها به مدیریت ریسکِ سیستمها تبدیل میشود. در حالی که این رویکرد فنی بهرهوری را بالا میبرد، اما باید مراقب بود که مدلهای نظارتی سختگیرانه منجر به بحرانهای سیستمی نشوند؛ درست مشابه آنچه در تحلیل مخاطرات قانون بزرگ هوش مصنوعی آمریکا بررسی کردیم. با جداسازی عاملهای تحت فشار و استفاده از ابزارهای MLOps برای نظارت بر این بودجه، سیستمی میسازید که واقعاً ارزش خلق میکند. هدف نهایی، عاملی است که از بودجهاش برای شکار «پاداشهای متنباز» استفاده کند و از طریق تولید کد یا مجموعهداده، درآمد غیرفعال و پایدار کسب کند.
گام بعدی شما
- گزارشهای شکست (Failure Logs) عاملهای خود را بررسی کنید تا «هزینه پایه» پایداری سیستمتان را پیدا کنید.
- به دنبال چارچوبهای جدید MLOps باشید که به جای بررسی سادهی Uptime، ریسکهای عاملمحور را ردیابی میکنند.
- مدلهای جایگزین برای «شکست نرم» (مانند ارجاع به مدلهای کوچکتر) را در گردش کار خود امتحان کنید.
این تنها آغاز ماجراست؛ اثر موجگونهی این رویکرد بر اقتصاد تراکنشهای بینعاملی را در گزارش بعدی بررسی خواهیم کرد.
گفتگو