تصور کنید یک مدیر پروژه باشد که می‌خواهد تمام فرآیندهای اتوماسیون Jira را بدون ارسال حتی یک بیت داده به سرورهای خارجی اجرا کند. با ادغام CogniRunner، این سناریو اکنون به واقعیت تبدیل شده است. آیا یک جریان کاری Jira می‌تواند کاملاً روی سخت‌افزار محلی و بدون حتی یک فراخوانی API خارجی عمل کند؟ پاسخ مثبت است.
طبق گزارش منتشرشده، به‌روزرسانی اخیر این ابزار، آن را از یک اعتبارسنج غیرفعال به یک عامل (Agent) — شبیه به دستیاری که نه‌تنها اشتباهات را می‌بیند، بلکه خودش آستین‌ها را بالا می‌زند و کار را پیش می‌برد — تبدیل کرده است که می‌تواند مستقیماً در سیستم بنویسد. این تغییر رویکرد در زمانی رخ می‌دهد که سازمان‌ها با چالش‌های حریم خصوصی در مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — دست‌وپنجه نرم می‌کنند. این تمایل به کنترل بیشتر بر داده‌ها، بخشی از روند گسترده‌تری است که در آن هوش مصنوعی محلی در برابر مدل‌های ابری برای مدیریت تحلیل داده‌ها به دلیل کاهش هزینه‌ها و امنیت بالاتر، در حال پیروزی است.
همان‌طور که در تحلیل قبلی ما درباره‌ی توزیع‌های لینوکس برای استقرار محلی AI اشاره کردیم، این به‌روزرسانی حاکمیت داده‌ها را مستقیماً به لایه‌ی مدیریت پروژه می‌آورد. برای اکثر تیم‌ها، این به معنای آن است که انتخاب بین حریم خصوصی حداکثری و سرعت بالا، دیگر یک سازش ساختاری نیست، بلکه تنها با یک تغییر در تنظیمات (Configuration Toggle) ممکن است.
لایه‌ی معنایی برای Jira
CogniRunner به‌عنوان یک لایه‌ی معنایی برای جریان‌های کاری Jira عمل می‌کند. پیش از این، کاربران از آن برای مسدود کردن گزارش‌های مبهم باگ یا شناسایی موارد تکراری استفاده می‌کردند؛ آن‌ها پرامپت‌هایی به زبان انگلیسی ساده می‌نوشتند تا مدل به‌جای بررسی ساختار، معنای متن را قضاوت کند. در این نسخه، این ایده در سه محور توسعه یافته است: محل اجرای AI، قابلیت‌های پس از تصمیم‌گیری و درک عمیق‌تر از بستر پروژه. این رویکرد لایه‌بندی شده، با نقشه عملیاتی استک توسعه AI در سال ۲۰۲۶ هم‌راستا است که بر معماری‌های لایه‌ای برای مدیریت مدل‌ها تأکید دارد.
بر اساس مستندات این پروژه، سه مسیر متمایز برای استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آشپز — معرفی شده است. کاربران می‌توانند LM Studio را برای استنتاج کاملاً محلی و در محیط‌های ایزوله (Air-gapped) انتخاب کنند که در آن هزینه توکن صفر است و برای تیم‌های حساس به هزینه ایده‌آل است. همچنین، ارائه‌دهنده Atlassian Forge LLM تجربه‌ای «بدون کلید» (Zero-key) ارائه می‌دهد که در آن داده‌ها هرگز از ابر Atlassian خارج نمی‌شوند و این امر تضمین می‌کند که اپلیکیشن واجد شرایط دریافت نشان «Runs on Atlassian» باقی بماند. برای کسانی که به قابلیت‌های بینایی خاص یا حساب‌های شخصی نیاز دارند، گزینه «کلید خودتان را بیاورید» (BYOK) برای سرویس‌هایی مثل OpenAI، Anthropic، Azure OpenAI، OpenRouter و AWS Bedrock فعال است.
از اعتبارسنجی تا اجرا
فراتر از محل اجرا، این به‌روزرسانی «اکشن‌های اعلامی» (Declarative AI Actions) را معرفی می‌کند. حالا AI به‌جای اینکه فقط یک گزارش مبهم را مسدود کند، می‌تواند بر اساس تنظیمات ساده به زبان انگلیسی، روی یک انتقال (Transition) در جریان کاری اثر بگذارد و اقدامات زیر را انجام دهد:
- تدوین و ارسال کامنت: AI می‌تواند خلاصه‌ها، یادداشت‌های اولویت‌بندی (Triage notes) یا به‌روزرسانی‌های وضعیت را تولید کند.
- خودکارسازی ایجاد تیکت: سیستم می‌تواند با ایجاد زیر-تسک‌ها یا تیکت‌های مرتبط، کارهای تکمیلی را به‌طور خودکار تعریف کند.
- تولید مستندات: سیستم قادر است فایل‌های DOCX، PDF یا PPTX را مستقیماً بر اساس محتوای تیکت ساخته و پیوست کند.
برای کاهش هزینه‌ها، CogniRunner از یک سازنده تابع استاتیک (Static Function Builder) استفاده می‌کند. AI کد جاوااسکریپت را یک‌بار هنگام تنظیم می‌نویسد و این کد در هر تغییر وضعیت آینده با هزینه صفر اجرا می‌شود. این سیستم از حداکثر ۵۰ مرحله در محیط سندباکس (Sandboxed steps) پشتیبانی می‌کند. کاربران می‌توانند برای خروجی‌هایی که باید برای هر تیکت تغییر کنند (مانند یادداشت‌های انتشار یا Release Notes)، توابع معنایی و برای کارهای قطعی و حجیم، توابع استاتیک را انتخاب کنند.
مبنی‌سازی و جست‌وجوی عامل‌محور
برای اطمینان از اینکه AI بستر پروژه را می‌فهمد، سه مکانیزم مبنی‌سازی (Grounding) — شبیه به دادن یک دفترچه راهنمای دقیق به مدل تا از روی آن جواب دهد و خیال‌بافی نکند — اضافه شده است:
- کتابخانه مستندات: کاربران می‌توانند مشخصات API، طرح‌های JSON (JSON Schemas) یا قوانین کسب‌وکار را یک‌بار آپلود کرده و آن‌ها را برای اعتبارسنجی به هر قانونی پیوست کنند.
- مهارت‌ها: این‌ها قابلیت‌های نام‌گذاری‌شده و قابل استفاده مجددی هستند که می‌توان آن‌ها را در قوانین قرار داد تا از بازنویسی مکرر پرامپت‌ها جلوگیری شود.
- حافظه‌ها: بسترهای خاص هر نمونه (Instance-specific context) که AI یاد می‌گیرد و در مراحل بعدی به کار می‌برد.
همچنین ادغام‌های اختیاری با پروتکل زمینهٔ مدل (MCP)، مانند context7 برای دسترسی به مستندات زنده SDK، جست‌وجوی وب و ابزارهای مستندسازی، این دسترسی را گسترش می‌دهد. در این حالت، CogniRunner به‌عنوان لایه‌ی میانی برای فراخوانی ابزارها عمل می‌کند، به این معنی که ارائه‌دهنده AI هرگز آدرس‌های URL مربوط به ادغام‌ها را نمی‌بیند.
وقتی قانونی نیاز به بستر گسترده‌تری دارد (مثلاً بررسی اینکه آیا یک تیکت تکراری است یا خیر)، سیستم به‌صورت عامل‌محور (Agentic) عمل می‌کند. سیستم به‌طور خودکار پرس‌وجوهای JQL را در چندین دور علیه پروژه اجرا می‌کند. برای جلوگیری از قفل شدن جریان کاری، این فرآیند به سه دور و بودجه زمانی ۲۲ ثانیه محدود شده است. سیستم به‌صورت «Fail Open» عمل می‌کند؛ یعنی اگر مدل دچار خطا شود یا زمان پاسخگویی تمام شود، انتقال تیکت متوقف نمی‌شود و اجازه عبور داده می‌شود.
این حرکت به سمت جریان‌های کاری «به‌صورت پیش‌فرض عامل‌محور»، این فرض را تغییر می‌دهد که AI در Jira فقط یک دروازه کنترل کیفیت است. با اجازه دادن به AI برای جست‌وجو، استدلال و سپس اجرای عملیات نوشتن، تیکت‌های Jira عملاً به اشیایی برنامه‌ریزی‌پذیر تبدیل می‌شوند. این تحول در واقع یکی از ۸ چرخش مهندسی در سال ۲۰۲۶ است که نحوه تعامل توسعه‌دهندگان با ابزارهای مدیریت پروژه را بازتعریف می‌کند. اثر مرتبه دوم این تحول، کاهش «اصطکاک‌های اداری» است؛ جایی که AI کارهای خسته‌کننده مثل لینک کردن تیکت‌ها و مستندسازی را بر عهده می‌گیرد و انسان بر روی رفع واقعی مشکل تمرکز می‌کند.
برای کاربر نهایی، این به معنای آن است که ابزار مدیریت پروژه شما دیگر فقط یک پایگاه داده از رکوردها نیست، بلکه همکاری است که مشخصات API و قوانین کسب‌وکار شما را می‌فهمد. ریسک توقف اجراها توسط یک «جاروب‌کننده دوام» (Durability Sweeper) جدید کاهش یافته است که وظیفه پاک‌سازی تسک‌های طولانی‌مدتِ متوقف‌شده را دارد. همچنین سندباکس توابع استاتیک و سیستم توزیع چند-ارائه‌دهنده برای محیط‌های عملیاتی (Production) مقاوم‌تر شده‌اند.
کاربران اکنون می‌توانند این به‌روزرسانی را از طریق Atlassian Marketplace نصب کنند یا کد متن‌باز آن را با مجوز Apache-2.0 در GitHub بررسی کنند تا تنظیمات استنتاج محلی خود را شخصی‌سازی نمایند.
گام بعدی شما
- اگر دغدغه حریم خصوصی دارید، LM Studio را نصب کرده و استنتاج محلی را در جریان‌های کاری خود تست کنید.
- برای کاهش هزینه‌های API، توابع استاتیک را جایگزین توابع معنایی در کارهای تکراری کنید.
- مستندات API پروژه خود را در کتابخانه CogniRunner آپلود کنید تا نرخ توهمات مدل کاهش یابد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو