تصور کنید هزاران کلید خاموش در یک ساختمان عظیم رها شده باشند که هیچ‌کس نمی‌داند چه کاربردی دارند و فقط باعث سردرگمی می‌شوند. این دقیقاً همان وضعیتی است که DoorDash با ۶۰ هزار «پرچم ویژگی» (Feature Flag) مواجه بود و حالا با یک ارتش از عامل‌های هوش مصنوعی آن‌ها را پاک کرده است.
به گزارش InfoQ در هفتهٔ ۲۸ سپتامبر ۲۰۲۶، این شرکت موفق شد ۶۰ هزار پرچم ویژگی زائد را در ۶۲۳ مخزن کد حذف کند. این پرچم‌ها — که شبیه به کلیدهای برق موقتی برای تست قابلیت‌های جدید هستند — وقتی پس از اتمام تست حذف نشوند، به بدهی فنی تبدیل شده و احتمال بروز باگ را بالا می‌برند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدیریت بدهی فنی در مقیاس سازمانی اشاره کردیم، حذف دستی این موارد در شرکت‌های بزرگ، کابوسی زمان‌بر است.
DoorDash به‌جای استفاده از یک پرامپت ساده، از یک سامانهٔ چندعاملی (Multi-Agent System) — شبیه به تیمی از متخصصان که هر کدام وظیفه‌ای دارند و با هم مشورت می‌کنند — استفاده کرد تا این فرآیند را مدیریت کند.
طبق مستندات منتشرشده، این سیستم در محیط عملیاتی به نتایج زیر رسید:
- نرخ موفقیت: ۴۵ مورد از ۵۰ پاک‌سازی پیشنهادی منجر به ایجاد Pull Requestهای قابل استفاده شد.
- بهره‌وری زمانی: هر پاک‌سازی به‌طور متوسط ۱۳.۸ دقیقه زمان برد، در حالی که روش دستی بین ۱ تا ۲ ساعت طول می‌کشید.
- هزینه محاسباتی: میانگین هزینه برای هر مورد پاک‌سازی ۴.۷۹ دلار بود.
در حالی که DoorDash بازگشت سرمایهٔ این روش را ثابت کرد، غول‌های دیگر در حال ساختن دیوار هستند. به گزارش منابع صنعتی، آمازون اخیراً دسترسی عامل خرید Muse متعلق به متا را مسدود کرد. دلیل این اقدام، دسترسی‌های غیرمجاز و تلاش برای سرقت اعتبارنامه‌ها بود. این نخستین مورد جدی است که یک پلتفرم خرده‌فروشی به‌جای همکاری، دسترسی عامل‌های شخص ثالث را به‌طور فعال می‌بندد. این تقابل نشان‌دهنده دو رویکرد متضاد در پذیرش عامل‌های هوش مصنوعی است که برخی بر باز بودن و برخی بر کنترل شدید تاکید دارند.
برای پر کردن این شکاف اعتماد، سرمایه‌گذاران روی لایهٔ حفاظ‌ها (Guardrails) تمرکز کرده‌اند. شرکت Baselayer مبلغ ۳۵ میلیون دلار برای ساخت سیستم احراز هویت عامل‌ها جذب کرد. همچنین Cyera با جذب ۴۰۰ میلیون دلار سرمایه از گلدمن ساکس و رسیدن به ارزش ۱۲ میلیارد دلاری، بر روی امنیت داده‌ها و نظارت بر نقاط انتهایی عامل‌ها متمرکز شده است. اهمیت این لایه‌های حفاظتی را می‌توان در تصاحب Guardrails AI توسط Harvey دید که تلاشی برای حذف توهمات در محیط‌های حساس مانند حقوقی است.
در جبههٔ زیرساخت، علی‌بابا با معرفی AgentCore و لایهٔ حافظهٔ «زمینهٔ عامل»، ادعا می‌کند مصرف توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — را در کارهای دانش‌بنیان تا ۶۷٪ کاهش داده است. این یعنی هزینهٔ مقیاس‌دهی عامل‌ها در سطح سازمان به‌شدت پایین می‌آید. این بهینه‌سازی در حالی صورت می‌گیرد که برخی متخصصان، از جمله در گوگل، معتقدند توکن‌محوری در مقیاس عامل‌های هوش مصنوعی شکست می‌خورد و باید به دنبال معماری‌های جایگزین بود.
این روند نشان می‌دهد عصر عامل‌ها به مرحلهٔ حاکمیت سخت‌گیرانه رسیده است. اگر عاملی را در محیطی مستقر می‌کنید که کنترلش با شما نیست، دیگر کیفیت خروجی کافی نیست؛ باید هویت و قصد عامل خود را ثابت کنید تا از گیت‌های امنیتی عبور کند.
گام بعدی شما
- اگر مدیر فنی هستید، بررسی کنید چه مقدار «پرچم ویژگی» رها شده در کدهای شما وجود دارد و آیا یک سامانهٔ چندعاملی ساده می‌تواند آن‌ها را شناسایی کند.
- برای توسعه‌دهندگان عامل‌ها، پیاده‌سازی استانداردهای احراز هویت (Identity) را در اولویت قرار دهید تا در برابر مسدود شدن توسط پلتفرم‌های بزرگ مقاوم باشید.
- لایه‌های حافظهٔ بهینه مانند AgentCore را برای کاهش هزینه‌های استنتاج در مقیاس بالا بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو