تصور کنید تیمی از صدها عامل هوشمند را برای بازنویسی کل کدهای شرکتتان فعال کرده‌اید، اما ناگهان کل پروژه به‌دلیل فشار زیاد بر سرورهای مرکزی متوقف می‌شود. این دقیقاً همان نقطه‌ای است که زیرساخت‌های فعلی در عصر «کدنویسی با حس» (Vibe Coding) — یعنی زمانی که کدها بیش از آنکه توسط انسان نوشته شوند، توسط مدل‌ها تولید شوند — شکست می‌خورند. این چالش‌ها در واقع تکامل همان موانعی هستند که در مسیر تبدیل پروتوتایپ‌های AI به محصولات واقعی با Agiloop بررسی کردیم و نشان دادند که صرفاً داشتن یک مدل قوی کافی نیست.
در ۸ جولای ۲۰۲۶، توماس دومکه (Thomas Dohmke) مدیرعامل سابق گیت‌هاب، پلتفرم Entire را معرفی کرد. این شبکه توزیع‌شده برای مقابله با ترافیک عظیم «خواندن و نوشتن» طراحی شده است؛ ترافیکی که توسط عامل (Agent) — مانند دستیاران هوشمندی که مثل کارمندانی مستقل، کارهای پیچیده را به‌تنهایی پیش می‌برند — تولید می‌شود. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی زیرساخت‌های عامل‌محور اشاره کردیم، اتکای شدید به یک سرور مرکزی در آمریکا برای تیمی جهانی، اکنون به یک ریسک استراتژیک تبدیل شده است. این نیاز به زیرساخت‌های پیشرفته، هم‌زمان با تلاش‌هایی نظیر استراتژی NewCore برای شناسنامه‌دار کردن عامل‌ها پیش می‌رود تا مدیریت هویت و دسترسی این عوامل در مقیاس سازمانی تسهیل شود.
به گزارش ZDNET، سرویس Entire از یک سیستم آینه‌ای (Mirroring) استفاده می‌کند. در این مدل، کد در مکان اصلی خود باقی می‌ماند اما عامل‌ها داده‌ها را از گره‌های منطقه‌ای دریافت می‌کنند. این معماری دقیقاً شبیه به این است که به‌جای سفر به کتابخانه مرکزی شهر برای هر صفحه کتاب، نسخه‌های کپی از آن در هر محله باشد تا ترافیک کاهش یابد. در حال حاضر سرورهای این پلتفرم در آمریکا، اتحادیه اروپا و استرالیا فعال هستند.
طبق مستندات منتشرشده توسط Entire، این پلتفرم در بنچمارک‌های خود به اعداد خیره‌کننده‌ای دست یافته است:
- سرعت کلون (Clone): پشتیبانی از ۵۷۰,۰۰۰ کلون در ساعت از یک مخزن در شهرهای اروپایی (فرانکfurt، لندن، پاریس و دوبلین) تنها در ۳ دقیقه.
- توان عملیاتی ارسال (Push): ثبت ۵۸۶ ارسال در ثانیه (حدود ۲.۱ میلیون در ساعت) به یک شاخه واحد.
به نقل از نمایندگان Entire، این ارقام پلتفرم را ۲۵ برابر سریع‌تر از رقبایی مثل Cursor Origin می‌کند که پیش‌تر رکورد ۸۱,۳۶۰ ارسال در ساعت را ادعا کرده بودند.
علاوه بر سرعت، Entire یک «لایه حافظه معنایی» را معرفی کرده است. این قابلیت تفاوت‌های کد تولیدشده توسط مدل را ردیابی می‌کند تا برنامه‌نویسان بدانند دقیقاً کدام عامل، چه خطی را ویرایش کرده است. این ابزار به انسان اجازه می‌دهد تا از چندین عامل بخواهد درباره اقداماتشان بازنگری کنند. این رویکرد تکمیلی است بر ابزارهای همکاری تیمی مانند Claude Cowork از Anthropic که تلاش می‌کنند تعامل میان انسان و عامل‌های هوشمند را در محیط‌های کاری بهینه کنند.
برای مدیران فنی، این تغییر به معنای آن است که گلوگاه سیستم از منطق مدل زبانی بزرگ (LLM) — که مثل یک متخصص همه‌فن‌حریف است اما گاهی کند فکر می‌کند — به پهنای باند زیرساخت منتقل شده است.
شرکت Entire قصد دارد در آینده بخش بک‌اند خود را متن‌باز کند تا سازمان‌ها بتوانند مخازن خصوصی خود را به‌صورت بومی میزبانی کنند. با این حال، باید به ریسک زیرساخت‌های سرمایه‌گذاری‌شده (Venture-backed) توجه کرد؛ اگر بودجه تمام شود، دسترسی به کدهایی که نسخه مرکزی ندارند به خطر می‌افتد.
گام بعدی شما
- اگر از ابزارهای عامل‌محور در مقیاس تیم‌های بزرگ استفاده می‌کنید، در لیست انتظار پیش‌نمایش Entire ثبت‌نام کنید.
- تحلیل کنید که آیا توقف احتمالی گیت‌هاب می‌تواند کل زنجیره تولید شما را فلج کند یا خیر.
- استراتژی میزبانی توزیع‌شده را برای داده‌های حساس شرکت خود بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو