پرش به محتوای اصلی
پرش به محتوای مقاله

کارخانه نرم‌افزاری Harness فرآیند کدنویسی را از ایده تا PR خودکار کرد

·۱۶ مهر ۱۴۰۵۵ دقیقه مطالعه۱ بازدید
فروش دارایی Augment Code: کارخانه نرم‌افزاری Cosmos به Harness منتقل شد
فروش دارایی Augment Code: کارخانه نرم‌افزاری Cosmos به Harness منتقل شد
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

جایگزینی پرامپت‌های دستی با «رویدادهای سیستمی» برای شروع کدنویسی؛ در این مدل، هوش مصنوعی به‌جای منتظر دستور ماندن، بر اساس تیکت یا هشدار سیستم، به‌طور مستقل فرآیند اصلاح کد را آغاز می‌کند.

تصور کنید مهندسی هستید که یک تیکت جیرا (Jira) را می‌گیرد و بدون نوشتن حتی یک خط کد به‌صورت دستی، آن را به یک درخواست ادغام (Pull Request) آماده برای بررسی تبدیل می‌کند. برای تبدیل چرخه حیات توسعه نرم‌افزار به سیستمی کاملاً خودگردان، شرکت Harness در ۸ اکتبر ۲۰۲۶ اعلام کرد که دارایی‌های کلیدی Augment Code، از جمله موتور زمینه کد (Code Context Engine) و کارخانه نرم‌افزاری Cosmos را تصاحب کرده است.

زمینه و بستر تصاحب

بسیاری از ابزارهای کدنویسی فعلی، شبیه به یک سیستم تکمیل خودکار پیشرفته عمل می‌کنند که تولید کد را تکلیفی مجزا می‌بینند. این رویکرد باعث ایجاد گلوگاه می‌شود؛ زیرا انسان‌ها همچنان باید مدیریت کنند که این تکه‌های کد چگونه در سیستم‌های پیچیده و مقیاس سازمانی جای می‌گیرند. فرض بنیادین Augment Code این بود که تیم‌های سازمانی برای حل مسئله دشوارترِ سازماندهی کدهای نوشته شده توسط هوش مصنوعی در سیستم‌های پیچیده و در مقیاس وسیع، به رویکردی متفاوت در کدنویسی به کمک AI نیاز دارند.

Harness اکنون با ادغام زمینه کد با داده‌های تحویل و تولید، به‌جای یک رابط چت ساده، یک «کارخانه نرم‌افزاری» ساخته است. به نقل از مت مک‌کلرنان، مدیرعامل Augment Code، پلتفرم یکپارچه Harness این قابلیت‌ها را بسیار مؤثرتر از توسعه‌های مستقل به مشتریان می‌رساند و ماموریت اصلی بهبود توسعه نرم‌افزار در مقیاس وسیع با استفاده از هوش مصنوعی را ادامه می‌دهد. طبق پست وبلاگی جیوتی بانسال، مدیرعامل Harness، عامل کارخانه نرم‌افزاری Harness Cosmos (Harness Cosmos Software Factory Agent) هم‌اکنون در دسترس است. این تصاحب شامل Auggie CLI، موتور زمینه کد و تیمی از مهندسان است که این محصولات را ساخته‌اند. هدف این است که اثر هوش مصنوعی نه با حجم کد تولید شده، بلکه با مقدار نرم‌افزار ارزشمندی که واقعاً به دست مشتری می‌رسد، سنجیده شود.

نحوه عملکرد کارخانه خودگردان

در سامانه Cosmos، کارها به‌جای پرامپت‌های دستی، با «رویدادها» شروع می‌شوند. این سیستم می‌تواند بر اساس موارد زیر یک جریان کاری (Workflow) را آغاز کند:

  • تیکت‌های ارجاع شده یا باگ‌های گزارش شده
  • نیازمندی‌های مکتوب یا درخواست‌های ادغام (Pull Requests) باز شده
  • هشدارهای سیستمی فعال شده یا وب‌هوک‌های (Webhooks) ورودی
  • زمان‌بندی‌های از پیش تعیین شده

پس از فعال شدن، گروهی از عامل‌ها (Agents) — شبیه به تیمی از متخصصان که هر کدام وظیفه خاصی دارند و با هم هماهنگ هستند — تغییرات را برنامه‌ریزی کرده، کد را می‌نویسند و تست‌ها را اجرا می‌کنند. هدف نهایی این جریان کاری، رسیدن به تغییری است که آماده تصمیم‌گیری برای ادغام توسط تیم باشد. اگر بازبینی‌کننده‌ای نظری بگذارد یا یکی از بررسی‌ها (Checks) شکست بخورد، عامل به‌طور خودکار مشکل را در همان PR برطرف می‌کند و کار را از میان تداخلات ادغام (Merge Conflicts) و تست‌های شکست‌خورده پیش می‌برد. هر عامل در یک ماشین مجازی ایزوله اجرا می‌شود تا امنیت و پایداری سیستم تضمین شود.

اکوسیستم عامل‌های «خبره»

تیم‌ها می‌توانند از عامل‌های پیش‌ساخته‌ای به نام «خبره‌ها» (Experts) استفاده کنند که می‌توان آن‌ها را برای یک کدبیس خاص تنظیم دقیق (Fine-tuning) کرد و در سطح کل سازمان مستقر نمود. این خبره‌ها عبارتند از:

  • Project Builder و PR Author: برای ایجاد اولیه پروژه و ارسال درخواست ادغام.
  • Deep Reviewer و Risk Analyzer: برای بررسی‌های کیفی و تحلیل‌های ایمنی.
  • Verifier و PR Fixer: برای رفع خطاها و تضمین صحت نهایی کد.

پشتوانه این سیستم، موتور زمینه کد (Code Context Engine) است که نقشه‌ای زنده از کل کدبیس را نگه می‌دارد. این موتور تضمین می‌کند که تغییرات خودکار با معماری موجود سازگار باشند و به‌جای معرفی رگرسیون (Regression)، با ساختار فعلی همسو شوند. زیرساخت این پلتفرم همچنین شامل موارد زیر است:

  • مسیریابی مدل (Model Routing): تطبیق هر وظیفه خاص با مناسب‌ترین مدل هوش مصنوعی.
  • حافظه مشترک: انتقال درس‌های آموخته شده از هر بازبینی به تغییرات بعدی.
  • یکپارچگی: اتصال داخلی و مستقیم به GitHub، Jira و Slack.
  • حکمرانی: کنترل نسخه‌ها و مدیریت بودجه برای اجرای کدنویسی خودکار در سطح سازمان. در این راستا، ابزارهای نظارتی برای کنترل رفتار این عامل‌ها اهمیت یافته‌اند، مشابه آنچه Vantage برای مدیریت هزینه‌ها و رفتار عامل‌های کدنویس ارائه کرده است.

بستن حلقه تولید (Production Loop)

Harness قصد دارد موتور زمینه کد را به گراف دانش تحویل نرم‌افزار (Software Delivery Knowledge Graph) خود متصل کند. این یعنی زمینه تولید — مانند حوادث گذشته، الزامات امنیتی، محدودیت‌های استقرار و انتظارات تست — حتی قبل از نوشتن اولین خط کد، بر روند مهندسی اثر می‌گذارد.

تصور کنید یک آسیب‌پذیری در یک سرویس مستقر پیدا شود. زمینه متصل، کد آسیب‌دیده، نسخه مستقر شده و وابستگی‌های مرتبط را شناسایی می‌کند. سپس Cosmos اصلاحیه را آماده می‌کند، عامل تست امنیتی آن را تأیید می‌کند و عامل تحویل نرم‌افزار، استقرار را مدیریت می‌کند. اگر رگرسیونی رخ دهد، شواهد دوباره به جریان کاری مهندسی برای اصلاح بازگردانده می‌شود. طبق بیانیه این شرکت، عامل‌ها می‌توانند تا زمان حل کامل مشکل در یک حلقه تکرار شوند.

این اکوسیستم با سایر عامل‌های پلتفرم نیز ادغام شده است:

  • عامل تحویل نرم‌افزار: ساخت و استقرار نرم‌افزار، مدیریت تغییرات زیرساخت و پایگاه‌داده، و تأیید استقرارها با قابلیت‌های بازگشت (Rollback) پیکربندی شده.
  • عامل تست امنیتی: شناسایی و اولویت‌بندی ریسک‌ها در کد، وابستگی‌ها و زنجیره تأمین نرم‌افزار.
  • عامل حفاظت زمان اجرا: دفاع از اپلیکیشن‌ها، APIها و هوش مصنوعی در محیط تولید در برابر تهدیدات زمان اجرا.
  • عامل مدیریت هزینه: بهینه‌سازی هزینه‌های ابری و هوش مصنوعی از طریق اتصال دیدِ هزینه‌ها به بینش‌های بهره‌وری مهندسی.

تمام این جریان‌های کاری تحت سیاست‌های کدنویسی (Policy-as-code)، کنترل‌های دسترسی، تأییدیه‌ها و ردپای حسابرسی (Audit Trails) شرکت باقی می‌مانند. برای یک مدیر کسب‌وکار، این یک چرخش از «کدنویسی با کمک AI» به «مهندسی سازمان‌یافته توسط AI» است. با خودکارسازی کارهای تکراری مدیریت PR و رفع باگ، شرکت‌ها می‌توانند سرعت عرضه محصول را بدون افزایش نیروی انسانی بالا ببرند. با این حال، ریسک از «نوشتن کد» به «مدیریت سیاست‌هایی که اجازه فعالیت به عامل‌ها می‌دهد» منتقل می‌شود.

به باور بانسال، خودگردانی باید کارهای تکراری را کم کند، نه مسئولیت‌پذیری را. تغییرات پرریسک، مانند سیستم‌های پردازش پرداخت، همچنان به نقاط بازرسی و قضاوت انسانی نیاز دارند، در حالی که به‌روزرسانی‌های روتین مستندات می‌توانند تحت سیاست‌های تأیید شده به‌طور خودکار پیش بروند.

کاربران می‌توانند در حالی که همچنان از IDEها یا ابزارهای کدنویسی مورد علاقه خود استفاده می‌کنند، Harness Cosmos را به کار بگیرند. به تیم‌ها توصیه می‌شود با شناسایی یک جریان کاری مهندسی واحد، مانند پیاده‌سازی یک تیکت خاص برای آماده‌سازی یک PR، خودکارسازی را آغاز کنند.

گام بعدی شما

  • اگر مدیر فنی هستید، یک جریان کاری ساده (مانند تبدیل تیکت‌های مستندسازی به PR) را برای تست خودکارسازی شناسایی کنید.
  • بررسی کنید که آیا سیاست‌های دسترسی (Access Control) سازمان شما برای مدیریت عامل‌های خودگردان آماده است یا خیر.
  • مدل‌های فعلی کدنویسی خود را با رویکرد «عامل‌محور» (Agentic) مقایسه کنید تا گلوگاه‌های انسانی در چرخه PR را بیابید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این رویکرد با تکیه بر اعتبار زیرساخت‌های تحویل نرم‌افزار Harness، ریسک استقرار کدهای تولید شده توسط AI را کاهش می‌دهد. در نتیجه، سرعت عرضه محصول در سازمان‌های بزرگ بدون نیاز به افزایش تعداد برنامه‌نویسان افزایش می‌یابد.

تأثیر برای ایران

به‌دلیل محدودیت‌های دسترسی به APIهای پیشرفته و تحریم‌های سرویس‌های ابری سازمانی، استفاده از این پلتفرم برای تیم‌های توسعه داخلی ایران در حال حاضر دشوار است.

·نگاه ما
تحریریه دات‌هوش

انتقال از ابزارهای Copilot به سیستم‌های Agentic نشان می‌دهد که صنعت از «تولید تکه-کد» به سمت «مدیریت چرخه حیات» حرکت کرده است. در این مدل، ارزش مدل زبانی دیگر در دقت نوشتاری، بلکه در توانایی مسیریابی در گراف دانش سازمان و مدیریت تضادهای ادغام (Merge Conflicts) است. این یعنی مهندسی نرم‌افزار در حال تبدیل شدن به یک نقش نظارتی است که در آن انسان به‌جای نوشتن، سیاست‌های حاکمیتی را تعریف می‌کند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.