تصور کنید سیستمی دارید که در آن مدل‌های استدلالی مستقیماً به کدهای اجرایی متصل‌اند و یک عامل هوش مصنوعی می‌تواند به‌تنهایی زیرساخت‌های ابری شما را مدیریت کند. در ۲۲ ژوئیه ۲۰۲۶، یک راهنمای عملی منتشر شد که جزئیات پیکربندی Amazon Nova Act برای نظارت بر میزان مصرف CPU در سرویس EC2 و اجرای خودکار اقدامات اصلاحی را شرح می‌دهد.
این تغییر، گذاری از «هوش مصنوعیِ گفتگو‌محور» به «هوش مصنوعیِ عمل‌محور» است؛ جایی که مدل تنها مشکل را گزارش نمی‌کند، بلکه آن را حل می‌کند. برای اکثر توسعه‌دهندگان، این تغییر شبیه این است که به‌جای داشتن داشبوردی که هنگام داغ شدن سرور فقط جیغ می‌زند، یک دستیار هوشمند داشته باشید که واقعاً سیستم خنک‌کننده را تعمیر کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی پروتکل‌های ارتباطی مدل‌ها اشاره کردیم، اتصال مدل به ابزارهای خارجی کلید خروج از فضای چت است. برای بهینه‌سازی این فرایند، مدیریت تأخیر در پاسخ‌دهی حیاتی است؛ موضوعی که در بررسی معماری‌های ابری ترکیبی برای کاهش تأخیر عامل‌های هوشمند به تفصیل به آن پرداختیم.
به نقل از راهنمای منتشرشده در dev.to، برای این پیاده‌سازی باید سرویس Amazon Bedrock در منطقه us-east-1 فعال شود تا «قابلیت تفکر» عامل فراهم گردد. در این ساختار، مدل Nova 2 Lite به‌عنوان موتور اصلی عمل می‌کند. طبق مستندات، کاربران باید یک نقش IAM با دسترسی‌های مشخص، از جمله AWSLambdaBasicExecutionRole و CloudWatchReadOnlyAccess ایجاد کنند.
گردش‌کار عملیاتی
- مشاهده: عامل داده‌های لحظه‌ای مصرف CPU را می‌خواند.
- ارزیابی: بررسی می‌کند که آیا مصرف از حد بحرانی ۸۰٪ فراتر رفته است یا خیر.
- اجرا: در صورت تأیید شرط، یک تابع AWS Lambda را فعال می‌کند.
- بازخورد: سیستم نتیجه عملیات را به کاربر بازمی‌گرداند.
این یکپارچه‌سازی، نحوه برخورد مهندسان SRE با مهندسی پلتفرم را به‌طور بنیادی تغییر می‌دهد. به‌جای نوشتن اسکریپت‌های سخت و محدود برای هر خطای احتمالی، مهندسان اکنون می‌توانند اهداف سطح بالا را تعریف کنند و اجازه دهند عامل (Agent) — شبیه مدیری که هدف را می‌بیند و ابزار مناسب را انتخاب می‌کند — تشخیص دهد چه زمانی و چگونه توابع Lambda را فراخوانی کند.
گام بعدی شما
- منطق این سیستم را با اتصال Nova 2 Lite به سرورهای اختصاصی MCP خود آزمایش کنید تا عملیات‌های ابری پیچیده‌تری را مدیریت نمایید.
- محدوده‌های هشدار (Thresholds) را برای سرویس‌های مختلف دیگر به‌صورت پویا تعریف کنید.
- خروجی‌های بازخوردی مدل را برای تحلیل الگوهای تکرار شونده در زیرساخت خود رصد کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو