اگر از تأخیرهای طولانی در فراخوانی مدل‌های زبانی برای پردازش داده‌ها خسته شده‌اید، راهکاری برای تبدیل این پاسخ‌ها به کد native پیدا شده است. یک پژوهشگر در JetBrains روشی را ابداع کرده که توقف‌های ناشی از استنتاج را با تبدیل آن‌ها به کدهای دائمی در منبع برنامه، به‌طور کامل حذف می‌کند. این رویکرد در KotlinLLM پیاده‌سازی شده است؛ یک پلاگین آزمایشی برای IntelliJ IDEA که «ماکروهای هوشمند» را معرفی می‌کند. این ابزار اجازه می‌دهد کد کاتلین در زمان اجرا تولید شده و از طریق رابط دیباگ جاوا (JDI) — که شبیه به یک جراح است و می‌تواند قطعاتی از مغز برنامه‌ی در حال اجرا را بدون متوقف کردن آن جراحی و تعویض کند — به‌طور گرم (hot-reload) در ماشین مجازی جاوا جایگزین شود.
تولید کد در لحظه معمولاً ریسک بزرگی برای پایداری سیستم است، اما این رویکرد با مدل زبانی نه به عنوان یک وابستگی در زمان اجرا، بلکه به عنوان یک کامپایلر پویا برخورد می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی زیرساخت‌های پردازشی با کارایی بالا مانند پردازنده‌های B300 انویدیا برای آموزش مدل‌ها اشاره کردیم، تمرکز صنعت اکنون از «چگونه مدل بسازیم» به «چگونه مدل را به‌طور کامل از مسیر بحرانی اجرا خارج کنیم» تغییر کرده است.
به نقل از وبلاگ پژوهشی JetBrains، این پلاگین در یک حلقهٔ نه‌مرحله‌ای دقیق عمل می‌کند. طبق مستندات، وقتی سیستم به یک فراخوانی asLlm یا mockLlm می‌رسد که با سناریوهای شناخته‌شده تطبیق ندارد، پلاگین مقادیر زمان اجرا و اطلاعات نوع (Type) را از فریم متوقف‌شده استخراج می‌کند. سپس عامل (Agent) مدل زبانی، یک به‌روزرسانی کد ارسال می‌کند و پلاگین آن را کامپایل کرده و پیش از تلاش مجدد برای اجرای فراخوانی، آن را در کلاس بارگذاری‌شده بازتعریف می‌کند. این فرآیند اتصال به مدل‌ها، یادآور چالش‌های یکپارچه‌سازی است که در تحلیل ما درباره سازگاری مدل‌های وزن‌باز با APIهای استاندارد OpenAI مورد بررسی قرار گرفت.
مشخصات فنی کلیدی این ابزار عبارت است از:
- الزامات: IntelliJ IDEA 2025.2.x، JDK 21 و کلید API شرکت OpenAI.
- مجوز: منتشر شده تحت Apache License 2.0.
- پلتفرم هدف: به‌طور خاص Kotlin/JVM، به دلیل اتکا به JDI برای بازتعریف کلاس‌ها.
در آزمایش‌های انجام‌شده روی یک پروژه تطبیق‌یافته‌ی Spring Petclinic، KotlinLLM در ۲۴ سناریوی مختلف از ۲۴ سناریوی موجود، به نرخ موفقیت ۱۰۰ درصدی در جایگزینی کد (hot-reload) رسید. بر اساس گزارش پژوهشگران، سربار مربوط به کامپایل و بازتعریف کد تنها حدود ۱٪ به زمان کل اجرا اضافه کرده است. همچنین در یک آزمون مجزا با عنوان "GitHub Beginner Issue Radar" که شامل بیش از ۳۰ هزار مورد (Issue) بود، این سیستم به میزان Recall ۰.۸۹ روی برچسب‌های حقیقت زمینی (ground-truth) رسید.
این تحول به معنای حرکت به سمت «خروجی‌های قابل استقرار هوش مصنوعی» است. چون کدهای تولیدشده به‌صورت کد ساده کاتلین ذخیره می‌شوند، می‌توان آن‌ها را کامیت کرد، بازبینی نمود و بدون نیاز به حضور پلاگین LLM در محیط تولید (Production)، مستقیماً در نسخه نهایی محصول ارسال کرد. در واقع، مدل زبانی مانند یک داربست پیشرفته عمل می‌کند که در نهایت خودش را از چرخه حذف می‌کند.
برای توسعه‌دهندگان حوزه‌های فین‌تک، تجارت الکترونیک یا لجستیک، این یعنی توانایی تبدیل پاسخ‌های نامنظم APIهای شخص ثالث به کلاس‌های داده‌ای با تایپ قوی، بدون پرداخت «مالیات استنتاج» (Inference Tax) برای هر درخواست. شما انعطاف مدل زبانی را در کنار سرعت بایت‌کد native خواهید داشت.
البته چون این ابزار یک نمونه کاربردی پژوهشی است، در حال حاضر برای گروه‌های تحقیق و توسعه (R&D) و استارتاپ‌ها مناسب‌تر است تا محیط‌های تولیدی با قوانین سختگیرانه. با این حال، این واقعیت که منابع تولیدشده قابل بازبینی هستند، آن را به مسیری عملی برای تیم‌هایی تبدیل می‌کند که نیاز دارند به‌صورت آنی با تغییرات Schema در سرویس‌های بالادستی سازگار شوند.
گام بعدی شما
- مشاهده مستندات پایان‌نامه و ضبط سخنرانی KotlinConf ۲۰۲۶ در مخزن پروژه برای درک عمیق‌تر مکانیزم JDI.
- تست کردن KotlinLLM روی پروژه‌های کوچک برای تبدیل توابع تکراری استنتاج به کدهای ثابت.
- بررسی احتمال پیاده‌سازی این الگوی «زمان اجرا به منبع» در زبان‌های کامپایل‌شده دیگر خارج از محیط JVM.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو