تصور کنید ۷۵٪ از هشدارهای مزاحم سیستم‌های شما یک‌شبه ناپدید شوند. اگر هنوز برای مدیریت زیرساخت‌های خود به تحلیل دستی لاگ‌ها تکیه می‌کنید، در حال شکست خوردن در برابر پیچیدگی هستید.
به نقل از گزارش arxiv.org، در ۳۰ آوریل ۲۰۲۶، محققان از Bian Que پرده‌برداری کردند؛ چارچوبی که برای خودکارسازی عملیات و نگهداری (O&M) در سیستم‌های آنلاین پیچیده طراحی شده است. طبق اعلام محققان، این سیستم مشکل «رقیق‌شدن داده‌ها» را حل می‌کند؛ وضعیتی که در آن مدل‌های زبانی بزرگ (Large Language Models) به دلیل حجم انبوه لاگ‌ها و متریک‌های نامرتبط، دچار توهم (Hallucination) می‌شوند.
Bian Que یک پارادایم عملیاتی یکپارچه را معرفی می‌کند که نگهداری روزمره را به سه الگوی اصلی تقسیم می‌کند: متوقف‌سازی انتشار، بازرسی پیش‌دستانه و تحلیل ریشه هشدارها. برای تضمین دقت، این چارچوب از «سازمان‌دهی منعطف مهارت‌ها» استفاده می‌کند تا عامل (Agent) تنها داده‌های خاص و دانش متخصصان مربوط به آن ماژول تجاری را بازیابی کند.
دستاوردهای فنی کلیدی این سیستم عبارتند از:
- مکانیزم تکامل‌یافته‌ای که از سیگنال‌های اصلاحی برای تبدیل حافظه موارد به دانش استفاده می‌کند.
- تولید خودکار و پالایش تکرارشونده «مهارت‌ها» از طریق دستورات زبان طبیعی مهندسان On-call.
- نرخ موفقیت ۹۹.۰ در ارزیابی‌های آفلاین.
در پوشش پیشین ما از چالش‌های استقرار مدل‌های زبانی در محیط‌های عملیاتی، دیدیم که توهمات مدل‌ها بزرگ‌ترین مانع اعتماد مهندسان است. Bian Que دقیقاً همین نقطه ضعف را هدف قرار داده است.
وقتی این چارچوب روی موتور جستجوی تجارت الکترونیک KuaiShou (پلتفرم ویدئوهای کوتاه چینی) پیاده شد، نتایج خیره‌کننده بود: حجم هشدارها ۷۵٪ کاهش یافت، دقت تحلیل ریشه خطاها به ۸۰٪ رسید و میانگین زمان رفع خطا (MTTR) بیش از ۵۰٪ کاهش یافت.
این چرخش به سمت ارکستراسیون عامل‌محور (Agentic)، فراتر از یک بازیابی ساده است. با تبدیل مهارت‌های عملیاتی به ماژول‌های منعطف و به‌روزرسان، Bian Que از فشار شناختی که معمولاً مدل‌ها را در محیط‌های SRE (مهندسی قابلیت اطمینان سایت) فلج می‌کند، جلوگیری می‌کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- بررسی مستندات Bian Que برای درک نحوه پیاده‌سازی «سازمان‌دهی منعطف مهارت‌ها» در سیستم‌های مانیتورینگ.
- ارزیابی مجدد استراتژی‌های RAG در سازمان خود برای جلوگیری از رقیق‌شدن داده‌ها در مدل‌های زبانی.
- مطالعه متدهای تبدیل «حافظه مورد» به «دانش» برای کاهش توهمات مدل در تحلیل لاگ‌ها.
گفتگو