اگر ساعت‌ها وقت خود را صرف گشتن در لاگ‌ها برای پیدا کردن خطاهای عامل‌هایتان می‌کنید، باید بدانید که دوران «کارآگاه‌بازی» به پایان رسیده است. تصور کنید سیستمی داشته باشید که نه تنها خطا را می‌بیند، بلکه کد اصلاحی را هم می‌نویسد.
به نقل از مستندات LangChain، ابزار جدیدی به نام LangSmith Engine در مرحله‌ی بتای عمومی عرضه شده است. یک عامل (Agent) — شبیه دستیاری است که نه تنها حرف می‌زند، بلکه می‌تواند ابزارها را برای انجام کارها به کار بگیرد — حالا سیستمی برای خود-اصلاحی دارد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی چالش‌های استقرار مدل‌های عامل‌محور اشاره کردیم، بزرگ‌ترین گلوگاه، شناسایی خطاهای نامرئی در محیط واقعی بود.
این سیستم ردپاهای تولید (Production Traces) را برای یافتن خطاها و بازخوردهای منفی رصد می‌کند. سپس این موارد را در دسته‌های نام‌گذاری‌شده قرار می‌دهد. برای مثال، اگر ۱۲ درصد از جلسات پشتیبانی در مرحله‌ی لغو اشتراک شکست بخورند، سیستم این الگو را شناسایی می‌کند. LangSmith Engine سپس کد شما را می‌خواند تا ریشه‌ی مشکل را پیدا کند.
طبق گزارش این شرکت، این ابزار می‌تواند به‌طور خودکار یک Pull Request (PR) برای رفع باگ ارسال کند. همچنین ارزیاب‌های سفارشی پیشنهاد می‌دهد تا از تکرار خطا جلوگیری شود. این قابلیت‌ها توسط SmithDB پشتیبانی می‌شوند؛ یک پایگاه داده توزیع‌شده که به‌طور خاص برای داده‌های عامل‌ها ساخته شده است.
این تحول، نقش توسعه‌دهنده را از «کارآگاه» به «بازبین» تغییر می‌دهد. شما دیگر به دنبال باگ نمی‌گردید، بلکه فقط اصلاحات را تأیید و ادغام می‌کنید. این یعنی زمان بین وقوع یک خطا و رفع دائمی آن به شدت کاهش می‌یابد. در واقع، شکست‌های دنیای واقعی به یک مجموعه‌ی تست دائمی تبدیل می‌شوند.
هدف نهایی، رسیدن به آینده‌ای است که در آن مشکلات رایج بدون نیاز به بازبینی انسانی حل شوند.
گام بعدی شما
- پروژه‌ی ردیابی (Tracing) و مخزن کد خود را به نسخه‌ی بتا متصل کنید.
- روی یک زیرمجموعه‌ی کوچک از کاربران، شناسایی خودکار خطاها را آزمایش کنید.
- ارزیاب‌های پیشنهادی سیستم را برای سخت‌گیرانه‌تر کردن تست‌های خود به کار ببرید.
اما این خودکارسازی تنها بخشی از ماجراست؛ برای درک اینکه چگونه داده‌های SmithDB آینده‌ی حافظه‌ی مدل‌ها را تغییر می‌دهند، تحلیل ما درباره‌ی پایگاه‌های داده برداری را بخوانید.
گفتگو