تصور کنید دو عامل هوش مصنوعی هم‌زمان روی یک سند کار می‌کنند؛ یکی تغییراتش را ذخیره می‌کند و دیگری بدون اینکه بداند، نسخهٔ قبلی را بازنویسی کرده و تمام زحمات همکارش را پاک می‌کند. در ۱۱ اوت ۲۰۲۶، توسعه‌دهنده‌ای به نام Jovancoding با انتشار Network-AI راهکاری برای توقف این «بازنویسی‌های خاموش» در بسترهای مشترک ارائه داد.
بسیاری از برنامه‌نویسان برای تعریف نقش‌ها و گفتگوهای عامل‌ها از چارچوب‌هایی مثل LangChain، AutoGen یا CrewAI استفاده می‌کنند. اما طبق گزارش‌های فنی، این ابزارها مکانیسم بومی برای مدیریت وضعیت (State) ندارند؛ یعنی وقتی چندین عامل (Agent) — شبیه به کارمندانی که هم‌زمان روی یک فایل مشترک در گوگل‌داکس می‌نویسند — بخواهند حافظه را تغییر دهند، تداخل ایجاد می‌شود. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی زیرساخت‌های عامل‌محور اشاره کردیم، نبودِ هماهنگی در سطح حافظه، بزرگ‌ترین مانع برای مقیاس‌پذیری این سیستم‌هاست. در همین راستا، بررسی دقیق‌تر سازوکار Network-AI در حل بحران بازنویسی حافظه نشان می‌دهد که چگونه این ابزار از تداخلات داده‌ای جلوگیری می‌کند.
Network-AI با قرار گرفتن بین چارچوب‌های عامل و حافظهٔ مشترک، یک چرخهٔ به‌روزرسانی اتمیک (Atomic) را اجرا می‌کند:
- پیشنهاد (Propose): عامل‌ها به‌جای نوشتن مستقیم، تغییرات مورد نظر خود را پیشنهاد می‌دهند.
- اعتبارسنجی (Validate): سیستم پیشنهاد را با به‌روزرسانی‌های هم‌زمان دیگر می‌سنجد.
- تثبیت (Commit): تغییرات تنها پس از حل تداخل و به‌صورت یکپارچه اعمال می‌شوند.
بر اساس مستندات این پروژه، این ابزار از ۱۴ چارچوب مختلف از جمله OpenAI Swarm، MCP و A2A پشتیبانی می‌کند. علاوه بر حل تداخلات، Network-AI قابلیت‌های کنترل بودجهٔ توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — برای جلوگیری از هزینه‌های سرسام‌آور و همچنین دسترسی‌های مبتنی بر نقش را فراهم کرده است. همچنین یک ردپای کامل (Audit Trail) وجود دارد تا توسعه‌دهندگان بدانند دقیقاً کدام عامل در چه زمانی وضعیت را تغییر داده است.
این تحول نشان می‌دهد که گلوگاه بعدی در هوش مصنوعی عامل‌محور (Agentic)، دیگر هوشِ مدل نیست، بلکه زیرساخت است. مدل‌های زبانی بزرگ‌تر نمی‌توانند مشکل «شرایط مسابقه» (Race Conditions) را حل کنند؛ تنها مدیریت وضعیتِ تخصصی است که پایداری در مقیاس واقعی را تضمین می‌کند.
گام بعدی شما
- مخزن GitHub این پروژه با لایسنس MIT را برای تثبیت گردش‌کارهای چندعاملی خود بررسی کنید.
- اگر از CrewAI یا AutoGen استفاده می‌کنید، لایهٔ Network-AI را برای جلوگیری از اتلاف داده‌ها تست کنید.
- سیستم نظارت بر توکن‌ها را برای کنترل هزینه‌های استنتاج در محیط عملیاتی فعال کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو