دگرگونی مانیتورینگ سیستم‌های نرم‌افزاری با کمک ایجنت‌های هوش مصنوعی

مقدمه

با افزایش حجم کدهایی که روزانه نوشته و منتشر می‌شوند، میزان تسلط و دانش انسانی بر جزئیات سیستم‌های نرم‌افزاری رو به کاهش است. ابزارهای سنتی مانیتورینگ و پلتفرم‌های observability مانند Datadog یا Sentry بسیار هزینه‌بر هستند و برای استفاده بهینه به سال‌ها تجربه انسانی نیاز دارند. در حالی که صنعت نرم‌افزار به شدت تحت تاثیر ایجنت‌های کدنویسی قرار گرفته است، پایش سیستم‌ها یا همان monitoring نیز در آستانه یک تحول بزرگ قرار دارد.

ایده مانیتورینگ مبتنی بر ایجنت (Agentic Monitoring)

اشاره اخیر شرکت Anthropic به استفاده از ایجنت‌هایی موسوم به superfans برای پایش اجزای مختلف سیستم، نشان‌دهنده یک شیوه نو در عملیات نرم‌افزاری است. این ایجنت‌ها به لاگ‌ها و تله‌متری سیستم دسترسی دارند و مانند یک مهندس با تجربه، دائماً نمودارها را رصد می‌کنند تا مسائل ظریف و پیچیده‌ای را که هشدارهای سنتی از تشخیص آن‌ها ناتوانند، شناسایی کنند.

مزایای رقابتی ایجنت‌ها در پایش سیستم

• پایش ۲۴ ساعته و همه‌جانبه: ایجنت‌ها خستگی‌ناپذیرند و برخلاف انسان‌ها نیازی به چرخش شیفت ندارند. با هزینه پایین توکن‌ها، بررسی هر خطای مشکوک یا تغییر در متریک‌ها امکان‌پذیر می‌شود.
• موازی‌سازی بررسی‌ها: در هنگام بروز حادثه، ایجنت‌ها می‌توانند چندین مسیر فرضی را به طور همزمان بررسی و عیب‌یابی کنند.
• سرعت بالا در درک کد و لاگ: خواندن کد، استخراج متریک‌ها و تحلیل لاگ‌ها توسط ایجنت‌ها با سرعت بسیار بالایی انجام می‌شود که برای مهندسان کم‌تجربه زمان‌بر است.

مطالعه موردی: پایش نقاط تغییر (Change-Point Monitoring)

بخش عمده‌ای از قطعی‌ها ناشی از تغییرات در سیستم زنده مانند انتشار نسخه جدید یا تغییر تنظیمات است. پایش سنتی این نقاط دشوار است زیرا داده‌های عمومی سیستم پر از سر و صدا (noise) هستند و منجر به هشدار کاذب می‌شوند. اما یک ایجنت می‌تواند به کدهای سرویس و زیرساخت مانیتورینگ متصل شود، برنامه پایش مخصوص همان تغییر را بنویسد و لاگ‌ها را به طور عمیق کاوش کند. تجربیات اولیه نشان می‌دهد که ترکیب یک اسکریپت ساختاریافته با ایجنت‌های هوش مصنوعی، نتایج بسیار دقیقی با مصرف توکن بهینه تولید می‌کند.

گام‌های بعدی و اقدامات خودکار

این سیستم‌ها تنها به خواندن اطلاعات محدود نمی‌شوند. با فراهم کردن چارچوب (harness) و نگهبان‌های ایمنی (guardrails)، ایجنت‌ها می‌توانند اقداماتی مانند بازنشانی تنظیمات، رول‌بک کردن بیلدها، یا حتی پیشنهاد و تست بهینه‌سازی‌های عملکردی را انجام دهند.

نگاه جامعه هکرنیوز

بحث‌های پیرامون این موضوع در هکرنیوز ابعاد مختلفی را روشن کرده است:

• برخی کاربران مانند nevon اشاره کرده‌اند که هدایت یک ایجنت به سمت ترابایت‌ها لاگ و هزاران ریپازیتوری کار ساده‌ای نیست و چالش دسته‌بندی و همبستگی داده‌ها (correlation) همچنان پابرجا است.
• کاربرانی مانند t0mas88 معتقدند چالش اصلی ساخت یک هَرنِس (harness) مناسب است تا حجم داده‌ها را برای مدل زبانی قابل‌هضم کند و از هزینه‌های سرسام‌آور جلوگیری نماید.
• برخی دیگر بر این باورند که ارزش واقعی این قابلیت در نهایت توسط ابزارهای موجود مانیتورینگ مثل قابلیت‌های هوش مصنوعی Datadog ارائه خواهد شد تا اینکه شرکت‌ها بخواهند سیستم شخصی خود را بسازند.