چه چیزی معرفی شد

وبلاگ AWS توضیح می‌دهد که Rescale، پلتفرم مهندسی دیجیتال، با چارچوب متن‌باز AI-DLC یک عامل هوشمند triage ساخته است. طبق این گزارش، مسیر کار از تعریف مسئله تا استقرار در محیط staging پنج روز طول کشید و ظرف چند هفته به production رسید. این روایت از سوی AWS و با مشارکت Rescale منتشر شده و در متن ارائه‌شده، آزمون مستقل درباره نتایج آن ارائه نشده است.

عامل، شکست‌های تست سراسری شبانه را طبقه‌بندی و مسیریابی می‌کند. پیش‌تر مهندسان باید لاگ‌ها، الگوهای تاریخی و کد منبع را بررسی می‌کردند. چون این تست‌ها مانع انتشار هفتگی هستند، رفع آن‌ها روی مسیر حیاتی استقرار قرار داشت.

برای بررسی:How Rescale built an AI triage agent with Strands Agents and AI-DLC

عامل چگونه کار می‌کند

عامل به‌عنوان یک مرحله در خط لوله Argo Workflows روی Amazon EKS اجرا می‌شود. وقتی مجموعه تست Playwright با صدها مورد شکست می‌خورد، پادِ عامل فعال می‌شود. عامل با Claude Opus 4.8 روی Amazon Bedrock هر شکست را در یکی از چهار دسته قرار می‌دهد: مشکل زیرساخت، باگ کد، تست ناپایدار یا مشکل محیط.

سپس الگوهای شکست قبلی را از یک پایگاه دانش می‌گیرد، لاگ پادها را از طریق MCP (و یکپارچگی با Amazon CloudWatch) برای شواهد زمان اجرا جست‌وجو می‌کند و گزارش اصلاحی ساختاریافته با اشاره به فایل‌ها و توابع و راهکار پیشنهادی تولید می‌کند. این گزارش پیش از هر اقدامی برای بازبینی مهندس است. عامل با Strands SDK ساخته شده و خروجی JSON و HTML دارد.

برای بررسی:How Rescale built an AI triage agent with Strands Agents and AI-DLC

نقش AI-DLC در فرایند ساخت

AI-DLC بر دو اصل استوار است: هوش مصنوعی اجرا می‌کند و انسان‌ها تصمیم می‌گیرند، و جلسات گروهی جای واگذاری ناهمزمان را می‌گیرد. تیم در کارگاه حضوری پنج‌روزه به بیش از ۲۰ پرسش روشن‌کننده تولید‌شده توسط AI پاسخ داد و الزامات فاز ۱ را از فاز ۲ جدا کرد؛ مثلاً تولید خودکار pull request به بعد موکول شد.

در حین ساخت، دو تغییر معماری رخ داد: میزبانی از Amazon Bedrock AgentCore به Amazon EKS منتقل شد تا زمان اجرای جدیدی لازم نباشد، و بازیابی لاگ از یک سرویس شخص ثالث به CloudWatch رفت. در روز پنجم یک چارچوب ارزیابی مبتنی بر PyTest با حالت‌های زنده و stub ساخته شد.

برای بررسی:How Rescale built an AI triage agent with Strands Agents and AI-DLC

نتایج و محدودیت‌ها

بر اساس گزارش، توافق طبقه‌بندی عامل با triage انسانی از ۴۴٪ در استقرار اولیه به ۶۸٪ رسیده است. این یعنی هنوز حدود یک‌سوم موارد با قضاوت انسانی همخوان نیست و بازبینی مهندس ضروری می‌ماند. Rescale همچنین کاهش ۲۰٪ی زمانِ مسدودبودن استقرار production هنگام تحلیل شکست‌ها را اعلام کرده است. این اعداد ادعای خود شرکت‌اند و در این منبع آزمون مستقلی برای آن‌ها ارائه نشده است.

نتایج مربوط به یک مورد خاص، یعنی تست‌های شبانه Rescale روی زیرساخت خودش، است و نباید به همه تیم‌ها تعمیم داده شود. منبع درباره دسترسی در ایران یا یکپارچگی با نخود چیزی نمی‌گوید. برای شروع، AWS قواعد متن‌باز AI-DLC را در GitHub معرفی کرده و Rescale از ایجاد یک مرکز تعالی داخلی AI-DLC خبر داده که هنوز در حال ارزیابی است.

برای بررسی:How Rescale built an AI triage agent with Strands Agents and AI-DLC

پشت این نوشته

منابع و جزئیات

این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.

این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.

  1. How Rescale built an AI triage agent with Strands Agents and AI-DLC
    aws.amazon.comبررسی:

نخستین انتشار:

روش تهیه و بازبینی نوشته‌ها