پلتفرم Autoheal به میدان آمد: مدیریت خرابکاری‌ها و کارهای نیمه‌کاره ایجنت‌های کدنویسی!

ابزارهای هوش مصنوعی این روزها آن‌قدر سریع کد تولید می‌کنند که تیم‌های مهندسی شرکت‌ها حتی وقت نمی‌کنند به گرد پایشان برسند و کدهای جدید را ارزیابی کنند.

واقعیت این است که هر برنامه جدید و هر خط تغییر کد، نیاز به نظارت مداوم، پاسخگویی به حوادث، پچ‌های امنیتی و بررسی‌های قبل از انتشار دارد. دقیقاً به همین دلیل است که استارتاپ جدید سان‌فرانسیسکویی «اتوهیل» (Autoheal) پلتفرمی ساخته تا جورِ این حجم از کار اضافی را بکشد.

تیم سازنده اتوهیل می‌گوید مهندسان می‌توانند از این پلتفرم برای بررسی اختلالات، برطرف کردن باگ‌های امنیتی، آماده‌سازی نسخه‌های انتشار، تریاژ پشتیبانی و همچنین مدیریت هزینه‌های سرسام‌آور کدنویسی با هوش مصنوعی استفاده کنند. این سرویس هم ایجنت‌های آماده و پیش‌فرض در اختیار تیم‌ها می‌گذارد و هم ابزارهایی برای ساخت ایجنت‌های اختصاصی ارائه می‌دهد.

بر اساس اطلاعات وب‌سایت این شرکت، اتوهیل محصول خود را یک «کارخانه نرم‌افزاری خوداصلاح‌گر» نامیده است.

این مفهوم در عمل یعنی سیستمی که به چندین ایجنت تخصصی اجازه می‌دهد به‌طور هم‌زمان به زمینه مهندسی دسترسی داشته باشند، خروجی‌های یکدیگر را ارزیابی کنند و هر جا کارایی افت کرد، تغییرات اصلاحی لازم را پیشنهاد دهند.

این شرکت از جذب سرمایه اولیه (Seed) به ارزش ۷.۹ میلیون دلار به رهبری شرکت سرمایه‌گذاری Innovation Endeavors و در دسترس قرار گرفتن عمومی پلتفرم خود خبر داده است.

در وب‌سایت این استارتاپ از مشتریان بالقوه دعوت شده برای دمو ثبت‌نام کنند؛ فرآیندی که شامل یک ارزیابی ۳ هفته‌ای با هدایت یک مهندس ارشد است: اهداف مشخص می‌شود، سیستم‌های مشتری متصل می‌گردند، ایجنت‌ها روی کارهای واقعی اجرا می‌شوند و نتایج بررسی می‌شود تا درباره ادامه همکاری تصمیم‌گیری شود.

اتصال ایجنت‌های پراکنده برای پایان دادن به سردرگمی

مشکل اساسی در حال حاضر، پراکندگی سیستم‌هاست. فرض کنید در محیط پروداکشن مشکلی پیش بیاید؛ یک مهندس باید هشدارهای مانیتورینگ، آخرین تغییرات کد، فعالیت‌های ابری، لاگ‌های بیلد و داکیومنت‌های داخلی را زیر و رو کند تا بفهمد ماجرا چیست. اگر یک ایجنت هوش مصنوعی فقط به یکی از این منابع دسترسی داشته باشد، تشخیصی ظاهراً منطقی اما ناقص ارائه می‌دهد.

پلتفرم Autoheal تمام ایجنت‌های کدنویسی، ریپازیتوری‌ها، ابزارهای CI/CD، سیستم‌های مانیتورینگ، محیط‌های کلود و ابزارهای رهگیری ایشوها را در یک لایه داده و کانتکست مشترک یکپارچه می‌کند. به گفته شرکت، ایجنت‌ها می‌توانند بر اساس سطوح دسترسی سازمان در تمام این بخش‌ها کار کنند.

صفحه مدیریت حوادث این محصول به‌خوبی نشان می‌دهد قضیه در عمل چطور کار می‌کند. اتوهیل قبل از سپردن بررسی به ایجنت، هشدارها را طبق قوانین دسته‌بندی می‌کند. ایجنت سپس لاگ‌ها، تریس‌ها، دیپلوی‌های اخیر و تغییرات کد را تحلیل کرده و مدارک لازم و علت اصلی احتمالی را به چنل حادثه ارسال می‌کند. برای خطاهای کم‌خطرتر، سیستم می‌تواند تغییرات را در یک سندباکس آزمایش کند و مستقیماً برای تیم مربوطه پول‌ریکوئست باز کند؛ البته تایید و ادغام نهایی دست خود مهندسان است. این سیستم حتی می‌تواند گزارش کالبدشکافی حادثه (Postmortem) را هم تهیه کند. ناگفته نماند که این موارد قابلیت‌های اعلام‌شده محصول هستند، نه نتایجی که به‌صورت مستقل در همه سازمان‌ها ثبت شده باشند.

سید چودهری (Sid Choudhury)، هم‌بنیان‌گذار و مدیرعامل اتوهیل در این رابطه می‌گوید: «تجربه به ما نشان داد که ساخت اولین نسخه از یک ایجنت هوش مصنوعی کار راحتی است، اما مقیاس‌پذیر کردن پایدار آن در تمام چرخه حیات توسعه نرم‌افزار سازمانی (SDLC) چالش واقعی است.»

راهکار اتوهیل این است که به تیم‌های زیرساخت و پلتفرم روشی استاندارد برای دیپلوی، کنترل و بهبود ایجنت‌ها در بخش‌های مختلف مهندسی بدهد.

ایجنت‌هایی که کار بقیه ایجنت‌ها را داوری می‌کنند!

ویژگی منحصربه‌فرد این سیستم، چرخه بازخورد هوشمندانه‌ای است که پیاده کرده است:

1. یک ایجنت ارزیاب (Evaluator) به عملکرد بقیه ایجنت‌ها امتیاز می‌دهد و با بررسی کامنت‌های کد ریویو، بیلد‌های شکست‌خورده و خطاهای پروداکشن، کیفیت کار ایجنت کدنویس را می‌سنجد.

2. سپس یک ایجنت درمانگر (Healer) دست به کار می‌شود و با باز کردن یک پول‌ریکوئست، پرامپت‌ها، اسکیل‌ها، ابزارها یا حتی مدل زبانی ایجنت ضعیف را تغییر می‌دهد. این تغییرات قبل از بررسی توسط مهندس انسانی، با تست‌های تاریخی قبلی سنجیده می‌شوند. تمام تغییرات رفتاری در گیت ثبت شده و حتماً به تایید انسان نیاز دارد.

صفحه معرفی محصول نشان می‌دهد که این چرخه دو بخش دارد: به‌روزرسانی دستورالعمل‌ها و ابزارهای ایجنت، و بهبود کانتکست مشترکی که ایجنت از آن استفاده می‌کند. برای نمونه، اصلاحی که یک مهندس در زمان حادثه انجام می‌دهد، به داده‌ای کاربردی برای کارهای بعدی ایجنت تبدیل می‌شود.

همچنین تیم‌ها می‌توانند برای هر ایجنت سقف بودجه و آستانه اطمینان تعیین کنند، روند اجرای تسک‌ها را مقایسه کنند و هزینه، سرعت و دقت هر ایجنت را بسنجند. ایجنت‌ها از طریق خط فرمان (CLI)، API، وب‌هوک، پروتکل MCP، اسلک یا مایکروسافت تیمز قابل استفاده هستند.

این معماری می‌تواند به حل یک چالش رایج کمک کند: ایجنتی که امروز برای یک تیم عالی کار می‌کند، ممکن است با تغییر کدها، ابزارها یا قوانین سازمان از کارایی بیفتد.

البته این موضوع یک پرسش اساسی هم ایجاد می‌کند: آیا این پلتفرم در عمل می‌تواند ثابت کند که تغییرات پیشنهادی‌اش واقعاً باعث بهبود کار تیم‌ها می‌شود بدون اینکه خرابی‌های تازه‌ای بار بیاورد؟ شرکت از تست‌های داخلی صحبت می‌کند، اما هنوز بنچمارک مستقل و تاییدشده‌ای برای کارایی این چرخه بازخورد منتشر نشده است.

اتوهیل مدعی است امکاناتی مثل سندباکس‌های امن، گزارش‌های حسابرسی، مدیریت هزینه و مسیریابی هوشمند بین مدل‌ها را ارائه می‌دهد. چودهری توضیح داده که سیستم می‌تواند کارهای پرتکرار و حجیم را به مدل‌های ارزان‌تر با وزن باز بسپارد و مدل‌های گران‌قیمت پرچمدار را برای کارهای پیچیده‌تر نگه دارد.

مشتریانی که از کلیدهای API اختصاصی خود استفاده می‌کنند، از این کاهش هزینه‌های هوشمند بهره‌مند می‌شوند. مدل درآمدی شرکت عمدتاً بر اساس میزان مصرف و به ازای استفاده از ایجنت‌هاست، گرچه هنوز لیست تعرفه رسمی منتشر نکرده است.

در بخش مدیریت هزینه، اتوهیل فرآیندی جالب را نشان می‌دهد: بررسی سشن‌های قبلی تیم، تبدیل آنها به تسک‌های آزمایشی، مقایسه عملکرد مدل‌های مختلف و در نهایت ارسال یک پول‌ریکوئست برای بهینه‌سازی تنظیمات یا اسکیل‌های ایجنت.

طبق اعلام شرکت، کاهش شدت پردازش مدل می‌تواند هزینه هر تسک را تا ۳۰ درصد کم کند و سپردن کارهای روتین به یک مدل سبک‌تر هم ۱۰ درصد دیگر صرفه‌جویی به همراه دارد.

البته جزئیات پروژه‌ها و داده‌های مبنای این آمار منتشر نشده، بنابراین بهتر است این اعداد را یک مثال از رویکرد سیستم در نظر گرفت، نه صرفه‌جویی قطعی و تضمین‌شده.

این پلتفرم طوری طراحی شده که با ایجنت‌های مطرح فعلی مثل Claude Code، Codex و GitHub Copilot هم‌خوانی داشته باشد و کارایی آنها را بالاتر ببرد. چودهری ابزارهایی مثل Factory.ai و دِوین (Devin) را رقبای خود می‌داند، اما معتقد است ایجنت‌های کدنویسی به‌تنهایی نمی‌توانند کارهای عملیاتی و بین‌تیمی را پوشش دهند.

اتوهیل اعلام کرده که از ابزار Cursor و ایجنت‌های سفارشی هم پشتیبانی می‌کند و مدل‌های استقرار SaaS، هیبریدی و کلود اختصاصی مشتری را در کنار استانداردهای امنیتی نظیر ISO 27001 و SOC 2 Type II ارائه می‌دهد.

ابهام در قیمت‌گذاری و هزینه‌ها

اتوهیل از راه‌اندازی سریع ایجنت‌ها می‌گوید، اما پیاده‌سازی سازمانی ماجرای متفاوتی است. هنوز هیچ قیمت مشخص یا دوره آزمایشی رایگانی در سایت دیده نمی‌شود.

سخنگوی شرکت در پاسخ به سوالات درباره قیمت‌ها گفته مدل درآمدی بر مبنای «دلار به ازای هر سشن ایجنت» تعیین شده است.

مدیر فنی مشتری سقف بودجه هر سشن را مشخص می‌کند، اما مصرف بودجه بستگی به پیچیدگی دارد؛ مثلاً پاسخ به یک حادثه پروداکشن پیچیده ممکن است ۲۰ دلار هزینه ببرد، در حالی که رفع یک باگ امنیتی ساده تنها ۲ دلار آب می‌خورد.

این اختلاف ده‌برابری برای خریداران سازمانی اهمیت زیادی دارد، چون تعداد و سختی سشن‌ها مستقیماً روی فاکتور نهایی اثر می‌گذارد.

هنوز معلوم نیست آغاز و پایان یک سشن دقیقاً کجاست، اگر بودجه ایجنت وسط کار تمام شود چه اتفاقی می‌افتد، یا هزینه تلاش‌های ناموفق چطور محاسبه می‌شود. برای مقایسه دقیق هزینه‌ها با سیستم‌های داخلی، به جزئیات شفاف‌تری نیاز است.

مشتریان اولیه چه می‌گویند؟

اتوهیل چند نمونه از مشتریان خود را معرفی کرده است؛ از جمله هلدینگ مالی نومورا (Nomura) که ادعا شده زمان حل حوادثش با استفاده از این پلتفرم از ۲ ساعت به ۱۵ دقیقه کاهش پیدا کرده است. سمیر جین (Sameer Jain)، مدیر ارشد فناوری نومورا اعلام کرده این سیستم زمان عیب‌یابی را از ساعت‌ها به دقیقه‌ها رسانده است.

شرکت AvidXchange نیز برای پاسخ به حوادث و بررسی نسخه‌های انتشار از اتوهیل استفاده می‌کند و مدعی است این کار ماهانه هزاران ساعت در وقت مهندسان صرفه‌جویی کرده است. همچنین شرکت‌های Nauto و Oscilar هم از بهبود سرعت بستن تیکت‌ها و تریاژ گزارش داده‌اند؛ اگرچه این ادعاها همگی از طرف خود شرکت‌ها نقل شده و تست مستقلی روی آنها انجام نشده است.

در واقع، عیب‌یابی سریع‌تر لزوماً به معنی حل سریع‌تر و کامل مشکل نیست و باید دید در عمل مهندسان چه تعداد از پیشنهادات ایجنت‌ها را رد یا قبول می‌کنند.

سرمایه‌گذاری و چشم‌انداز آینده

در راند جذب سرمایه اولیه اتوهیل، شرکت Innovation Endeavors پیشگام بوده و هارپیندر سینگ (Harpinder Singh) به هیئت‌مدیره این استارتاپ پیوسته است. شرکت‌های دیگری نظیر Emergent Ventures و Darkmode Ventures نیز در این راند مشارکت داشته‌اند. چودهری اعلام کرده اتوهیل ۱۳ مهندس در سیلیکون‌ولی و بنگالورو دارد و انتظار دارد درآمد شرکت تا پایان سال ۷ رقمی شود.

بنیان‌گذاران این استارتاپ سوابق پررنگی در شرکت‌های سرشناسی چون Harness، Yugabyte و مایکروسافت دارند.

برنامه بلندمدت اتوهیل، آموزش مدل‌های کوچک‌تر روی داده‌های مهندسی خصوصی هر مشتری است؛ یعنی استفاده از بازخورد کارهای پرتکرار برای کاهش بیشتر هزینه‌ها و بهبود عملکرد در کارهای سازمانی خاص.

فعلاً پرسش اصلی برای تیم‌های مهندسی این است که آیا می‌توان با ایجاد زمینه مناسب، کارایی ایجنت‌های هوش مصنوعی را در پروژه‌های واقعی پایدار و قابل اعتماد نگه داشت یا خیر. با عرضه عمومی اتوهیل، شرکت‌ها شانس این را دارند که این ادعا را در عمل و روی کدهای انباشته‌شده خود محک بزنند.