کنفرانس QCon AI بوستون ۲۰۲۶ نه فقط یک رویداد فنی، بلکه یک نقطه عطف در مسیر بلوغ هوش مصنوعی بود. اگر تا دیروز همهگیر صحبت از ساختن عاملهای هوشمند (Agent) بود، امروز سوال اصلی این است: وقتی این عاملها وارد محیط تولید میشوند، چگونه میتوان آنها را ایمن، قابل اعتماد و مقیاسپذیر اجرا کرد؟ تقریباً تمام سخنرانیهای این کنفرانس به یک موضوع مشترک بازمیگشت: عاملها تیمها را مجبور میکنند تا زیرساخت تولیدی واقعی پیرامون آنها بسازند.
سخنرانی کلیدی: «اصول اولیه مهمتر شدند»
مارتین اسپیر از OpenAI در سخنرانی افتتاحیه خود، لحن کنفرانس را تعیین کرد. او بحث عملکرد را مطرح کرد، اما نه در معنای محدود «سریعتر کردن استنتاج». اسپیر توضیح داد که یک بازه آرام و پنهان پیش از استنتاج وجود دارد که در آن محصول باید مکالمه را برای مدل قابل استفاده کند: زمینه کافی برای کمک و همزمان هرس کافی برای سرعت. به عبارت دیگر، حتی وقتی خود مدل سریع است، باز هم کار زیادی برای سریعتر کردن محصول وجود دارد. او این روند را با عنوان «سریع نگه داشتن ChatGPT در حین شتاب توسعه هوش مصنوعی» شرح داد.
این سخنرانی تبدیل به یک لنز تحلیلی برای کل کنفرانس شد. کارِ پیرامون عاملها دارد از فاز «درخشش اولیه» خارج میشود و به زیرساخت خستهکننده اما حیاتی تبدیل میشود؛ همان چیزی که تعیین میکند آیا یک سیستم در تماس با کاربران واقعی دوام میآورد یا نه.
لایه پلتفرمی: مهندسی زمینه و زیرساخت اشتراکی
اولین روند مهم، ظهور زمینه و زیرساخت عامل بهعنوان یک لایه پلتفرم مستقل بود. تیمها دارند از برنامههای تکمنظوره به سمت سیستمهای اشتراکی برای زمینه، دسترسی به ابزار، هویت و وضعیت حرکت میکنند. اینجاست که مفاهیمی مانند مهندسی زمینه (Context Engineering)، دروازههای MCP و کاتالوگهای ابزار معنایی بهعنوان بلوکهای اصلی زیرساخت ظاهر میشوند. به گفته ریکاردو فریرا در سخنرانی خود: «مهندسی زمینه یک ویژگی نیست، معماری است. این را درست انجام دهید و بقیه چیزها آسانتر میشوند.»
در همین راستا، فابیانه ناردون در سخنرانی خود با عنوان «معماری لایه داده برای عاملهای هوش مصنوعی: از سیستمهای تراکنشی تا مدلهای MCP و معنایی» به سه رکن دقت، امنیت و هزینه اشاره کرد و لزوم معماری درست داده را گوشزد نمود.
هارنس: جایگزین موانع سطح پرامپت
دومین روند، تغییر از موانع سطح پرامپت به سمت اجرای قابل اعتماد یا همان «هارنس» (Harness) بود. وقتی عاملها به ابزارها و فایلها دسترسی پیدا میکنند، دیگر نمیتوان امنیت را فقط به دستورالعملهای یک پرامپت سپرد. هارنس سیستمی است که دور مدل قرار میگیرد و تضمین میکند که هر عمل با مجوز، ردیابی و محدودیت مشخص انجام شود. وینوت گووینداراجان در سخنرانی خود سه اصل را فریاد زد: «مالک وضعیت باشید. تغییرات را مرتب کنید. عمل را اثبات کنید.» مشکل دیگر این نیست که آیا عامل پاسخ خوبی میدهد، بلکه این است که آیا سیستم میتواند اثبات کند چه عملی، توسط کدام مؤلفه و تحت چه محدودیتهایی انجام شده است.
پذیرش هوش مصنوعی بهعنوان یک مدل عملیاتی مهندسی
سومین روند، خودِ پذیرش هوش مصنوعی بهعنوان یک مدل عملیاتی مهندسی بود. وقتی استفاده از هوش مصنوعی در سازمان گسترده میشود، سوالات خستهکننده اما حیاتی به سراغ تیمها میآید: چه کسی هزینه فراخوانی مدل را میدهد؟ چه کسی اجازه استفاده از کدام ابزار را دارد؟ خرابیها کجا نشان داده میشوند و تیمها چگونه از آنها یاد میگیرند؟
لیز ماتوسوف در سخنرانی خود با عنوان «پنج مرحله بلوغ هوش مصنوعی در سازمانهای مهندسی» به این نکته اشاره کرد که مؤثرترین سازمانها دو کار را همزمان انجام میدهند: بهبود کامل استفاده از هوش مصنوعی در سراسر چرخه عمر توسعه نرمافزار و رفع تنگناهایی که نتایج را محدود میکنند. همچنین تیم DoorDash – سیدارت کودوانی و سواروپ چیتلور – تأکید کردند: «استراتژی را زود بنویسید، حول مشتریان بسازید و سطوح متناسب با شرکت را مالک باشید.»
ارزیابی: تستهای تکنوبتی دیگر کافی نیستند
یکی از مباحث برجسته کنفرانس، نحوه تفکر سازمانهای مهندسی درباره ارزیابی (Evaluation) بود. یک تست ساده میتواند خرابیهای آشکار را بگیرد، اما عاملها همیشه در اولین نوبت خراب نمیشوند. تستهای تکنوبتی و بنچمارکهای ایستا برای سیستمهایی که از ابزارها استفاده میکنند، وضعیت را حفظ میکنند و در نوبتهای مختلف رفتار متفاوتی دارند، مناسب نیستند. بنابراین تست باید به شکل محصول نزدیکتر شود: مکالمات، ردپاها، شبیهسازیها، بازخورد تولیدی. بدون این، ممکن است تستها موفقیت گزارش دهند در حالی که کاربران با خرابیهایی مواجه میشوند.
جمعبندی: از جادوی پرامپت تا مهندسی زیرساخت
کنفرانس QCon AI بوستون ۲۰۲۶ نشان داد که دوران تبلیغات و هیاهوی اولیه هوش مصنوعی به سر آمده است. حالا وقت ساختن زیرساختهای محکم، قابل اعتماد و مقیاسپذیر است. مهندسی زمینه، هارنسهای امنیتی، پلتفرمهای اشتراکی، و ارزیابی دقیق، عناصر اصلی این دوران جدید هستند. تیمهایی که این اصول را جدی بگیرند، در مسیر تولید و استقرار عاملهای هوش مصنوعی موفق خواهند بود.
برای مطالعه بیشتر درباره مفاهیم مطرحشده میتوانید به وبسایت رسمی QCon AI و وبلاگ OpenAI مراجعه کنید. همچنین مطالعه درباره عاملهای نرمافزاری در ویکیپدیا میتواند مفید باشد.
