مایکروسافت لایهٔ اختصاصی AI Gateway مبتنی بر سرویس Azure API Management را در پیشنمایش عمومی منتشر کرد. در این درگاه، صفحهٔ کنترل بهجای APIها حول مدلها، سرورهای MCP و ابزارها سازماندهی شده است تا مدیریت مدلها و ابزارهای فدرهشده متمرکزتر شود.
حوزهٔ عملکرد و ارائهدهندگان پشتیبانیشده
پیشنمایش مدلهای میزبانیشده در Foundry شامل مدلهایی از OpenAI، Anthropic و Mistral است و امکان انتشار مدلها از پلتفرمهایی مانند AWS Bedrock و Google Vertex AI و نیز دسترسی مستقیم به OpenAI را فراهم میآورد. نکات کلیدی:
- همهٔ ارائهدهندگان سازگار با OpenAI از یک مسیر endpoint مشترک استفاده میکنند. درگاه بر اساس تطابق دقیق فیلد
modelمسیردهی میکند؛ بنابراین هر مدل منتشرشده باید نامی یکتا داشته باشد. - پشتیبانی Anthropic از طریق ارائهدهندهٔ سفارشی و با گذر Messages API انجام میشود.
پیکربندی سیاستها، تِلِمتری و روند راهاندازی
پیکربندی سیاستها بهصورت کارت در پرتال انجام میشود و نیازی به نوشتن XML یا عبارات پیچیده نیست. کارتها موارد زیر را پوشش میدهند:
- محدودیتهای توکن و درخواست
- سهمیهها و کنترل نرخ
- ایمنی محتوا
- رفتار fallback مدل
درگاه معمولاً در حدود یک دقیقه provision میشود و نیازی به برنامهریزی واحدهای مقیاس ندارد. تِلِمتری بهصورت متریکهای OpenTelemetry صادر میشود و میتوان آن را به Application Insights، Datadog، Grafana و دیگر مقصدهایی که مشتری کنترل میکند فرستاد.
ابزارها و فدرهسازی بکاندها
درگاه ابزارها را از سه منبع فدره میکند:
- سرور MCP از راه دور (با URL)
- مشخصهٔ OpenAPI
- کانکتور داخلی که بیش از 1000 اپلیکیشن SaaS را بدون نیاز به میزبانی سرور پوشش میدهد
عملیات هر بکاند بهعنوان ابزار در دسترس تیمها قرار میگیرد. گزینههای احراز هویت قابل انتخاب برای هر بکاند عبارتاند از: بدون احراز هویت، کلید API، OAuth 2.0 یا Managed Identity.
الگوی عملیاتی: کنترل مرکزی و خودسروی تیمها
الگوی پیشنهادی جداسازی کنترل مرکزی از خودسروی تیمهاست: تیم پلتفرم مدلها و ابزارهای مورد تایید را منتشر میکند و تیمهای اپلیکیشن آنها را در کنسول تست بهکار میگیرند و پیادهسازی میکنند، بدون آنکه هر تغییر کوچک بهصورت دستی از مرکز عبور کند. همزمان گروه پلتفرم ضوابط، سیاستها و تصویر کلی استفاده را حفظ میکند.
بازخورد مهندسان و معماران — مزایا و ابهامات
معماران پلتفرم از یکپارچهسازی استقبال کردهاند، ولی پرسشهای مهمی در زمینهٔ حکمرانی مطرح شده است. نمونهای از بازخوردها:
- پائولو پررونه: تمرکز بر حکمرانی هزینه در سطح درگاه میتواند کاراتر از توزیع پیگیری هزینه در هر اپلیکیشن باشد.
- آدولف وایت جونیور: اگر اجرای یک agent بهصورت تمیز تمام نشود اما خروجی مفیدی تولید شود، آیا آن خروجی برای بازبینی حسابرسی حفظ میشود یا درگاه به حالت failover میرود و تلاش مجدد میکند؟ این پرسش مرز بین حکمرانی ترافیک AI و حکمرانی چرخهٔ کامل حیات را روشن میسازد و مایکروسافت پاسخی مشخص ارائه نکرده است.
- دیدگاه منفی: برخی معتقدند از نظر قابلیتهای خاص حکمرانی آژور نسبت به برخی پیشنهادات AWS یا محصولات مستقل مانند Data + AI و Databricks فاصله دارد، اما توسعهٔ تدریجی مایکروسافت در دو سال گذشته این فاصله را کاهش داده است.
خطر امنیتی کلیدی که باید پیش از ورود در نظر بگیرید
نکتهٔ بحرانی: کلید دسترسی در زمان اجرا (runtime key) در سطح درگاه scoped میشود و به همهٔ مدلها و ابزارهای آن درگاه دسترسی میدهد. راهنمایی مایکروسافت «یک کلید برای هر برنامه» است؛ اما اگر این کلید لو برود، تمام موجودیتهای آن درگاه در معرض خطر قرار میگیرند. پیامدها و تدابیر پیشنهادی:
- خطر: شعاع آسیب شامل همهٔ مدلها و ابزارهای منتشرشده روی یک درگاه خواهد شد.
- تدابیر پیشنهادی: طراحی گردش کلیدها، اجرای مکانیزمهای بازگردانی فوری، محدودسازی دسترسی بر پایه نقش و استفاده از مکانیسمهای چندکلیدی یا تفکیک درگاهها برای سطوح حساس.
وضعیت پیشنمایش و محدودیتهای فعلی
نسخهٔ کنونی در حالت پیشنمایش با دسترسی «تلاش حداکثری» عرضه شده و هیچ SLA تبلیغشدهای همراه آن نیست. مواردی که ممکن است تغییر کنند:
- تعاریف APIها و نحوهٔ تعامل مدلها
- تِلِمتری و فرمت متریکها
- سهمیهها، نواحی در دسترس و قیمتگذاری
علاوه بر این، سهمیههای پیشنمایش، مدلها، ابزارها، کلیدهای زمان اجرا و توان پردازشی محدودیتهایی دارند که مایکروسافت هنوز بهطور کامل اعلام نکرده است؛ بنابراین ادعای متمرکزسازی کامل حکمرانی هزینه در عمل فعلاً تا حدودی نامشخص است.
گامهای عملی برای تیمهایی که قصد آزمایش یا پیادهسازی دارند
توصیههای کاربردی پیش از ورود به آزمایش یا پیادهسازی:
- تعیین دقیق مرزهای حکمرانی بین مرکز و تیمها
- طراحی مدل احراز هویت و گردش کلیدها (کلید چرخشی، تفکیک دسترسی)
- پیادهسازی لاگگذاری و مکانیزمهای حسابرسی برای خروجیهای agent
- تمرین سناریوهای نشت کلید و بازیابی برای کاهش شعاع آسیب
- آمادهسازی برای تغییرات احتمالی در APIها، سهمیهها و قیمتگذاری پیش از عرضهٔ عمومی
این معرفی گامی مهم در همگرایی مدیریت مدلها و ابزارها در سطح پلتفرم ابری است، اما موفقیت واقعی به تعیین دقیق مرزهای حکمرانی، طراحی مدلهای عملیاتی امن و مدیریت دقیق کلیدها و هزینهها بستگی دارد.
منابع مرتبط: OpenTelemetry، AWS Bedrock، Google Vertex AI.
