آمازون Dogwood را معرفی کرد؛ زبان سیاستگذاری متنبازی که به توسعهدهندگان امکان میدهد نه فقط هر فراخوان ابزار را جداگانه بررسی کنند، بلکه کل توالی اعمال یک عامل هوش مصنوعی را براساس قواعد زمانی و ترتیبی حکمرانی کنند.
مسألهای که حل میکند
موتورهای تصمیمگیری سنتی که تنها بر تصمیمهای نقطهزمانی تکیه دارند، معمولاً به سابقهٔ رخدادها دسترسی یا توجه کافی ندارند و در نتیجه ممکن است فراخوانیهایی را بپذیرند که از نظر پارامترها صحیحاند اما در متن توالی کلی نامناسب یا خطرناکاند. Dogwood با افزودن شرطهای زمانی و منطق مبتنی بر توالی، امکان تعریف محدودیتهایی مثل نرخ فراخوانی، ترتیب اجرا و وابستگی به رخدادهای گذشته را فراهم میسازد.
Dogwood چگونه کار میکند
Dogwood یک زبان پویا و مفسر مرجع متنباز است که تحت مجوز Apache 2.0 منتشر شده است. این زبان بر پایهٔ Cedar ساخته شده که پیشتر در هستهٔ AgentCore Policy استفاده میشد و آمازون آن را به CNCF اهدا کرد. در حالی که Cedar تصمیمهای نقطهزمانی را میپردازد، Dogwood امکان ارزیابی تاریخچهٔ رخدادها و تعریف قاعدههای مبتنی بر توالی را میافزاید.
قابلیتهای زمانی و معیارها
Dogwood از زیرمجموعهای از منطق زمانی مرتبهاول مبتنی بر معیارها پشتیبانی میکند تا رخدادها را در بازههای زمانی پرسوجو، شمارش یا تجمیع کند. توسعهدهندگان میتوانند بررسی کنند آیا یک رویداد خاص رخ داده است، تعداد فراخوانیها در یک پنجرهٔ زمانی را بشمارند، مقادیر متمایز را محاسبه کنند یا مجموع مقادیر مانند مبالغ منتقلشده را جمع بزنند. برای مرجع نظری میتوانید صفحهٔ منطق زمانی در ویکیپدیا را ببینید.
مثال عملی: عامل معاملهٔ سهام
آمازون مثالی از یک عامل معاملهٔ سهام آورده است: سیاست میتواند فروش سهام را تنها در صورتی مجاز بداند که ابزار تأیید، برای همان نماد و همان تعداد سهم در یک ساعت گذشته پاسخ مثبت داده باشد. این تأیید بهعنوان یک رخداد مستقل در تاریخچه باید قابل مشاهده باشد؛ بنابراین تصمیم مجوز به ورودی کنونی محدود نیست و به سابقهٔ رخدادها نیز رجوع میکند.
چالش همزمانی فراخوانیها
فراخوانیهای موازی ابزار پیچیدگی ویژهای ایجاد میکنند. فرض کنید محدودیتی وجود دارد که اجازهٔ انتقال بیش از 5000 دلار در هر ساعت را نمیدهد. اگر سیاست تنها مبالغ تکمیلشده را جمع بزند، عامل ممکن است چند درخواست 2000 دلاری ارسال کند پیش از اینکه اولین درخواست تکمیل شود و در نتیجه محدودیت را دور بزند. Dogwood امکان در نظر گرفتن درخواستهای در جریانِ پردازش را فراهم میآورد؛ بنابراین سیاست میتواند درخواستهای معلق را هم محاسبه کند و درخواست سوم 2000 دلاری در مثال بالا قبل از تکمیل دو درخواست قبلی نیز رد شود.
ادغام با AgentCore و Amazon Bedrock
برای عاملهایی که از طریق AgentCore Gateway متصل شدهاند، آمازون میتواند از manifestِ MCPِ دروازه، طرح اقدام (طرح عملیاتی ابزارها) را برای Dogwood تولید کند؛ به این ترتیب هر ابزار به عملی تبدیل میشود که سیاست قادر به ارجاع به آن خواهد بود. آمازون تأکید کرده است که Dogwood جایگزین Cedar نیست بلکه آن را توسعه میدهد: هر سیاست Cedar فعلی یک سیاست Dogwood معتبر است و نیازی به بازنویسی فوری سیاستهای موجود نیست.
نیازمندیها: تاریخچهٔ رویداد دقیق و قابلاعتماد
پیادهسازی مؤثر Dogwood مستلزم دسترسی به یک تاریخچهٔ رخداد دقیق، جامع و قابلاعتبار است. این تاریخچه باید شامل رخدادهای مرتبط با ابزارها، پاسخها و زمان وقوع آنها باشد تا شرایط مبتنی بر زمان و توالی درست ارزیابی شوند. در غیاب چنین منبعی، سیاستهای زمانیمحور ممکن است نادرست عمل کنند یا بهراحتی دور زده شوند.
ملاحظات عملی برای توسعهدهندگان
- سیاستهای توالیمحور پیچیده امکان تعریف جریانهای کاری خودکار امنتر و قابلتحلیلتر را فراهم میکنند.
- Dogwood به جلوگیری از تصمیمات «معتبر اما نامناسب» کمک میکند؛ یعنی فراخوانهایی که از نظر پارامترها صحیحاند اما در متن توالی کلی نامناسبند.
- طراحی سیستم ذخیرهٔ رخداد، نحوهٔ حسابکردن عملیات همزمان و مدل اعتبارسنجی رخدادها اهمیت حیاتی دارد.
- آزمونهای عملی و شبیهسازی سناریوهای همزمان برای اعتبارسنجی سیاستها ضروری است.
دورنما
افزوده شدن Dogwood به پشتهٔ سیاستگذاری آمازون نشان میدهد کنترل رفتار عاملها فراتر از تصمیمهای نقطهزمانی میرود و ضرورت دارد توالیها، ترتیب اجرا و رویدادهای تاریخی نیز مدیریت شوند. تحقق این رویکرد نیازمند زیرساختهای پایدار برای ثبت و اعتبارسنجی تاریخچهٔ رخدادها و طراحی سیاستهای دقیق است. در صورت حل این مسائل، Dogwood میتواند ابزاری مؤثر برای کاهش ریسکهای عملیاتی و افزایش اعتماد به عاملهای هوش مصنوعی باشد.
برای مشاهدهٔ جزئیات منتشرشده و مستندات رسمی به صفحهٔ Amazon Bedrock و منابع CNCF مراجعه کنید.
