تا همین یکی دو سال پیش، وقتی از اتوماسیون در DevOps حرف می‌زدیم، منظورمان اسکریپت‌ها، pipelineها و ابزارهای rule-based بود. امروز اما یک موجود جدید وارد میدان شده: AI Agent.
این agentها دیگر فقط کد پیشنهاد نمی‌دهند. آن‌ها می‌توانند به طور مستقل لاگ بخوانند، علت یک incident را پیدا کنند، PR بنویسند، زیرساخت را بررسی کنند و حتی در برخی موارد remediation را پیشنهاد یا اجرا کنند. در سال ۲۰۲۶، این موجودات از حالت آزمایشی خارج شده و به بخشی از عملیات واقعی بسیاری از تیم ها تبدیل شده اند.
این موجود جدید دقیقا چیست؟
یک AI Agent در فضای DevOps، سیستمی است که:
هدف مشخصی دارد (مثلا این alert را بررسی کن و علت را پیدا کن).
می‌تواند از ابزارهای مختلف استفاده کند (kubectl، AWS CLI، GitHub، Prometheus، Jira و …).
تصمیم می‌گیرد چه کاری انجام دهد و ترتیب کارها را خودش برنامه ریزی می‌کند.
نتیجه را گزارش می‌دهد یا در برخی موارد تغییر را اعمال می‌کند.
تفاوت اصلی اش با اتوماسیون سنتی این است که از قبل تمام مسیرها برایش نوشته نشده. بلکه با توجه به وضعیت فعلی سیستم، استدلال می‌کند و مسیر را می‌سازد.
چرا ناگهان این قدر مهم شده؟
چند عامل همزمان باعث رشد سریع این موجود جدید شده اند:
پیچیدگی سیستم‌ها از توان انسان برای بررسی دستی فراتر رفته است.
مدل‌های زبانی قوی تر شده‌اند و می‌توانند context طولانی تری را نگه دارند.
پروتکل‌هایی مثل Model Context Protocol (MCP) استانداردی برای اتصال agentها به ابزارها و داده‌ها ایجاد کرده اند. MCP عملا به زبان مشترک بین مدل‌ها و سیستم‌های واقعی تبدیل شده است.
شرکت‌های بزرگ (AWS، GitHub، Anthropic، OpenAI و دیگران) agentهای تخصصی برای DevOps، Security و Coding عرضه کرده‌اند.
نتیجه این شده که بخشی از کارهای روزمره on-call، triage و حتی بعضی از remediationها در حال واگذاری به این agentهاست.
فرصت‌ها و خطرها
فرصت‌ها:
کاهش زمان تشخیص و رفع مشکل
آزاد شدن وقت مهندسان برای کارهای عمیق تر
پوشش ۲۴/۷ بدون خستگی انسان
یادگیری از incidentهای قبلی و پیشنهاد الگوهای تکراری
خطرها:
agent ممکن است با دسترسی بیش از حد، تغییر خطرناکی ایجاد کند.
hallucinate کردن علت مشکل و پیشنهاد راه حل اشتباه
افزایش سطح حمله (چون agent به ابزارهای حساس دسترسی دارد)
وابستگی بیش از حد به سیستم‌هایی که هنوز کاملا قابل اعتماد نیستند
به همین دلیل، تیم‌های بالغ agent را با guardrail قوی اجرا می‌کنند: دسترسی محدود، نیاز به تایید انسان برای تغییرات حساس و audit کامل تمام تصمیم‌ها و actionها.
چه کار باید بکنیم؟
اگر هنوز فقط از AI برای پیشنهاد کد استفاده می‌کنید، وقت آن است که یک قدم جلوتر بروید:
یک use-case کوچک و کم ریسک انتخاب کنید (مثلاً خلاصه سازی alertها یا پیشنهاد علت اولیه).
دسترسی agent را به حداقل ممکن محدود کنید.
خروجی‌هایش را حتما توسط انسان بررسی کنید.
به مرور، اگر اعتماد ایجاد شد، سطح استقلال را افزایش دهید.
AI Agent دیگر یک ابزار جانبی نیست. دارد به یک همکار مجازی در تیم عملیات تبدیل می‌شود. مثل هر همکار جدیدی، باید هم از توانایی‌هایش استفاده کرد و هم حد و مرز برایش تعریف کرد.