شركة Cornerstone OnDemand, Inc. (Cornerstone) هي رائدة عالمية في حلول الجاهزية القوى العاملة، تخدم 140 مليون مستخدم في 186 دولة. أنشأت الشركة نظام ذكاء اصطناعي متعدد الوكلاء يحوّل عمليات قواعد البيانات من مكافحة الحرائق التفاعلية إلى سير عمل استباقي ومنسّق ذاتياً. يستخدم النظام، المسمى Orion AI، كلاً من Amazon Bedrock و Strands Agents، وهو إطار مفتوح المصدر لتنسيق الوكلاء من AWS، لتنسيق وكلاء متخصصين.
قبل Orion AI، كانت فرقة Enterprise DataOps في Cornerstone تقضي حتى 45 دقيقة لكل حادث في قاعدة البيانات في الاستعلام اليدوي عن طرق عرض النظام ومطابقة السجلات قبل التسليم بين الفرق. مع Orion AI، انخفض تشخيص قواعد البيانات من 45 دقيقة إلى 10 دقائق، أي بنسبة خفض 78%. أنجز فريق من ثلاثة أفراد النظام خلال ستة أشهر.
في هذه المقالة، نستعرض المشكلة التشغيلية التي واجهتها Cornerstone، وكيف صمّمت Orion AI، والنتائج التي قاستها، وقرارات التصميم التي يمكن لفرق أخرى إعادة استخدامها.
التحدي التشغيلي
قبل Orion AI، كانت فرقة Enterprise DataOps في Cornerstone تعمل بشكل تفاعلي، مع أربع نقاط ألم متكررة:
- كانت التحقيقات في أداء قواعد البيانات تستغرق حوالي 45 دقيقة لكل حادث، موزعة عبر أدوات متعددة وطرق عرض النظام.
- تطلبت سير عمل دورة حياة قواعد البيانات 10 خطوات يدوية أو أكثر، من إنشاء الاتصالات إلى الإبلاغ عن تحديثات الحالة.
- كانت التقارير بين فرقة هندسة موثوقية الموقع (SRE) وفريق البيانات تعمل بتأخير قدره 15 دقيقة.
- أدت التنبيهات الزائدة والمتداخلة إلى إنشاء ضجيج طمَس الإشارات المهمة.
وقد يعني ذلك مجتمعاً أن المهندسين كانوا يقضون وقتهم في التنسيق اليدوي بدلاً من حل المشكلات.
الحل: Orion AI
Orion AI هو نظام متعدد الوكلاء يفوّض فيه وكيل منسّق (المنسّق الأعلى meta-orchestrator) العمل إلى وكلاء أطفال متخصصين مرتبين في هيكلية المحور والأطراف. يتفاعل المهندسون معه من خلال تطبيق ويب، حيث يطرحون الأسئلة ويوافقون على الإجراءات في المكان نفسه الذي ينسقون فيه العمل التشغيلي بالفعل. يغطي الوكلاء مراقبة البنية التحتية، وتشخيص قواعد البيانات، وعمليات دورة حياة قواعد البيانات، وتحليلات العملاء، والدعم القائم على المعرفة.
وجّهت البناء مبدآن أساسيان: خصوصية البيانات باستخدام ضوابط AWS في إطار نموذج المسؤولية المشتركة، والتكامل العميق مع الأدوات التشغيلية الحالية. وقد وفّر Amazon Bedrock وصولاً مُداراً إلى النماذج الأساسية، ووفّر Strands Agents طبقة التنسيق.
النتائج
قدّم Orion AI تحسينات قابلة للقياس في سرعة التشخيص ودقته، وحرّر الفريق من التنسيق اليدوي. ومن خلال أتمتة الاختناقات اليدوية وتبسيط سير العمل عبر الفرق، حققت Cornerstone النتائج التالية.
| المقياس | قبل | بعد | التحسين |
| وقت تشخيص قواعد البيانات | 45 دقيقة | 10 دقائق | أسرع بنسبة 78% |
| خطوات دورة الحياة اليدوية | أكثر من 10 خطوات | 1 تفاعل | انخفاض بنسبة 70% |
SRE-to-data-team تأخر التقارير |
15 دقيقة | فوري | في الوقت الفعلي |
| تنبيهات مكررة | حجم أساسي مرتفع للتنبيهات | مُصفّى | انخفاض بنسبة 65% (الوسيط) |
تشخيص أسرع للأداء
كان تقليص وقت تشخيص قواعد البيانات أكبر مكسب منفرد للكفاءة حقّقته Orion AI حتى الآن. سابقًا، كان المهندسون يتصلون يدويًا بمثيل SQL Server المتأثر، ويستعلمون عن طرق العرض النظامية لسلاسل الحجب (blocking chains) وأنواع الانتظار، ويطابقون السجلات لعزل الاستعلامات طويلة الأمد، ثم يربطون الأدلة لتكوين فرضية عن السبب الجذري. كان هذا يستغرق في المتوسط حوالي 45 دقيقة لكل حادثة.
مع Orion AI، يتشارك ثلاثة وكلاء متخصصين في التحقيق، ويتولى كل منهم مرحلة مختلفة. وإلى جانب التشخيص، تنقل Orion AI المشكلات حتى المعالجة: تحديد السبب الجذري، والتوصية بالإصلاح، وإنشاء تذكرة Jira مكتملة البيانات تُسند إلى مهندس المناوبة المناسب. تتحول عملية التسليم اليدوي المكوّنة من أربع خطوات إلى تفاعل واحد.
إدارة دورة حياة قواعد البيانات بشكل مؤتمت
المهام التي كانت تتطلب سابقًا أكثر من 10 خطوات يدوية، من إنشاء اتصالات قواعد البيانات إلى تشغيل استعلامات عبر الأنظمة إلى إبلاغ تحديثات الحالة، تُنفَّذ الآن كتفاعل واحد باللغة الطبيعية. تحدد Orion AI الأدوات ومصادر البيانات المناسبة، وتشغل الاستعلامات عبر الأنظمة، وتتحقق من النتائج، وتعيد ردًا موحدًا. من وجهة نظر المهندس، يُختصر العمل إلى مطالبة Orion AI والتحقق من النتائج التي تُبلّغها.
المراقبة في الوقت الفعلي وتقليل إجهاد التنبيهات
أزالت Orion AI التأخير البالغ 15 دقيقة في SRE-to-data-team التقارير، مستبدلة الفحوصات اليدوية الدورية برؤية مستمرة عبر الأنظمة.
خفّضت Orion AI التنبيهات المكررة بوسيط قدره 65 بالمائة من خلال إزالة التكرار، وتصفية الحدود، وربط الإشارات المتبادلة. من كل 10 تنبيهات كانت تُنشأ سابقًا، يصل الآن 3–4 فقط إلى المهندسين. تُوجَّه التنبيهات مباشرة إلى الفرق المسؤولة دون طبقة تنبيه وسيطة.
مبادئ التصميم الأساسية
ثلاثة قرارات شكّلت Orion AI، ويمكنك تطبيقها في مشاريعك متعددة الوكلاء:
- تقسيم الوكلاء حسب المجال، لا حسب تعقيد المهمة: يحمل كل وكيل مجموعة محدودة من تكاملات الأدوات لمجال تشغيلي واحد. يحافظ هذا على تركيز سياق النموذج ويحسّن دقة اختيار الأدوات، بدلًا من مطالبة وكيل واحد متعدد الأغراض بفعل كل شيء.
- اعتماد التوجيه بالكلمات المفتاحية افتراضيًا، مع الرجوع إلى البحث الدلالي: تُطابق الطلبات المتوقعة بالكلمات المفتاحية لتحقيق السرعة. وتلجأ الطلبات الغامضة إلى البحث الدلالي لضمان الدقة. يحافظ هذا على زمن استجابة منخفض دون التضحية بالصحة في الاستعلامات الأصعب.
- حصر الذاكرة المحادثوية في الجلسات وتجاوزها لمقاييس الأداء الحية: تدعم الذاكرة الدائمة المحادثات متعددة الأدوار، لكن الأسئلة التشغيلية تقرأ دائمًا حالة النظام الحالية. يساعد تجاوز الذاكرة للمقاييس الحية على منع تلوث البيانات القديمة للتشخيص في الوقت الفعلي.
نظرة عامة على المعمارية
تُنشر Orion AI كخدمات مُحوّلة إلى حاويات على Amazon Elastic Container Service (Amazon ECS). يتفاعل المستخدمون من خلال تطبيق ويب يوجّه كل طلب إلى الوكيل المناسب، ويستدعي الأدوات المطلوبة، ويجمع الاستجابة. يوضح المخطط التالي كيفية اتصال هذه المكونات داخل AWS Cloud.
الشكل 1: معمارية Orion AI: منظِّم رئيسي (meta-orchestrator) على Amazon ECS يوجّه الطلبات إلى وكلاء متخصصين، يصل هؤلاء إلى مصادر البيانات عبر خادم Portal-Tools MCP ويستخدمون Amazon Bedrock للنماذج والذاكرة طويلة الأمد والتوليد المعزز بالاسترجاع
استعراض معمّق للمعمارية
تتجلى مبادئ التصميم السابقة بشكل ملموس في المعمارية. يستعرض بقية هذا القسم المكونات الأساسية لـ Orion AI.
بناء نمط المحور والأطراف باستخدام Strands Agents
تعبّر Orion AI عن مخططها من خلال عدد قليل من عناصر Strands Agents الأساسية. ال Agent هي اللبنة الأساسية لكل من الوكلاء المتخصصين ومنسّق الأوفُق (meta-orchestrator). أدوات كل وكيل هي دوال Python عادية معلَّمة بزخرفة @tool وهذه الزخرفة تستمد مواصفات الأداة من تلميحات الأنواع (type hints) وسلسلة التوثيق (docstring) الخاصة بالدالة، أي أنه لا توجد مخطط منفصل يجب صيانته. BedrockModel تغلّف نموذج Amazon Bedrock الذي يعمل عليه كل وكيل، بينما MCPClient تربط الوكلاء بخوادم الأدوات الخارجية.
الهيكل الطوبولوجي:
- المركز هو وكيل Strands Agent واحد يعمل كمنسّق الأوفُق (TaskExecutor). لا يحتفظ بأي أدوات خاصة بمجال معين — بل بأدوات توجيه فقط (
find_relevant_agents,call_agent) وأدوات تحكم في التدفق (emit_plan_step,emit_confirmation_gate) حتى يتمكن من التفكير في الطلب خطوة بخطوة. - الأطراف هي كائنات
Agentمستقلة، يتم تحميلها بشكل كسول عبر سجل قائم على الزخارف. ويحمل كل منها نموذجه الخاص وأدوات مجاله وتعليمات نظام موضعية.
في وقت التشغيل، يستدعي المركز المختص بالاسم عبر أداة call_agent المسجلة. وينفّذ كل مختص حلقة استدعاء أدواته الخاصة ويعيد نصًا مُركّبًا إلى المركز، الذي يجمع الرد النهائي.
التوجيه الهجين
يستخدم Orion AI التوجيه القائم على الكلمات المفتاحية أولاً مع خيار احتياطي للبحث الدلالي. ما يقارب 80 بالمائة من الاستعلامات تُحل عبر مسار سريع في الذاكرة للكلمات المفتاحية في أقل من مللي ثانية واحدة. وعندما لا تكون الكلمات المفتاحية كافية لتحديد النية، ينتقل النظام إلى البحث الدلالي المدعوم من Amazon Titan Text Embeddings V2 للتوجيه حسب المعنى. وللاطلاع على توفر النماذج حسب منطقة AWS، راجع Supported models by AWS Region in Amazon Bedrock.
عندما لا يكون الاستدعاء المباشر للأدوات مناسبًا، تُفعَّل سلسلة بدائل: Amazon Bedrock Knowledge Bases، وهي إمكانية الاسترجاع المعزز بالتوليد (RAG) المُدارة بالكامل، تسترجع الوثائق التشغيلية بحيث تكون الاستجابات مبنية على إجراءات معتمدة بدلاً من توليدها دون سياق.
الوكلاء المتخصصون بالمجالات وحدودهم
يستخدم Orion AI عددًا من الوكلاء يبلغ 13 وكيلًا متخصصًا بالمجالات. وتوضح وكلاء SQL Server الثلاثة كيفية انعكاس تقسيم المجالات على مراحل تحقيق حقيقي:
- وكيل تشخيص قواعد البيانات يكشف سلاسل الحجب وأنواع الانتظار والاستعلامات طويلة الأمد، ثم يترجم النتائج التقنية إلى أثر على الأعمال مع توصيات للمعالجة. يجيب عن سؤال: «ما الذي يحدث وماذا يعني ذلك».
- وكيل تحليل حجب الجلسات ينفذ تحقيقات متعددة الخطوات باستخدام نماذج الاستدلال لربط سلاسل الحجب بالجلسة الحاجبة الجذرية. يجيب عن سؤال: «لماذا يحدث هذا وما هو السبب الجذري»، مقدّمًا توصيات مرتبة حسب الأولوية تتراوح من إنهاء الجلسة فورًا إلى إصلاحات معمارية طويلة المدى.
- وكيل تشخيص SQL في الوقت الفعلي يستعلم مباشرة من نسخ SQL Server عبر واجهة DATAOPS API الخاصة بـ Cornerstone للحصول على بيانات الحجب الحية وتحليل الجلسات عالية استهلاك المعالج. يجيب عن سؤال: «ما الحقيقي الآن».
يتبع الوكلاء المتبقون المبدأ نفسه المتمثل في الملكية الضيقة: مراقبة البنية التحتية، والتحليلات التشغيلية، وإدارة دورة حياة قواعد البيانات، وتحليلات العملاء، واسترجاع المعرفة من كتيبات التشغيل، وتوجيه الإشعارات، وتفكيك الاستعلامات المركبة، وحل مستمع مجموعة التوفر (Availability Group)، والإحماء المسبق لاتصال النموذج.
تكامل الأدوات واتصال الخدمات
يصل Orion AI إلى مصادر البيانات عبر نمطين:
- بروتوكول سياق النموذج (MCP) للأدوات التي يتشاركها عدة وكلاء (على سبيل المثال، تشخيص SQL في الوقت الفعلي). تستدعي دالة Strags
@toolدالة عبرMCPClientببروتوكول HTTP قابل للبث إلى خادم Portal-Tools MCP، الذي يصل إلى SQL Server وواجهة DATAOPS API. وتتبع تكاملات Jira النهج نفسه عبر أدوات Atlassian MCP الخارجية. - استدعاءات SDK مباشرة أو REST API للمصادر التي لا تحتاج واجهة MCP المشتركة. يشمل ذلك المقاييس ولوحات المعلومات، وجداول المناوبة، وAmazon Bedrock Knowledge Bases عبر AWS SDK for Python (Boto3).
يعني هذا التقسيم أن كل وكيل يستخدم الآلية الأخف التي تناسب مصدره، بينما يُمركز خادم MCP الأدوات التي يتشاركها عدة وكلاء. تعمل هذه الاتصالات عبر TLS، وتُزوَّد بيانات الاعتماد مثل رمز MCP وتفويض REST API مع كل طلب، وليست مضمّنة في شيفرة الوكيل.
الذاكرة التحاورية
Amazon Bedrock AgentCore، وهي منصة لبناء الوكلاء وربطهم وتحسينهم على نطاق واسع بأي إطار عمل أو نموذج، توفر طبقة الذاكرة عبر الجلسات. ينسّق Orion AI السياق من خلال مدير ذاكرة مركزي يقرأ من ثلاث طبقات بالتوازي، لكل منها مهلة زمنية وحصة رموز (tokens) خاصة بها.
ينسّق Orion AI السياق عبر ثلاث طبقات. تحافظ الذاكرة قصيرة المدى على سياق الجلسة نفسها في Amazon DynamoDB، المشفّرة في حالة السكون افتراضيًا، مقترنة بملخص محادثة متجدد Amazon Nova 2 Lite يولّده بشكل غير متزامن. وتوفر الذاكرة طويلة المدى استرجاعًا عبر الجلسات من خلال ذاكرة AgentCore، وهي إمكانية من Amazon Bedrock AgentCore، مقسّمة حسب معرّف المستخدم (user ID). وعند اكتمال المهمة، يستدعي Orion AI create_event لتحفيز الاستخراج والتلخيص والتوحيد الآليين. أما الطبقة الثالثة، ذاكرة ما بين الوكلاء، فهي مساحة عمل مؤقتة في الذاكرة تنقل النتائج عبر خطوات الوكلاء الفرعيين ضمن مهمة واحدة.
يسترجع مدير الذاكرة عبر المستويات ضمن مهلة صارمة مدتها 500 مللي ثانية وبميزانية قدرها 4,000 رمز، مدعومًا بذاكرة تخزين مؤقت تعتمد الأقل استخدامًا مؤخرًا. عندما يتعلق الطلب بحالة النظام الحالية، تتجاوز الوكلاء الذاكرة تمامًا وتقرأ البيانات الحية، حتى لا تُلوِّث السياق القديم عمليات التشخيص في الوقت الفعلي.
الذكاء الاصطناعي المسؤول وضمانات الحماية
نظرًا لأن سلامة DataOps تعتمد على قواعد خاصة بالمجال، مثل العمليات التي تُعد مزعجة لقواعد البيانات، بنى الفريق منطق ضمانات حماية مخصصًا بدلًا من الاعتماد على مرشحات محتوى عامة. يطبق Orion AI الضوابط عبر أربع طبقات:
- قيود سلامة على مستوى المطالبة تُحقن في مطالبة النظام لكل وكيل، وتمنع التوصيات الخطرة (مثل إنهاء عمليات قاعدة بيانات حرجة) وتفرض أساليب غير مزعجة.
- بوابة تأكيد بشري في الحلقة توقف العمليات المدمرة حتى يؤكد المستخدماخلال نافذة زمنية مدتها خمس دقائق، مع الرفض افتراضيًا عند انتهاء المهلة.
- وحدات ضمان حماية مخصصة للتحقق من صحة المدخلات (حدود الطول، ومنع حقن المطالبات وSQL)، وتنقية المخرجات (إخفاء الأسرار والبيانات الشخصية القابلة للتعريف)، وتحديد المعدل، والتحكم في الوصول القائم على الأدوار، وتتبع التكلفة لكل طلب.
- حماية على مستوى التوجيه تمنع الإجابة على الاستعلامات التشغيلية من الذاكرة، وتُلزم بتنفيذ الأدوات الحية للأسئلة المتعلقة بالحالة الراهنة.
الرصد والمراقبة
يستخدم Orion AI خدمات المراقبة القياسية من AWS للمراقبة وتصحيح الأخطاء. Amazon CloudWatch يوفر مقاييس وتسجيلًا منظمًا لثقة التوجيه وزمن الاستجابة ونشاط استدعاء الوكلاء. AWS X-Ray يتتبع الاستدعاءات الموزعة عبر تنفيذات الوكلاء لتوفير رؤية كاملة لمسار الطلب من البداية إلى النهاية.
الدروس المستفادة
قرارات التصميم التي جعلت Orion AI ممكنًا هي قرارات يمكنك إعادة استخدامها. فقد سمح تقسيم الوكلاء حسب المجال لكل وكيل بحمل تكاملات أدوات محدودة دون تضخيم سياق نموذج واحد. كما أن استخدام التوجيه بالكلمات المفتاحية افتراضيًا مع البحث الدلالي كخيار احتياطي أبقى زمن الاستجابة منخفضًا دون التضحية بالدقة في الطلبات الغامضة. وتقييد الذاكرة الحوارية بالجلسات مع تجاوزها لمقاييس التشغيل المباشرة حافظ على موثوقية التشخيص في الوقت الفعلي.
اتخذ الفريق أيضًا خيارات بنية تحتية عملية. فقد نشروا الحوسبة على Amazon ECS لأن Amazon Bedrock AgentCore runtimeوهي إحدى إمكانات Amazon Bedrock AgentCore، لم تكن متاحة في بداية المشروع، ويقومون الآن بتقييمها كخيار ترحيل مستقبلي. إذا كنت تبني اليوم، فزن المفاضلة نفسها بالنسبة لبيئتك التقنية الخاصة: ابدأ بما هو مستقر ومتاح الآن، وأعد النظر مع نضوج الإمكانات المُدارة.
الخلاصة
قلّل Orion AI تشخيص قواعد البيانات من 45 دقيقة إلى 10 دقائق، وتجنّب 70 بالمئة من خطوات دورة الحياة اليدوية، وخفّض ضجيج التنبيهات بنسبة 65 بالمئة. وقد قدّمه فريق من ثلاثة أشخاص خلال ستة أشهر على Amazon Bedrock. والأنماط الكامنة وراء هذه النتائج هي أنماط يمكن لفرق العمليات الأخرى تبنّيها: وكلاء محددو النطاق حسب المجال، والتوجيه الهجين، والذاكرة المقيّدة بالجلسات مع تجاوز لمقاييس التشغيل المباشرة.
للبدء مع تنسيق الوكلاء المتعددين على AWS، راجع إرشادات AWS Solutions Library.