TGViewer
هوش مصنوعی و علم داده به فارسی هوش مصنوعی و علم داده به فارسی @dataplusscience · 6.06K subscribers
Post #3448 222
‏🚀 انقلاب Agentic Coding در فرآیندهای مهندسی

‏استفاده از هوش مصنوعی برای تولید کد، فرآیندهای سنتی CI را با چالش جدی مواجه کرده است. تیم Anthropic گزارش می‌دهد که حجم وظایف CI آن‌ها تنها در ۶ ماه، ۲۵ برابر شده است. دلیل این رشد چشمگیر ساده است: مهندسان حالا ۸ برابر بیشتر کد تولید می‌کنند که ۸۰ درصد آن توسط Claude نوشته شده و تعداد تست‌ها نیز ۱۰ برابر افزایش یافته است.

‏سیستم‌های قدیمی در برابر این حجم از داده کم آوردند. Anthropic برای حل این مشکل، معماری تست خود را کاملاً بازنگری کرد:

‏- تبدیل Listener به وضعیت stateless
‏- ذخیره نتایج CI در یک in-memory store مشترک
‏- استفاده از یک consumer مجزا برای تجمیع تاریخچه تست‌ها

‏نکته قابل‌توجه این است که این تغییر معماری توسط یک مهندس و تنها در ۳ هفته انجام شد؛ کاری که سال گذشته یک فصل کامل زمان می‌برد. مهم‌ترین توصیه این تیم برای عصر کدهای تولیدشده توسط هوش مصنوعی این است که از همین امروز زیرساخت CI خود را برای باری ۱۰ تا ۲۵ برابر سنگین‌تر از شرایط فعلی طراحی کنید.

مقیاس‌پذیری CI در عصر Agentic Coding: درس‌های فنی از Anthropic
More from @dataplusscience
  1. Oct 2, 2026‏🤖 معرفی مدل‌های Intern-Decision برای تصمیم‌گیری ساختاریافته ‏خانواده مدل‌های Int…
  2. Oct 2, 2026‏🤖 شکستن کد ۲۱۷ ساله ناپلئون با GPT-6 Astra ‏کارتر چرچ با استفاده از مدل GPT-6 As…
  3. Oct 2, 2026‏🧠 مدل‌های زبانی با قابلیت مدیریت مستقیم حافظه ‏محققان متا در مدل‌های جدیدی با عن…
  4. Oct 2, 2026‏📉 کاهش محدودیت‌های GPT-6 Pro و هدیه ۲۵۰۰ دلاری OpenAI به کاربران ‏شرکت OpenAI تغ…
  5. Oct 2, 2026‏🌐 شناسایی کمپین استخراج غیرمجاز از مدل‌های OpenAI ‏شرکت OpenAI در بررسی‌های اخیر…
  6. Oct 2, 2026‏انتشار مدل‌های ترجمه Index-Translate توسط Bilibili ‏تیم Index LLM در پلتفرم Bilib…
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →