گیت‌لب داره هسته‌اش رو برای عصر ایجنتی از نو می‌سازه. وقتش هم درسته.

تو هر تیم مهندسی که ابزارهای کدنویسی هوش مصنوعی رو پذیرفته، یه مشکل داره آروم آروم رشد می‌کنه. مشکل کیفیت نیست، اگرچه کیفیت هم موضوعش هست. مشکل حجمه. ایجنت‌های هوش مصنوعی فقط سریع‌تر از انسان‌ها کد نمی‌نویسن. اونا به مراتب فعالیت Git، pipeline run، چرخه review و سربار context بیشتری نسبت به هر developer انسانی تو تیم تولید می‌کنن. زیرساختی که برای سرعت commit انسانی طراحی شده بود داره ترک برمی‌داره.

کنفرانس Transcend 2026 گیت‌لب این هفته در اصل یه پاسخ به این مشکل بود. با چهار اعلامیه اصلی، گیت‌لب یه شرط‌بندی منسجم می‌کنه که پلتفرم DevOps باید از پایه طراحی مجدد بشه، نه فقط وصله‌پینه، تا از پس throughput و نیازهای context در workflow های ایجنتی بر بیاد.

بازنگری در Git از هسته

جاه‌طلبانه‌ترین اعلامیه فنی چیزیه که گیت‌لب بهش می‌گه Next Generation Source Code Management: یه پیاده‌سازی مجدد از پروتکل Git بر روی یه معماری توزیع‌شده به جای مدل متمرکز سنتی. عدد شاخص اینه که ایجنت‌های هوش مصنوعی می‌تونن وظایف رو ۵۰ برابر سریع‌تر انجام بدن.

این عدد به توضیح نیاز داره. سود کارایی در مدل داده Git نیست؛ بلکه در از بین بردن گلوگاهیه که وقتی تعداد زیادی ایجنت هم‌زمان به همون عملیات‌های سمت سرور ضربه می‌زنن ایجاد می‌شه. پیاده‌سازی گیت‌لب query های سمت سرور رو به چیزی محدود می‌کنه که وظیفه فعلی واقعاً بهش نیاز داره، به جای اینکه به صورت پیش‌فرض کل context رو لود کنه. نتیجه اینه که workflow های ایجنتی که تو مدل قدیمی باعث queue storm می‌شدن الان می‌تونن موازی اجرا بشن بدون اینکه همدیگه رو کند کنن.

این دقیقاً مشکلیه که باید حلش می‌شد. هر کسی که چند ایجنت کدنویسی هوش مصنوعی رو به صورت موازی روی repo های متوسط اجرا کرده می‌دونه که سربار از جاهای غیرمنتظره بیرون می‌زنه.

Context به عنوان زیرساخت

قطعه دوم GitLab Orbit هست که الان در beta عمومیه. Orbit یه context graph هست: یه نمایش ساختاریافته از کد، work item ها، pipeline ها، deployment ها و سیگنال‌های production که ابزارهای هوش مصنوعی می‌تونن مستقیماً query بزنن.

منطقش ساده‌ست. بزرگترین هزینه در workflow های ایجنتی امروز compute نیست؛ token هاست. هر بار که یه ایجنت به context نیاز داره، یا خیلی زیاد لود می‌کنه (گرون و کنده) یا خیلی کم (و اشتباه می‌کنه). Orbit تلاش گیت‌لبه که این مشکل رو در سطح پلتفرم حل کنه، به جای اینکه هر تیم مجبور بشه لایه context engineering خودش رو بسازه.

گیت‌لب ادعا می‌کنه پاسخ‌ها ۱۱ برابر سریع‌تر و token مصرفی تا ۴.۵ برابر کمتره. حتی اگه اعداد واقعی نصف این باشن، ارزش پیشنهادی همچنان معتبره. درست حل کردن context retrieval در سطح پلتفرم اثر ترکیبی داره: هر ایجنتی که روش اجرا می‌شه سود می‌بره، و دیگه لازم نیست همون مشکل رو تو هفده repo مختلف حل کنی.

Governance دقیقاً جایی که باید باشه

اعلامیه‌ای که به نظرم مهم‌ترینه AI Governance Framework هست که الان در beta خصوصیه. هر عمل ایجنت یه هویت، یه policy path و یه audit record می‌گیره. تیم‌های DevSecOps دید real-time نسبت به ورودی‌های ایجنت، reasoning و tool call ها دارن. Policy هایی مثل code scan اجباری می‌تونن روی کل workflow ایجنتی اعمال بشن.

الان اکثر تیم‌هایی که ایجنت‌های هوش مصنوعی اجرا می‌کنن اساساً این کار رو بر اساس اعتماد انجام می‌دن. ایجنت اجرا می‌شه، کد ظاهر می‌شه، و اگه خوش‌شانس باشی یکی قبل از اینکه به pipeline برسه نگاهی بهش می‌اندازه. وقتی تولید کد ایجنتی scale می‌شه این مدل پایدار نیست. سوال اینکه چه کسی چه چیزی رو مجاز کرده و ایجنت چیکار کرده تا به اونجا برسه الان در اکثر پلتفرم‌ها قابل پاسخ‌دهی نیست.

گیت‌لب داره این سوال رو قابل پاسخ می‌کنه. این پلتفرم رو از یه سیستم build-and-deploy به چیزی نزدیک‌تر به چیزی تبدیل می‌کنه که تیم‌های امنیت و compliance واقعاً بهش نیاز دارن: یه system of record برای اقدامات خودکار.

قیمت‌گذاری که با واقعیت جدید تناسب داره

اعلامیه چهارم، GitLab Flex، از همه کمتر فنیه اما یه نقطه اصطکاک واقعی رو حل می‌کنه. Flex، seat ها و AI credit ها رو در یه تعهد سالانه ترکیب می‌کنه و به تیم‌ها اجازه می‌ده هزینه رو بین این دو جابه‌جا کنن وقتی الگوهای استفاده تغییر می‌کنن، بدون مذاکره مجدد قرارداد.

این کمتر یه نوآوری فنیه و بیشتر یه اعتراف به اینکه مدل لایسنس قدیمی بر اساس seat دیگه با نحوه خرید و مصرف قابلیت‌های هوش مصنوعی تیم‌ها جور نیست. اگه استفاده تیمت از هوش مصنوعی در طول یه push بزرگ feature اوج می‌گیره و بعد برمی‌گرده، نباید مجبور باشی این رو شش ماه جلوتر پیش‌بینی کنی.

تصویر کلی

چیزی که در مورد اعلامیه‌های Transcend در مجموع تحت تأثیرم می‌ذاره اینه که توسط یه افزودن capability منفرد هدایت نمی‌شن. اونا یه re-architecture منسجم از پلتفرم DevOps برای دنیایی هستن که در اون بیشتر commit ها، PR ها و pipeline run ها توسط ایجنت‌ها شروع می‌شن، نه انسان‌ها.

این یه design brief متفاوت از چیزیه که گیت‌لب اصلاً بر اساسش ساخته شد. انسان‌ها روزی چند بار کد commit می‌کنن. ایجنت‌ها می‌تونن صدها یا هزاران بار این کار رو بکنن. انسان‌ها مستندات رو می‌خونن تا context بگیرن. ایجنت‌ها به هزینه token مصرف می‌کنن. انسان‌ها به صورت ضمنی می‌فهمن برای چه کاری مجازن. ایجنت‌ها نیاز دارن این رو در قالب policy rule بهشون گفته بشه.

پلتفرم‌هایی که از عصر ایجنتی جون سالم به در می‌برن اونایی هستن که خودشون رو حول این محدودیت‌های جدید طراحی مجدد می‌کنن، نه اینکه کدنویسی هوش مصنوعی رو فقط به عنوان یه feature layer دیگه روی pipeline موجود ببینن. گیت‌لب شرط می‌بنده که می‌تونه یکی از اونا باشه. بر اساس چیزی که تو Transcend نشون داد، این شرط‌بندی قابل قبول به نظر می‌رسه.