AI අඩවි වල API වැරදි දැකිය හැකිවූ විට, අජන්ට් (agent) වැරදි බොහෝ වෙලාවට සෙරෙව් කර නොහැක. එය ක්රමවේදයෙන් වැඩ කරන අතර, අඩු වශයෙන් දෙකක් වෙනුවට හය පාරක් කරයි, වැරදි මෙවලමක් භාවිතා කරයි, ටෝකන පාවිච්චිය තුගුණයකට යයි, පසුපසින් අඩු වැරදි පිළිතුරක් ලබා දෙයි. මෙවැනි සිදුවීම් ලොග් වලින් හෝ exception එකකින් පෙනෙන්නේ නැත.
මෙම ගැටලුවට විසඳුමක් ලෙස Model Context Protocol (MCP) තුළ trace id එකක් සෑදීමයි. එක් අජන්ට් ධාවනයක් පූර්ණයෙන්ම එකම root span එකක් තුළ ඇරඹෙයි, එම span එකේ context එක MCP පෝරමය හරහා (traceparent) සියලු සේවාදායකයන්ට පැවරේ. එවිට එක් සේවාදායකයක span එකක් පවා එම root span එකේ යටතේ නිරූපණය වේ.
එකී root span එකේ පසු, සෑම turn, model call සහ tool call එකක් වෙනුවට තනි span එකක් සකස් කරයි. මෙය කේත උදාහරණයේ පෙන්වන පරිදි ActivitySource.StartActivity භාවිතයෙන් සිදු වේ. මෙයින් "මෙම අජන්ට් හය පාරක් ගත කළේ ඇයි?" යන ප්රශ්නයට සපයන turn‑>call ග්රාෆ් එකක් ලැබේ.
තවත් වැදගත් කොටස වන්නේ structured logging වේ. MCP සම්බන්ධතා (method, tool, server, tenant, latency, outcome) සියල්ල trace id එකට සම්බන්ධ කර ලොග් කරයි. ලොග් දත්ත වලින් ගෝප්ය තොරතුරු ගුප්තකරණය (redact) කර, හෑෂ් අකාරයක් භාවිතා කර පාරිභෝගික දත්ත රහසිගතව තබයි. මෙයින් observability stack එක ආරක්ෂිතව පවත්වා ගත හැක.
අවසන් වශයෙන්, අජන්ට් සම්බන්ධ මූලික metrics සකස් කරයි: tool latency, tool error rate, turns per run, tokens per run, cost per run. මෙම මිනුම් ගණනාවක් tenant හා tool අනුව dimension කරයි. "Requests per second" වැනි පාරම්පරික මැනුම් මත පදනම්ව අජන්ට් සෞඛ්යය ඇස්තමේන්තු නොලැබීම නිසා, මේ නව මිනුම් පද්ධතිය අධිකාරී තත්ත්වය නිරීක්ෂණයට උපකාරී වේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
- විදුලි ඉංජිනේරු සහ AI ශිෂ්යයන් – අජන්ට් දෝෂ හඳුනා ගැනීමේ ක්රමවේදය ඉගෙන ගැනීම, ගවේෂණාත්මක පර්යේෂණයට හොඳ පදනමක් වේ.
- ස්ථානයේ තාක්ෂණික සංවර්ධකයින් – OpenTelemetry සහ structured logging භාවිතයෙන් තම සේවාවන්හි incident response වේගය පැයවලින් මිනිත්තු වලට පත් කර ගත හැක.
- ව්යාපාරිකයින් – AI අජන්ට් ගත කරන ටෝකන හා පිරිවැය මැනීමෙන් වියදම අඩු කර ROI වැඩි කළ හැක.
අද වන විට, MCP හි අධි-දෘශ්යතාවය (observability) ක්රමවේදය නිසා අජන්ට් ගැටළු හඳුනා ගැනීම පැයවලින් මිනිත්තු වලට පමණක් සීමා වී ඇත. එය ශ්රී ලංකාවේ AI පදනම්වල නවීකරණයට, ගුණාත්මක සේවා සැපයුමට සහ තාක්ෂණික පරිසරය ශක්තිමත් කිරීමට මඟ පෙන්වයි.
ඉදිරියේදී, මේ වැනි tracing හා logging ප්රතිපත්ති ප්රාදේශීය සමාජයන් අතර බෙදා හරිනුත්, ලෝක මට්ටමින් තරගකාරී AI විසඳුම් නිර්මාණය කිරීමේ පදනමක් වීමට අපේක්ෂා කරමු.
