AI‑මූලික කේත ජනකයන් වෙතින් ලාම්ඩා (Lambda) ෆංක්ෂන් සකස් කරන අවස්ථා වැඩි වෙමින් පවතී. නමුත්, මෙවැනි උපකරණයක් මත පමණක් විශ්වාස කරන්නේ නම්, AWS ගිණුමේ සැකසීම් වගුවක් මත පදනම් වූ වැරදි සිදුවිය හැක.
මෙම කතාවේ ලේඛකයා Claude Code නමින් AI කේත ජනකයකින් processOrders ෆංක්ෂන් එකක් ලිවීමට ඉල්ලීය. එය orders‑queue නමින් SQS ක್ಯೂ එකකින් සිදුවන සිදුවීම් (event) පරීක්ෂා කර, Orders DynamoDB වගුවේ සම්බන්ධිත පේළිය කියවීමට නියමිත විය. AI එක, කේතය එකවර ලියමින්, event.body ලෙස පාරිසරික දත්ත ලබාගැනීමට උත්සාහ කළේය. එය API Gateway ප්රොක්සි එකේ ආකාරයට සමාන බව ගැටළුවක් බව නොදැන සිටියේය.
SQS‑ට රිච් කරුණු වශයෙන් event.Records[0].body යන්න භාවිතා කළ යුතුය. AI එකට එම තොරතුරක් නොමැති නිසා, පළමු පණිවුඩය ලැබෙන විට handler දෝෂයක් දමයි. තවද, orders‑queue සඳහා dead‑letter queue (DLQ) සකසා නොමැති බැවින්, දෝෂයක් ඇති වුනත් පණිවුඩය නැවත නැවත උත්සාහ කරයි, අවසානයේ කිසිඳු සටහනක් නොපැමිණෙයි. මේ නිසා ඇනවුම් අතුරුදන් වීමක් ලෙස පෙනේ.
මෙම ගැටළුව විසඳීමට ලේඛකයා Infrawise නමින් MCP (Managed Cloud Platform) මෙවලමක් AI සමඟ එක් කළේය. get_infra_overview විධානයෙන් ගිණුමේ සියලු සම්පත් (ලැම්බ්ඩා, කියු, වගු) පිළිබඳ සාරාංශයක් ලැබුණි. පසුතැවීමේදී analyze_function විධානය භාවිතා කර processOrders සඳහා අවශ්ය සිදුවීම් ආකෘතිය, DLQ නොමැති බව, IAM අවසර හිඟය වැනි තොරතුරු සජීවීව ලබා ගත්තා.
Infrawise‑ගේ LambdaMissingTriggerDLQAnalyzer මොඩියුලය සෑම SQS/Kinesis/DynamoDB‑Stream ට්රිගර් එකක්ම පරීක්ෂා කර, DLQ නොමැති නම් උච්ච‑ගුණාත්මක අනතුරු ඇඟවීමක් නිකුත් කරයි. එසේම, get_queue_details මඟින් කියුයේ visibility timeout, encryption, FIFO ගුණාංගය වැනි තොරතුරු තහවුරු කරයි. මේ සියල්ල AI එකට “ඇත්ත” ලෙස ලබා දී, පළමු මසුරුවේම නිවැරදි event.Records[0].body භාවිතය, DLQ සැකසීම, අවශ්ය IAM ප්රවාහයන් ඇතුළත් කර නිවැරදි කේතයක් ලබා දුන්නා.
ශ්රී ලංකාවට ඇති වැදගත්කම
- සිසුන් – AI‑මූලික කේත ජනකයන්ගේ සීමා හඳුනා ගැනීමට 실습 අවස්ථා ලැබේ, ඉගෙනුම් ගැඹුර වැඩිවේ.
- ඩෙවලපර් – ඉන්ෆ්රා‑කොඩ් සමාලෝචන මෙවලම් සමඟ AI කේතය පරීක්ෂා කර, නිෂ්පාදන‑දෝෂයන් ඉතා ඉක්මනින් හඳුනා ගත හැක.
- ව්යාපාර – SQS, Lambda වැනි සේවා වල නිවැරදි සැකසීම් මගින් සේවා විශ්වාසනීයතාවය වැඩිවී, ගනුදෙනු අතුරුදන් වීමෙන් සිදුවන ආර්ථික පරාජය වැළැක්විය හැක.
අවසන් වශයෙන්, AI කේත ජනකයන් භාවිතා කරන විට, ඒවාය පමණක් නොව, පරිසරය (infra) පිළිබඳ සත්ය තොරතුරුත් එක්ක පරීක්ෂා කිරීම අත්යවශ්යයි. Infrawise වැනි MCP මෙවලම් සමඟ ඒකීකරණය කරන්නේ, AI‑කේතයේ “අනුමාන”වලට “තථ්ය” දත්ත එක්කර, නිෂ්පාදන‑දෝෂයන් පූර්ව‑හඳුනා ගැනීමට උපකාරී වේ. ඔබත් මේ පියවර අනුගමනය කර, ඔබේ සර්වර්ලෙස් (serverless) යෙදුම් වල විශ්වාසනීයතාවය වැඩි කරගන්න.
