LaunchDarkly-க்கான AI ஏஜென்ட்கள்
Monmo AI ஏஜென்ட், audit log-ஐப் படிக்கும் release manager போல LaunchDarkly-ல் வேலை செய்கிறது. மாதங்களுக்கு முன்பே நீக்கியிருக்க வேண்டிய flags-ஐக் கண்டறிந்து, சதவீத rollout-ஐ படிப்படியாகத் திட்டமிடுகிறது. Flag-ஐ யார், எப்போது மாற்றினார்கள் என்பதையும் சோதனை முடிவுகளையும் எளிய மொழியில் விளக்குகிறது. நீங்கள் இணைக்கும் access token-ஐப் பயன்படுத்துகிறது. Flag-ஐ இயக்கவோ நிறுத்தவோ, targeting-ஐத் திருத்தவோ, எதையும் archive செய்யவோ முன் உங்கள் அனுமதியைக் கேட்கிறது.
புதுப்பிக்கப்பட்டது: 2026-11-13 · இலவசமாகத் தொடங்கலாம். கட்டணத் திட்டங்கள் மாதம் $15 முதல்.
LaunchDarkly செயலியில் AI ஏஜென்ட்கள் செய்யும் வேலைகள்
பழைய flags-ஐக் கண்டறிந்து நீக்குங்கள்
30 நாட்களுக்கு மேலாக launched அல்லது inactive எனக் குறிக்கப்பட்ட flags-ஐப் பட்டியலிட்டு, GitHub-ல் அவற்றின் code references-ஐச் சரிபார்க்கிறது. ஒவ்வொன்றையும் code-ல் இருந்து நீக்க pull request தயாரிக்கிறது. Merge மற்றும் archive செய்யும் முன் அனுமதி கேட்கிறது.
கேளுங்கள்Production-ல் 30 நாட்களாக ஒரே variation-ஐ வழங்கிய flags-ஐக் கண்டறிந்து, முதல் ஐந்தை நீக்க pull request-களை உருவாக்கு.
Flag-ஐ யார், ஏன் மாற்றினார்கள் என அறியுங்கள்
புதிய checkout நேற்று ஏன் அனைவருக்கும் தோன்றியது என்று கேட்டால், அந்த flag-ன் audit log-ஐப் படித்து, என்ன மாற்றம் நடந்தது, யார் செய்தார்கள், என்ன comment விட்டார்கள், எந்த environment-ல் நடந்தது எனக் கண்டறிகிறது.
கேளுங்கள்நேற்று production-ல் new-checkout flag-ஐ மாற்றியது யார், என்ன மாற்றப்பட்டது, ஏதேனும் comment இருந்ததா?
சதவீத rollout-ஐத் திட்டமிடுங்கள்
5, 25, 50, பிறகு 100 சதவீதம் என rollout திட்டத்தை உருவாக்குகிறது. படிகளுக்கு இடையே சரிபார்க்க வேண்டிய Datadog error rate-ஐயும் சேர்க்கிறது. ஒவ்வொரு படியும் தனி card-ல் இருப்பதால், எண்கள் சரியாக இருக்கும்போது மட்டும் அடுத்த படிக்குச் செல்லலாம்.
கேளுங்கள்search-v2 flag-ஐ ஒரு வாரத்தில் 100 சதவீதத்துக்கு rollout செய்யத் திட்டமிடு. படிகளுக்கு இடையே error rate-ஐச் சரிபார்.
Environment-களில் targeting-ஐ ஒப்பிடுங்கள்
ஒரு flag-ன் rules, தனிப்பட்ட targets, segments மற்றும் default variations-ஐ staging மற்றும் production-ல் ஒப்பிடுகிறது. Staging-ல் சோதிப்பவருக்கு எதிர்பாராததாக இருக்கக்கூடிய வேறுபாடுகளைச் சுட்டிக்காட்டுகிறது.
கேளுங்கள்pricing-page flag-ஐ staging மற்றும் production-ல் ஒப்பிட்டு, எது வித்தியாசமாகச் செயல்படுகிறது என்று சொல்.
Kill switch-ஐ விரைவாகப் பயன்படுத்துங்கள்
பிரச்சினையின்போது ஒரு flag-ஐ நிறுத்தச் சொன்னால், environment மற்றும் அதன் விளைவை ஒரு card-ல் தெளிவாகக் காட்டி மாற்றத்தைத் தயாரிக்கிறது. UI-ல் தேடிக்கொண்டிருக்காமல் சில நொடிகளில் அனுமதி வழங்கலாம்.
கேளுங்கள்புதிய recommendations widget பிழைகளை ஏற்படுத்துகிறது. அதன் flag-ஐ production-ல் உடனே நிறுத்த மாற்றத்தைத் தயாரி.
சோதனை முடிவுகளைப் புரிந்துகொள்ளுங்கள்
முடிந்த சோதனையின் ஒவ்வொரு variation-க்குமான metric முடிவுகளைப் படித்து, முடிவுகளின் நம்பகத்தன்மை மற்றும் sample அளவைக் குறிப்பிட்டு, சுருக்கமாக விளக்குகிறது. வெற்றியாளரைத் தேர்ந்தெடுப்பது உங்கள் முடிவு.
கேளுங்கள்onboarding-copy சோதனையை எளிய மொழியில் சுருக்கிச் சொல். வேறுபாடு உண்மையானதா, அல்லது முடிவு செய்ய இன்னும் நேரம் வேண்டுமா?
Flags-க்கு சரியான விளக்கங்களைச் சேருங்கள்
விளக்கம், maintainer அல்லது tags இல்லாத flags-ஐக் கண்டறிகிறது. Code மற்றும் அந்த flag-ஐ அறிமுகப்படுத்திய Jira issue அடிப்படையில் ஒவ்வொன்றின் நோக்கத்தையும் ஒரே வரியில் எழுதி, மாற்றங்களை ஒரே தொகுப்பாக முன்மொழிகிறது.
கேளுங்கள்விளக்கம் அல்லது maintainer இல்லாத flags-ஐப் பட்டியலிட்டு, code மற்றும் அசல் Jira issue அடிப்படையில் இரண்டையும் வரைவு செய்.
எப்படி இணைகிறது
- 1LaunchDarkly-ல் access token ஒன்றை உருவாக்கி, ஒருமுறை இணைத்தால் போதும். அறிக்கைகள் மற்றும் audit-களுக்கு Reader role பொருந்தும். மாற்றங்களைச் செய்ய Writer அல்லது தேர்ந்தெடுத்த projects மற்றும் environments-க்கு மட்டும் வரம்பிடப்பட்ட custom role தேவை.
- 2LaunchDarkly-ஐ உங்கள் engineering AI ஏஜென்ட்டுடன் இணைக்கலாம். Product அல்லது data AI ஏஜென்ட்டும் அதே இணைப்பில் சோதனை முடிவுகளைப் படிக்கலாம்; மற்றவர்களுக்கு இந்த இணைப்பு தேவையில்லை.
- 3Flags, audit log மற்றும் சோதனை முடிவுகளைப் படிக்க அனுமதி தேவையில்லை. Flag-ஐ இயக்கவோ நிறுத்தவோ, targeting அல்லது rollout சதவீதங்களைத் திருத்தவோ, segment-ஐ மாற்றவோ, flag-ஐ archive செய்யவோ முன் அனுமதி கேட்கப்படும். Production-க்கு நீங்கள் அனுமதிகளை அமைத்திருந்தால், AI ஏஜென்ட்டின் கோரிக்கையும் அந்த அனுமதி முறையைப் பின்பற்றும்.
அடிக்கடி கேட்கப்படும் கேள்விகள்
LaunchDarkly-ல் feature flags-ஐ AI ஏஜென்ட் மாற்ற முடியுமா?
முடியும். ஒவ்வொரு மாற்றத்துக்கும் தனித்தனியாக அனுமதி தேவை. Monmo AI ஏஜென்ட் flag-ஐ இயக்கும் அல்லது நிறுத்தும் மாற்றம், புதிய targeting rule அல்லது அடுத்த rollout படியைத் தயாரித்து, flag, environment மற்றும் விளைவை ஒரு card-ல் காட்டுகிறது. நீங்கள் அனுமதித்ததும் LaunchDarkly இணைப்பு வழியாக மாற்றம் செய்யப்படும். இணைப்பு வழியாகச் செய்ய முடியாததை அது தனது browser-ல் செய்யும்.
பழைய feature flags-ஐ நீக்க AI எப்படி உதவும்?
Flag-ஐ நீக்குவதில் அதிக நேரம் எடுப்பது அதற்கான code-ஐக் கண்டுபிடிப்பதுதான். AI ஏஜென்ட் வாரக்கணக்கில் ஒரே variation-ஐ வழங்கிய flags-ஐப் பட்டியலிட்டு, GitHub-ல் அவற்றின் references-ஐக் கண்டறிந்து, ஒவ்வொன்றையும் நீக்க pull request தயாரிக்கிறது. Merge செய்த பிறகு flag-ஐ archive செய்கிறது. Merge மற்றும் archive இரண்டுக்கும் உங்கள் அனுமதி தேவை.
AI ஏஜென்ட்டுக்கு LaunchDarkly token கொடுப்பது பாதுகாப்பானதா?
AI ஏஜென்ட்டுக்குத் தேவையான குறைந்தபட்ச அணுகலை மட்டும் கொடுங்கள். Audit, அறிக்கைகள் மற்றும் சோதனைச் சுருக்கங்களுக்கு Reader token போதும். மாற்றங்களைச் செய்ய வேண்டுமென்றால், சம்பந்தப்பட்ட projects மற்றும் environments-க்கு மட்டும் வரம்பிடப்பட்ட custom role-ஐப் பயன்படுத்துங்கள். ஒவ்வொரு மாற்றத்துக்கும் உங்கள் அனுமதி தேவை. Token-ஐ எப்போது வேண்டுமானாலும் ரத்து செய்யலாம்.
படிப்படியான rollout-ஐ AI ஏஜென்ட் செய்யுமா?
AI ஏஜென்ட் rollout படிகளைத் திட்டமிட்டு, நீங்கள் அனுமதிக்கும்போது ஒவ்வொரு படியையும் செயல்படுத்தும். படிகளுக்கு இடையே நீங்கள் தேர்ந்தெடுக்கும் அளவீடுகளைச் சரிபார்க்கும். உதாரணமாக, Datadog-ல் error rate அல்லது Amplitude-ல் conversion சீராக இருந்ததா என்று சொல்லும். ஏதேனும் தவறாகத் தெரிந்தால், அடுத்த படிக்குச் செல்வதற்குப் பதில் நிறுத்தி வைக்க அல்லது பழைய நிலைக்குத் திரும்பப் பரிந்துரைக்கும்.
நீங்கள் அடுத்து பணியமர்த்துவதுஇன்றே தொடங்கலாம்.
ஒரு நிமிடத்தில் உங்கள் முதல் AI ஏஜென்ட்டை உருவாக்குங்கள். இலவசமாகத் தொடங்கலாம்.