Cisco CCNA · 200-301 v2.0

Agentic AI در Network Operations و Guardrailها

Blueprint 2026 CCNA نقش Agentic AI در Network Operations را وارد کرده است. Agentic AI فقط Chatbot پاسخ‌دهنده نیست؛ می‌تواند برای رسیدن به Goal چند مرحله برنامه‌ریزی کند، از Toolها داده بگیرد و پیشنهاد یا Action تولید کند. همین توانایی Risk جدید می‌آورد: Hallucination، Data Exposure، Over-privilege و Action اشتباه. Network Engineer باید خروجی را ارزیابی کند، نه اینکه Authority فنی را به AI واگذار کند.

در پایان این درس باید بتوانی
  • Agentic AI و تفاوت با پاسخ متنی ساده را از پایه توضیح بدهی
  • Tool Use، Planning و Feedback Loop را در یک سناریوی واقعی تحلیل کنی
  • Data Classification و Least Privilege را با روش کنترل‌شده پیاده‌سازی کنی
  • Human-in-the-Loop و Change Guardrail را با Evidence بررسی کنی
  • ارزیابی خروجی AI و Troubleshooting Recommendation را مرحله‌به‌مرحله عیب‌یابی کنی

Agentic AI و تفاوت با پاسخ متنی ساده

Generative AI می‌تواند متن یا پیشنهاد تولید کند؛ Agentic System می‌تواند Goal را به Subtask تقسیم کند، Tool Query انجام دهد و بر اساس Result مرحله بعد را انتخاب کند. در Network Operations مثال می‌تواند جمع‌آوری show command، تحلیل Log و پیشنهاد Hypothesis باشد.

برای فهم این مفهوم باید مرز آن با فناوری‌های مجاور روشن باشد. در شبکه واقعی، یک علامت مشابه می‌تواند از چند لایه ایجاد شود؛ بنابراین تعریف دقیق باعث می‌شود از تغییر Configuration نامرتبط جلوگیری شود.

Agent loop
Goal -> plan -> tool call -> observe -> decide -> next action

برای Agentic AI در Network Operations و Guardrailها، فهم Agentic AI و تفاوت با پاسخ متنی ساده باید همراه با مرزبندی دقیق انجام شود. قبل از هر تصمیم، مشخص کن این مفهوم در کدام لایه یا بخش از مسیر قرار دارد، چه Stateی ایجاد می‌کند و چه چیزی خارج از مسئولیت آن است. بسیاری از خطاهای عملی از اینجا شروع می‌شوند که یک علامت مشترک به فناوری اشتباه نسبت داده می‌شود. اگر بتوانی بگویی «این بخش دقیقاً چه چیزی را ثابت می‌کند و چه چیزی را ثابت نمی‌کند»، هنگام Incident به‌جای حدس زدن، Failure Domain را کوچک می‌کنی. در محیط واقعی همیشه فناوری مجاور، مسیر برگشت و Policyهای بین راه را هم در ذهن نگه دار.

Tool Use، Planning و Feedback Loop

Agent وقتی Tool Access دارد باید Scope محدود و Observable باشد. Read-only Telemetry Risk کمتری از Configuration Write دارد. Loop باید Stop Condition و Budget داشته باشد تا Agent بی‌نهایت Retry یا Change نکند.

جریان را از دید Packet یا State دنبال کن، نه فقط از دید Command. هر مرحله باید Input، تصمیم و Output مشخص داشته باشد و بتوانی بگویی شکست در آن مرحله چه علامتی تولید می‌کند.

Privilege ladder
Read tools < approved write tools < privileged changes

برای تحلیل عملی Tool Use، Planning و Feedback Loop یک Flow Card کوچک بساز: Source، Destination، Protocol یا Service، Interface/VLAN/Prefix مرتبط و Timestamp. سپس Packet یا State را از یک Boundary به Boundary بعدی دنبال کن. این روش در Agentic AI در Network Operations و Guardrailها کمک می‌کند تفاوت میان Configuration موجود و رفتار واقعی شبکه دیده شود. اگر یک مرحله سالم است، همان مرحله را دوباره تغییر نده؛ Boundary بعدی را آزمایش کن. اگر مرحله‌ای شکست می‌خورد، خروجی و Counter همان نقطه را ثبت کن. این عادت ساده باعث می‌شود Troubleshooting حتی در شبکه‌ای با چند Switch، Router، Security Policy و Server قابل تکرار و قابل توضیح باشد.

Data Classification و Least Privilege

قبل از ارسال Config/Log به AI باید Data Classification مشخص باشد. Credential، Private Key، Token، Customer Data، Public IP حساس یا Topology محرمانه ممکن است نباید به سیستم عمومی داده شود. Redaction و Approved Enterprise Tooling بخشی از Process است.

Configuration باید بعد از Baseline و با Scope مشخص انجام شود. نمونه دستور برای Lab است و Syntax یا Capability دقیق می‌تواند با Platform و IOS XE Release تفاوت داشته باشد؛ Contextual Help و مستندات همان Device مرجع نهایی‌اند.

Data handling
Classify -> redact -> send minimum necessary data

پیاده‌سازی Data Classification و Least Privilege در شبکه شرکت باید به سه فاز Pre-check، Change و Post-check تقسیم شود. در Pre-check وضعیت فعلی، Dependencyها و مسیر مدیریت را ذخیره کن؛ در Change فقط Scope لازم را تغییر بده؛ در Post-check هم State فنی و هم سرویس کاربر را Verify کن. برای Changeهایی که ممکن است Access مدیریت، Routing یا Security را تحت تأثیر قرار دهند، Rollback را قبل از اجرای دستور بنویس و مسیر Recovery را مشخص کن. هدف این نیست که Configuration فقط از نظر Syntax پذیرفته شود؛ Desired State باید با Design، مستندات، Address Plan و Security Policy سازمان سازگار بماند.

Human-in-the-Loop و Change Guardrail

برای Change پرریسک Human Approval، Diff Preview، Lab Test، Backup و Rollback لازم است. AI می‌تواند پیشنهاد دهد اما Policy سازمان تعیین می‌کند چه Actionی خودکار است. Least Privilege برای Service Account Agent ضروری است.

Verification یعنی مقایسه State عملیاتی با Intent. وجود خط Configuration فقط Desired State را نشان می‌دهد؛ Counter، Table، Log یا Test End-to-End ثابت می‌کند Feature واقعاً چگونه کار می‌کند.

Guardrail
AI proposal -> diff/test -> human approval -> deploy -> verify

در Verification مربوط به Human-in-the-Loop و Change Guardrail، خروجی Command را به‌صورت «Expected در برابر Actual» بخوان. وجود یک Line در Running Configuration فقط Intent را نشان می‌دهد؛ Table، Neighbor State، Counter، Log یا Test End-to-End نشان می‌دهد Feature واقعاً چه می‌کند. اگر Counter وجود دارد، مقدار مطلق را تنها معیار نگذار؛ قبل و بعد از Test به Delta توجه کن. اگر Log وجود دارد، Timestamp و Source را با Flow آزمایشی تطبیق بده. در Agentic AI در Network Operations و Guardrailها بهتر است حداقل یک Positive Test و، هرجا Security مطرح است، یک Negative Test نیز داشته باشی تا هم Availability و هم Policy درست اثبات شوند.

ارزیابی خروجی AI و Troubleshooting Recommendation

خروجی AI باید با Source معتبر و Device Evidence Verify شود. اگر AI می‌گوید «Duplex mismatch» باید Counter/Interface State آن را تأیید کند. Confidence زبانی AI جای Evidence نیست. Recommendation خوب باید Hypothesis، Test، Expected Result و Risk را بیان کند.

در Troubleshooting ابتدا Scope و Flow را ثبت کن، سپس کم‌هزینه‌ترین Test را اجرا کن که یک فرضیه را تأیید یا رد می‌کند. قبل از Clear، Reload یا Disable کردن Feature، Evidence را جمع کن تا Root Cause از بین نرود.

Evaluation
Recommendation -> verify against logs/show output/docs -> accept/reject

مسیر Troubleshooting ارزیابی خروجی AI و Troubleshooting Recommendation را با کم‌هزینه‌ترین Test شروع کن که بیشترین اطلاعات را می‌دهد. ابتدا Scope و آخرین وضعیت سالم را مشخص کن، سپس نزدیک‌ترین Boundary سالم به کاربر یا Source را پیدا کن و قدم‌به‌قدم جلو برو. هر Test باید یک Hypothesis را رد یا تأیید کند؛ اگر نتیجه فرضیه را رد کرد، همان Configuration را بی‌دلیل دست‌کاری نکن. قبل از Reload، Clear State یا Disable کردن Feature، Evidence را ذخیره کن چون این عملیات می‌توانند سرنخ Root Cause را پاک کنند. بعد از Fix نیز تست اولیه را تکرار و Preventive Action را در Documentation ثبت کن.

سناریوی عملی

AI از روی Log کوتاه پیشنهاد می‌دهد OSPF را Restart کنید. Engineer قبل از اقدام show ip ospf neighbor و Interface Counter را می‌بیند و مشکل واقعی MTU mismatch نیست بلکه ACL جدید Hello را Block کرده است. AI Recommendation رد و Evidence-based Fix انجام می‌شود.

اشتباهات رایج

اشتباه‌های رایج و علت آن‌ها

  • تغییر Agentic AI در Network Operations و Guardrailها بدون Baseline و Scope مشخص
  • قضاوت درباره Agentic AI در Network Operations و Guardrailها فقط از روی وجود Configuration
  • نادیده گرفتن Dependencyها و مسیر واقعی Packet/State
  • انجام Clear/Disable گسترده قبل از جمع‌آوری Evidence
تمرین عملی

تمرین عملی

  1. یک Diagram یا State Flow برای Agentic AI در Network Operations و Guardrailها رسم کن
  2. نمونه Configuration/Policy Agentic AI در Network Operations و Guardrailها را در Lab بررسی کن
  3. خروجی Verification را قبل و بعد از یک Test مقایسه کن
  4. یک Failure عمدی بساز و Root Cause را با Runbook پیدا کن

نکته‌هایی که باید با خودت ببری

  • Generative AI می‌تواند متن یا پیشنهاد تولید کند؛ Agentic System می‌تواند Goal را به Subtask تقسیم کند، Tool Query انجام دهد و بر اساس Result مرحله بعد را انتخاب کند
  • Agent وقتی Tool Access دارد باید Scope محدود و Observable باشد
  • قبل از ارسال Config/Log به AI باید Data Classification مشخص باشد
  • برای Change پرریسک Human Approval، Diff Preview، Lab Test، Backup و Rollback لازم است
  • خروجی AI باید با Source معتبر و Device Evidence Verify شود
خودسنجی

خودسنجی

Agentic AI و تفاوت با پاسخ متنی ساده چه مسئله‌ای را حل یا توضیح می‌دهد؟

Generative AI می‌تواند متن یا پیشنهاد تولید کند؛ Agentic System می‌تواند Goal را به Subtask تقسیم کند، Tool Query انجام دهد و بر اساس Result مرحله بعد را انتخاب کند.

در Tool Use، Planning و Feedback Loop مهم‌ترین State یا جریان چیست؟

Agent وقتی Tool Access دارد باید Scope محدود و Observable باشد.

قبل از Data Classification و Least Privilege چه کاری ضروری است؟

Baseline، Scope و Rollback مشخص شود.

اصل کلیدی ارزیابی خروجی AI و Troubleshooting Recommendation چیست؟

هر Test باید یک فرضیه را با Evidence تأیید یا رد کند.

منابع رسمی

منابع مرجع این درس

مطالعه همیشه آزاد است

برای ذخیره پیشرفت وارد حساب شو

حساب کاربری برای آزمون و ثبت مرحله‌ها استفاده می‌شود

ورود یا ثبت‌نام
بازگشت به صفحه دوره CCNA