بلاگ

$ cat KUBERNETES .md
· 12 دقیقه مطالعه

پروژه‌ی اصلی آرشیوشده. باگ امنیتی‌اش هنوز زنده‌ست.

یه‌شبه دو تا باگ امنیتی تو پیاده‌سازی HTTP/2 وب‌سرور NGINX منتشر شد که بدون احراز هویت اجازه‌ی اجرای کد از راه دور می‌دادن، و کنترلرهای اینگرس ما هم در معرضشون بودن. راه‌حل همیشگی، یعنی آپدیت به آخرین نسخه، هیچ دردی رو دوا نمی‌کرد: پروژه‌ی ingress-nginx از مارس آرشیو شده و آخرین نسخه‌اش یه NGINX داره که دیگه هیچ‌وقت پچ نمی‌شه. تو این پست می‌گم چطور ثابت کردم چی واقعاً قابل‌حمله بود، HTTP/2 رو موقتاً خاموش کردم، پچ‌ها رو روی بیلد خودمون بک‌پورت کردم و بدون قطعی رول‌اوتش کردم.

kubernetes security devops helm nginx
$ cat AI .md
· 10 دقیقه مطالعه

استودیوی ویدیوی من کده. یه بنچمارک جدید ایجنت‌ها رو روی همین کار سنجید.

استودیوی AgenticStudio کدیه که کانال یوتیوبم رو می‌گردونه: شورت‌های روزانه، یه دایجست یکشنبه‌ها، یه برنامه‌ی مناظره‌ی کارتونی و یه جعبه‌ابزار برای ویدیوهایی که خودم اجراشون می‌کنم. هیچ فریمی از یه مدل ویدیو نمیاد. بنچمارک VibeVideoBench تازه پیشرفته‌ترین ایجنت‌ها رو روی ساخت ویدیو با کد سنجیده. این‌جا می‌گم سیستم من کنار اون‌ها کجا می‌ایسته، و اون یه چیزی که هیچ بنچمارکی نمی‌تونه بهت بگه.

ai agents video automation benchmarks
$ cat AI .md
· 9 دقیقه مطالعه

یه مدل کدنویسی 30B روی یه مینی‌پی‌سی بدون GPU. ۱۷ توکن در ثانیه، و محدودیت اصلی پرامپته.

مدل Qwen3-Coder 30B رو روی مینی‌پی‌سی‌ای گذاشتم که همیشه روشنه و هارنس ایجنت‌هام روش اجرا می‌شه، بدون GPU. با حدود ۱۷ توکن در ثانیه می‌نویسه، که قابل‌استفاده به نظر میاد. محدودیت واقعی خوندن پرامپته: یه کانتکست ۱۰ هزار توکنی حدود دو دقیقه و نیم طول می‌کشه تا اولین کلمه بیاد. این‌جا عددها رو می‌گم، تنظیم‌هایی که کمکی نکردن، و چیزی که کمک می‌کنه.

ai self-hosting local-llm ollama performance
$ cat AGENTS .md
· 7 دقیقه مطالعه

چرا Hermes Agent رو کنار گذاشتم و هارنس خودم رو ساختم

ژوئیه نوشته بودم که Hermes Agent کارهای پشت‌صحنه‌ی زندگی دیجیتالم رو می‌گردونه. ۱۸ اکتبر خاموشش کردم و جاش یه هارنس کوچیک گذاشتم: چند تا پایپ‌لاین ثابت، یه درِ کنترل‌شده به سمت مدل‌ها، و یه لیست مجاز برای هر کار. این‌جا می‌گم چرا، این بازنویسی چقدر برام تموم شد، و کِی هنوز هم یه ایجنت همه‌منظوره رو انتخاب می‌کنم.

agents ai self-hosting architecture harness
$ cat KUBERNETES .md
· 7 دقیقه مطالعه

کلاستر ۱۶۰ میلی‌کور مصرف می‌کرد. ریکوئست‌هاش شش تا نود لازم داشتن.

قبل از اولین مشتری‌مون پرسیدم آیا سه تا نود متوسط می‌تونن پروداکشن رو نگه دارن. کلاستر حدود ۱۶۰ میلی‌کور CPU مصرف می‌کرد، ولی ریکوئست‌های منابعش شش تا نود رو مشغول نگه داشته بودن. این‌جا می‌گم چرا ریکوئست‌ها، نه مصرف، تعداد نودها رو تعیین می‌کنن، چرا اتواسکیلرها هم ریکوئست‌ها رو می‌خونن، و چرا وقتی کار گرون پیش یه ارائه‌دهنده‌ی بیرونی اجرا می‌شه، ظرفیت کلاستر ظرفیت محصول نیست.

kubernetes eks finops devops mechanism
$ cat OBSERVABILITY .md
· 9 دقیقه مطالعه

۵۰ میلیون اسپن از دست دادیم و هیچی لاگش نکرد.

یه دیپلوی تریس‌های همه‌ی سرویس‌ها رو فرستاد سمت یه کالکتور جدید که برای یه جریان باریک سایز شده بود. کالکتور بلاک شد، SDK سرویس‌ها سرریز رو دور ریخت، و حدود ۵۰ میلیون اسپن توی دو ساعت غیب شدن، بی‌هیچ شمارنده و بی‌هیچ خط لاگی در هیچ جا. تنها هشداری که اومد، درباره‌ی یه چیز دیگه بود. این‌جا می‌گم این از دست رفتن چطور نامرئی موند، چطور چیزی رو اندازه گرفتم که هیچ‌چیز نشمرده بودش، و چرا گلوگاه واقعی اونی نبود که اول سراغش رفتم.

observability opentelemetry kubernetes devops mechanism
$ cat AWS .md
· 8 دقیقه مطالعه

جمع اسنپ‌شات‌ها ۲۱ TiB می‌شد. پاک کردنشون ۶۸۷ GiB آزاد کرد.

هزینه‌ی اسنپ‌شات‌های EBS بر اساس بلاک‌های تغییرکرده حساب می‌شه، نه اندازه‌ی والیوم. هزینه‌ی اسنپ‌شات والیوم یه دیتابیس که مدام مرج می‌کنه، می‌تونه از همه‌ی چیزهای دیگه‌ی اکانت بیشتر بشه، در حالی که یه دیسک بزرگِ بیکار هیچ هزینه‌ای نداره. این‌جا می‌گم چطور اندازه‌ش گرفتم، چرا پاک‌سازی‌ای که شبیه ۲۱ TiB بود فقط ۶۸۷ GiB آزاد کرد، و چرا باوری که خودم درباره‌ی والیوم‌های منبعِ پاک‌شده یادداشت کرده بودم غلط بود.

aws finops ebs devops mechanism
$ cat GITLAB .md
· 7 دقیقه مطالعه

رجیستری تو ۴۵ میلی‌ثانیه جواب می‌داد. بیلد دو دقیقه بیشتر طول می‌کشید.

بعد از مهاجرت یه سرور، بیلدهایی که به یه رجیستری پکیجِ روی سرور خودمون وصل می‌شدن دو دقیقه کندتر شدن و همه‌ی گزارش‌ها انگشت رو گرفتن سمت همین جابه‌جایی. هر درخواستی که شکست می‌خورد، یه خطای ۵۰۰ بود که تو ۴۵ میلی‌ثانیه برمی‌گشت؛ کل این کندی، بک‌آفِ تلاش دوباره‌ی npm بود. ریشه‌ی مشکل یه ردیف از ۶۳٬۰۰۰ ردیف بود که هنوز به یه آبجکت استوریج اشاره می‌کرد که دیگه وجود نداشت، و چکی که دقیقاً برای گرفتن همین نوشته شده بود، یه لیست دست‌نویس از جدول‌ها رو مرور می‌کرد و این یکی رو جا انداخته بود.

gitlab debugging migration reliability observability
$ cat AI .md
· 10 دقیقه مطالعه

مدل Opus 5.5 با ۴۰٪ قیمت Fable 5.1 ازش جلو می‌زنه. جدول بنچمارک رو دو بار بخون.

شرکت Anthropic امروز مدل Opus 5.5 رو با قیمت ۴/۲۰ دلار برای هر میلیون توکن منتشر کرد، و جدول خودش اون رو توی کدنویسی ایجنتی جلوتر از Fable 5.1 و GPT-6 Astra نشون می‌ده. عددهای مستقل کوچیک‌ترن، عددهای کیفیت کد یک‌دست نیستن، و دیگه نمی‌شه تفکر مدل رو خاموش کرد. از Sonnet 5.5 هم هنوز خبری نیست.

ai llm anthropic claude opus benchmarks
$ cat GIT .md
· 7 دقیقه مطالعه

۸۴ ریپو غیب شدن. راه‌حلش mkdir بود.

توی S3 دایرکتوری خالی وجود نداره، و توی یه ریپوی git که کامل پک شده، دایرکتوری‌های refs دقیقاً همین‌ان: خالی. یه سینک فایل‌به‌فایل همه‌ی آبجکت‌ها رو سالم منتقل کرد و اون دو تا دایرکتوری‌ای رو که git لازم داره تا چیزی رو ریپو حساب کنه جا انداخت؛ برای همین ۸۴ تا از ۵۱۷ ریپو غیرقابل‌خوندن برگشتن، در حالی که دیتابیس هنوز می‌گفت کامیت دارن. چک‌های سلامت مهاجرت کل این مدت سبز موندن، چون هیچ‌کدومشون هیچ‌وقت یه ریپو رو باز نمی‌کنن.

git aws s3 gitlab mechanism
$ cat KUBERNETES .md
· 7 دقیقه مطالعه

قید برقرار بود. با این حال زون خالی موند.

یه قید پخش توپولوژی همیشه فقط یه حکم درباره‌ی جمعیتیه که سلکتورش انتخاب می‌کنه، و لیبلی که یه اپراتور می‌ذاره می‌تونه بی‌سروصدا دیپلویمنت‌های هم‌خانواده رو تو یه شمارش مشترک بریزه. سه تا کالکتور هر کدوم قید سخت پخش بین زون‌های خودشون رو برقرار نگه داشتن، در حالی که مجموعشون یه زون رو خالی گذاشته بود، و ترمیم استاندارد هر بار به همون جواب غلط می‌رسید.

kubernetes scheduling opentelemetry finops mechanism
$ cat CLICKHOUSE .md
· 9 دقیقه مطالعه

۱۳۶ میلیون درخواست PUT برای ۱۷ گیبی‌بایت داده

آبجکت استوریج به ازای هر عملیات پول می‌گیره، و یه پارت ClickHouse روی دیسک S3 یه آبجکت نیست، به ازای هر ستون یه آبجکته. پس هزینه‌ی لایه‌ی سرد به تعداد پارت‌ها بستگی داره، نه به تعداد بایت‌هایی که توشونه، و هر تنظیمی که مرج‌ها رو گرسنه نگه داره یه قلم توی صورت‌حساب می‌شه. دو تا مقدار پیش‌فرض چارت دقیقاً همین کار رو کردن، و فیکسی که جلوش رو گرفت هیچ‌وقت کامیت نشده بود.

clickhouse s3 finops observability mechanism
$ cat KAFKA .md
· 9 دقیقه مطالعه

خطا ۲۵ ساعت قدیمی بود. کلاینت تمام این مدت سالم بود.

رپری دور کلاینت Kafka که با شمردن خطاها و پنیک کردن بعد از یه آستانه بازیابی می‌شه، بازیابیش متناسب با ترافیکه: پردازشگرهای استریم تو چند ثانیه به آستانه می‌رسن، پرودیوسرهای کم‌ترافیکی که فقط با درخواست کار می‌کنن هیچ‌وقت نمی‌رسن، و برای همین روی آخرین خطا قفل می‌کنن و تا ابد همون رو برمی‌گردونن، در حالی که همه‌ی سیگنال‌های سلامت سبزن. سرنخ توی رقم‌های خود خطاست: مقدار زمان سپری‌شده‌ای که بین دفعه‌های مختلف بایت‌به‌بایت یکیه، یعنی یه رخداد کش‌شده، نه یه خرابی تکرارشونده.

kafka resilience mechanism reliability observability
$ cat DATABASES .md
· 8 دقیقه مطالعه

محصول LakeBase دیتابیس Postgres رو از نو اختراع نکرد. کاری که کرد جابه‌جا کردن fsync بود.

سرویس LakeBase Postgres از Databricks یه Postgres واقعیه که در سطح پروتکل سازگاره: درایورهای استاندارد، pgvector، PostGIS و موتور کوئری دست‌نخورده. تیتر بازاریابیش برنچ‌سازی دیتابیسه، یعنی Git برای دیتابیست. ولی این اثر جانبیه. سازوکار اصلی اینه که مسیر کامیت از روی ماشین بیرون رفته: تراکنش وقتی تأیید می‌شه که یه کوئوروم از سیف‌کیپرها رکورد WAL رو بپذیرن، نه وقتی که یه SSD محلی داده رو روی دیسک بنویسه. برنچ‌سازی، اسکیل‌به‌صفر و بازیابی به یه لحظه‌ی دلخواه همه از همین یه جمله نتیجه می‌شن، و هزینه‌هاش هم همین‌طور.

databases postgres architecture mechanism cloud
$ cat LINUX .md
· 7 دقیقه مطالعه

لینوکسِ صاحب‌نظر وقتی نظرهاش منسجم باشن دیگه تناقض نیست.

توزیع Omarchy این تابستون عرضه شد و 37signals داره کل شرکت رو تو یه افق سه‌ساله روش منتقل می‌کنه. بخش جالبش بخش لینوکسیش نیست؛ اینه که این اولین توزیعیه که می‌بینم شخصیتش ویژگی اصلیشه. قاعده‌ای که جاهای دیگه هم به کار میاد: یه پیش‌فرض صاحب‌نظر، وقتی استدلالش پیداست ویژگیه، و وقتی استدلالش پنهانه باگه.

linux design opinion product devops
$ cat AI .md
· 7 دقیقه مطالعه

دیکودینگ حدسی منتشر شد، چون خروجی رو عوض نمی‌کنه.

شرکت Liquid AI بیستم اوت مدل LFM2.5-DSpark رو منتشر کرد: سه مدل پیش‌نویس با لایسنس lfm1.0، با میانگین ۲٫۶۷ برابر افزایش سرعت روی H100 و ۵۷٪ کاهش تأخیر فراخوانی تابع روی Apple Silicon. عدد اصلیِ خبر کم‌اهمیت‌ترین بخش این انتشاره. بخش جالب اینه که اصلاً چرا چنین چیزی می‌تونه منتشر بشه. دیکودینگ حدسی با دیکودینگ حریصانه دقیقه، یعنی خروجی رو عوض نمی‌کنه. همه‌ی ماجرا همین ویژگیه.

ai inference speculative-decoding mechanism performance
$ cat OBSERVABILITY .md
· 8 دقیقه مطالعه

پایپ‌لاین جدید انگار اسپن گم می‌کرد. پایپ‌لاین قدیمی حدود ۴۷ هزار ردیف تکراری داشت.

توی یه اعتبارسنجی با اجرای موازی، مقایسه‌ی کنار همِ تعداد اسپن‌های هر سرویس نشون می‌داد که پایپ‌لاین جدید توی یه بازه‌ی ۶۰ دقیقه‌ای، برای هر سرویس حدود ۰٫۲٪ از اسپن‌ها رو از دست می‌ده. اگه این رو پسرفتِ پایپ‌لاین جدید می‌خوندیم، کار به رول‌بک می‌کشید. با خوندن درست، ماجرا این بود که پایپ‌لاین قدیمی توی یه بازه‌ی چندثانیه‌ای ده‌ها هزار ردیف تکراری ثبت کرده بود. لایه‌ی ذخیره‌سازی روی چیزی که شمرده می‌شه هیچ قید یکتایی نداره؛ واحدی که به اسم «تعداد» نشون می‌ده، اون واحدی نیست که اپراتور فکر می‌کنه.

observability clickhouse verification troubleshooting devops
$ cat DOCKER .md
· 6 دقیقه مطالعه

یادداشت می‌گفت ایمیج مشکل داره. ایمیج درست بود. سه تا چک هم با یادداشت موافق بودن.

یه یادداشت توی بسته‌ی دانش پروژه می‌گفت ایمیج فقط برای amd64 ساخته شده و ممکنه روی Graviton اجرا نشه. سه تا چک مستقل هم همین رو تأیید کردن. ایمیج فقط مال amd64 نبود، و یه بیلد نیتیو arm64 بدون هیچ تغییری توی سورس موفق شد. ادعایی که سه بار تأیید شده، خطرناک‌ترین نوع ادعای غلطه.

docker arm64 verification knowledge-management devops
$ cat KAFKA .md
· 8 دقیقه مطالعه

سه تا چیز رو درباره‌ی یه سیستم زنده استنباط کردم. دو تاشون درست نبودن.

توی یه هفته، سه بار درباره‌ی یه مایگریشن زنده ادعایی کردم که از خوندن یه فایل کانفیگ، یه پیشوند اسم یا یه تمپلیت اومده بود، و دو بار ادعام اشتباه بود. آرتیفکت و سیستم زنده دو تا نمای مختلف از یه چیزن، و می‌تونن به دلایلی با هم بخونن که آرتیفکت نمی‌تونه بهت بگه. فقط یکی از این دو نما حقیقته.

kafka opentelemetry terraform troubleshooting devops
$ cat TERRAFORM .md
· 10 دقیقه مطالعه

پلن وقتی سبزه که دو تا از سه تصویر با هم جور باشن. تصویر سوم حقیقته.

یه terraform plan برای یه استک مشاهده‌پذیری مدیریت‌شده، فیکس یه حادثه رو به شکل یه تغییر در انتظار نشون داد، در حالی که اون فیکس از همون حادثه روی لایو بود و فقط استیت عقب مونده بود. توی روزهایی که فایل هنوز به‌روز نشده بود، همین پلن سبز می‌اومد و اپلای بعدی فیکس رو برمی‌گردوند. پلن دیف بین دو تا تصویره، ولی سیستم سه تا تصویر داره. خوندن هر سه قبل از پلن گرفتنه که دیف رو از یه حدس به یه تصمیم تبدیل می‌کنه.

terraform helm eks state troubleshooting devops
$ cat OPENTELEMETRY .md
· 6 دقیقه مطالعه

کانفیگ بایت به بایت یکی بود. همین، چیز اشتباهی رو ثابت کرد.

یه کانفیگ کالکتور رو از روی نسخه‌ی موجود دوباره ساختیم، مطمئن شدیم بایت به بایت با همونی که روی پروداکشن اجرا می‌شه یکیه، و با یه عالمه چک سبز پشتش دیپلوی کردیم. موقع راه‌اندازی افتاد توی کرش‌لوپ. بایت به بایت یکی بودن یه ویژگی واقعیه؛ فقط جواب سؤالیه که هیچ‌کس نپرسیده بود.

opentelemetry kafka terraform devops troubleshooting
$ cat AWS .md
· 6 دقیقه مطالعه

دو لایه‌ی DNS که وقتی هر دو سبزن، عین هم به نظر می‌رسن

یه VPC توی یه اکانت نمی‌تونست اسم‌های یه زون خصوصی رو که مال یه اکانت دیگه بود ریزالو کنه. پیرینگ سالم بود، مسیرها درست بودن، تیک DNS resolution هم خورده بود. همه‌ی سیگنال‌ها سبز بودن و جواب باز هم NXDOMAIN بود، چون دو تا لایه‌ی مختلف DNS یه چراغ سبز یکسان روشن کرده بودن.

aws route53 dns vpc networking troubleshooting
$ cat CDKTF .md
· 6 دقیقه مطالعه

باگی که تقصیرش رو انداختم گردن پرووایدر

چند هفته، terraform plan روی یه باکت S3 که از قبل درست تنظیم شده بود دریفتی نشون می‌داد که از پس درست‌کردنش برنمی‌اومدم. گذاشتمش به حساب «یه رفتار عجیب پرووایدر AWS» و دورش زدم. پرووایدر بی‌گناه بود. کد خودم، قبل از این‌که Terraform اصلاً چیزی ببینه، داشت بهم دروغ می‌گفت.

cdktf terraform iac typescript devops troubleshooting
$ cat KUBERNETES .md
· 8 دقیقه مطالعه

خطای ۴۰۱ توی EKS که ربطی به اعتبارنامه نداشت

پایپ‌لاین CI ما یه توکن معتبر EKS می‌ساخت، درست و تمیز ارائه‌ش می‌داد، و رد می‌شد. مشکل از اعتبارنامه‌های AWS نبود. مشکل کنترل دسترسی خودِ EKS بود، و خطا جلوی چشم همه بود: کلاستر برای نقشی که درخواست می‌داد هیچ ورودی دسترسی نداشت.

kubernetes eks aws devops platform-engineering troubleshooting
$ cat AUTOMATION .md
· 7 دقیقه مطالعه

چطور با Hermes Agent زندگی دیجیتالم رو خودکار می‌کنم

روی مینی‌پی‌سی من Hermes Agent اجرا می‌شه، مک من رو کنترل می‌کنه و کارهای جانبی وبلاگ، یوتیوب و مالیاتم رو انجام می‌ده، تا وقتم رو بذارم روی بخش‌هایی که واقعاً به خودم نیاز دارن. این‌جا می‌گم چطور کار می‌کنه.

automation ai productivity self-hosting agents
$ cat AI .md
· 10 دقیقه مطالعه

مدل Opus 5 با نصف قیمت Fable 5 اومد. بنچمارک‌ها عالی‌ان، ولی داستان اصلی تغییرات API هست.

مدل Opus 5 روز ۲۴ ژوئیه به‌عنوان مدل پیش‌فرض جدید Anthropic عرضه شد. جدول بنچمارکش با نصف هزینه، فقط به اندازه‌ی یه خطای گرد کردن با Fable 5 فاصله داره. ولی چیزی که واقعاً روزت رو عوض می‌کنه بی‌سروصداتره: تفکر حالا به‌طور پیش‌فرض روشنه، و این چند تا از فرض‌هایی رو که از زمان Opus 4.8 با خودت داری به‌هم می‌ریزه.

ai llm anthropic claude opus
$ cat DNS .md
· 8 دقیقه مطالعه

همون رکورد DNS رو دو بار پاک کردم. بار سوم پرسیدم چرا.

یه اندپوینت عمومی توی سه روز دو بار از دسترس خارج شد، و هر دو بار همون راه‌حل پنج‌دقیقه‌ای جواب داد: پاک کردن یه رکورد AAAA یتیم. باگ واقعی یه رکورد DNS بود که هیچ‌وقت نمی‌تونه مالک خودش باشه، و روی رأس یه زون واگذارشده نشسته بود.

dns aws route53 kubernetes devops
$ cat KUBERNETES .md
· 7 دقیقه مطالعه

کلاستر جدید روی هر نود ۱۱۰ پاد اجرا می‌کرد. پروداکشن روی ۵۸ گیر کرده بود.

همون نوع اینستنس، نصف تراکم پاد. بالا بردن سقف پادها روی یه کلاستر EKS زنده یعنی یه لانچ تمپلیت که نود گروپ هیچ‌وقت نمی‌تونه داشته باشه، یه تنظیم CNI که باید قبل از همه اعمال بشه، و یه پلن Terraform پر از تغییرهایی که هیچ‌کس نخواسته بود.

kubernetes aws eks terraform devops
$ cat AI .md
· 18 دقیقه مطالعه

مدل Sonnet 5 اومد. پرسیدم چی عوض شده. این چیزیه که واقعاً یاد گرفتم.

می‌خواستم بدونم بین Sonnet 5 و Sonnet 4.6 از نظر معماری چی عوض شده. شرکت Anthropic چیزی نمی‌گه. پس سیستم کارت ۱۴۶ صفحه‌ای رو خوندم، و آخرش یه راهنمای ساده و به زبون آدمیزاد برای همه‌ی بنچمارک‌هاش نوشتم.

ai llm anthropic claude benchmarks
$ cat KUBERNETES .md
· 6 دقیقه مطالعه

اپ داشت متغیر REDIS_PORT رو می‌خوند، ولی Kubernetes از قبل یه چیز دیگه روی مقدارش نوشته بود.

همه‌ی ویوهایی که به کش دست می‌زدن خطای ۵۰۰ می‌دادن، در حالی که هلث‌چک سبز مونده بود. مقصر یه سرویس به اسم redis بود و تنظیم enableServiceLinks، یه پیش‌فرض Kubernetes از دوران Docker که متغیرهای محیطی‌ای رو تزریق می‌کنه که هیچ‌وقت نخواسته بودی.

kubernetes devops debugging django
$ cat KUBERNETES .md
· 6 دقیقه مطالعه

کنترل‌پلین ایجنت‌ها: Omnigent روی Kubernetes

شرکت Databricks ابزار Omnigent رو متن‌باز کرد؛ یه متاهارنس که هر هارنس ایجنتی رو پشت یه API واحد، با سیاست‌ها، سشن‌ها و وضعیت مشترک قرار می‌ده. اگه قبلاً سرویس‌های وضعیت‌دار روی Kubernetes دیپلوی کرده باشی، راه میزبانی خودت ازش کوتاه‌تر از چیزیه که فکر می‌کنی.

kubernetes devops platform-engineering ai-agents
$ cat KUBERNETES .md
· 11 دقیقه مطالعه

اپراتورهای StackGres و Strimzi: درس‌های روز دوم از بازسازی واقعی یه پلتفرم

هر اپراتوری قول راه‌اندازی ساده‌تر می‌ده. سود واقعیش بعداً معلوم می‌شه، وقتی یه رپلیکا فایل کنترلش رو گم می‌کنه یا سه هفته به منقضی شدن یه سرتیفیکیت مونده. این‌جا می‌گم StackGres و Strimzi واقعاً چه چیزی رو توی اجرای PostgreSQL و Kafka روی Kubernetes عوض کردن.

kubernetes operators postgresql kafka devops platform-engineering
$ cat KUBERNETES .md
· 6 دقیقه مطالعه

دیپلوی Helm موفق بود. کانفیگ هیچ‌وقت اعمال نشد.

پایپ‌لاین CI سبز در حالی که گیت‌وی لایو ۴۰۴ برمی‌گردونه، شکست تست نیست. یه شکاف بی‌صدا توی ری‌لود شدنه. این‌جا الگوی چک‌سام بین‌ریلیزی رو می‌گم که این شکاف رو توی helmfile می‌بنده.

kubernetes helm helmfile devops platform-engineering
$ cat AI .md
· 12 دقیقه مطالعه

بلاگم حالا خودکار توی اینستاگرام پست می‌ذاره. این پایپ‌لاین ایجنتیِ پشتشه.

یه پایپ‌لاین ساختم که فید RSS بلاگم رو می‌خونه و بدون این‌که من دست به چیزی بزنم، کاروسل‌های آموزنده توی اینستاگرام پست می‌کنه. بخش جالبش خودکارسازی نیست. اینه که ایجنت‌ها چطور ساختنش و چی رو خراب کردن.

ai ai-agents automation python instagram
$ cat AI .md
· 6 دقیقه مطالعه

شرکت Anthropic سه روز بعد از عرضه خاموش شد. معنیش رو این‌جا می‌گم.

دولت هفتاد و دو ساعت بعد از عرضه‌ی Fable 5 و Mythos 5، به خاطر یه ادعای جیلبریک، سیمشون رو کشید. اگه روی API بسته‌ی مدل‌های هوش مصنوعی چیزی می‌سازی، این هفته باید نگرانت کرده باشه.

ai policy anthropic opinion platform-engineering
$ cat AI .md
· 9 دقیقه مطالعه

بیست‌وپنج مدل وزن‌باز در یه هفته. تحلیل از نگاه کسی که باهاشون کار می‌کنه.

هفته‌ی پیش بیشتر از ۲۵ مدل وزن‌باز، تو همه‌ی مدالیته‌ها، منتشر شد. این‌جا می‌گم هر کدوم چی کار می‌کنه، کدوم‌ها واقعاً قابل دیپلوی‌ان، و این هفته برای تیم‌های زیرساخت چه معنایی داره.

ai llm open-source machine-learning
$ cat DEVOPS .md
· 5 دقیقه مطالعه

شرکت GitLab داره هسته‌ی پلتفرمش رو برای دوره‌ی ایجنت‌ها از نو می‌سازه. زمانش هم درسته.

ابزارهای کدنویسی هوش مصنوعی فقط سریع‌تر کد نمی‌نویسن. خیلی بیشتر از آدم‌ها فعالیت Git، اجرای پایپ‌لاین و سربار کانتکست می‌سازن. اعلامیه‌های GitLab توی Transcend 2026 بالاخره سراغ همین مشکل رفته.

devops gitlab ai-agents platform-engineering ai
$ cat AIAGENTS .md
· 12 دقیقه مطالعه

اجرای Hermes Agent روی EKS: از docker-compose تا Helm

ایجنت هوش مصنوعی خودبهبودِ Nous Research، روی یه محیط EKS در حد پروداکشن. رجیستری خصوصی ECR، نقش‌های IRSA، کلیدهای API به‌شکل سکرت، و یه چارت Helm اختصاصی که از صفر ساختیمش.

ai-agents aws eks kubernetes llm helm devops
$ cat AI .md
· 7 دقیقه مطالعه

یه داشبورد فول‌استک Proxmox رو با وایب‌کدینگ ساختم. این چیزیه که واقعاً اهمیت داره

یه داشبورد فول‌استک Proxmox رو با وایب‌کدینگ و Claude Code ساختم: ۱۱ هزار خط، ۱۲۳ تست، ۱۴ کامیت. این‌جا می‌گم این تجربه درباره‌ی چیزی که توی مهندسی نرم‌افزار واقعاً مهمه چی یادم داد.

ai devops golang proxmox homelab
$ cat KUBERNETES .md
· 4 دقیقه مطالعه

فاینالایزرها در Kubernetes: چرا نیم‌اسپیس‌ها توی وضعیت Terminating گیر می‌کنن

می‌خوای یه نیم‌اسپیس رو توی Kubernetes پاک کنی و می‌بینی انگار تا ابد توی وضعیت Terminating گیر کرده؟ مقصر معمولاً فاینالایزرها هستن، یعنی فیلدهای خاصی توی متادیتا که تا کارهای پاک‌سازی تموم نشه، نمی‌ذارن ریسورس پاک بشه.

kubernetes devops debugging
$ cat KUBERNETES .md
· 2 دقیقه مطالعه

اپراتورهای Kubernetes و قدرت عملیات خودکار

اپراتورهای Kubernetes چطور کارهای عملیاتی پیچیده رو توی محیط‌های کانتینری خودکار می‌کنن و از پس چالش‌هایی برمیان که از مدیریت میکروسرویس‌ها در مقیاس بالا به وجود میاد.

kubernetes go devops operators
$ cat AI .md
· 2 دقیقه مطالعه

آینده‌ی هوش مصنوعی: محاسبات پردازنده‌ی گرافیکی و مهاجرت به WebGPU چطور زندگی روزمره‌مون رو شکل می‌دن

مهاجرت به WebGPU برای هوش مصنوعی و محاسبات GPU یه تغییر محوری تو نحوه‌ی تجربه‌ی ما از فناوری هوش مصنوعیه، و دسترسی به قابلیت‌های پیشرفته رو همگانی می‌کنه.

ai gpu webgpu
$ cat MLOPS .md
· 3 دقیقه مطالعه

تحولی در توسعه و دیپلوی هوش مصنوعی: مزیت‌های MLOps نسبت به روش‌های سنتی مبتنی بر کلاد

عملیات یادگیری ماشین (MLOps) چطور با روان‌تر کردن ساخت و دیپلوی مدل‌ها، توسعه‌ی هوش مصنوعی رو نسبت به روش‌های رایج مبتنی بر کلاد متحول می‌کنه.

mlops ai devops kubernetes