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

ai devops golang proxmox homelab

۱۴ کامیت، ۱۱ هزار خط، یه ایجنت هوش مصنوعی

چند هفته پیش PVE Pilot رو منتشر کردم: یه داشبورد فول‌استک برای مدیریت Proxmox VE، با بک‌اند Go/Gin، فرانت‌اند Next.js 16 و صف پیام NATS برای پروویژنینگ ناهمگام. ۱۲۳ تا تست داره. کل پروژه با «وایب‌کدینگ» و Claude Code، ایجنت خط فرمان Anthropic، ساخته شد.

می‌خوام دقیق بگم منظورم چیه، چون اصطلاح «وایب‌کدینگ» کلی بار اضافه با خودش داره. این‌طوری نبود که بنویسم «یه داشبورد Proxmox برام بساز» و بشینم معجزه رو تماشا کنم. کاری که واقعاً کردم طراحی معماری یه سیستم بود. زبان Go رو برای بک‌اند انتخاب کردم، چون تایپ‌دهی قوی، ابزارهای پایه‌ی عالی برای هم‌روندی و دیپلوی با یه باینری واحد می‌خواستم. صف NATS رو برای پردازش ناهمگام جاب‌ها انتخاب کردم، چون پروویژن کردن یه VM چند تا فراخوانی کند به API خود Proxmox داره که نباید یه هندلر HTTP رو بلاک کنن. یه اینترفیس proxmox.API با ۴۰ تا متد طراحی کردم تا همه‌ی هندلرها و ورکرها به یه انتزاع وابسته باشن، نه به یه کلاینت مشخص؛ این‌طوری کل سیستم با ماک‌ها قابل تست شد.

هوش مصنوعی تصویر معماری‌ای رو که توی ذهن من بود اجرا کرد. خودش اون تصویر رو نساخت.

وایب‌کدینگ واقعاً چه شکلیه

روند کار شبیه برنامه‌نویسی دونفره با یه برنامه‌نویس جونیور خیلی سریع ولی گاهی زیادی مطمئن بود. من چیزی رو که می‌خواستم در سطح بالا توضیح می‌دادم، و هوش مصنوعی یه پیش‌نویس اولیه‌ی کارکن روی کل استک تحویل می‌داد. جریان بکاپ رو توی سه جمله توضیح دادم («Proxmox از vzdump با حالت snapshot و فشرده‌سازی zstd استفاده می‌کنه، بکاپ‌ها می‌رن روی استوریج NFS، گزینه‌ی فوری و زمان‌بندی‌شده لازم دارم») و چهل دقیقه بعد یه رابط کاربری کارکن داشتم که پیشرفت کار رو لحظه‌به‌لحظه با SSE نشون می‌داد. هندلر Go، فراخوانی‌های API خود Proxmox، کامپوننت‌های React، همه‌ش.

این گستردگی همون جاییه که هوش مصنوعی واقعاً می‌درخشه. توی یه گفت‌وگو بین Go، TypeScript، Docker Compose و اسکریپت‌های شل جابه‌جا می‌شه، بدون هیچ‌کدوم از اون بار ذهنی که معمولاً با توسعه‌ی چندزبانه همراهه. کدهای تکراری و سیم‌کشی بین بخش‌ها به‌طرز چشمگیری سریع سر هم شدن. و وقتی الگوی مبتنی بر اینترفیس رو با proxmox.API جا انداختم، هوش مصنوعی ۹۳ تست Go و ۳۰ تست فرانت‌اند نوشت، با ماک‌های مناسب و تست‌کیس‌های جدول‌محور. الگو اون‌قدر روشن بود که تونست با ثبات تکرارش کنه.

ولی قصه از این‌جا جالب‌تر می‌شه.

جاهایی که فهم عمیق پروژه رو نجات داد

مشکل UPID

عملیات clone و start توی Proxmox به‌صورت همگام تموم نمی‌شن. به‌جاش یه UPID برمی‌گردونن (شناسه‌ی یکتای پردازه برای تسک‌های پس‌زمینه). اولین پیاده‌سازی هوش مصنوعی سعی می‌کرد موفقیت clone رو با چک کردن وجود VM مقصد بسنجه. این روش کار می‌کرد… بیشتر وقت‌ها. جز وقت‌هایی که کار نمی‌کرد، چون کپی دیسک هنوز در جریان بود و VM قفل بود. ریس کاندیشن‌های بی‌صدا، بدترین نوعش.

سه دور طول کشید تا درست بشه. نه چون هوش مصنوعی نمی‌تونست کد پولینگ رو بنویسه، بلکه چون من باید می‌فهمیدم چرا clone گاه‌وبیگاه شکست می‌خورد. دیسک هنوز داشت کپی می‌شد. VM در وضعیت قفل بود. روی VM قفل‌شده نمی‌شه cloud-init رو تنظیم کرد. وقتی علت اصلی رو فهمیدم، راه‌حل سرراست بود: با WaitForTask(upid) اندپوینت وضعیت تسک رو اون‌قدر چک کن تا تموم بشه. هوش مصنوعی پیاده‌سازیش رو چند دقیقه‌ای نوشت. ولی تشخیصش نیاز داشت بفهمی Proxmox واقعاً زیر پوستش چطور کار می‌کنه.

تفاوت LXC و QEMU: دو دنیای از اساس متفاوت

از نظر معماری، این یکی از همه مهم‌تر بود. هوش مصنوعی مدام سعی می‌کرد الگوهای VM رو روی کانتینرهای LXC پیاده کنه، و مدام خراب می‌شد. کانتینرهای LXC سرویس guest agent ندارن. اندپوینت /config بعد از ساخت، password یا ssh-public-keys رو قبول نمی‌کنه؛ فقط موقع POST /lxc اولیه. ریستور از اسم‌های پارامتر متفاوتی استفاده می‌کنه (ostemplate همراه با restore=1 به‌جای archive). فیلتر استوریج به‌جای images از rootdir استفاده می‌کنه.

هیچ مقدار تلاش دوباره‌ای این رو درست نمی‌کرد. باید یه مسیر کد کاملاً جدا طراحی می‌کردم: SSH از بک‌اند به هاست Proxmox، و بعد pct exec برای اجرای دستور داخل کانتینر. یعنی اضافه کردن یه کلاینت SSH (golang.org/x/crypto/ssh)، متغیرهای محیطی جدید، مانت کردن والیوم Docker برای کلید خصوصی، و انکود base64 برای اسکریپت‌ها تا دردسرهای اسکیپ کردن کاراکترها توی شل پیش نیاد.

وقتی رویکرد رو طراحی کردم، هوش مصنوعی همه‌ی اون کد رو نوشت. ولی خود رویکرد از این‌جا اومد که معماری Proxmox رو اون‌قدر عمیق می‌شناختم که بدونم LXC و QEMU دو فناوری مجازی‌سازی از اساس متفاوتن، با API مدیریتی از اساس متفاوت.

تله‌ی guest agent

اندپوینت /agent/exec مربوط به guest agent توی Proxmox یه بدنه‌ی JSON می‌خواد، با command: "bash" و input-data به‌عنوان stdin. هوش مصنوعی درخواست‌ها رو با انکودینگ فرم می‌فرستاد. Proxmox کد وضعیت ۵۹۶ رو با پیام «Broken pipe» برگردوند. همین. نه پیام خطای به‌دردبخوری، نه هیچ اشاره‌ای به نوع محتوا.

هوش مصنوعی حدس می‌زد. انکودینگ‌های مختلف، پارامترهای مختلف و اندپوینت‌های مختلف رو امتحان کرد. من با شناختن الگو تشخیصش دادم: «Broken pipe» روی یه POST معمولاً یعنی سرور قبل از این‌که بدنه رو کامل بخونه ردش کرده، و این داد می‌زنه که نوع محتوا جور نیست. عوض کردنش به JSON با اسم فیلدهای درست، فوراً مشکل رو حل کرد.

همین ماجرا رو با انکود کردن کلید SSH هم دیدم. خود Proxmox برای فاصله %20 می‌خواد، نه +، و url.QueryEscape توی Go خروجی + می‌ده. هوش مصنوعی سه تا رویکرد رو امتحان کرد؛ من فرق RFC 3986 با انکودینگ فرم HTML رو می‌دونستم و راه‌حل رو یک‌باره تجویز کردم. وقتی مسئله اینه که «دو تا استاندارد معتبر هست و این API اونی رو انتخاب کرده که کمتر رایجه»، فهمیدن استانداردها همیشه از آزمون و خطای کورکورانه جلو می‌زنه.

وقتی هیچ مستنداتی وجود نداره

بعضی مشکل‌ها رو هوش مصنوعی اصلاً نمی‌تونه حل کنه. موقع راه‌اندازی پشتیبانی از IP ثابت، ماشین‌های مجازی با آدرس IP بیرون از بازه‌ی DHCP به اینترنت نمی‌رسیدن. هوش مصنوعی کانفیگ‌های مختلف cloud-init، تنظیمات مختلف گیت‌وی و ساب‌نت‌ماسک‌های مختلف رو امتحان کرد. هیچ‌کدوم جواب نداد، چون هیچ ایرادی توی کانفیگ نبود. روتر خونگی من آدرس‌هایی رو که خودش با DHCP نداده، اصلاً NAT نمی‌کنه. این رو فقط با اجرای سخت‌افزار واقعی روی یه شبکه‌ی واقعی کشف می‌کنی. راه‌حل این بود که آدرس‌های IP ثابت رو داخل بازه‌ی DHCP ولی بیرون از استخر پویا بدیم؛ چیزی که هیچ مستنداتی بهش اشاره نمی‌کنه، چون روترهای سازمانی این محدودیت رو ندارن.

این الگو مدام تکرار می‌شد. کانتینرهای LXC با Debian 12 یه مشکل ssh.socket در برابر ssh.service دارن که توش SSH «در حال اجرا» نشون داده می‌شه ولی اتصال قبول نمی‌کنه. محیط ایزوله‌ی Grafana توی کانتینرهای LXC غیرممتاز بی‌صدا شکست می‌خوره. این‌ها باگ‌های هوش مصنوعی نیستن. از جنس دانشی‌ان که از اداره کردن زیرساخت میاد، نه از خوندن درباره‌اش.

چیزی که الان واقعاً کمیابه

این همون ادعاییه که مدام بهش برمی‌گردم: نوشتن کد داره به یه کالای معمولی تبدیل می‌شه. هوش مصنوعی می‌تونه کدی که از نظر نحوی درست، خوش‌ساختار و مطابق عرف زبانه، سریع‌تر از هر آدمی تولید کنه. ولی کد همیشه بخش آسون بود. بخش‌های سخت همیشه اون‌هایی بودن که دور کد هستن، و اون‌ها ذره‌ای آسون‌تر نشدن.

تفکر سیستمی. دیباگ کردن فراتر از پیام خطا. دانش دامنه که از اجرای زیرساخت واقعی میاد. قضاوت معماری درباره‌ی این‌که کدوم انتزاع‌ها ارزش سرمایه‌گذاری دارن و کدوم‌ها نشت‌دارن. هر قصه‌ی این پست نمونه‌ی یکی از این‌هاست، و توی همه‌شون هوش مصنوعی گیر کرده بود، تا وقتی که من فهمی رو آوردم که خودش نمی‌تونست تولیدش کنه.

مبانی علوم کامپیوتر (هم‌روندی، شبکه، طراحی سیستم، الگوهای طراحی API) با هوش مصنوعی منسوخ نمی‌شن. دارن تبدیل می‌شن به وجه تمایز بین کسی که می‌تونه به هوش مصنوعی پرامپت بده و کسی که واقعاً می‌تونه نرم‌افزاری که کار می‌کنه تحویل بده.

امتحانش کن، خرابش کن، بهترش کن

پروژه‌ی PVE Pilot متن‌بازه و توی github.com/ashkmb/pve-pilot در دسترسه. اگه با Proxmox هوم‌لب داری، یه دور امتحانش کن. پروویژن کردن VM و کانتینر با نمایش لحظه‌ای پیشرفت، بکاپ و ریستور (فوری یا زمان‌بندی‌شده)، ارتقای عمودی منابع، مدیریت دیسک، و شبکه‌ی ثابت یا DHCP رو پوشش می‌ده، همه از طریق یه رابط کاربری تمیز با تم تیره.

کدبیس خوب تست شده (۱۲۳ تست روی بک‌اند و فرانت‌اند) و معماریش عمداً تمیز نگه داشته شده. اگه می‌خوای مشارکت کنی، CONTRIBUTING.md رو ببین. پول‌ریکوئست‌ها خوش‌اومدن، چه تخصص عمیق Proxmox داشته باشی، چه دستت توی Go یا Next.js قوی باشه، چه دنبال یه پروژه‌ی واقعی باشی که روش روند وایب‌کدینگ خودت رو تمرین کنی.

اگه باگی پیدا کردی یا قابلیتی می‌خوای، یه ایشو باز کن. متن‌باز همین‌طوری کار می‌کنه. کامیت به کامیت، که هر کدوم اون چیز رو یه کم بهتر از قبل می‌کنه. با هوش مصنوعی یا بدون اون.

$ 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 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
$ 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