🔵 عنوان مقاله
Deep Dive into Kubernetes Secrets Store CSI Driver
🟢 خلاصه مقاله:
در دنیای مدرن فناوری، مدیریت امن اطلاعات حساس یکی از چالش‌های اصلی تیم‌های توسعه و عملیات است. کنترلی مؤثر بر اسرار، مانند کلیدهای رمزنگاری، توکن‌های دسترسی و اطلاعات حساس دیگر، نقش حیاتی در حفاظت داده‌ها و تضمین امنیت سیستم‌ها ایفا می‌کند. یکی از راه‌حل‌های نوین و مقیاس‌پذیر در این زمینه، استفاده از درایور CSI (Container Storage Interface) مخصوص «گنجینه‌های اسرار» در Kubernetes است. این درایور به کاربران اجازه می‌دهد تا به‌راحتی اسرار حساس خود را در محیط‌های کانتینرهای مقیاس‌پذیر مدیریت و به صورت امن در برنامه‌هایشان استفاده کنند.
در این مقاله، به بررسی عمیق درایور Secrets Store CSI در Kubernetes می‌پردازیم. ابتدا مفاهیم پایه‌ای و اهمیت امنیت در مدیریت اسرار را مرور می‌کنیم، سپس ساختار و نحوه عملکرد این درایور را بررسی می‌نماییم. با مثال‌های عملی و نکات فنی، نحوه راه‌اندازی و استفاده از این فناوری در پروژه‌های مختلف را توضیح خواهیم داد. هدف نهایی این است که خوانندگان بتوانند با اطمینان بیشتر، اسرار حساس خود را در محیط‌های ابر و کلاود، با امنیت بالا، مدیریت کنند و بهره‌وری سیستم‌هایشان را افزایش دهند. در ادامه، نگاهی دقیق‌تر به اهمیت این فناوری و مزایای آن خواهیم داشت.
#کوبیرنتیس #مدیریت_امنیت #SecretsStore #CSI
🟣لینک مقاله:
https://ku.bz/m70bP2hJs
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Deep Dive into Kubernetes Secrets Store CSI Driver
🟢 خلاصه مقاله:
در دنیای مدرن فناوری، مدیریت امن اطلاعات حساس یکی از چالش‌های اصلی تیم‌های توسعه و عملیات است. کنترلی مؤثر بر اسرار، مانند کلیدهای رمزنگاری، توکن‌های دسترسی و اطلاعات حساس دیگر، نقش حیاتی در حفاظت داده‌ها و تضمین امنیت سیستم‌ها ایفا می‌کند. یکی از راه‌حل‌های نوین و مقیاس‌پذیر در این زمینه، استفاده از درایور CSI (Container Storage Interface) مخصوص «گنجینه‌های اسرار» در Kubernetes است. این درایور به کاربران اجازه می‌دهد تا به‌راحتی اسرار حساس خود را در محیط‌های کانتینرهای مقیاس‌پذیر مدیریت و به صورت امن در برنامه‌هایشان استفاده کنند.
در این مقاله، به بررسی عمیق درایور Secrets Store CSI در Kubernetes می‌پردازیم. ابتدا مفاهیم پایه‌ای و اهمیت امنیت در مدیریت اسرار را مرور می‌کنیم، سپس ساختار و نحوه عملکرد این درایور را بررسی می‌نماییم. با مثال‌های عملی و نکات فنی، نحوه راه‌اندازی و استفاده از این فناوری در پروژه‌های مختلف را توضیح خواهیم داد. هدف نهایی این است که خوانندگان بتوانند با اطمینان بیشتر، اسرار حساس خود را در محیط‌های ابر و کلاود، با امنیت بالا، مدیریت کنند و بهره‌وری سیستم‌هایشان را افزایش دهند. در ادامه، نگاهی دقیق‌تر به اهمیت این فناوری و مزایای آن خواهیم داشت.
#کوبیرنتیس #مدیریت_امنیت #SecretsStore #CSI
🟣لینک مقاله:
https://ku.bz/m70bP2hJs
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Deep Dive into Kubernetes Secrets Store CSI Driver
Following the Journey of a Secret from an External Secret Store to Your Pod
🔵 عنوان مقاله
Openresearch (GitHub Repo)
🟢 خلاصه مقاله:
در دنیای امروز، کارهای پژوهشی و تحقیقاتی نیازمند بهره‌گیری از ابزارهای هوشمند و قدرتمند است تا فرآیندها سریع‌تر و دقیق‌تر انجام شوند. OpenResearch یک بستر مبتنی بر رویکرد «محلی بودن» است که به طور خاص برای تبدیل عامل‌های برنامه‌نویسی مانند Claude Code و Cursor به عوامل تحقیقاتی طراحی شده است. این پلتفرم قادر است به طور خودکار، ایده‌های جدیدی پیشنهاد دهد، کدها را تغییر دهد، آزمایش‌ها را راه‌اندازی کند و شواهد و مدارک را تحلیل کند، و این کارها را بدون نیاز به دخالت مستقیم کاربران انجام دهد.
این سیستم انعطاف‌پذیر، امکان اجرای ورک‌اسپیس‌ها را به صورت محلی یا از راه دور، از طریق SSH و روی بسترهای مختلف مانند Kubernetes و Hugging Face Jobs فراهم می‌کند. به این ترتیب، محققان و توسعه‌دهندگان می‌توانند از این پلتفرم در محیط‌های متنوع بهره‌مند شده و بررسی‌های علمی و پروژه‌های تحقیقی خود را با سهولت و کارایی بالا انجام دهند.
در نتیجه، OpenResearch با ترکیب فناوری‌های هوشمند و امکانات چندسکویی، روشی نوین برای بهبود فرآیند تحقیق و توسعه ارائه می‌دهد و می‌تواند نقش مهمی در پیشبرد پروژه‌های علمی و فناوری‌محور ایفا کند.
#پژوهش #هوشمندسازی #توسعه_پایدار #تحقیق
🟣لینک مقاله:
https://github.com/alphaXiv/OpenResearch?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Openresearch (GitHub Repo)
🟢 خلاصه مقاله:
در دنیای امروز، کارهای پژوهشی و تحقیقاتی نیازمند بهره‌گیری از ابزارهای هوشمند و قدرتمند است تا فرآیندها سریع‌تر و دقیق‌تر انجام شوند. OpenResearch یک بستر مبتنی بر رویکرد «محلی بودن» است که به طور خاص برای تبدیل عامل‌های برنامه‌نویسی مانند Claude Code و Cursor به عوامل تحقیقاتی طراحی شده است. این پلتفرم قادر است به طور خودکار، ایده‌های جدیدی پیشنهاد دهد، کدها را تغییر دهد، آزمایش‌ها را راه‌اندازی کند و شواهد و مدارک را تحلیل کند، و این کارها را بدون نیاز به دخالت مستقیم کاربران انجام دهد.
این سیستم انعطاف‌پذیر، امکان اجرای ورک‌اسپیس‌ها را به صورت محلی یا از راه دور، از طریق SSH و روی بسترهای مختلف مانند Kubernetes و Hugging Face Jobs فراهم می‌کند. به این ترتیب، محققان و توسعه‌دهندگان می‌توانند از این پلتفرم در محیط‌های متنوع بهره‌مند شده و بررسی‌های علمی و پروژه‌های تحقیقی خود را با سهولت و کارایی بالا انجام دهند.
در نتیجه، OpenResearch با ترکیب فناوری‌های هوشمند و امکانات چندسکویی، روشی نوین برای بهبود فرآیند تحقیق و توسعه ارائه می‌دهد و می‌تواند نقش مهمی در پیشبرد پروژه‌های علمی و فناوری‌محور ایفا کند.
#پژوهش #هوشمندسازی #توسعه_پایدار #تحقیق
🟣لینک مقاله:
https://github.com/alphaXiv/OpenResearch?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - alphaXiv/OpenResearch: Turn your coding agents into research agents
Turn your coding agents into research agents. Contribute to alphaXiv/OpenResearch development by creating an account on GitHub.
🔵 عنوان مقاله
From traces to experiments: A loop for improving AI agents (9 minute read)
🟢 خلاصه مقاله:
در فرآیند بهبود عملکرد عوامل هوشمند، لازم است از یک چرخه مداوم و منظم بهره گرفته شود که شامل مرحله‌های مختلفی است. ابتدا، تحلیل دقیق ردپای عملکرد عامل، یعنی بررسی گزارش‌ها و داده‌هایی که نشان‌دهنده نحوه عملکرد سیستم در شرایط مختلف است، انجام می‌شود. سپس بر اساس این داده‌ها، فرضیه‌هایی درباره نقاط ضعف یا فرصت‌های بهبود شکل می‌گیرد. این فرضیه‌ها همراه با ارزیابی‌های پیش‌زمینه‌ی آفلاین مورد بررسی قرار می‌گیرند تا صحت و منطقی بودن آن‌ها بررسی شود.
در مرحله بعد، آزمایش‌های کنترل شده روی نمونه‌های مختلف و دشوار انجام می‌شود تا تأثیر تغییرات و خلاقیت‌های جدید در محیط واقعی ارزیابی گردد. این آزمایش‌ها به تیم کمک می‌کنند تا نقاط ضعف را شناسایی و در صورت نیاز، استراتژی‌های خود را اصلاح کنند. پس از پیاده‌سازی، نظارت مستمر بر عملکرد عامل پس از استقرار و اجرای سیستم جدید ادامه پیدا می‌کند، تا از عملکرد پایدار و بهبود مستمر اطمینان حاصل شود.
اتصال بخش‌های مختلف نظارت، ارزیابی و آزمایش‌ها اهمیت زیادی دارد. این ارتباط بین مشاهده‌پذیری و فرآیندهای ارزیابی، به تیم‌ها کمک می‌کند تا مشکلات خاصی را به سرعت شناسایی، نمونه‌های چالش‌برانگیز را برای بررسی‌های دقیق‌تر انتخاب و بهبودهای لازم را اعمال کنند. همچنین، این روند برای اصلاح و به‌روزرسانی مداوم مجموعه داده‌ها و معیارهای ارزیابی بسیار موثر است، و در نتیجه، سیستم‌های هوش مصنوعی را به سمت کارایی بالاتر و خطای کمتری هدایت می‌کند.
#هوش_مصنوعی #بهبود_مداوم #تستیابی #تحلیل_داده
🟣لینک مقاله:
https://www.datadoghq.com/blog/from-traces-to-experiments-a-loop-for-improving-ai-agents/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
From traces to experiments: A loop for improving AI agents (9 minute read)
🟢 خلاصه مقاله:
در فرآیند بهبود عملکرد عوامل هوشمند، لازم است از یک چرخه مداوم و منظم بهره گرفته شود که شامل مرحله‌های مختلفی است. ابتدا، تحلیل دقیق ردپای عملکرد عامل، یعنی بررسی گزارش‌ها و داده‌هایی که نشان‌دهنده نحوه عملکرد سیستم در شرایط مختلف است، انجام می‌شود. سپس بر اساس این داده‌ها، فرضیه‌هایی درباره نقاط ضعف یا فرصت‌های بهبود شکل می‌گیرد. این فرضیه‌ها همراه با ارزیابی‌های پیش‌زمینه‌ی آفلاین مورد بررسی قرار می‌گیرند تا صحت و منطقی بودن آن‌ها بررسی شود.
در مرحله بعد، آزمایش‌های کنترل شده روی نمونه‌های مختلف و دشوار انجام می‌شود تا تأثیر تغییرات و خلاقیت‌های جدید در محیط واقعی ارزیابی گردد. این آزمایش‌ها به تیم کمک می‌کنند تا نقاط ضعف را شناسایی و در صورت نیاز، استراتژی‌های خود را اصلاح کنند. پس از پیاده‌سازی، نظارت مستمر بر عملکرد عامل پس از استقرار و اجرای سیستم جدید ادامه پیدا می‌کند، تا از عملکرد پایدار و بهبود مستمر اطمینان حاصل شود.
اتصال بخش‌های مختلف نظارت، ارزیابی و آزمایش‌ها اهمیت زیادی دارد. این ارتباط بین مشاهده‌پذیری و فرآیندهای ارزیابی، به تیم‌ها کمک می‌کند تا مشکلات خاصی را به سرعت شناسایی، نمونه‌های چالش‌برانگیز را برای بررسی‌های دقیق‌تر انتخاب و بهبودهای لازم را اعمال کنند. همچنین، این روند برای اصلاح و به‌روزرسانی مداوم مجموعه داده‌ها و معیارهای ارزیابی بسیار موثر است، و در نتیجه، سیستم‌های هوش مصنوعی را به سمت کارایی بالاتر و خطای کمتری هدایت می‌کند.
#هوش_مصنوعی #بهبود_مداوم #تستیابی #تحلیل_داده
🟣لینک مقاله:
https://www.datadoghq.com/blog/from-traces-to-experiments-a-loop-for-improving-ai-agents/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Datadog
From traces to experiments: A loop for improving AI agents | Datadog
Learn how to read AI agent traces as a roadmap and how to run production experiments that measure whether improvements hold in production.
🔵 عنوان مقاله
Kafka without ZooKeeper: My Strimzi HA Playbook on Kubernetes
🟢 خلاصه مقاله:
در محیط‌های محاسباتی امروزی، راه‌اندازی و مدیریت سامانه‌های مقیاس‌پذیر و پایدار بسیار اهمیت دارد. یکی از فناوری‌های محبوب در این زمینه، Kafka است که برای پردازش و انتقال داده‌های بزرگ و بلادرنگ استفاده می‌شود. اما نکته مهم این است که Kafkaهای مدرن در نسخه‌های جدید، دیگر نیازمند ZooKeeper نیستند و قابلیت مدیریت مستقلی دارند. این تحولی بزرگ در معماری Kafka است که باعث می‌شود مدیریت سیستم ساده‌تر و کارآمدتر شود.
در مقاله حاضر، به بررسی نحوه راه‌اندازی Kafka بدون نیاز به ZooKeeper روی بستر Kubernetes می‌پردازم و استراتژی‌های HA (پایداری بالا) در این محیط را بررسی می‌کنم. تمرکز بر روی Playbook عملی و تجربی است تا اطمینان حاصل شود که سامانه‌های Kafka می‌توانند در صورت بروز هرگونه خطا، بدون از دست رفتن داده یا رفع دسترسی، به فعالیت خود ادامه دهند.
در این مقاله، به تمامی مراحل پیاده‌سازی، تنظیمات مورد نیاز و نکات حیاتی برای تضمین پایداری و مقیاس‌پذیری سیستم‌های Kafka صفر ZooKeeper خواهیم پرداخت. هدف نهایی، ارائه راهکاری است که بتواند در محیط‌های Kubernetes، عملکرد و اطمینان بالا را همزمان فراهم کند.
با مطالعه این راهنما، مدیران سیستم و توسعه‌دهندگان قادر خواهند بود بدون نیاز به ZooKeeper، Kafkaهای مقیاس‌پذیر و مقاوم در برابر خطا راه‌اندازی و مدیریت کنند، و از مزایای Containerization بهره‌مند شوند.
#Kafka #Kubernetes #پایداری_بالا #مدیریت_سامانه
🟣لینک مقاله:
https://ku.bz/Jmj90fchK
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Kafka without ZooKeeper: My Strimzi HA Playbook on Kubernetes
🟢 خلاصه مقاله:
در محیط‌های محاسباتی امروزی، راه‌اندازی و مدیریت سامانه‌های مقیاس‌پذیر و پایدار بسیار اهمیت دارد. یکی از فناوری‌های محبوب در این زمینه، Kafka است که برای پردازش و انتقال داده‌های بزرگ و بلادرنگ استفاده می‌شود. اما نکته مهم این است که Kafkaهای مدرن در نسخه‌های جدید، دیگر نیازمند ZooKeeper نیستند و قابلیت مدیریت مستقلی دارند. این تحولی بزرگ در معماری Kafka است که باعث می‌شود مدیریت سیستم ساده‌تر و کارآمدتر شود.
در مقاله حاضر، به بررسی نحوه راه‌اندازی Kafka بدون نیاز به ZooKeeper روی بستر Kubernetes می‌پردازم و استراتژی‌های HA (پایداری بالا) در این محیط را بررسی می‌کنم. تمرکز بر روی Playbook عملی و تجربی است تا اطمینان حاصل شود که سامانه‌های Kafka می‌توانند در صورت بروز هرگونه خطا، بدون از دست رفتن داده یا رفع دسترسی، به فعالیت خود ادامه دهند.
در این مقاله، به تمامی مراحل پیاده‌سازی، تنظیمات مورد نیاز و نکات حیاتی برای تضمین پایداری و مقیاس‌پذیری سیستم‌های Kafka صفر ZooKeeper خواهیم پرداخت. هدف نهایی، ارائه راهکاری است که بتواند در محیط‌های Kubernetes، عملکرد و اطمینان بالا را همزمان فراهم کند.
با مطالعه این راهنما، مدیران سیستم و توسعه‌دهندگان قادر خواهند بود بدون نیاز به ZooKeeper، Kafkaهای مقیاس‌پذیر و مقاوم در برابر خطا راه‌اندازی و مدیریت کنند، و از مزایای Containerization بهره‌مند شوند.
#Kafka #Kubernetes #پایداری_بالا #مدیریت_سامانه
🟣لینک مقاله:
https://ku.bz/Jmj90fchK
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
DEV Community
Kafka without ZooKeeper: My Strimzi HA Playbook on K8s
Running Strimzi Kafka 4.1 in production on Kubernetes: KRaft, multi-zone HA, Cruise Control rebalancing, and the JVM and scheduling details that matter.
🔵 عنوان مقاله
Bun Rewrites 535K Lines of Zig into Rust in Four Months, Eliminates Numerous Memory Leaks (3 minute read)
🟢 خلاصه مقاله:
در مدت چهار ماه، خالق پروژه Bun توانست کد منبع Zig شامل ۵۳۵٬۰۰۰ خط را به زبان Rust بازنویسی کند. این فرآیند با بهره‌گیری از فناوری هوش مصنوعی و استفاده از عامل‌های اختصاص یافته به وظایف مختلف مانند پیاده‌سازی کد، بررسی و اصلاح، انجام شد. سرمایه‌گذاری در این پروژه در مجموع حدود ۱۶۵ هزار دلار در قالب توکن‌های هوشمند بود. این تغییرات نه‌تنها موجب بهبود عملکرد و افزایش پایداری نرم‌افزار شد، بلکه بسیاری از نشت‌های حافظه که در نسخه قبلی مشاهده می‌شد، برطرف شدند.
بازنویسی چنین حجم عظیمی از کد و انتقال آن به زبان Rust نشان‌دهنده قدرت و انعطاف‌پذیری فناوری‌های مدرن است که امکان بهینه‌سازی و پایداری بیشتر برنامه‌ها را فراهم می‌آورند. به کمک ابزارهای هوشمند، فرآیند توسعه سریع‌تر و کارآمدتر شده و این پروژه نمونه‌ای است برای نشان دادن چگونگی بهره‌گیری از هوش مصنوعی در پروژه‌های نرم‌افزاری بزرگ و پیچیده.
#برنامه_نویسی #هوش_مصنوعی #بازنویسی_کد #پایداری
🟣لینک مقاله:
https://www.infoq.com/news/2026/09/bun-AI-rewrite-zig-rust-4-months/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Bun Rewrites 535K Lines of Zig into Rust in Four Months, Eliminates Numerous Memory Leaks (3 minute read)
🟢 خلاصه مقاله:
در مدت چهار ماه، خالق پروژه Bun توانست کد منبع Zig شامل ۵۳۵٬۰۰۰ خط را به زبان Rust بازنویسی کند. این فرآیند با بهره‌گیری از فناوری هوش مصنوعی و استفاده از عامل‌های اختصاص یافته به وظایف مختلف مانند پیاده‌سازی کد، بررسی و اصلاح، انجام شد. سرمایه‌گذاری در این پروژه در مجموع حدود ۱۶۵ هزار دلار در قالب توکن‌های هوشمند بود. این تغییرات نه‌تنها موجب بهبود عملکرد و افزایش پایداری نرم‌افزار شد، بلکه بسیاری از نشت‌های حافظه که در نسخه قبلی مشاهده می‌شد، برطرف شدند.
بازنویسی چنین حجم عظیمی از کد و انتقال آن به زبان Rust نشان‌دهنده قدرت و انعطاف‌پذیری فناوری‌های مدرن است که امکان بهینه‌سازی و پایداری بیشتر برنامه‌ها را فراهم می‌آورند. به کمک ابزارهای هوشمند، فرآیند توسعه سریع‌تر و کارآمدتر شده و این پروژه نمونه‌ای است برای نشان دادن چگونگی بهره‌گیری از هوش مصنوعی در پروژه‌های نرم‌افزاری بزرگ و پیچیده.
#برنامه_نویسی #هوش_مصنوعی #بازنویسی_کد #پایداری
🟣لینک مقاله:
https://www.infoq.com/news/2026/09/bun-AI-rewrite-zig-rust-4-months/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
InfoQ
Bun Rewrites 535K Lines of Zig into Rust in Four Months, Eliminates Numerous Memory Leaks
Bun creator Jarred Sumner recently announced that Bun, the JavaScript/TypeScript runtime, bundler and package manager has been rewritten from Zig to Rust. The rewrite seeks to eliminate recurrent memory safety vulnerabilities via Rust’s borrow checker. The…
🔵 عنوان مقاله
Workload-Aware Scheduling in Kubernetes 1.37
🟢 خلاصه مقاله:
در نسخه ۱.۳۷ کوبرنتیز، قابلیت‌های جدید بسیار مهمی ارائه شده است که مدیریت بار کاری در این پلتفرم را به سطحی بالاتر می‌برد. یکی از این امکانات، بهبود در ارائه APIهای مشترک برای کنترل‌کننده‌ها است که به توسعه‌دهندگان امکان می‌دهد فرآیندهای مدیریتی را ساده‌تر و یکپارچه‌تر انجام دهند. این APIهای مشترک نه تنها باعث صرفه‌جویی در زمان توسعه می‌شوند، بلکه امکان پیاده‌سازی استراتژی‌های پیشرفته‌تر در حوزه زمان‌بندی و تخصیص منابع را فراهم می‌آورد.
علاوه بر این، نسخه ۱.۳۷ یک کتابخانه نمونه در زبان Go را معرفی کرده است که مخصوص زمان‌بندی‌های آگاه به بار کاری است. این کتابخانه، ابزارهای قدرتمندی برای پیاده‌سازی سیاست‌های پیچیده مانند زمان‌بندی گروهی یا همان "gang scheduling" و دسته‌بندی‌های مختلف کارها در یک گروه واحد را در اختیار توسعه‌دهندگان قرار می‌دهد. این امکانات، به مدیران سیستم و توسعه‌دهندگان کمک می‌کنند تا برنامه‌های کاری را بهتر کنترل و مدیریت کنند، به گونه‌ای که از تداخل و کاهش کارایی جلوگیری شود و منابع به صورت بهینه‌تر بین وظایف تقسیم گردد.
در کل، این بروزرسانی‌های جدید در کوبرنتیز ۱.۳۷، راه را برای پیاده‌سازی استراتژی‌های زمان‌بندی هوشمند و متناسب با نیازهای متنوع کسب‌وکارها هموار می‌سازد و نقش موثری در افزایش بهره‌وری و کارایی زیرساخت‌های ابری ایفا می‌کند.
#کوبرنتیز #زمان‌بندی_هوشمند #مدیریت_منابع #توسعه_پلتفرم
🟣لینک مقاله:
https://ku.bz/t7qQCk1Hz
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Workload-Aware Scheduling in Kubernetes 1.37
🟢 خلاصه مقاله:
در نسخه ۱.۳۷ کوبرنتیز، قابلیت‌های جدید بسیار مهمی ارائه شده است که مدیریت بار کاری در این پلتفرم را به سطحی بالاتر می‌برد. یکی از این امکانات، بهبود در ارائه APIهای مشترک برای کنترل‌کننده‌ها است که به توسعه‌دهندگان امکان می‌دهد فرآیندهای مدیریتی را ساده‌تر و یکپارچه‌تر انجام دهند. این APIهای مشترک نه تنها باعث صرفه‌جویی در زمان توسعه می‌شوند، بلکه امکان پیاده‌سازی استراتژی‌های پیشرفته‌تر در حوزه زمان‌بندی و تخصیص منابع را فراهم می‌آورد.
علاوه بر این، نسخه ۱.۳۷ یک کتابخانه نمونه در زبان Go را معرفی کرده است که مخصوص زمان‌بندی‌های آگاه به بار کاری است. این کتابخانه، ابزارهای قدرتمندی برای پیاده‌سازی سیاست‌های پیچیده مانند زمان‌بندی گروهی یا همان "gang scheduling" و دسته‌بندی‌های مختلف کارها در یک گروه واحد را در اختیار توسعه‌دهندگان قرار می‌دهد. این امکانات، به مدیران سیستم و توسعه‌دهندگان کمک می‌کنند تا برنامه‌های کاری را بهتر کنترل و مدیریت کنند، به گونه‌ای که از تداخل و کاهش کارایی جلوگیری شود و منابع به صورت بهینه‌تر بین وظایف تقسیم گردد.
در کل، این بروزرسانی‌های جدید در کوبرنتیز ۱.۳۷، راه را برای پیاده‌سازی استراتژی‌های زمان‌بندی هوشمند و متناسب با نیازهای متنوع کسب‌وکارها هموار می‌سازد و نقش موثری در افزایش بهره‌وری و کارایی زیرساخت‌های ابری ایفا می‌کند.
#کوبرنتیز #زمان‌بندی_هوشمند #مدیریت_منابع #توسعه_پلتفرم
🟣لینک مقاله:
https://ku.bz/t7qQCk1Hz
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Substack
Workload-Aware Scheduling in Kubernetes 1.37
Building Blocks, the workloadbuilder Library, and Controller Integration
🔵 عنوان مقاله
See, Govern, and Control Database Change in One Place (Sponsor)
🟢 خلاصه مقاله:
در دنیای امروز، مدیریت و نظارت بر تغییرات در پایگاه‌های داده از اهمیت بالایی برخوردار است. با افزایش حجم و پیچیدگی پروژه‌ها، نیاز به ابزاری وجود دارد که عملیات تغییرات پایگاه داده را متمرکز و قابل کنترل کند. راه‌حل این نیاز، نسخه جدید Liquibase Secure 6.0 است که به تیم‌های DevOps و تیم‌های فنی این امکان را می‌دهد تا در یک نقطه، دید جامع، مدیریت سیاست‌ها و کنترل بر نقش‌های مختلف در فرآیند تغییرات پایگاه داده را داشته باشند.
این ابزار قدرتمند به سازمان‌ها کمک می‌کند تا روش استانداردی برای اجرای تغییرات در محیط تولید برقرار کنند، بدون اینکه نیاز باشد توسعه‌دهندگان بارها به تیکت‌ها و مراجعات دستی مراجعه کنند یا از اسکریپت‌های جداگانه و پراکنده بهره ببرند. با Liquibase Secure 6.0، فرآیندهای مدیریت تغییرات فناورانه سازمان به سمت خودکارسازی و سیاست‌گذاری مؤثر هدایت می‌شود، که نهایتاً به کاهش خطاها و افزایش هماهنگی تیم‌ها منجر می‌گردد.
نسخه 6.0 این محصول، قابلیت‌هایی مانند نظارت مرکزی، مدیریت سیاست‌ها و کنترل نقش‌ها را در سطح سازمانی فراهم می‌آورد، به گونه‌ای که تمامی تغییرات به صورت شفاف و قابل پیگیری باشد. این امر، سطح کنترل و اعتماد به درستی فرآیندها را بالا می‌برد و اطمینان می‌دهد که هر تغییر در پایگاه داده به درستی و بر اساس سیاست‌های تعریف شده انجام می‌شود.
در نتیجه، Liquibase Secure 6.0 ابزاری است که با تمرکز بر مدیریت مقیاس‌پذیر و جامع، راهکار مناسبی برای نظارت و کنترل بر تغییرات پایگاه داده در سطح سازمانی ارائه می‌دهد و از این طریق، فرآیندهای DevOps و عملیات زیرساخت‌ها را بهبود می‌بخشد.
#مدیریت_پایگاه_داده #DevOps #کنترل_سیکرت #تغییرات_پایگاه_داده
🟣لینک مقاله:
https://www.liquibase.com/demo?utm_source=tldr-newsletter&utm_medium=newsletter&utm_campaign=tldr-newsletter&utm_content=6.0-launch
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
See, Govern, and Control Database Change in One Place (Sponsor)
🟢 خلاصه مقاله:
در دنیای امروز، مدیریت و نظارت بر تغییرات در پایگاه‌های داده از اهمیت بالایی برخوردار است. با افزایش حجم و پیچیدگی پروژه‌ها، نیاز به ابزاری وجود دارد که عملیات تغییرات پایگاه داده را متمرکز و قابل کنترل کند. راه‌حل این نیاز، نسخه جدید Liquibase Secure 6.0 است که به تیم‌های DevOps و تیم‌های فنی این امکان را می‌دهد تا در یک نقطه، دید جامع، مدیریت سیاست‌ها و کنترل بر نقش‌های مختلف در فرآیند تغییرات پایگاه داده را داشته باشند.
این ابزار قدرتمند به سازمان‌ها کمک می‌کند تا روش استانداردی برای اجرای تغییرات در محیط تولید برقرار کنند، بدون اینکه نیاز باشد توسعه‌دهندگان بارها به تیکت‌ها و مراجعات دستی مراجعه کنند یا از اسکریپت‌های جداگانه و پراکنده بهره ببرند. با Liquibase Secure 6.0، فرآیندهای مدیریت تغییرات فناورانه سازمان به سمت خودکارسازی و سیاست‌گذاری مؤثر هدایت می‌شود، که نهایتاً به کاهش خطاها و افزایش هماهنگی تیم‌ها منجر می‌گردد.
نسخه 6.0 این محصول، قابلیت‌هایی مانند نظارت مرکزی، مدیریت سیاست‌ها و کنترل نقش‌ها را در سطح سازمانی فراهم می‌آورد، به گونه‌ای که تمامی تغییرات به صورت شفاف و قابل پیگیری باشد. این امر، سطح کنترل و اعتماد به درستی فرآیندها را بالا می‌برد و اطمینان می‌دهد که هر تغییر در پایگاه داده به درستی و بر اساس سیاست‌های تعریف شده انجام می‌شود.
در نتیجه، Liquibase Secure 6.0 ابزاری است که با تمرکز بر مدیریت مقیاس‌پذیر و جامع، راهکار مناسبی برای نظارت و کنترل بر تغییرات پایگاه داده در سطح سازمانی ارائه می‌دهد و از این طریق، فرآیندهای DevOps و عملیات زیرساخت‌ها را بهبود می‌بخشد.
#مدیریت_پایگاه_داده #DevOps #کنترل_سیکرت #تغییرات_پایگاه_داده
🟣لینک مقاله:
https://www.liquibase.com/demo?utm_source=tldr-newsletter&utm_medium=newsletter&utm_campaign=tldr-newsletter&utm_content=6.0-launch
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Liquibase
Try Liquibase Secure Free | Built for DevOps & Data Engineers
Start your free Liquibase Secure trial. Automate database deployments, integrate with CI/CD, and rollback changes with full visibility and control.
🔵 عنوان مقاله
We replaced etcd with Google Cloud Spanner. Here's what happened.
🟢 خلاصه مقاله:
در این مطالعه موردی، به بررسی تغییر مهمی پرداخته‌ایم که در آن تیمی، سیستم مدیریت کلید-مقدار خود را از etcd به سرویس Google Cloud Spanner تغییر داد. یکی از وجوه برجسته این انتقال، استفاده از زمان‌بندی‌های متعهد (commit timestamps) به جای یک شمارنده مرجع واحد بود. این تغییر به تیم اجازه داد تا نوشتارهای همزمان بدون نیاز به صف‌سازی اجرا شوند، که نتیجه آن افزایش چشمگیر در کارایی و مقیاس‌پذیری سیستم بود.
با جایگزینی etcd با Spanner، تیم توانست محیطی مقیاس‌پذیرتر و انعطاف‌پذیر‌تر ایجاد کند که قابلیت همزمانی عملیات‌ها را بهبود بخشید. این تغییر استراتژیک، توانست نقش مهمی در بهبود سرعت پاسخ‌دهی و کاهش زمان توقف‌های سیستم ایفا کند و تاثیر مثبتی بر توسعه و نگهداری نرم‌افزار داشته باشد. این مطالعه نشان می‌دهد که چطور تغییرات فناوری می‌تواند باعث تحول در عملکرد و مقیاس سیستم‌های توزیع شده شود.
#پایدار #مهندسی_نرم‌افزار #CloudSpanner #مدیریت_پایگاه‌داده
🟣لینک مقاله:
https://ku.bz/gPW89HJPw
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
We replaced etcd with Google Cloud Spanner. Here's what happened.
🟢 خلاصه مقاله:
در این مطالعه موردی، به بررسی تغییر مهمی پرداخته‌ایم که در آن تیمی، سیستم مدیریت کلید-مقدار خود را از etcd به سرویس Google Cloud Spanner تغییر داد. یکی از وجوه برجسته این انتقال، استفاده از زمان‌بندی‌های متعهد (commit timestamps) به جای یک شمارنده مرجع واحد بود. این تغییر به تیم اجازه داد تا نوشتارهای همزمان بدون نیاز به صف‌سازی اجرا شوند، که نتیجه آن افزایش چشمگیر در کارایی و مقیاس‌پذیری سیستم بود.
با جایگزینی etcd با Spanner، تیم توانست محیطی مقیاس‌پذیرتر و انعطاف‌پذیر‌تر ایجاد کند که قابلیت همزمانی عملیات‌ها را بهبود بخشید. این تغییر استراتژیک، توانست نقش مهمی در بهبود سرعت پاسخ‌دهی و کاهش زمان توقف‌های سیستم ایفا کند و تاثیر مثبتی بر توسعه و نگهداری نرم‌افزار داشته باشد. این مطالعه نشان می‌دهد که چطور تغییرات فناوری می‌تواند باعث تحول در عملکرد و مقیاس سیستم‌های توزیع شده شود.
#پایدار #مهندسی_نرم‌افزار #CloudSpanner #مدیریت_پایگاه‌داده
🟣لینک مقاله:
https://ku.bz/gPW89HJPw
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
DEV Community
We replaced etcd with Google Cloud Spanner. Here's what happened.
spanner-etcd is an open source (Apache 2.0), drop-in etcd v3 replacement backed by Google Cloud...
🔵 عنوان مقاله
crd-schema-publisher: CRD docs and IDE validation
🟢 خلاصه مقاله:
در دنیای مدیریت زیرساخت‌های ابری و کلاسترهای Kubernetes، ایجاد و نگهداری مدارک معتبر و به‌روز یکی از چالش‌های اصلی توسعه‌دهندگان است. ابزار CRD Schema Publisher به صورت هوشمند، اسناد مربوط به Custom Resource Definitions (CRDها) را مستقیماً از خوشه شما استخراج می‌کند. این فرآیند به شما امکان می‌دهد تا اسناد دقیق، قابل جستجو و به‌روز را در قالب یک وب‌سایت مرجع در اختیار تیم توسعه قرار دهید، بدون نیاز به کارهای دستی یا نگهداری جداگانه اسناد. همچنین، این ابزار علاوه بر تولید اسناد، فایل‌های JSON Schema مربوطه را نیز فراهم می‌کند که ادیتورها و IDEهای مختلف می‌توانند از آن برای تایید صحت فایل‌های منشور (مانيفست‌ها) استفاده کنند. این قابلیت، روند توسعه و استقرار منابع کلاستر را بسیار ساده‌تر و مطمئن‌تر می‌سازد.
ابزار CRD Schema Publisher با یکپارچگی کامل با خوشه Kubernetes، فرآیند به‌روزرسانی اسنادت را تسهیل می‌کند و کمک می‌کند تا توسعه‌دهندگان در سریع‌ترین زمان ممکن به مستندات دقیق و جامع دست یابند. این راهکار، نه تنها اشتباهات انسانی در نگهداری اسناد را کاهش می‌دهد، بلکه فرایند بررسی و اعتبارسنجی منشورها را نیز آسان‌تر می‌کند، و در نتیجه اعتماد بیشتری به صحت و سلامت اجزای زیرساخت شما بوجود می‌آورد. در مجموع، این ابزار یک ابزار کامل و کارآمد برای تیم‌های DevOps و توسعه‌دهندگان است که می‌خواهند فرآیند مدیریت CRDها را بهبود بخشند و کار را سریع‌تر و دقیق‌تر انجام دهند.
#کوبنترس #مدیریت_کلاستر #اسناد_کامل #توسعه_پویای
🟣لینک مقاله:
https://ku.bz/6V1yDRfS7
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
crd-schema-publisher: CRD docs and IDE validation
🟢 خلاصه مقاله:
در دنیای مدیریت زیرساخت‌های ابری و کلاسترهای Kubernetes، ایجاد و نگهداری مدارک معتبر و به‌روز یکی از چالش‌های اصلی توسعه‌دهندگان است. ابزار CRD Schema Publisher به صورت هوشمند، اسناد مربوط به Custom Resource Definitions (CRDها) را مستقیماً از خوشه شما استخراج می‌کند. این فرآیند به شما امکان می‌دهد تا اسناد دقیق، قابل جستجو و به‌روز را در قالب یک وب‌سایت مرجع در اختیار تیم توسعه قرار دهید، بدون نیاز به کارهای دستی یا نگهداری جداگانه اسناد. همچنین، این ابزار علاوه بر تولید اسناد، فایل‌های JSON Schema مربوطه را نیز فراهم می‌کند که ادیتورها و IDEهای مختلف می‌توانند از آن برای تایید صحت فایل‌های منشور (مانيفست‌ها) استفاده کنند. این قابلیت، روند توسعه و استقرار منابع کلاستر را بسیار ساده‌تر و مطمئن‌تر می‌سازد.
ابزار CRD Schema Publisher با یکپارچگی کامل با خوشه Kubernetes، فرآیند به‌روزرسانی اسنادت را تسهیل می‌کند و کمک می‌کند تا توسعه‌دهندگان در سریع‌ترین زمان ممکن به مستندات دقیق و جامع دست یابند. این راهکار، نه تنها اشتباهات انسانی در نگهداری اسناد را کاهش می‌دهد، بلکه فرایند بررسی و اعتبارسنجی منشورها را نیز آسان‌تر می‌کند، و در نتیجه اعتماد بیشتری به صحت و سلامت اجزای زیرساخت شما بوجود می‌آورد. در مجموع، این ابزار یک ابزار کامل و کارآمد برای تیم‌های DevOps و توسعه‌دهندگان است که می‌خواهند فرآیند مدیریت CRDها را بهبود بخشند و کار را سریع‌تر و دقیق‌تر انجام دهند.
#کوبنترس #مدیریت_کلاستر #اسناد_کامل #توسعه_پویای
🟣لینک مقاله:
https://ku.bz/6V1yDRfS7
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - sholdee/crd-schema-publisher: Browsable CRD docs and IDE validation schemas, straight from your Kubernetes cluster
Browsable CRD docs and IDE validation schemas, straight from your Kubernetes cluster - sholdee/crd-schema-publisher
🔵 عنوان مقاله
Magnitude (GitHub Repo)
🟢 خلاصه مقاله:
مگنیتودر یک سرور استنتاج متن‌باز است که امکان اجرای مدل‌های هوش مصنوعی را به صورت محلی و روی سخت‌افزار شخصی شما فراهم می‌کند. پس از انجام تنظیمات اولیه و راه‌اندازی، این ابزار دیگر نیاز به اتصال اینترنت ندارد و به طور مستقل کار می‌کند. این سیستم، ابتدا مشخصات دستگاه شما را ارزیابی می‌کند و بر اساس حافظه موجود، مدل‌هایی را پیشنهاد می‌دهد که بهترین تطابق را دارند. سپس، این مدل‌ها را دانلود و روی سیستم شما اجرا می‌کند، فرآیندی که بسیار کارآمد و سریع است و امکانات بسیاری را برای افراد علاقه‌مند به هوش مصنوعی فراهم می‌آورد.
مگنیتودر علاوه بر پشتیبانی از مدل‌های معروفی مانند Pi، OpenCode، Hermes، OpenClaw، Codex، Claude Code، Oh My Pi و Cline، امکان کار با مدل‌های سفارشی GGUF از پلتفرم Hugging Face را نیز دارا است. این تنوع در پشتیبانی، آن را به ابزاری قدرتمند و انعطاف‌پذیر برای توسعه‌دهندگان و پژوهشگران در زمینه هوش مصنوعی تبدیل کرده است. با استفاده از این سرور، دیگر نگران محدودیت‌های آنلاین و نیاز به سرورهای ابری نخواهید بود و می‌توانید به راحتی و در محل کار یا خانه، پروژه‌های هوش مصنوعی خود را پیش ببرید.
هدف مگنیتودر تسهیل دسترسی و بهره‌برداری از فناوری‌های پیشرفته هوش مصنوعی به صورت مستقل و امن است، که این امر در کاهش هزینه‌ها و افزایش کنترل بر داده‌ها اهمیت ویژه‌ای دارد. این ابزار، گزینه‌ای مناسب برای کسانی است که به دنبال راهکارهای سریع، مطمئن و قدرتمند برای اجرای مدل‌های AI در محیط‌های محلی هستند.
#هوش_مصنوعی #مدل‌های_AI #نصب_مستقل #پشتیبانی_مدل‌ها
🟣لینک مقاله:
https://github.com/magnitudedev/magnitude?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Magnitude (GitHub Repo)
🟢 خلاصه مقاله:
مگنیتودر یک سرور استنتاج متن‌باز است که امکان اجرای مدل‌های هوش مصنوعی را به صورت محلی و روی سخت‌افزار شخصی شما فراهم می‌کند. پس از انجام تنظیمات اولیه و راه‌اندازی، این ابزار دیگر نیاز به اتصال اینترنت ندارد و به طور مستقل کار می‌کند. این سیستم، ابتدا مشخصات دستگاه شما را ارزیابی می‌کند و بر اساس حافظه موجود، مدل‌هایی را پیشنهاد می‌دهد که بهترین تطابق را دارند. سپس، این مدل‌ها را دانلود و روی سیستم شما اجرا می‌کند، فرآیندی که بسیار کارآمد و سریع است و امکانات بسیاری را برای افراد علاقه‌مند به هوش مصنوعی فراهم می‌آورد.
مگنیتودر علاوه بر پشتیبانی از مدل‌های معروفی مانند Pi، OpenCode، Hermes، OpenClaw، Codex، Claude Code، Oh My Pi و Cline، امکان کار با مدل‌های سفارشی GGUF از پلتفرم Hugging Face را نیز دارا است. این تنوع در پشتیبانی، آن را به ابزاری قدرتمند و انعطاف‌پذیر برای توسعه‌دهندگان و پژوهشگران در زمینه هوش مصنوعی تبدیل کرده است. با استفاده از این سرور، دیگر نگران محدودیت‌های آنلاین و نیاز به سرورهای ابری نخواهید بود و می‌توانید به راحتی و در محل کار یا خانه، پروژه‌های هوش مصنوعی خود را پیش ببرید.
هدف مگنیتودر تسهیل دسترسی و بهره‌برداری از فناوری‌های پیشرفته هوش مصنوعی به صورت مستقل و امن است، که این امر در کاهش هزینه‌ها و افزایش کنترل بر داده‌ها اهمیت ویژه‌ای دارد. این ابزار، گزینه‌ای مناسب برای کسانی است که به دنبال راهکارهای سریع، مطمئن و قدرتمند برای اجرای مدل‌های AI در محیط‌های محلی هستند.
#هوش_مصنوعی #مدل‌های_AI #نصب_مستقل #پشتیبانی_مدل‌ها
🟣لینک مقاله:
https://github.com/magnitudedev/magnitude?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - magnitudedev/magnitude: Open source inference engine that tunes its kernels on your hardware to find the fastest way to…
Open source inference engine that tunes its kernels on your hardware to find the fastest way to run each model. 2x faster than Ollama. Works on Apple Silicon, NVIDIA, AMD, or just a CPU. - magnitud...
🔵 عنوان مقاله
Cilium 1.20: Gateway API ExternalAuth, TCPRoute/UDPRoute, ENI IPAM for IPv6, and more (19 minute read)
🟢 خلاصه مقاله:
نسخه ۱.۲۰ سیلیوم مجموعه‌ای از ویژگی‌ها و به‌روزرسانی‌های مهم را ارائه می‌دهد که توسعه‌دهندگان و مدیران شبکه را قادر می‌سازد تا امکانات پیشرفته‌تری را در محیط‌های ابری و شبکه‌های مبتنی بر Kubernetes بهره‌مند شوند. یکی از این ویژگی‌های برجسته، پشتیبانی از IPv6 برای مدیریت IPهای ENI در سرویس‌های AWS است که قبلاً در نسخه‌های قبلی موجود نبود. این توسعه، امکان استفاده بهتر و هماهنگ‌تر از فناوری‌های مدرن اینترنت را در بستر ابری فراهم می‌کند و به مدیران امکان می‌دهد شبکه‌های IPv6 را به طور کامل فعال و مدیریت کنند.
نسخه ۱.۲۰ همچنین افزونه‌هایی به نام datapath plugins معرفی می‌کند که به توسعه‌دهندگان و شرکت‌های ثالث اجازه می‌دهد تا بدون نیاز به انشعاب (fork) کردن پروژه، امکانات دلخواه خود را به datapath (مسیر داده‌ها) eBPF اضافه کنند. این رویکرد باعث افزایش انعطاف‌پذیری و سفارشی‌سازی در پیاده‌سازی‌های شبکه‌های پیچیده می‌شود و جامعه توسعه‌دهندگان را ترغیب می‌کند تا در توسعه اکوسیستم سلیوم مشارکت فعال داشته باشند.
یکی دیگر از بهبودهای مهم، ارتقاء API سرویس‌های چندگروه (Multi-Cluster Services API) از حالت آزمایشی به وضعیت پایدار است که به صورت مستقل و مطمئن‌تر در محیط‌های مختلف قابل استفاده است. همچنین، ویژگی قدیمی احراز هویت متقابل (mutual authentication) که در نسخه‌های قبل وجود داشت، منسوخ شده و جای خود را به پروکسی زتunnel (ztunnel) داده است. این تغییر، امنیت و کارایی را در تبادل داده‌ها بهبود می‌بخشد و امکان مدیریت مناسب‌تر ارتباطات در سامانه‌های چندگروه را فراهم می‌کند.
در کنار این موارد، سلیوم نسخه ۱.۲۰ گزینه‌هایی برای غیرفعال‌سازی بررسی آدرس IP منبع در هر پود (pod) ارائه می‌دهد که این امکان، در موارد خاص مانند مواردی که نیاز به کنترل دقیق‌تر یا افزایش سرعت است، کاربرد دارد. علاوه بر آن، یک سیاست جدید به نام ClusterNetworkPolicy معرفی شده است که سطوح بالا از محافظت و کنترل در کل شبکه‌های کلاستر Kubernetes را تضمین می‌کند و مدیران می‌توانند خط‌مشی‌های امن‌تر و موثرتر را برای مدیریت ترافیک و دسترسی‌ها در نظر بگیرند.
به طور کلی، نسخه ۱.۲۰ سلیوم گامی مهم در راه توسعه فناوری‌های شبکه‌های ابری و Kubernetes است و امکانات جدید آن، کارایی، امنیت و انعطاف‌پذیری را در مدیریت شبکه‌های مدرن افزایش می‌دهد.
#امنیت #شبکه #کلاسترKubernetes #ای‌پی‌ام
🟣لینک مقاله:
https://www.cncf.io/blog/2026/09/14/cilium-1-20-gateway-api-externalauth-tcproute-udproute-eni-ipam-for-ipv6-and-more/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Cilium 1.20: Gateway API ExternalAuth, TCPRoute/UDPRoute, ENI IPAM for IPv6, and more (19 minute read)
🟢 خلاصه مقاله:
نسخه ۱.۲۰ سیلیوم مجموعه‌ای از ویژگی‌ها و به‌روزرسانی‌های مهم را ارائه می‌دهد که توسعه‌دهندگان و مدیران شبکه را قادر می‌سازد تا امکانات پیشرفته‌تری را در محیط‌های ابری و شبکه‌های مبتنی بر Kubernetes بهره‌مند شوند. یکی از این ویژگی‌های برجسته، پشتیبانی از IPv6 برای مدیریت IPهای ENI در سرویس‌های AWS است که قبلاً در نسخه‌های قبلی موجود نبود. این توسعه، امکان استفاده بهتر و هماهنگ‌تر از فناوری‌های مدرن اینترنت را در بستر ابری فراهم می‌کند و به مدیران امکان می‌دهد شبکه‌های IPv6 را به طور کامل فعال و مدیریت کنند.
نسخه ۱.۲۰ همچنین افزونه‌هایی به نام datapath plugins معرفی می‌کند که به توسعه‌دهندگان و شرکت‌های ثالث اجازه می‌دهد تا بدون نیاز به انشعاب (fork) کردن پروژه، امکانات دلخواه خود را به datapath (مسیر داده‌ها) eBPF اضافه کنند. این رویکرد باعث افزایش انعطاف‌پذیری و سفارشی‌سازی در پیاده‌سازی‌های شبکه‌های پیچیده می‌شود و جامعه توسعه‌دهندگان را ترغیب می‌کند تا در توسعه اکوسیستم سلیوم مشارکت فعال داشته باشند.
یکی دیگر از بهبودهای مهم، ارتقاء API سرویس‌های چندگروه (Multi-Cluster Services API) از حالت آزمایشی به وضعیت پایدار است که به صورت مستقل و مطمئن‌تر در محیط‌های مختلف قابل استفاده است. همچنین، ویژگی قدیمی احراز هویت متقابل (mutual authentication) که در نسخه‌های قبل وجود داشت، منسوخ شده و جای خود را به پروکسی زتunnel (ztunnel) داده است. این تغییر، امنیت و کارایی را در تبادل داده‌ها بهبود می‌بخشد و امکان مدیریت مناسب‌تر ارتباطات در سامانه‌های چندگروه را فراهم می‌کند.
در کنار این موارد، سلیوم نسخه ۱.۲۰ گزینه‌هایی برای غیرفعال‌سازی بررسی آدرس IP منبع در هر پود (pod) ارائه می‌دهد که این امکان، در موارد خاص مانند مواردی که نیاز به کنترل دقیق‌تر یا افزایش سرعت است، کاربرد دارد. علاوه بر آن، یک سیاست جدید به نام ClusterNetworkPolicy معرفی شده است که سطوح بالا از محافظت و کنترل در کل شبکه‌های کلاستر Kubernetes را تضمین می‌کند و مدیران می‌توانند خط‌مشی‌های امن‌تر و موثرتر را برای مدیریت ترافیک و دسترسی‌ها در نظر بگیرند.
به طور کلی، نسخه ۱.۲۰ سلیوم گامی مهم در راه توسعه فناوری‌های شبکه‌های ابری و Kubernetes است و امکانات جدید آن، کارایی، امنیت و انعطاف‌پذیری را در مدیریت شبکه‌های مدرن افزایش می‌دهد.
#امنیت #شبکه #کلاسترKubernetes #ای‌پی‌ام
🟣لینک مقاله:
https://www.cncf.io/blog/2026/09/14/cilium-1-20-gateway-api-externalauth-tcproute-udproute-eni-ipam-for-ipv6-and-more/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
CNCF
Cilium 1.20: Gateway API ExternalAuth, TCPRoute/UDPRoute, ENI IPAM for IPv6, and more
Cilium 1.20, the second major open source Cilium release of 2026 after Cilium 1.19, is finally here. Three themes stand out in this release: Thank you to every contributor, reviewer and maintainer who…
🔵 عنوان مقاله
How we built our deployment pipeline: GitOps, ArgoCD, and Kubernetes at dodo payments
🟢 خلاصه مقاله:
در شرکت دوده پرداخت، فرآیند استقرار نرم‌افزارهای جدید و به‌روزرسانی سیستم‌ها اهمیت زیادی دارد و به همین دلیل تیم فنی ما تلاش کرده است تا با بهره‌گیری از فناوری‌های پیشرفته، یک خط لوله استقرار مقاوم و کارآمد ایجاد کند. در این راه، از رویکرد GitOps بهره گرفتیم که فرآیند مدیریت پیکربندی و عملیات را با استفاده از سیستم‌های کنترل نسخه، ساده‌تر و قابل اعتمادتر می‌کند. این روش باعث شده است تا تغییرات نرم‌افزاری به صورت خودکار و قابل پیگیری اعمال شوند و خطاهای انسانی کاهش یابند.
برای پیاده‌سازی این رویکرد، از ابزار ArgoCD استفاده کردیم که یک سیستم مدیریت مستمر بر روی Kubernetes است. این ابزار به ما اجازه می‌دهد تا محیط‌های مختلف را به صورت همزمان کنترل کنیم و بروزرسانی‌ها را بدون خطا و به‌سرعت انجام دهیم. در کنار این موارد، زیرساخت‌ها و برنامه‌های کاربردی‌مان بر روی بستری مقیاس‌پذیر و قدرتمند Kubernetes قرار دارند که امکان مدیریت کانتینرها و سرویس‌های مختلف را به بهترین شکل فراهم کرده است.
با همگرایی این فناوری‌ها - GitOps، ArgoCD و Kubernetes - توانستیم فرآیند توسعه، استقرار و نگهداری سرویس‌ها را بهبود بخشیم، خطایابی را آسان‌تر کنیم و امکان ارتقاء سریع و مطمئن را برای مشتریان خود فراهم کنیم. این تحول نه تنها کیفیت خدمات ما را افزایش داده است، بلکه باعث شده است تیم فنی ما بیشتر بر بهبود مستمر تمرکز کند و پاسخگوی نیازهای رو به رشد بازار باشد.
#سیستم_ایمن #کبرینترسازی #دولپمنت #کوبیرنتس
🟣لینک مقاله:
https://ku.bz/rPwVfs6rD
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
How we built our deployment pipeline: GitOps, ArgoCD, and Kubernetes at dodo payments
🟢 خلاصه مقاله:
در شرکت دوده پرداخت، فرآیند استقرار نرم‌افزارهای جدید و به‌روزرسانی سیستم‌ها اهمیت زیادی دارد و به همین دلیل تیم فنی ما تلاش کرده است تا با بهره‌گیری از فناوری‌های پیشرفته، یک خط لوله استقرار مقاوم و کارآمد ایجاد کند. در این راه، از رویکرد GitOps بهره گرفتیم که فرآیند مدیریت پیکربندی و عملیات را با استفاده از سیستم‌های کنترل نسخه، ساده‌تر و قابل اعتمادتر می‌کند. این روش باعث شده است تا تغییرات نرم‌افزاری به صورت خودکار و قابل پیگیری اعمال شوند و خطاهای انسانی کاهش یابند.
برای پیاده‌سازی این رویکرد، از ابزار ArgoCD استفاده کردیم که یک سیستم مدیریت مستمر بر روی Kubernetes است. این ابزار به ما اجازه می‌دهد تا محیط‌های مختلف را به صورت همزمان کنترل کنیم و بروزرسانی‌ها را بدون خطا و به‌سرعت انجام دهیم. در کنار این موارد، زیرساخت‌ها و برنامه‌های کاربردی‌مان بر روی بستری مقیاس‌پذیر و قدرتمند Kubernetes قرار دارند که امکان مدیریت کانتینرها و سرویس‌های مختلف را به بهترین شکل فراهم کرده است.
با همگرایی این فناوری‌ها - GitOps، ArgoCD و Kubernetes - توانستیم فرآیند توسعه، استقرار و نگهداری سرویس‌ها را بهبود بخشیم، خطایابی را آسان‌تر کنیم و امکان ارتقاء سریع و مطمئن را برای مشتریان خود فراهم کنیم. این تحول نه تنها کیفیت خدمات ما را افزایش داده است، بلکه باعث شده است تیم فنی ما بیشتر بر بهبود مستمر تمرکز کند و پاسخگوی نیازهای رو به رشد بازار باشد.
#سیستم_ایمن #کبرینترسازی #دولپمنت #کوبیرنتس
🟣لینک مقاله:
https://ku.bz/rPwVfs6rD
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Dodo Payments
How We Built Our Deployment Pipeline: GitOps, ArgoCD, and Kubernetes at Dodo Payments | Dodo Payments
It started with a question from our security compliance team: “Can you show me exactly what changed in production last Tuesday at 3 PM?”
❤1
🔵 عنوان مقاله
Kaneo (GitHub Repo)
🟢 خلاصه مقاله:
کینو یک ابزار مدیریت پروژه متن‌باز است که بر اساس اصول سادگی و حداقل‌گرایی طراحی شده است. این پروژه بر این باور است که بسیاری از پلتفرم‌های رقیب، بیشتر از حد نیاز ویژگی‌های متعدد و غیرضروری دارند که باعث پیچیدگی و دشواری در استفاده می‌شوند. در نتیجه، کینو تمرکز خود را بر ارائه مجموعه‌ای محدود و کارآمد از امکانات گذاشته است تا کاربران بتوانند به راحتی و با کمترین پیچیدگی پروژه‌های خود را مدیریت کنند.
این ابزار قدرتمند از استقرار با Docker Compose و Kubernetes پشتیبانی می‌کند، و به کمک ابزاری خط فرمان به نام دریم (drim)، عملیات‌هایی مانند تنظیم پروتکل HTTPS، راه‌اندازی پایگاه داده و پیکربندی سرویس‌ها به صورت خودکار انجام می‌شود. این امکانات باعث می‌شود تا فرآیند راه‌اندازی و مدیریت پروژه‌ها بسیار ساده‌تر و سریع‌تر صورت گیرد، و نیاز نباشد کاربر به صورت دستی و مرحله به مرحله این تنظیمات پیچیده را انجام دهد. در نهایت، کینو با ارائه روشی کارآمد و کم‌نقص، به توسعه‌دهندگان و تیم‌های فنی کمک می‌کند تا تمرکز خود را بر روی توسعه و بهبود پروژه‌هایشان بگذارند، بدون دغدغه‌های اضافی در زمینه‌های زیرساختی و پیکربندی.
#مدیریت_پروژه #توسعه_فناوری #اجرای_کونتینر #پهنه_ابری
🟣لینک مقاله:
https://github.com/usekaneo/kaneo?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Kaneo (GitHub Repo)
🟢 خلاصه مقاله:
کینو یک ابزار مدیریت پروژه متن‌باز است که بر اساس اصول سادگی و حداقل‌گرایی طراحی شده است. این پروژه بر این باور است که بسیاری از پلتفرم‌های رقیب، بیشتر از حد نیاز ویژگی‌های متعدد و غیرضروری دارند که باعث پیچیدگی و دشواری در استفاده می‌شوند. در نتیجه، کینو تمرکز خود را بر ارائه مجموعه‌ای محدود و کارآمد از امکانات گذاشته است تا کاربران بتوانند به راحتی و با کمترین پیچیدگی پروژه‌های خود را مدیریت کنند.
این ابزار قدرتمند از استقرار با Docker Compose و Kubernetes پشتیبانی می‌کند، و به کمک ابزاری خط فرمان به نام دریم (drim)، عملیات‌هایی مانند تنظیم پروتکل HTTPS، راه‌اندازی پایگاه داده و پیکربندی سرویس‌ها به صورت خودکار انجام می‌شود. این امکانات باعث می‌شود تا فرآیند راه‌اندازی و مدیریت پروژه‌ها بسیار ساده‌تر و سریع‌تر صورت گیرد، و نیاز نباشد کاربر به صورت دستی و مرحله به مرحله این تنظیمات پیچیده را انجام دهد. در نهایت، کینو با ارائه روشی کارآمد و کم‌نقص، به توسعه‌دهندگان و تیم‌های فنی کمک می‌کند تا تمرکز خود را بر روی توسعه و بهبود پروژه‌هایشان بگذارند، بدون دغدغه‌های اضافی در زمینه‌های زیرساختی و پیکربندی.
#مدیریت_پروژه #توسعه_فناوری #اجرای_کونتینر #پهنه_ابری
🟣لینک مقاله:
https://github.com/usekaneo/kaneo?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - usekaneo/kaneo: 🎯 All you need. Nothing you don't. Open source project management that works for you, not against you.
🎯 All you need. Nothing you don't. Open source project management that works for you, not against you. - usekaneo/kaneo
❤1
🔵 عنوان مقاله
AirLLM (GitHub Repo)
🟢 خلاصه مقاله:
AirLLM یک ابزار قدرتمند است که امکان اجرای مدل‌های زبانی بزرگ با اندازه ۷۰ میلیارد پارامتر را بر روی یک کارت گرافیک با حافظه ۴ گیگابایت، بدون نیاز به کم کردن دقت (Quantization)، فراهم می‌کند. این فناوری بسیار کاربردی است، به طوری که می‌توان مدل بسیار بزرگ Kimi K3 با ۲.۸ تریلیون پارامتر را در کمتر از ۴ گیگابایت حافظه VRAM اجرا کرد، و همچنین مدل DeepSeek-V3 با ۶۷۱ میلیارد پارامتر را در حدود ۱۲ گیگابایت حافظه، به خوبی اجرا نمود. این قابلیت‌ها حاصل روشی است که در آن، فقط یک لایه از مدل در حافظه کارت گرافیک نگهداری می‌شود و لایه‌های دیگر به صورت تعویضی بارگذاری می‌گردند، که باعث کاهش نیاز به حافظه می‌شود و اجازه می‌دهد اجرا و آموزش مدل‌های عظیم در سخت‌افزارهای متوسط و کوچک امکان‌پذیر باشد.
علاوه بر این، AirLLM امکان آموزش مدل‌های بسیار بزرگ بر روی رایانه‌هایی با حافظه VRAM محدود را فراهم می‌کند. به عنوان نمونه، به کمک این فناوری می‌توان مدل Qwen3.8-Flash-Next با ۱۲۵ میلیارد پارامتر را در حالی که تنها ۶ گیگابایت حافظه رم نیاز دارد، آموزش داد. این پیشرفت‌ها در حوزه یادگیری عمیق، به خصوص در تسهیل دسترسی و توسعه مدل‌های بزرگ در محیط‌هایی با منابع محدود، انقلابی محسوب می‌شوند و فرصت‌های جدیدی برای پژوهشگران و توسعه‌دهندگان ایجاد می‌کنند.
این فناوری نوآورانه، نقطه عطفی در روند توسعه مدل‌های زبانی بزرگ است که می‌تواند در آینده نزدیک، منابع مورد نیاز برای آموزش و استفاده از این مدل‌ها را به شدت کاهش داده و بهره‌وری را افزایش دهد.
#هوش_مصنوعی #مدل‌های_زبانی #یادگیری_عمیق #هوشمند
🟣لینک مقاله:
https://github.com/lyogavin/airllm?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
AirLLM (GitHub Repo)
🟢 خلاصه مقاله:
AirLLM یک ابزار قدرتمند است که امکان اجرای مدل‌های زبانی بزرگ با اندازه ۷۰ میلیارد پارامتر را بر روی یک کارت گرافیک با حافظه ۴ گیگابایت، بدون نیاز به کم کردن دقت (Quantization)، فراهم می‌کند. این فناوری بسیار کاربردی است، به طوری که می‌توان مدل بسیار بزرگ Kimi K3 با ۲.۸ تریلیون پارامتر را در کمتر از ۴ گیگابایت حافظه VRAM اجرا کرد، و همچنین مدل DeepSeek-V3 با ۶۷۱ میلیارد پارامتر را در حدود ۱۲ گیگابایت حافظه، به خوبی اجرا نمود. این قابلیت‌ها حاصل روشی است که در آن، فقط یک لایه از مدل در حافظه کارت گرافیک نگهداری می‌شود و لایه‌های دیگر به صورت تعویضی بارگذاری می‌گردند، که باعث کاهش نیاز به حافظه می‌شود و اجازه می‌دهد اجرا و آموزش مدل‌های عظیم در سخت‌افزارهای متوسط و کوچک امکان‌پذیر باشد.
علاوه بر این، AirLLM امکان آموزش مدل‌های بسیار بزرگ بر روی رایانه‌هایی با حافظه VRAM محدود را فراهم می‌کند. به عنوان نمونه، به کمک این فناوری می‌توان مدل Qwen3.8-Flash-Next با ۱۲۵ میلیارد پارامتر را در حالی که تنها ۶ گیگابایت حافظه رم نیاز دارد، آموزش داد. این پیشرفت‌ها در حوزه یادگیری عمیق، به خصوص در تسهیل دسترسی و توسعه مدل‌های بزرگ در محیط‌هایی با منابع محدود، انقلابی محسوب می‌شوند و فرصت‌های جدیدی برای پژوهشگران و توسعه‌دهندگان ایجاد می‌کنند.
این فناوری نوآورانه، نقطه عطفی در روند توسعه مدل‌های زبانی بزرگ است که می‌تواند در آینده نزدیک، منابع مورد نیاز برای آموزش و استفاده از این مدل‌ها را به شدت کاهش داده و بهره‌وری را افزایش دهد.
#هوش_مصنوعی #مدل‌های_زبانی #یادگیری_عمیق #هوشمند
🟣لینک مقاله:
https://github.com/lyogavin/airllm?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - lyogavin/airllm: AirLLM 2.8T LLM inference with single 4GB GPU
AirLLM 2.8T LLM inference with single 4GB GPU. Contribute to lyogavin/airllm development by creating an account on GitHub.
🔵 عنوان مقاله
Databasus (GitHub Repo)
🟢 خلاصه مقاله:
دیتاباسوس یک ابزار پشتیبان‌گیری رایگان، منبع باز و خودمیزبان برای پایگاه داده‌های PostgreSQL است که امکانات متعددی را در اختیار کاربران قرار می‌دهد. این ابزار به طور خاص بر روی بازیابی در زمان مشخص (Point-in-Time Recovery) تمرکز دارد، که یکی از مهم‌ترین نیازهای کاربران در زمینه مدیریت پایگاه داده است. از ویژگی‌های منحصر به فرد آن می‌توان به پشتیبانی از سامانه‌های ذخیره‌سازی مختلف مانند S3، گوگل درایو و FTP اشاره کرد. همچنین، دیتاباسوس امکان دریافت اطلاع‌رسانی را از طریق پیام‌رسان‌های محبوبی مانند Slack، Discord و تلگرام فراهم می‌کند، که این امر کمک می‌کند مدیران پایگاه داده‌ها وضعیت نسخه‌های پشتیبان را به سرعت و به راحتی پیگیری کنند.
این ابزار با طراحی کاربرپسند و امکانات گسترده، برای تیم‌های توسعه و مدیران سیستم‌هایی که نیاز به راه‌حلی مطمئن و قابل اطمینان برای پشتیبان‌گیری دارند، بسیار مناسب است. یکی از ویژگی‌های بارز آن، اعتبارسنجی نسخه‌های پشتیبان از طریق انجام عملیات بازگردانی واقعی است، یعنی قبل از اطمینان کامل، پشتیبان‌ها را تست می‌کند و صحت آن‌ها را بررسی می‌نماید. این کار تضمین می‌کند که زمانی که نیاز به بازیابی باشد، نسخه‌های پشتیبان به درستی عمل خواهند کرد و داده‌ها امن و قابل بازیابی خواهند بود.
در نتیجه، دیتاباسوس ابزاری قدرتمند است که با امکانات پیشرفته و تمرکز بر امنیت و اعتماد، ابزار مهمی برای هر تیم فناوری‌اطلاعات در مدیریت نسخه‌های پشتیبان پایگاه‌های داده PostgreSQL محسوب می‌شود.
#پشتیبان‌گیری #PostgreSQL #امنیت_داده #نسخه‌پشتیبان
🟣لینک مقاله:
https://github.com/databasus/databasus?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Databasus (GitHub Repo)
🟢 خلاصه مقاله:
دیتاباسوس یک ابزار پشتیبان‌گیری رایگان، منبع باز و خودمیزبان برای پایگاه داده‌های PostgreSQL است که امکانات متعددی را در اختیار کاربران قرار می‌دهد. این ابزار به طور خاص بر روی بازیابی در زمان مشخص (Point-in-Time Recovery) تمرکز دارد، که یکی از مهم‌ترین نیازهای کاربران در زمینه مدیریت پایگاه داده است. از ویژگی‌های منحصر به فرد آن می‌توان به پشتیبانی از سامانه‌های ذخیره‌سازی مختلف مانند S3، گوگل درایو و FTP اشاره کرد. همچنین، دیتاباسوس امکان دریافت اطلاع‌رسانی را از طریق پیام‌رسان‌های محبوبی مانند Slack، Discord و تلگرام فراهم می‌کند، که این امر کمک می‌کند مدیران پایگاه داده‌ها وضعیت نسخه‌های پشتیبان را به سرعت و به راحتی پیگیری کنند.
این ابزار با طراحی کاربرپسند و امکانات گسترده، برای تیم‌های توسعه و مدیران سیستم‌هایی که نیاز به راه‌حلی مطمئن و قابل اطمینان برای پشتیبان‌گیری دارند، بسیار مناسب است. یکی از ویژگی‌های بارز آن، اعتبارسنجی نسخه‌های پشتیبان از طریق انجام عملیات بازگردانی واقعی است، یعنی قبل از اطمینان کامل، پشتیبان‌ها را تست می‌کند و صحت آن‌ها را بررسی می‌نماید. این کار تضمین می‌کند که زمانی که نیاز به بازیابی باشد، نسخه‌های پشتیبان به درستی عمل خواهند کرد و داده‌ها امن و قابل بازیابی خواهند بود.
در نتیجه، دیتاباسوس ابزاری قدرتمند است که با امکانات پیشرفته و تمرکز بر امنیت و اعتماد، ابزار مهمی برای هر تیم فناوری‌اطلاعات در مدیریت نسخه‌های پشتیبان پایگاه‌های داده PostgreSQL محسوب می‌شود.
#پشتیبان‌گیری #PostgreSQL #امنیت_داده #نسخه‌پشتیبان
🟣لینک مقاله:
https://github.com/databasus/databasus?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - databasus/databasus: PostgreSQL backup tool with Point-In-Time-Recovery and restore verification
PostgreSQL backup tool with Point-In-Time-Recovery and restore verification - databasus/databasus
🔵 عنوان مقاله
Self-driving infrastructure with Pulumi and Jev (5 minute read)
🟢 خلاصه مقاله:
مقاله: زیرساخت‌های خودران با پولومی و جِو (مطالعه‌ای ۵ دقیقه‌ای)
در این روزها، فناوری‌های خودران در حوزه مدیریت زیرساخت‌های ابری به سرعت در حال توسعه هستند. شرکت TypeSafe AI در همین راستا، نسخه اولیه‌ای از مدل جِو را عرضه کرده است که از ابزارهای تصمیم‌گیری برای کمک به برنامه‌ها در مدیریت بهتر زیرساخت بهره می‌برد. این مدل قادر است به صورت هوشمند، تصمیماتی مرتبط با تخصیص و مدیریت منابع زیرساختی اتخاذ کند و روندهای کاری را بسیار ساده‌تر و کارآمدتر سازد.
از طرف دیگر، شرکت پولومی (Pulumi) با توسعه ابزار GeoDeploy، توانسته است یک راهکار متن‌باز و نوآورانه ارائه دهد که بر پایه جِو ساخته شده است. این ابزار، به طور خودکار قیمت‌ها را مقایسه و بهترین گزینه برای استقرار کلاسترهای Kubernetes در ابرهای مختلف مانند آمازون، آزور و گوگل کلود پیشنهاد می‌دهد. این سیستم هوشمند، فرآیند تصمیم‌گیری را تسهیل کرده و هزینه‌ها و زمان مربوط به مدیریت زیرساخت‌ها را به شکل قابل توجهی کاهش می‌دهد.
در نتیجه، این فناوری‌ها جایگاه مهمی در آینده فناوری زیرساخت‌های خودران خواهند داشت و نه تنها کارایی را افزایش می‌دهند، بلکه به مدیران فناوری اطلاعات کمک می‌کنند تا تصمیمات بهتری در حوزه ابری اتخاذ کنند و منابع خود را به شکل بهینه مدیریت کنند.
#زیرساخت_هوشمند #ابری #متن_باز #مدیریت_مبتکرانه
🟣لینک مقاله:
https://www.pulumi.com/blog/self-driving-infrastructure-pulumi-jev/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Self-driving infrastructure with Pulumi and Jev (5 minute read)
🟢 خلاصه مقاله:
مقاله: زیرساخت‌های خودران با پولومی و جِو (مطالعه‌ای ۵ دقیقه‌ای)
در این روزها، فناوری‌های خودران در حوزه مدیریت زیرساخت‌های ابری به سرعت در حال توسعه هستند. شرکت TypeSafe AI در همین راستا، نسخه اولیه‌ای از مدل جِو را عرضه کرده است که از ابزارهای تصمیم‌گیری برای کمک به برنامه‌ها در مدیریت بهتر زیرساخت بهره می‌برد. این مدل قادر است به صورت هوشمند، تصمیماتی مرتبط با تخصیص و مدیریت منابع زیرساختی اتخاذ کند و روندهای کاری را بسیار ساده‌تر و کارآمدتر سازد.
از طرف دیگر، شرکت پولومی (Pulumi) با توسعه ابزار GeoDeploy، توانسته است یک راهکار متن‌باز و نوآورانه ارائه دهد که بر پایه جِو ساخته شده است. این ابزار، به طور خودکار قیمت‌ها را مقایسه و بهترین گزینه برای استقرار کلاسترهای Kubernetes در ابرهای مختلف مانند آمازون، آزور و گوگل کلود پیشنهاد می‌دهد. این سیستم هوشمند، فرآیند تصمیم‌گیری را تسهیل کرده و هزینه‌ها و زمان مربوط به مدیریت زیرساخت‌ها را به شکل قابل توجهی کاهش می‌دهد.
در نتیجه، این فناوری‌ها جایگاه مهمی در آینده فناوری زیرساخت‌های خودران خواهند داشت و نه تنها کارایی را افزایش می‌دهند، بلکه به مدیران فناوری اطلاعات کمک می‌کنند تا تصمیمات بهتری در حوزه ابری اتخاذ کنند و منابع خود را به شکل بهینه مدیریت کنند.
#زیرساخت_هوشمند #ابری #متن_باز #مدیریت_مبتکرانه
🟣لینک مقاله:
https://www.pulumi.com/blog/self-driving-infrastructure-pulumi-jev/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
pulumi
Self-driving infrastructure with Pulumi and Jev
GeoDeploy pairs TypeSafe Jev's confidence-scored decisions with the Pulumi Automation API to place and scale Kubernetes across AWS, Azure, and Google Cloud.
🔵 عنوان مقاله
Harvester: Cloud-Native HCI Built on Kubernetes for Bare Metal
🟢 خلاصه مقاله:
در دنیای فناوری اطلاعات، مدیریت زیرساخت‌های سخت‌افزاری و نرم‌افزاری به شکل مؤثری چالش‌برانگیز است. در این راستا، راه‌حل‌هایی مانند سیستم‌های زیرساخت‌های کاربردی در ابری (HCI) به کمک سازمان‌ها آمده‌اند تا فرآیندهای مدیریت، نگهداری و توسعه منابع زیرساخت را ساده‌تر و کارآمدتر کنند. یکی از نمونه‌های برجسته این فناوری، Harvester است که به عنوان یک راه‌حل هسته‌ای و مبتنی بر فناوری‌های مدرن، امکاناتی بی‌نظیر را در اختیار کاربران قرار می‌دهد.
Harvester به عنوان یک سیستم زیرساخت‌های کاربردی مبتنی بر ابر، بر پایه فناوری Kubernetes ساخته شده است. این پروژه، امکان بهره‌مندی از قابلیت‌های کنترلی و اتوماسیون Kubernetes را در فضای سرورهای فیزیکی بدون نیاز به زیرساخت‌های ابری پیچیده فراهم می‌کند. نتیجه این است که سازمان‌ها می‌توانند با کمترین پیچیدگی و بیش‌ترین بهره‌وری، منابع مورد نیاز خود را مدیریت و توسعه دهند، بدون نیاز به مهاجرت به محیط‌های ابری یا زیرساخت‌های پیچیده. با توجه به قابلیت‌های اَبَرپایدار و انعطاف‌پذیری که Harvester ارائه می‌دهد، تکرار عملیات و مدیریت تجهیزات فیزیکی به شکل مؤثرتر و اقتصادی‌تر انجام می‌شود.
در مجموع، Harvester راه‌حلی قدرتمند است که با ترکیب فناوری‌های مدرن و تمرکز بر نیازهای سازمان‌ها، امکان استفاده کارآمد از سخت‌افزارهای فیزیکی را در بسترهای ابری و کنترلی فراهم می‌آورد. این پلتفرم انعطاف‌پذیر، فرصت‌های تازه‌ای برای توسعه و مدیریت زیرساخت‌های فناوری اطلاعات ارائه می‌دهد و به سازمان‌ها کمک می‌کند تا به شکل بهینه‌تر و امن‌تر بهره‌مند شوند.
#زیرساخت_یکپارچه #Kubernetes #مدیریت_سخت‌افزار #کلودنیو
🟣لینک مقاله:
https://ku.bz/0-LL0mwyj
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Harvester: Cloud-Native HCI Built on Kubernetes for Bare Metal
🟢 خلاصه مقاله:
در دنیای فناوری اطلاعات، مدیریت زیرساخت‌های سخت‌افزاری و نرم‌افزاری به شکل مؤثری چالش‌برانگیز است. در این راستا، راه‌حل‌هایی مانند سیستم‌های زیرساخت‌های کاربردی در ابری (HCI) به کمک سازمان‌ها آمده‌اند تا فرآیندهای مدیریت، نگهداری و توسعه منابع زیرساخت را ساده‌تر و کارآمدتر کنند. یکی از نمونه‌های برجسته این فناوری، Harvester است که به عنوان یک راه‌حل هسته‌ای و مبتنی بر فناوری‌های مدرن، امکاناتی بی‌نظیر را در اختیار کاربران قرار می‌دهد.
Harvester به عنوان یک سیستم زیرساخت‌های کاربردی مبتنی بر ابر، بر پایه فناوری Kubernetes ساخته شده است. این پروژه، امکان بهره‌مندی از قابلیت‌های کنترلی و اتوماسیون Kubernetes را در فضای سرورهای فیزیکی بدون نیاز به زیرساخت‌های ابری پیچیده فراهم می‌کند. نتیجه این است که سازمان‌ها می‌توانند با کمترین پیچیدگی و بیش‌ترین بهره‌وری، منابع مورد نیاز خود را مدیریت و توسعه دهند، بدون نیاز به مهاجرت به محیط‌های ابری یا زیرساخت‌های پیچیده. با توجه به قابلیت‌های اَبَرپایدار و انعطاف‌پذیری که Harvester ارائه می‌دهد، تکرار عملیات و مدیریت تجهیزات فیزیکی به شکل مؤثرتر و اقتصادی‌تر انجام می‌شود.
در مجموع، Harvester راه‌حلی قدرتمند است که با ترکیب فناوری‌های مدرن و تمرکز بر نیازهای سازمان‌ها، امکان استفاده کارآمد از سخت‌افزارهای فیزیکی را در بسترهای ابری و کنترلی فراهم می‌آورد. این پلتفرم انعطاف‌پذیر، فرصت‌های تازه‌ای برای توسعه و مدیریت زیرساخت‌های فناوری اطلاعات ارائه می‌دهد و به سازمان‌ها کمک می‌کند تا به شکل بهینه‌تر و امن‌تر بهره‌مند شوند.
#زیرساخت_یکپارچه #Kubernetes #مدیریت_سخت‌افزار #کلودنیو
🟣لینک مقاله:
https://ku.bz/0-LL0mwyj
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - harvester/harvester: Open source hyperconverged infrastructure (HCI) software
Open source hyperconverged infrastructure (HCI) software - harvester/harvester
🔵 عنوان مقاله
A Type Stronger than the Sum of its Components (5 minute read)
🟢 خلاصه مقاله:
در زبان برنامه‌نویسی Rust، استفاده از اجزای قوی‌تر در APIها می‌تواند بوروکراسی و خطاهای احتمالی را کاهش دهد و امنیت کد را افزایش دهد. یکی از روش‌هایی که توسعه‌دهندگان برای ارتقاء امنیت و قابلیت اطمینان در نظر می‌گیرند، تبدیل نوع‌های مختلف درونی به انواع خاص و مشخص است. به عنوان مثال، در حوزه مسیرهای فایل، به‌جای قبول کردن رشته‌های عمومی یا مسیرهای نسبی و مطلق بدون محدودیت، می‌توان نوع‌هایی مخصوص برای اجزای مسیر تعریف کرد، که هر کدام وظیفه و محدودیت‌های خاص خود را دارند.
در این رویکرد، بخش‌های مختلف مسیر فایل مانند اجزای مسیر از نوع‌های خاصی مانند `NormalComponent` و `ParentDirComponent` قالب‌ریزی می‌شوند. این کار این امکان را می‌دهد که کامپایلر بتواند ویژگی‌های مهمی مانند ایمنی در اتصال مسیرها یا جلوگیری از وارد کردن موارد نامعتبر مانند `..`، مسیرهای مطلق یا دیگر اجزای نادرست را تضمین کند. به این ترتیب، توسعه‌دهندگان دیگر نمی‌توانند به سادگی مقادیر غیرمجاز را وارد کنند و خطای احتمالی کاهش می‌یابد، چرا که کدهای غیرقابل مجاز در هنگام کامپایل شناسایی می‌شوند.
در نتیجه، این رویکرد نه تنها باعث می‌شود APIها قدرتمندتر و ایمن‌تر باشند، بلکه انعطاف‌پذیری در مدیریت مسیرهای فایل را نیز افزایش می‌دهد و خطاهای زمانی اجرا را کاهش می‌دهد. با این نوع محدودیت‌های مشخص، کدهای Rust به سطح بالاتری از امنیت و استحکام می‌رسند که این هدف اصلی طراحی زبان است.
#برنامه‌نویسی #Rust #ایمنی_کد #پروژه‌های_فایل
🟣لینک مقاله:
https://www.schneems.com/2026/09/24/a-type-stronger-than-the-sum-of-its-components/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
A Type Stronger than the Sum of its Components (5 minute read)
🟢 خلاصه مقاله:
در زبان برنامه‌نویسی Rust، استفاده از اجزای قوی‌تر در APIها می‌تواند بوروکراسی و خطاهای احتمالی را کاهش دهد و امنیت کد را افزایش دهد. یکی از روش‌هایی که توسعه‌دهندگان برای ارتقاء امنیت و قابلیت اطمینان در نظر می‌گیرند، تبدیل نوع‌های مختلف درونی به انواع خاص و مشخص است. به عنوان مثال، در حوزه مسیرهای فایل، به‌جای قبول کردن رشته‌های عمومی یا مسیرهای نسبی و مطلق بدون محدودیت، می‌توان نوع‌هایی مخصوص برای اجزای مسیر تعریف کرد، که هر کدام وظیفه و محدودیت‌های خاص خود را دارند.
در این رویکرد، بخش‌های مختلف مسیر فایل مانند اجزای مسیر از نوع‌های خاصی مانند `NormalComponent` و `ParentDirComponent` قالب‌ریزی می‌شوند. این کار این امکان را می‌دهد که کامپایلر بتواند ویژگی‌های مهمی مانند ایمنی در اتصال مسیرها یا جلوگیری از وارد کردن موارد نامعتبر مانند `..`، مسیرهای مطلق یا دیگر اجزای نادرست را تضمین کند. به این ترتیب، توسعه‌دهندگان دیگر نمی‌توانند به سادگی مقادیر غیرمجاز را وارد کنند و خطای احتمالی کاهش می‌یابد، چرا که کدهای غیرقابل مجاز در هنگام کامپایل شناسایی می‌شوند.
در نتیجه، این رویکرد نه تنها باعث می‌شود APIها قدرتمندتر و ایمن‌تر باشند، بلکه انعطاف‌پذیری در مدیریت مسیرهای فایل را نیز افزایش می‌دهد و خطاهای زمانی اجرا را کاهش می‌دهد. با این نوع محدودیت‌های مشخص، کدهای Rust به سطح بالاتری از امنیت و استحکام می‌رسند که این هدف اصلی طراحی زبان است.
#برنامه‌نویسی #Rust #ایمنی_کد #پروژه‌های_فایل
🟣لینک مقاله:
https://www.schneems.com/2026/09/24/a-type-stronger-than-the-sum-of-its-components/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Schneems
A Type Stronger than the Sum of its Components
Have you ever written a type that you appreciated so much you still think about it? Like eating a really good meal, where if you try hard enough, you can sti...
🔵 عنوان مقاله
Empowering autonomous agents with advanced security governance (5 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، هوش مصنوعی عامل‌محور نقش بسیار مهمی در توسعه کسب‌وکارها ایفا می‌کند، اما در عین حال خطرات جدیدی را نیز درباره امنیت سازمان‌ها به وجود آورده است. این نوع هوشمندی، با قابلیت‌های خود برای دسترسی به سامانه‌های حساس و انجام فعالیت‌های مستقل، می‌تواند به تهدیداتی مانند حملات تزریق دستورات و سمپاشی ابزارها تبدیل شود. بنابراین، سازمان‌ها باید رویکردهای خود را در مقابله با این تهدیدات تغییر دهند و به جای تمرکز صرف بر مسدود کردن دسترسی‌ها، نگاهی جامع‌تر و راهکارهای حکمرانی امنیتی قوی‌تر را در نظر بگیرند.
در این راستا، طراحی سیستم‌های امنیتی بر پایه اصل امن بودن به طور پیش‌فرض، نقش مهمی ایفا می‌کند. به عبارتی، سیستم‌هایی که از ابتدا به گونه‌ای ساخته شده‌اند که کمترین امکان نفوذ یا حمله را دارند، می‌توانند بحرانی‌ترین خطرات را کاهش دهند. افزون بر این، تعیین هویت و مجوزهای دقیق برای عوامل هوشمند، نظارت مرکزی بر فعالیت‌ها و همچنین نیاز به تأیید انسانی برای انجام اقدامات حساس، از مهم‌ترین اقدامات در حکمرانی امنیتی محسوب می‌شود. این اقدامات، به صورت یک خط دفاع هوشمندانه و چند لایه در مقابل تهدیدات عملکرد می‌کنند و توجه ویژه‌ای به کنترل مستقل و مسئولانه فعالیت‌های هوشمند دارند.
در نتیجه، با پیاده‌سازی استراتژی‌های امن، ساختارهای نظارتی قوی و کنترل‌های دسترسی سخت‌تر، می‌توان سطح امنیت سازمان‌ها را در برابر تهدیدات ناشی از عوامل هوشمند و هوش مصنوعی تقویت کرد. این گام‌ها، نه تنها ریسک‌های جاری را کاهش می‌دهند، بلکه کمک می‌کنند تا سازمان‌ها در آینده، در دنیای متغیر فناوری، با اطمینان بیشتری فعالیت کنند و از فرصت‌های نوین بهره‌مند شوند.
#امنیت_سازمانی #هوش_مصنوعی #حکمرانی_امنیت #امنیت_هوشمند
🟣لینک مقاله:
https://cloud.google.com/blog/topics/ai-infrastructure/state-of-ai-infrastructure-report-agent-governance-and-security/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Empowering autonomous agents with advanced security governance (5 minute read)
🟢 خلاصه مقاله:
در دنیای امروز، هوش مصنوعی عامل‌محور نقش بسیار مهمی در توسعه کسب‌وکارها ایفا می‌کند، اما در عین حال خطرات جدیدی را نیز درباره امنیت سازمان‌ها به وجود آورده است. این نوع هوشمندی، با قابلیت‌های خود برای دسترسی به سامانه‌های حساس و انجام فعالیت‌های مستقل، می‌تواند به تهدیداتی مانند حملات تزریق دستورات و سمپاشی ابزارها تبدیل شود. بنابراین، سازمان‌ها باید رویکردهای خود را در مقابله با این تهدیدات تغییر دهند و به جای تمرکز صرف بر مسدود کردن دسترسی‌ها، نگاهی جامع‌تر و راهکارهای حکمرانی امنیتی قوی‌تر را در نظر بگیرند.
در این راستا، طراحی سیستم‌های امنیتی بر پایه اصل امن بودن به طور پیش‌فرض، نقش مهمی ایفا می‌کند. به عبارتی، سیستم‌هایی که از ابتدا به گونه‌ای ساخته شده‌اند که کمترین امکان نفوذ یا حمله را دارند، می‌توانند بحرانی‌ترین خطرات را کاهش دهند. افزون بر این، تعیین هویت و مجوزهای دقیق برای عوامل هوشمند، نظارت مرکزی بر فعالیت‌ها و همچنین نیاز به تأیید انسانی برای انجام اقدامات حساس، از مهم‌ترین اقدامات در حکمرانی امنیتی محسوب می‌شود. این اقدامات، به صورت یک خط دفاع هوشمندانه و چند لایه در مقابل تهدیدات عملکرد می‌کنند و توجه ویژه‌ای به کنترل مستقل و مسئولانه فعالیت‌های هوشمند دارند.
در نتیجه، با پیاده‌سازی استراتژی‌های امن، ساختارهای نظارتی قوی و کنترل‌های دسترسی سخت‌تر، می‌توان سطح امنیت سازمان‌ها را در برابر تهدیدات ناشی از عوامل هوشمند و هوش مصنوعی تقویت کرد. این گام‌ها، نه تنها ریسک‌های جاری را کاهش می‌دهند، بلکه کمک می‌کنند تا سازمان‌ها در آینده، در دنیای متغیر فناوری، با اطمینان بیشتری فعالیت کنند و از فرصت‌های نوین بهره‌مند شوند.
#امنیت_سازمانی #هوش_مصنوعی #حکمرانی_امنیت #امنیت_هوشمند
🟣لینک مقاله:
https://cloud.google.com/blog/topics/ai-infrastructure/state-of-ai-infrastructure-report-agent-governance-and-security/?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Google Cloud Blog
State of AI infrastructure report agent governance and security | Google Cloud Blog
To be useful and secure, AI agents need access — and also guardrails.
🔵 عنوان مقاله
Browserskill (GitHub Repo)
🟢 خلاصه مقاله:
براوزرسکیل (مرجع گیت‌هاب) این ابزار قدرتمند، امکان ارتباط مستقیم هوش مصنوعی‌های پیشرفته مانند Cursor، Claude Code و Codex را با مرورگر وارد شده کاربر فراهم می‌کند. هدف از توسعه این نرم‌افزار، تسهیل تعامل میان هوش مصنوعی و محیط مرورگر است تا کاربران بتوانند بدون دردسر و با دسترسی سریع، از امکانات هوش مصنوعی بهره‌مند شوند. برای انجام این فرآیند، هوش مصنوعی‌ها باید به صورت صریح و واضح اجازه بگیرند که برگه‌های باز در مرورگر را موقتاً قرض بگیرند و پس از اتمام وظیفه، آن‌ها را به حالت اولیه برگردانند. این روش تضمین می‌کند که حریم شخصی کاربر حفظ شده و فعالیت‌های مرورگر به صورت منظم مدیریت می‌شود.
در کنار این قابلیت‌ها، براوزرسکیل مجموعه‌ای از ابزارهای کاربردی دارد، از جمله رابط خط فرمان برای کنترل و مدیریت آسان‌تر، یک دیمون (خدمت پس‌زمینه) برای اجراهای مداوم و پیوسته، و افزونه‌ای برای مرورگر که به طور مستقیم با محیط کاری کاربر تلفیق می‌شود. این طراحی چندجانبه، فرآیند استفاده را بسیار ساده و کاربرپسند می‌کند، به طوری که کاربران می‌توانند به راحتی و با کمترین زحمت، هوش مصنوعی را در فرآیندهای مختلف مرورگر خود ادغام کنند و نتیجه مطلوب را دریافت کنند.
در نتیجه، براوزرسکیل یک ابزار پیشرو است که به توسعه‌دهندگان و کاربران حرفه‌ای امکان می‌دهد تا بهره‌وری خود را افزایش دهند و به صورت موثرتری با هوش مصنوعی و مرورگرهای وب تعامل داشته باشند. این پروژه در گیت‌هاب در دسترس است و توسعه‌دهندگان می‌توانند با کد منبع آن آشنا شوند و در بهبود و گسترش قابلیت‌های آن مشارکت کنند.
#هوش_مصنوعی #مرورگر #ابزارهای_توسعه #پیشرفت_فناوری
🟣لینک مقاله:
https://github.com/Tencent/BrowserSkill?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Browserskill (GitHub Repo)
🟢 خلاصه مقاله:
براوزرسکیل (مرجع گیت‌هاب) این ابزار قدرتمند، امکان ارتباط مستقیم هوش مصنوعی‌های پیشرفته مانند Cursor، Claude Code و Codex را با مرورگر وارد شده کاربر فراهم می‌کند. هدف از توسعه این نرم‌افزار، تسهیل تعامل میان هوش مصنوعی و محیط مرورگر است تا کاربران بتوانند بدون دردسر و با دسترسی سریع، از امکانات هوش مصنوعی بهره‌مند شوند. برای انجام این فرآیند، هوش مصنوعی‌ها باید به صورت صریح و واضح اجازه بگیرند که برگه‌های باز در مرورگر را موقتاً قرض بگیرند و پس از اتمام وظیفه، آن‌ها را به حالت اولیه برگردانند. این روش تضمین می‌کند که حریم شخصی کاربر حفظ شده و فعالیت‌های مرورگر به صورت منظم مدیریت می‌شود.
در کنار این قابلیت‌ها، براوزرسکیل مجموعه‌ای از ابزارهای کاربردی دارد، از جمله رابط خط فرمان برای کنترل و مدیریت آسان‌تر، یک دیمون (خدمت پس‌زمینه) برای اجراهای مداوم و پیوسته، و افزونه‌ای برای مرورگر که به طور مستقیم با محیط کاری کاربر تلفیق می‌شود. این طراحی چندجانبه، فرآیند استفاده را بسیار ساده و کاربرپسند می‌کند، به طوری که کاربران می‌توانند به راحتی و با کمترین زحمت، هوش مصنوعی را در فرآیندهای مختلف مرورگر خود ادغام کنند و نتیجه مطلوب را دریافت کنند.
در نتیجه، براوزرسکیل یک ابزار پیشرو است که به توسعه‌دهندگان و کاربران حرفه‌ای امکان می‌دهد تا بهره‌وری خود را افزایش دهند و به صورت موثرتری با هوش مصنوعی و مرورگرهای وب تعامل داشته باشند. این پروژه در گیت‌هاب در دسترس است و توسعه‌دهندگان می‌توانند با کد منبع آن آشنا شوند و در بهبود و گسترش قابلیت‌های آن مشارکت کنند.
#هوش_مصنوعی #مرورگر #ابزارهای_توسعه #پیشرفت_فناوری
🟣لینک مقاله:
https://github.com/Tencent/BrowserSkill?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - Tencent/BrowserSkill: Let AI agents use your real, logged-in browser without interrupting your work. CLI + extension for…
Let AI agents use your real, logged-in browser without interrupting your work. CLI + extension for browser automation across any shell-capable AI agent. - Tencent/BrowserSkill