- عنوان کتاب: Agentic DevOps with Claude Code Build governed AI platforms on Kubernetes with GitOps, observability, and self-service
- نویسنده: Michael Forrester
- حوزه: DevOps
- سال انتشار: 2026
- تعداد صفحه: 354
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 13.4 مگابایت
دیگر از اکثر تیم‌های پلتفرم پرسیده نمی‌شود که آیا هوش مصنوعی در روند کار مهندسی جایگاهی دارد یا خیر. از آنها پرسیده می‌شود که چه زمانی به دست خواهد آمد، کجا اجرا خواهد شد، چه چیزی اجازه لمس آن را خواهد داشت و چه کسی در صورت تصمیم‌گیری ضعیف، پاسخ خواهد داد. اینها سوالات مدل نیستند. اینها سوالات مهندسی پلتفرم هستند: هویت، سیاست، تحویل، مشاهده‌پذیری، مالکیت و بازیابی. یک عامل مفید باید در داخل این کنترل‌ها باشد. در غیر این صورت، این فقط یک راه سریع جدید برای ایجاد یک حادثه است. این کتاب از یک ساخت زنده بیرون آمد که در آن کلود کد به مونتاژ یک پلتفرم توسعه‌دهنده داخلی ۳۳ جزئی بومی هوش مصنوعی در یک خوشه واقعی Kubernetes کمک کرد. این عامل پیکربندی را داربست‌بندی کرد، برنامه‌های GitOps را سیم‌کشی کرد، قالب‌های Backstage را ایجاد کرد، عامل‌ها را اعلام کرد و به عیب‌یابی خرابی‌های همگام‌سازی کمک کرد. این چشمگیر به نظر می‌رسد، اما سرعت هرگز درس اصلی نبود. بخش مهم این بود که عامل از یک مشخصات کار می‌کرد، در مجوزهای تعریف‌شده عمل می‌کرد، تغییراتی در Git ایجاد می‌کرد و باید همان اعتبارسنجی را که از هر مشارکت‌کننده دیگری انتظار داریم، پشت سر می‌گذاشت. این پلتفرم از یک ایده ساده پیروی می‌کند: هوش مصنوعی باید سیستم‌های ابری بومی که از قبل به آنها اعتماد دارید را گسترش دهد، نه اینکه به عنوان یک افزونه‌ی بدون نظارت در کنار آنها قرار گیرد. ما با Argo CD، مدیریت اسرار، اجرای سیاست، قابلیت مشاهده و Backstage شروع می‌کنیم. سپس دروازه‌هایی برای ترافیک عامل و مدل، منابع kagent، ابزارهای MCP، KServe و vLLM برای سرویس‌دهی مدل، محافظت سریع و تله‌متری سرتاسری اضافه می‌کنیم. در نهایت، نتیجه را به عنوان یک مسیر طلایی سلف سرویس بسته‌بندی می‌کنیم که توسعه‌دهندگان می‌توانند بدون دور زدن کنترل‌های مورد نیاز تیم پلتفرم از آن استفاده کنند. هر فصل بخشی از یک ساخت مداوم است. شما قبل از نصب، معماری را بررسی خواهید کرد، قبل از مجوزها، مرزهای اعتماد را تعریف می‌کنید و یک لایه را قبل از لایه بعدی اعتبارسنجی می‌کنید. مثال‌ها از مانیفست‌ها، دستورات، آزمایش‌ها و شکست‌های واقعی استفاده می‌کنند. هدف حفظ کردن ۳۳ نام محصول نیست. هدف یادگیری الگوهایی است که از تغییرات محصول جان سالم به در می‌برند: Git به عنوان منبع حقیقت، رابط‌های باریک، ورودی‌ها و خروجی‌های ساختاریافته، سیاست قبل از عمل، تله‌متری سرتاسری و اختیار انسان بر تغییرات متعاقب. این بخشی است که معمولاً افراد از آن صرف نظر می‌کنند: یک نسخه آزمایشی موفق، چیز زیادی در مورد آمادگی تولید ثابت نمی‌کند. خوشه‌ها دچار تغییر می‌شوند. نمودارها تغییر می‌کنند. CRDها قبل از آماده شدن کنترل‌کننده‌ها ظاهر می‌شوند. اعتبارنامه‌ها به لاگ‌ها نشت می‌کنند. سیاست‌ها به دلایل اشتباه، کار درست را مسدود می‌کنند. عامل‌ها می‌توانند مزخرفات مطمئن را برگردانند، ابزار اشتباهی را فراخوانی کنند یا یک عمل ناموفق را تا زمانی که یک وقفه به یک قطعی تبدیل شود، تکرار کنند. ساخت زنده با نقص‌های واقعی مواجه شد و این کتاب با آنها به عنوان شواهد مهندسی رفتار می‌کند. ما رفتار را تأیید می‌کنیم، شکست‌ها را به تست‌ها و دفترچه‌های اجرا تبدیل می‌کنیم و مرزها را قابل مشاهده می‌کنیم. فقط خواندنی – اول. همیشه. این در مورد جایگزینی مهندسان پلتفرم نیست. یک عامل می‌تواند خلاصه‌سازی، چارچوب‌بندی، همبستگی و کمک به اولویت‌بندی را انجام دهد. نمی‌تواند ریسک را به عهده بگیرد. در پایان، شما یک معماری مرجع و یک مسیر کاری از بوت‌استرپ خوشه تا سرویس عامل کنترل‌شده خواهید داشت، به علاوه بررسی‌های لازم برای تصمیم‌گیری در مورد اینکه آیا شایسته دسترسی گسترده‌تر است یا خیر. هدف جادو نیست. هدف، یک فرآیند عملیاتی بهتر است: سریع در صورت ایمن بودن، محتاط در صورت واقعی بودن شعاع انفجار، و به اندازه کافی قابل مشاهده برای مهندس بعدی تا بفهمد چه اتفاقی افتاده است. قبل از نصب اولین جزء، با تعریف مرزهای اعتماد شروع می‌کنیم.
Most platform teams are no longer being asked whether AI belongs in the engineering workàow. They are being asked when it will arrive, where it will run, what it will be allowed to touch, and who will answer when it makes a poor decision. Those are not model questions. They are platform-engineering questions: identity, policy, delivery, observability, ownership, and recovery. A useful agent must Ýt inside those controls. Otherwise, it is just a fast new way to create an incident. This book grew out of a live build in which Claude Code helped assemble a 33- component AI-native internal developer platform on a real Kubernetes cluster. The agent scaffolded conÝguration, wired GitOps applications, created Backstage templates, declared agents, and helped troubleshoot sync failures. That sounds impressive, but speed was never the main lesson. The important part was that the agent worked from a speciÝcation, operated within deÝned permissions, produced changes in Git, and had to pass the same validation we would expect from any other contributor. The platform follows a simple idea: AI should extend the cloud-native systems you already trust, not sit beside them as an ungoverned bolt-on. We begin with Argo CD, secrets management, policy enforcement, observability, and Backstage. We then add gateways for agent and model trafÝc, kagent resources, MCP tools, KServe and vLLM for model serving, prompt protection, and end-to-end telemetry. Finally, we package the result as a self-service golden path that developers can use without bypassing the controls the platform team needs. Each chapter is part of one continuous build. You will inspect architecture before installation, deÝne trust boundaries before permissions, and validate one layer before the next. The examples use real manifests, commands, tests, and failures. The goal is not to memorize 33 product names. It is to learn the patterns that survive product changes: Git as the source of truth, narrow interfaces, structured inputs and outputs, policy before action, end-to-end telemetry, and human authority over consequential changes. Here is the part people usually skip: a successful demo proves little about production readiness. Clusters drift. Charts change. CRDs appear before controllers are ready. Credentials leak into logs. Policies block the right thing for the wrong reason. Agents can return conÝdent nonsense, call the wrong tool, or repeat a failing action until a timeout becomes an outage. The live build encountered real defects, and this book treats them as engineering evidence. We verify behavior, turn failures into tests and runbooks, and make boundaries visible. Read-only Ýrst. Always. This is not about replacing platform engineers. An agent can summarize, scaffold, correlate, and help with triage; it cannot own the risk. By the end, you will have a reference architecture and a working path from cluster bootstrap to governed agent service, plus the checks needed to decide whether it deserves wider access. The goal is not magic. The goal is a better operational workàow: fast when safe, cautious when the blast radius is real, and observable enough for the next engineer to understand what happened. We begin by deÝning trust boundaries before installing the Ýrst component.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Agentic DevOps with Claude Code
نظرات کاربران