ایجنت‌های کدنویسی هوش مصنوعی مثل Claude Code، Aider، OpenHands و ابزارهای مشابه، دیگر فقط کد پیشنهاد نمی‌دهند؛ مخزن را می‌خوانند، دستور اجرا می‌کنند، تست‌ها را اجرا و تغییرات را اعمال می‌کنند. اجرای این ایجنت‌ها روی یک سرور، به‌جای لپ‌تاپ، مزیت‌هایی مثل کار شبانه‌روزی، ایزوله‌سازی و منابع بیشتر دارد. در این مقاله بررسی می‌کنیم چه سروری برای AI Coding Agentها لازم است، از منابع سخت‌افزاری تا ایزوله‌سازی و امنیت.
فهرست مطالب
چرا ایجنت کدنویسی را روی سرور اجرا کنیم؟
- اجرای طولانی و بدون نظارت: کارهایی مثل مهاجرت کد، رفع ده‌ها خطای تست یا به‌روزرسانی وابستگی‌ها ممکن است ساعت‌ها طول بکشد؛ سرور خاموش نمی‌شود و اتصالش قطع نمی‌شود.
- ایزوله‌سازی: ایجنتی که دستور اجرا می‌کند، بهتر است روی سیستم شخصی شما با همه فایل‌ها و کلیدهایتان اجرا نشود.
- منابع بیشتر: کامپایل، اجرای تست‌ها و کانتینرهای همزمان روی سرور پرقدرت سریع‌تر است.
- اینترنت پایدار: دانلود سریع پکیج‌ها و ایمیج‌ها و دسترسی پایدار به APIها.
- کار تیمی: چند نفر یا چند ایجنت روی محیط‌های جداگانه همان سرور کار می‌کنند.
ایجنت کدنویسی چه باری روی سرور می‌گذارد؟
خود ابزار ایجنت سبک است؛ بار اصلی از کارهایی می‌آید که ایجنت انجام می‌دهد:
- نصب وابستگی‌ها (npm، pip، composer، Maven).
- کامپایل و Build پروژه.
- اجرای مجموعه تست‌ها، گاهی چند بار پشت سر هم.
- اجرای سرویس‌های جانبی مثل دیتابیس و Redis در Docker برای تست.
- جستجو در کد و Git با فایل‌های زیاد.
یعنی سرور ایجنت کدنویسی شبیه یک سرور CI (یکپارچه‌سازی مداوم) است: به پردازنده چندهسته‌ای، RAM کافی و دیسک سریع نیاز دارد.
مشخصات پیشنهادی سرور
| سناریو | vCPU | RAM | دیسک |
|---|---|---|---|
| یک ایجنت، پروژه کوچک تا متوسط (وب، اسکریپت) | ۴ | ۸ گیگابایت | ۸۰ گیگابایت NVMe |
| پروژه بزرگ با Docker و تست‌های سنگین | ۸ | ۱۶ گیگابایت | ۱۶۰ گیگابایت NVMe |
| چند ایجنت موازی یا تیم | ۱۶ | ۳۲ گیگابایت یا بیشتر | ۳۲۰ گیگابایت NVMe |
- دیسک NVMe اهمیت ویژه‌ای دارد؛ نصب وابستگی‌ها و Build هزاران فایل کوچک را می‌خوانند و می‌نویسند. تفاوت‌ها در مقایسه NVMe، SSD و HDD.
- RAM را با در نظر گرفتن کانتینرهای تست و ابزارهای Build سنگین مثل Webpack یا Gradle تعیین کنید.
- اگر ایجنت از API مدل‌های تجاری استفاده می‌کند، به GPU نیازی ندارید.
برای جزئیات انتخاب منابع، راهنمای انتخاب VPS را ببینید.
اگر مدل را هم محلی اجرا کنید
برخی تیم‌ها برای حریم خصوصی کد یا کاهش هزینه، مدل‌های متن‌باز کدنویسی را محلی اجرا می‌کنند. در این حالت به سرور GPU نیاز دارید:
- مدل‌های کدنویسی ۷ تا ۱۴ میلیاردی برای تکمیل کد و کارهای ساده روی کارت‌های ۱۶ تا ۲۴ گیگابایتی اجرا می‌شوند.
- برای کارهای ایجنتی چندمرحله‌ای، مدل‌های بزرگ‌تر (۳۲ میلیارد پارامتر و بیشتر) نتیجه قابل اعتمادتری دارند و به کارت ۴۸ گیگابایتی یا بیشتر نیاز دارند.
- ایجنت‌های کدنویسی متن طولانی (فایل‌های متعدد) به مدل می‌دهند، پس حافظه KV Cache را هم حساب کنید.
معماری رایج: ایجنت روی VPS و مدل روی سرور GPU جداگانه، متصل از طریق یک API سازگار با OpenAI. با این حال، باید واقع‌بین بود: در کارهای پیچیده کدنویسی، بهترین مدل‌های تجاری معمولاً هنوز جلوتر از مدل‌های قابل اجرا روی یک GPU هستند.
ایزوله‌سازی: مهم‌ترین اصل
ایجنت کدنویسی دستورهای شل اجرا می‌کند و ممکن است اشتباه کند یا با محتوای مخرب در کد، مستندات یا وابستگی‌ها فریب بخورد. پس:
- هر ایجنت یا پروژه در کانتینر یا ماشین مجازی جداگانه. Dev Containerها یا یک کانتینر Docker با پوشه پروژه مانت‌شده روش رایج است.
- کاربر غیر root داخل کانتینر و بدون دسترسی به
docker.sockمیزبان. نکات کامل در امنیت Docker. - محدودیت منابع برای هر کانتینر تا یک حلقه بی‌پایان یا تست سنگین کل سرور را از کار نیندازد.
- Snapshot یا قالب پاک برای بازگشت سریع محیط به وضعیت سالم.
امنیت: کلیدها، دسترسی‌ها و شبکه
- کلیدهای کم‌دسترسی: توکن Git فقط با دسترسی به مخازن لازم و ترجیحاً بدون امکان Push به شاخه اصلی. تغییرات ایجنت از طریق Pull Request و بازبینی انسانی ادغام شوند.
- بدون اسرار تولید: رمز دیتابیس اصلی، کلیدهای سرورهای عملیاتی و کلیدهای پرداخت هرگز در محیط ایجنت قرار نگیرند.
- محدودیت شبکه: در صورت امکان، دسترسی خروجی کانتینر ایجنت را به مخازن پکیج و API مدل محدود کنید.
- ثبت فعالیت: دستورهای اجراشده و تغییرات را لاگ کنید.
- دسترسی به سرور: SSH فقط با کلید و طبق راهنمای امنیت SSH.
اگر ایجنت از طریق MCP به ابزارهای دیگر وصل می‌شود، اصول امنیت MCP Server و AI Agentها را هم رعایت کنید.
یک گردش کار پیشنهادی
- یک VPS با Docker آماده و سخت‌سازی کنید.
- برای هر وظیفه، یک کانتینر توسعه از روی قالب پروژه بسازید و مخزن را در یک شاخه جدید Clone کنید.
- ایجنت را داخل کانتینر با کلید API و توکن Git محدود اجرا کنید.
- ایجنت تغییرات را انجام، تست‌ها را اجرا و یک Pull Request ایجاد کند.
- انسان تغییرات را بازبینی و ادغام کند و کانتینر حذف شود.
برای اجرای پایدار و بدون قطعی سرویس‌های ایجنت، نکات اجرای ۲۴ ساعته AI Agent روی VPS را ببینید.
سوالات متداول
آیا برای ایجنت کدنویسی حتماً GPU لازم است؟
خیر. اگر از API مدل‌های تجاری استفاده می‌کنید، یک VPS قوی با پردازنده و RAM کافی بس است. GPU فقط برای اجرای محلی مدل لازم است.
ایجنت کدنویسی را روی لپ‌تاپ اجرا کنم یا سرور؟
برای کارهای کوتاه و تعاملی، لپ‌تاپ کافی است. برای کارهای طولانی، اجرای همزمان چند ایجنت یا ایزوله‌سازی بهتر از فایل‌های شخصی، سرور مناسب‌تر است.
آیا اجرای ایجنت روی سرور امن است؟
با ایزوله‌سازی در کانتینر، کلیدهای کم‌دسترسی و بازبینی انسانی تغییرات، ریسک به حد قابل قبول می‌رسد. ایجنت را هرگز با دسترسی root روی سرورهای عملیاتی اجرا نکنید.
چند ایجنت را می‌توان همزمان روی یک سرور اجرا کرد؟
به سنگینی پروژه بستگی دارد. به‌عنوان تخمین، برای هر ایجنت فعال روی یک پروژه متوسط ۲ هسته و ۴ گیگابایت RAM در نظر بگیرید و مصرف واقعی را پایش کنید.
سرور پرقدرت برای توسعه و ایجنت‌ها
با سرورهای مجازی تراست هاست و دیسک NVMe، محیط ایزوله ایجنت‌های کدنویسی را بسازید؛ برای مدل‌های محلی هم سرور GPU در دسترس است.
