این روزها تقریباً همه درباره AI Agentها صحبت میکنند. Agentهایی که میتوانند کد بنویسند، فایلها را تغییر دهند، تست اجرا کنند و حتی Pull Request بسازند.
اما یک سؤال برای من جالبتر بود:
اگر به یک AI Agent دسترسی به سرور واقعی بدهیم، چطور مطمئن شویم که میتواند کارهای زیرساختی را انجام دهد، بدون اینکه با یک تصمیم اشتباه باعث Down شدن سرویس یا از دست رفتن اطلاعات شود؟
مثلاً تصور کنید به Agent بگوییم:
وضعیت سرویس Odoo را بررسی کن.
لاگهای PostgreSQL را بررسی کن و علت خطا را پیدا کن.
نسخه جدید یک سرویس را Deploy کن.
دیتابیس نسخه جدید را با نسخه قبلی مقایسه کن.
قبل از Migration مطمئن شو که چیزی از اطلاعات از بین نمیرود.
در نگاه اول، اتصال Claude Code یا هر Agent دیگری به سرور از طریق SSH میتواند این کارها را ممکن کند.
اما اجرای دستور روی سرور با مدیریت قابلاعتماد زیرساخت تفاوت زیادی دارد.
همین مسئله نقطه شروع پروژه vps-mcp بود.
GitHub: https://github.com/navid72m/vps-mcp
یکی از سادهترین راهها برای اتصال یک Agent به VPS این است که یک ابزار SSH در اختیارش قرار دهیم.
در این حالت Agent میتواند دستورهایی مثل systemctl، docker و psql را اجرا کند.
اما این روش چند مشکل دارد:
اول اینکه Agent باید بداند برای هر کار چه دستورهایی را اجرا کند و خروجیهای مختلف را تفسیر کند.
دوم اینکه خروجی دستورات Shell همیشه ساختاریافته نیست. Agent ممکن است مجبور شود چندین دستور اجرا کند، خروجیها را پردازش کند و از کنار هم گذاشتن آنها به نتیجه برسد.
و مهمتر از همه، اجرای یک دستور اشتباه روی Production میتواند عواقب جدی داشته باشد.
برای همین به نظرم مسئله فقط اتصال AI به سرور نیست؛ مسئله طراحی یک لایه کنترلی بین Agent و زیرساخت است.
MCP یا Model Context Protocol استانداردی برای اتصال مدلهای هوش مصنوعی به ابزارها و منابع خارجی است.
بهجای اینکه مدل مستقیماً با Shell کار کند، میتوانیم مجموعهای از ابزارهای مشخص با ورودی و خروجی تعریفشده در اختیارش قرار دهیم.
برای مثال، بهجای اجرای چند دستور SSH برای بررسی وضعیت یک سرویس، Agent میتواند از ابزاری مثل get_service_status استفاده کند و نتیجهای ساختاریافته دریافت کند.
در vps-mcp تلاش کردم این ایده را برای مدیریت VPS پیادهسازی کنم.
این پروژه یک MCP Server مبتنی بر Python است که از طریق SSH به سرور لینوکسی متصل میشود.
نکته جالب معماری آن این است که خود MCP Server روی سیستم محلی اجرا میشود و لازم نیست یک سرویس دائمی جدید روی VPS نصب کنیم.
Agent از طریق MCP با ابزارها ارتباط برقرار میکند و MCP Server عملیات مجاز را از طریق SSH انجام میدهد.
یکی از بخشهای اصلی پروژه مدیریت سرویسهای systemd و کانتینرهای Docker و Podman است.
Agent میتواند:
وضعیت سرویسها را بررسی کند.
لاگها را بخواند.
میزان مصرف منابع را بررسی کند.
سرویسها را Start، Stop یا Restart کند.
کانتینر جدید Deploy کند.
نسخه سرویسها را بهروزرسانی کند.
تغییرات پیکربندی را بررسی و اعمال کند.
نکته مهم این است که خروجی ابزارها تا حد امکان ساختاریافته و کمحجم است.
هدف این است که Agent بهجای دریافت حجم زیادی از خروجی Shell، اطلاعات موردنیازش را مستقیماً دریافت کند.
به نظرم یکی از مهمترین بخشهای چنین پروژهای، نحوه کنترل دسترسی است.
در vps-mcp تلاش کردم امنیت را صرفاً به Prompt یا دستورالعملهای مدل وابسته نکنم.
چند لایه کنترلی در نظر گرفته شده است:
Least Privilege
اتصال SSH با یک کاربر اختصاصی انجام میشود و دسترسیهای موردنیاز از طریق یک فایل sudoers محدود تعریف میشوند.
Read-only Mode
میتوان پروژه را در حالت فقط خواندنی اجرا کرد؛ در این حالت ابزارهای تغییر وضعیت غیرفعال هستند.
Preview و Confirmation
عملیات تغییردهنده میتوانند ابتدا یک Preview برگردانند. برای اجرای عملیات باید تأیید صریح ارسال شود.
Health Check و Rollback
در عملیات Lifecycle مانند Deploy و Update، پس از اعمال تغییرات سلامت سرویس بررسی میشود. اگر سرویس به وضعیت سالم نرسد، امکان بازگشت خودکار به نسخه قبلی وجود دارد.
Audit Log
تغییرات و عملیات قابل ثبت و بررسی هستند.
هدف این نیست که Agent را کاملاً آزاد بگذاریم و امیدوار باشیم تصمیم درستی بگیرد؛ هدف این است که حتی اگر مدل تصمیم اشتباهی گرفت، محدودیتهای سیستم از زیرساخت محافظت کنند.
یکی از قابلیتهایی که برای من جذابیت بیشتری داشت، بخش تحلیل و تمرین Migration دیتابیس است.
فرض کنید میخواهیم یک سیستم Odoo را از نسخه ۱۷ به ۱۹ ارتقا دهیم.
اجرای مستقیم Migration روی دیتابیس اصلی ریسک زیادی دارد.
ممکن است بعضی ماژولها بهدرستی ارتقا پیدا نکنند، ساختار جداول تغییر کند یا بخشی از اطلاعات از بین برود.
به همین دلیل در vps-mcp یک جریان کاری برای تحلیل و Rehearsal طراحی کردم.
این جریان چند مرحله دارد:
مرحله اول: بررسی دیتابیس
Agent میتواند ساختار دیتابیس، ماژولها و اطلاعات موردنیاز را بررسی کند.
مرحله دوم: مقایسه
دو دیتابیس با یکدیگر مقایسه میشوند و تفاوتها در دستههای مختلفی مثل Schema، دادهها، Constraints و وضعیت ماژولهای Odoo بررسی میشوند.
مرحله سوم: تولید گزارش ریسک
نتایج بهصورت Finding دستهبندی میشوند:
Blocking
Warning
Info
در نهایت سیستم یکی از سه نتیجه را ارائه میکند:
safe_to_promote
review_warnings
do_not_promote
مرحله چهارم: Rehearsal روی کپی موقت
بهجای اجرای مستقیم عملیات روی دیتابیس اصلی، یک کپی موقت از دیتابیس ساخته میشود و مراحل Migration روی آن اجرا میشوند.
پس از پایان کار، نتیجه با دیتابیس منبع مقایسه میشود.
این بخش برای من اهمیت زیادی دارد، چون Agent فقط قرار نیست دستور Migration را اجرا کند؛ باید بتواند شواهدی درباره نتیجه اجرای آن ارائه دهد.
قابلیت دیگر پروژه، اتصال به GitLab است.
Agent میتواند اطلاعات پروژههای مجاز را بخواند، Commitها و Merge Requestها را بررسی کند، وضعیت Pipelineها را ببیند و در صورت نیاز Issue یا Merge Request ایجاد کند.
یکی از سناریوهای جالب این است:
به Agent بگوییم نسخه مشخصی از Addonها را روی VPS Deploy کند.
قبل از اجرای Deploy، اطلاعات Commit، فایلهای تغییرکرده، وضعیت CI و سرویسهای تحت تأثیر نمایش داده میشوند.
پس از تأیید، همان Commit مشخص Deploy میشود.
اگر Health Check ناموفق باشد، Rollback انجام میشود.
در ادامه توسعه پروژه، متوجه شدم ابزارهای مدیریت VPS میتوانند بخشی از یک دستیار شخصی بزرگتر باشند.
به همین دلیل یک Personal Assistant هم به پروژه اضافه کردم که از طریق Telegram قابل استفاده است.
این دستیار میتواند از ابزارهای vps-mcp استفاده کند و در کنار آن به قابلیتهای دیگری مثل موارد زیر دسترسی داشته باشد:
حافظه بلندمدت برای نگهداری اطلاعات و تصمیمات
اتصال به Gmail و Google Calendar
جستوجو و مطالعه اسناد و مقالات با RAG
تعامل با حساب شخصی Telegram
اجرای وظایف طولانی و پیگیری وضعیت آنها
یکی از ویژگیهای مهم این معماری، حافظه مشترک بین Agentها و Sessionهای مختلف است.
یعنی اگر در یک Session تصمیمی ثبت شود، Session بعدی هم میتواند آن را بازیابی کند.
این حافظه صرفاً یک تاریخچه از مکالمات نیست؛ اطلاعات همراه با منبع، میزان اطمینان و زمان اعتبار نگهداری میشوند.
در حال حاضر معماری کلی به این شکل است:
User | Telegram | Personal Assistant | MCP Client | vps-mcp | SSH | Dedicated VPS User | +-----+------+ | | systemd Docker | | +-----+------+ | VPS Infrastructure Other integrations: GitLab / Google Workspace Agent Memory / Knowledge Base
MCP Server روی سیستم محلی اجرا میشود و ارتباط با VPS از طریق SSH انجام میشود.
این طراحی باعث میشود نیازی به نصب یک Agent دائمی با دسترسی گسترده روی VPS نباشد.
من ترجیح میدهم در این مورد اغراق نکنم.
مدیریت زیرساخت با کمک AI هنوز یک مسئله جدی مهندسی است.
وجود Preview، Confirmation، محدودیت دسترسی، Audit Log و Rollback به معنی حذف تمام ریسکها نیست.
برای مثال، اجرای Scriptهای سفارشی با یک ابزار کاملاً Sandbox شده تفاوت دارد. بنابراین در پروژه برای Jobهای تعریفشده محدودیتها و کنترلهای جداگانه در نظر گرفته شدهاند، اما این به معنی ایزولهسازی کامل هر Script نیست.
همچنین استفاده از چنین ابزاری روی Production نیازمند بررسی دقیق تنظیمات، دسترسیها، Backup و سناریوهای شکست است.
هدف من از توسعه این پروژه ساخت یک ابزار جادویی نیست؛ بلکه بررسی این ایده است که چطور میتوانیم AI Agentها را به ابزارهای عملیاتی قابلکنترل و قابلاعتماد تبدیل کنیم.
به نظرم مرحله بعدی توسعه AI Agentها صرفاً اضافه کردن Toolهای بیشتر نیست.
هرچه Agentها به سیستمهای واقعیتر متصل میشوند، اهمیت موضوعاتی مثل Permission، State Management، Observability، Rollback و حافظه بیشتر میشود.
یک Agent که میتواند دستور اجرا کند، لزوماً یک Agent قابلاعتماد نیست.
من در پروژه vps-mcp سعی کردم بخشی از این مسئله را در حوزه مدیریت زیرساخت و Migration بررسی کنم.
پروژه Open Source است و از مشارکت، بازخورد و نقدهای فنی استقبال میکنم.
مخزن GitHub:
https://github.com/navid72m/vps-mcp
اگر تجربهای در زمینه اتصال AI Agentها به زیرساخت واقعی دارید، خوشحال میشوم نظرتان را درباره این معماری و چالشهای امنیتی آن بدانم.