اجرای AI Agent روی سرور | آموزش استقرار و میزبانی ۲۰۲۶

AI Agent خود را ساخته‌اید، اما نمی‌دانید آن را چطور به‌صورت دائمی اجرا کنید؟ یا شاید Agent روی لپ‌تاپ شما به‌خوبی کار می‌کند، اما با خاموش شدن سیستم یا قطع شدن اینترنت، کل سرویس از دسترس خارج می‌شود. این موارد بخشی از چالش‌های رایج توسعه‌دهندگان برای اجرای AI Agent در محیط واقعی و ارائه یک سرویس پایدار و همیشه در دسترس است.

اما چگونه AI Agent را به‌صورت دائمی و پایدار روی سرور اجرا کنیم؟

در این مطلب از مفاهیم پایه شروع می‌کنیم و تا استقرار تولیدی (Production Deployment) پیش می‌رویم تا بتوانید AI Agent خود را به‌صورت دائمی روی سرور اجرا کنید و در نهایت متناسب با نیاز پروژه، بهترین زیرساخت میزبانی را انتخاب کنید.

• برای آشنایی با انواع میزبانی‌ها می‌توانید مطلب «انواع میزبانی وب؛ راهنمای جامع انتخاب بهترین هاست در ۲۰۲۶» را مطالعه کنید.

Self-Hosted AI Agent یا عامل هوش مصنوعی خودمیزبان چیست؟

عامل هوش مصنوعی خودمیزبان (Self-Hosted AI Agent)، Agentی است که روی زیرساخت تحت کنترل شما مانند سرور ابری، VPS، سرور اختصاصی یا پلتفرم‌های ابری مدیریت‌شده اجرا می‌شود. برخلاف سرویس‌های آماده، در این روش کنترل بیشتری روی نحوه اجرا، امنیت و منابع در اختیار دارید.

این Agentها می‌توانند با APIها ارتباط برقرار کنند، فایل‌ها را پردازش کنند و مانند یک دستیار هوشمند بسیاری از کارها را به‌صورت خودکار انجام دهند. همچنین قادر هستند تصمیم‌های چندمرحله‌ای بگیرند و برای مثال فرایندی مانند دریافت اطلاعات از یک API، پردازش داده‌ها و ثبت نتیجه در دیتابیس را از ابتدا تا انتها مدیریت کنند.

• اگر قصد دارید Agent خود را به ابزارها، سرویس‌ها و نرم‌افزارهای مختلف متصل کنید، مطالعه مقاله «MCP چیست؟ راهنمای کامل Model Context Protocol از صفر تا استقرار» می‌تواند دید بهتری از استانداردهای جدید اتصال AI Agentها در اختیار شما قرار دهد.

چرا Agent را روی سرور خود اجرا کنیم؟

اگر Agent را فقط برای یادگیری یا آزمایش ساخته‌اید، اجرای آن روی سیستم شخصی کافی است. اما زمانی که قرار باشد کاربران واقعی از آن استفاده کنند، بهتر است آن را روی سرور مستقر کنید.

اجرای AI Agent روی سرور چند مزیت مهم دارد:

• همیشه در دسترس است. حتی اگر کامپیوتر شما خاموش باشد، Agent به کار خود ادامه می‌دهد.
• امنیت بیشتری دارد. می‌توانید کلیدهای API و اطلاعات حساس را به‌صورت امن مدیریت کنید.
• به سرویس‌های دیگر متصل می‌شود. اتصال به دیتابیس، APIهای داخلی یا فایل‌سرورها بسیار ساده‌تر خواهد بود.
• با رشد پروژه مقیاس‌پذیر است. اگر تعداد کاربران افزایش پیدا کند، می‌توانید منابع بیشتری در اختیار Agent قرار دهید.

پیش‌نیازهای اجرای AI Agent روی سرور

قبل از اینکه پروژه را روی سرور مستقر کنید، بهتر است چند مورد را بررسی کنید. رعایت همین نکات ساده باعث می‌شود هنگام استقرار با خطاهای کمتری روبه‌رو شوید و Agent بدون مشکل اجرا شود.

۱. ساختار پروژه را مرتب کنید

اول از همه مطمئن شوید فایل‌های اصلی پروژه به‌درستی سازمان‌دهی شده‌اند. برای یک پروژه پایتون ساختاری مانند نمونه زیر کافی است:

project/

├── main.py

├── requirements.txt

├── .env

└── Dockerfile

در این ساختار، فایل main.py نقطه شروع برنامه است، requirements.txt کتابخانه‌های موردنیاز را مشخص می‌کند و فایل .env برای نگهداری تنظیمات و کلیدهای API استفاده می‌شود. اگر پروژه را با Node.js توسعه داده‌اید، به‌جای requirements.txt باید فایل package.json را داشته باشید.

۲. کلیدهای API را داخل کد قرار ندهید

یکی از اشتباهات رایج، قرار دادن کلیدهای API داخل فایل‌های پروژه است. برای مثال، نوشتن کدی مانند نمونه زیر توصیه نمی‌شود.

• OPENAI_API_KEY=”sk-xxxx”

بهتر است کلیدها را از متغیرهای محیطی (Environment Variables) دریافت کنید:

• OPENAI_API_KEY=os.getenv(“OPENAI_API_KEY”)

به این ترتیب، اطلاعات حساس داخل کد ذخیره نمی‌شوند و در صورت انتشار پروژه یا استفاده از Git، امنیت کلیدهای شما حفظ خواهد شد.

۳. نسخه دقیق مدل را مشخص کنید

اگر از مدل‌هایی مانند Claude یا GPT استفاده می‌کنید، بهتر است نسخه دقیق مدل را مشخص کنید و از نام‌های عمومی استفاده نکنید.

برای مثال، به‌جای:

• claude-sonnet

از نسخه مشخص استفاده کنید:

• claude-3-7-sonnet-20250219

این کار باعث می‌شود رفتار Agent در آینده تغییر نکند و اگر نسخه جدیدی از مدل منتشر شد، پروژه شما همچنان با همان نسخه قبلی اجرا شود.

۴. از همان ابتدا لاگ‌ها را ثبت کنید

بعد از استقرار، ممکن است بخواهید بدانید چرا Agent به یک سؤال پاسخ اشتباه داده یا چرا سرعت آن کاهش پیدا کرده است. اگر از ابتدا لاگ‌ها را ثبت نکرده باشید، پیدا کردن علت این مشکلات بسیار سخت خواهد بود.

بهتر است حداقل اطلاعات زیر را ذخیره کنید:

• ورودی کاربر
• پاسخ Agent
• تعداد توکن مصرف‌شده
• هزینه هر درخواست
• خطاهای احتمالی
• زمان پاسخ‌دهی

این اطلاعات زمانی مفید خواهند بود که بخواهید خطاها را عیب‌یابی کنید، عملکرد Agent را بررسی کنید یا علت بروز یک مشکل را پیدا کنید.

مقایسه روش‌های اجرای AI Agent

بعد از آماده کردن پروژه، باید تصمیم بگیرید Agent را روی چه نوع زیرساختی اجرا کنید. به‌طور کلی سه انتخاب اصلی پیش روی شما قرار دارد: اجرای لوکال، استفاده از VPS یا اجرای برنامه روی یک پلتفرم ابری مدیریت‌شده.

معیار	لوکال	VPS خام	پلتفرم ابری
زمان راه‌اندازی	۵ دقیقه	۱ تا ۳ ساعت	۵ تا ۱۰ دقیقه
نیاز به DevOps	کم	زیاد	کم
امنیت	پایین	متوسط	بالا
مقیاس‌پذیری	ندارد	دستی	خودکار
مانیتورینگ	ندارد	دستی	داخلی
Auto-Scaling	ندارد	ندارد	دارد
High Availability	ندارد	محدود	دارد
هزینه نگهداری	پایین	بالا	پایین

طبق جدول:

• اجرای لوکال برای توسعه، تست و آزمایش پروژه مناسب است.
• استفاده از VPS زمانی مناسب است که به کنترل کامل روی سرور و تنظیمات آن نیاز داشته باشید.
• پلتفرم‌های ابری مدیریت‌شده (PaaS) برای استقرار سریع، اجرای پروژه‌های واقعی و کاهش درگیری با مدیریت سرور انتخاب مناسب‌تری هستند.

اجرای لوکال؛ مناسب برای توسعه و تست

ساده‌ترین راه برای اجرای AI Agent، اجرای آن روی کامپیوتر شخصی است. این روش برای توسعه، تست و رفع اشکال بسیار مناسب است، چون هر تغییری که در کد ایجاد کنید، بلافاصله می‌توانید نتیجه آن را ببینید.

اما اگر قرار باشد کاربران واقعی از Agent شما استفاده کنند، اجرای لوکال انتخاب مناسبی نیست. در این حالت، برنامه به سیستم شخصی شما وابسته است و با خاموش شدن کامپیوتر یا قطع شدن اینترنت، سرویس نیز از دسترس خارج می‌شود.

اجرای AI Agent روی VPS

اگر بخواهید کنترل بیشتری روی محیط اجرا داشته باشید، می‌توانید از یک VPS (سرور مجازی) استفاده کنید. در این روش، یک سرور در اختیار شما قرار می‌گیرد و تقریباً همه تنظیمات آن را خودتان انجام می‌دهید.

این آزادی عمل یک مزیت مهم است، اما مسئولیت بیشتری نیز به همراه دارد. برای راه‌اندازی یک AI Agent روی VPS معمولاً باید کارهای زیر را انجام دهید:

• نصب سیستم‌عامل و ابزارهای موردنیاز
• نصب Python یا Node.js
• پیکربندی وب‌سرور مانند Nginx
• فعال کردن SSL برای اتصال امن
• تنظیم سرویس‌هایی مانند systemd برای اجرای دائمی برنامه
• راه‌اندازی مانیتورینگ و لاگ‌گیری
• تهیه نسخه پشتیبان و مدیریت به‌روزرسانی‌ها

اجرای روی پلتفرم ابری مدیریت‌شده

اگر نمی‌خواهید درگیر مدیریت سرور شوید، استفاده از یک پلتفرم ابری مدیریت‌شده (PaaS) انتخاب مناسب‌تری است. در این روش، بخش زیادی از کارهای مربوط به زیرساخت به‌صورت خودکار انجام می‌شود و شما می‌توانید تمرکز خود را روی توسعه Agent بگذارید.

در بیشتر پلتفرم‌های PaaS کافی است پروژه را به مخزن Git متصل کنید تا با هر Git Push، نسخه جدید برنامه به‌صورت خودکار Build و مستقر شود.

برای مثال، با استفاده از پلتفرم چابکان می‌توانید پروژه خود را مستقیماً از Git مستقر کنید و بسیاری از کارهای مربوط به زیرساخت، مانیتورینگ و مدیریت سرویس را به پلتفرم بسپارید. همچنین با قابلیت مقیاس‌پذیری خودکار، در صورت افزایش تعداد کاربران، منابع موردنیاز برنامه نیز بدون نیاز به تنظیمات پیچیده افزایش پیدا می‌کند. در این روش، عملاً زمان بسیار کمتری صرف مدیریت سرور خواهید کرد و می‌توانید روی توسعه قابلیت‌های Agent تمرکز داشته باشید.

• اگر با مفهوم PaaS آشنایی ندارید، پیشنهاد می‌کنیم ابتدا مطلب «PaaS چیست؟ هر آنچه توسعه‌دهندگان باید درباره Platform as a Service بدانند» را مطالعه کنید تا با نحوه کار این پلتفرم‌ها و مزایای آن‌ها بیشتر آشنا شوید.

آموزش گام‌به‌گام استقرار AI Agent روی سرور

حالا که پروژه را آماده کرده‌اید و محل استقرار را انتخاب کرده‌اید، وقت آن است که Agent را روی سرور اجرا کنید. در ادامه، مراحل اصلی این فرایند را به‌ترتیب بررسی می‌کنیم.

مرحله اول: آماده‌سازی پروژه

قبل از هر چیز، مطمئن شوید فایل‌های اصلی پروژه کامل هستند. یک پروژه ساده معمولاً حداقل فایل‌های زیر را دارد:

نمونه ساختار:

• main.py
• requirements.txt
• .env.sample

وجود این فایل‌ها باعث می‌شود سرور بتواند وابستگی‌ها را شناسایی کند و برنامه را بدون مشکل اجرا کند.

مرحله دوم: نصب وابستگی‌ها

تمام کتابخانه‌هایی که پروژه به آن‌ها نیاز دارد باید داخل فایل requirements.txt قرار بگیرند. برای مثال:

• fastapi
• uvicorn
• openai
• langchain
• python-telegram-bot

در زمان استقرار، سرور این فایل را می‌خواند و کتابخانه‌ها را به‌صورت خودکار نصب می‌کند. اگر یکی از وابستگی‌ها در این فایل وجود نداشته باشد، برنامه پس از استقرار اجرا نخواهد شد.

مرحله سوم: ایجاد API

بیشتر AI Agentها از طریق یک API با سایر برنامه‌ها ارتباط برقرار می‌کنند. اگر از FastAPI استفاده می‌کنید، یک Endpoint ساده برای بررسی وضعیت برنامه می‌تواند به شکل زیر باشد:

نمونه:

from fastapi import FastAPI

app = FastAPI()

@app.get(“/”)

def home():

return {“status”:”running”}

بعد از استقرار، با باز کردن این آدرس می‌توانید مطمئن شوید برنامه به‌درستی اجرا شده است.

مرحله چهارم: اتصال Git

اکنون نوبت به انتقال پروژه به مخزن Git می‌رسد. اگر هنوز پروژه را به Git متصل نکرده‌اید، دستورات زیر را اجرا کنید:

• git init
• git add .
• git commit -m “first commit”
• git push origin main

در بسیاری از پلتفرم‌های ابری مثل چابکان، با انجام git push فرایند Build و استقرار به‌صورت خودکار آغاز می‌شود و دیگر نیازی به آپلود دستی فایل‌ها نخواهید داشت.

• اگر می‌خواهید با نحوه استقرار خودکار پروژه‌ها از طریق Git و مزایای آن نسبت به روش‌های قدیمی مانند FTP و cPanel آشنا شوید، مقاله «استقرار خودکار (Auto Deployment) چیست؟ خداحافظی با FTP و cPanel» را از دست ندهید.

مرحله پنجم: تنظیم Environment Variables

قبل از اجرای نهایی، باید متغیرهای محیطی پروژه را در پنل سرور یا پلتفرم ابری وارد کنید. این متغیرها شامل کلیدهای API و تنظیمات اصلی برنامه هستند.

نمونه:

• OPENAI_API_KEY=
• BOT_TOKEN=
• MODEL_NAME=
• MAX_BUDGET=

مرحله ششم: برنامه را مستقر و اجرا کنید

پس از پایان مراحل بالا، فرایند Build آغاز می‌شود. اگر همه‌چیز به‌درستی تنظیم شده باشد، برنامه اجرا خواهد شد و Endpoint آن در دسترس قرار می‌گیرد.

در این مرحله می‌توانید وضعیت اجرای برنامه را بررسی کنید، لاگ‌ها را مشاهده کنید و در صورت بروز خطا، آن را عیب‌یابی کنید. اگر همه مراحل به‌درستی انجام شده باشند، Agent به‌صورت دائمی روی سرور اجرا خواهد شد.

مثال: استقرار ربات تلگرام مبتنی بر LangChain

فرض کنید یک ربات تلگرام ساخته‌اید که از LangChain و OpenAI استفاده می‌کند. در این حالت، ساختار پروژه می‌تواند به شکل زیر باشد.

فایل main.py

from fastapi import FastAPI

app = FastAPI()

@app.get(“/”)

async def health():

return {“status”:”ok”}

فایل requirements.txt

fastapi

uvicorn

langchain

python-telegram-bot

openai

فایل .env.sample

OPENAI_API_KEY=

TELEGRAM_TOKEN=

MODEL_NAME=gpt-4.1

بعد از استقرار پروژه، تنها کافی است این مراحل را انجام دهید:

1. کلیدهای API را در بخش Environment Variables وارد کنید.
2. برنامه را اجرا کنید.
3. Webhook ربات تلگرام را تنظیم کنید.
4. عملکرد ربات را با ارسال چند پیام آزمایش کنید.

اگر همه مراحل را به‌درستی انجام داده باشید، ربات شما به‌صورت دائمی روی سرور اجرا می‌شود و دیگر به کامپیوتر شخصی وابسته نخواهد بود.

اجرای Agent با Docker

برخی از پروژه‌ها به نسخه‌های خاصی از Python، کتابخانه‌ها یا ابزارهای سیستمی نیاز دارند. در چنین شرایطی، استفاده از Docker می‌تواند فرایند استقرار را ساده‌تر و قابل‌اعتمادتر کند.

یک Dockerfile ساده به شکل زیر است:

• FROM python:3.12
• WORKDIR /app
• COPY . .
• RUN pip install -r requirements.txt
• CMD [“python”,”main.py”]

Docker باعث می‌شود محیط اجرای پروژه همیشه یکسان باشد؛ یعنی برنامه روی لپ‌تاپ شما، سرور و محیط Production دقیقاً با یک تنظیمات اجرا شود. علاوه بر این، مدیریت وابستگی‌ها ساده‌تر می‌شود و احتمال بروز خطاهای ناشی از تفاوت محیط اجرا به حداقل می‌رسد.

اگر پروژه شما ساده است، ممکن است نیازی به Docker نداشته باشید؛ اما برای پروژه‌های بزرگ‌تر یا زمانی که قرار است برنامه روی چند سرور مختلف اجرا شود، استفاده از Docker یکی از بهترین انتخاب‌ها است.

مدیریت هزینه اجرای AI Agent

بعد از اینکه Agent خود را روی سرور اجرا کردید، یکی از مهم‌ترین مواردی که باید به آن توجه کنید، کنترل هزینه‌ها است. بیشتر مدل‌های هوش مصنوعی مانند OpenAI، Claude و Gemini بر اساس تعداد توکن یا درخواست هزینه دریافت می‌کنند. به همین دلیل، اگر محدودیتی برای مصرف تعریف نکنید، با افزایش تعداد کاربران ممکن است هزینه‌های پروژه خیلی سریع بیشتر از حد انتظار شود.

بهترین راهکار این است که از همان ابتدا برای مصرف Agent محدودیت‌هایی در نظر بگیرید. این محدودیت‌ها هم به مدیریت هزینه‌ها کمک می‌کنند و هم از سوءاستفاده احتمالی جلوگیری خواهند کرد.

برای مثال می‌توانید محدودیت‌هایی مانند موارد زیر را تعریف کنید:

• برای هر نشست (Session): حداکثر ۵۰ هزار توکن
• برای هر کاربر: سقف هزینه روزانه ۵ دلار
• برای کل سیستم: بودجه ماهانه ۵۰۰ دلار

نکته مهم این است که اگر بودجه تعیین‌شده به پایان رسید، Agent نباید به‌صورت ناگهانی از کار بیفتد. بهتر است ابتدا درخواست در حال اجرا تکمیل شود، گزارش مربوط به پایان بودجه ثبت شود و سپس Agent یا بخشی از قابلیت‌های آن متوقف شود.

ردیابی و مشاهده‌پذیری (Observability)

بعد از استقرار Agent، فقط اجرا شدن برنامه کافی نیست. باید بتوانید عملکرد آن را نیز بررسی کنید تا در صورت بروز مشکل، سریعاً علت را پیدا کنید. به این فرایند مشاهده‌پذیری (Observability) گفته می‌شود.

برای مثال، اگر یکی از کاربران اعلام کند که Agent پاسخ اشتباهی داده یا سرعت پاسخ‌دهی آن کاهش پیدا کرده است، با استفاده از لاگ‌ها و اطلاعات ثبت‌شده می‌توانید علت مشکل را بررسی کنید.

بهتر است Agent شما حداقل اطلاعات زیر را ثبت کند:

• نسخه مدل هوش مصنوعی (Model Version)
• نسخه پرامپت (Prompt Version)
• زمان پاسخ‌دهی (Latency)
• هزینه هر درخواست (Cost)
• تعداد دفعات تلاش مجدد (Retry Count)
• ابزارهای فراخوانی‌شده (Tool Calls)

هرچه اطلاعات دقیق‌تری ثبت کنید، عیب‌یابی و بهینه‌سازی Agent نیز ساده‌تر خواهد بود.

ارزیابی خودکار (Evals)

هر تغییری که در مدل، پرامپت یا کد پروژه ایجاد می‌کنید، ممکن است روی عملکرد Agent تأثیر بگذارد. به همین دلیل بهتر است قبل از انتشار هر نسخه جدید، چند تست ساده روی آن انجام دهید.

این تست‌ها سه هدف اصلی دارند:

• تست صحت (Correctness): بررسی می‌کند که پاسخ Agent از نظر منطقی و اطلاعاتی درست باشد.
• تست کیفیت (Quality): بررسی می‌کند که پاسخ تولیدشده برای کاربر مفید، روان و قابل استفاده باشد.
• تست ایمنی (Safety): بررسی می‌کند که Agent در برابر حملاتی مانند Prompt Injection یا درخواست‌های مخرب رفتار مناسبی داشته باشد.

امنیت و Guardrails

امنیت در AI Agentها فقط به استفاده از HTTPS یا رمزنگاری ارتباطات محدود نمی‌شود. از آنجا که بسیاری از Agentها به فایل‌ها، APIها یا سرویس‌های مختلف دسترسی دارند، باید مشخص کنید که چه کارهایی مجاز هستند و چه کارهایی نباید انجام شوند.

به‌طور کلی، بهتر است امنیت Agent را در سه بخش بررسی کنید.

1. محافظت از ورودی‌ها

اولین قدم، بررسی درخواست‌هایی است که به Agent ارسال می‌شوند. برای افزایش امنیت، بهتر است موارد زیر را در نظر بگیرید:

• محدود کردن طول درخواست‌ها
• اعتبارسنجی اطلاعات ورودی
• اعمال محدودیت تعداد درخواست‌ها (Rate Limiting)
• شناسایی حملات Prompt Injection

2. محافظت از خروجی‌ها

پاسخی که Agent تولید می‌کند نیز باید کنترل شود. برای مثال، بهتر است از انتشار اطلاعات حساس جلوگیری کنید، فرمت خروجی را بررسی کنید و برای عملیات مهم، تأیید انسانی در نظر بگیرید.

3. محدود کردن دسترسی Agent

یکی از مهم‌ترین اصول امنیتی این است که Agent فقط به منابعی دسترسی داشته باشد که واقعاً به آن‌ها نیاز دارد. برای مثال، نباید بتواند فایل‌ها را حذف کند، ایمیل ارسال کند یا اطلاعات محرمانه را منتشر کند؛ مگر اینکه این دسترسی‌ها به‌صورت مشخص برای آن تعریف شده باشند.

چک‌لیست نهایی قبل از انتشار AI Agent

قبل از اینکه Agent را در اختیار کاربران قرار دهید، چند دقیقه زمان بگذارید و موارد زیر را بررسی کنید. همین بررسی کوتاه می‌تواند از بسیاری از مشکلات بعدی جلوگیری کند.

✅ نسخه مدل هوش مصنوعی مشخص و ثابت است.

✅ کلیدهای API در Environment Variables قرار دارند.

✅ لاگ‌ها و مانیتورینگ فعال هستند.

✅ محدودیت مصرف و هزینه تعریف شده است.

✅ تست‌های ایمنی و عملکرد اجرا شده‌اند.

✅ نسخه پرامپت‌ها ثبت شده است.

✅ Auto Scaling (در صورت نیاز) فعال است.

✅ امکان بازگشت به نسخه قبلی (Rollback) وجود دارد.

جمع‌بندی

اجرای AI Agent با وجود پلتفرم‌های ابری و سرورهای مدرن، دیگر کار پیچیده‌ای نیست که آن را به دلیل نگرانی از مدیریت سرور، تنظیمات فنی یا فرایند استقرار به تعویق بیندازید. شما همین حالا می‌توانید با انتخاب یک زیرساخت مناسب، Agent خود را تنها در چند دقیقه مستقر کنید و آن را به‌صورت دائمی، پایدار و مقیاس‌پذیر در اختیار کاربران قرار دهید.

اگر به دنبال راه‌اندازی سریع و بدون دردسر AI Agent هستید، چابکان با استقرار آسان، پشتیبانی از Docker، Python و Node.js، سازگاری با CI/CD، مقیاس‌پذیری خودکار، پرداخت ساعتی و اعتبار رایگان برای شروع، بستری قابل اعتماد برای میزبانی پروژه‌های هوش مصنوعی در اختیار شما قرار می‌دهد تا Agent خود را در کمترین زمان از محیط توسعه به یک سرویس آماده استفاده تبدیل کنید.

پرسش‌های متداول (FAQ)

1. آیا برای اجرای AI Agent به GPU نیاز دارم؟

خیر. اگر از APIهای OpenAI، Anthropic یا Gemini استفاده می‌کنید، نیازی به GPU ندارید.

2. آیا می‌توان Agent را روی VPS اجرا کرد؟

بله. اما تمام وظایف DevOps بر عهده خود شما خواهد بود.

3. بهترین روش استقرار چیست؟

برای بیشتر پروژه‌ها، پلتفرم‌های ابری مدیریت‌شده (PaaS) بهترین تعادل را بین سادگی راه‌اندازی، امنیت، مقیاس‌پذیری، عملکرد و هزینه ایجاد می‌کنند و نیاز به مدیریت پیچیده سرور را تا حد زیادی کاهش می‌دهند.

4. مهم‌ترین نکته امنیتی چیست؟

محدود کردن دسترسی‌های Agent و پیاده‌سازی Guardrails.