تصور کنید مدیر فنی هستید و درست در شلوغ‌ترین هفته سال، دیتابیس شما به دلیل تکمیل ظرفیت از کار می‌افتد؛ این همان لحظه‌ای است که هزینه‌های مهاجرت اضطراری به شدت بالا می‌رود. اگر هنوز مدیریت منابع خود را به هشدار رنگ نارنجی داشبوردها سپرده‌اید، در واقع دارید یک ترییاژ (Triage) با تأخیر انجام می‌دهید. در واقع، هر تصمیم فردی برای ارتقای یک لایه دیتابیس یا افزودن یک Worker در لحظه درست به نظر می‌رسد، اما رویکرد کلی همچنان ذاتاً واکنشی است و همیشه یک قدم عقب‌تر از بحران قرار دارد.
برای بسیاری از تیم‌های مهندسی، برنامه‌ریزی ظرفیت صرفاً یک واکنش دیرهنگام است. طبق گزارش‌های منتشر شده، شکست زیرساختی به‌ندرت پیش‌تکالیف می‌فرستد و همین موضوع تیم‌ها را مجبور می‌کند در شرایط فشار شدید، مهاجرت‌های پرریسک و گران‌قیمتی را اجرا کنند؛ آن هم در حالی که زمان کافی برای ارزیابی جایگزین‌ها ندارند، زیرا حافظه به سرعت به محدودیت خود می‌رسد یا صف‌ها در یک هفته شلوغ انباشته می‌شوند.
این مشکل از آنجا ناشی می‌شود که ریاضیات برنامه‌ریزی ظرفیت ساده است، اما نظم اجرای آن روی تک‌تک منابع خسته‌کننده است. بیشتر تیم‌ها حافظه، محاسبات و اتصالات دیتابیس را مانند سیلوهای مستقل می‌بینند و رابطه بین آن‌ها را نادیده می‌گیرند. این ناپدیدی خطرناک است؛ زیرا محدودکننده واقعی — یعنی منبعی که زودتر از بقیه تمام می‌شود — تا لحظه وقوع حادثه پنهان می‌ماند. علاوه بر این، رشد به‌ندرت خطی است. منحنی ترافیکی که یک سال رشد ماهانه ثابت ۱۰ درصدی را نشان می‌دهد، می‌تواند یک‌شبه پس از عرضه یک ویژگی جدید یا جذب یک بخش جدید از مشتریان، تغییر شکل دهد. بدون پیش‌بینی‌های آینده‌نگر، سیستم حاشیه امنیت ندارد؛ بلکه حاشیه اندازه‌گیری نشده‌ای دارد که تا هفته‌ای که عملاً از بین می‌رود، دقیقاً شبیه به یک سیستم سالم به نظر می‌رسد.
همان‌طور که در تحلیل قبلی ما درباره‌ی استفاده از مدل‌های آنتروپیک در تست‌های امنیتی برای یافتن آسیب‌پذیری‌های پنهان اشاره کردیم، این رویکرد جدید از Claude Code استفاده می‌کند تا نقاط ضعف پنهان در مسیر رشد سیستم را شناسایی کند. Claude Code مدل‌سازی رشد را پیش از وقوع ارزان می‌کند؛ به جای آنکه منتظر بمانیم تا رشد، تصمیم ما را تحمیل کند.
به نقل از گزارشی که در ۲ آگوست ۲۰۲۶ در وب‌سایت dev.to منتشر شد، گذار از مقیاس‌دهی واکنشی به پیش‌دستانه نیازمند چهار مهارت خاص مبتنی بر هوش مصنوعی است که به صورت یک گردش‌کار تکرارشونده اجرا می‌شوند. این فرآیند، برنامه‌ریزی ظرفیت را از یک تکاپوی اضطراری به یک پیش‌بینی روتین تبدیل می‌کند که همواره پیش از رشد حرکت می‌کند. برای نگاهی مرتبط به آنچه اتفاق می‌افتد وقتی سیستمی با باری مواجه می‌شود که هرگز برای آن مدل‌سازی نشده، مقاله «Claude Code برای تست بار» (Load Testing) را ببینید که پاسخ می‌دهد نقطه شکست در حال حاضر کجاست، در حالی که این گردش‌کار پاسخ می‌دهد رشد چه زمانی به آن نقطه می‌رسد.
مهارت مدل‌سازی رشد
اولین فاز شامل ایجاد تصویری صادقانه از روندهای مصرف در تمام منابع کلیدی است، از جمله حافظه، محاسبات (Compute) — مثل اجاره یک آشپزخانه صنعتی که هرچه دستور پخت سنگین‌تر باشد، هزینه هر وعده بیشتر می‌شود — اتصالات دیتابیس، توان عملیاتی صف (Queue Throughput) و حجم درخواست‌ها. به جای فرض نرخ رشد ثابت یا تصور اینکه همه چیز با یک سرعت رشد می‌کند، سیستم داده‌های تاریخی را در بازه‌های زمانی طولانی استخراج می‌کند تا نویزها را از روندهای واقعی جدا کند.
- برازش منحنی مستقل: سیستم برای هر منبع منحنی رشد مجزایی می‌کشد. این حیاتی است چون ممکن است حجم درخواست‌ها ثابت بماند اما حافظه به دلیل انباشت داده‌ها رشد کند، یا محاسبات به دلیل یک ویژگی خاص جهش کند در حالی که اتصالات داتابیس پایدار می‌مانند.
- تشخیص واگرایی: با تبدیل رشد به بیش از یک عدد، واگرایی‌هایی را آشکار می‌کند که معمولاً باعث غافلگیری می‌شوند و باعث می‌شوند منبعی که زودتر تمام می‌شود شناسایی گردد.
- بازشناسی الگو: تغییرات شیب منحنی را شناسایی می‌کند تا بفهمد آیا ویژگی جدیدی اضافه شده، بخش جدید از مشتریان جذب شده‌اند یا الگوی مصرف تغییر کرده است؛ به این معنا که پیش‌بینی‌های قدیمی دیگر قابل اتکا نیستند.
مهارت تعیین آستانه
دانستن روند بدون شناخت سقف بی‌فایده است. این مهارت، منحنی‌های رشد را با محدودیت‌های عملیاتی واقعی تطبیق می‌دهد — نقطه‌ای که لایه دیتابیس به حداکثر می‌رسد، توان عملیاتی یک صف نمی‌تواند با سرعت رشد رقابت کند، یا یک کلاستر محاسباتی برای جلوگیری از افت زمان پاسخ‌دهی (Response Time) به نود اضافی نیاز دارد.
- سقف‌های عملیاتی در برابر تئوری: تمرکز بر نقاطی است که عملکرد افت می‌کند (Practical Ceilings)، نه لزوماً جایی که سیستم کاملاً کرش می‌کند (Theoretical Limits). برای مثال، یک دیتابیس ممکن است از نظر تئوری اتصالات بیشتری را پشتیبانی کند، اما نقطه‌ای که تأخیر کوئری‌ها شروع به افزایش می‌کند، عددی است که واقعاً اهمیت دارد.
- افت عملکرد: مشابه وضعیت حافظه، این مهارت نقاطی را شناسایی می‌کند که عملکرد کاهش می‌یابد، مدت‌ها پیش از آنکه دیسک به معنای لغوی پر شود.
- تاریخ‌های پیش‌بینی شده: خروجی به جای درصد، یک تاریخ است؛ مثلاً «حافظه در ۷ هفته آینده با نرخ رشد فعلی به آستانه افت عملکرد می‌رسد». یک درصد به شما می‌گوید کجا هستید، اما یک تاریخ پیش‌بینی شده به شما می‌گوید چه کاری را باید تا چه زمانی انجام دهید.
مهارت پیش‌بینی هزینه
مقیاس‌دهی در اصل یک تصمیم مالی است که در لباس فنی ظاهر شده است. برنامه‌ریزی ظرفیتی که هزینه را نادیده بگیرد، نیمی از راه را نرفته است. این مرحله منحنی‌های رشد را می‌گیرد و پیش‌بینی می‌کند که هر منبع در هر سطح از مقیاس‌دهی در آینده چه هزینه‌ای خواهد داشت. در این راستا، بهینه‌سازی مصرف منابع می‌تواند تأثیر مستقیمی بر بودجه داشته باشد، همان‌طور که مدیریت بهینه بستر متن در Claude Code توانست هزینه‌های API را به‌شدت کاهش دهد.
- مالیات‌های تاریخ‌دار: حس مبهم «افزایش هزینه‌ها» را به عددی دقیق و تاریخ‌دار تبدیل می‌کند: صورت‌حساب سه ماه آینده در صورت عدم تغییر چگونه خواهد بود و تحت هر یک از گزینه‌های واقع‌بینانه مقیاس‌دهی چه شکلی می‌گیرد.
- موازنه‌های معماری: گزینه‌هایی را آشکار می‌کند که یک نمای ساده از ظرفیت نادیده می‌گیرد. گاهی پاسخ به نزدیک شدن به سقف، خرید لایه بزرگ‌تر نیست، بلکه یک تغییر معماری است که نیاز به آن لایه را از بین می‌برد. این موازنه تنها زمانی دیده می‌شود که هزینه و ظرفیت در یک گزارش قرار بگیرند.
- هم‌سویی با بهینه‌سازی: این مرحله از همان نظم «Claude Code برای الگوهای بهینه‌سازی عملکرد» پیروی می‌کند و منطق را به جای هزینه مصرف فعلی، روی هزینه رشد آینده اعمال می‌کند. برای بررسی عمیق‌تر اثر این بهینه‌سازی‌ها، می‌توان به بنچمارک‌های جدید در مورد کاهش مصرف توکن اشاره کرد که نشان می‌دهد چگونه مهارت‌های خاص می‌توانند بهره‌وری را افزایش دهند.
مهارت گزارش برنامه‌ریزی
گام نهایی، ترکیب این داده‌ها در یک گزارش اولویت‌بندی شده است، تا از توده اعداد که باید تحت فشار تفسیر شوند فاصله بگیریم. این گزارش به جای اینکه با یک هشدار نارنجی فعال شود، طبق یک جدول زمانی منظم به‌روزرسانی می‌شود.
- رتبه‌بندی فوریت: شناسایی منبعی که زودتر از همه به سقف می‌رسد، گزینه‌های موجود در آن نقطه، هزینه هر گزینه و زمان لازم (Lead Time) برای اجرای ایمن آن.
- ردیابی روند: با ردیابی پیش‌بینی‌ها در هر اجرا، تغییر شکل منحنی رشد به عنوان یک روند görünbar می‌شود. تاریخی که در هر release نزدیک‌تر می‌شود، یک زنگ خطر واضح است.
- اتصال به رویدادها: پیش‌بینی‌ها را به اتفاقات آتی شناخته‌شده، مانند یک کمپین مارکتینگ، گره می‌زند. اگر دیتابیس در دو ماه آینده به سقف برسد و انتظار رود برود که پذیرش مشتریان جدید این منحنی را شتاب دهد، گزارش این برخورد را پیش از وقوع نمایش می‌دهد.
نحوه اجرای گردش‌کار در عمل
در یک محیط عملیاتی، ابتدا مهارت مدل‌سازی رشد اجرا می‌شود تا روندها را از داده‌های مصرف به‌روز کند. سپس مهارت تعیین آستانه، این منحنی‌ها را با سقف‌های عملیاتی تطبیق می‌دهد تا تاریخ‌های پیش‌بینی شده را تولید کند. مهارت پیش‌بینی هزینه، قیمت مسیرهای مقیاس‌دهی را در طول این خط زمانی محاسبه می‌کند. در نهایت، مهارت گزارش برنامه‌ریزی همه این‌ها را در یک نمای رتبه‌بندی شده جمع می‌کند. هر موردی که تاریخ پیش‌بینی آن نزدیک باشد، با زمان کافی برای یک تصمیم آرام علامت‌گذاری می‌شود.
با گذشت زمان، پاسخ به این سوال که «چه زمانی باید این مورد را مقیاس دهیم؟» دیگر با یک تکان شانه و سپس تکاپوی اضطراری همراه نیست. بلکه به یک تاریخ مشخص تبدیل می‌شود که به‌طور منظم بازردهی شده، هزینه مربوطه را دارد و زمان کافی فراهم می‌کند تا به جای انتخاب سریع‌ترین گزینه تحت فشار، درست‌ترین گزینه انتخاب شود.
تأثیر این گردش‌کار بر تجربه عملی
پیاده‌سازی این سیستم منجر به چهار تغییر بنیادی در مدیریت زیرساخت شد:
۱. تشخیص زودهنگام: یک مشکل منبع را دو ماه پیش از تبدیل شدن به حادثه شناسایی کرد. به‌طور خاص، منحنی رشد توان عملیاتی یک صف پس از عرضه یک ویژگی جدید به‌آرامی تند شده بود؛ خروجی گزارش مدل ذهنی قدیمی که می‌گفت «صف سالم است» را اصلاح کرد.
۲. کیفیت تصمیم‌گیری: تصمیمات مقیاس‌دهی دیگر در هفته‌ای که منبع تمام می‌شود اتخاذ نمی‌شوند. آن‌ها هفته‌ها قبل رخ می‌دهند و اجازه می‌دهند گزینه‌ها بر اساس هزینه و تلاش مقایسه شوند.
۳. پیش‌بینی‌پذیری بودجه: هزینه زیرساخت دیگر یک غافلگیری ماهانه در صورت‌حساب نبود. مشاهده منحنی هزینه پیش‌بینی شده در کنار منحنی ظرفیت، تصمیمات مقیاس‌دهی و گفتگوهای بودجه را در یک هم‌سویی ادغام کرد.
۴. تغییر در مالکیت: بزرگ‌ترین تغییر، عبور از مرحله «فهمیدن کمبود منبع از طریق خود منبع (هشدار)» به «فهمیدن از طریق گزارشی که ریاضیات آن را هفته‌ها پیش انجام داده بود» بود. این کار برنامه‌ریزی ظرفیت را از چیزی که «برای تیم اتفاق می‌افتد» به چیزی تبدیل کرد که «تیم عمداً انجام می‌دهد». برای مدیریت این تصمیمات فنی، به جای تکیه بر حافظه کلی مدل‌ها، می‌توان از رویکرد ثبت تصمیمات فنی تیم‌ها (kgai) استفاده کرد تا پیوستگی تاریخی تصمیمات حفظ شود.
برای دید کلی در مورد نحوه اجرای سیستم‌های تولیدی با Claude Code، مجموعه کامل در DEV.to تمام گردش‌کارهای مورد نیاز من، از برنامه‌ریزی ظرفیت تا تست بار و مهندسی آشوب (Chaos Engineering) را پوشش می‌دهد.
سوالات متداول
پیش‌بینی ظرفیت تا چه زمانی آینده را باید ببیند؟
باید به اندازه کافی دور را ببیند تا زمان لازم برای کندترین گزینه مقیاس‌دهی فراهم شود — خواه تایید بودجه باشد، یا مهاجرت داده‌ها یا سفارش سخت‌افزار. برای اکثر تیم‌ها، این بازه دو تا سه ماه است که به‌طور منظم به‌روزرسانی می‌شود.
اگر رشد واقعی با منحنی پیش‌بینی شده مطابقت نداشته باشد چه می‌شود؟
دلیل اجرای مجدد زمان‌بندی شده دقیقاً همین است. منحنی رشدی که تغییر شکل می‌دهد، منجر به تغییر تاریخ پیش‌بینی شده در اجرای بعدی می‌شود که به عنوان سیگنالی برای بررسی تغییرات بالادستی عمل می‌کند، نه شکست گردش‌کار.
آیا این روش جایگزین قضاوت درباره تغییرات معماری در مقابل مقیاس‌دهی می‌شود؟
خیر. این روش اعدادی را فراهم می‌کند که آن قضاوت را ممکن می‌سازد. اینکه تیم لایه بزرگ‌تر را انتخاب کند یا بازطراحی معماری، همچنان یک تصمیم انسانی است، اما وقتی با یک پیش‌بینی تاریخ‌دار و مقایسه هزینه پشتیبانی شود، تصمیم بهتری است تا اینکه بر اساس حس درونی گرفته شود.
آیا این روش فقط برای تیم‌های زیرساختی بزرگ مفید است؟
خیر. تیم‌های کوچک اغلب بیشتر سود می‌برند زیرا فضای کمتری برای جذب تکاپوهای واکنشی دارند. دانستن اینکه یک لایه دیتابیس نیاز به ارتقا دارد دو ماه پیش از وقوع، در هر مقیاسی ارزشمند است، به‌خصوص زمانی که بودجه‌ها محدود هستند.
گذار از واکنش به کمبود به پیش‌بینی آن در آینده، یک تغییر با اهرم بالا است. هزینه آن ساخت چهار مهارت بود که اکنون طبق برنامه اجرا می‌شوند؛ دستاورد آن تصمیمی آرام دو ماه پیش از ضرب‌الاجل بود، به جای تصمیمی گران‌قیمت در حین یک بحران.
گام بعدی شما
- پیاده‌سازی اسکریپت‌های استخراج داده‌های تاریخی برای تمام منابع زیرساختی (دیتابیس، کش، حافظه).
- تعریف «آستانه عملکرد» (Performance Threshold) به جای «آستانه شکست» برای هر منبع.
- تنظیم یک گردش‌کار هفتگی در Claude Code برای بازخوانی منحنی‌های رشد و به‌روزرسانی تاریخ‌های بحرانی.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو