اگر در حال حاضر کلیدهای API صرافی خود را به یک بات SaaS شخص ثالث می‌سپارید، در واقع کل موجودی خود را به سروری با کد بسته تحویل داده‌اید. این ریسک معماری — جایی که یک نشت داده در دیتابیس به‌جای لو رفتن ساده‌ی آدرس‌های ایمیل، مستقیماً به دسترسی مستقیم به سپرده‌های کاربر منجر می‌شود — در کنار منطق‌های استراتژیک ابتدایی، دلیل اصلی این بود که توسعه‌دهنده‌ی DepthSight در ۱۹ ژوئن ۲۰۲۶ یک جایگزین متن‌باز و با قابلیت میزبانی شخصی (Self-hosted) منتشر کند.
بیشتر معامله‌گران کریپتو میان دو انتخاب سخت گیر بوده‌اند: یا استفاده از ابزارهای کاربرپسند اما محدود مثل 3Commas یا Bitsgap، یا کلنجار رفتن با فریم‌ورک‌های توسعه‌دهنده-محور مانند Freqtrade و Jesse. در حالی که دومی‌ها فریم‌ورک‌های فوق‌العاده‌ای هستند، اما منحصراً برای کوانت‌ها و برنامه‌نویسان ساخته شده‌اند. این ابزارها نیازمند این هستند که کاربر منطق استراتژی را به زبان پایتون بنویسد، در فایل‌های تنظیمات پیچیده جستجو کند و تمام امور را از طریق رابط خط فرمان (CLI) مدیریت نماید. هدف DepthSight پر کردن این شکاف است؛ با ارائه یک «SaaS در یک جعبه» که قدرت سطح کوانت را با یک رابط بصری بدون کد (No-code) ترکیب می‌کند.
زمینه: عبور از محدودیت‌های بات‌های متمرکز
طبق بررسی مستندات این پروژه، راهکارهای فعلی SaaS اغلب از منطق‌های بسیار ابتدایی رنج می‌برند. اکثر پلتفرم‌های پولی چیزی فراتر از استراتژی‌های ساده‌ی Grid (شبکه‌ای) یا DCA (میانگین‌گیری قیمت خرید) ارائه نمی‌دهند. به محض اینکه یک معامله‌گر به انعطاف‌پذیری بیشتری نیاز داشته باشد — برای مثال بخواهد حد ضرر (Stop-loss) خود را به تراکم دفتر سفارشات (Order Book Density) گره بزند، از یک حد ضرر شناور (Trailing Stop) استفاده کند که تنها پس از شکست یک سطح فعال شود، یا معاملات را بر اساس روندهای تایم‌فریم‌های بالاتر فیلتر کند — دقیقاً با سد سخت محدودیت‌های رابط کاربری مواجه می‌شود.
با تکیه بر موضوع ریسک‌های امنیتی در محیط‌های متن‌باز — شبیه به روشی که مهاجمان در کمپین فیشینگ Kaneo که پیش‌تر پوشش دادیم از لایه‌های ابری سوءاستفاده کردند — پروژه DepthSight واسطه را به‌طور کامل حذف می‌کند. با میزبانی پلتفرم روی سرور مجازی (VPS) شخصی خودتان، کلیدهای خصوصی و سپرده‌های شما هرگز از محیط تحت کنترل شما خارج نمی‌شوند.
موتور بصری و کمک‌خلبان هوش مصنوعی
هسته این سیستم یک ویرایشگر استراتژی بصری است که حدود ۴۰ بلوک منطقی را در اختیار کاربر قرار می‌دهد. این بلوک‌ها داده‌های حیاتی مانند تراکم دفتر سفارشات، تحلیل نوار معاملات (Tape Analysis)، سطوح قیمتی، دلتای حجم و بررسی‌های تایم‌فریم‌های بالاتر را مدیریت می‌کنند. از آنجا که این بلوک‌ها می‌توانند به نتایج یکدیگر ارجاع دهند، معامله‌گران می‌توانند زنجیره‌های بسیار پیچیده‌ای از رویدادها را بسازند و ایده‌های خود را به‌صورت بصری و بدون نوشتن حتی یک خط کد پیاده کنند.
برای کاهش بیشتر سطح دشواری ورود، این پلتفرم شامل یک کمک‌خلبان هوش مصنوعی (AI Co-pilot) است. کاربر می‌تواند استراتژی خود را به زبان طبیعی توصیف کند؛ مثلاً درخواست کند: «در شکست سقف محلی در تایم‌فریم ۱۵ دقیقه، در صورتی که با جهشی در دلتای حجم تأیید شود، وارد پوزیشن Long شو؛ حد ضرر را ۰.۵٪ پایین‌تر از نزدیک‌ترین تراکم سفارشات قرار بده و یک حد سود شناور با گام فعال‌سازی ۱٪ تنظیم کن». در این حالت، هوش مصنوعی به‌طور خودکار درخت گره‌های (Node Tree) متناظر را تولید می‌کند.
برای جلوگیری از توهم (Hallucination) هوش مصنوعی — یعنی زمانی که مدل با اطمینان چیزی را تولید می‌کند که در واقعیت وجود ندارد و می‌تواند باعث شکست بات شود — بخش بک‌اند از کتابخانه Pydantic برای خروجی‌های ساختاریافته استفاده می‌کند. این سازوکار تضمین می‌کند که مدل زبانی (که از طریق Gemini یا OpenRouter فراخوانی می‌شود) تنها فایل‌های JSON معتبری تولید کند که دقیقاً با اسکیمای سخت‌گیرانه پلتفرم مطابقت داشته باشد.
اعتبارسنجی دقیق اسکیما
این سیستم برای حفظ پایداری از لایه‌های کنترلی زیر استفاده می‌کند:
- StrategyV2ConfigData: این مدل Pydantic به‌طور سخت‌گیرانه عناصری مانند
marketType(که تنها به «FUTURES» یا «SPOT» محدود است)،filtersوentryConditionsرا تعریف می‌کند. - مدیریت پوزیشن: سیستم یک لیست از اشیاء
ManagementBlockرا اعتبارسنجی کرده و مواردی چونoracle_regime(یک عدد صحیح اختیاری) وuse_ml_confirmation(یک مقدار بولی اختیاری برای تاییدیه یادگیری ماشین) را بررسی می‌کند. - منطق دسترسی: بک‌اند از تابع
enforce_strategy_plan_restrictionsاستفاده می‌کند تا اطمینان یابد هوش مصنوعی بلوک‌هایی را تولید نکند که در طرح اشتراکی خاص کاربر در دسترس نیستند.
زیرساخت توزیع‌شده
مقیاس‌دهی یک بات معاملاتی برای کاربران متعدد اغلب به دلیل محدودیت‌های سخت‌گیرانه نرخ WebSocket صرافی‌ها منجر به بن شدن IP می‌شود. اگر ۵۰ کاربر بات‌های خود را روی جفت ارز BTC/USDT فعال کنند و هر کدام یک سوکت منحصر‌به‌فرد باز کنند، صرافی فوراً IP آن‌ها را مسدود خواهد کرد. DepthSight این مشکل را با الگوی «Market Data Fan-out» (توزیع داده‌های بازار) حل کرده است.
به‌جای اینکه هر بات یک اتصال جداگانه باز کند، یک سرویس واحد به نام market_data_service.py تیک‌ها را جمع‌آوری کرده و از طریق Redis Pub/Sub آن‌ها را به کانتینرهای مجزای Worker پخش می‌کند. این معماری اجازه می‌دهد سیستم صدها بات را با صفر بار اضافی روی API صرافی مدیریت کند. سرویس MarketDataService به‌صورت پویا کانکتورهای مبتنی بر CCXT را برای صرافی‌های مورد نیاز ایجاد کرده و داده‌ها را در کانال‌هایی با فرمت depthsight:market_data:events:{stream_key} منتشر می‌کند.
جزئیات استک فنی
این پلتفرم برای پایداری ۲۴/۷ در محیط‌های چندکاربره از ترکیب‌های زیر استفاده می‌کند:
- بک‌اند: Python 3.11+ با FastAPI برای هر دو نوع نقاط انتهایی REST و WebSockets.
- اتصالات: CCXT برای تعامل یکپارچه با صرافی‌های مختلف (با بهره‌گیری از یک Executor universal برای هر صرافی).
- وظایف ناهمگام: Celery برای عملیاتی که از نظر محاسباتی گران هستند، از جمله بک‌تست‌های سنگین و بهینه‌سازی ژنتیک.
- فرانت‌اند: React, Vite و TypeScript، شامل یک PWA (اپلیکیشن وب پیشرونده) برای دسترسی از طریق موبایل.
- ذخیره‌سازی: PostgreSQL برای ذخیره‌سازی داده‌های پایدار و Redis برای مدیریت وضعیت (State)، سهمیه‌ها و سیستم Pub/Sub.
یک مجموعه تجاری کامل
بر اساس گزارش‌های توسعه‌دهنده، DepthSight فراتر از یک اسکریپت معاملاتی، یک زیرساخت تجاری کامل است. این پروژه شامل سیستم پرداخت داخلی از طریق BitCart است که اجازه می‌دهد اپراتورها پرداخت‌ها را در ارزهای BTC، LTC، TRX و BNB بدون نیاز به واسطه‌ها یا پرداخت کارمزارهای اضافی دریافت کنند.
برای کسانی که قصد راه‌اندازی سرویس معاملاتی حرفه‌ای یا مدیریت سبد سرمایه‌گذاران را دارند، ابزارهای سطح سازمانی زیر ارائه شده است:
- مدیریت صورت‌حساب و سهمیه: قابلیت محدود کردن تعداد بات‌های فعال، تعداد ترد‌های (Threads) در دسترس برای بک‌تست و صرافی‌های قابل دسترسی بر اساس طرح اشتراک کاربر.
- پنل مدیریت کامل: مدیریت جامع کاربران، کنترل دسترسی مبتنی بر نقش (RBAC) و یک سیستم یکپارچه تیکت پشتیبانی.
- برنامه همکاری خودکار: یک ردیاب نگهداری (Hold tracker) داخلی و محاسبات خودکار پرداخت برای معرف‌ها.
- گیمیفیکیشن: سیستم یکپارچه امتیاز تجربه (XP)، لول‌ها و دستاوردها برای افزایش تعامل و انگیزه معامله‌گران.
لایه اجتماعی و استقرار
برای جلوگیری از انزوای میزبانی شخصی، DepthSight یک «Hub کشف فدره» (Federated Discovery Hub) پیاده کرده است. این ساختار که شبیه به «TradingView برای معامله‌گران الگوریتمی» است، به کاربران اجازه می‌دهد نمونه‌های خصوصی خود را به یک مرکز اجتماعی متصل کنند. چون از مدل کلاینت-سرور فدره استفاده می‌کند، هیچ کلید خصوصی، اطلاعات موجودی یا آدرس IP هرگز از سرور محلی کاربر خارج نمی‌شود.
کاربران در این «ذهن جمعی» (Hive Mind) می‌توانند موارد زیر را به اشتراک بگذارند:
- اشتراک استراتژی: وارد کردن یک درخت گره تکمیل‌شده از کاربر دیگر تنها با یک کلیک برای اجرا یا تغییر محلی آن.
- مکانیسم‌های اجتماعی: انتشار فرضیات معاملاتی و نتایج، لایک کردن و نوشتن کامنت روی نمودارهای PnL (سود و ضرر).
- شکار آلفا: بحث درباره دراودان‌ها (Drawdowns) و اشتراک تنظیمات خاص برای حد ضررهای شناور یا فیلترها جهت اجتناب از شکست‌های جعلی (Fake Breakouts). این امر یک اثر شبکه‌ای ایجاد می‌کند که در آن جامعه به‌طور جمعی به دنبال «آلفا» می‌گردند در حالی که سپرده‌هایشان در جیب خودشان باقی می‌ماند.
استقرار سیستم از طریق اسکریپت deploy.sh ساده شده است که به‌طور خودکار فایروال (ufw) را تنظیم، Docker را اجرا و Caddy را برای HTTPS خودکار پیکربندی می‌کند. برای امنیت، این اسکریپت از ورود دستی رمز عبور اجتناب کرده و در عوض، رازهای (Secrets) رمزنگاری‌شده‌ی قوی را به‌صورت محلی تولید می‌کند. این اسکریپت از openssl rand-base64 32 برای JWT_SECRET، از openssl rand-hex 16 برای POSTGRES_PASS و از os.urandom(32) برای FERNET_KEY (کلید رمزنگاری API) استفاده می‌کند.
برای به حداقل رساندن نیاز به نگهداری، توسعه‌دهنده به‌روزرسانی‌های OTA (Over-The-Air) را پیاده کرده است. کاربران می‌توانند در رابط وب روی دکمه «Update» کلیک کنند؛ این کار باعث می‌شود بک‌اند FastAPI یک فایل .update_trigger در یک Volume مشترک ایجاد کند. یک Cron job در سمت میزبان، این فایل را شناسایی کرده و اسکریپت update.sh را اجرا می‌کند تا آخرین کد را از گیت‌هاب دریافت کرده و کانتینرها را مجدداً بسازد.
تحلیل: اثر ضربه‌زننده هوش مصنوعی
DepthSight یک مطالعه موردی در «توسعه تک‌نفره مبتنی بر AI» است. خالق این پروژه توانست پلتفرمی با ۲۸۰ هزار خط کد را در کمتر از یک سال بسازد و از مدل‌های زبانی به‌عنوان یک ضرب‌کننده نیروی معماری استفاده کند. AI طراحی‌های سطح بالای سیستم — مانند الگوی Market Data Fan-out یا لایه‌های اعتبارسنجی Pydantic — را انجام نداد، اما کارهای حجیم و تکراری را بر عهده گرفت: تولید بیش از ۱۱۰۰ تست واحد (Unit Test)، نوشتن کدهای Boilerplate برای ده‌ها نقطه انتهایی API و پروتوتایپ کردن کامپوننت‌های React.
این تغییر نشان می‌دهد که سد ورود برای ساخت محصولات SaaS پیچیده و توزیع‌شده دیگر حجم کد نیست، بلکه کیفیت طراحی سیستم در سطح بالا است. با این حال، این سرعت باعث ایجاد «اشیای خدا» (God Objects) در معماری شده است؛ جایی که مرز بین API و موتور پردازش (Engine) کمرنگ شده است. پروژه اکنون وارد فاز بهینه‌سازی با کمک جامعه کاربران شده تا این کامپوننت‌های اصلی را از هم جدا کرده و بهینه کند.
از منظر تجاری، استراتژی درآمدزایی شفاف است. توسعه‌دهنده با تبدیل شدن به شریک رسمی بروکر Bybit، شناسه بروکر را مستقیماً در کد Executor قرار داده است. بدین ترتیب، صرافی بخشی از کمیسیون خود را با توسعه‌دهنده تقسیم می‌کند و هزینه معاملات و اسپردها برای کاربر هیچ تغییری نمی‌کند. نرم‌افزار تحت لایسنس GNU AGPL-3.0 رایگان و متن‌باز باقی می‌ماند.
کاربران علاقه‌مند اکنون می‌توانند از طریق گیت‌هاب به نسخه Open Beta دسترسی داشته باشند تا در بهینه‌سازی موتور ژنتیک مشارکت کرده یا معماری هسته را اصلاح کنند.
گام بعدی شما
- اگر به معاملات الگوریتمی علاقه دارید، مخزن گیت‌هاب پروژه را برای بررسی معماری Market Data Fan-out بررسی کنید.
- برای تست امنیت، محیط self-hosted خود را با ابزارهای پایش ترافیک بررسی کنید تا از عدم خروج کلیدهای API مطمئن شوید.
- در بحث‌های جامعه کاربران درباره «شکار آلفا» شرکت کنید تا استراتژی‌های بهینه درخت گره‌ها را بیابید.
اما داستان سخت‌افزاری پشتیبانی از چنین تعداد بالای بات در یک VPS حتی پیچیده‌تر است — به تحلیل ما درباره بهینه‌سازی حافظه در کانتینرهای Redis مراجعه کنید.
گفتگو