تصور کنید وبلاگی فنی داشته باشید که هر هفته دو مقاله تخصصی منتشر می‌کند، اما صورت‌حساب ماهانهٔ زیرساخت آن دقیقاً صفر دلار است. یاسین خ طیب، مهندس ارشد هوش مصنوعی، ثابت کرد که برای داشتن یک خط لوله تولید محتوای کاملاً خودکار، نیازی به پرداخت هزینه‌های گزاف ابری یا اشتراک‌های گران‌قیمت نیست. او سیستمی را به تفصیل شرح داده است که بدون صرف حتی یک سنت برای زیرساخت، مقالات فنی را می‌نویسد، کامیت می‌کند و دو بار در هفته منتشر می‌سازد.
بسیاری از تولیدکنندگان محتوای مبتنی بر هوش مصنوعی برای مدیریت خروجی‌های خود به پشته‌های ابری گران‌قیمت یا پلتفرم‌های پیچیده مدیریت محتوا (CMS) متکی هستند. همان‌طور که در تحلیل قبلی ما درباره‌ی تریس کوهن (Trace Cohen) اشاره کردیم — کسی که با استفاده از حلقه‌های بازخورد GSC به ۴.۶ میلیون ایمپرشن رسید — تمرکز معمولاً روی هک‌های رشد است. اما رویکرد خ طیب تمرکز را از رشد سریع به «مینیمالیسم زیرساختی» تغییر می‌دهد. او با مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — نه به عنوان یک مدیر، بلکه به عنوان یک پیمانکار ارزان‌قیمت برخورد می‌کند.
فلسفه زیرساخت صفر
این سیستم بر پایه یک فلسفه طراحی بنا شده است: امتناع از زیرساخت. شرط اصلی این است که مقدار بهینه زیرساخت، اغلب «هیچ» است. با حذف CMS سنتی، پایگاه‌داده یا سرور، این خط لوله نیاز به مدیریت امنیت زمان اجرا (Runtime Security) یا مدیریت مقیاس‌پذیری را به‌طور کامل از بین می‌برد.
به جای استفاده از یک صف ابری (Cloud Queue)، این سیستم از یک فایل متنی ساده استفاده می‌کند. به جای پایگاه‌داده، تاریخچهٔ Git را به کار می‌گیرد و به جای قلاب‌های استقرار (Deploy Hooks)، از Push کردن روی شاخه اصلی (Main Branch) استفاده می‌کند. این ساختار تضمین می‌کند که هزینهٔ ثابت سیستم دقیقاً صفر باقی بماند و سیستم هرگز هیچ ضرب‌الاجلی را فراموش نکند. این رویکرد در واقع پاسخی به چالش‌های هزینه‌های پنهان میزبانی شخصی در برابر مدل‌های رایگان است که نشان می‌دهد چگونه بهینه‌سازی زیرساخت می‌تواند هزینه‌های عملیاتی را به شدت کاهش دهد.
جزئیات فنی
به نقل از گزارش منتشر شده در dev.to، این موتور محتوا از ترکیب ابزارهای زیر استفاده می‌کند:
- صف محتوا: یک فایل متنی ساده (
scripts/topics.txt) که در آن هر خط یک موضوع است. این موضوعات به‌صورت خط‌به‌خط و از بالا به پایین مصرف شده و از طریق کامیت‌های معمولی ویرایش می‌شوند. - پایگاه‌داده: خودِ تاریخچهٔ Git، که هر نسخه و هر تغییر وضعیت را ردیابی می‌کند.
- نویسنده: یک اسکریپت پایتون کوچک که از google-genai SDK برای ارتباط با مدل gemini-2.5-flash استفاده می‌کند.
- استقرار: استفاده از GitHub Actions برای تامین توان محاسباتی و GitHub Pages برای میزبانی صفحات استاتیک HTML از طریق Next.js.
این مدل اتوماسیون یادآور سازوکار MonkeyCode برای تبدیل لاگ به یادداشت است که آن هم با بهره‌گیری از لایه‌های رایگان هوش مصنوعی، فرآیندهای تکراری مستندسازی را حذف می‌کند.
مکانیزم کنترل
نکته کلیدی و حیاتی این است که اسکریپت پایتون — و نه مدل زبانی — کنترل شناسه‌ها (Slugs)، تاریخ‌ها و متاداده‌ها (Frontmatter) را بر عهده دارد. مدل زبانی فقط برای تولید متن (Prose) فراخوانی می‌شود، در حالی که ساختار، اعتبارسنجی و انتشار توسط کد قطعی (Deterministic) مدیریت می‌شوند. این مرزبندی تضمین می‌کند که یک پاسخ بدساخت یا اشتباه از سوی هوش مصنوعی نتواند فرآیند ساخت (Build) تایپ‌شده را مختل یا فاسد کند.
از آنجا که این خط لوله به اندازه کافی قابل اعتماد است که بدون نظارت اجرا شود، طبق یک زمان‌بندی Cron عمل می‌کند. دو بار در هفته، سیستم بیدار شده، موضوع بعدی را از صف برمی‌دارد، مقاله را به فرمت MDX می‌نویسد و آن را Commit می‌کند. هر مقاله در واقع یک Commit است که می‌توان آن را Diff کرد (تغییرات را دید)، بازگردانی کرد یا به‌صورت دستی ویرایش نمود.
بازنگری در مقیاس‌پذیری
این معماری، وسواس صنعت در مورد «مهندسی بیش از حد» (Over-engineering) را به چالش می‌کشد. در حالی که بسیاری از توسعه‌دهندگان بلافاصله به سراغ پایگاه‌داده‌های برداری (Vector DBs)، ناوگان‌های Serverless یا سرویس‌های صف با صورت‌حساب‌های ماهانه می‌روند، خ طیب نشان داد که مدیریت وضعیت بر پایه Git برای دارایی‌های سطح تولید (Production-grade) اغلب کافی است.
این غریزه در محصولات دیگر او نیز مقیاس‌پذیر شده است. خ طیب در ۱۲ ماه گذشته پنج سیستم عملیاتی را عرضه کرده است — از جمله یک کابین تله‌متری آنی (Realtime Telemetry Cockpit) و یک عامل مالی محلی به نام Sable — و این کار را با پرسیدن این سوال انجام داده است: «نسخهٔ Git-history این راهکار چیست؟» او این سوال را پیش از آنکه به سراغ معماری‌های ابری گران‌قیمت برود، مطرح می‌کند.
نتیجه، یک وبلاگ فنی بهینه‌شده برای سئو است که به‌طور خودکار رشد می‌کند و ترافیک جستجو و اعتبار خود را بدون هیچ هزینه مالی افزایش می‌دهد. برای خواننده و توسعه‌دهنده، این یعنی «مالیات هوش مصنوعی» در واقع هزینه مدل نیست، بلکه هزینه زیرساختی است که دور آن پیچیده شده است. با حذف لایه‌های میانی (Middleware)، ریسک شکست سیستم کاهش و حاشیه سود محتوا به ۱۰۰٪ می‌رسد.
اگر در حال ساخت یک محصول هوش مصنوعی هستید، از خود بپرسید آیا پایگاه‌داده فعلی شما واقعاً لازم است یا می‌تواند به یک فایل متنی در یک مخزن Git تبدیل شود. شما می‌توانید فایل YAML کامل گردش کار و اسکریپت نویسنده را در صفحه محصول خ طیب بیابید تا این ساختار را بازسازی کنید.
گام بعدی شما
- بررسی کنید آیا پایگاه‌داده فعلی پروژه شما واقعاً لازم است یا می‌تواند به یک فایل متنی در مخزن Git تبدیل شود.
- برای کاهش هزینه‌ها، استقرار سایت‌های محتوایی خود را به GitHub Pages یا Vercel منتقل کنید.
- اسکریپت‌های پایتون ساده را برای مدیریت ساختار (Structure) جایگزین تصمیمات مدل زبانی کنید تا خروجی‌ها پیش‌بینی‌پذیر شوند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو