// سطح: helix-primary · سفارش 2

HelixCode betaاجازه‌نامه: MIT

GoGinPostgreSQLRedisSSHModel Context Protocolllama.cppOllama

منبع

HelixCode — layered architecture API layer Core services Data layer REST API WebSocket MCP multi-transport Auth & Sessions JWT Worker Pool SSH · health monitor Task + Checkpointing rollback / resume Project & Workflow LLM Providers llama.cpp · Ollama · OpenAI PostgreSQL 15+ 11-table schema Redis 7 optional cache
// معماری

پلتفرم توزیع‌شدهٔ توسعه AI که کار را تقسیم می‌کند، حفظ می‌نماید و هرگز جای شما را گم نمی‌کند.

HelixCode یک پلتفرم توزیع‌شدهٔ توسعه AI در سطح سازمانی است که بر پایهٔ Go ساخته شده و کار توسعه را به وظایف هوشمندانه تقسیم‌شده در میان شبکه‌ای از کارگران تحت مدیریت SSH تقسیم می‌کند. این پلتفرم با قابلیت‌های خودکار چک‌پوینتینگ و بازگشت به عقب، تضمین می‌کند که هیچ کاری هرگز از دست نرود. این سیستم یکپارچگی چندارائه‌دهندهٔ LLM، گردش‌های کاری کامل چرخهٔ توسعه و تحویل بین‌پلتفرمی را در پس واسط‌های REST، CLI، رابط کاربری ترمینال (TUI) و MCP فراهم می‌آورد.

HelixCode یک پلتفرم توزیع‌شدهٔ توسعه AI است که به زبان Go نوشته شده است. این پلتفرم کار را به وظایف هوشمند تقسیم می‌کند و آن‌ها را در میان شبکه‌ای از کارگران مبتنی بر SSH توزیع می‌نماید، پیشرفت کار را با چک‌پوینتینگ خودکار و بازگشت به عقب حفظ می‌کند، چندین ارائه‌دهندهٔ LLM را یکپارچه می‌سازد و کل چرخهٔ توسعه را از طریق واسط‌های REST، CLI، رابط کاربری ترمینال و MCP هدایت می‌کند.

HelixCode یک پلتفرم توزیع‌شدهٔ توسعه AI در سطح سازمانی (dev.helix.code، پروانهٔ MIT) است که بر اساس یک وعدهٔ ساده بنا شده است؛ وعده‌ای که شعار آن به معنای واقعی کلمه تحقق می‌یابد: کار را تقسیم کن، آن را حفظ کن و هرگز جای خود را گم نکن. این پلتفرم برای تقسیم هوشمندانهٔ وظایف، حفظ خودکار کار و گردش‌های کاری توسعه بین‌پلتفرمی طراحی شده و به زبان Go نوشته شده است تا همزمانی و قابلیت حمل تک‌باینری را که محاسبات توزیع‌شده نیازمند آن است، فراهم آورد. قابلیت‌هایی همچون چک‌پوینتینگ خودکار، بازگشت به عقب و نظارت بلادرنگ در این پلتفرم نه به عنوان افزونه‌های اختیاری، بلکه به عنوان مؤلفه‌های اصلی و اولیه در نظر گرفته شده‌اند.

معماری این پلتفرم، یک سطح API متشکل از REST، WebSocket و MCP را بر روی مجموعه‌ای از خدمات هسته‌ای متمرکز قرار می‌دهد که شامل احراز هویت و مدیریت جلسات JWT، مدیریت استخر کارگران مبتنی بر SSH با نظارت بر سلامت سیستم، مدیریت وظایف با چک‌پوینتینگ و رسیدگی به وابستگی‌ها، مدیریت پروژه و گردش کار، و یک لایهٔ یکپارچهٔ ارائه‌دهندهٔ LLM است. تمامی این موارد بر روی PostgreSQL ذخیره می‌شوند و Redis به عنوان لایهٔ اختیاری هماهنگی و کشینگ در دسترس است. کارگران توزیع‌شده به صورت خودکار در شبکه نصب می‌شوند، بنابراین مقیاس‌بندی ناوگان کارگران تنها با اشاره به یک دستگاه انجام می‌پذیرد و نیازی به پیکربندی دستی نیست. واسط‌های چندکلاینتی شامل CLI، رابط کاربری ترمینال، REST و چارچوب‌های موبایل هستند تا همان پلتفرم از طریق اسکریپت، ترمینال یا اپلیکیشن در دسترس باشد.

HelixCode کل چرخهٔ توسعه را از ابتدا تا انتها هدایت می‌کند: گردش‌های کاری برنامه‌ریزی، ساخت، تست و بازسازی به صورت خودکار و با آگاهی از وابستگی‌ها و ردیابی زمینه‌های چندجلسه‌ای اجرا می‌شوند، به گونه‌ای که یک تلاش طولانی‌مدت رشتهٔ خود را در میان وقفه‌ها و مرزهای دستگاهی حفظ می‌کند. این پلتفرم چندین ارائه‌دهندهٔ LLM از جمله llama.cpp، Ollama و OpenAI را در پس یک واسط واحد یکپارچه می‌سازد و سپس انتخاب مدل آگاه از سخت‌افزار را اضافه می‌کند که منابع موجود CPU، GPU و حافظه را شناسایی کرده و مدل را با دستگاه مطابقت می‌دهد. همچنین از راهبردهای استدلال پیشرفته مانند زنجیرهٔ تفکر و درخت تفکر برای مسائلی که به بیش از یک گذر نیاز دارند، پشتیبانی می‌کند. Model Context Protocol در چندین پروتکل انتقال پیاده‌سازی شده است تا تبادل استاندارد ابزارها و زمینه‌ها ممکن شود و اعلان‌های چندکاناله (Slack، Discord، ایمیل، Telegram) تیم‌ها را در جریان پیشرفت کار توزیع‌شده قرار می‌دهد. این پلتفرم برای سیستم‌عامل‌های Linux، macOS، Windows، Aurora OS و SymphonyOS طراحی شده است.

محتوا

توسعه‌ی توزیع‌شده و با کمک AI معمولاً هنگام تقسیم وظایف بین ماشین‌ها یا قطع شدن کار، زمینه و پیشرفت خود را از دست می‌دهد. HelixCode برای هوشمندسازی تقسیم وظایف و خودکارسازی حفظ کار ساخته شد — تا یک تلاش توسعه‌ی بزرگ بتواند شکسته شود، بین شبکه‌ای از کارگران توزیع شود، نقطه‌گذاری شود و بدون از دست دادن حالت، از سر گرفته یا به عقب بازگردد.

این ابزار توسعه‌ی توزیع‌شده‌ی AI را *پایدار* می‌کند — قابلیتی که پیش از این با اتصال دستی این اجزا توسط تیم‌ها هرگز عملی نبود. سه چیزی که معمولاً در سه ابزار جداگانه قرار دارند، در یک پلتفرم گرد هم می‌آیند: محاسبات توزیع‌شده (شبکه‌های کارگری SSH با نصب خودکار و نظارت بر سلامت)، کمک به توسعه‌ی AI (مدل‌های زبانی بزرگ چندارائه‌دهنده با استدلال و فراخوانی ابزار) و خودکارسازی گردش کار چرخه‌ی حیات کامل. بافت پیونددهنده‌ی این اجزا، نقطه‌گذاری مبتنی بر پایگاه داده است: چون حالت وظیفه، نقاط بازرسی و وابستگی‌ها در PostgreSQL ذخیره می‌شوند، کاری که چندین ماشین و جلسه را در بر می‌گیرد می‌تواند دقیقاً از جایی که متوقف شده بود به عقب بازگردد یا از سر گرفته شود. قطع شدن کار و تقسیم وظایف دیگر منبع از دست رفتن پیشرفت نیستند، بلکه به رویدادهای عادی و قابل بازیابی تبدیل می‌شوند.

  • حفظ کار به‌عنوان یک اصل بنیادی: نقطه‌گذاری و بازگشت خودکار که بر وظایف توسعه‌ی *توزیع‌شده* اعمال می‌شود تا پیشرفت در برابر قطع شدن و خرابی ماشین دوام بیاورد، نه اینکه با آن از بین برود.
  • انتخاب مدل آگاه از سخت‌افزار که پردازنده، GPU و حافظه‌ی شناسایی‌شده را بررسی می‌کند و هر وظیفه را با مدلی که ماشین واقعاً می‌تواند به‌خوبی اجرا کند تطبیق می‌دهد — بدون نیاز به تنظیم دستی برای هر کارگر.
  • یک پلتفرم، پنج درگاه ورودی: REST، WebSocket، CLI، رابط کاربری متنی و MCP که خود MCP از طریق چندین پروتکل در دسترس قرار می‌گیرد تا ابزارها و عامل‌ها بتوانند هر طور که متصل می‌شوند، ادغام شوند.
  • دسترسی چندسکویی که فراتر از سه‌گانه‌ی معمول دسکتاپ می‌رود و شامل Aurora OS و SymphonyOS نیز می‌شود تا ناوگان کارگران را به پلتفرم‌هایی گسترش دهد که بیشتر ابزارها نادیده می‌گیرند.

  • از دست ندادن کار در وظایف توزیع‌شده و قابل قطع شدن. وقتی کاری بین ماشین‌ها تقسیم می‌شود، هر خرابی یا قطعی معمولاً هر آنچه در حال انجام است را سرگردان رها می‌کند. ما خود وظیفه را به‌عنوان حامل نقاط بازرسی و وابستگی‌ها مدل‌سازی کردیم که در PostgreSQL ذخیره می‌شوند تا سیستم بتواند به آخرین حالت سالم بازگردد یا از آن ادامه دهد — پایداری‌ای که در لایه‌ی داده جای دارد، نه در حالت ناپایدار درون حافظه.
  • مدیریت ناوگان ناهمگن کارگران. شبکه‌ای از ماشین‌های لینوکس، macOS، ویندوز، Aurora و SymphonyOS هدفی متحرک از نظر دسترسی و راه‌اندازی است. ما این مشکل را با یک سرویس اختصاصی استخر کارگران حل کردیم که ثبت مبتنی بر SSH، نصب خودکار روی گره‌های جدید و نظارت مداوم بر سلامت را انجام می‌دهد تا ناوگان با آمدن و رفتن ماشین‌ها همچنان شناخته‌شده و قابل کنترل باقی بماند.
  • ناهمگنی ارائه‌دهندگان و سخت‌افزار. بک‌اندهای LLM و ماشین‌هایی که آن‌ها را اجرا می‌کنند از نظر قابلیت به‌شدت متفاوتند. ما این ناهمگنی را پشت یک رابط یکپارچه‌ی ارائه‌دهنده‌ی LLM پنهان کردیم و آن را با شناسایی سخت‌افزار (پردازنده/GPU/حافظه) جفت کردیم که انتخاب هوشمندانه‌ی مدل را هدایت می‌کند تا مدل مناسب روی ماشین مناسب قرار گیرد، بدون اینکه فراخواننده مجبور باشد درباره‌ی هیچ‌کدام استدلال کند.

محتوا

  • Go (ماژول داخلی نسخه ۱٫۲۶ به بالا) — انتخاب شده زیرا همزمانی مبتنی بر گوروتین و خروجی تک‌فایلی آن دقیقاً همان چیزی است که یک سیستم کارگر توزیع‌شده نیاز دارد: موازی‌سازی ارزان برای هماهنگی و یک باینری خودکفا که به‌طور خودکار روی هر گره نصب می‌شود. این ابزار تمام سرویس‌های اصلی و باینری‌های CLI/server را در خود جای می‌دهد.
  • Gin (چارچوب HTTP) — انتخاب شده به‌خاطر لایه REST سریع و کم‌حجم با سربار اندک؛ این چارچوب سطح /api/v1 (احراز هویت، کارگران، وظایف، پروژه‌ها) را ارائه می‌دهد که همه کلاینت‌ها با آن ارتباط برقرار می‌کنند.
  • PostgreSQL نسخه ۱۵ به بالا (از طریق pgx/v5) — به‌عنوان سیستم پایدار ثبت داده‌ها انتخاب شده زیرا چک‌پوینت‌گذاری و بازگشت به عقب نیازمند پایداری تراکنشی است؛ این سیستم شمای محاسبات توزیع‌شده ۱۱ جدولی (کاربران، کارگران، وظایف، پروژه‌ها، نشست‌ها، ارائه‌دهندگان LLM، اعلان‌ها) را نگهداری می‌کند که امکان حفظ کارها را فراهم می‌آورد.
  • Redis نسخه ۷ به بالا (اختیاری، go-redis/v9) — به‌عنوان لایه اختیاری کش و هماهنگی انتخاب شده که مسیرهای پرترافیک را بدون تبدیل شدن به وابستگی سخت تسریع می‌کند، به‌طوری که یک استقرار حداقلی همچنان تنها با پستگرس قابل اجرا باشد.
  • SSH — به‌عنوان پروتکل انتقال کنترل کارگران انتخاب شده زیرا هم‌اکنون همه‌جا حاضر و امن است؛ این ابزار ثبت کارگران، نصب خودکار و اجرای دستورات از راه دور در کل مجموعه را بدون نیاز به نصب عامل اختصاصی پیش از آن هدایت می‌کند.
  • Model Context Protocol (MCP) — برای تبادل استاندارد ابزار و زمینه انتخاب شده تا ابزارها و عامل‌های خارجی از طریق یک پروتکل باز یکپارچه شوند؛ این ابزار با پشتیبانی از چند پروتکل انتقال، کلاینت‌ها را در هر نقطه‌ای که متصل شوند، پاسخگو است.
  • ارائه‌دهندگان LLM (llama.cpp، Ollama، OpenAI) — انتخاب شده‌اند تا هم استنتاج محلی و هم میزبانی‌شده را پشت یک رابط یکپارچه پوشش دهند، به‌طوری که انتخاب آگاه از سخت‌افزار بتواند یک وظیفه را به مدل محلی یا میزبانی‌شده هدایت کند بدون اینکه فراخواننده از تفاوت آن آگاه باشد.

  • وضعیت: بتا. فایل README وضعیت «کاملاً تکمیل‌شده / تمام ۵ فاز» را گزارش می‌دهد؛ این تکمیل بر اساس اعلام پروژه است و تأیید مستقل نشده است، بنابراین این صفحه آن را به‌عنوان بتا در نظر می‌گیرد.
  • تمام جزئیات فوق از فایل README مخزن گرفته شده است؛ عبارات تبلیغاتی (شعارها) تفسیری هستند و معیارهای منبع محسوب نمی‌شوند.

اولویت: Helix-اصلی.