☸️ ساخت پلتفرم توسعه AI-Native با Claude و Kubernetes

🚀 این کتاب یاد میده چطور یک پلتفرم توسعه AI-Native کنترل‌شده و قابل‌اعتبارسنجی با Claude، Kubernetes، GitOps، Policy Control و Observability بسازی. مسیر آموزش از زیرساخت Cloud-Native شروع میشه و تا اجرای Agentها، Model Serving و ارائه یک Golden Path سلف‌سرویس با Backstage ادامه پیدا میکنه.

✨ ویژگی‌های کلیدی

🛡️ یاد میده Claude را با Specificationها، Permissionها، Testها و Workflowهای قابل‌ممیزی کنترل کنی.

☸️ زیرساخت Agent و Model را با Governance مشخص روی Kubernetes و از طریق GitOps پیاده‌سازی میکنی.

🧩 با Backstage یک مسیر Self-Service از درخواست Developer تا Agent در حال اجرا و قابل‌ردیابی میسازی.

📊 فعالیت Platform، Agent و Model را با OpenTelemetry و مجموعه‌ای کامل از ابزارهای Observability ردیابی و تحلیل میکنی.

📘 توضیح کتاب

🤖 این کتاب نشان میده چطور Agentic DevOps Workflowها را بدون دورزدن کنترل‌هایی بسازی که پلتفرم Kubernetes از قبل به آن‌ها وابسته است. Claude در این معماری به‌عنوان یک نیروی کنترل‌شده Platform Engineering فعالیت میکنه و تمام اقدامات آن در مرزهای مشخص انجام میشن.

🔐 Agentها، Model Serving و Developer Self-Service از طریق GitOps Workflowهای تکرارپذیر، Trust Boundaryهای صریح، Policy Checkها و Completion Gateهای قابل‌آزمایش وارد پلتفرم میشن. این ساختار اجازه میده قابلیت‌های AI بدون حذف کنترل‌های عملیاتی موجود توسعه پیدا کنن.

☁️ ابتدا یک Foundation مبتنی بر Cloud-Native با Argo CD، cert-manager، OpenBao، External Secrets Operator، Kyverno، Prometheus، Grafana، Loki، Tempo و OpenTelemetry ایجاد میکنی.

🌐 در مرحله بعد، ترافیک AI با استفاده از Gateway API، kgateway، agentgateway، kagent، ابزارهای MCP و LLM Guard تحت Governance قرار میگیره. سپس یک Model سازگار با OpenAI با کمک KServe و vLLM ارائه میشه.

🧪 رویکرد عملی کتاب نشان میده چطور Claude را با Specificationها، Permissionها، Audit Hookها، Testها و Git Checkpointها محدود کنی. فعالیت Agent و Model را Trace میکنی، Failureها را براساس Evidence تشخیص میدی و اصلاحات عملیاتی را به Testهای قابل‌استفاده مجدد تبدیل میکنی.

🧩 در ادامه، یک Backstage Template و Argo CD ApplicationSet میسازی که مسیری کنترل‌شده از درخواست Developer تا Agent در حال اجرا فراهم میکنن. این مسیر به تیم‌ها اجازه میده از قابلیت Self-Service استفاده کنن، در حالی که Governance و کنترل‌های Platform همچنان فعال باقی میمونن.

🎯 در پایان کتاب میتونی یک Internal Developer Platform یا IDP مبتنی بر AI را به‌صورت مرحله‌ای بسازی و اعتبارسنجی کنی، فعالیت Agentها و Modelها را از کنترل‌های فعلی Platform عبور بدی و معماری را برای استفاده در Production آماده کنی.

🎯 چیزهایی که یاد میگیری

🛡️ یاد میگیری Claude را با Specification، Permission و Test Gate کنترل کنی.

🏗️ میتونی یک AI-Native IDP با Ownership مشخص و Trust Boundaryهای شفاف طراحی کنی.

☸️ یاد میگیری یک Foundation تکرارپذیر Kubernetes را با Argo CD و GitOps بسازی.

📊 میتونی فعالیت Platform، Agent و Model را با OpenTelemetry ردیابی کنی.

🌐 یاد میگیری ترافیک LLM، MCP و Agentها را از طریق Gatewayهای مشترک تحت Governance قرار بدی.

🤖 میتونی Agentهای Kubernetes-Native را همراه با Guardrail و Policy Control اجرا کنی.

⚙️ یاد میگیری Modelهای سازگار با OpenAI را با KServe و vLLM ارائه و مشاهده‌پذیر کنی.

🧩 میتونی با Backstage یک مسیر Self-Service کنترل‌شده برای Agent Serviceها بسازی.

👤 این کتاب برای چه کسانیه؟

☁️ این کتاب برای Platform Engineerها، DevOps Engineerها، SREها، Cloud Engineerها و Platform Architectهایی نوشته شده که میخوان با Claude قابلیت‌های AI کنترل‌شده را روی Kubernetes بسازن و مدیریت کنن.

📋 Engineering Leadها و Technical Leadها هم میتونن از معماری و راهنمای Production کتاب برای ارزیابی Scope و Risk استفاده کنن.

📌 تجربه کار با Kubernetes، Helm و GitOps برای مطالعه کتاب لازمه، اما تجربه قبلی با Backstage ضروری نیست.

📖 فهرست مطالب

فصل ۱. طراحی یک Internal Developer Platform مبتنی بر AI

فصل ۲. کنترل Claude Code با Specificationها، Testها و Permissionها

فصل ۳. راه‌اندازی Foundation مبتنی بر GitOps

فصل ۴. ساخت لایه Observability پلتفرم

فصل ۵. ارائه Developer Portal و Extensionهای پلتفرم

فصل ۶. ساخت Gateway کنترل‌شده برای ترافیک Agentها

فصل ۷. اجرای Agentها به‌عنوان Resourceهای Kubernetes

فصل ۸. ارائه و مشاهده Modelها روی Kubernetes

فصل ۹. ارائه یک Golden Path کنترل‌شده و Self-Service

فصل ۱۰. اعمال Governance و انتقال پلتفرم به Production

👤 درباره نویسنده

🎓 مایکل فارستر Principal Trainer در KodeKloud، DevOps Advocate و Certified AWS DevOps Engineer است. او همچنین یازده Certification دیگر از AWS داره.

💼 مایکل بیش از بیست سال سابقه در صنعت IT داره و بخش عمده تجربه او در حوزه‌های DevOps و Cloud متمرکز شده است.

🏢 او با شرکت‌های بزرگ مختلفی از جمله AWS، Red Hat، Thoughtworks و Honeywell همکاری کرده است.

📚 مایکل چندین ساله که به تدریس و تولید دوره‌های آموزشی مشغوله و در موضوعاتی مثل Linux، DevOps، K8s، HashiTools و AWS Cloud تخصص داره.

Build and validate a governed AI-native developer platform with Claude, Kubernetes, GitOps, policy controls, observability, and reproducible workflows.

Key Features

• Control Claude with specifications, permissions, tests, and auditable workflows
• Build governed agent and model infrastructure on Kubernetes with GitOps
• Create a Backstage self-service path from developer request to traced agent
• Purchase of the print or Kindle book includes a free PDF eBook

Book Description

Build agentic DevOps workflows without bypassing the controls your Kubernetes platform already depends on. This book shows you how to use Claude as a controlled platform-engineering worker while introducing agents, model serving, and developer self-service through reproducible GitOps workflows, explicit trust boundaries, policy checks, and testable completion gates.

You’ll establish a cloud-native foundation with Argo CD, cert-manager, OpenBao, External Secrets Operator, Kyverno, Prometheus, Grafana, Loki, Tempo, and OpenTelemetry. You’ll then add governed AI traffic using Gateway API, kgateway, agentgateway, kagent, MCP tools, and LLM Guard before serving an OpenAI-compatible model with KServe and vLLM.

The hands-on approach shows you how to constrain Claude with specifications, permissions, audit hooks, tests, and Git checkpoints. You’ll trace agent and model activity, diagnose failures from evidence, and turn operational fixes into reusable tests. You’ll also build a Backstage template and Argo CD ApplicationSet that provide a governed path from developer request to running agent.

By the end of the book, you’ll be able to build and validate an AI-native internal developer platform in phases, route agent and model activity through existing platform controls, and prepare the architecture for production use.

What you will learn

• Control Claude with specifications, permissions, and test gates
• Design an AI-native IDP with clear ownership and trust boundaries
• Build a reproducible Kubernetes foundation with Argo CD
• Trace platform, agent, and model activity with OpenTelemetry
• Govern LLM, MCP, and agent traffic through shared gateways
• Run Kubernetes-native agents with guardrails and policy controls
• Serve OpenAI-compatible models using KServe and vLLM
• Build a governed Backstage self-service path for agent services

Who this book is for

Platform engineers, DevOps engineers, SREs, cloud engineers, and platform architects who want to use Claude to build and operate governed AI capabilities on Kubernetes. Engineering and technical leads can also use the architecture and production guidance to assess scope and risk. Experience with Kubernetes, Helm, and GitOps is required; prior Backstage experience is not.

Table of Contents

1. Designing an AI-Native Internal Developer Platform
2. Governing Claude Code with Specifications, Tests, and Permissions
3. Bootstrapping the GitOps Foundation
4. Building the Platform Observability Plane
5. Delivering the Developer Portal and Platform Extensions
6. Creating a Governed Gateway for Agent Traffic
7. Running Agents as Kubernetes Resources
8. Serving and Observing Models on Kubernetes
9. Shipping a Governed Self-Service Golden Path
10. Enforcing Governance and Taking the Platform to Production

About the Author

Michael Forrester, Principal Trainer at KodeKloud, DevOps Advocate, Certified AWS DevOps Engineer with 11 additional AWS certifications

Michael has 20+ years of experience in the IT industry, primarily in DevOps and Cloud. He has contributed to various large-scale companies like AWS, Redhat, Thoughtworks, and Honeywell. Michael has been teaching and creating courses for several years. He has expertise across various subjects such as Linux, DevOps, K8s, HashiTools, and AWS Cloud.