AI واقعاً روند توسعه نرمافزار را زیر و رو کرده و حالا افراد بیشتری از ابزارهای هوش مصنوعی برای کمک به پروژههای متنباز استفاده میکنند. این تغییر مثبت است چون به جای صرفنظر کردن، افراد بیشتری وصله میفرستند؛ اما مشکل این است که سرعت تولید کد با AI خیلی بالا رفته و مراقبت و نگهداری از کد تولید شده عقب مانده است. ⚠️
یک گام اساسی که جامعه Kubernetes برداشت، نگارش یک خطمشی AI بود. این خطمشی شاید بهظاهر بوروکراتیک باشد، اما کمک میکند بحثها متمرکز و روشن شود و به مشارکتکنندگان سیگنال واضحی بدهد که چگونه باید این ابزارها را بهصورت مسئولانه استفاده کنند. این سیاستها برای حفظ کیفیت کد و تضمین نظارت انسانی طراحی شدهاند، در حالی که نقش مفید ابزارهای AI در فرایند توسعه را هم میپذیرند. 📘
شفافیت اولین اصل است: هر مشارکتکننده باید اگر در نوشتن یک PR از ابزار AI کمک گرفته، این موضوع را افشا کند. یک جمله ساده در توضیحات PR کفایت میکند، برای مثال: “This PR was partially written with the help of generative AI.” یا معادل فارسی آن. این شفافیت به بازبینها کمک میکند تا با آگاهی بیشتری بررسی کنند و دقت لازم را اعمال نمایند.
مسئولیتپذیری انسانی غیرقابل مذاکره است. نباید AI را بهعنوان همنویسنده یا امضاکنندهٔ تعهدات قرار داد یا در commitها/PRها عباراتی مثل «کمکشده توسط» بهگونهای به کار برد که مسئولیت انسانی پاک شود. اگر چیزی خراب شد، یک انسان باید علت را بفهمد و اصلاح کند — نه یک هوش مصنوعی. 🔧
یکی از اقدامات عملی مؤثر، فعالسازی بررسیهای CLA برای co-authors بود. ابزارهای خودکار نمیتوانند موافقتنامههای حقوقی مشارکتکنندگان را حل کنند؛ بنابراین CLA checks بهعنوان یک فلگ برای بازبینان عمل میکند که نشان میدهد PR هنوز آمادهٔ ادغام نیست و نیاز به مشارکت انسانی دارد.
همچنین نباید پاسخگویی به نظرات بازبینی را بهطور کامل به AI واگذار کرد. اگر شما نتوانید شخصاً تغییراتی را که AI پیشنهاد داده توضیح دهید، آن PR بسته خواهد شد. این الزام تضمین میکند که انتقال دانش اتفاق میافتد و مشارکتکنندگان واقعاً کدی را که ارسال میکنند درک میکنند — نه صرفاً آن را تولید کنند و رها.
در بعد ابزار و خودکارسازی، جامعه مستندسازی روند ورود ابزارهای جدید AI را در اولویت گذاشت. یکی از معیارهای اساسی یافتن نگهدارندگانی بود که مایل به آزمایش این ابزارها در مخازن kubernetes-sigs باشند. پروژههایی مثل Kueue، JobSet و agent-sandbox شروع به آزمایش کردهاند تا ببینند ابزارها چگونه میتوانند در گردش کاری نگهداری کمک کنند.
تجربه با GitHub Copilot نشان داد که مشکل عمده، وابستگی به دسترسی مشارکتکنندگان است: فقط کسانی که مجوز Copilot داشتند میتوانستند درخواستهای خودکار را فعال کنند و این محدودیت، استفادهٔ سراسری را دشوار میکرد. هدف بعدی این بود که ابزارهای بررسی AI بهصورت سازمانی و خودکار قابل پیادهسازی باشند تا نگهدارندهها لازم نباشد هر بار دستی درخواست کنند.
در اواسط 2026 جامعه Kubernetes ابزار CodeRabbit را برای چند پروژه عرضه کرد و بازخورد کلی مثبت بود. این ابزار قابل تنظیم است و یکی از کاربردهای مؤثر آن، همکاری با agent-sandbox بود: ابزار AI میتواند یک دروازهٔ کیفیت اولیه ایجاد کند تا مشارکتکنندگان بدون منتظر ماندنِ طولانی برای نگهدار، یک بررسی سریع دریافت کنند. agent-sandbox هم یک برچسب روی PR میگذارد تا نشان دهد هنوز برخی نظرات AI نیاز به حلوفصل دارند—یعنی AI کمک میکند اما نگهبان نهایی همچنان انسان است. 🤖➡️🧑💻
مسیر بعدی روشن است: استفاده از AI در پروژههای متنباز یک حوزهٔ فعال اکتشاف است و جامعه به کمک شما برای تنظیم ابزارهای بررسی، ارزیابی ابزارها و بررسی فناوریهای نوظهور نیاز دارد. بعضی از زمینههایی که فعلاً مورد توجهاند شامل کاهش فرسودگی با کمک AI، تریاژ خودکار تستهای شکستخورده، و ابزارهای کمکی برای عملیات روزمره Kubernetes هستند. اگر نگهدارنده یا SRE هستید، مشارکت در تنظیم پالیسیها، آزمایش ابزارها و تعریف گیتهای کیفیت، تأثیر بزرگی خواهد داشت. 🚀
خلاصه اینکه: AI را بهعنوان یک ابزار مفید بپذیریم، اما هرگز نگذاریم جایگزین قضاوت، درک یا مسئولیت انسانی شود. باید سازوکارهایی برای شفافیت، امضای انسانی، بررسی CLA و اجرای دروازههای خودکار اما تحت کنترل داشته باشیم تا کیفیت و قابلیت نگهداری کد حفظ شود. 😊
