نمای کلی اجرایی و اهمیت معماری
عرضه رسمی نقطه عطف backends-on-vercel-python-contai نشان‌دهنده یک تغییر پارادایم بنیادی برای Vercel است که شکاف تاریخی بین خطوط لوله استقرار فرانت‌اند و محیط‌های اجرای بک‌اند سنگین را پر می‌کند. Vercel که از لحاظ تاریخی برای دارایی‌های استاتیک، توابع بدون سرور و جاوا اسکریپت رندر شده در لبه بهینه‌سازی شده بود، اکنون در حال تکامل به یک پلتفرم کاربردی فول-استک در سطح سازمانی است. با ارتقای پایتون به سطح دسترسی عمومی (GA)، معرفی پشتیبانی بومی از ایمیج‌های کانتینر برای توابع Vercel، و استقرار Vercel Daemons برای بارهای کاری مداوم در پس‌زمینه، این پلتفرم اکنون به طور بومی از توپولوژی‌های میکروسرویس پیچیده پشتیبانی می‌کند بدون اینکه تیم‌ها مجبور باشند پشته‌های زیرساختی خود را بین ارائه‌دهندگان ابری ثانویه تقسیم کنند.
از منظر معماری، این نسخه مستقیماً چالش اصطکاک سربار عملیاتی چند ابری را برطرف می‌کند. سازمان‌هایی که اکوسیستم‌های فول-استک را اجرا می‌کنند، پیش‌تر با چالش‌های پیچیده همگام‌سازی مواجه بودند و برنامه‌های وب را روی Vercel مدیریت می‌کردند در حالی که کارگران (Workerهای) ناهمزمان، مدل‌های یادگیری ماشین و APIهای سنگین داده را به ارائه‌دهندگان خارجی مانند AWS ECS یا GCP Cloud Run هدایت می‌کردند. با ادغام محاسبات سیال (Fluid Compute) و مدل‌های قیمت‌گذاری پردازنده فعال (Active CPU)—که منحصراً برای اجرای فعال به جای حلقه‌های نظرسنجی بیکار هزینه دریافت می‌کنند—Vercel پیش‌بینی‌پذیری هزینه را در کنار انعطاف‌پذیری زمان اجرا ارائه می‌دهد. این امر تیم‌ها را قادر می‌سازد تا کل چرخه عمر توسعه خود را تحت یک چرخه کاری مبتنی بر Git یکپارچه کنند که شامل پیش‌نمایش‌ها، تشخیص فریم‌ورک بدون نیاز به تنظیمات و قابلیت‌های قوی بازگردانی (Rollback) برای زمان‌های اجرای غیر Node.js است.
بهبودهای کلیدی و ارگونومی توسعه‌دهنده
ویژگی برجسته این نسخه، در دسترس عموم قرار گرفتن (GA) پایتون در Vercel است که به صورت بومی روی CPython استاندارد اجرا می‌شود و از وابستگی‌های PyPI و فریم‌ورک‌های وب اصلی مانند FastAPI، Flask و Django پشتیبانی قوی می‌کند. توسعه‌دهندگان اکنون می‌توانند از حلقه‌های توسعه محلی آشنا و الگوهای استقرار برای پایتون بهره ببرند، که مجموعه‌ای اختصاصی از SDKهای بومی پایتون (vercel، vercel-queue، vercel-workflow، vercel-sandbox، و SDK هوش مصنوعی برای پایتون) نیز به آن کمک می‌کنند. این SDKها دسترسی فوری و بی‌درز به فضای ذخیره‌سازی Vercel Blob، جریان‌های کاری پایدار و اجرای کد در محیط ایزوله (Sandbox) را برای کد برنامه فراهم می‌کنند و به طور چشمگیری کدهای آماده (Boilerplate) مورد نیاز برای ساخت معماری‌های مدرن مبتنی بر هوش مصنوعی و خطوط لوله داده را کاهش می‌دهند.
در همان زمان، تکامل پشتیبانی از کانتینر در توابع Vercel و معرفی Vercel Daemons، قابلیت‌های اجرای کُد را برای تقریباً هر زبان برنامه‌نویسی یا وابستگی در سطح سیستم باز می‌کند. با استفاده از یک Dockerfile استاندارد، مهندسان می‌توانند باینری‌های دلخواه، کتابخانه‌های سفارشی سیستم‌عامل و زمان‌های اجرا (مانند ffmpeg برای موتورهای پردازش رسانه) را مستقیماً در استقرار خود بسته‌بندی کنند. Vercel Daemons به‌طور خاص الگوهای کارگر پس‌زمینه مبتنی بر پول (Pull-based) را هدف قرار می‌دهند، نمونه‌های فعال را در مناطق انتخابی حفظ می‌کنند و فرآیندهای متوقف‌شده را به‌طور خودکار مجدداً راه‌اندازی می‌کنند. با ترکیب لایه مسیریابی vercel.toml با کارگران کانتینری، توسعه‌دهندگان می‌توانند کارهای در حال اجرای مداوم—مانند مصرف صف یا نظرسنجی پایگاه داده—را مستقیماً در کنار برنامه‌های فرانت‌اند خود اجرا کنند.
ماتریس مقایسه معماری
| قابلیت | مبنای قبلی Vercel | معماری جدید backends-on-vercel-python-contai |
|---|---|---|
| پشتیبانی از زمان اجرا | Node.js، Edge Runtime، پایتون آزمایشی | دسترسی عمومی (GA) پایتون (CPython) و زمان‌های اجرای کانتینر (هر زبانی) |
| پردازش پس‌زمینه | توابع بدون سرور کوتاه مدت (محدودیت زمانی) | Vercel Daemons برای نظرسنجی مداوم، صف‌های Vercel و جریان‌های کاری پایدار |
| مدل قیمت‌گذاری محاسباتی | صورت‌حساب مدت زمان فراخوانی استاندارد بدون سرور | محاسبات سیال با قیمت‌گذاری CPU فعال (بدون هزینه زمان بیکاری برای انتظار پایگاه داده/API) |
| مدیریت وابستگی | بسته‌های بدون سرور با محدودیت شدید | کتابخانه‌های سفارشی سیستم از طریق Dockerfiles و پشتیبانی کامل PyPI |
تغییرات ساختارشکن و هشدارهای مهاجرت
این نسخه کاملاً با استقرارهای قبلی Vercel سازگار است و تضمین می‌کند که توابع موجود Node.js، Edge و پایتون آزمایشی بدون تغییر به کار خود ادامه خواهند داد. با این حال، تیم‌هایی که بارهای کاری را از ارکستراتورهای کانتینر خارجی (مانند AWS ECS) به Vercel Containers و Daemons منتقل می‌کنند، باید مدل‌های پیکربندی خود را تطبیق دهند. از آنجا که دمون‌ها به‌طور صریح برای بارهای کاری مبتنی بر پول (Pull-based) طراحی شده‌اند، معماری‌های مبتنی بر پوش (Push) که به سوکت‌های شبکه ورودی مستقیم روی پورت‌های دلخواه نیاز دارند، باید برای استفاده از لایه مسیریابی HTTP مدیریت‌شده Vercel و نقاط پایانی توابع استاندارد بازطراحی شوند. علاوه بر این، ایمیج‌های کانتینر باید با مشخصات محاسبات سیال Vercel و دستورالعمل‌های یکپارچه‌سازی رجیستری کانتینر مطابقت داشته باشند تا مقیاس‌پذیری سریع و عملکرد بهینه در راه‌اندازی سرد (Cold-start) تضمین شود.
راهنمای ارتقا گام‌به‌گام
انتقال یک برنامه موجود یا افزودن یک کارگر پس‌زمینه کانتینری‌شده به پروژه Vercel، شامل پیکربندی مانیفست‌های استقرار و تعریف محیط زمان اجرا از طریق Docker است.
گام ۱: ساخت Dockerfile و وابستگی‌های زمان اجرا
محیط کانتینری خود را با گنجاندن هرگونه کتابخانه سیستم و اسکریپت‌های کاربردی لازم تعریف کنید. به عنوان مثال، یک پردازشگر رسانه مبتنی بر پایتون که از ffmpeg استفاده می‌کند به یک Dockerfile ساختاریافته نیاز دارد:
FROM python:3.11-slim
RUN apt-get update && apt-get install -y ffmpeg
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "worker.py"]
گام ۲: پیکربندی مسیریابی vercel.toml و دمون‌ها
زیرساخت فرانت‌اند و بک‌اند خود را در ریشه پروژه با استفاده از vercel.toml نگاشت کنید. نحوه تعامل درخواست‌ها و کارگران پس‌زمینه را در استقرار خود تعریف کنید:
[build]
image = "Dockerfile"
[[routes]]
src = "/api/(.*)"
dest = "/api/$1"
گام ۳: استقرار از طریق Git یا CLI
تغییرات پیکربندی خود را به مخزن خود ارسال کنید یا استقرار را مستقیماً از طریق CLI Vercel اجرا کنید تا ساخت رجیستری کانتینر خود را مقداردهی اولیه کرده و کارگران پس‌زمینه مداوم خود را راه‌اندا