= Pi Coding Agent =

راهنمای نصب، پیکربندی و استفاده از Pi برای پروژه‌های C#/.NET و Angular.

== Pi چیست؟ ==
Pi یک coding-agent مینیمال و قابل‌گسترش است. قابلیت‌هایی مانند browser، subagent، memory، plan، MCP، theme و workflow از طریق extension، skill، prompt template و package اضافه می‌شوند.

ابزارهای پایه:
<syntaxhighlight lang="text">
read
bash
powershell
edit
write
grep
find
ls
</syntaxhighlight>

Pi به‌صورت built-in شامل MCP، subagent، plan mode، todo و background task نیست؛ این قابلیت‌ها با package یا extension اضافه می‌شوند.

== پیش‌نیازهای Windows ==
* Node.js
* npm یا package manager سازگار
* Git for Windows
* Windows Terminal
* API key یا subscription provider

بررسی:
<syntaxhighlight lang="powershell">
node --version
npm --version
git --version
</syntaxhighlight>

Pi در Windows معمولاً از Git Bash استفاده می‌کند. راهنما: [https://pi.dev/docs/latest/windows Windows Setup]

== نصب و به‌روزرسانی ==
<syntaxhighlight lang="powershell">
npm install -g --ignore-scripts @earendil-works/pi-coding-agent
pi --version
pi --help
pi update --self
pi update --extensions
pi update --all
pi update --models
pi list
</syntaxhighlight>

اجرای پروژه:
<syntaxhighlight lang="powershell">
cd C:\Path\To\YourProject
pi
</syntaxhighlight>

حذف:
<syntaxhighlight lang="powershell">
npm uninstall -g @earendil-works/pi-coding-agent
</syntaxhighlight>

== احراز هویت و مدل‌ها ==
داخل Pi:
<syntaxhighlight lang="text">
/login
/logout
/model
</syntaxhighlight>

Providerهای رایج شامل OpenAI/Codex، Anthropic، GitHub Copilot، Google، DeepSeek، OpenRouter، Azure OpenAI، Vertex، Bedrock، xAI و llama.cpp هستند.

کلیدها را در Wiki، source code، prompt، log یا commit ذخیره نکنید.

راهنما: [https://pi.dev/docs/latest/providers Providers]

== اجرای Pi و ابزارها ==
<syntaxhighlight lang="powershell">
pi
pi -p "Summarize this project"
pi --model openai/gpt-4o
pi --tools read,grep,find,ls -p "Review this project"
pi --exclude-tools bash
pi --no-tools
</syntaxhighlight>

<syntaxhighlight lang="powershell">
pi -p "@README.md Summarize this file"
Get-Content README.md | pi -p "Summarize this text"
</syntaxhighlight>

در editor، <code>@</code> برای فایل، <code>Tab</code> برای path، <code>Shift+Enter</code> برای ورودی چندخطی، <code>!</code> برای shell command و <code>!!</code> برای اجرای بدون ارسال خروجی استفاده می‌شود.

== دستورهای تعاملی ==
{| class="wikitable"
! دستور !! کاربرد
|-
| <code>/login</code> || ورود
|-
| <code>/logout</code> || خروج
|-
| <code>/model</code> || انتخاب مدل
|-
| <code>/settings</code> || تنظیمات
|-
| <code>/new</code> || session جدید
|-
| <code>/resume</code> || ادامه session
|-
| <code>/fork</code> || fork session
|-
| <code>/tree</code> || درخت session
|-
| <code>/compact</code> || فشرده‌سازی context
|-
| <code>/export</code> || خروجی HTML
|-
| <code>/reload</code> || reload extensionها
|-
| <code>/help</code> || راهنما
|}

== تنظیمات ==
تنظیمات global:
<syntaxhighlight lang="text">
C:\Users\<username>\.pi\agent\settings.json
</syntaxhighlight>

تنظیمات project-local:
<syntaxhighlight lang="text">
<project>\.pi\settings.json
</syntaxhighlight>

نمونه:
<syntaxhighlight lang="json">
{
"defaultTools": ["read", "powershell", "edit", "write"],
"enableSkillCommands": true,
"packages": [
"npm:@sentiolabs/pi-frontend-design",
"npm:pi-frontend-check"
],
"prompts": ["./prompts"],
"skills": ["./skills"],
"themes": ["./themes"]
}
</syntaxhighlight>

مدیریت resourceها:
<syntaxhighlight lang="powershell">
pi config
pi config -l
</syntaxhighlight>

راهنما: [https://pi.dev/docs/latest/settings Settings]

== Context Files ==
Pi فایل‌های <code>AGENTS.md</code> و <code>CLAUDE.md</code> را برای قواعد پروژه می‌خواند.

موارد پیشنهادی برای ثبت:
* commandهای build و test
* معماری و naming
* قواعد API و migration
* i18n فارسی/انگلیسی
* محدودیت‌های امنیتی
* ممنوعیت commit، push و deploy بدون مجوز

غیرفعال‌کردن:
<syntaxhighlight lang="powershell">
pi --no-context-files
</syntaxhighlight>

== Extension، Skill، Prompt و Theme ==
مسیرهای global:
<syntaxhighlight lang="text">
C:\Users\<username>\.pi\agent\extensions\
C:\Users\<username>\.pi\agent\skills\
C:\Users\<username>\.pi\agent\prompts\
</syntaxhighlight>

مسیرهای project-local:
<syntaxhighlight lang="text">
<project>\.pi\extensions\
<project>\.pi\skills\
<project>\.pi\prompts\
</syntaxhighlight>

* Extension: کد TypeScript برای tool، command، event، UI یا provider.
* Skill: workflow تخصصی با فایل <code>SKILL.md</code>.
* Prompt template: فایل Markdown قابل اجرا با <code>/name</code>.
* Theme: تنظیمات ظاهری Pi.

نمونه Skill:
<syntaxhighlight lang="markdown">
---
name: dotnet-angular
description: Build, test and verify .NET and Angular projects.
---

Run dotnet build and dotnet test.
Run pnpm lint, pnpm test and pnpm build.
Check API compatibility, i18n, accessibility and secrets.
</syntaxhighlight>

اجرا:
<syntaxhighlight lang="text">
/skill:dotnet-angular
</syntaxhighlight>

راهنماها: [https://pi.dev/docs/latest/skills Skills] و [https://pi.dev/docs/latest/prompt-templates Prompt Templates]

== نصب Package ==
<syntaxhighlight lang="powershell">
pi install npm:package-name
pi install -l npm:package-name
pi install git:github.com/user/repository@v1
pi -e npm:package-name
pi remove npm:package-name
pi list
</syntaxhighlight>

نصب عادی global است؛ <code>-l</code> project-local و <code>-e</code> موقت است.

== Packageهای پیشنهادی برای .NET و Angular ==
<syntaxhighlight lang="powershell">
pi install npm:@sentiolabs/pi-frontend-design
pi install -l npm:pi-frontend-check
pi install -l npm:pi-lens
pi install npm:pi-web-access
pi install npm:pi-mcp-adapter
pi install npm:@gotgenes/pi-permission-system
</syntaxhighlight>

* <code>@sentiolabs/pi-frontend-design</code>: طراحی UI، typography، layout و responsive.
* <code>pi-frontend-check</code>: تست Angular، screenshot، viewport، console و network.
* <code>pi-lens</code>: LSP، TypeScript، lint، formatter و type-check.
* <code>pi-web-access</code>: جست‌وجو و مطالعه مستندات وب.
* <code>pi-mcp-adapter</code>: اتصال MCP serverها.
* <code>pi-permission-system</code>: محدودسازی دسترسی ابزارها و مسیرها.

افزونه‌های browser و memory را بدون نیاز واقعی هم‌زمان نصب نکنید.

Catalog: [https://pi.dev/packages?type=extension Pi Package Catalog]

== Workflow Angular ==
<syntaxhighlight lang="powershell">
pnpm install --frozen-lockfile
pnpm start
pnpm lint
pnpm test
pnpm build
</syntaxhighlight>

پس از اجرای dev server:
<syntaxhighlight lang="text">
Open the Angular dev server, test main routes at desktop, tablet and mobile widths, inspect console and network errors, then report findings.
</syntaxhighlight>

چرخه: Implement → Build → Lint → Unit Test → Browser Test → Screenshot → Accessibility Review → Fix → Re-test

== Workflow .NET ==
<syntaxhighlight lang="powershell">
dotnet restore
dotnet build
dotnet test
dotnet format --verify-no-changes
dotnet run
dotnet ef migrations list
</syntaxhighlight>

connection string، token و credential واقعی نباید در Wiki یا prompt قرار گیرند. migration production به backup، rollback plan و مجوز نیاز دارد.

== Session و Compaction ==
<syntaxhighlight lang="text">
/new
/resume
/fork
/tree
/compact
/export
</syntaxhighlight>

تنظیم compaction:
<syntaxhighlight lang="json">
{
"compaction": {
"enabled": true,
"reserveTokens": 16384,
"keepRecentTokens": 20000
}
}
</syntaxhighlight>

راهنما: [https://pi.dev/docs/latest/compaction Compaction]

== UI Extension ==
برای widget دائمی از <code>setWidget()</code> استفاده کنید:
<syntaxhighlight lang="typescript">
import type { ExtensionAPI } from "@earendil-works/pi-coding-agent";
import { Text } from "@earendil-works/pi-tui";

export default function (pi: ExtensionAPI) {
pi.on("session_start", (_event, ctx) => {
ctx.ui.setWidget("status", (_tui, theme) => {
return new Text("Pi active: " + ctx.cwd, 0, 0);
});
});
}
</syntaxhighlight>

پس از تغییر:
<syntaxhighlight lang="text">
/reload
</syntaxhighlight>

<code>ctx.ui.custom()</code> برای modal است و تا اجرای <code>done()</code> منتظر می‌ماند؛ برای status دائمی از <code>setWidget()</code> استفاده کنید.

== RPC و SDK ==
RPC:
<syntaxhighlight lang="powershell">
pi --mode rpc
</syntaxhighlight>

کاربردها: اتصال به IDE، ساخت Web UI اختصاصی، pipeline و automation.

SDK برای embedding Pi در برنامه‌های Node.js/TypeScript استفاده می‌شود.

راهنماها: [https://pi.dev/docs/latest/sdk SDK] و [https://pi.dev/docs/latest/rpc RPC]

== امنیت ==
* Extension و packageها می‌توانند کد arbitrary اجرا کنند.
* Pi به‌صورت پیش‌فرض sandbox کامل ندارد.
* API key و connection string در source، Wiki یا log ذخیره نشود.
* packageهای ناشناس قبل از نصب review شوند.
* برای پروژه‌های حساس از permission system، container یا sandbox استفاده شود.
* packageهای غیرضروری حذف شوند.

غیرفعال‌کردن extensionها برای یک اجرا:
<syntaxhighlight lang="powershell">
pi --no-extensions
pi --no-extensions -e .\trusted-extension.ts
</syntaxhighlight>

== عیب‌یابی ==
=== Pi پیدا نمی‌شود ===
<syntaxhighlight lang="powershell">
Get-Command pi
npm list -g --depth=0
</syntaxhighlight>

=== Extension بارگذاری نمی‌شود ===
فایل، مسیر، <code>export default function</code>، ثبت command و اجرای <code>/reload</code> را بررسی کنید.

=== هشدار install scripts ===
پیام blocked شدن <code>postinstall</code> الزاماً خطا نیست. بررسی:
<syntaxhighlight lang="powershell">
npm install-scripts ls
</syntaxhighlight>

اگر خروجی <code>No packages with unreviewed install scripts.</code> بود، مورد pending وجود ندارد.

=== custom UI هنگ می‌کند ===
<code>ctx.ui.custom()</code> تا اجرای <code>done()</code> باز می‌ماند. handler خروج مانند Escape اضافه کنید یا برای widget دائمی از <code>setWidget()</code> استفاده کنید.

=== Angular server قابل‌دسترسی نیست ===
<syntaxhighlight lang="powershell">
pnpm start
Get-NetTCPConnection -State Listen
</syntaxhighlight>

== منابع رسمی ==
* [https://pi.dev/docs/latest Pi Documentation]
* [https://pi.dev/docs/latest/usage Using Pi]
* [https://pi.dev/docs/latest/windows Windows Setup]
* [https://pi.dev/docs/latest/providers Providers]
* [https://pi.dev/docs/latest/settings Settings]
* [https://pi.dev/docs/latest/extensions Extensions]
* [https://pi.dev/docs/latest/skills Skills]
* [https://pi.dev/docs/latest/packages Packages]
* [https://pi.dev/docs/latest/sdk SDK]
* [https://pi.dev/docs/latest/rpc RPC]
* [https://pi.dev/packages?type=extension Package Catalog]
* [https://github.com/earendil-works/pi Pi GitHub]

[[رده:ابزارهای توسعه]]
[[رده:Angular]]
[[رده:.NET]]
[[رده:هوش مصنوعی]]

== پیشنهادهای حرفه‌ای برای کدنویسی بهتر ==

برای پروژه‌های C#/.NET و Angular، کیفیت خروجی Pi فقط به مدل وابسته نیست؛ ترکیب قواعد پروژه، برنامه‌ریزی، تست، browser QA و review اهمیت دارد.

=== Workflow برنامه‌ریزی و Verify ===

<syntaxhighlight lang="powershell">
pi install -l npm:pi-plan-task
</syntaxhighlight>

این package workflow زیر را فراهم می‌کند:
<syntaxhighlight lang="text">
/plan
review
approve
/build
verify
</syntaxhighlight>

Task بدون acceptance criteria و evidence تست نباید کامل اعلام شود.

راهنما: [https://pi.dev/packages/pi-plan-task pi-plan-task]

=== تست واقعی Angular ===

<syntaxhighlight lang="powershell">
pi install -l npm:pi-frontend-check
</syntaxhighlight>

قابلیت‌ها:
* screenshot
* تست responsive
* بررسی console error
* بررسی network error
* تست فرم و route
* viewportهای desktop، tablet و mobile

راهنما: [https://pi.dev/packages/pi-frontend-check pi-frontend-check]

=== تحلیل TypeScript و Angular ===

<syntaxhighlight lang="powershell">
pi install -l npm:pi-lens
</syntaxhighlight>

برای LSP، lint، formatter، type-check و تحلیل ساختاری استفاده می‌شود.

=== Permission و امنیت اجرای Pi ===

<syntaxhighlight lang="powershell">
pi install npm:@gotgenes/pi-permission-system
</syntaxhighlight>

Pi به‌صورت ذاتی sandbox کامل و permission popup برای همه ابزارها ندارد. برای پروژه‌های حساس، مسیرهای مجاز، commandهای خطرناک و دسترسی‌های external را محدود کنید.

راهنما: [https://pi.dev/packages/pi-permission-system pi-permission-system]

=== Subagent برای تقسیم کار ===

<syntaxhighlight lang="powershell">
pi install -l npm:@gotgenes/pi-subagents
</syntaxhighlight>

Roleهای پیشنهادی:
<syntaxhighlight lang="text">
scout
planner
implementer
dotnet-reviewer
angular-reviewer
security-reviewer
test-reviewer
</syntaxhighlight>

هر subagent باید مسئولیت، scope، ابزار و write-set مشخص داشته باشد.

=== Review خودکار Pull Request ===

برای پروژه‌های GitHub:
<syntaxhighlight lang="powershell">
pi install -l npm:pi-pr-review
</syntaxhighlight>

برای review correctness، security، performance، API contract و کیفیت کد مناسب است. انتشار comment روی GitHub باید فقط با دستور صریح انجام شود.

راهنما: [https://pi.dev/packages/pi-pr-review pi-pr-review]

=== Memory بین sessionها ===

فقط یکی از این دو package را انتخاب کنید:
<syntaxhighlight lang="powershell">
pi install npm:pi-memory
</syntaxhighlight>

یا:
<syntaxhighlight lang="powershell">
pi install npm:pi-hermes-memory
</syntaxhighlight>

Memory برای تصمیم‌های معماری، نکات پروژه و ادامه sessionهای طولانی مفید است؛ secret، token، password و PII نباید در آن ذخیره شود.

=== جست‌وجوی مستندات وب ===

<syntaxhighlight lang="powershell">
pi install npm:pi-web-access
</syntaxhighlight>

برای مطالعه مستندات رسمی Angular، Microsoft، .NET، GitHub و PDFها استفاده می‌شود.

=== Stack پیشنهادی ===

<syntaxhighlight lang="powershell">
pi install -l npm:pi-plan-task
pi install -l npm:pi-frontend-check
pi install -l npm:pi-lens
pi install -l npm:@gotgenes/pi-subagents
pi install npm:@gotgenes/pi-permission-system
pi install npm:pi-web-access
</syntaxhighlight>

از نصب هم‌زمان چند browser extension، چند memory extension یا چند workflow manager خودداری کنید؛ هم‌پوشانی می‌تواند باعث command conflict و context اضافی شود.

=== Promptهای استاندارد ===

==== قبل از تغییر ====
<syntaxhighlight lang="text">
First inspect the repository rules, git status, relevant files, and two sibling implementations. Do not edit yet. Return scope, risks, affected files, and verification commands.
</syntaxhighlight>

==== پیاده‌سازی Angular ====
<syntaxhighlight lang="text">
Implement this Angular change using the existing project patterns. Preserve fa/en translation parity, RTL/LTR, loading/error/success states, accessibility, dark mode, API envelope, and responsive behavior. Use pnpm commands.
</syntaxhighlight>

==== پیاده‌سازی .NET ====
<syntaxhighlight lang="text">
Implement this .NET change using the existing layered architecture. Preserve API compatibility, async I/O, cancellation, validation, authorization, structured logging, error envelope, migration safety, and secret handling.
</syntaxhighlight>

==== پس از تغییر ====
<syntaxhighlight lang="text">
Verify the change end-to-end. Run focused dotnet tests, Angular lint/test/build, browser QA for affected routes, inspect console and network errors, review the diff, and report only evidence-backed findings.
</syntaxhighlight>

==== Review بدون تغییر ====
<syntaxhighlight lang="text">
Review the current diff only. Do not modify files. Check correctness, security, API compatibility, Angular/.NET conventions, i18n, accessibility, performance, and missing tests. Report severity, file, line, evidence, and recommendation.
</syntaxhighlight>

=== چرخه استاندارد توسعه ===

<syntaxhighlight lang="text">
Inspect
→ Plan
→ Implement
→ Build
→ Test
→ Browser QA
→ Review diff
→ Secret scan
→ Report evidence
</syntaxhighlight>

=== قواعد انتخاب Package ===

* ابتدا package را با <code>pi -e</code> موقت تست کنید.
* packageهای پروژه را با <code>pi install -l</code> نصب کنید.
* نسخه package را در کار production pin کنید.
* source و license و permission را بررسی کنید.
* packageهای duplicate یا بدون استفاده را حذف کنید.
* پس از نصب، <code>pi list</code> و <code>/reload</code> را بررسی کنید.

راهنمای رسمی packageها: [https://pi.dev/docs/latest/packages Pi Packages]

Pi Harness Agent Coding

2026-09-04T19:20:01Z

Karavi: Created page with "= Pi Coding Agent = راهنمای نصب، پیکربندی و استفاده از Pi برای پروژه‌های C#/.NET و Angular. == Pi چیست؟ == Pi یک coding-agent مینیمال و قابل‌گسترش است. قابلیت‌هایی مانند browser، subagent، memory، plan، MCP، theme و workflow از طریق extension، skill، prompt template و package اضافه می‌شوند. ابزارهای پایه: <syntaxhighlight lang="text"> read..."

LLM Agentic Coding

2026-09-04T15:06:40Z

Karavi: Karavi moved page LLM Agentic Coding to LLM Agentic Coding Model

#REDIRECT [[LLM Agentic Coding Model]]

LLM Agentic Coding Model

2026-09-04T15:06:40Z

Karavi: Karavi moved page LLM Agentic Coding to LLM Agentic Coding Model

= مقایسه جامع مدل‌های هوش مصنوعی برای برنامه‌نویسی و Agentic Coding در سال 2026 =

مدل‌های هوش مصنوعی در سال 2026 از ابزارهای ساده Code Completion به سیستم‌هایی تبدیل شده‌اند که می‌توانند بخش قابل توجهی از فرایند مهندسی نرم‌افزار را به‌صورت Agentic انجام دهند.

یک Coding Agent مدرن می‌تواند:

* Repository را بررسی کند.
* ساختار پروژه را درک کند.
* چندین فایل را ویرایش کند.
* Terminal و Shell اجرا کند.
* Test اجرا کند.
* خطا را پیدا و Debug کند.
* Refactoring انجام دهد.
* از Tool Calling و MCP استفاده کند.
* نتیجه اجرای برنامه را بررسی کند.
* پس از شکست، راه‌حل دیگری را امتحان کند.

بنابراین برای انتخاب مدل مناسب برنامه‌نویسی، صرفاً قدرت تولید Code کافی نیست.

در این مقاله مدل‌ها از نظر موارد زیر بررسی می‌شوند:

* Coding
* Agentic Coding
* Software Engineering
* Debugging
* Refactoring
* Repository Understanding
* Tool Calling
* Long Context
* Multimodal Coding
* سرعت
* قیمت API
* Price/Performance
* Self-hosting

'''آخرین به‌روزرسانی: 4 سپتامبر 2026'''

----

= خلاصه سریع =

{| class="wikitable"
! کاربرد
! مدل پیشنهادی
! توضیح
|-
| 🏆 حداکثر قدرت
| '''GPT-6 Astra'''
| سخت‌ترین مسائل End-to-End
|-
| 🧠 Coding بسیار پیچیده
| '''GPT-5.6 Sol'''
| معماری، Debugging و Software Engineering پیچیده
|-
| 🤖 Coding Agent حرفه‌ای
| '''Claude Sonnet 5'''
| Agentic Software Engineering و Tool Use
|-
| ⚡ Coding Agent سریع
| '''Gemini 3.8 Flash / Gemini 3.7 Flash'''
| سرعت بالا و مناسب Agent
|-
| 💰 بهترین Price/Performance
| '''GLM 5.3 Flash'''
| Coding و Agentic با هزینه بسیار پایین
|-
| 💵 Coding اقتصادی
| '''DeepSeek V4 Flash 0731'''
| مناسب Agent و پردازش پرتعداد
|-
| ⚖️ OpenAI متعادل
| '''GPT-5.6 Terra'''
| تعادل قدرت و هزینه
|-
| 🛠️ Coding + Tool Use
| '''Grok 4.6'''
| Agentic Workflow و Tool Calling
|-
| 🚀 Agentic Software Engineering
| '''Grok Build 0.1'''
| مدل تخصصی Coding Agent
|-
| 📚 Repository بزرگ
| '''GPT-5.6 / Gemini / DeepSeek / Qwen / GLM'''
| Long Context
|-
| 🖼️ Screenshot → Code
| '''Gemini Flash / Claude / GPT-5.6'''
| Multimodal Coding
|-
| 🔓 Self-hosting
| '''gpt-oss-120b / GLM / Mistral / Qwen'''
| اجرای Local و Private
|}

----

= جدول جامع مقایسه مدل‌ها =

جدول زیر مدل‌ها را بر اساس '''تاریخ ارائه از جدیدترین به قدیمی‌ترین''' مرتب می‌کند.

قیمت‌ها به ازای '''یک میلیون Token''' هستند.

{| class="wikitable sortable"
! تاریخ ارائه
! مدل
! شرکت
! Input
! Cached
! Output
! Context
! Max Output
! Coding
! Agentic
! Price/Performance
! کاربرد اصلی
|-

| 2026-09-04
| '''GPT-6 Astra'''
| OpenAI
| $10
| $1
| $50
| 1.05M
| 128K
| '''10/10'''
| '''10/10'''
| 6.5
| سخت‌ترین End-to-End Workloads
|-

| 2026-09-02
| '''Gemini 3.8 Flash'''
| Google DeepMind
| متغیر
| متغیر
| متغیر
| Long Context
| -
| '''9.8'''
| '''9.8'''
| '''9.7'''
| Coding، Agents و Multimodal
|-

| 2026-08
| '''GLM 5.3 Flash'''
| Z.ai / Zhipu AI
| بسیار ارزان
| بسیار ارزان
| بسیار ارزان
| Long Context
| -
| '''9.5'''
| '''9.7'''
| '''10'''
| Coding Agent اقتصادی
|-

| 2026-08
| '''Gemini 3.7 Flash'''
| Google DeepMind
| Introductory
| -
| Introductory
| ~1M
| -
| '''9.6'''
| '''9.7'''
| '''9.8'''
| Coding Agent سریع
|-

| 2026-08
| '''DeepSeek V4 Pro'''
| DeepSeek
| Tiered
| Tiered
| Tiered
| ~1M
| تا 384K
| '''9.5'''
| '''9.6'''
| '''9.7'''
| Agentic Coding
|-

| 2026-08
| '''Grok 4.6'''
| xAI
| $2*
| $0.50*
| $6*
| 500K
| -
| '''9.6'''
| '''9.8'''
| '''9.4'''
| Coding + Tool Use
|-

| 2026-07-31
| '''DeepSeek V4 Flash 0731'''
| DeepSeek
| $0.22–0.44*
| $0.007–0.014*
| $0.66–1.32*
| ~1M
| تا 384K
| '''9.2'''
| '''9.4'''
| '''10'''
| Coding اقتصادی
|-

| 2026-07
| '''GPT-5.6 Sol'''
| OpenAI
| $4
| $0.40
| $20
| 1.05M
| 128K
| '''10'''
| '''10'''
| 8
| Complex Professional Coding
|-

| 2026-07
| '''GPT-5.6 Terra'''
| OpenAI
| $2
| $0.20
| $12
| 1.05M
| 128K
| '''9.5'''
| '''9.5'''
| '''9.2'''
| تعادل قدرت و قیمت
|-

| 2026-07
| '''GPT-5.6 Luna'''
| OpenAI
| $0.20
| $0.02
| $1.20
| 1.05M
| 128K
| 8.2
| 8.6
| '''10'''
| High-volume / Sub-Agent
|-

| 2026-06
| '''Claude Sonnet 5'''
| Anthropic
| $2
| متغیر
| $10
| Long Context
| -
| '''9.8'''
| '''10'''
| '''9.3'''
| Professional Coding Agent
|-

| 2026
| '''Claude Opus 4.6'''
| Anthropic
| Premium
| متغیر
| Premium
| Long Context
| -
| '''9.6'''
| '''9.7'''
| 7.5
| Debugging و Reasoning بسیار پیچیده
|-

| 2026
| '''GLM-5.2'''
| Z.ai / Zhipu AI
| Provider-based
| Provider-based
| Provider-based
| ~1M
| -
| '''9.5'''
| '''9.7'''
| 9.4
| Long-Horizon Coding
|-

| 2026
| '''Grok Build 0.1'''
| xAI
| $1*
| $0.20*
| $2*
| 256K
| -
| 9.3
| '''9.5'''
| '''9.8'''
| Agentic Software Engineering
|-

| 2026
| '''Mistral Medium 3.5'''
| Mistral AI
| $1.50
| -
| $7.50
| 256K
| -
| 9.2
| '''9.5'''
| 9.1
| Coding و Agent
|-

| 2026
| '''Gemini 3.6 Flash'''
| Google DeepMind
| -
| -
| -
| ~1M
| -
| 9.0
| 9.1
| 8.8
| Coding سریع
|-

| 2026
| '''Gemini 3.5 Flash'''
| Google DeepMind
| -
| -
| -
| Long Context
| -
| 8.6
| 8.7
| 8.5
| Coding و Multimodal
|-

| 2026
| '''Gemini 3.1 Pro'''
| Google DeepMind
| Tiered
| Tiered
| Tiered
| ~1M
| -
| '''9.5'''
| '''9.6'''
| 8.8
| Deep Reasoning
|-

| 2026
| '''Qwen 3.7 Max'''
| Alibaba Cloud / Qwen
| Region-based
| Region-based
| Region-based
| ~1M
| ~131K
| '''9.4'''
| '''9.5'''
| 9.3
| Long Context
|-

| 2026
| '''Qwen3-Coder Plus'''
| Alibaba Cloud / Qwen
| Tiered
| -
| Tiered
| ~1M
| ~65K
| '''9.2'''
| 8.7
| 9.2
| Coding تخصصی
|-

| 2026
| '''MiMo 2.5'''
| Xiaomi / MiMo
| Provider-based
| -
| Provider-based
| -
| -
| 8.7
| 8.7
| 9.2
| Coding + Multimodal
|-

| 2026
| '''Solar Pro 4'''
| Upstage
| Provider-based
| -
| Provider-based
| -
| -
| 8.8
| 8.7
| 8.8
| General Coding
|-

| 2025-08-05
| '''gpt-oss-120b'''
| OpenAI
| Self-host
| -
| Self-host
| 128K
| -
| 8.6
| 8.5
| '''9.5'''
| Self-hosted Coding
|}

'''نکته:'''

* امتیازهای Coding، Agentic و Price/Performance ارزیابی تحلیلی این مقاله هستند و Benchmark رسمی شرکت‌های سازنده نیستند.
* قیمت API ممکن است بر اساس Provider، Region، Context Length، Peak/Off-Peak و Promotional Pricing تغییر کند.
* علامت «-» به معنی نبود اطلاعات قطعی قابل مقایسه در این جدول است.
* برای مدل‌هایی که تاریخ دقیق نسخه مورد استفاده Provider مشخص نیست، سال یا ماه انتشار درج شده است.

----

= رتبه‌بندی کلی برای برنامه‌نویسی =

{| class="wikitable sortable"
! رتبه
! مدل
! Coding
! Agentic
! مناسب برای
|-
| 1
| '''GPT-6 Astra'''
| 10
| 10
| حداکثر قدرت
|-
| 2
| '''GPT-5.6 Sol'''
| 10
| 10
| Software Engineering پیچیده
|-
| 3
| '''Claude Sonnet 5'''
| 9.8
| 10
| Coding Agent
|-
| 4
| '''Gemini 3.8 Flash'''
| 9.8
| 9.8
| Agent سریع
|-
| 5
| '''Grok 4.6'''
| 9.6
| 9.8
| Coding + Tools
|-
| 6
| '''Gemini 3.7 Flash'''
| 9.6
| 9.7
| Coding سریع
|-
| 7
| '''Claude Opus 4.6'''
| 9.6
| 9.7
| مسائل سخت
|-
| 8
| '''GLM 5.3 Flash'''
| 9.5
| 9.7
| Price/Performance
|-
| 9
| '''DeepSeek V4 Pro'''
| 9.5
| 9.6
| Agentic Coding
|-
| 10
| '''Gemini 3.1 Pro'''
| 9.5
| 9.6
| Deep Reasoning
|-
| 11
| '''GPT-5.6 Terra'''
| 9.5
| 9.5
| Balanced Coding
|-
| 12
| '''Qwen 3.7 Max'''
| 9.4
| 9.5
| Long Context
|-
| 13
| '''Grok Build 0.1'''
| 9.3
| 9.5
| Agentic Software Engineering
|-
| 14
| '''DeepSeek V4 Flash'''
| 9.2
| 9.4
| Low-cost Coding
|-
| 15
| '''Mistral Medium 3.5'''
| 9.2
| 9.5
| Open / Agentic
|-
| 16
| '''Qwen3-Coder Plus'''
| 9.2
| 8.7
| Coding
|-
| 17
| '''Gemini 3.6 Flash'''
| 9.0
| 9.1
| Fast Coding
|-
| 18
| '''Solar Pro 4'''
| 8.8
| 8.7
| General Coding
|-
| 19
| '''MiMo 2.5'''
| 8.7
| 8.7
| Coding + Image
|-
| 20
| '''gpt-oss-120b'''
| 8.6
| 8.5
| Self-host
|-
| 21
| '''Gemini 3.5 Flash'''
| 8.6
| 8.7
| Fast Coding
|-
| 22
| '''GPT-5.6 Luna'''
| 8.2
| 8.6
| Cheap Sub-Agent
|}

----

= مقایسه مدل‌های اقتصادی برای Coding =

این جدول برای زمانی مهم است که Coding Agent تعداد زیادی Token مصرف می‌کند.

{| class="wikitable sortable"
! مدل
! Coding
! Agentic
! هزینه
! Price/Performance
! پیشنهاد
|-
| '''GLM 5.3 Flash'''
| 9.5
| 9.7
| بسیار پایین
| '''10/10'''
| 🥇
|-
| '''DeepSeek V4 Flash 0731'''
| 9.2
| 9.4
| بسیار پایین
| '''10/10'''
| 🥇
|-
| '''GPT-5.6 Luna'''
| 8.2
| 8.6
| بسیار پایین
| '''10/10'''
| Sub-Agent
|-
| '''Grok Build 0.1'''
| 9.3
| 9.5
| پایین
| '''9.8/10'''
| Coding Agent
|-
| '''Gemini 3.7 Flash'''
| 9.6
| 9.7
| پایین/متوسط
| '''9.8/10'''
| Agent سریع
|-
| '''GPT-5.6 Terra'''
| 9.5
| 9.5
| متوسط
| 9.2/10
| Coding حرفه‌ای
|-
| '''Claude Sonnet 5'''
| 9.8
| 10
| متوسط
| 9.3/10
| Task سخت
|}

----

= مقایسه برای Agentic Coding =

Agentic Coding با Code Generation معمولی متفاوت است.

در Agentic Coding مدل باید بتواند:

* Task را برنامه‌ریزی کند.
* Repository را جستجو کند.
* فایل مناسب را پیدا کند.
* Terminal اجرا کند.
* Code را تغییر دهد.
* Test اجرا کند.
* خطا را تحلیل کند.
* مجدداً Code را اصلاح کند.
* Toolهای مختلف را هماهنگ کند.

{| class="wikitable sortable"
! مدل
! Agentic
! Tool Use
! Repository
! Long-running Task
! پیشنهاد
|-
| '''GPT-6 Astra'''
| 10
| عالی
| عالی
| عالی
| 🥇
|-
| '''Claude Sonnet 5'''
| 10
| عالی
| عالی
| عالی
| 🥇
|-
| '''GPT-5.6 Sol'''
| 10
| عالی
| عالی
| عالی
| 🥇
|-
| '''Gemini 3.8 Flash'''
| 9.8
| عالی
| عالی
| عالی
| ⭐
|-
| '''Grok 4.6'''
| 9.8
| عالی
| عالی
| عالی
| ⭐
|-
| '''GLM 5.3 Flash'''
| 9.7
| عالی
| عالی
| عالی
| ⭐
|-
| '''Gemini 3.7 Flash'''
| 9.7
| عالی
| عالی
| عالی
| ⭐
|-
| '''Claude Opus 4.6'''
| 9.7
| عالی
| عالی
| عالی
| Task بسیار سخت
|-
| '''DeepSeek V4 Pro'''
| 9.6
| عالی
| عالی
| عالی
| ⭐
|-
| '''Grok Build'''
| 9.5
| عالی
| خوب
| عالی
| ⭐
|-
| '''GPT-5.6 Terra'''
| 9.5
| عالی
| عالی
| عالی
| ⭐
|}

----

= مقایسه برای Debugging و Refactoring =

{| class="wikitable sortable"
! مدل
! Debugging
! Refactoring
! Architecture
! پیشنهاد
|-
| '''GPT-6 Astra'''
| 10
| 10
| 10
| 🥇
|-
| '''GPT-5.6 Sol'''
| 10
| 10
| 10
| 🥇
|-
| '''Claude Sonnet 5'''
| 9.8
| 9.8
| 9.7
| ⭐
|-
| '''Claude Opus 4.6'''
| 9.8
| 9.8
| 9.8
| ⭐
|-
| '''Gemini 3.8 Flash'''
| 9.6
| 9.6
| 9.5
| ⭐
|-
| '''Grok 4.6'''
| 9.6
| 9.5
| 9.5
| ⭐
|-
| '''GLM 5.3 Flash'''
| 9.5
| 9.5
| 9.3
| خوب
|-
| '''DeepSeek V4 Pro'''
| 9.5
| 9.5
| 9.4
| خوب
|-
| '''GPT-5.6 Terra'''
| 9.5
| 9.5
| 9.5
| خوب
|}

----

= مقایسه برای Repositoryهای بزرگ =

برای Repository بزرگ، Context Window فقط یکی از معیارها است.

مدل همچنین باید بتواند ارتباط میان فایل‌ها، Dependencyها، Interfaceها و Call Chainها را درک کند.

{| class="wikitable sortable"
! مدل
! Context تقریبی
! Repository Understanding
! پیشنهاد
|-
| '''GPT-6 Astra'''
| 1.05M
| عالی
| 🥇
|-
| '''GPT-5.6 Sol'''
| 1.05M
| عالی
| 🥇
|-
| '''GPT-5.6 Terra'''
| 1.05M
| عالی
| ⭐
|-
| '''GPT-5.6 Luna'''
| 1.05M
| خوب
| پردازش اولیه
|-
| '''Gemini Flash'''
| ~1M
| عالی
| ⭐
|-
| '''DeepSeek V4'''
| ~1M
| عالی
| ⭐
|-
| '''GLM'''
| Long Context
| عالی
| ⭐
|-
| '''Qwen 3.7 Max'''
| ~1M
| عالی
| ⭐
|-
| '''gpt-oss-120b'''
| 128K
| خوب
| Self-host
|}

----

= مقایسه Frontend و Screenshot-to-Code =

برای کارهایی مانند:

* Screenshot → HTML/CSS
* Screenshot → React
* Screenshot → Angular
* UI → Responsive Design
* تحلیل Layout
* تولید Component
* تشخیص عناصر تصویر
* تبدیل Design به Code

مدل Multimodal مزیت مهمی دارد.

{| class="wikitable sortable"
! رتبه
! مدل
! Frontend
! Vision
! Agentic
|-
| 1
| '''Gemini 3.8 Flash'''
| 9.8
| عالی
| 9.8
|-
| 2
| '''Gemini 3.7 Flash'''
| 9.7
| عالی
| 9.7
|-
| 3
| '''Claude Sonnet 5'''
| 9.7
| عالی
| 10
|-
| 4
| '''GPT-5.6 Sol'''
| 9.7
| عالی
| 10
|-
| 5
| '''GPT-5.6 Terra'''
| 9.5
| عالی
| 9.5
|-
| 6
| '''MiMo 2.5'''
| 8.8
| خوب
| 8.7
|}

----

= مقایسه Backend و Microservice =

برای:

* ASP.NET Core
* C#
* Java
* Spring
* Node.js
* Python
* Go
* REST API
* gRPC
* Microservices
* SQL
* Redis
* RabbitMQ
* Kafka
* Docker
* Kubernetes

{| class="wikitable sortable"
! رتبه
! مدل
! Backend
! Architecture
! Debugging
! Agentic
|-
| 1
| '''GPT-6 Astra'''
| 10
| 10
| 10
| 10
|-
| 2
| '''GPT-5.6 Sol'''
| 10
| 10
| 10
| 10
|-
| 3
| '''Claude Sonnet 5'''
| 9.8
| 9.7
| 9.8
| 10
|-
| 4
| '''Gemini 3.8 Flash'''
| 9.7
| 9.5
| 9.6
| 9.8
|-
| 5
| '''Grok 4.6'''
| 9.6
| 9.5
| 9.6
| 9.8
|-
| 6
| '''GPT-5.6 Terra'''
| 9.5
| 9.5
| 9.5
| 9.5
|-
| 7
| '''GLM 5.3 Flash'''
| 9.5
| 9.3
| 9.5
| 9.7
|-
| 8
| '''DeepSeek V4 Pro'''
| 9.5
| 9.4
| 9.5
| 9.6
|}

----

= مقایسه مدل‌های Open Weight و Self-hosted =

در سازمان‌هایی که Source Code محرمانه است، Self-hosting می‌تواند اهمیت زیادی داشته باشد.

{| class="wikitable sortable"
! مدل
! Self-host
! Coding
! Agentic
! کاربرد
|-
| '''gpt-oss-120b'''
| '''بله'''
| 8.6
| 8.5
| Private Coding Agent
|-
| '''GLM Open Models'''
| '''بله'''
| عالی
| عالی
| Coding / Reasoning
|-
| '''Mistral'''
| '''بله'''
| عالی
| عالی
| Enterprise Agent
|-
| '''Qwen'''
| '''بله'''
| عالی
| خوب تا عالی
| Coding / Long Context
|}

مزایای Self-hosting:

* حفظ Source Code در شبکه داخلی
* Data Residency
* کنترل کامل Infrastructure
* عدم وابستگی به API خارجی
* امکان استفاده در شبکه بدون اینترنت
* امکان Fine-tuning یا Custom Deployment
* کنترل هزینه در حجم بسیار بالا

----

= مقایسه نسل‌های Gemini Flash =

{| class="wikitable"
! مدل
! Coding
! Agentic
! وضعیت پیشنهادی
|-
| '''Gemini 3.8 Flash'''
| '''9.8'''
| '''9.8'''
| 🥇 اولویت اول
|-
| '''Gemini 3.7 Flash'''
| '''9.6'''
| '''9.7'''
| ⭐ بسیار مناسب
|-
| '''Gemini 3.6 Flash'''
| 9.0
| 9.1
| نسل قبلی
|-
| '''Gemini 3.5 Flash'''
| 8.6
| 8.7
| اولویت پایین‌تر
|}

در صورت دسترسی یکسان:

<pre>
Gemini 3.8 Flash
↓
Gemini 3.7 Flash
↓
Gemini 3.6 Flash
↓
Gemini 3.5 Flash
</pre>

----

= مقایسه خانواده GPT-5.6 =

{| class="wikitable"
! ویژگی
! GPT-5.6 Sol
! GPT-5.6 Terra
! GPT-5.6 Luna
|-
| Input / 1M
| $4
| $2
| $0.20
|-
| Cached
| $0.40
| $0.20
| $0.02
|-
| Output / 1M
| $20
| $12
| $1.20
|-
| Context
| 1.05M
| 1.05M
| 1.05M
|-
| Max Output
| 128K
| 128K
| 128K
|-
| Coding
| '''10'''
| '''9.5'''
| 8.2
|-
| Agentic
| '''10'''
| '''9.5'''
| 8.6
|-
| کاربرد
| Hard Tasks
| Daily Professional Coding
| Cheap / High Volume
|}

بنابراین:

<pre>
مسئله بسیار پیچیده → Sol

Coding حرفه‌ای روزمره → Terra

Task ساده و پرتعداد → Luna
</pre>

----

= مقایسه Claude برای Coding =

{| class="wikitable"
! مدل
! Coding
! Agentic
! Debugging
! کاربرد
|-
| '''Claude Sonnet 5'''
| 9.8
| '''10'''
| 9.8
| Coding Agent روزمره
|-
| '''Claude Opus 4.6'''
| 9.6
| 9.7
| '''9.8'''
| Escalation / Hard Reasoning
|}

در Coding Agent می‌توان از معماری زیر استفاده کرد:

<pre>
Claude Sonnet
│
│ Failed / Very Hard
▼
Claude Opus
</pre>

----

= مقایسه DeepSeek =

{| class="wikitable"
! مدل
! Coding
! Agentic
! هزینه
! کاربرد
|-
| '''DeepSeek V4 Pro'''
| '''9.5'''
| '''9.6'''
| پایین
| Task پیچیده
|-
| '''DeepSeek V4 Flash 0731'''
| 9.2
| 9.4
| '''بسیار پایین'''
| Daily Agent / Sub-Agent
|}

اگر هزینه مهم باشد:

'''V4 Flash'''

اگر قدرت بیشتر مهم باشد:

'''V4 Pro'''

----

= مقایسه GLM =

{| class="wikitable"
! مدل
! Coding
! Agentic
! Price/Performance
! پیشنهاد
|-
| '''GLM 5.3 Flash'''
| 9.5
| 9.7
| '''10'''
| 🥇
|-
| '''GLM-5.2'''
| 9.5
| 9.7
| 9.4
| Long-Horizon
|}

GLM 5.3 Flash به دلیل ترکیب:

* سرعت
* Coding
* Agentic capability
* هزینه پایین

یکی از جذاب‌ترین گزینه‌های Coding Agent است.

----

= مقایسه مدل‌های مشاهده‌شده در Provider =

در بررسی Provider مورد استفاده، مدل‌های زیر نیز در دسترس بودند:

* DeepSeek V4 Flash 0731
* GLM 5.3 Flash
* GPT-5.6 Luna
* MiMo 2.5
* Solar Pro 4

برای Coding:

{| class="wikitable"
! رتبه
! مدل
! Coding
! Agentic
! پیشنهاد
|-
| 1
| '''GLM 5.3 Flash'''
| 9.5
| 9.7
| 🥇
|-
| 2
| '''DeepSeek V4 Flash 0731'''
| 9.2
| 9.4
| 🥈
|-
| 3
| '''Solar Pro 4'''
| 8.8
| 8.7
| 🥉
|-
| 4
| '''MiMo 2.5'''
| 8.7
| 8.7
| Multimodal
|-
| 5
| '''GPT-5.6 Luna'''
| 8.2
| 8.6
| Sub-Agent
|}

----

= مقایسه مدل‌های مشاهده‌شده در Antigravity =

مدل‌های بررسی‌شده:

* Gemini 3.7 Flash
* Gemini 3.6 Flash
* Claude Opus 4.6
* Claude Sonnet 4.6
* Gemini 3.1 Pro
* Gemini 3.5 Flash
* gpt-oss-120b

{| class="wikitable sortable"
! رتبه
! مدل
! Coding
! Agentic
! بهترین کاربرد
|-
| 1
| '''Gemini 3.7 Flash'''
| 9.6
| 9.7
| Coding روزمره سریع
|-
| 2
| '''Claude Opus 4.6'''
| 9.6
| 9.7
| مسائل بسیار پیچیده
|-
| 3
| '''Claude Sonnet 4.6'''
| 9.5
| 9.6
| Coding Agent
|-
| 4
| '''Gemini 3.1 Pro'''
| 9.5
| 9.6
| Deep Reasoning
|-
| 5
| '''Gemini 3.6 Flash'''
| 9.0
| 9.1
| Fast Coding
|-
| 6
| '''Gemini 3.5 Flash'''
| 8.6
| 8.7
| Taskهای ساده‌تر
|-
| 7
| '''gpt-oss-120b'''
| 8.6
| 8.5
| Self-hosting
|}

----

= انتخاب مدل بر اساس نوع Task =

{| class="wikitable sortable"
! Task
! انتخاب اول
! انتخاب دوم
! انتخاب اقتصادی
|-
| Coding روزمره
| Gemini 3.8/3.7 Flash
| Claude Sonnet 5
| GLM 5.3 Flash
|-
| Bug پیچیده
| GPT-5.6 Sol
| Claude Sonnet 5
| DeepSeek V4 Pro
|-
| Architecture
| GPT-6 Astra
| GPT-5.6 Sol
| GPT-5.6 Terra
|-
| Refactoring
| Claude Sonnet 5
| GPT-5.6 Sol
| GLM 5.3 Flash
|-
| Repository بزرگ
| GPT-5.6 Sol
| Gemini
| DeepSeek / GLM
|-
| Frontend
| Gemini Flash
| Claude Sonnet
| GLM
|-
| Backend
| GPT-5.6 Sol
| Claude Sonnet
| GLM / DeepSeek
|-
| Tool-heavy Agent
| Claude Sonnet 5
| Grok 4.6
| Grok Build
|-
| Sub-Agent
| GPT-5.6 Luna
| DeepSeek Flash
| GLM Flash
|-
| Self-host
| gpt-oss-120b
| GLM
| Qwen / Mistral
|}

----

= معماری پیشنهادی Multi-Model Coding Agent =

استفاده از گران‌ترین مدل برای تمام درخواست‌ها از نظر اقتصادی بهینه نیست.

یک Orchestrator می‌تواند ابتدا Task را طبقه‌بندی کند.

<pre>
USER
│
▼
CODING ORCHESTRATOR
│
▼
TASK CLASSIFIER
│
┌───────────────┼───────────────┐
│ │ │
▼ ▼ ▼
SIMPLE MEDIUM HARD
│ │ │
▼ ▼ ▼
GPT-5.6 Luna GLM 5.3 Flash Claude Sonnet 5
DeepSeek Flash Gemini Flash GPT-5.6 Sol
GLM Flash GPT-5.6 Terra Grok 4.6
│ │ │
└───────────────┼───────────────┘
│
▼
FAILED?
│
YES
│
▼
GPT-6 Astra
</pre>

----

= معماری پیشنهادی برای کاهش هزینه =

به جای شروع Task با مدل گران:

<pre>
Task
│
▼
GLM 5.3 Flash
│
├── Success ───────────────► DONE
│
▼
DeepSeek V4 Flash
│
├── Success ───────────────► DONE
│
▼
Gemini Flash
│
├── Success ───────────────► DONE
│
▼
GPT-5.6 Terra
│
├── Success ───────────────► DONE
│
▼
Claude Sonnet 5
│
├── Success ───────────────► DONE
│
▼
GPT-5.6 Sol
│
├── Success ───────────────► DONE
│
▼
GPT-6 Astra
</pre>

این روش '''Escalation Routing''' نامیده می‌شود.

----

= معماری پیشنهادی Orchestrator + Worker =

برای سیستم‌هایی مانند Coding Agent، استفاده از یک مدل به عنوان Orchestrator و مدل‌های ارزان به عنوان Worker می‌تواند مؤثر باشد.

<pre>
ORCHESTRATOR
Claude / GPT / Gemini
│
┌───────────────┼───────────────┐
│ │ │
▼ ▼ ▼
WORKER 1 WORKER 2 WORKER 3
GLM Flash DeepSeek Flash GPT Luna
│ │ │
▼ ▼ ▼
Coding Testing Analysis
│ │ │
└───────────────┼───────────────┘
│
▼
CODE REVIEW
│
▼
ORCHESTRATOR
</pre>

----

= معماری پیشنهادی برای Repository بزرگ =

<pre>
Repository
│
▼
Repository Scanner
│
├── Architecture Files
├── Source Files
├── Tests
├── Database
├── Config
└── Documentation
│
▼
Cheap Models
Luna / GLM / DeepSeek
│
▼
Summary / Index
│
▼
Powerful Model
Claude / GPT / Gemini
│
▼
Solution
</pre>

این معماری باعث می‌شود لازم نباشد تمام Source Code در هر Request به مدل گران ارسال شود.

----

= آیا همیشه قوی‌ترین مدل بهتر است؟ =

خیر.

فرض کنید یک Task با مدل ارزان:

<pre>
1M Input
100K Output
</pre>

قابل انجام باشد.

ارسال همان Task به یک Frontier Model ممکن است چندین برابر هزینه ایجاد کند بدون اینکه نتیجه نهایی تفاوت مهمی داشته باشد.

بنابراین باید سه عامل را همزمان بررسی کرد:

# کیفیت
# زمان
# هزینه

در Coding Agent معیار مهم دیگری نیز وجود دارد:

'''تعداد Iteration لازم برای رسیدن به جواب صحیح'''

ممکن است مدل A از نظر Token ارزان‌تر باشد اما برای حل Task پنج بار تلاش کند.

در حالی که مدل B گران‌تر است اما Task را در اولین تلاش حل می‌کند.

بنابراین:

<pre>
Real Cost =
Token Cost
+
Retries
+
Tool Calls
+
Execution Time
+
Developer Time
</pre>

----

= استراتژی پیشنهادی استفاده روزمره =

برای Coding روزمره:

'''Gemini Flash / GLM 5.3 Flash'''

برای Feature پیچیده:

'''GPT-5.6 Terra / Claude Sonnet'''

برای Bug سخت:

'''Claude Sonnet 5 / GPT-5.6 Sol'''

برای Architecture:

'''GPT-5.6 Sol / GPT-6 Astra'''

برای Taskهای پرتعداد:

'''GPT-5.6 Luna / DeepSeek Flash / GLM Flash'''

برای Local:

'''gpt-oss-120b / Qwen / GLM / Mistral'''

----

= نتیجه‌گیری نهایی =

در سال 2026 یک مدل واحد را نمی‌توان برای تمام سناریوهای برنامه‌نویسی «بهترین» دانست.

'''حداکثر قدرت:'''

:🏆 GPT-6 Astra

'''Software Engineering بسیار پیچیده:'''

:🧠 GPT-5.6 Sol

'''Coding Agent حرفه‌ای:'''

:🤖 Claude Sonnet 5

'''Coding Agent سریع:'''

:⚡ Gemini 3.8 / 3.7 Flash

'''بهترین Price/Performance:'''

:💰 GLM 5.3 Flash

'''Coding اقتصادی:'''

:💵 DeepSeek V4 Flash 0731

'''تعادل قدرت و هزینه در OpenAI:'''

:⚖️ GPT-5.6 Terra

'''Tool-heavy Agent:'''

:🛠️ Grok 4.6

'''Agentic Software Engineering اقتصادی:'''

:🚀 Grok Build 0.1

'''Sub-Agent و پردازش پرتعداد:'''

:💵 GPT-5.6 Luna

'''Self-hosting:'''

:🔓 gpt-oss-120b / GLM / Qwen / Mistral

اما برای سیستم‌های حرفه‌ای، راهکار مناسب‌تر استفاده از '''Multi-Model Architecture''' است.

در چنین معماری:

<pre>
Cheap Model
↓
Medium Model
↓
Strong Model
↓
Frontier Model
</pre>

تنها Taskهایی که مدل قبلی قادر به حل آنها نیست به مدل گران‌تر منتقل می‌شوند.

این معماری می‌تواند:

* هزینه API را کاهش دهد.
* سرعت Coding Agent را افزایش دهد.
* Parallel Agentها را اقتصادی کند.
* استفاده از Contextهای بسیار بزرگ را مدیریت کند.
* از Frontier Model فقط در جایی که واقعاً لازم است استفاده کند.

در نتیجه، برای ساخت Coding Agent حرفه‌ای در سال 2026، '''انتخاب معماری Routing به اندازه انتخاب خود مدل اهمیت دارد.'''

----

[[رده:هوش مصنوعی]]
[[رده:برنامه‌نویسی]]
[[رده:مدل‌های زبانی بزرگ]]
[[رده:LLM]]
[[رده:Agentic AI]]
[[رده:Coding Agent]]
[[رده:Software Engineering]]
[[رده:Artificial Intelligence]]
[[رده:OpenAI]]
[[رده:Claude]]
[[رده:Gemini]]
[[رده:DeepSeek]]
[[رده:GLM]]
[[رده:Grok]]
[[رده:Qwen]]
[[رده:Mistral]]

Karavi:

== Mikrotik Ubuntu L2TPv3 — Testing Hub and Remote Ubuntu ==

این صفحه راهنمای کامل تست و عیب‌یابی تونل L2TPv3 بین '''Hub Ubuntu''' و '''Remote Ubuntu''' است. هر روش تست با دستور، جدول تفسیر نتیجه و توضیح مفصل (حداقل ۱۰۰ کلمه) ارائه شده تا بتوانید بدون IP واقعی در محیط عمومی wiki منتشر کنید. ترتیب اجرا از ساده (لایه تونل) به پیشرفته (throughput و capture) پیشنهاد می‌شود.

'''مرتبط:''' [[Mikrotik_Ubuntu_L2TPv3]]

----

=== Topology (این سناریو) ===

{| class="wikitable"

|-

! نقش !! Public IP (placeholder) !! Tunnel IP (placeholder) !! Interface

|-

| Hub || <code>HUB_PUBLIC_IP</code> || <code>HUB_TUNNEL_IP</code>/30 || l2tpeth1

|-

| Remote || <code>REMOTE_PUBLIC_IP</code> || <code>REMOTE_TUNNEL_IP</code>/30 || l2tpeth0

|}

'''مثال subnet تونل (قابل تغییر در طرح IP شما):'''

* <code>HUB_TUNNEL_IP</code> = 10.0.1.1

* <code>REMOTE_TUNNEL_IP</code> = 10.0.1.2

* Subnet NAT روی Hub: <code>10.0.1.0/30</code>

----

=== Prerequisites (پیش‌نیاز قبل از تست) ===

قبل از اجرای تست‌ها موارد زیر باید برقرار باشند:

* سرویس <code>ql2tpd</code> روی هر دو سرور در وضعیت <code>active (running)</code> باشد

* اینترفیس تونل IP داشته باشد: Hub روی <code>l2tpeth1</code>، Remote روی <code>l2tpeth0</code>

* روی Hub قوانین NAT و FORWARD برای subnet تونل Remote اعمال شده باشد

* روی Remote policy routing با <code>from REMOTE_TUNNEL_IP lookup 100</code> فعال باشد

* ابزارهای تست: <code>curl</code>، <code>iperf3</code>، <code>tcpdump</code> (در صورت نبود: <code>apt install -y iperf3 tcpdump</code>)

* برای تست IP عمومی از سرویس قابل دسترس در شبکه خودتان استفاده کنید (مثال: <code>https://api.ipnote.ir/myip</code>) — در ایران از سرویس‌های فیلترنشده استفاده کنید

'''توضیح پیش‌نیاز (۱۰۰+ کلمه):'''

تست‌های این صفحه فرض می‌کنند تونل L2TPv3 با encapsulation IP (پروتکل ۱۱۵) یا UDP (پورت ۱۷۰۱) بین Hub و Remote برقرار شده است. اگر هنوز اینترفیس <code>l2tpeth*</code> ساخته نشده یا در حالت DOWN است، ابتدا بخش عیب‌یابی پروتکل ۱۱۵ (Step 6) را اجرا کنید. selective routing روی Remote به این معناست که فقط ترافیک با source برابر <code>REMOTE_TUNNEL_IP</code> از تونل خارج می‌شود و بقیه ترافیک سرور (از جمله SSH و پنل مدیریت) از IP عمومی <code>REMOTE_PUBLIC_IP</code> می‌رود. بنابراین تست «اینترنت عادی» و «از تونل» را همیشه جدا انجام دهید. Hub باید <code>ip_forward</code> فعال و MASQUERADE برای subnet تونل Remote داشته باشد؛ بدون آن ping به <code>HUB_TUNNEL_IP</code> ممکن است OK باشد ولی خروج به اینترنت از تونل fail شود.

----

=== Step 1 — Ping tunnel endpoints (تست لایه تونل) ===

این ساده‌ترین تست است و فقط ارتباط IP بین دو انتهای pseudowire را می‌سنجد، بدون دخالت NAT یا اینترنت.

==== From Remote to Hub ====

ping -c 4 HUB_TUNNEL_IP

==== From Hub to Remote ====

ping -c 4 REMOTE_TUNNEL_IP

{| class="wikitable"

|-

! نتیجه !! تفسیر

|-

| 0% packet loss || تونل برقرار است — به مرحله بعد بروید

|-

| 100% packet loss || ql2tpd، فایروال proto 115، IP اینترفیس یا peer down را بررسی کنید

|}

'''توضیح (۱۰۰+ کلمه):'''

دستور ping بین <code>HUB_TUNNEL_IP</code> و <code>REMOTE_TUNNEL_IP</code> مستقیماً روی subnet تونل اجرا می‌شود و نیازی به NAT روی Hub ندارد. اگر این تست موفق باشد یعنی session L2TPv3 برقرار شده، اینترفیس‌های <code>l2tpeth0</code> و <code>l2tpeth1</code> آدرس گرفته‌اند و بسته ICMP از یک طرف به طرف دیگر از داخل تونل رد می‌شود. تأخیر (RTT) معمولاً برابر فاصله جغرافیایی بین دو سرور عمومی است؛ مثلاً اگر Hub در اروپا و Remote در ایران باشد، RTT حدود ۶۰ تا ۹۰ میلی‌ثانیه طبیعی است. اگر ping صفر درصد loss دارد ولی تست‌های بعدی (خروج به اینترنت) fail می‌شوند، مشکل در لایه تونل نیست بلکه در NAT، forward یا policy routing است. همیشه ping را از هر دو جهت بزنید تا مطمئن شوید مسیر برگشت هم باز است.

----

=== Step 2 — IP egress test (تمایز اینترنت عادی و تونل) ===

==== Normal internet (بدون تونل) — run on Remote ====

curl -4 -s "https://api.ipnote.ir/myip"

==== Forced via tunnel — run on Remote ====

curl -4 --interface l2tpeth0 -s "https://api.ipnote.ir/myip"

{| class="wikitable"

|-

! خروجی curl !! معنی

|-

| REMOTE_PUBLIC_IP || ترافیک از WAN مستقیم خارج شده

|-

| HUB_PUBLIC_IP || ترافیک از تونل و NAT Hub خارج شده

|-

| timeout / خطا || policy routing Remote یا NAT Hub ناقص است

|}

'''توضیح (۱۰۰+ کلمه):'''

این تست مهم‌ترین معیار selective routing روی سرور Remote است. دستور اول بدون bind به اینترفیس تونل اجرا می‌شود و باید IP عمومی خود Remote را نشان دهد؛ این تأیید می‌کند سرور به‌طور عادی به اینترنت دسترسی دارد. دستور دوم با <code>--interface l2tpeth0</code> اجبار می‌کند اتصال HTTPS از اینترفیس تونل برود؛ در این حالت kernel باید source address برابر <code>REMOTE_TUNNEL_IP</code> انتخاب کند و با rule <code>from REMOTE_TUNNEL_IP lookup 100</code> بسته از Hub NAT شده و با IP <code>HUB_PUBLIC_IP</code> به اینترنت برود. اگر خروجی دوم <code>HUB_PUBLIC_IP</code> نیست، یا policy routing روی Remote ناقص است یا NAT/forward روی Hub. این تست را قبل از هر تنظیم x-ui انجام دهید؛ اگر در OS درست کار کند ولی کلاینت VPN اشتباه است، مشکل در routing ruleهای پنل 3x-ui است نه L2TP.

----

=== Step 2b — Latency breakdown with curl (تفکیک DNS، TCP، TLS) ===

==== Via tunnel ====

curl -4 --interface l2tpeth0 -s -o /dev/null -w "DNS:%{time_namelookup}s TCP:%{time_connect}s TLS:%{time_appconnect}s Total:%{time_total}s\n" "https://api.ipnote.ir/myip"

==== Direct (بدون تونل) — مقایسه ====

curl -4 -s -o /dev/null -w "DNS:%{time_namelookup}s TCP:%{time_connect}s TLS:%{time_appconnect}s Total:%{time_total}s\n" "https://api.ipnote.ir/myip"

==== Quick total via tunnel ====

curl -4 --interface l2tpeth0 -s -o /dev/null -w "Total:%{time_total}s\n" "https://api.ipnote.ir/myip"

{| class="wikitable"

|-

! فیلد !! معنی !! اگر زیاد باشد

|-

| time_namelookup || زمان DNS resolve || DNS کند یا فیلتر — rule DNS در x-ui را چک کنید

|-

| time_connect || زمان TCP connect || مسیر تونل یا RTT بالا

|-

| time_appconnect || پایان TLS handshake || latency مسیر Hub

|-

| time_total || کل درخواست || معمولاً ۰.۴ تا ۱ ثانیه از تونل طبیعی است

|}

'''توضیح (۱۰۰+ کلمه):'''

این تست به شما کمک می‌کند «کندی» را از «خرابی» جدا کنید. وقتی <code>time_namelookup</code> زیر چند میلی‌ثانیه است، DNS مقصر کندی نیست. تفاوت <code>time_total</code> بین مسیر مستقیم (مثلاً ۰.۰۶ ثانیه) و مسیر تونل (مثلاً ۰.۴۷ ثانیه) به‌خاطر bug نیست؛ ترافیک از Hub در کشور دیگر خارج می‌شود و یک hop و RTT اضافه دارد. این trade-off عمدی selective routing است: IP خروجی <code>HUB_PUBLIC_IP</code> با هزینه latency بیشتر. توجه کنید <code>curl --interface</code> فقط اتصال TCP را bind می‌کند و resolve ممکن است هنوز از resolver سیستم برود؛ برای تست DNS واقعی کلاینت x-ui به rule پورت ۵۳ → outbound تونل نیاز دارید. اگر Total چند ثانیه یا بیشتر است در حالی که iperf خوب است، سراغ DNS و routing پنل بروید نه MTU تونل.

----

=== Step 3 — Ping internet via tunnel (ICMP به اینترنت از source تونل) ===

ping -4 -I l2tpeth0 -c 4 8.8.8.8

'''اجرا روی:''' Remote

{| class="wikitable"

|-

! نتیجه !! تفسیر

|-

| پاسخ از 8.8.8.8 || forward و NAT روی Hub فعال است

|-

| 100% loss ولی ping HUB_TUNNEL_IP OK || تقریباً قطعی مشکل NAT یا FORWARD روی Hub

|-

| Network unreachable || policy routing یا route در table 100 ناقص است

|}

'''توضیح (۱۰۰+ کلمه):'''

برخلاف ping به <code>HUB_TUNNEL_IP</code> که فقط داخل subnet تونل است، این تست بسته ICMP را با source <code>REMOTE_TUNNEL_IP</code> به آدرس اینترنتی (مثلاً 8.8.8.8) می‌فرستد. بسته از تونل به Hub می‌رسد، Hub باید آن را forward کند، NAT (MASQUERADE) بزند و از WAN خارج کند؛ پاسخ ICMP باید برگردد و دوباره از تونل به Remote برسد. اگر Step 1 موفق و این تست ۱۰۰٪ loss است، تقریباً همیشه مشکل روی Hub است: <code>net.ipv4.ip_forward=0</code>، نبود rule MASQUERADE برای subnet تونل، یا FORWARD بین <code>l2tpeth1</code> و <code>WAN_INTERFACE_HUB</code> بسته است. گاهی <code>rp_filter</code> strict روی Hub یا اینترفیس تونل باعث drop نامتقارن می‌شود؛ مقدار ۰ برای تونل و WAN توصیه می‌شود. برخی شبکه‌ها ICMP را محدود می‌کنند؛ در آن صورت به Step 2 (curl) تکیه کنید.

----

=== Step 4 — Throughput test with iperf3 (تست سرعت بین دو سرور) ===

==== Install (یک‌بار روی هر دو سرور) ====

apt install -y iperf3

==== Server on Hub ====

iperf3 -s -B HUB_TUNNEL_IP

==== Upload Remote → Hub ====

iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP -t 10

==== Download Hub → Remote (reverse) ====

iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP -t 10 -R

==== Parallel streams ====

iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP -t 10 -P 4

{| class="wikitable"

|-

! شاخص !! مقدار قابل قبول (تقریبی) !! تفسیر

|-

| Throughput || صدها Mbps تا نزدیک 1 Gbps || بسته به لینک فیزیکی دو سرور

|-

| Retr (retransmits) || نزدیک 0 || بالا = MTU، congestion، یا نیاز به BBR

|-

| -R vs بدون -R || هر دو بالا || اگر فقط -R کند است، TCP tuning (BBR) روی Hub و Remote

|}

'''توضیح (۱۰۰+ کلمه):'''

iperf3 تنها تستی است که throughput واقعی TCP روی تونل را اندازه می‌گیرد، نه فقط latency اولین اتصال. سرور iperf باید روی Hub و فقط روی <code>HUB_TUNNEL_IP</code> bind شود تا ترافیک تست از WAN عبور نکند. کلاینت روی Remote با <code>-B REMOTE_TUNNEL_IP</code> اطمینان می‌دهد تمام جریان از policy table 100 و تونل می‌رود. تست بدون <code>-R</code> جهت Upload (Remote به Hub) را می‌سنجد؛ با <code>-R</code> Hub ارسال می‌کند و جهت Download را می‌سنجد — در تونل‌های با RTT بالا بدون BBR ممکن است Download کندتر باشد. <code>-P 4</code> چهار TCP موازی باز می‌کند و سقف واقعی لینک را بهتر نشان می‌دهد. Retr بالای چند صد در ۱۰ ثانیه با throughput خوب معمولاً قابل چشم‌پوشی است؛ Retr زیاد با throughput پایین یعنی MTU 1400، MSS clamp، یا congestion control را بررسی کنید. اگر iperf نزدیک ۱ Gbps است ولی کاربر x-ui کند است، مشکل throughput تونل نیست.

----

=== Step 5 — tcpdump on tunnel interface (مشاهده ترافیک زنده) ===

==== Install ====

apt install -y tcpdump

==== Capture ====

tcpdump -ni l2tpeth0 host REMOTE_TUNNEL_IP

'''اجرا روی:''' Remote — هنگام اتصال کلاینت 3x-ui یا اجرای <code>curl --interface l2tpeth0</code>

{| class="wikitable"

|-

! مشاهده !! معنی

|-

| پکت‌های <code>REMOTE_TUNNEL_IP →</code> IP خارجی || outbound از تونل فعال است (x-ui یا curl)

|-

| پکت‌های <code>→ REMOTE_TUNNEL_IP</code> || مسیر برگشت و NAT Hub سالم است

|-

| TCP 443 با تبادل داده || اتصال واقعی برقرار — Telegram، Google، Microsoft و غیره

|-

| UDP پورت 3478 || STUN/WebRTC (تماس ویدیو) از تونل — طبیعی

|-

| هیچ پکتی هنگام استفاده کلاینت || inboundTag یا routing rule در 3x-ui اشتباه است

|-

| ARP از HUB_TUNNEL_IP || همسایگی لایه ۲ روی pseudowire — طبیعی

|}

'''توضیح (۱۰۰+ کلمه):'''

tcpdump روی <code>l2tpeth0</code> با فیلتر <code>host REMOTE_TUNNEL_IP</code> دقیقاً نشان می‌دهد آیا ترافیک با source تونل از پنل 3x-ui (outbound <code>l2tp-out</code> با <code>sendThrough</code>) عبور می‌کند یا نه. اگر هنگام باز کردن سایت در کلاینت VPN پکت‌های TCP یا UDP با source <code>REMOTE_TUNNEL_IP</code> می‌بینید، outbound کار می‌کند حتی اگر پنل آمار ۰ بایت نشان دهد — برخی نسخه‌های پنل برای outbound نوع freedom آمار را درست به‌روز نمی‌کنند. دیدن پکت برگشتی از مقصد (مثلاً :443) یعنی Hub NAT و forward درست است. UDP به پورت 3478 معمولاً مربوط به STUN برای تماس صوتی/تصویری است و از تونل رد شدن آن طبیعی است. اگر هیچ پکتی نیست ولی curl با <code>--interface l2tpeth0</code> کار می‌کند، کلاینت به inbound اشتباه وصل شده یا rule به outbound دیگری می‌رود. برای خروج از capture: Ctrl+C.

----

=== Step 6 — L2TP protocol 115 capture (عیب‌یابی برقراری تونل) ===

ابتدا نام اینترفیس WAN را پیدا کنید:

ip route get 1.1.1.1

==== On Hub ====

tcpdump -ni WAN_INTERFACE_HUB host REMOTE_PUBLIC_IP and proto 115

==== On Remote ====

tcpdump -ni WAN_INTERFACE_REMOTE host HUB_PUBLIC_IP and proto 115

سپس روی هر دو سرور (در ترمینال جدا):

systemctl restart ql2tpd

{| class="wikitable"

|-

! مشاهده !! تفسیر

|-

| پکت proto 115 دوطرفه || L2TP در حال مذاکره — اگر l2tpeth DOWN است config ID را چک کنید

|-

| هیچ پکت 115 || فایروال ufw، iptables، یا cloud firewall پروتکل 115 را بلاک می‌کند

|-

| فقط یک طرف || فایروال یک‌طرفه یا asymmetric routing

|}

'''توضیح (۱۰۰+ کلمه):'''

وقتی <code>ql2tpd</code> در لاگ می‌نویسد <code>quiescent tunnel</code> ولی <code>l2tpeth*</code> در حالت DOWN است یا ping تونل ۱۰۰٪ loss دارد، باید ببینید آیا اصلاً پکت L2TPv3 با encapsulation IP (پروتکل ۱۱۵) بین دو سرور رد و بدل می‌شود. این تست روی اینترفیس WAN واقعی است نه l2tpeth — نام اینترفیس روی هر سرور متفاوت است (مثلاً eth0 روی Hub و ens160 روی VMware). tcpdump را روی هر دو سرور همزمان اجرا کنید و ql2tpd را restart کنید. اگر هیچ پکتی نیست، در ufw دستور <code>ufw allow proto 115</code> و در پنل cloud firewall اجازه protocol 115 بین IPهای عمومی را بدهید. در برخی دیتاسنترها فقط TCP/UDP مجاز است؛ در آن صورت encap را به UDP پورت ۱۷۰۱ روی هر دو طرف تغییر دهید (فقط تونل Hub–Remote، نه لزوماً MikroTik). خطای <code>dataplane down: no such device</code> هنگام restart معمولاً بی‌ضرر است.

----

=== Step 7 — Policy routing checklist (Remote) ===

ip rule show | grep REMOTE_TUNNEL_IP

ip route show table 100

ip -br addr show l2tpeth0

{| class="wikitable"

|-

! خروجی مورد انتظار !! اگر نیست

|-

| <code>from REMOTE_TUNNEL_IP lookup 100</code> || <code>ip rule add from REMOTE_TUNNEL_IP lookup 100 priority 100</code>

|-

| <code>default via HUB_TUNNEL_IP dev l2tpeth0</code> در table 100 || route default را در table 100 اضافه کنید

|-

| REMOTE_TUNNEL_IP/30 روی l2tpeth0 || IP و <code>ip link set l2tpeth0 up</code>

|}

'''توضیح (۱۰۰+ کلمه):'''

selective routing روی Remote بدون تغییر default route اصلی (که از <code>REMOTE_PUBLIC_IP</code> خارج می‌شود) با policy routing انجام می‌شود. table 100 یک routing table جداگانه است که فقط وقتی source بسته برابر <code>REMOTE_TUNNEL_IP</code> باشد استفاده می‌شود — دقیقاً همان کاری که Xray با <code>sendThrough: "REMOTE_TUNNEL_IP"</code> انجام می‌دهد. نباید default route اصلی را به تونل هدایت کنید چون تمام ترافیک سرور شامل SSH و پنل از تونل می‌رود. rule باید با priority مناسب (مثلاً ۱۰۰) قبل از main table اعمال شود. پس از reboot اسکریپت <code>/etc/networkd-dispatcher/routable.d/l2tp-remote-policy.sh</code> باید همین ruleها را دوباره اعمال کند. اگر <code>ip rule</code> درست است ولی curl از تونل fail می‌شود، مشکل در Hub NAT است نه Remote routing.

----

=== Step 8 — NAT and forward checklist (Hub) ===

sysctl net.ipv4.ip_forward

iptables -t nat -L POSTROUTING -n -v | grep 10.0.1

iptables -L FORWARD -n -v | grep l2tpeth1

WAN detection:

ip route get 1.1.1.1

{| class="wikitable"

|-

! خروجی مورد انتظار !! اگر نیست

|-

| <code>ip_forward = 1</code> || <code>sysctl -w net.ipv4.ip_forward=1</code> و فایل sysctl.d

|-

| MASQUERADE برای subnet تونل به WAN_INTERFACE_HUB || iptables NAT POSTROUTING

|-

| FORWARD l2tpeth1 ↔ WAN || iptables FORWARD ACCEPT

|}

'''توضیح (۱۰۰+ کلمه):'''

Hub نقش gateway برای ترافیک تونل Remote را دارد. وقتی بسته‌ای با source در subnet تونل Remote (مثلاً 10.0.1.0/30) از <code>l2tpeth1</code> وارد Hub می‌شود و مقصدش اینترنت است، kernel باید forwarding فعال داشته باشد و iptables آن را NAT کند تا مقصد پاسخ را به IP عمومی Hub بفرستد و Hub بتواند پاسخ را به تونل برگرداند. فقط NAT برای subnet تونل Remote اعمال کنید — تونل‌های MikroTik ممکن است مسیر خودشان را داشته باشند. <code>IFACE</code> در دستورات iptables باید اینترفیس WAN واقعی Hub باشد (از <code>ip route get 1.1.1.1</code>). پس از تنظیم، <code>netfilter-persistent save</code> بزنید. MSS clamp روی FORWARD TCP توصیه می‌شود تا با MTU 1400 تونل سازگار باشد. بدون این بخش، ping به <code>HUB_TUNNEL_IP</code> OK و ping به 8.8.8.8 از تونل fail می‌ماند.

----

=== Step 9 — 3x-ui / Xray outbound verification (تأیید پنل) ===

پس از تأیید OS با Step 2 و Step 5، پنل 3x-ui را تنظیم کنید.

==== Outbound JSON (مثال) ====

{

"tag": "l2tp-out",

"protocol": "freedom",

"sendThrough": "REMOTE_TUNNEL_IP",

"settings": { "domainStrategy": "UseIPv4" },

"mux": { "enabled": false }

}

==== Routing rules (ترتیب مهم) ====

# inbound مشخص → l2tp-out

# port 53 udp,tcp → l2tp-out

# بقیه → direct

'''توضیح (۱۰۰+ کلمه):'''

اگر تست‌های OS (curl با interface، iperf، tcpdump) موفق هستند ولی تجربه کاربر نهایی بد است، تمرکز روی 3x-ui است. outbound <code>l2tp-out</code> باید protocol freedom با <code>sendThrough</code> برابر IP تونل Remote باشد؛ mux را false بگذارید. حداقل دو routing rule لازم است: یکی inboundTag دقیق inbound مورد نظر به l2tp-out، و دیگری DNS (پورت ۵۳) به l2tp-out — بدون rule DNS برخی سایت‌ها کند باز می‌شوند یا timeout می‌خورند چون resolve از مسیر مستقیم می‌رود. ruleهای l2tp-out باید بالای direct و geoip باشند. آمار صفر در پنل به‌معنی قطع ترافیک نیست؛ tcpdump (Step 5) معیار قطعی است. IP کلاینت از سرویس myip باید <code>HUB_PUBLIC_IP</code> باشد. latency حدود نیم ثانیه برای اولین HTTPS از تونل طبیعی است و با iperf 900 Mbps تناقض ندارد.

----

=== Step 10 — TCP tuning note (BBR — اختیاری برای کیفیت) ===

فایل <code>/etc/sysctl.d/99-tcp-tune.conf</code> با BBR روی Hub و Remote — پس از تأیید تونل.

'''توضیح (۱۰۰+ کلمه):'''

تنظیم BBR و بافرهای TCP روی throughput بعد از برقراری اتصال اثر دارد، نه روی ping یا اولین DNS resolve. اگر iperf در جهت Download (<code>-R</code>) بسیار کندتر از Upload است در حالی که Upload بالاست، فعال‌سازی <code>net.ipv4.tcp_congestion_control=bbr</code> و <code>net.core.default_qdisc=fq</code> روی هر دو سرور توصیه می‌شود. این تنظیمات جایگزین NAT یا policy routing نمی‌شوند. اگر curl از تونل timeout می‌خورد، BBR کمکی نمی‌کند — اول Step 7 و 8 را کامل کنید. پس از اعمال sysctl، یک بار iperf -R را تکرار کنید و Retr و bitrate را مقایسه کنید. BBR برای ترافیک x-ui کلاینت وقتی تونل از نظر OS تأیید شده مفید است.

----

=== Troubleshooting decision tree (درخت تصمیم عیب‌یابی) ===

{| class="wikitable"

|-

! علامت !! احتمال اول !! اقدام

|-

| ping تونل fail || L2TP / proto 115 || Step 1، Step 6

|-

| ping تونل OK، ping 8.8.8.8 از تونل fail || NAT Hub || Step 8

|-

| curl مستقیم OK، curl --interface fail || policy routing || Step 7

|-

| curl --interface → HUB_PUBLIC_IP || OS سالم — x-ui || Step 5، Step 9

|-

| iperf کند فقط -R || TCP tuning || Step 10

|-

| همه OS OK، کلاینت کند || DNS rule / latency مسیر Hub || Step 2b، Step 9

|-

| tcpdump هنگام کلاینت خالی || inboundTag / routing || Step 9

|}

----

=== Expected results summary (جدول خلاصه) ===

{| class="wikitable"

|-

! Test !! Server !! Expected on success

|-

| ping HUB_TUNNEL_IP || Remote || 0% packet loss

|-

| ping REMOTE_TUNNEL_IP || Hub || 0% packet loss

|-

| curl (no interface) || Remote || REMOTE_PUBLIC_IP

|-

| curl --interface l2tpeth0 || Remote || HUB_PUBLIC_IP

|-

| curl timing via tunnel || Remote || Total ~0.4–1s (مسیر Hub)

|-

| curl timing direct || Remote || معمولاً کمتر از tunnel

|-

| ping -I l2tpeth0 8.8.8.8 || Remote || 0% packet loss

|-

| iperf3 upload || Remote || high Mbps, low Retr

|-

| iperf3 -R download || Remote || high Mbps, low Retr (با BBR)

|-

| tcpdump l2tpeth0 || Remote || پکت REMOTE_TUNNEL_IP هنگام کلاینت

|-

| Client IP (x-ui) || Client || HUB_PUBLIC_IP

|}

----

=== Placeholder reference (جدول جایگزین‌ها) ===

{| class="wikitable"

|-

! Placeholder !! توضیح !! مثال subnet (غیر عمومی)

|-

| <code>HUB_PUBLIC_IP</code> || IP عمومی سرور Hub || —

|-

| <code>REMOTE_PUBLIC_IP</code> || IP عمومی سرور Remote || —

|-

| <code>HUB_TUNNEL_IP</code> || IP تونل روی Hub || 10.0.1.1

|-

| <code>REMOTE_TUNNEL_IP</code> || IP تونل روی Remote || 10.0.1.2

|-

| <code>WAN_INTERFACE_HUB</code> || اینترفیس WAN Hub || eth0

|-

| <code>WAN_INTERFACE_REMOTE</code> || اینترفیس WAN Remote || ens160

|}

----

=== Recommended test order (ترتیب پیشنهادی) ===

# Prerequisites و نصب iperf3/tcpdump

# Step 1 — ping تونل دوطرفه

# Step 2 — curl IP مستقیم vs تونل

# Step 2b — curl timing (اختیاری — تفکیک کندی)

# Step 3 — ping 8.8.8.8 از تونل

# Step 8 — اگر Step 3 fail

# Step 7 — اگر Step 2 interface fail

# Step 4 — iperf3 throughput

# Step 10 — BBR اگر -R کند است

# Step 5 — tcpdump هنگام کلاینت 3x-ui

# Step 9 — تنظیم و تأیید پنل

# Step 6 — فقط اگر تونل اصلاً up نمی‌شود

----

[[Category:L2TPv3]]

[[Category:Ubuntu]]

[[Category:Networking]]

[[Category:Testing]]

Ubuntu To Ubuntu Connection Test

2026-07-06T15:47:00Z

Karavi:

== Mikrotik Ubuntu L2TPv3 — Testing Hub and Remote Ubuntu ==

این صفحه دستورهای تست و عیب‌یابی تونل L2TPv3 بین '''Hub Ubuntu''' و '''Remote Ubuntu''' را پوشش می‌دهد. ترتیب اجرا از ساده به پیشرفته است.

'''مرتبط:''' [[Mikrotik_Ubuntu_L2TPv3]]

----

=== Topology (این سناریو) ===

{| class="wikitable"
|-
! نقش !! Public IP (placeholder) !! Tunnel IP (placeholder) !! Interface
|-
| Hub || <code>HUB_PUBLIC_IP</code> || <code>HUB_TUNNEL_IP</code>/30 || l2tpeth1
|-
| Remote || <code>REMOTE_PUBLIC_IP</code> || <code>REMOTE_TUNNEL_IP</code>/30 || l2tpeth0
|}

'''مثال subnet تونل (قابل تغییر در طرح IP شما):'''

* <code>HUB_TUNNEL_IP</code> = 10.0.1.1
* <code>REMOTE_TUNNEL_IP</code> = 10.0.1.2
* Subnet NAT روی Hub: <code>10.0.1.0/30</code>

----

=== Prerequisites (پیش‌نیاز قبل از تست) ===

قبل از اجرای تست‌ها موارد زیر باید برقرار باشند:

* سرویس <code>ql2tpd</code> روی هر دو سرور در وضعیت <code>active (running)</code> باشد
* اینترفیس تونل IP داشته باشد: Hub روی <code>l2tpeth1</code>، Remote روی <code>l2tpeth0</code>
* روی Hub قوانین NAT و FORWARD برای subnet تونل Remote اعمال شده باشد
* روی Remote policy routing با <code>from REMOTE_TUNNEL_IP lookup 100</code> فعال باشد
* برای تست IP عمومی از سرویس قابل دسترس در شبکه خودتان استفاده کنید (مثال: <code>https://api.ipnote.ir/myip</code>)

----

=== Step 1 — Ping tunnel endpoints (تست لایه تونل) ===

بررسی می‌کند بسته ICMP بین دو انتهای تونل بدون خروج به اینترنت رد و بدل می‌شود.

==== From Remote to Hub ====

ping -c 4 HUB_TUNNEL_IP

'''توضیح:''' اگر پاسخ با تأخیر پایدار و بدون packet loss دریافت شد، تونل L2TPv3 سالم است.

==== From Hub to Remote ====

ping -c 4 REMOTE_TUNNEL_IP

'''توضیح:''' پینگ دوطرفه تأیید می‌کند هر دو سرور اینترفیس تونل را بالا نگه داشته‌اند.

{| class="wikitable"
|-
! نتیجه !! تفسیر
|-
| 0% packet loss || تونل برقرار است — به مرحله بعد بروید
|-
| 100% packet loss || ql2tpd، فایروال proto 115 یا IP اینترفیس را بررسی کنید
|}

----

=== Step 2 — IP egress test (تمایز اینترنت عادی و تونل) ===

مهم‌ترین تست روزمره برای selective routing روی سرور Remote.

==== Normal internet (بدون تونل) — run on Remote ====

curl -4 -s "https://api.ipnote.ir/myip"

'''توضیح:''' باید IP عمومی خود سرور Remote یعنی <code>REMOTE_PUBLIC_IP</code> نمایش داده شود.

==== Forced via tunnel — run on Remote ====

curl -4 --interface l2tpeth0 -s "https://api.ipnote.ir/myip"

'''توضیح:''' باید IP عمومی Hub یعنی <code>HUB_PUBLIC_IP</code> برگردد؛ یعنی NAT روی Hub درست است.

{| class="wikitable"
|-
! خروجی curl !! معنی
|-
| REMOTE_PUBLIC_IP || ترافیک از WAN مستقیم خارج شده
|-
| HUB_PUBLIC_IP || ترافیک از تونل و NAT Hub خارج شده
|-
| timeout / خطا || policy routing Remote یا NAT Hub ناقص است
|}

----

=== Step 3 — Ping internet via tunnel (ICMP از source تونل) ===

ping -4 -I l2tpeth0 -c 4 8.8.8.8

'''اجرا روی:''' Remote

'''توضیح:''' بسته با source <code>REMOTE_TUNNEL_IP</code> ارسال می‌شود و مسیر forward و NAT روی Hub را تأیید می‌کند.

{| class="wikitable"
|-
! نتیجه !! تفسیر
|-
| پاسخ از 8.8.8.8 || forward و NAT روی Hub فعال است
|-
| 100% loss ولی ping HUB_TUNNEL_IP OK || تقریباً قطعی مشکل NAT یا FORWARD روی Hub است
|}

----

=== Step 4 — Throughput test with iperf3 (تست سرعت بین دو سرور) ===

اندازه‌گیری throughput واقعی تونل؛ برای ارزیابی BBR و تنظیمات TCP مفید است.

==== Install (یک‌بار روی هر دو سرور) ====

apt install -y iperf3

==== Server on Hub ====

iperf3 -s -B HUB_TUNNEL_IP

'''توضیح:''' iperf3 فقط روی آدرس تونل Hub گوش می‌دهد تا ترافیک تست از WAN عبور نکند.

==== Upload Remote → Hub ====

iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP -t 10

'''اجرا روی:''' Remote

'''توضیح:''' سرعت ارسال از Remote به Hub را در ده ثانیه اندازه می‌گیرد؛ Retr باید نزدیک صفر باشد.

==== Download Hub → Remote (reverse) ====

iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP -t 10 -R

'''اجرا روی:''' Remote

'''توضیح:''' جهت دانلود را تست می‌کند؛ بدون BBR معمولاً کندتر از آپلود است.

==== Parallel streams ====

iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP -t 10 -P 4

'''توضیح:''' چهار اتصال همزمان throughput کل تونل را بهتر نشان می‌دهد.

{| class="wikitable"
|-
! شاخص !! مقدار قابل قبول (تقریبی)
|-
| Throughput || صدها Mbps بسته به لینک
|-
| Retr || نزدیک 0 — بالا یعنی ازدحام یا MTU
|}

----

=== Step 5 — Live packet capture (tcpdump روی تونل) ===

tcpdump -ni l2tpeth0 host REMOTE_TUNNEL_IP

'''اجرا روی:''' Remote

'''توضیح:''' هنگام اتصال کلاینت x-ui یا <code>curl --interface l2tpeth0</code> باید پکت با source <code>REMOTE_TUNNEL_IP</code> دیده شود.

{| class="wikitable"
|-
! مشاهده !! معنی
|-
| پکت REMOTE_TUNNEL_IP → اینترنت || outbound از تونل فعال است
|-
| هیچ پکتی || routing rule یا inboundTag در x-ui اشتباه است
|}

----

=== Step 6 — L2TP protocol 115 capture (عیب‌یابی برقراری تونل) ===

وقتی اینترفیس <code>l2tpeth</code> ساخته می‌شود ولی DOWN است یا ping صفر است.

ابتدا نام اینترفیس WAN را پیدا کنید:

ip route get 1.1.1.1

مقدار بعد از <code>dev</code> را در دستورات زیر جایگزین کنید.

==== On Hub ====

tcpdump -ni WAN_INTERFACE_HUB host REMOTE_PUBLIC_IP and proto 115

'''توضیح:''' پکت‌های L2TPv3 با encapsulation IP بین Hub و Remote را روی WAN Hub نمایش می‌دهد.

==== On Remote ====

tcpdump -ni WAN_INTERFACE_REMOTE host HUB_PUBLIC_IP and proto 115

'''توضیح:''' نام اینترفیس WAN روی Remote ممکن است <code>eth0</code>، <code>ens160</code> یا غیره باشد.

سپس روی هر دو سرور:

systemctl restart ql2tpd

'''توضیح:''' اگر هیچ پکت 115 دیده نشد، فایروال datacenter پروتکل 115 را بلاک می‌کند.

----

=== Step 7 — Quick checklist policy routing (Remote) ===

ip rule show | grep REMOTE_TUNNEL_IP
ip route show table 100
ip -br addr show l2tpeth0

'''توضیح:''' بدون rule <code>from REMOTE_TUNNEL_IP lookup 100</code> و default در table 100، x-ui outbound کار نمی‌کند.

----

=== Step 8 — Quick checklist NAT on Hub ===

sysctl net.ipv4.ip_forward
iptables -t nat -L POSTROUTING -n -v | grep 10.0.1
iptables -L FORWARD -n -v | grep l2tpeth1

'''توضیح:''' <code>ip_forward=1</code> و MASQUERADE برای subnet تونل Remote الزامی است.

----

=== Expected results summary (جدول خلاصه) ===

{| class="wikitable"
|-
! Test !! Server !! Expected on success
|-
| ping HUB_TUNNEL_IP || Remote || 0% packet loss
|-
| ping REMOTE_TUNNEL_IP || Hub || 0% packet loss
|-
| curl (no interface) || Remote || REMOTE_PUBLIC_IP
|-
| curl --interface l2tpeth0 || Remote || HUB_PUBLIC_IP
|-
| ping -I l2tpeth0 8.8.8.8 || Remote || 0% packet loss
|-
| iperf3 -c HUB_TUNNEL_IP -B REMOTE_TUNNEL_IP || Remote || high throughput, low Retr
|-
| Client IP (x-ui via l2tp-out) || Client || HUB_PUBLIC_IP
|}

----

=== Placeholder reference (جدول جایگزین‌ها) ===

{| class="wikitable"
|-
! Placeholder !! توضیح !! مثال (فقط در استقرار خودتان)
|-
| <code>HUB_PUBLIC_IP</code> || IP عمومی سرور Hub || —
|-
| <code>REMOTE_PUBLIC_IP</code> || IP عمومی سرور Remote || —
|-
| <code>HUB_TUNNEL_IP</code> || IP تونل روی Hub || 10.0.1.1
|-
| <code>REMOTE_TUNNEL_IP</code> || IP تونل روی Remote || 10.0.1.2
|-
| <code>WAN_INTERFACE_HUB</code> || اینترفیس WAN Hub || eth0
|-
| <code>WAN_INTERFACE_REMOTE</code> || اینترفیس WAN Remote || ens160
|}

----

=== Recommended test order (ترتیب پیشنهادی) ===

# Ping tunnel endpoints (Step 1)
# curl IP test (Step 2)
# ping 8.8.8.8 via tunnel (Step 3)
# iperf3 throughput (Step 4) — optional for quality
# tcpdump — if x-ui issue (Step 5)

----

[[Category:L2TPv3]]
[[Category:Ubuntu]]
[[Category:Networking]]