ChatGPT Work
یک فضای کاری تازه برای پروژه‌های جاه‌طلبانه در ChatGPT
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: OpenAI داره ChatGPT رو از یک chatbot ساده به یک محیط کاری واقعی تبدیل می‌کنه که می‌تونه با workflowهای حرفه‌ای ادغام بشه.
💡 نکته: این حرکت نشون می‌ده رقابت اصلی دیگه روی کیفیت مدل نیست، بلکه روی تجربه‌ی کاری و productivityه.
👥 برای کی: توسعه‌دهنده‌ها و تیم‌هایی که دنبال ادغام AI در فرایندهای روزانه‌شون هستن.
🔗 https://openai.com/index/chatgpt-for-your-most-ambitious-work/
#ai #LLM #ChatGPT
@BenFeed
یک فضای کاری تازه برای پروژه‌های جاه‌طلبانه در ChatGPT
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: OpenAI داره ChatGPT رو از یک chatbot ساده به یک محیط کاری واقعی تبدیل می‌کنه که می‌تونه با workflowهای حرفه‌ای ادغام بشه.
💡 نکته: این حرکت نشون می‌ده رقابت اصلی دیگه روی کیفیت مدل نیست، بلکه روی تجربه‌ی کاری و productivityه.
👥 برای کی: توسعه‌دهنده‌ها و تیم‌هایی که دنبال ادغام AI در فرایندهای روزانه‌شون هستن.
🔗 https://openai.com/index/chatgpt-for-your-most-ambitious-work/
#ai #LLM #ChatGPT
@BenFeed
OpenAI
ChatGPT is now a partner for your most ambitious work
ChatGPT Work is an agent that can take action across your apps and files, stay with a project for hours if needed, and turn a goal into finished work.
microsoft/graphrag
یک سیستم RAG مبتنی بر گراف از مایکروسافت
این ابزار یک سیستم Retrieval-Augmented Generation ماژولار است که به‌جای جستجوی ساده‌ی متنی، از ساختار گراف برای بازیابی اطلاعات استفاده می‌کند و زیر چتر مایکروسافت توسعه می‌یابد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: رویکرد graph-based در RAG وابستگی‌های معنایی بین داده‌ها را بهتر از روش‌های vector search صرف مدل می‌کند و کیفیت پاسخ‌دهی را در corpusهای پیچیده بالا می‌برد.
💡 نکته: ماژولار بودن GraphRAG یعنی می‌توانید هر بخش از pipeline را — از indexing تا retrieval — مستقل جایگزین یا customize کنید.
👥 برای کی: توسعه‌دهنده‌هایی که روی سیستم‌های RAG، knowledge graph یا جستجوی enterprise کار می‌کنند.
🔗 https://github.com/microsoft/graphrag
#backend #LLM #RAG
@BenFeed
یک سیستم RAG مبتنی بر گراف از مایکروسافت
این ابزار یک سیستم Retrieval-Augmented Generation ماژولار است که به‌جای جستجوی ساده‌ی متنی، از ساختار گراف برای بازیابی اطلاعات استفاده می‌کند و زیر چتر مایکروسافت توسعه می‌یابد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: رویکرد graph-based در RAG وابستگی‌های معنایی بین داده‌ها را بهتر از روش‌های vector search صرف مدل می‌کند و کیفیت پاسخ‌دهی را در corpusهای پیچیده بالا می‌برد.
💡 نکته: ماژولار بودن GraphRAG یعنی می‌توانید هر بخش از pipeline را — از indexing تا retrieval — مستقل جایگزین یا customize کنید.
👥 برای کی: توسعه‌دهنده‌هایی که روی سیستم‌های RAG، knowledge graph یا جستجوی enterprise کار می‌کنند.
🔗 https://github.com/microsoft/graphrag
#backend #LLM #RAG
@BenFeed
GitHub
GitHub - microsoft/graphrag: A modular graph-based Retrieval-Augmented Generation (RAG) system
A modular graph-based Retrieval-Augmented Generation (RAG) system - microsoft/graphrag
agentscope-ai/agentscope
ساخت و اجرای agentهایی که می‌توانید ببینید، بفهمید و به آن‌ها اعتماد کنید
ساخت، اجرا و درکِ agentهایی که واقعاً بهشان اعتماد دارید — این وعده‌ای است که AgentScope با ارائه‌ی یک framework شفاف و قابل‌ردیابی برای توسعه‌ی multi-agent می‌دهد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین چالش‌های agentهای امروزی، نبودِ observability و قابلیتِ debuggingِ درست است؛ این framework مستقیماً همین مشکل را نشانه رفته.
💡 نکته: تمرکز بر «اعتماد» در کنار عملکرد، نشان می‌دهد بلوغِ ابزارهای multi-agent از مرحله‌ی «کار می‌کند» به «می‌دانم چرا کار می‌کند» رسیده.
👥 برای کی: توسعه‌دهنده‌هایی که روی ساخت سیستم‌های multi-agent یا orchestration در backend کار می‌کنند.
🔗 https://github.com/agentscope-ai/agentscope
#backend #agent #LLM
@BenFeed
ساخت و اجرای agentهایی که می‌توانید ببینید، بفهمید و به آن‌ها اعتماد کنید
ساخت، اجرا و درکِ agentهایی که واقعاً بهشان اعتماد دارید — این وعده‌ای است که AgentScope با ارائه‌ی یک framework شفاف و قابل‌ردیابی برای توسعه‌ی multi-agent می‌دهد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین چالش‌های agentهای امروزی، نبودِ observability و قابلیتِ debuggingِ درست است؛ این framework مستقیماً همین مشکل را نشانه رفته.
💡 نکته: تمرکز بر «اعتماد» در کنار عملکرد، نشان می‌دهد بلوغِ ابزارهای multi-agent از مرحله‌ی «کار می‌کند» به «می‌دانم چرا کار می‌کند» رسیده.
👥 برای کی: توسعه‌دهنده‌هایی که روی ساخت سیستم‌های multi-agent یا orchestration در backend کار می‌کنند.
🔗 https://github.com/agentscope-ai/agentscope
#backend #agent #LLM
@BenFeed
GitHub
GitHub - agentscope-ai/agentscope: Build and run agents you can see, understand and trust.
Build and run agents you can see, understand and trust. - agentscope-ai/agentscope
syncable-dev/memtrace-public
حافظه‌ی ساختاریافته برای agentهای کدنویسی هوش مصنوعی
این ابزار یک graph دو-زمانی (bi-temporal) برای حافظه‌ی ساختاریافته‌ی agentهای کدنویسی ارائه می‌دهد — کاملاً سازگار با MCP و بدون نیاز به هیچ LLM call. از Cursor، Claude Code، Codex، Hermes، VS Code و Windsurf پشتیبانی می‌کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین ضعف‌های agentهای کدنویسی، نداشتن حافظه‌ی ساختاریافته بین sessionهاست؛ این ابزار بدون overhead هیچ LLM call اضافه‌ای این مشکل را حل می‌کند.
💡 نکته: استفاده از graph دو-زمانی یعنی می‌توان تاریخچه‌ی تغییرات context را هم ردیابی کرد، نه فقط آخرین وضعیت.
👥 برای کی: کسانی که روی agentهای کدنویسی یا ابزارهای MCP-native کار می‌کنند.
🔗 https://github.com/syncable-dev/memtrace-public
#backend #ai #LLM
@BenFeed
حافظه‌ی ساختاریافته برای agentهای کدنویسی هوش مصنوعی
این ابزار یک graph دو-زمانی (bi-temporal) برای حافظه‌ی ساختاریافته‌ی agentهای کدنویسی ارائه می‌دهد — کاملاً سازگار با MCP و بدون نیاز به هیچ LLM call. از Cursor، Claude Code، Codex، Hermes، VS Code و Windsurf پشتیبانی می‌کند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین ضعف‌های agentهای کدنویسی، نداشتن حافظه‌ی ساختاریافته بین sessionهاست؛ این ابزار بدون overhead هیچ LLM call اضافه‌ای این مشکل را حل می‌کند.
💡 نکته: استفاده از graph دو-زمانی یعنی می‌توان تاریخچه‌ی تغییرات context را هم ردیابی کرد، نه فقط آخرین وضعیت.
👥 برای کی: کسانی که روی agentهای کدنویسی یا ابزارهای MCP-native کار می‌کنند.
🔗 https://github.com/syncable-dev/memtrace-public
#backend #ai #LLM
@BenFeed
GitHub
GitHub - syncable-dev/memtrace-public: Structural memory for AI coding agents. Bi-temporal graph, MCP-native, zero LLM calls. Cursor…
Structural memory for AI coding agents. Bi-temporal graph, MCP-native, zero LLM calls. Cursor · Claude Code · Codex · DeepSeek Harness · Hermes · VS Code · Windsurf. - syncable-dev/memtrace-public
openai/openai-python
کتابخانه‌ی رسمی Python برای OpenAI API
کتابخانه‌ی رسمی Python برای OpenAI API است که مستقیماً توسط تیم OpenAI نگه‌داری می‌شود و امکان مشارکت در توسعه‌اش از طریق GitHub فراهم است.
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: هر پروژه‌ای که به OpenAI API وصل می‌شه، دیر یا زود به این library نیاز داره؛ شناختِ آن یعنی کمتر به wrapperهای ثالث وابسته بودن.
💡 نکته: استفاده از library رسمی به‌جای SDKهای غیررسمی، ریسک breaking change را به‌شدت کاهش می‌دهد.
👥 برای کی: توسعه‌دهنده‌هایی که روی backend یا پروژه‌های مبتنی بر LLM کار می‌کنند.
🔗 https://github.com/openai/openai-python
#backend #LLM
@BenFeed
کتابخانه‌ی رسمی Python برای OpenAI API
کتابخانه‌ی رسمی Python برای OpenAI API است که مستقیماً توسط تیم OpenAI نگه‌داری می‌شود و امکان مشارکت در توسعه‌اش از طریق GitHub فراهم است.
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: هر پروژه‌ای که به OpenAI API وصل می‌شه، دیر یا زود به این library نیاز داره؛ شناختِ آن یعنی کمتر به wrapperهای ثالث وابسته بودن.
💡 نکته: استفاده از library رسمی به‌جای SDKهای غیررسمی، ریسک breaking change را به‌شدت کاهش می‌دهد.
👥 برای کی: توسعه‌دهنده‌هایی که روی backend یا پروژه‌های مبتنی بر LLM کار می‌کنند.
🔗 https://github.com/openai/openai-python
#backend #LLM
@BenFeed
GitHub
GitHub - openai/openai-python: The official Python library for the OpenAI API
The official Python library for the OpenAI API. Contribute to openai/openai-python development by creating an account on GitHub.
davila7/claude-code-templates
ابزار CLI برای پیکربندی و مانیتورینگ Claude Code
یک CLI tool برای پیکربندی و مانیتورینگ Claude Code — این مخزن templateها و ابزارهای لازم برای راه‌اندازی سریع‌تر Claude Code را فراهم می‌کند.
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: راه‌اندازی و مانیتورینگ Claude Code بدون این‌گونه ابزارها وقت‌گیر است؛ این CLI tool فرآیند پیکربندی را استاندارد و تکرارپذیر می‌کند.
💡 نکته: وجود templateهای آماده یعنی تیم‌ها می‌توانند Claude Code را در پروژه‌های مختلف با تنظیمات یکسان و سریع deploy کنند.
👥 برای کی: توسعه‌دهنده‌هایی که Claude Code را در workflow روزانه‌شان ادغام می‌کنند.
🔗 https://github.com/davila7/claude-code-templates
#backend #CLI
@BenFeed
ابزار CLI برای پیکربندی و مانیتورینگ Claude Code
یک CLI tool برای پیکربندی و مانیتورینگ Claude Code — این مخزن templateها و ابزارهای لازم برای راه‌اندازی سریع‌تر Claude Code را فراهم می‌کند.
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: راه‌اندازی و مانیتورینگ Claude Code بدون این‌گونه ابزارها وقت‌گیر است؛ این CLI tool فرآیند پیکربندی را استاندارد و تکرارپذیر می‌کند.
💡 نکته: وجود templateهای آماده یعنی تیم‌ها می‌توانند Claude Code را در پروژه‌های مختلف با تنظیمات یکسان و سریع deploy کنند.
👥 برای کی: توسعه‌دهنده‌هایی که Claude Code را در workflow روزانه‌شان ادغام می‌کنند.
🔗 https://github.com/davila7/claude-code-templates
#backend #CLI
@BenFeed
GitHub
GitHub - davila7/claude-code-templates: CLI tool for configuring and monitoring Claude Code
CLI tool for configuring and monitoring Claude Code - davila7/claude-code-templates
Apple sues OpenAI, accuses ex-employees of stealing trade secrets
اپل علیه OpenAI شکایت کرد؛ اتهام سرقت اسرار تجاری توسط کارمندان سابق
امروز اپل علیه OpenAI شکایت حقوقی تقدیم کرد و این شرکت را به سرقت اسرار تجاری متهم ساخت. ادعای اپل بر این است که...
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: دعوای حقوقی میان دو غول صنعت، می‌تونه الگوی جابه‌جایی استعداد و مالکیت فکری بین شرکت‌های AI رو برای سال‌ها تغییر بده.
💡 نکته: این پرونده نشون می‌ده که رقابت برای جذب talent در صنعت AI داره از فضای HR وارد دادگاه می‌شه.
👥 برای کی: توسعه‌دهنده‌هایی که قرارداد کاری می‌بندن یا بین شرکت‌های بزرگ جابه‌جا می‌شن.
🔗 https://9to5mac.com/2026/07/10/apple-sues-openai-trade-secret-theft/
#ai #LLM
@BenFeed
اپل علیه OpenAI شکایت کرد؛ اتهام سرقت اسرار تجاری توسط کارمندان سابق
امروز اپل علیه OpenAI شکایت حقوقی تقدیم کرد و این شرکت را به سرقت اسرار تجاری متهم ساخت. ادعای اپل بر این است که...
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: دعوای حقوقی میان دو غول صنعت، می‌تونه الگوی جابه‌جایی استعداد و مالکیت فکری بین شرکت‌های AI رو برای سال‌ها تغییر بده.
💡 نکته: این پرونده نشون می‌ده که رقابت برای جذب talent در صنعت AI داره از فضای HR وارد دادگاه می‌شه.
👥 برای کی: توسعه‌دهنده‌هایی که قرارداد کاری می‌بندن یا بین شرکت‌های بزرگ جابه‌جا می‌شن.
🔗 https://9to5mac.com/2026/07/10/apple-sues-openai-trade-secret-theft/
#ai #LLM
@BenFeed
9to5Mac
Apple sues OpenAI, accuses ex-employees of stealing trade secrets - 9to5Mac
Apple has filed a lawsuit against OpenAI today, accusing the company of trade secret theft. Specifically, Apple alleges that its...
GhostLock, a stack-UAF that has existed in ALL Linux distributions for 15 years
آسیب‌پذیری GhostLock — یک stack-UAF که ۱۵ سال در تمام توزیع‌های Linux پنهان بود
آسیب‌پذیری GhostLock (با شناسه CVE-2026-43499) یک باگ در kernel لینوکس است که توسط تیم VEGA کشف شده و از سال ۲۰۱۱ در تمام توزیع‌های اصلی وجود داشته. فعال‌سازی این باگ نیاز به هیچ config خاصی یا سطح دسترسی ویژه‌ای ندارد. تیم محققان با تبدیل آن به یک privilege escalation و container escape با پایداری ۹۷٪، موفق شدند مبلغ ۹۲٬۳۳۷ دلار جایزه از Google در قالب برنامه kernelCTF دریافت کنند.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: یک stack use-after-free در kernel لینوکس که ۱۵ سال بدون شناسایی مانده و بدون privilege قابل trigger است، یعنی سطح حمله روی تمام سرورها و containerهای لینوکسی بالقوه باز بوده.
💡 نکته: پایداری ۹۷٪ در exploit یعنی این یک proof-of-concept تئوری نیست — یک سلاح عملیاتی واقعی بوده که باید جدی گرفته بشه.
👥 برای کی: توسعه‌دهنده‌ها و مدیران سیستمی که روی امنیت kernel، container isolation یا محیط‌های cloud-native کار می‌کنند.
🔗 https://nebusec.ai/research/ionstack-part-2/
#backend #security #Linux
@BenFeed
آسیب‌پذیری GhostLock — یک stack-UAF که ۱۵ سال در تمام توزیع‌های Linux پنهان بود
آسیب‌پذیری GhostLock (با شناسه CVE-2026-43499) یک باگ در kernel لینوکس است که توسط تیم VEGA کشف شده و از سال ۲۰۱۱ در تمام توزیع‌های اصلی وجود داشته. فعال‌سازی این باگ نیاز به هیچ config خاصی یا سطح دسترسی ویژه‌ای ندارد. تیم محققان با تبدیل آن به یک privilege escalation و container escape با پایداری ۹۷٪، موفق شدند مبلغ ۹۲٬۳۳۷ دلار جایزه از Google در قالب برنامه kernelCTF دریافت کنند.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: یک stack use-after-free در kernel لینوکس که ۱۵ سال بدون شناسایی مانده و بدون privilege قابل trigger است، یعنی سطح حمله روی تمام سرورها و containerهای لینوکسی بالقوه باز بوده.
💡 نکته: پایداری ۹۷٪ در exploit یعنی این یک proof-of-concept تئوری نیست — یک سلاح عملیاتی واقعی بوده که باید جدی گرفته بشه.
👥 برای کی: توسعه‌دهنده‌ها و مدیران سیستمی که روی امنیت kernel، container isolation یا محیط‌های cloud-native کار می‌کنند.
🔗 https://nebusec.ai/research/ionstack-part-2/
#backend #security #Linux
@BenFeed
NebuSec
IonStack part II: GhostLock, a stack-UAF that has existed in ALL Linux distributions for 15 years
GhostLock (CVE-2026-43499) is a Linux kernel vulnerability found by Nebu that exists in every major distribution since 2011. Triggering the bug does not require any special kernel config or privilege. By turning it into a 97% stable privilege escalation and…
GPT-5.6 Sol Ultra produces proof of the Cycle Double Cover Conjecture [pdf]
اثباتِ حدسِ Cycle Double Cover توسط GPT-5.6 Sol Ultra
نظر هوش مصنوعی — ⭐ ۱۰/۱۰
🎯 چرا مهمه: حدسِ Cycle Double Cover یکی از مسائلِ باز و معروفِ نظریه‌ی گراف است که دهه‌هاست حل‌نشده مانده؛ اگر این اثبات معتبر باشد، نقطه‌ی عطفی در تاریخِ ریاضیاتِ محاسباتی و توانِ استدلالِ LLMهاست.
💡 نکته: هنوز باید منتظر بررسیِ همتایان (peer review) بود — اما حتی اگر اثبات جزئی باشد، نشان می‌دهد مدل‌ها دیگر فقط الگو تکرار نمی‌کنند بلکه reasoning ریاضیِ عمیق می‌کنند.
👥 برای کی: ریاضی‌دانان، محققانِ AI، و هر کسی که روی reasoning و agent کار می‌کند.
🔗 https://cdn.openai.com/pdf/04d1d1e4-bc75-476a-97cf-49055cd98d31/cdc_proof.pdf
#ai #LLM #reasoning
@BenFeed
اثباتِ حدسِ Cycle Double Cover توسط GPT-5.6 Sol Ultra
نظر هوش مصنوعی — ⭐ ۱۰/۱۰
🎯 چرا مهمه: حدسِ Cycle Double Cover یکی از مسائلِ باز و معروفِ نظریه‌ی گراف است که دهه‌هاست حل‌نشده مانده؛ اگر این اثبات معتبر باشد، نقطه‌ی عطفی در تاریخِ ریاضیاتِ محاسباتی و توانِ استدلالِ LLMهاست.
💡 نکته: هنوز باید منتظر بررسیِ همتایان (peer review) بود — اما حتی اگر اثبات جزئی باشد، نشان می‌دهد مدل‌ها دیگر فقط الگو تکرار نمی‌کنند بلکه reasoning ریاضیِ عمیق می‌کنند.
👥 برای کی: ریاضی‌دانان، محققانِ AI، و هر کسی که روی reasoning و agent کار می‌کند.
🔗 https://cdn.openai.com/pdf/04d1d1e4-bc75-476a-97cf-49055cd98d31/cdc_proof.pdf
#ai #LLM #reasoning
@BenFeed
Shubhamsaboo/awesome-llm-apps
مجموعه‌ای از ۱۰۰+ برنامه‌ی AI Agent و RAG که واقعاً می‌توانید اجرا کنید
بیش از ۱۰۰ پروژه‌ی آماده‌ی AI Agent و RAG در این مخزن جمع شده‌اند — clone کنید، سفارشی‌سازی کنید، deploy کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: جای خالیِ «از کجا شروع کنم» رو برای کسانی که می‌خوان LLM رو وارد محصول واقعی کنن پر می‌کنه؛ کد اجراشدنی خیلی ارزشمندتر از مقاله‌ی تئوری‌ه.
💡 نکته: داشتن ۱۰۰+ نمونه‌ی متنوع یعنی می‌تونی patternهای مختلف RAG و agent رو کنار هم مقایسه کنی و بهترین معماری رو برای use case خودت بچینی.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خوان سریع یک proof-of-concept با LLM بسازن یا روی agent و RAG کار می‌کنن.
🔗 https://github.com/Shubhamsaboo/awesome-llm-apps
#backend #LLM #agent
@BenFeed
مجموعه‌ای از ۱۰۰+ برنامه‌ی AI Agent و RAG که واقعاً می‌توانید اجرا کنید
بیش از ۱۰۰ پروژه‌ی آماده‌ی AI Agent و RAG در این مخزن جمع شده‌اند — clone کنید، سفارشی‌سازی کنید، deploy کنید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: جای خالیِ «از کجا شروع کنم» رو برای کسانی که می‌خوان LLM رو وارد محصول واقعی کنن پر می‌کنه؛ کد اجراشدنی خیلی ارزشمندتر از مقاله‌ی تئوری‌ه.
💡 نکته: داشتن ۱۰۰+ نمونه‌ی متنوع یعنی می‌تونی patternهای مختلف RAG و agent رو کنار هم مقایسه کنی و بهترین معماری رو برای use case خودت بچینی.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خوان سریع یک proof-of-concept با LLM بسازن یا روی agent و RAG کار می‌کنن.
🔗 https://github.com/Shubhamsaboo/awesome-llm-apps
#backend #LLM #agent
@BenFeed
GitHub
GitHub - Shubhamsaboo/awesome-llm-apps: 100+ AI Agents, Agent Skills and RAG Apps - Free and Open Source.
100+ AI Agents, Agent Skills and RAG Apps - Free and Open Source. - Shubhamsaboo/awesome-llm-apps
Show HN: We beat Cloudflare's bot detection (open-source stealth browser)
چطور از bot detection کلاودفلر رد شدیم (مرورگر مخفی متن‌باز)
حالا Cloudflare به‌صورت پیش‌فرض AI crawlerها را بلاک می‌کند — و مشکلِ پنهانِ ماجرا اینجاست که agentها متوجه نمی‌شوند: صفحه‌ی block را می‌خوانند و محتوایش را به‌عنوان واقعیت برمی‌گردانند. این مقاله یک benchmark ارائه می‌دهد و راه‌حل را نشان می‌دهد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: هر agent یا crawlerی که روی web browsing تکیه می‌کنه، ممکنه بدون هیچ خطایی داده‌ی اشتباه برگردونه — این یه مشکل خاموش و خطرناکه.
💡 نکته: وقتی agent نمی‌دونه که بلاک شده، اشتباهش قابل‌ردیابی نیست؛ این دقیقاً همون نوع failure مودی که در debugging هوش مصنوعی بدترینه.
👥 برای کی: کسانی که روی web agent، scraping یا retrieval pipeline کار می‌کنند.
🔗 https://tilion.dev/blog/cloudflare-blocks-agents
#ai #backend #LLM
@BenFeed
چطور از bot detection کلاودفلر رد شدیم (مرورگر مخفی متن‌باز)
حالا Cloudflare به‌صورت پیش‌فرض AI crawlerها را بلاک می‌کند — و مشکلِ پنهانِ ماجرا اینجاست که agentها متوجه نمی‌شوند: صفحه‌ی block را می‌خوانند و محتوایش را به‌عنوان واقعیت برمی‌گردانند. این مقاله یک benchmark ارائه می‌دهد و راه‌حل را نشان می‌دهد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: هر agent یا crawlerی که روی web browsing تکیه می‌کنه، ممکنه بدون هیچ خطایی داده‌ی اشتباه برگردونه — این یه مشکل خاموش و خطرناکه.
💡 نکته: وقتی agent نمی‌دونه که بلاک شده، اشتباهش قابل‌ردیابی نیست؛ این دقیقاً همون نوع failure مودی که در debugging هوش مصنوعی بدترینه.
👥 برای کی: کسانی که روی web agent، scraping یا retrieval pipeline کار می‌کنند.
🔗 https://tilion.dev/blog/cloudflare-blocks-agents
#ai #backend #LLM
@BenFeed
tilion.dev
Tilion — a stealth browser for AI agents
An open-source recompiled-Chromium stealth engine, driven by a Python framework and an MCP server.
OpenAI Forked Git on GitHub
اوپن‌اِی‌آی یک fork از Git روی GitHub ساخته
این repository چیزی نیست جز همان Git اصلی که لینوس تورولدز با پیام معروف «the information manager from hell» در تاریخ ۷ آوریل ۲۰۰۵ آغاز کرد — و حالا OpenAI آن را fork کرده است.
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: fork کردن Git توسط OpenAI کنجکاوی زیادی ایجاد کرده؛ احتمالاً برای ادغام قابلیت‌های AI یا ساختِ ابزار داخلیِ مبتنی بر Git است.
💡 نکته: وقتی یک شرکت AI سراغِ پایه‌ای‌ترین ابزار توسعه‌دهنده‌ها می‌رود، احتمالاً می‌خواهد چیزی عمیق‌تر از یک plugin یا extension بسازد.
👥 برای کی: توسعه‌دهنده‌هایی که به آینده‌ی ابزارهای AI-native در workflow روزمره علاقه دارند.
🔗 https://github.com/openai/git
#ai #devops #git
@BenFeed
اوپن‌اِی‌آی یک fork از Git روی GitHub ساخته
این repository چیزی نیست جز همان Git اصلی که لینوس تورولدز با پیام معروف «the information manager from hell» در تاریخ ۷ آوریل ۲۰۰۵ آغاز کرد — و حالا OpenAI آن را fork کرده است.
نظر هوش مصنوعی — ⭐ ۶/۱۰
🎯 چرا مهمه: fork کردن Git توسط OpenAI کنجکاوی زیادی ایجاد کرده؛ احتمالاً برای ادغام قابلیت‌های AI یا ساختِ ابزار داخلیِ مبتنی بر Git است.
💡 نکته: وقتی یک شرکت AI سراغِ پایه‌ای‌ترین ابزار توسعه‌دهنده‌ها می‌رود، احتمالاً می‌خواهد چیزی عمیق‌تر از یک plugin یا extension بسازد.
👥 برای کی: توسعه‌دهنده‌هایی که به آینده‌ی ابزارهای AI-native در workflow روزمره علاقه دارند.
🔗 https://github.com/openai/git
#ai #devops #git
@BenFeed
GitHub
GitHub - openai/git: "the information manager from hell" - linus torvalds [e83c516, 7 Apr 2005]
"the information manager from hell" - linus torvalds [e83c516, 7 Apr 2005] - openai/git
Mesh LLM: distributed AI computing on iroh
استقرار توزیع‌شده‌ی LLM روی iroh با Mesh LLM
پروژه‌ی Mesh LLM منابع GPU موجود در چندین ماشین را ادغام می‌کند و از طریق یک API سازگار با OpenAI در اختیار می‌گذارد — همه چیز روی بستر iroh ساخته شده است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: به‌جای خرید سخت‌افزار گران‌قیمت، می‌شود GPUهای پراکنده را pool کرد و یک endpoint یکپارچه داشت؛ این رویکرد هزینه‌ی inference را به‌شدت پایین می‌آورد.
💡 نکته: سازگاری با OpenAI API یعنی بدون تغییر در کد، می‌شود backend را به این شبکه‌ی توزیع‌شده سوئیچ کرد.
👥 برای کی: توسعه‌دهنده‌هایی که روی self-hosted LLM و بهینه‌سازی infrastructure کار می‌کنند.
🔗 https://www.iroh.computer/blog/mesh-llm
#ai #backend #LLM
@BenFeed
استقرار توزیع‌شده‌ی LLM روی iroh با Mesh LLM
پروژه‌ی Mesh LLM منابع GPU موجود در چندین ماشین را ادغام می‌کند و از طریق یک API سازگار با OpenAI در اختیار می‌گذارد — همه چیز روی بستر iroh ساخته شده است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: به‌جای خرید سخت‌افزار گران‌قیمت، می‌شود GPUهای پراکنده را pool کرد و یک endpoint یکپارچه داشت؛ این رویکرد هزینه‌ی inference را به‌شدت پایین می‌آورد.
💡 نکته: سازگاری با OpenAI API یعنی بدون تغییر در کد، می‌شود backend را به این شبکه‌ی توزیع‌شده سوئیچ کرد.
👥 برای کی: توسعه‌دهنده‌هایی که روی self-hosted LLM و بهینه‌سازی infrastructure کار می‌کنند.
🔗 https://www.iroh.computer/blog/mesh-llm
#ai #backend #LLM
@BenFeed
www.iroh.computer
Mesh LLM: distributed AI computing on iroh
How Mesh LLM pools existing GPU resources across machines into a single OpenAI-compatible API, built on iroh.
We scaled PgBouncer to 4x throughput
توان عملیاتی PgBouncer را ۴ برابر کردیم
PgBouncer تک‌رشته‌ای است، یعنی یک پروسس آن هر قدر هم سرور قوی باشد، فقط یک هسته‌ی CPU را می‌تواند استفاده کند. تیم ClickHouse Managed Postgres با اجرای یک fleet از پروسس‌های PgBouncer به‌صورت peered و استفاده از `so_reuseport`، connection pooling را روی تمام هسته‌ها پخش کرده — و benchmarkها نتیجه را تأیید می‌کنند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: محدودیت تک‌هسته‌ای PgBouncer یک دردِ قدیمی در معماری‌های پرترافیک است؛ این رویکرد بدون تغییر در client یا application آن را حل می‌کند.
💡 نکته: ترکیب `so_reuseport` با یک fleet هماهنگ‌شده، راه‌حلی است که می‌شود آن را خارج از managed service هم الگوبرداری کرد.
👥 برای کی: هر کسی که روی backend با Postgres پرترافیک، connection pooling یا database infrastructure کار می‌کند.
🔗 https://clickhouse.com/blog/pgbouncer-clickhouse-managed-postgres
#backend #database #Postgres
@BenFeed
توان عملیاتی PgBouncer را ۴ برابر کردیم
PgBouncer تک‌رشته‌ای است، یعنی یک پروسس آن هر قدر هم سرور قوی باشد، فقط یک هسته‌ی CPU را می‌تواند استفاده کند. تیم ClickHouse Managed Postgres با اجرای یک fleet از پروسس‌های PgBouncer به‌صورت peered و استفاده از `so_reuseport`، connection pooling را روی تمام هسته‌ها پخش کرده — و benchmarkها نتیجه را تأیید می‌کنند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: محدودیت تک‌هسته‌ای PgBouncer یک دردِ قدیمی در معماری‌های پرترافیک است؛ این رویکرد بدون تغییر در client یا application آن را حل می‌کند.
💡 نکته: ترکیب `so_reuseport` با یک fleet هماهنگ‌شده، راه‌حلی است که می‌شود آن را خارج از managed service هم الگوبرداری کرد.
👥 برای کی: هر کسی که روی backend با Postgres پرترافیک، connection pooling یا database infrastructure کار می‌کند.
🔗 https://clickhouse.com/blog/pgbouncer-clickhouse-managed-postgres
#backend #database #Postgres
@BenFeed
ClickHouse
How we scale PgBouncer in ClickHouse Managed Postgres | ClickHouse
PgBouncer is single-threaded, so a single process caps out at one CPU core no matter the box size. See how ClickHouse Managed Postgres runs a peered fleet of PgBouncer processes with so_reuseport to scale pooling across every core — with benchmarks showin
pydantic/pydantic-ai
فریم‌ورک agent هوش مصنوعی، به سبک Pydantic
ساخت AI agent به روش Pydantic — یعنی type-safe، ساخت‌یافته و قابل اعتماد. این پروژه‌ی متن‌باز روی GitHub توسعه می‌یابد و هر کسی می‌تواند در آن مشارکت کند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: ساخت agent با validation قوی و type safety از همان ابتدا، یکی از بزرگ‌ترین دردسرهای تیم‌های production رو حل می‌کنه.
💡 نکته: وقتی Pydantic پشتِ یک AI framework باشه، اعتماد به schema و خروجی مدل دیگه حدس‌وگمان نیست.
👥 برای کی: توسعه‌دهنده‌هایی که روی backend یا agentهای LLM-محور در محیط production کار می‌کنند.
🔗 https://github.com/pydantic/pydantic-ai
#backend #ai #LLM
@BenFeed
فریم‌ورک agent هوش مصنوعی، به سبک Pydantic
ساخت AI agent به روش Pydantic — یعنی type-safe، ساخت‌یافته و قابل اعتماد. این پروژه‌ی متن‌باز روی GitHub توسعه می‌یابد و هر کسی می‌تواند در آن مشارکت کند.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: ساخت agent با validation قوی و type safety از همان ابتدا، یکی از بزرگ‌ترین دردسرهای تیم‌های production رو حل می‌کنه.
💡 نکته: وقتی Pydantic پشتِ یک AI framework باشه، اعتماد به schema و خروجی مدل دیگه حدس‌وگمان نیست.
👥 برای کی: توسعه‌دهنده‌هایی که روی backend یا agentهای LLM-محور در محیط production کار می‌کنند.
🔗 https://github.com/pydantic/pydantic-ai
#backend #ai #LLM
@BenFeed
GitHub
GitHub - pydantic/pydantic-ai: How Python does AI. Agents, realtime voice, image generation, embeddings. Every model, every interface…
How Python does AI. Agents, realtime voice, image generation, embeddings. Every model, every interface, typed end to end. - pydantic/pydantic-ai
PrefectHQ/prefect
فریم‌ورک orchestration برای pipelineهای داده‌ی مقاوم در Python
Prefect یک workflow orchestration framework است برای ساخت data pipelineهای مقاوم در Python.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: مدیریت workflowهای پیچیده‌ی داده بدون دردسرِ زیرساخت، مستقیماً در Python — که برای تیم‌های کوچک تا متوسط یک مزیت جدی است.
💡 نکته: برخلاف Airflow که سنگین و XML-محور است، Prefect با decoratorهای ساده روی کدِ موجود سوار می‌شود و curve یادگیری را کوتاه می‌کند.
👥 برای کی: توسعه‌دهنده‌هایی که روی data pipeline، ETL یا backend سرویس‌های داده‌محور کار می‌کنند.
🔗 https://github.com/PrefectHQ/prefect
#backend #Python #workflow
@BenFeed
فریم‌ورک orchestration برای pipelineهای داده‌ی مقاوم در Python
Prefect یک workflow orchestration framework است برای ساخت data pipelineهای مقاوم در Python.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: مدیریت workflowهای پیچیده‌ی داده بدون دردسرِ زیرساخت، مستقیماً در Python — که برای تیم‌های کوچک تا متوسط یک مزیت جدی است.
💡 نکته: برخلاف Airflow که سنگین و XML-محور است، Prefect با decoratorهای ساده روی کدِ موجود سوار می‌شود و curve یادگیری را کوتاه می‌کند.
👥 برای کی: توسعه‌دهنده‌هایی که روی data pipeline، ETL یا backend سرویس‌های داده‌محور کار می‌کنند.
🔗 https://github.com/PrefectHQ/prefect
#backend #Python #workflow
@BenFeed
GitHub
GitHub - PrefectHQ/prefect: Prefect is a workflow orchestration framework for building resilient data pipelines in Python.
Prefect is a workflow orchestration framework for building resilient data pipelines in Python. - PrefectHQ/prefect
TRELLIS.2
تولید سه‌بعدی با latentهای ساختاریافته‌ی بومی و فشرده
ساختارهای latent بومی و فشرده برای تولید سه‌بعدی — این چکیده‌ی پروژه‌ی TRELLIS.2 از مایکروسافت است که رویکرد جدیدی برای نمایش و تولید محتوای ۳D ارائه می‌دهد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: نمایش فشرده و ساختاریافته‌ی فضای latent برای ۳D می‌تواند کیفیت و سرعت generation مدل‌های سه‌بعدی را به‌طور همزمان بهبود دهد.
💡 نکته: تمرکز روی «بومی بودن» ساختار latent نشان می‌دهد که این رویکرد برخلاف روش‌های تبدیلی، مستقیماً برای ۳D طراحی شده، نه وفق‌داده‌شده از ۲D.
👥 برای کی: توسعه‌دهنده‌هایی که روی generative 3D، graphics pipeline یا spatial AI کار می‌کنند.
🔗 https://github.com/microsoft/TRELLIS.2
#backend #ai #3DGeneration
@BenFeed
تولید سه‌بعدی با latentهای ساختاریافته‌ی بومی و فشرده
ساختارهای latent بومی و فشرده برای تولید سه‌بعدی — این چکیده‌ی پروژه‌ی TRELLIS.2 از مایکروسافت است که رویکرد جدیدی برای نمایش و تولید محتوای ۳D ارائه می‌دهد.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: نمایش فشرده و ساختاریافته‌ی فضای latent برای ۳D می‌تواند کیفیت و سرعت generation مدل‌های سه‌بعدی را به‌طور همزمان بهبود دهد.
💡 نکته: تمرکز روی «بومی بودن» ساختار latent نشان می‌دهد که این رویکرد برخلاف روش‌های تبدیلی، مستقیماً برای ۳D طراحی شده، نه وفق‌داده‌شده از ۲D.
👥 برای کی: توسعه‌دهنده‌هایی که روی generative 3D، graphics pipeline یا spatial AI کار می‌کنند.
🔗 https://github.com/microsoft/TRELLIS.2
#backend #ai #3DGeneration
@BenFeed
GitHub
GitHub - microsoft/TRELLIS.2: Native and Compact Structured Latents for 3D Generation
Native and Compact Structured Latents for 3D Generation - microsoft/TRELLIS.2
virattt/ai-hedge-fund
تیم صندوق سرمایه‌گذاری مبتنی بر هوش مصنوعی
یک پروژه‌ی open-source در GitHub که تیمی از agentهای هوش مصنوعی را شبیه‌سازی می‌کند تا به‌صورت مشارکتی تصمیمات سرمایه‌گذاری بگیرند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: این پروژه نشان می‌دهد چطور می‌توان با ترکیب چند agent تخصصی، یک workflow پیچیده‌ی دنیای واقعی مثل تحلیل مالی را اتوماتیک کرد.
💡 نکته: معماری multi-agent آن — با نقش‌هایی مثل analyst و risk manager — الگویی عملی برای طراحی سیستم‌های agent-based ارائه می‌دهد.
👥 برای کی: کسانی که روی multi-agent system، LLM orchestration یا اتوماسیون workflow کار می‌کنند.
🔗 https://github.com/virattt/ai-hedge-fund
#backend #ai #LLM
@BenFeed
تیم صندوق سرمایه‌گذاری مبتنی بر هوش مصنوعی
یک پروژه‌ی open-source در GitHub که تیمی از agentهای هوش مصنوعی را شبیه‌سازی می‌کند تا به‌صورت مشارکتی تصمیمات سرمایه‌گذاری بگیرند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: این پروژه نشان می‌دهد چطور می‌توان با ترکیب چند agent تخصصی، یک workflow پیچیده‌ی دنیای واقعی مثل تحلیل مالی را اتوماتیک کرد.
💡 نکته: معماری multi-agent آن — با نقش‌هایی مثل analyst و risk manager — الگویی عملی برای طراحی سیستم‌های agent-based ارائه می‌دهد.
👥 برای کی: کسانی که روی multi-agent system، LLM orchestration یا اتوماسیون workflow کار می‌کنند.
🔗 https://github.com/virattt/ai-hedge-fund
#backend #ai #LLM
@BenFeed
GitHub
GitHub - virattt/ai-hedge-fund: An AI Hedge Fund Team
An AI Hedge Fund Team. Contribute to virattt/ai-hedge-fund development by creating an account on GitHub.
Flash-MSA: Accelerating Million-Token Training with Sparse Attention Kernels
شتاب‌بخشی به آموزش میلیون‌توکنی با sparse attention kernels
آموزش مدل‌ها روی context طولانی یکی از گران‌ترین مراحل توسعه‌ی LLMهاست. پروژه‌ی Flash-MSA با ترکیب sparse attention و kernelهای بهینه‌شده، هدفش کاهش بارِ محاسباتی در training روی دنباله‌های میلیون‌توکنی است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: پشتیبانی از context طولانی‌تر یکی از اصلی‌ترین گلوگاه‌های فعلیِ training است و هر رویکرد عملی در این حوزه مستقیماً روی هزینه و امکان‌پذیریِ fine-tuning تأثیر می‌گذارد.
💡 نکته: sparse attention وقتی با kernelهای سفارشی پیاده‌سازی می‌شود می‌تواند از FlashAttention استاندارد هم جلو بزند — اما شیطان در جزئیاتِ پیاده‌سازی است.
👥 برای کی: کسانی که روی training، fine-tuning یا inference مدل‌های بزرگ کار می‌کنند.
🔗 https://nanduruganesh.github.io/flash-msa/
#ai #LLM
@BenFeed
شتاب‌بخشی به آموزش میلیون‌توکنی با sparse attention kernels
آموزش مدل‌ها روی context طولانی یکی از گران‌ترین مراحل توسعه‌ی LLMهاست. پروژه‌ی Flash-MSA با ترکیب sparse attention و kernelهای بهینه‌شده، هدفش کاهش بارِ محاسباتی در training روی دنباله‌های میلیون‌توکنی است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: پشتیبانی از context طولانی‌تر یکی از اصلی‌ترین گلوگاه‌های فعلیِ training است و هر رویکرد عملی در این حوزه مستقیماً روی هزینه و امکان‌پذیریِ fine-tuning تأثیر می‌گذارد.
💡 نکته: sparse attention وقتی با kernelهای سفارشی پیاده‌سازی می‌شود می‌تواند از FlashAttention استاندارد هم جلو بزند — اما شیطان در جزئیاتِ پیاده‌سازی است.
👥 برای کی: کسانی که روی training، fine-tuning یا inference مدل‌های بزرگ کار می‌کنند.
🔗 https://nanduruganesh.github.io/flash-msa/
#ai #LLM
@BenFeed
nanduruganesh.github.io
Flash-MSA: Accelerating Million-Token Training With Sparse Attention Kernels
Claude Code sends 33k tokens before reading the prompt; OpenCode sends 7k
مقایسه‌ی token overhead دو ابزار Claude Code و OpenCode قبل از خواندنِ prompt
اندازه‌گیری token overhead این دو ابزار مستقیماً در لایه‌ی API انجام شده. مقاله baseline خام، وزنِ فایل‌های instruction، هزینه‌ی schema در MCP، ضریب subagent و رفتارِ cache-write را زیر ذره‌بین می‌برد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی یک ابزار پیش از خواندنِ اولین prompt شما ۳۳ هزار token می‌سوزاند، هزینه و latency در پروژه‌های واقعی به‌سرعت عدد می‌شود؛ این داده برای انتخاب آگاهانه‌ی ابزار ضروری است.
💡 نکته: بیشترِ این overhead پنهان است — instruction file و MCP schema را اغلب نادیده می‌گیریم، درحالی‌که subagent multiplier می‌تواند آن را چند برابر کند.
👥 برای کی: توسعه‌دهنده‌هایی که با Claude Code، OpenCode یا هر coding agent دیگری در محیط production کار می‌کنند.
🔗 https://systima.ai/blog/claude-code-vs-opencode-token-overhead
#ai #LLM #agent
@BenFeed
مقایسه‌ی token overhead دو ابزار Claude Code و OpenCode قبل از خواندنِ prompt
اندازه‌گیری token overhead این دو ابزار مستقیماً در لایه‌ی API انجام شده. مقاله baseline خام، وزنِ فایل‌های instruction، هزینه‌ی schema در MCP، ضریب subagent و رفتارِ cache-write را زیر ذره‌بین می‌برد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: وقتی یک ابزار پیش از خواندنِ اولین prompt شما ۳۳ هزار token می‌سوزاند، هزینه و latency در پروژه‌های واقعی به‌سرعت عدد می‌شود؛ این داده برای انتخاب آگاهانه‌ی ابزار ضروری است.
💡 نکته: بیشترِ این overhead پنهان است — instruction file و MCP schema را اغلب نادیده می‌گیریم، درحالی‌که subagent multiplier می‌تواند آن را چند برابر کند.
👥 برای کی: توسعه‌دهنده‌هایی که با Claude Code، OpenCode یا هر coding agent دیگری در محیط production کار می‌کنند.
🔗 https://systima.ai/blog/claude-code-vs-opencode-token-overhead
#ai #LLM #agent
@BenFeed
Systima
Claude Code Sends 4.7x More Tokens Than OpenCode Before Reading Your Prompt
Claude Code vs OpenCode token overhead measured at the API boundary. Out-of-the-box baselines, instruction file weight, MCP schema tax, subagent multipliers, and cache-write behaviour.
Show HN: Adaptive Recall, persistent memory for AI assistants over MCP
حافظه‌ی ماندگار برای دستیارهای هوش مصنوعی با Adaptive Recall
سیستم Adaptive Recall یک memory system تطبیقی (در انتظار ثبت patent) برای اپلیکیشن‌های هوش مصنوعی است. ترکیبی از multi-strategy retrieval، cognitive scoring و یادگیری self-improving که با هر query بهتر می‌شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین ضعف‌های agentهای فعلی نبودِ حافظه‌ی بلندمدت و زمینه‌ای‌ست؛ یک لایه‌ی memory که روی MCP سوار می‌شه این مشکل رو بدون تغییر در معماری اصلی حل می‌کنه.
💡 نکته: رویکرد self-improving یعنی سیستم با استفاده‌ی واقعی fine-tune می‌شه — نه با داده‌ی از پیش آماده.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent، دستیارهای شخصی‌سازی‌شده یا اپلیکیشن‌های مبتنی بر LLM کار می‌کنن.
🔗 https://www.adaptiverecall.com/
#ai #LLM #agent
@BenFeed
حافظه‌ی ماندگار برای دستیارهای هوش مصنوعی با Adaptive Recall
سیستم Adaptive Recall یک memory system تطبیقی (در انتظار ثبت patent) برای اپلیکیشن‌های هوش مصنوعی است. ترکیبی از multi-strategy retrieval، cognitive scoring و یادگیری self-improving که با هر query بهتر می‌شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: یکی از بزرگ‌ترین ضعف‌های agentهای فعلی نبودِ حافظه‌ی بلندمدت و زمینه‌ای‌ست؛ یک لایه‌ی memory که روی MCP سوار می‌شه این مشکل رو بدون تغییر در معماری اصلی حل می‌کنه.
💡 نکته: رویکرد self-improving یعنی سیستم با استفاده‌ی واقعی fine-tune می‌شه — نه با داده‌ی از پیش آماده.
👥 برای کی: توسعه‌دهنده‌هایی که روی agent، دستیارهای شخصی‌سازی‌شده یا اپلیکیشن‌های مبتنی بر LLM کار می‌کنن.
🔗 https://www.adaptiverecall.com/
#ai #LLM #agent
@BenFeed
Adaptive Recall
Adaptive Recall - Adaptive Memory for AI Applications
Adaptive Recall is a patent-pending adaptive memory system for AI applications. Multi-strategy retrieval, cognitive scoring, and self-improving learning that gets better with every query.