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.
The State of MCP Security [pdf]
وضعیت امنیت MCP در سال ۲۰۲۶
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: با گسترش سریع MCP به‌عنوان استاندارد ارتباط agentها با ابزارها، شناختِ آسیب‌پذیری‌های امنیتیِ آن برای هر تیمی که در حال build کردن روی این پروتکل است حیاتی است.
💡 نکته: امنیت MCP هنوز در مرحله‌ی اولیه است و همین الان بهترین زمان برای شکل‌دادن به best practiceهاست، نه بعد از وقوع حوادث.
👥 برای کی: توسعه‌دهنده‌هایی که روی MCP server، agent pipeline یا tool integration کار می‌کنند.
🔗 https://www.canopii.dev/State%20of%20MCP%20Security%202026.pdf
#ai #backend #MCP
@BenFeed
وضعیت امنیت MCP در سال ۲۰۲۶
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: با گسترش سریع MCP به‌عنوان استاندارد ارتباط agentها با ابزارها، شناختِ آسیب‌پذیری‌های امنیتیِ آن برای هر تیمی که در حال build کردن روی این پروتکل است حیاتی است.
💡 نکته: امنیت MCP هنوز در مرحله‌ی اولیه است و همین الان بهترین زمان برای شکل‌دادن به best practiceهاست، نه بعد از وقوع حوادث.
👥 برای کی: توسعه‌دهنده‌هایی که روی MCP server، agent pipeline یا tool integration کار می‌کنند.
🔗 https://www.canopii.dev/State%20of%20MCP%20Security%202026.pdf
#ai #backend #MCP
@BenFeed
Migrating a production AI agent to GPT-5.6: 2.2x faster, 27% cheaper
مهاجرت یک AI agent واقعی به GPT-5.6: سریع‌تر ۲.۲ برابر، ارزان‌تر ۲۷٪
چهار ماه هیچ frontier modelای نتوانست Claude Opus را کنار بزند — تا وقتی GPT-5.6 آمد. اینجا migration guideایست که کاش خودمان قبل از مهاجرت داشتیم.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: تجربه‌ی واقعیِ production روی انتخاب model خیلی گویاتر از benchmarkهای آزمایشگاهی‌ست؛ کاهش هم‌زمانِ latency و هزینه برای هر تیمی جدی است.
💡 نکته: اینکه یک تیم ماه‌ها وفادار به Claude Opus بوده و بعد switch کرده، نشان می‌دهد باید evaluation را در production تکرار کرد، نه فقط یک‌بار در ابتدای پروژه.
👥 برای کی: هر کسی که روی ساخت یا نگهداری AI agent در محیط production کار می‌کند.
🔗 https://ploy.ai/blog/migrating-a-production-ai-agent-to-gpt-5-6
#ai #LLM #agent
@BenFeed
مهاجرت یک AI agent واقعی به GPT-5.6: سریع‌تر ۲.۲ برابر، ارزان‌تر ۲۷٪
چهار ماه هیچ frontier modelای نتوانست Claude Opus را کنار بزند — تا وقتی GPT-5.6 آمد. اینجا migration guideایست که کاش خودمان قبل از مهاجرت داشتیم.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: تجربه‌ی واقعیِ production روی انتخاب model خیلی گویاتر از benchmarkهای آزمایشگاهی‌ست؛ کاهش هم‌زمانِ latency و هزینه برای هر تیمی جدی است.
💡 نکته: اینکه یک تیم ماه‌ها وفادار به Claude Opus بوده و بعد switch کرده، نشان می‌دهد باید evaluation را در production تکرار کرد، نه فقط یک‌بار در ابتدای پروژه.
👥 برای کی: هر کسی که روی ساخت یا نگهداری AI agent در محیط production کار می‌کند.
🔗 https://ploy.ai/blog/migrating-a-production-ai-agent-to-gpt-5-6
#ai #LLM #agent
@BenFeed
Ploy
Migrating a production AI agent to GPT-5.6 | Ploy
For four months, no frontier model beat Claude Opus in our production evals. GPT-5.6 did. This is what we learned while migrating.
xAI's Grok Build CLI Uploads Git Repositories to a Google Cloud Bucket
ابزار CLI مخصوص Grok Build از xAI، کل مخازن Git را به یک bucket در Google Cloud آپلود می‌کند
تحلیل ترافیک شبکه نشان داد که coding agent مخصوص xAI، مخازن کامل Git — شامل کدهای خصوصی و secretهای پنهان‌نشده — را به یک bucket ابری آپلود می‌کند. یک روز بعد، این آپلودها بی‌سروصدا متوقف شدند؛ و xAI هیچ توضیحی درباره‌ی دامنه، مدت نگهداری یا حذف داده‌ها نداده است.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: هر توسعه‌دهنده‌ای که Grok Build CLI را روی پروژه‌های خصوصی‌اش اجرا کرده، احتمالاً secretها و کد محرمانه‌اش را ناخواسته در اختیار xAI گذاشته — بدون هیچ اطلاع‌رسانی‌ای.
💡 نکته: توقف خودکارِ آپلودها بدون اعلام رسمی، نشانه‌ی جدی‌تری از وجود مشکل است تا خودِ bug.
👥 برای کی: هر کسی که از Grok Build یا هر coding agent مشابهی در pipeline واقعی استفاده می‌کند.
🔗 https://www.internationalcyberdigest.com/xais-grok-build-cli-uploads-entire-git-repositories-to-a-google-cloud-bucket/
#ai #devops #security
@BenFeed
ابزار CLI مخصوص Grok Build از xAI، کل مخازن Git را به یک bucket در Google Cloud آپلود می‌کند
تحلیل ترافیک شبکه نشان داد که coding agent مخصوص xAI، مخازن کامل Git — شامل کدهای خصوصی و secretهای پنهان‌نشده — را به یک bucket ابری آپلود می‌کند. یک روز بعد، این آپلودها بی‌سروصدا متوقف شدند؛ و xAI هیچ توضیحی درباره‌ی دامنه، مدت نگهداری یا حذف داده‌ها نداده است.
نظر هوش مصنوعی — ⭐ ۹/۱۰
🎯 چرا مهمه: هر توسعه‌دهنده‌ای که Grok Build CLI را روی پروژه‌های خصوصی‌اش اجرا کرده، احتمالاً secretها و کد محرمانه‌اش را ناخواسته در اختیار xAI گذاشته — بدون هیچ اطلاع‌رسانی‌ای.
💡 نکته: توقف خودکارِ آپلودها بدون اعلام رسمی، نشانه‌ی جدی‌تری از وجود مشکل است تا خودِ bug.
👥 برای کی: هر کسی که از Grok Build یا هر coding agent مشابهی در pipeline واقعی استفاده می‌کند.
🔗 https://www.internationalcyberdigest.com/xais-grok-build-cli-uploads-entire-git-repositories-to-a-google-cloud-bucket/
#ai #devops #security
@BenFeed
International Cyber Digest
xAI's Grok Build CLI Uploads Entire Git repositories to a Google Cloud Bucket
A wire-level analysis showed xAI's coding agent uploading full Git repositories, private code and unredacted secrets included, to a company cloud bucket. A day later the uploads silently stopped. xAI has said nothing about scope, retention, or deletion.
MIT's New Method Flags AI Models Trained on CASM Without Generating It
روش جدید MIT مدل‌های AI آموزش‌دیده روی تصاویر سوءاستفاده از کودکان را شناسایی می‌کند — بدون تولید آن‌ها
محققانِ MIT و سازمان Thorn یک probe با دقتِ ۱۰۰٪ ساختند که مدل‌های AI آموزش‌دیده روی CSAM را با بررسیِ کدِ داخلی تشخیص می‌دهد — بدون نیاز به تولید یا دسترسی به هیچ تصویرِ غیرقانونی.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: تا حالا بررسیِ مدل‌ها برای این نوع آلودگی عملاً غیرممکن بود؛ این روش یک ابزارِ حسابرسیِ ایمن و قابل‌استفاده برای پلتفرم‌ها و رگولاتورها فراهم می‌کند.
💡 نکته: بازرسیِ activationهای داخلیِ مدل به‌جای output — رویکردی که می‌تواند برای شناساییِ سایر fine-tuneهای مخرب هم تعمیم داده شود.
👥 برای کی: کسانی که روی AI safety، model auditing یا deployment مدل‌های generative کار می‌کنند.
🔗 https://insideai.news/news/ai-safety/mits-new-method-flags-ai-models-trained-on-child-abuse-imagery-without-generating-it/3869/
#ai #LLM
@BenFeed
روش جدید MIT مدل‌های AI آموزش‌دیده روی تصاویر سوءاستفاده از کودکان را شناسایی می‌کند — بدون تولید آن‌ها
محققانِ MIT و سازمان Thorn یک probe با دقتِ ۱۰۰٪ ساختند که مدل‌های AI آموزش‌دیده روی CSAM را با بررسیِ کدِ داخلی تشخیص می‌دهد — بدون نیاز به تولید یا دسترسی به هیچ تصویرِ غیرقانونی.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: تا حالا بررسیِ مدل‌ها برای این نوع آلودگی عملاً غیرممکن بود؛ این روش یک ابزارِ حسابرسیِ ایمن و قابل‌استفاده برای پلتفرم‌ها و رگولاتورها فراهم می‌کند.
💡 نکته: بازرسیِ activationهای داخلیِ مدل به‌جای output — رویکردی که می‌تواند برای شناساییِ سایر fine-tuneهای مخرب هم تعمیم داده شود.
👥 برای کی: کسانی که روی AI safety، model auditing یا deployment مدل‌های generative کار می‌کنند.
🔗 https://insideai.news/news/ai-safety/mits-new-method-flags-ai-models-trained-on-child-abuse-imagery-without-generating-it/3869/
#ai #LLM
@BenFeed
Inside AI
MIT’s New Method Flags AI Models Trained on Child Abuse Imagery Without Generating It
They found a way to spot AI models built to create child abuse imagery—without ever making a single picture. The accuracy is staggering, and it’s already changing how platforms fight back. But the real shock is how fast this threat has grown.
Show HN: Jacquard, a programming language for AI-written, human-reviewed code
جکوارد: یک زبان برنامه‌نویسی برای کدِ نوشته‌شده توسط AI و بازبینی‌شده توسط انسان
جکوارد یک زبان برنامه‌نویسی کوچک است که برای دنیایی طراحی شده که در آن بیشترِ کد توسط ML modelها نوشته و توسط انسان‌ها review می‌شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش ابزارهای AI coding، طراحیِ زبانی که خوانایی برای انسانِ reviewer را اولویت بداند یک رویکرد تازه و جدی است.
💡 نکته: به‌جای اینکه بپرسیم «AI چطور بهتر کد بنویسد»، این پروژه می‌پرسد «زبانِ برنامه‌نویسی باید چطور باشد تا کدِ AI-generated راحت‌تر audit شود» — زاویه‌ای که کمتر کسی به آن فکر کرده.
👥 برای کی: توسعه‌دهنده‌هایی که روی tooling، زبان‌های برنامه‌نویسی یا workflowهای AI-assisted coding کار می‌کنند.
🔗 https://github.com/jbwinters/jacquard-lang
#ai #backend #LLM
@BenFeed
جکوارد: یک زبان برنامه‌نویسی برای کدِ نوشته‌شده توسط AI و بازبینی‌شده توسط انسان
جکوارد یک زبان برنامه‌نویسی کوچک است که برای دنیایی طراحی شده که در آن بیشترِ کد توسط ML modelها نوشته و توسط انسان‌ها review می‌شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش ابزارهای AI coding، طراحیِ زبانی که خوانایی برای انسانِ reviewer را اولویت بداند یک رویکرد تازه و جدی است.
💡 نکته: به‌جای اینکه بپرسیم «AI چطور بهتر کد بنویسد»، این پروژه می‌پرسد «زبانِ برنامه‌نویسی باید چطور باشد تا کدِ AI-generated راحت‌تر audit شود» — زاویه‌ای که کمتر کسی به آن فکر کرده.
👥 برای کی: توسعه‌دهنده‌هایی که روی tooling، زبان‌های برنامه‌نویسی یا workflowهای AI-assisted coding کار می‌کنند.
🔗 https://github.com/jbwinters/jacquard-lang
#ai #backend #LLM
@BenFeed
GitHub
GitHub - jbwinters/jacquard-lang: Jacquard is a small programming language designed for a regime in which most code is written…
Jacquard is a small programming language designed for a regime in which most code is written by machine-learning models and reviewed by people. - jbwinters/jacquard-lang
Show HN: PlanWright – A control plane for AI coding agents
معرفی PlanWright — یک control plane برای agentهای کدنویسی هوش مصنوعی
برنامه‌ریزی در دورانِ پس از kanban، طراحی‌شده برای agentها. انسان‌ها اهداف را می‌نویسند و Claude Code، Cursor و Codex آن‌ها را تجزیه، اجرا و گزارش می‌کنند. هر تصمیم امضا می‌شود و هر تغییر audit می‌شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش agentهای کدنویسی، مشکل اصلی دیگر توانایی‌شان نیست بلکه قابلیتِ کنترل و نظارت روی آن‌هاست؛ PlanWright دقیقاً همین خلأ را هدف گرفته.
💡 نکته: مفهومِ «هر تصمیم امضاشده» نشان می‌دهد این ابزار به audit trail اهمیت می‌دهد — چیزی که تیم‌های enterprise به‌شدت به آن نیاز دارند.
👥 برای کی: تیم‌هایی که با چند agent کدنویسی به‌صورت موازی کار می‌کنند و به orchestration و نظارت ساختارمند نیاز دارند.
🔗 https://planwright.tools
#ai #backend #LLM
@BenFeed
معرفی PlanWright — یک control plane برای agentهای کدنویسی هوش مصنوعی
برنامه‌ریزی در دورانِ پس از kanban، طراحی‌شده برای agentها. انسان‌ها اهداف را می‌نویسند و Claude Code، Cursor و Codex آن‌ها را تجزیه، اجرا و گزارش می‌کنند. هر تصمیم امضا می‌شود و هر تغییر audit می‌شود.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: با گسترش agentهای کدنویسی، مشکل اصلی دیگر توانایی‌شان نیست بلکه قابلیتِ کنترل و نظارت روی آن‌هاست؛ PlanWright دقیقاً همین خلأ را هدف گرفته.
💡 نکته: مفهومِ «هر تصمیم امضاشده» نشان می‌دهد این ابزار به audit trail اهمیت می‌دهد — چیزی که تیم‌های enterprise به‌شدت به آن نیاز دارند.
👥 برای کی: تیم‌هایی که با چند agent کدنویسی به‌صورت موازی کار می‌کنند و به orchestration و نظارت ساختارمند نیاز دارند.
🔗 https://planwright.tools
#ai #backend #LLM
@BenFeed
planwright.tools
PlanWright — The control plane for autonomous software labor
The control plane for autonomous software labor. Humans set objectives; Claude Code, Cursor, and Codex claim them over MCP and check in through signed, human-gated acceptance.
The real prices of frontier models. Tokens * Price, right?
قیمت واقعیِ مدل‌های frontier — فقط توکن ضربِ قیمت؟
اگر با یک AI coding agent کار می‌کنید، جنسِ کدتان عمدتاً TypeScript است — و دقیقاً همین‌جاست که شکافِ tokenizer بین مدل‌ها بیشترین تأثیر را دارد. همان فایلِ TypeScript روی tokenizer جدیدِ Claude به ۱٬۱۷۸ توکن تبدیل می‌شود، ولی روی `o200k` مربوط به GPT-5.x فقط ۶۸۱ توکن — یعنی ۱.۷۳ برابر بیشتر، حتی قبل از اینکه سراغِ تفاوتِ قیمت بروید. این مقاله همه‌ی tokenizerهای frontier را اندازه گرفته تا نشان دهد چرا معیارِ $/Mtok به تنهایی یک مقایسه‌ی گمراه‌کننده است.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: انتخابِ مدل فقط بر اساسِ قیمتِ اعلام‌شده می‌تواند هزینه‌ی واقعی را تا ۷۳٪ و بیشتر دست‌کم بگیرد؛ این داده برای هر تیمی که AI agent می‌سازد مستقیماً روی بودجه اثر می‌گذارد.
💡 نکته: tokenizer یک لایه‌ی پنهان در معادله‌ی هزینه است که اکثرِ مقایسه‌های قیمتی آن را نادیده می‌گیرند.
👥 برای کی: توسعه‌دهنده‌هایی که روی AI agent، coding assistant یا هر pipeline با خروجیِ TypeScript/JavaScript کار می‌کنند.
🔗 https://playcode.io/blog/real-price-of-frontier-models
#ai #LLM #agent
@BenFeed
قیمت واقعیِ مدل‌های frontier — فقط توکن ضربِ قیمت؟
اگر با یک AI coding agent کار می‌کنید، جنسِ کدتان عمدتاً TypeScript است — و دقیقاً همین‌جاست که شکافِ tokenizer بین مدل‌ها بیشترین تأثیر را دارد. همان فایلِ TypeScript روی tokenizer جدیدِ Claude به ۱٬۱۷۸ توکن تبدیل می‌شود، ولی روی `o200k` مربوط به GPT-5.x فقط ۶۸۱ توکن — یعنی ۱.۷۳ برابر بیشتر، حتی قبل از اینکه سراغِ تفاوتِ قیمت بروید. این مقاله همه‌ی tokenizerهای frontier را اندازه گرفته تا نشان دهد چرا معیارِ $/Mtok به تنهایی یک مقایسه‌ی گمراه‌کننده است.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: انتخابِ مدل فقط بر اساسِ قیمتِ اعلام‌شده می‌تواند هزینه‌ی واقعی را تا ۷۳٪ و بیشتر دست‌کم بگیرد؛ این داده برای هر تیمی که AI agent می‌سازد مستقیماً روی بودجه اثر می‌گذارد.
💡 نکته: tokenizer یک لایه‌ی پنهان در معادله‌ی هزینه است که اکثرِ مقایسه‌های قیمتی آن را نادیده می‌گیرند.
👥 برای کی: توسعه‌دهنده‌هایی که روی AI agent، coding assistant یا هر pipeline با خروجیِ TypeScript/JavaScript کار می‌کنند.
🔗 https://playcode.io/blog/real-price-of-frontier-models
#ai #LLM #agent
@BenFeed
Playcode.io
AI Model Token Cost Benchmark | Playcode Blog
Real token cost of frontier models on the same TypeScript input - Claude Fable 5.1, Opus 5, GPT-5.6, Gemini 3.7 Flash. Tokenizer counts, effective cost.
Alternative(s) to run CUDA on non-Nvidia hardware
اجرای CUDA روی سخت‌افزارِ غیرNvidia
شرکتِ Nvidia بیشتر به‌خاطرِ GPUهایش شناخته می‌شود، اما در دنیای نرم‌افزار هم حرفِ اول را می‌زند — چون CUDA به استاندارد de facto توسعه‌دهندگان AI و HPC تبدیل شده. حالا گروهی از متخصصان CUDA در شرکتِ Spectral Compute دارند تلاش می‌کنند این وابستگی را بشکنند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: قفلِ vendor یکی از بزرگ‌ترین دردسرهای زیرساختِ AI است؛ اگر CUDA روی سخت‌افزارِ غیرNvidia اجرا بشه، رقابت و انعطافِ deployment به‌کل عوض می‌شود.
💡 نکته: مشکل فقط compatibility نیست — اکوسیستمِ libraryها و toolingای که دورِ CUDA ساخته شده چالشِ اصلی‌تر است.
👥 برای کی: کسانی که روی HPC، AI infrastructure یا انتخابِ سخت‌افزار برای training و inference کار می‌کنند.
🔗 https://www.hpcwire.com/2026/07/09/spectral-compute-aims-to-set-cuda-free-will-it-succeed/
#backend #ai #CUDA
@BenFeed
اجرای CUDA روی سخت‌افزارِ غیرNvidia
شرکتِ Nvidia بیشتر به‌خاطرِ GPUهایش شناخته می‌شود، اما در دنیای نرم‌افزار هم حرفِ اول را می‌زند — چون CUDA به استاندارد de facto توسعه‌دهندگان AI و HPC تبدیل شده. حالا گروهی از متخصصان CUDA در شرکتِ Spectral Compute دارند تلاش می‌کنند این وابستگی را بشکنند.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: قفلِ vendor یکی از بزرگ‌ترین دردسرهای زیرساختِ AI است؛ اگر CUDA روی سخت‌افزارِ غیرNvidia اجرا بشه، رقابت و انعطافِ deployment به‌کل عوض می‌شود.
💡 نکته: مشکل فقط compatibility نیست — اکوسیستمِ libraryها و toolingای که دورِ CUDA ساخته شده چالشِ اصلی‌تر است.
👥 برای کی: کسانی که روی HPC، AI infrastructure یا انتخابِ سخت‌افزار برای training و inference کار می‌کنند.
🔗 https://www.hpcwire.com/2026/07/09/spectral-compute-aims-to-set-cuda-free-will-it-succeed/
#backend #ai #CUDA
@BenFeed
HPCwire
Spectral Compute Aims to Set CUDA Free. Will It Succeed? - HPCwire
Nvidia is primarily known as a hardware company thanks to the wild success of its GPUs. But Nvidia is also a force in the world of software, thanks to its CUDA programming language that has become the defacto standard for AI and HPC developers. Now a group…
PostHog/posthog
پلتفرم همه‌کاره‌ی PostHog برای ساخت محصول
پردیس PostHog یک پلتفرم developer محور است که همه چیز را در یک جا جمع کرده: از product analytics و web analytics گرفته تا session replay، error tracking، feature flags، experimentation، surveys، data warehouse، یک CDP، و یک دستیار هوش مصنوعی که کمک می‌کند کدتان را debug کنید، featureها را سریع‌تر ship کنید و تمام داده‌های کاربردی و مشتریان‌تان را در یک stack نگه دارید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: جایگزینِ open-source و self-hostable برای ترکیبی از ابزارهایی مثل Mixpanel، LaunchDarkly و Sentry است که معمولاً به‌صورت جداگانه هزینه‌ی زیادی دارند.
💡 نکته: داشتن analytics، feature flags و error tracking در یک stack مشترک یعنی correlation بین داده‌ها بسیار ساده‌تر می‌شود — چیزی که با ابزارهای پراکنده به‌سختی به دست می‌آید.
👥 برای کی: تیم‌های product engineering که می‌خواهند data stackشان را ساده کنند یا از vendor lock-in فرار کنند.
🔗 https://github.com/PostHog/posthog
#backend #analytics #opensource
@BenFeed
پلتفرم همه‌کاره‌ی PostHog برای ساخت محصول
پردیس PostHog یک پلتفرم developer محور است که همه چیز را در یک جا جمع کرده: از product analytics و web analytics گرفته تا session replay، error tracking، feature flags، experimentation، surveys، data warehouse، یک CDP، و یک دستیار هوش مصنوعی که کمک می‌کند کدتان را debug کنید، featureها را سریع‌تر ship کنید و تمام داده‌های کاربردی و مشتریان‌تان را در یک stack نگه دارید.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: جایگزینِ open-source و self-hostable برای ترکیبی از ابزارهایی مثل Mixpanel، LaunchDarkly و Sentry است که معمولاً به‌صورت جداگانه هزینه‌ی زیادی دارند.
💡 نکته: داشتن analytics، feature flags و error tracking در یک stack مشترک یعنی correlation بین داده‌ها بسیار ساده‌تر می‌شود — چیزی که با ابزارهای پراکنده به‌سختی به دست می‌آید.
👥 برای کی: تیم‌های product engineering که می‌خواهند data stackشان را ساده کنند یا از vendor lock-in فرار کنند.
🔗 https://github.com/PostHog/posthog
#backend #analytics #opensource
@BenFeed
GitHub
GitHub - PostHog/posthog: :hedgehog: PostHog is the leading platform for building self-driving products. Our developer tools –…
:hedgehog: PostHog is the leading platform for building self-driving products. Our developer tools – AI observability, analytics, session replay, flags, experiments, error tracking, logs, and more ...
TS-2026-009: Insecure argument handling in Tailscale SSH permitted root access
مدیریت ناامن آرگومان‌ها در Tailscale SSH دسترسی root را ممکن می‌کرد
اطلاعیه‌های امنیتی مربوط به client و سرویس Tailscale — این صفحه آسیب‌پذیری‌های تأییدشده را طبق سیاست افشا و اطلاع‌رسانی منتشر می‌کند. اگر مستقیماً تحت‌تأثیر یک مشکل امنیتی قرار گرفته باشید و اطلاعات تماستان موجود باشد، تیم Tailscale با شما ارتباط می‌گیرد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: دسترسی ناخواسته به root از طریق SSH یک آسیب‌پذیری جدی است و هر کسی که از Tailscale SSH در محیط production استفاده می‌کند باید فوری بررسی کند.
💡 نکته: باگ‌های argument handling معمولاً ساده به نظر می‌رسند اما تأثیرشان روی privilege escalation می‌تواند بسیار مخرب باشد.
👥 برای کی: تیم‌هایی که از Tailscale SSH برای مدیریت زیرساخت یا دسترسی به سرورها استفاده می‌کنند.
🔗 https://tailscale.com/security-bulletins
#devops #security #Tailscale
@BenFeed
مدیریت ناامن آرگومان‌ها در Tailscale SSH دسترسی root را ممکن می‌کرد
اطلاعیه‌های امنیتی مربوط به client و سرویس Tailscale — این صفحه آسیب‌پذیری‌های تأییدشده را طبق سیاست افشا و اطلاع‌رسانی منتشر می‌کند. اگر مستقیماً تحت‌تأثیر یک مشکل امنیتی قرار گرفته باشید و اطلاعات تماستان موجود باشد، تیم Tailscale با شما ارتباط می‌گیرد.
نظر هوش مصنوعی — ⭐ ۸/۱۰
🎯 چرا مهمه: دسترسی ناخواسته به root از طریق SSH یک آسیب‌پذیری جدی است و هر کسی که از Tailscale SSH در محیط production استفاده می‌کند باید فوری بررسی کند.
💡 نکته: باگ‌های argument handling معمولاً ساده به نظر می‌رسند اما تأثیرشان روی privilege escalation می‌تواند بسیار مخرب باشد.
👥 برای کی: تیم‌هایی که از Tailscale SSH برای مدیریت زیرساخت یا دسترسی به سرورها استفاده می‌کنند.
🔗 https://tailscale.com/security-bulletins
#devops #security #Tailscale
@BenFeed
Tailscale
Security Bulletins · Tailscale
Security notifications affecting the Tailscale client and service Read our incident disclosure and notification policy. If you’re directly affected by a security issue in Tailscale, and we have your contact information, we will contact you.
HKUDS/nanobot
یک AI agent سبک و متن‌باز برای ابزارها، چت‌ها و workflowهایتان
یک AI agent سبک و متن‌باز که برای ادغام با ابزارها، محیط‌های چت و workflowهای شما طراحی شده است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: راه‌اندازی یک agent کارآمد بدون وابستگی به frameworkهای سنگین، یکی از نیازهای رایج تیم‌های کوچک و پروژه‌های سرعت‌بالاست و nanobot این خلأ را هدف گرفته.
💡 نکته: سبک‌بودن (lightweight) معمولاً یعنی قابلیت deploy روی محیط‌هایی که منابع محدود دارند — این برای edge deployment و سرورهای کم‌هزینه مزیت واقعی است.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند یک agent ساده را سریع روی workflow یا ابزار داخلی خود سوار کنند.
🔗 https://github.com/HKUDS/nanobot
#backend #ai #agent
@BenFeed
یک AI agent سبک و متن‌باز برای ابزارها، چت‌ها و workflowهایتان
یک AI agent سبک و متن‌باز که برای ادغام با ابزارها، محیط‌های چت و workflowهای شما طراحی شده است.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: راه‌اندازی یک agent کارآمد بدون وابستگی به frameworkهای سنگین، یکی از نیازهای رایج تیم‌های کوچک و پروژه‌های سرعت‌بالاست و nanobot این خلأ را هدف گرفته.
💡 نکته: سبک‌بودن (lightweight) معمولاً یعنی قابلیت deploy روی محیط‌هایی که منابع محدود دارند — این برای edge deployment و سرورهای کم‌هزینه مزیت واقعی است.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند یک agent ساده را سریع روی workflow یا ابزار داخلی خود سوار کنند.
🔗 https://github.com/HKUDS/nanobot
#backend #ai #agent
@BenFeed
GitHub
GitHub - HKUDS/nanobot: Ultra-lightweight, open-source, self-hosted personal AI agent framework in Python with WebUI, tools, memory…
Ultra-lightweight, open-source, self-hosted personal AI agent framework in Python with WebUI, tools, memory, MCP, multi-agent workflows, automation, and chat apps - HKUDS/nanobot
openinterpreter/openinterpreter
یک coding agent سبک‌وزن برای model های کم‌هزینه
این پروژه یک coding agent است که برای اجرا روی model های کم‌هزینه طراحی شده — نه model های غول‌پیکر گران‌قیمت.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: بیشتر coding agent ها به model های گران‌قیمت وابسته‌اند؛ این ابزار می‌خواهد همان قابلیت را با هزینه‌ای پایین‌تر در دسترس بگذارد.
💡 نکته: وقتی inference ارزان می‌شود، agent های محلی و self-hosted جذاب‌تر می‌شوند — و این پروژه دقیقاً برای آن فضا ساخته شده.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند یک coding agent سبک روی infrastructure خودشان deploy کنند.
🔗 https://github.com/openinterpreter/openinterpreter
#backend #agent #LLM
@BenFeed
یک coding agent سبک‌وزن برای model های کم‌هزینه
این پروژه یک coding agent است که برای اجرا روی model های کم‌هزینه طراحی شده — نه model های غول‌پیکر گران‌قیمت.
نظر هوش مصنوعی — ⭐ ۷/۱۰
🎯 چرا مهمه: بیشتر coding agent ها به model های گران‌قیمت وابسته‌اند؛ این ابزار می‌خواهد همان قابلیت را با هزینه‌ای پایین‌تر در دسترس بگذارد.
💡 نکته: وقتی inference ارزان می‌شود، agent های محلی و self-hosted جذاب‌تر می‌شوند — و این پروژه دقیقاً برای آن فضا ساخته شده.
👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند یک coding agent سبک روی infrastructure خودشان deploy کنند.
🔗 https://github.com/openinterpreter/openinterpreter
#backend #agent #LLM
@BenFeed
GitHub
GitHub - openinterpreter/openinterpreter: A coding agent for open models like Kimi K3 and GLM 5.3
A coding agent for open models like Kimi K3 and GLM 5.3 - openinterpreter/openinterpreter