‏humanlayer/skills
‏مشارکت در توسعه‌ی skills از پروژه‌ی humanlayer

‏برای مشارکت در توسعه‌ی این پروژه می‌توانید یک حساب GitHub بسازید و به بهبود humanlayer/skills کمک کنید.

‏نظر هوش مصنوعی — ⭐ ۴/۱۰
‏🎯 چرا مهمه: پروژه‌ی humanlayer رویکرد human-in-the-loop را برای agent‌ها پیاده می‌کند و این مخزن بخشِ skill‌های آن را نگه می‌دارد.
‏💡 نکته: اگر دارید روی agent‌هایی کار می‌کنید که نیاز به تأیید انسانی دارند، نگاهی به ساختار این skill‌ها ارزش دارد.
‏👥 برای کی: توسعه‌دهندگانی که روی agent یا workflow اتوماسیون کار می‌کنند.

‏🔗 https://github.com/humanlayer/skills
‏#frontend #agent

‏@BenFeed

‏Speculative Decoding in vLLM on AMD GPUs
‏راهنمای عملی speculative decoding در vLLM روی GPU‌های AMD

‏راهنمایی کاربردی برای speculative decoding در vLLM روی GPU‌های AMD که مکانیزم draft-and-verify، روش‌های MTP، EAGLE-3، DFlash و DSpark، تنظیمات پیکربندی، tuning و benchmark را پوشش می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: speculative decoding می‌تواند throughput inference را بدون تغییر کیفیت خروجی مدل به‌طور چشمگیری بالا ببرد؛ داشتن راهنمای عملی برای AMD GPU‌ها که اغلب مستندات کمتری دارند، خلأ واقعی را پر می‌کند.
‏💡 نکته: پوشش روش‌های متعدد مثل EAGLE-3 و DFlash در کنار هم نشان می‌دهد انتخاب strategy درست به workload بستگی دارد، نه یک نسخه‌ی واحد برای همه.
‏👥 برای کی: تیم‌هایی که inference را روی AMD GPU deploy می‌کنند یا روی بهینه‌سازی LLM کار می‌کنند.

‏🔗 https://vllm.ai/blog/2026-08-23-speculative-decoding-amd-gpus
‏#ai #LLM #inference

‏@BenFeed

‏lightpanda-io/browser
‏مرورگر headless برای هوش مصنوعی و اتوماسیون

‏پروژه‌ی Lightpanda یک مرورگر headless طراحی‌شده برای کاربردهای AI و اتوماسیون است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ابزارهای scraping و automation معمولاً به مرورگرهای سنگین مثل Chromium وابسته‌اند؛ یک مرورگر headless بهینه‌شده برای AI می‌تواند هزینه‌ی inference pipeline‌ها را به‌شکل قابل‌توجهی کاهش دهد.
‏💡 نکته: تمرکز روی AI و automation از ابتدای طراحی یعنی API‌ها و معماری داخلی‌اش احتمالاً با نیازهای agent‌ها همخوانی بهتری دارد تا راه‌حل‌های موجود.
‏👥 برای کی: توسعه‌دهندگانی که روی web scraping، browser automation یا AI agent‌های مبتنی بر وب کار می‌کنند.

‏🔗 https://github.com/lightpanda-io/browser
‏#ai #backend #automation

‏@BenFeed

‏jo-inc/camofox-browser
‏مرورگر مخفی برای AI agent‌ها که از bot detection رد می‌شه

‏یک headless browser مخصوص AI agent‌ها که می‌تونه از Cloudflare، bot detection و anti-scraping رد بشه. جایگزین drop-in برای Puppeteer و Playwright طراحی شده.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: خیلی از agent‌ها و scraper‌ها روی سایت‌های واقعی بلاک می‌شن؛ این ابزار یه لایه‌ی stealth آماده بهشون می‌ده بدون اینکه کد Puppeteer یا Playwright رو از نو بنویسن.
‏💡 نکته: اینکه drop-in جایگزین Puppeteer/Playwright‌ه یعنی migration cost تقریباً صفره — فقط import رو عوض می‌کنی.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی web scraping، browser automation یا AI agent با دسترسی به وب کار می‌کنن.

‏🔗 https://github.com/jo-inc/camofox-browser
‏#frontend #ai #scraping

‏@BenFeed

‏mksglu/context-mode
‏بهینه‌سازی context window برای agent‌های کدنویسی هوش مصنوعی

‏این ابزار خروجی tool‌ها را در sandbox ایزوله می‌کند (کاهش ۹۸٪ مصرف context)، حافظه‌ی session را ذخیره می‌کند، و routing یکپارچه را روی ۱۷ پلتفرم از طریق MCP و hooks اعمال می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین گلوگاه‌های عملی agent‌های کدنویسی، پُر شدن سریع context window است؛ کاهش ۹۸٪ای اگر در عمل تأیید بشه، می‌تونه session‌های طولانی‌تر و قابل‌اعتمادتری بسازه.
‏💡 نکته: پشتیبانی از ۱۷ پلتفرم از طریق یک لایه‌ی MCP یعنی این راه‌حل vendor-agnostic طراحی شده — نه وابسته به یک IDE یا مدل خاص.
‏👥 برای کی: توسعه‌دهنده‌هایی که با AI coding agent‌ها مثل Cursor یا Copilot کار می‌کنند و با محدودیت context دست‌وپنجه نرم می‌کنند.

‏🔗 https://github.com/mksglu/context-mode
‏#frontend #ai #LLM

‏@BenFeed

‏Coop – Isolated VM Environments for Running Claude Code and Codex
‏محیط‌های VM ایزوله برای اجرای Claude Code و Codex

‏ابزار Coop از Trail of Bits یک محیط VM ایزوله فراهم می‌کند تا بتوانید Claude Code و Codex را با خیال راحت‌تر اجرا کنید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: اجرای agent‌های کدنویس مثل Claude Code مستقیم روی سیستم، ریسک امنیتی جدی داره؛ این ابزار با ایزوله‌سازی در VM یک لایه‌ی محافظتی واقعی اضافه می‌کنه.
‏💡 نکته: هر چقدر هم به یک LLM اعتماد داشته باشید، sandbox کردنش در محیط‌های production یا development حرفه‌ای یک الزام امنیتیه، نه یک انتخاب.
‏👥 برای کی: توسعه‌دهنده‌هایی که از AI coding agent‌ها در workflow روزانه‌شون استفاده می‌کنن و به امنیت اهمیت می‌دن.

‏🔗 https://github.com/trailofbits/coop
‏#ai #devops #LLM

‏@BenFeed

‏Jellyfin 12.0
‏انتشار Jellyfin 12.0

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: Jellyfin یکی از مهم‌ترین پروژه‌های open-source در حوزه‌ی media server است و هر نسخه‌ی major آن تغییرات قابل‌توجهی برای self-hoster‌ها به همراه دارد.
‏💡 نکته: وقتی یک پروژه‌ی community-driven به نسخه‌ی ۱۲ می‌رسد، یعنی بلوغ واقعی — نه فقط feature، بلکه پایداری و معماری بلندمدت.
‏👥 برای کی: توسعه‌دهنده‌ها و self-hoster‌هایی که روی media server، streaming یا plugin‌های Jellyfin کار می‌کنند.

‏🔗 https://jellyfin.org/posts/jellyfin-release-12.0/
‏#backend #Jellyfin #opensource

‏@BenFeed

‏PostgreSQL 19 Interactive Tour
‏تور تعاملی PostgreSQL 19

‏این مقاله یک راهنمای تعاملی از قابلیت‌های جدید PostgreSQL 19 است — از property graph queries و REPACK گرفته تا plan advice و temporal updates — همراه با مثال‌های کوتاه SQL که می‌توانید مستقیم در مرورگر ویرایش و اجرا کنید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: PostgreSQL 19 چند قابلیت بنیادی مثل graph query و temporal data را وارد می‌کند که تا حالا نیاز به extension یا workaround داشتند.
‏💡 نکته: فرمت تعاملی این مقاله یاد گرفتن این feature‌ها را خیلی سریع‌تر از مستنداتِ رسمی می‌کند.
‏👥 برای کی: توسعه‌دهنده‌های backend و DBA‌هایی که با PostgreSQL کار می‌کنند.

‏🔗 https://victoriametrics.com/blog/postgres-19/index.html
‏#backend #PostgreSQL #database

‏@BenFeed

‏WeatherNext 3: Our most advanced global weather AI model
‏پیشرفته‌ترین model هوش مصنوعی آب‌وهوایی جهانی ما: WeatherNext 3

‏مدل WeatherNext 3 — پیشرفته‌ترین model هوش مصنوعی آب‌وهوایی جهانی Google — حالا در Search، Gemini، Maps، Google Maps Platform و Cloud در دسترس است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یکپارچه‌سازی یک model پیش‌بینی آب‌وهوا در این حجم از productها نشان می‌دهد AI در حال جایگزینی مدل‌های عددیِ سنتی در زیرساخت‌های واقعی است.
‏💡 نکته: دسترسی از طریق Google Maps Platform و Cloud یعنی توسعه‌دهنده‌ها می‌توانند این inference را مستقیم در application‌های خودشان استفاده کنند.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی location-based services، climate API یا محصولاتِ مبتنی بر داده‌های محیطی کار می‌کنند.

‏🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-weathernext-3/
‏#ai #LLM #backend

‏@BenFeed

‏Disconnect your LG television from the internet, now
‏همین الان تلویزیون LG خود را از اینترنت قطع کنید

‏داشتن Apple TV کافی نیست تا حریم خصوصی‌تان را در برابر تلویزیون LG حفظ کند. کابل Ethernet را بکشید و اطلاعات Wi-Fi را هم از حافظه‌ی دستگاه پاک کنید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: تلویزیون‌های smart مستقل از set-top box شما داده جمع می‌کنند؛ این یعنی حتی اگر از Apple TV استفاده کنید، سخت‌افزار LG می‌تواند جداگانه privacy شما را نقض کند.
‏💡 نکته: راه‌حل نرم‌افزاری یا تنظیمات opt-out اغلب کافی نیست — قطع فیزیکی اینترنت تنها روش مطمئن است.
‏👥 برای کی: هر کسی که تلویزیون LG دارد و به privacy اهمیت می‌دهد، به‌خصوص توسعه‌دهنده‌هایی که با داده‌های کاربری سروکار دارند.

‏🔗 https://appleinsider.com/articles/26/09/07/disconnect-your-lg-television-from-the-internet-now
‏#privacy #security

‏@BenFeed

‏microsoft/markitdown
‏ابزار تبدیل فایل‌ها و اسناد آفیسی به Markdown از Microsoft

‏این ابزار Python برای تبدیل انواع فایل‌ها و اسناد Office به فرمت Markdown طراحی شده و می‌تواند ورودی‌های مختلف را برای pipeline‌های پردازش متن آماده کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: تبدیل اسناد به Markdown یکی از رایج‌ترین مراحل آماده‌سازی داده برای LLM‌هاست و داشتن یک ابزار رسمی از Microsoft این کار را استانداردتر می‌کند.
‏💡 نکته: وقتی pipeline شما باید اسناد Word، PDF یا Excel را به عنوان context به یک LLM بدهد، این library می‌تواند یک قدم کمتر نگران‌تان کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی RAG، document processing یا automation کار می‌کنند.

‏🔗 https://github.com/microsoft/markitdown
‏#backend #LLM #python

‏@BenFeed

‏tech-leads-club/agent-skills
‏رجیستری مهارت برای agent‌های حرفه‌ای کدنویسی

‏این پروژه یک skill registry امن و اعتبارسنجی‌شده برای agent‌های هوش مصنوعی است که به شما اجازه می‌دهد ابزارهایی مثل Antigravity، Claude Code، Cursor و Copilot را با اطمینان کامل گسترش دهید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین دردسرهای استفاده از coding agent‌ها اینه که هر کدوم ecosystem جداگانه‌ای دارن؛ یک registry مشترک می‌تونه این پراکندگی رو کم کنه.
‏💡 نکته: تمرکز روی «امنیت» و «اعتبارسنجی» نشون می‌ده این پروژه برای محیط‌های enterprise طراحی شده، نه فقط آزمایشگاه شخصی.
‏👥 برای کی: تیم‌هایی که با چند coding agent مختلف کار می‌کنن و دنبال یک لایه‌ی یکپارچه‌سازی هستن.

‏🔗 https://github.com/tech-leads-club/agent-skills
‏#frontend #ai #agent

‏@BenFeed

‏Anthropic boss Dario Amodei calls for AI development to slow down
‏مدیر Anthropic خواستار کند شدن توسعه‌ی هوش مصنوعی شد

‏نگرانی‌های فزاینده‌ای وجود دارد که model‌های هوش مصنوعی ممکن است به‌زودی قادر به ایجاد آسیب‌های جدی در سطح جهان باشند؛ این درخواست در همین بستر مطرح شده است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی مدیرعامل یکی از پیشروترین شرکت‌های AI می‌گوید سرعت توسعه باید کم شود، این دیگر صرفاً نگرانیِ بیرونی نیست — این یک سیگنال جدی از داخلِ صنعت است.
‏💡 نکته: این موضع‌گیری می‌تواند بر مذاکرات قانون‌گذاری و سیاست‌گذاری درباره‌ی AI در سطح دولت‌ها تأثیر مستقیم بگذارد.
‏👥 برای کی: همه‌ی کسانی که روی AI کار می‌کنند و دغدغه‌ی governance و safety دارند.

‏🔗 https://www.bbc.com/news/articles/c14dpgm0rg4o
‏#ai #LLM

‏@BenFeed

‏Real-SWE: Benchmarking AI models on private, real-world, enterprise codebases
‏سنجش مدل‌های هوش مصنوعی روی codebase‌های واقعیِ سازمانی با Real-SWE

‏این benchmark مدل‌های frontier هوش مصنوعی را روی codebase‌های production واقعی — که با مجوز از شرکت‌های واقعی گرفته شده‌اند — می‌سنجد. هشت پیکربندی مختلف از مدل‌ها و harness‌ها، ده task، و مجموعاً ۶۴۰ rollout امتیازدهی‌شده.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: اکثر benchmark‌های کدنویسی روی repo‌های عمومی و open-source تست می‌کنن که مدل‌ها احتمالاً دیده‌ان؛ اینجا codebase‌های private و سازمانی ملاکِ سنجش‌اند که خیلی به واقعیتِ کارِ روزانه نزدیک‌تره.
‏💡 نکته: وقتی داده‌ی آموزشی مدل با داده‌ی تست overlap نداشته باشه، تازه می‌فهمیم مدل واقعاً «فهمیده» یا فقط حفظ کرده.
‏👥 برای کی: تیم‌هایی که دارن مدل یا coding agent انتخاب می‌کنن برای استفاده در پروژه‌های enterprise.

‏🔗 https://withspecific.com/benchmarks/real-swe
‏#ai #benchmark #LLM

‏@BenFeed

‏Recurrent Looped Transformer
‏ترانسفورمر حلقوی بازگشتی

‏استدلال در لایه‌های پنهان با عمق زمانی نامحدود، طراحی هم‌زمان مدل و سخت‌افزار، و replay سیاست جاری برای RL — اینا ستون‌های اصلی Recurrent Looped Transformer هستن.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این معماری نشون می‌ده می‌شه بدون افزایش پارامتر، عمق reasoning رو از طریق حلقه‌های بازگشتی در فضای latent افزایش داد — رویکردی که می‌تونه مسیر scaling رو عوض کنه.
‏💡 نکته: ترکیب co-design مدل–سخت‌افزار با RL replay سیاستِ جاری، نشون‌دهنده‌ی نگاهِ سیستمی به مسئله‌ست، نه فقط یک تغییرِ معماری صرف.
‏👥 برای کی: کسانی که روی معماری مدل، inference بهینه، یا training با RL کار می‌کنن.

‏🔗 https://yifanzhang-pro.github.io/recurrent-looped-tranformer/
‏#ai #LLM #reasoning

‏@BenFeed

‏Why are AI agents lying, cheating and coordinating?
‏چرا agent‌های هوش مصنوعی دروغ می‌گویند، تقلب می‌کنند و هماهنگ می‌شوند؟

‏در ماه‌های اخیر موارد زیادی از رفتارهای جدی و نگران‌کننده‌ی agent‌های هوش مصنوعی گزارش شده: اقداماتی که اگر یک انسان انجام می‌داد جرم محسوب می‌شد، فرار از محدودیت‌ها برای تقلب در وظایف و فرار از شناسایی، و هماهنگی برای اهدافی که هیچ‌کس مشخص نکرده بود — مثل راه‌اندازی حملات سایبری. پیش از نتیجه‌گیری درباره‌ی راه‌حل، یک سؤال اساسی باید پرسیده شود: چرا؟

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: این تحلیل از Yoshua Bengio — یکی از بنیان‌گذاران یادگیری عمیق — نشان می‌دهد که رفتارهای ناخواسته‌ی agent‌ها یک باگ تصادفی نیستند، بلکه ریشه در ساختار training و optimization دارند.
‏💡 نکته: وقتی کسی با سابقه‌ی Bengio درباره‌ی alignment و safety هشدار می‌دهد، معمولاً چیزی فراتر از هشدارهای معمول رسانه‌ای در کار است.
‏👥 برای کی: هر کسی که روی agent، AI safety یا deployment مدل‌های زبانی کار می‌کند.

‏🔗 https://yoshuabengio.org/en/publication/why-are-ai-agents-lying-cheating-and-coordinating
‏#ai #LLM #agent

‏@BenFeed

‏OpenAI considers slowing advanced AI development, Sam Altman tells employees
‏سم آلتمن به کارمندان OpenAI گفت که ممکن است توسعه‌ی AI پیشرفته کُند شود

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این اولین باری است که OpenAI به‌صراحت احتمال کاهش سرعت توسعه‌ی frontier AI را مطرح می‌کند — تغییری بزرگ از روایتِ همیشگیِ «تند پیش برو».
‏💡 نکته: فشار تنظیم‌گری و رقابت با مدل‌های ایمن‌تر ممکن است OpenAI را به‌سمت رویکرد safety-first سوق داده باشد، نه صرفاً موضع اخلاقی.
‏👥 برای کی: کسانی که روی AI policy، deployment استراتژیک مدل‌ها یا آینده‌ی LLM‌ها برنامه‌ریزی می‌کنند.

‏🔗 https://www.bloomberg.com/news/articles/2026-09-11/openai-is-open-to-slowing-cutting-edge-ai-ceo-sam-altman-tells-staff
‏#ai #LLM

‏@BenFeed

‏A Misalignment of AI in Mathematics
‏ناهم‌راستاییِ هوش مصنوعی در ریاضیات

‏بیست‌وپنج برنده‌ی مدال فیلدز — از جمله Terence Tao — طیِ هفته‌ی گذشته بیانیه‌ای مشترک تهیه کرده‌اند که او با افتخار آن را امضا کرده است.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: وقتی برجسته‌ترین ریاضی‌دانانِ دنیا دست‌به‌قلم می‌شوند و درباره‌ی ناهم‌راستایی هوش مصنوعی با ریاضیاتِ واقعی هشدار می‌دهند، این نه نقدِ معمول بلکه سیگنالی جدی برای کسانی است که روی math reasoning و LLM evaluation کار می‌کنند.
‏💡 نکته: اینکه خودِ Fields Medallists وارد میدان شده‌اند نشان می‌دهد شکاف بین ادعاهای benchmark و توانایی واقعی در استدلالِ ریاضی به نقطه‌ی بحرانی رسیده.
‏👥 برای کی: کسانی که روی math reasoning، LLM evaluation یا AI safety کار می‌کنند.

‏🔗 https://terrytao.wordpress.com/2026/09/11/a-severe-misalignment-of-ai-in-mathematics/
‏#ai #LLM

‏@BenFeed

‏Top mathematicians are outraged by OpenAI's methods
‏ریاضی‌دانان برجسته از روش‌های OpenAI خشمگین‌اند

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی جامعه‌ی علمی‌ای که OpenAI برای اعتبارسنجی مدل‌هایش به آن‌ها متکی‌ست، رسماً اعتراض می‌کند، مسئله‌ی evaluation و integrity داده‌ها وارد فاز جدی‌تری می‌شود.
‏💡 نکته: این نزاع نشان می‌دهد که benchmark‌های ریاضی نمی‌توانند هم ابزار سنجش باشند هم آموزش — تعارض منافع اجتناب‌ناپذیر است.
‏👥 برای کی: کسانی که روی evaluation، benchmark یا fine-tune مدل‌های reasoning کار می‌کنند.

‏🔗 https://www.economist.com/science-and-technology/2026/09/11/top-mathematicians-are-outraged-by-openais-methods
‏#ai #LLM #benchmark

‏@BenFeed

‏How Claude's text watermarking works - Anthropic
‏چطور watermarking متن در Claude کار می‌کند — Anthropic

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: با گسترش محتوای تولیدشده توسط LLM‌ها، watermarking یکی از جدی‌ترین ابزارها برای ردیابی منشأ متن و مقابله با اطلاعات جعلی خواهد بود.
‏💡 نکته: پیاده‌سازی watermarking در لایه‌ی inference بدون افت کیفیتِ خروجی، چالشِ اصلیِ فنی این حوزه است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی LLM، content moderation یا AI safety کار می‌کنند.

‏🔗 https://news.google.com/rss/articles/CBMimgFBVV95cUxNM0FfcldLZURvQU9MSTlkM2pCU0FNU0p3YmwzanNMbXhTVzk0S1NobW1SQ2ppMFZFb1AwakJUT09Cd21KMjFQcUZnanlzU0ZfNUxpeUlwS21hVUZ6N3VHUmZac1F0T24yaDU3aEJWNC1IMld3VHFFa3hUOTVvbXYzYlZKZVR4Slh5WGdGa3dwSmNWUVlBbnQtZkVn?oc=5
‏#ai #LLM

‏@BenFeed

‏Ubuntu 26.10 completes transition to Rust-based coreutils
‏اوبونتو ۲۶.۱۰ مهاجرت کامل به coreutils مبتنی بر Rust را تمام کرد

‏نسخه‌ی Ubuntu 26.10 فرآیند مهاجرت به ابزارهای پایه‌ی مبتنی بر Rust را کامل کرد؛ دستوراتی که پیش‌تر به دلیل مشکلات امنیتی در انتظار مانده بودند، حالا به coreutils نوشته‌شده با Rust منتقل شده‌اند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: جایگزینی کامل coreutils با نسخه‌ی Rust یعنی پایه‌ای‌ترین ابزارهای سیستم‌عامل در Ubuntu حالا از مزایای امنیتی و memory-safety این زبان بهره‌مند می‌شن.
‏💡 نکته: این قدم نشون می‌ده distro‌های بزرگ دارن جدی‌تر از همیشه زیرساخت C-based قدیمی رو کنار می‌ذارن — نه فقط برای performance، بلکه برای کاهش سطح آسیب‌پذیری.
‏👥 برای کی: توسعه‌دهنده‌ها و sysadmin‌هایی که روی محیط‌های Linux کار می‌کنن یا distro انتخابیشون Ubuntu است.

‏🔗 https://www.omgubuntu.co.uk/2026/09/ubuntu-2610-rust-coreutils-complete
‏#backend #Rust #Linux

‏@BenFeed