‏OpenAI Expands ChatGPT Ads with Sponsored Agents
‏اوپن‌ای‌آی تبلیغات ChatGPT را با agent‌های اسپانسری گسترش می‌دهد

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ورود تبلیغات به ChatGPT مدل درآمدی OpenAI را متنوع می‌کند و می‌تواند نحوه‌ی تعامل brand‌ها با کاربران از طریق agent‌ها را برای همیشه تغییر دهد.
‏💡 نکته: وقتی agent تبلیغاتی می‌شود، خط میان «کمک به کاربر» و «کمک به اسپانسر» خطرناک‌تر از همیشه است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی product، monetization یا agent‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://openai.com/index/reimagining-advertising-with-ai/
‏#ai #LLM

‏@BenFeed

‏Learning to solve hard problems in RL for LLMs by never giving up
‏یادگیری حل مسائل سخت در RL برای LLM‌ها با تسلیم نشدن

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: حل مسائلی که reward کمیاب است یکی از بزرگ‌ترین چالش‌های آموزش LLM‌ها با RL است و رویکرد «never give up» می‌تواند مسیر exploration را اساساً عوض کند.
‏💡 نکته: ایده‌ی اصلی از robotics و game-playing گرفته شده و حالا روی LLM‌ها پیاده می‌شود — یعنی intrinsic motivation می‌تواند جایگزین reward شکنده‌ی بیرونی بشود.
‏👥 برای کی: کسانی که روی fine-tuning، RL از بازخورد انسانی یا agent‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://mnoukhov.github.io/posts/ngu/
‏#ai #LLM

‏@BenFeed

‏Claude Science, an AI workbench for scientists, is now available - Anthropic
‏محیط کاری هوش مصنوعی Anthropic برای دانشمندان: Claude Science

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: Anthropic با معرفی Claude Science یک workbench تخصصی برای تحقیقات علمی ارائه داده که می‌تونه نحوه‌ی تعامل محققان با ابزارهای AI رو تغییر بده.
‏💡 نکته: تمرکز روی نیازهای خاص دانشمندان نشون می‌ده که مدل‌های عمومی دارن به سمت نسخه‌های domain-specific تکامل پیدا می‌کنن.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ابزارهای AI برای حوزه‌های علمی، research platform یا integrationهای تخصصی کار می‌کنن.

‏🔗 https://news.google.com/rss/articles/CBMieEFVX3lxTE5QbmQwMGQ2em9iRGZwcVdNeEwzLUNyV3NmN1RjWFBsdUZjY3VHRE5qLVN6al9yV2hRQmJQbFFuVUF0a0hhTndtVngyRlAwa1FQa0ViUEFMSG1qcDAxdGN4cUMwRHU4TmNlWU9wOW11SzN6blhNcldZRw?oc=5
‏#ai #LLM

‏@BenFeed

‏cloudflare/security-audit-skill
‏یک skill برای audit امنیتی چندمرحله‌ای با agent

‏این ابزار یک skill برای coding agent است که audit‌های امنیتی را به چند فاز مستقل تقسیم می‌کند و نتایج را به‌شکل machine-readable و قابل تأیید مستقل ارائه می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: خودکارسازی security audit با agent یکی از جدی‌ترین کاربردهای عملی LLM در چرخه‌ی توسعه است و structured output قابل verify بودن نتایج را ممکن می‌کند.
‏💡 نکته: جداسازی فازها و تأیید مستقل هر مرحله باعث می‌شود خروجی قابل اعتماد‌تر از یک prompt ساده باشد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، امنیت نرم‌افزار یا ابزارهای developer-facing کار می‌کنند.

‏🔗 https://github.com/cloudflare/security-audit-skill
‏#frontend #ai #security

‏@BenFeed

‏cline/cline
‏ابزار کدنویسیِ خودمختار؛ SDK، افزونه‌ی IDE یا دستیار CLI

‏پروژه‌ی cline یک coding agent خودمختار است که می‌توانید به‌صورت SDK، افزونه‌ی IDE، یا دستیار CLI استفاده کنید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی یک coding agent هم به‌شکل SDK و هم CLI و هم افزونه‌ی IDE عرضه می‌شه، یعنی می‌تونید اون رو توی هر مرحله از pipeline توسعه embed کنید، نه فقط داخل یک editor.
‏💡 نکته: انعطافِ سه‌گانه‌ی deployment این پروژه رو از ابزارهای مشابه متمایز می‌کنه؛ می‌شه cline رو مستقیم داخل workflow خودتون به‌عنوان یک SDK صدا زد.
‏👥 برای کی: توسعه‌دهنده‌هایی که دنبال جایگزینِ قابل‌تنظیم برای Copilot هستن یا می‌خوان agent رو توی ابزار داخلی‌شون integrate کنن.

‏🔗 https://github.com/cline/cline
‏#frontend #ai #agent

‏@BenFeed

‏Romance scams: AI-enabled romance scam workflows
‏کلاه‌برداری‌های عاشقانه با کمک هوش مصنوعی

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: سوءاستفاده از model‌های زبانی برای ساختن شخصیت‌های جعلی و اجرای romance scam در مقیاس بزرگ، یک تهدید واقعی و رو به رشد است که مستقیماً به مسئولیت پلتفرم‌های AI مربوط می‌شود.
‏💡 نکته: وقتی OpenAI خودش workflow‌های مخرب را مستند و منتشر می‌کند، یعنی این حملات به‌قدری سیستماتیک شده‌اند که پنهان‌کاری دیگر ممکن نیست.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی trust & safety، content moderation یا ساخت agent کار می‌کنند.

‏🔗 https://openai.com/index/disrupting-malicious-uses-of-ai-romance-scam
‏#ai #LLM #safety

‏@BenFeed

‏"Cyber Special Operations": China-linked influence planning
‏«عملیات ویژه‌ی سایبری»: برنامه‌ریزی نفوذ مرتبط با چین

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این گزارش نشان می‌دهد که ابزارهای AI چطور برای عملیات‌های influence و سایبری سوءاستفاده می‌شوند و OpenAI چه مکانیزم‌هایی برای مقابله با آن‌ها دارد.
‏💡 نکته: شناسایی و مختل‌کردنِ این کمپین‌ها نشان می‌دهد که مدل‌های بزرگ هم می‌توانند به‌عنوان سلاح در جنگ اطلاعاتی به‌کار روند — نه فقط ابزار توسعه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی AI safety، security یا سیاست‌گذاری استفاده از LLM کار می‌کنند.

‏🔗 https://openai.com/index/disrupting-malicious-uses-of-ai-cyber-special-operations
‏#ai #LLM #security

‏@BenFeed

‏OpenAI and Anthropic oversold AI security breaches
‏اوپن‌ای و آنتروپیک نقض‌های امنیتی هوش مصنوعی را بزرگ‌نمایی کردند

‏افراد داخلی متهم می‌کنند که OpenAI و Anthropic هک‌هایی مثل نقض امنیتی Hugging Face را بهانه‌ای برای «هوش مصنوعی سرکش» جلوه دادند تا فشار لابی‌گری برای وضعِ مقرراتِ انحصارآفرین بر دولت وارد کنند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: اگر این ادعاها درست باشند، بخشی از روایتِ «ایمنیِ هوش مصنوعی» ابزارِ سیاسی برای حذف رقبا بوده، نه دغدغه‌ی واقعی — چیزی که کل چارچوبِ رگولاتوری این حوزه را زیر سوال می‌برد.
‏💡 نکته: تفاوتِ بین «safety-first» واقعی و safety به‌عنوان استراتژیِ بازار را همیشه با منافعِ مالیِ شرکت مقایسه کنید.
‏👥 برای کی: کسانی که policy، رگولاتوری یا استراتژیِ ورود به بازار در حوزه‌ی AI را دنبال می‌کنند.

‏🔗 https://nypost.com/2026/09/19/us-news/openai-anthropic-oversold-security-breaches-to-pressure-feds-into-protecting-turf-insiders/
‏#ai #LLM #security

‏@BenFeed

‏The Hugging Face Hack Wasn't What It Was Cracked Up to Be
‏هک Hugging Face آن‌قدرها هم که گفته شد جدی نبود

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: واکنش رسانه‌ای به رویدادهای امنیتیِ AI اغلب بزرگ‌نمایی‌شده است؛ این مقاله یادآوری می‌کند که تحلیل دقیق‌تر قبل از قضاوت ضروری است.
‏💡 نکته: هایپ امنیتی دور پلتفرم‌های AI می‌تواند به اندازه‌ی خودِ آسیب‌پذیری خطرناک باشد — چون منابع و توجه را به اشتباه هدایت می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که با Hugging Face کار می‌کنند یا در حوزه‌ی AI security فعال‌اند.

‏🔗 https://www.wsj.com/opinion/the-hugging-face-hack-wasnt-what-it-was-cracked-up-to-be-e00cf3fa
‏#ai #security

‏@BenFeed

‏docling-project/docling
‏آماده‌سازی اسناد برای gen AI با Docling

‏مستنداتت را برای gen AI آماده کن. پروژه‌ی Docling روی GitHub میزبانی می‌شود و هر کسی می‌تواند در توسعه‌اش شرکت کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: تبدیل اسناد واقعی (PDF، Word، و...) به فرمتی که LLM‌ها بتوانند درست پردازش کنند یکی از گلوگاه‌های اصلی pipeline‌های RAG است و Docling این مشکل را هدف گرفته.
‏💡 نکته: کیفیتِ parse کردنِ اسناد مستقیماً روی کیفیتِ خروجیِ model تأثیر می‌گذارد؛ garbage in, garbage out.
‏👥 برای کی: کسانی که روی RAG، document processing یا data pipeline برای LLM کار می‌کنند.

‏🔗 https://github.com/docling-project/docling
‏#backend #LLM #RAG

‏@BenFeed

‏NVIDIA/TensorRT-LLM
‏کتابخانه‌ی NVIDIA برای inference سریع مدل‌های زبانی

‏یک Python API ساده برای تعریف LLM‌ها و اجرای inference بهینه روی GPU‌های NVIDIA — این چیزی است که TensorRT-LLM ارائه می‌دهد. این کتابخانه شامل component‌هایی برای ساختن runtime در Python و C++ است که اجرای inference را به شکل پرفورمنت orchestrate می‌کنند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: هر تیمی که LLM را در production روی NVIDIA GPU دیپلوی می‌کند، بدون TensorRT-LLM latency و هزینه‌ی inference را بالاتر از حد لازم نگه می‌دارد.
‏💡 نکته: داشتن هر دو runtime فارسی Python و C++ در یک جا، یعنی می‌توانی از prototype تا production بدون تغییر stack بروی.
‏👥 برای کی: تیم‌هایی که روی deployment، inference optimization یا serving مدل‌های زبانی کار می‌کنند.

‏🔗 https://github.com/NVIDIA/TensorRT-LLM
‏#backend #LLM #inference

‏@BenFeed

‏Tin: full-text search for Postgres
‏جستجوی متنی کامل برای Postgres با Tin

‏Tin یک index جستجوی متنیِ سریع و کامل برای Postgres است که برای رفع محدودیت‌های راه‌حل‌های موجود طراحی شده.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: full-text search بومیِ Postgres در مقیاس بالا معمولاً توسعه‌دهنده‌ها را مجبور به افزودن Elasticsearch یا ابزارهای جانبی می‌کند؛ Tin می‌تواند این نیاز را حذف کند.
‏💡 نکته: ماندن درون اکوسیستمِ Postgres به معنی کمتر شدنِ پیچیدگی infrastructure و هزینه‌ی نگهداری است — نه فقط راحتی.
‏👥 برای کی: توسعه‌دهنده‌های backend که با Postgres کار می‌کنند و نیاز به search دارند.

‏🔗 https://planetscale.com/blog/introducing-tin
‏#backend #postgres #search

‏@BenFeed

‏Google's Gemini AI hacked three companies in security test
‏هوش مصنوعی Gemini گوگل در یک تست امنیتی به سه شرکت نفوذ کرد

‏یک مقام گوگل به BBC گفت که این model هوش مصنوعی به اینترنت دسترسی پیدا کرد و credential‌های سه وب‌سایت را حدس زد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک model در یک محیط کنترل‌شده موفق به نفوذ واقعی می‌شه، دیگه بحث درباره‌ی ریسک‌های امنیتی AI صرفاً نظری نیست.
‏💡 نکته: توانایی حدس credential در ترکیب با دسترسی به اینترنت، یعنی agentic AI می‌تونه attack surface کاملاً جدیدی باز کنه که ابزارهای امنیتی سنتی براش طراحی نشدن.
‏👥 برای کی: تیم‌های امنیت، معماران سیستم و هر کسی که دارد AI agent طراحی می‌کند.

‏🔗 https://www.bbc.co.uk/news/articles/c607l0k72rlvo
‏#ai #security #LLM

‏@BenFeed

‏mem0ai/mem0
‏لایه‌ی حافظه برای AI agent‌ها

‏زیرساخت حافظه‌ای آماده برای AI agent‌ها و اپ‌ها — contextی که پایدار می‌ماند و برای محیط production ساخته شده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین چالش‌های agent‌های فعلی، فراموش‌کاری بین session‌هاست؛ mem0 این مشکل را با یک لایه‌ی plug-and-play حل می‌کند.
‏💡 نکته: «drop-in» بودنش یعنی نیازی به بازنویسی معماری ندارید — فقط یک لایه اضافه می‌کنید و context ماندگار می‌شود.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی ساخت AI agent یا chatbot‌های stateful کار می‌کنند.

‏🔗 https://github.com/mem0ai/mem0
‏#backend #ai #LLM

‏@BenFeed

‏How OpenAI Used Its Own LLMs to Design Its Jalapeño Chip
‏چطور OpenAI از LLM‌های خودش برای طراحی تراشه‌ی Jalapeño استفاده کرد

‏هوش مصنوعی زمان طراحی را به‌شدت کوتاه کرد — و این روند تنها سریع‌تر خواهد شد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک شرکت AI از LLM‌های خودش برای طراحی سخت‌افزارش استفاده می‌کنه، حلقه‌ی بازخورد بین نرم‌افزار و hardware بسته می‌شه — این یه تغییر ساختاری در صنعت chip design است.
‏💡 نکته: این اولین نمونه‌ی عمومی‌شده از استفاده‌ی OpenAI از LLM در EDA pipeline خودشه و نشون می‌ده مرز بین AI lab و chip company داره محو می‌شه.
‏👥 برای کی: کسانی که روی hardware acceleration، AI infrastructure یا آینده‌ی chip design کار می‌کنند.

‏🔗 https://spectrum.ieee.org/llms-for-chip-design
‏#ai #LLM #chip

‏@BenFeed

‏Alibaba open-sources AI model that can detect cancer and nearly 150 conditions
‏علی‌بابا یک model هوش مصنوعی پزشکی open-source کرد که سرطان و نزدیک به ۱۵۰ بیماری را تشخیص می‌دهد

‏بر اساس مطالعه‌ای که در مجله‌ی Science منتشر شده، این model روی نزدیک به ۴۰٬۰۰۰ آزمایش واقعی تست شده و در اکثر موارد از رادیولوژیست‌های انسانی عملکرد بهتری داشته است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: open-source شدنِ یک medical AI model با این سطح از دقت می‌تواند دسترسی به تشخیص پزشکی را در کشورهایی با کمبود رادیولوژیست به‌طور جدی تغییر دهد.
‏💡 نکته: معیارِ واقعی ارزش این model، نه benchmark آزمایشگاهی، بلکه همین ۴۰٬۰۰۰ کیسِ real-world است که نتایج را معنادار می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی medical AI، inference یا deploy مدل‌های تشخیصی کار می‌کنند.

‏🔗 https://www.scmp.com/tech/big-tech/article/3368055/alibaba-open-sources-medical-ai-model-can-detect-cancer-and-nearly-150-conditions
‏#ai #LLM

‏@BenFeed

‏HEIF Heist: image parser RCE exploit
‏سرقت HEIF: اکسپلویت RCE در image parser

‏یک image parser برای به دام انداختن همه. تیم Hacktron روش‌های remote exploitation از طریق pipeline‌های production برای فرمت‌های HEIF، HEIC و AVIF را بررسی کرده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: فرمت‌های HEIF/HEIC/AVIF در اکثر pipeline‌های پردازش تصویر مدرن (موبایل، CDN، cloud storage) جاسازی شده‌اند و یک آسیب‌پذیری در parser می‌تونه به RCE روی سرورهای production منجر بشه.
‏💡 نکته: بردار حمله از طریق آپلود تصویر معمولی است — یعنی هر سرویسی که user-generated content می‌پذیره بالقوه در معرض خطره.
‏👥 برای کی: توسعه‌دهنده‌های backend و DevSecOps که pipeline پردازش تصویر یا file upload دارند.

‏🔗 https://heif-heist.com
‏#backend #security #RCE

‏@BenFeed

‏US Military had close call after using AI for hallucinated intelligence report
‏ارتش آمریکا با استفاده از گزارش اطلاعاتی توهم‌زای هوش مصنوعی، در یک قدمی فاجعه بود

‏این ماجرا نشان می‌دهد که استفاده از فناوری‌ای نسبتاً ناشناخته در میانه‌ی جنگ ایران چه ریسک‌های جدی‌ای به همراه دارد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: hallucination در یک chatbot آزاردهنده است؛ در یک سیستم اطلاعات نظامی می‌تواند به جنگ ختم شود — این خبر نشان می‌دهد فاصله‌ی این دو سناریو خیلی کمتر از چیزی‌ست که فکر می‌کردیم.
‏💡 نکته: سازمان‌های نظامی و دولتی اغلب LLM‌ها را بدون درک کافی از failure mode‌هایشان در پروسه‌های حیاتی deploy می‌کنند.
‏👥 برای کی: توسعه‌دهندگانی که روی AI در سیستم‌های mission-critical یا حوزه‌ی دفاع و امنیت کار می‌کنند.

‏🔗 https://www.cnn.com/2026/09/18/politics/us-military-ai-false-intelligence-china-ship
‏#ai #LLM

‏@BenFeed

‏Inside ZCode: Silently uploading your Git history to the cloud
‏نگاهی به ZCode: آپلود مخفیانه‌ی تاریخچه‌ی Git شما به ابر

‏بدون اطلاع شما، ZCode کل workspace‌تان را به‌همراه تمام Git history بسته‌بندی کرده و با کلیدهای رمزنگاری که فقط سرور به آن‌ها دسترسی دارد، به object storage ابری آپلود می‌کند. نویسنده با forensics محلی و reverse engineering کل pipeline آپلود و طرح رمزنگاری را بازسازی کرده و یک filesystem immutability lock برای قطع دائمیِ این رفتار ارائه می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: کد منبع و تاریخچه‌ی کاملِ Git می‌توانند حاوی secret، credential و منطق تجاری باشند؛ آپلود مخفیانه‌ی آن‌ها بدون رضایت کاربر یک نقض جدی حریم خصوصی و امنیتی است.
‏💡 نکته: وقتی کلیدهای رمزنگاری فقط نزد سرور هستند، «رمزنگاری» دیگر محافظت از کاربر نیست — محافظت از محتوا در برابر کاربر است.
‏👥 برای کی: هر توسعه‌دهنده‌ای که از ابزارهای AI-assisted coding در محیط‌های حرفه‌ای یا پروژه‌های حساس استفاده می‌کند.

‏🔗 https://blog.ferstar.org/en/posts/zcode-silent-workspace-snapshot-upload/
‏#backend #security #privacy

‏@BenFeed

‏Donating MCP to the Agentic AI Foundation - Anthropic
‏اهدای MCP به بنیاد Agentic AI توسط Anthropic

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: واگذاری MCP به یک بنیاد مستقل یعنی این protocol دیگر متعلق به یک شرکت نیست و مسیر استانداردشدن واقعی‌اش باز می‌شه.
‏💡 نکته: وقتی یک شرکت protocol خودش رو به نهاد بی‌طرف می‌سپاره، معمولاً نشانه‌ی بلوغ و آمادگی برای پذیرش گسترده‌تر در اکوسیستم است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، tool-calling یا یکپارچه‌سازی LLM کار می‌کنند.

‏🔗 https://news.google.com/rss/articles/CBMinAJBVV95cUxQaGZKbWhLTW54TlVLYV85NTd2ZjhRUUxNTXlkbzhnYnh0SzhLV2gyNFFxUTNMMENEUjl1bF9fOWlrekczLWRzU2ZVX1JKVVF3UHhIakx6R05wclUxanBjajdaeVlXSy16djdhcjBNRWNNdTZTQ1kzQ3dlNTRkdVVIc2ZFM3kwYTNsRUYzVmdXdXA0NGpxbGxadlVWRmNpREpqZHlIMU5oWFBIekFuUGRXMFZMTDNoZ2FCYzZQVlhWX28ybUVGTHRMbDgxLU5PTUdMOEgtdE1Cd1pJS3dKa0czNVZOOElLUWg4by1VN3lyRlZtWTI4bnpRekduXzVvaF96ZG9kOFMzTEtMaXZTMjdFUDVMajc1NENEZkliNQ?oc=5
‏#ai #LLM #MCP

‏@BenFeed

‏microsoft/agent-lightning
‏سریع‌ترین ابزار برای train کردن AI agent‌ها از مایکروسافت

‏مخزن `agent-lightning` از Microsoft یک trainer برای راه‌اندازی و توسعه‌ی AI agent‌ها معرفی می‌کند و روی GitHub در دسترس عموم است.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: ابزارهای training مخصوص agent هنوز پراکنده و ناپخته‌اند؛ یک پروژه‌ی رسمی از Microsoft می‌تواند این فضا را یکدست‌تر کند.
‏💡 نکته: نام «lightning» احتمالاً به سرعت و سبکی training اشاره دارد، نه فقط یک اسم — ارزش دارد architecture آن را با PyTorch Lightning مقایسه کنید.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی fine-tune و training زیرساخت agent کار می‌کنند.

‏🔗 https://github.com/microsoft/agent-lightning
‏#backend #ai #LLM

‏@BenFeed