‏Shredding JSON columns gave Logfire up to 1000x faster queries
‏تکنیک Shredding روی ستون‌های JSON باعث شد query‌های Logfire تا ۱۰۰۰ برابر سریع‌تر بشن

‏تکنیک dynamic shredding باعث شده اکثریت query‌های Logfire هزار برابر سریع‌تر اجرا بشن — و برخی مشتریان early adopter گزارش دادن که بهبود بیش از ۱۰۰۰ برابری در query performance تجربه کردن.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ذخیره‌سازی داده‌های نیمه‌ساختاریافته در ستون‌های JSON یکی از گلوگاه‌های کلاسیک performance در سیستم‌های observability و analytics هست؛ این رویکرد نشون می‌ده می‌شه بدون تغییر schema از طرف کاربر، سرعت رو به‌طور چشمگیری بالا برد.
‏💡 نکته: کلمه‌ی «dynamic» اینجا کلیدیه — shredding به‌صورت خودکار و بدون نیاز به تعریف schema از پیش انجام می‌شه که این رویکرد رو از راه‌حل‌های سنتی جدا می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی backend، observability، یا سیستم‌های analytics با داده‌های JSON کار می‌کنن.

‏🔗 https://pydantic.dev/articles/dynamic-shredding-2026-01-26
‏#backend #database #Logfire

‏@BenFeed

‏Andrej Karpathy breaks down the capability gap
‏آندره‌ی کارپاتی شکاف درک از توانایی‌های LLM را تشریح می‌کند

‏این توییت از آوریل را دوباره مطرح می‌کند چون شکاف در درک مشترک از توانایی‌های LLM دارد بزرگ‌تر می‌شود — دیگر نه «دو گروه که از کنار هم حرف می‌زنند»، بلکه یک قیف تیز است. حساب سرانگشتی می‌گوید حدود ۶ میلیارد نفر (۷۵٪ جمعیت) هنوز تقریباً هیچ تماسی با LLM‌ها نداشته‌اند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی درک از توانایی‌های واقعی LLM‌ها این‌قدر غیریکنواخت باشد، تصمیم‌گیری درباره‌ی product، adoption و سیاست‌گذاری همگی روی پایه‌ی غلط می‌ایستند.
‏💡 نکته: این شکاف یعنی اکثر کاربران بالقوه هنوز در مرحله‌ی «باور» گیر کرده‌اند، نه مرحله‌ی «بهینه‌سازی استفاده» — فرصت یا ریسک بزرگی برای هر کسی که product می‌سازد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی product، onboarding یا developer experience کار می‌کنند.

‏🔗 https://twitter.com/karpathy/status/2109361546505966046
‏#ai #LLM

‏@BenFeed

‏Show HN: Plimsoll, a self-hosted sandbox for code your AI agent writes
‏معرفی Plimsoll: یک sandbox خودمیزبان برای کدی که AI agent می‌نویسد

‏سرویسی برای اجرای کدِ نامعتمدِ تولیدشده توسط agent، که بعد از هر اجرا مشخص می‌کند پشتِ کدام مرز ایزولاسیون کار کرده است. آموزش‌ها بدون نیاز به clone کردن repo در دسترس‌اند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: هر کسی که یک AI agent روی سرورش اجرا می‌کند، ریسک اجرای کدِ دلخواه دارد؛ Plimsoll یک لایه‌ی sandbox قابل self-host اضافه می‌کند و مرز ایزولاسیون را شفاف گزارش می‌دهد.
‏💡 نکته: گزارش‌دهیِ «کدام boundary اجرا شد» برای debugging و audit امنیتی خیلی ارزشمندتر از یک sandbox صرف است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، code execution یا infrastructure امنیتی کار می‌کنند.

‏🔗 https://github.com/plimsollmark/plimsoll
‏#ai #backend #agent

‏@BenFeed

‏SQLAlchemy 2.1.0 Released
‏انتشار SQLAlchemy نسخه‌ی ۲.۱.۰

‏ابزار جامع database برای Python رسماً به نسخه‌ی ۲.۱.۰ رسید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: SQLAlchemy یکی از پرکاربردترین ORM‌ها در اکوسیستم Python است و هر نسخه‌ی minor آن می‌تواند روی پروژه‌های production تأثیر بگذارد.
‏💡 نکته: قبل از upgrade، changelog را بررسی کنید — نسخه‌های ۲.x گاهی breaking change‌های ظریف در رفتار session و mapping دارند.
‏👥 برای کی: توسعه‌دهنده‌های Python که از SQLAlchemy در backend یا data pipeline استفاده می‌کنند.

‏🔗 https://www.sqlalchemy.org/blog/2026/09/24/sqlalchemy-2.1.0-released/
‏#backend #Python #SQLAlchemy

‏@BenFeed

‏Recursive self-improvement through collective intelligence
‏بهبود بازگشتیِ خود از طریق هوش جمعی

‏یک language model که خودش task حل می‌کند، workflow طراحی می‌کند، نتایج را ارزیابی می‌کند و از اجرای multi-agent یاد می‌گیرد — این چیزی است که MASS بررسی می‌کند: بهبود بازگشتیِ خود در عمل.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی یک model هم طراحِ workflow است هم ارزیاب، حلقه‌ی بهبود بدون دخالت انسان می‌چرخد — این مرز بین fine-tuning دستی و یادگیری خودکار را جدی به چالش می‌کشد.
‏💡 نکته: ترکیبِ reasoning، planning و evaluation در یک agent واحد نشان می‌دهد که multi-agent execution نه فقط ابزار موازی‌سازی، بلکه منبعِ داده برای یادگیری است.
‏👥 برای کی: کسانی که روی agent، LLM fine-tuning یا سیستم‌های multi-agent کار می‌کنند.

‏🔗 https://pub.sakana.ai/mass/
‏#ai #LLM #agent

‏@BenFeed

‏I Found a $90k Remote Code Execution Vulnerability in Google
‏کشف یک آسیب‌پذیری ۹۰ هزار دلاری Remote Code Execution در Google

‏یک cookie از نوع Flask روی سایت developers.google.com با یک secret امضا شده بود که همان secret داخل خودِ cookie هم وجود داشت. بیرون کشیدن آن secret، جعل session را به اجرای کد روی هفت دامنه‌ی Google تبدیل کرد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این باگ نشان می‌دهد که یک اشتباه ساده در مدیریت secret — قرار دادن کلید داخل چیزی که با همان کلید امضا می‌شود — می‌تواند به RCE کامل تبدیل شود، حتی روی زیرساخت Google.
‏💡 نکته: مشکل اصلی pickle deserialization در Flask session‌هاست؛ هر کسی که از Flask استفاده می‌کند باید مطمئن شود secret_key هرگز در client-side قابل دسترس نباشد.
‏👥 برای کی: توسعه‌دهنده‌های backend و security engineer‌هایی که با Flask یا هر framework مبتنی بر signed session کار می‌کنند.

‏🔗 https://simonkoeck.com/writeups/google-devsite-flask-session-pickle-rce
‏#backend #security #Flask

‏@BenFeed

‏Why aren't AI companies being charged for hacking?
‏چرا شرکت‌های هوش مصنوعی به خاطر هک کردن تحت پیگرد قانونی نیستند؟

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: scraping داده بدون اجازه از سرورها در بسیاری از تعاریف حقوقی با هک تفاوت چندانی ندارد، ولی شرکت‌های AI تاکنون از این پیگردها مصون مانده‌اند — این خلاء قانونی می‌تواند کل اکوسیستم را تحت‌تأثیر بگذارد.
‏💡 نکته: اگر همان قوانینی که علیه هکرهای معمولی اجرا می‌شود روی شرکت‌های AI اعمال شود، training pipeline اکثر LLM‌ها زیر سؤال می‌رود.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی dataset، scraping یا ساخت محصول مبتنی بر AI کار می‌کنند.

‏🔗 https://mortoray.com/why-arent-ai-companies-being-charged-for-hacking/
‏#ai #LLM

‏@BenFeed

‏Janas: Run LLMs larger than RAM by streaming experts from SSD
‏اجرای LLM‌های بزرگ‌تر از RAM با stream کردن expert‌ها از SSD

‏روی یک لپ‌تاپ ۳۲ گیگابایتی، مدل Qwen3-Next-80B با حجم ۴۸ گیگابایت سرعت ۳۷ توکن در ثانیه می‌دهد — در مقابل ۲.۸ توکن در ثانیه‌ی llama.cpp. پروژه‌ی Janas با معماری pure C و رویکرد streaming expert‌ها از SSD، در مقایسه روی ۱۳ مدل با فرمت Q4_K_M از llama.cpp سریع‌تر است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: اجرای مدل‌های بزرگ بدون GPU گران‌قیمت یا RAM انبوه دیگر یک محدودیت سخت نیست؛ این رویکرد می‌تواند inference محلی را برای توسعه‌دهنده‌های عادی عملی کند.
‏💡 نکته: بازدهی واقعی از معماری MoE می‌آید — به‌جای بارگذاری کل مدل، فقط expert‌های فعال از SSD stream می‌شوند که این ایده در llama.cpp پیاده‌سازی نشده.
‏👥 برای کی: توسعه‌دهنده‌هایی که می‌خواهند LLM‌های بزرگ را روی سخت‌افزار معمولی اجرا کنند.

‏🔗 https://github.com/prabanta-dev/janas
‏#ai #LLM #inference

‏@BenFeed

‏Codex CLI installs a persistent, self-updating background daemon by default
‏نصب خودکارِ daemon پایدار و self-updating توسط Codex CLI — بدون اجازه

‏نسخه‌ی CLI 0.157.0 از Codex که از طریق npm install -g @openai/codex نصب می‌شود، به‌صورت پیش‌فرض یک background daemon راه‌اندازی می‌کند که خودش را هم به‌روز نگه می‌دارد — بدون اینکه از کاربر بپرسد. درخواست کاربران اینه که daemon_auto_start حداقل opt-in باشد یا قبل از شروع یک بار تأیید گرفته شود.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: نصبِ یک process پایدار و self-updating روی سیستم کاربر بدون رضایت صریح، یک نگرانیِ جدیِ امنیتی و حریمِ خصوصی است — مخصوصاً در محیط‌های حساسِ enterprise.
‏💡 نکته: اینکه یک CLI tool بدون اطلاع کاربر daemon نصب کند، مرزِ اعتماد بین developer tool و malware را کمرنگ می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که Codex CLI را روی Linux یا WSL2 نصب کرده‌اند یا قصد دارند.

‏🔗 https://github.com/openai/codex/issues/48195
‏#ai #devops #LLM

‏@BenFeed

‏AI models may be capable of self-replicating without access to a datacenter
‏مدل‌های هوش مصنوعی ممکن است بدون نیاز به datacenter قادر به self-replication باشند

‏مدل‌های کوچک هوش مصنوعی شاید تنها چند ماه دیگر بتوانند روی دستگاه‌های ارزان‌قیمت IoT مثل Android TV box‌ها خودشان را تکثیر کنند — بدون اینکه به هیچ datacenter‌ای نیاز داشته باشند.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: self-replication بدون زیرساخت متمرکز یعنی مدل‌ها می‌توانند فراتر از کنترل‌های معمول گسترش پیدا کنند — این یک تغییر بنیادی در معادلات AI safety است.
‏💡 نکته: وقتی یک مدل می‌تواند روی سخت‌افزار ارزان و پراکنده اجرا و تکثیر شود، مکانیزم‌های containment مبتنی بر datacenter دیگر کافی نیستند.
‏👥 برای کی: همه‌ی کسانی که روی AI safety، edge deployment یا سیاست‌گذاری هوش مصنوعی کار می‌کنند.

‏🔗 https://www.anthropic.com/research/self-replicating-ai
‏#ai #LLM #AISafety

‏@BenFeed

‏Muse Spark Open, the Most Capable US Open‑Weight Model to Date
‏قوی‌ترین open-weight مدل آمریکایی تاکنون: Muse Spark Open

‏مدل Muse Spark Open قوی‌ترین open-weight مدل آمریکایی تا به امروز معرفی شده و قابلیت‌های پیشرفته‌ی agentic را مستقیم روی دسکتاپ و از طریق Apple M5 Ultra Mac Studios در اختیار کاربران می‌گذارد.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: رقابت open-weight مدل‌های آمریکایی داره جدی‌تر می‌شه و اجرای local یک مدل قدرتمند agentic روی سخت‌افزار consumer-grade، مرزِ دسترسی به AI رو جابه‌جا می‌کنه.
‏💡 نکته: تمرکز روی Apple Silicon نشون می‌ده که بهینه‌سازی برای edge inference دیگه یک نکته‌ی فرعی نیست، بلکه بخشِ اصلیِ استراتژی deploy مدل‌های بزرگ شده.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، local inference یا اپلیکیشن‌های مبتنی بر LLM کار می‌کنند.

‏🔗 https://research.meta.ai/blog/muse-spark-open
‏#ai #LLM #agent

‏@BenFeed

‏Anthropic Update on Independent Evaluators
‏به‌روزرسانی Anthropic درباره‌ی ارزیاب‌های مستقل

‏Anthropic به‌روزرسانی‌هایی درباره‌ی نحوه‌ی جاسازی evaluator‌های مستقل در فرآیندهایش اعلام کرد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وجود evaluator‌های مستقل یعنی Anthropic داره نظارت بیرونی روی مدل‌هاش رو جدی می‌گیره — قدمی که اعتماد به AI safety رو ملموس‌تر می‌کنه.
‏💡 نکته: این حرکت فشار بیشتری روی بقیه‌ی شرکت‌های AI می‌ذاره که evaluation‌هاشون رو از داخل به بیرون ببرن.
‏👥 برای کی: کسانی که روی AI safety، evaluation یا governance کار می‌کنن.

‏🔗 https://www.anthropic.com/news/an-update-on-independent-evaluators
‏#ai #LLM

‏@BenFeed

‏TIME has named Google SynthID one of the Best Inventions of 2026.
‏مجله‌ی TIME گوگل SynthID را در فهرست بهترین اختراعات ۲۰۲۶ قرار داد.

‏مجله‌ی TIME تکنولوژی SynthID گوگل را به‌عنوان یکی از بهترین اختراعات سال ۲۰۲۶ انتخاب کرد؛ رویکردی که در زمینه‌ی watermarking و تأییدِ محتوای تولیدشده توسط هوش مصنوعی پیشگام است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: با گسترش محتوای AI-generated، ابزارهایی مثل SynthID برای تشخیص منشأ محتوا به زیرساختِ ضروریِ اینترنت تبدیل می‌شن.
‏💡 نکته: watermarking نامرئی روی متن و تصویر یعنی تشخیصِ محتوای جعلی دیگه نیازی به متادیتای خارجی نداره — این رویکرد اگر جا بیفته، بازیِ content verification رو عوض می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی content moderation، AI safety یا پلتفرم‌های رسانه‌ای کار می‌کنن.

‏🔗 https://blog.google/innovation-and-ai/models-and-research/google-deepmind/synthid-time-best-inventions/
‏#ai #LLM #SynthID

‏@BenFeed

‏C++26 Contracts: Introduction to Preconditions and Postconditions
‏آشنایی با Preconditionها و Postconditionها در C++26 Contracts

‏در مقاله‌ی مربوط به Standard Library hardening، بررسی کردیم که چطور دسترسی نامعتبر به container‌ها و شکستن preconditionها شناسایی می‌شود — و اشاره شد که این الزامات با «contracts» بیان می‌شوند. حالا نوبت کد خودمان است: در این پست با contracts در C++26 آشنا می‌شویم، از یک cassert ساده شروع می‌کنیم، الزام را به داخل تابع منتقل می‌کنیم، و می‌بینیم چطور نتایج را هم می‌توان بررسی کرد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: contracts در C++26 یکی از بزرگ‌ترین اضافه‌های این استاندارد برای نوشتن کدِ defensive و self-documenting است و جایگزین الگوهای پراکنده‌ی assert می‌شود.
‏💡 نکته: داشتن precondition و postcondition به‌عنوان بخشی از signature تابع، مرز بین مسئولیت caller و callee را صریح می‌کند — چیزی که documentation و comment هرگز نمی‌توانستند تضمین کنند.
‏👥 برای کی: توسعه‌دهنده‌های C++ که روی کدبیس‌های بزرگ، کتابخانه‌های عمومی یا سیستم‌های حساس به safety کار می‌کنند.

‏🔗 https://www.cppstories.com/2026/cpp26_contracts/
‏#backend #cpp #contracts

‏@BenFeed

‏Using AI to reverse engineer hardware
‏استفاده از AI برای reverse engineer کردن سخت‌افزار

‏بعد از فوت مادرم، یک جعبه‌ی بزرگ پر از نگاتیو‌های قدیمی به دستم رسید — عکس‌هایی از سفرهای خانوادگی دوران کودکی. تصمیم گرفتم یک اسکنر نگاتیو بخرم و به Plustek 8200i رسیدم...

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: نشون می‌ده AI می‌تونه در reverse engineering سخت‌افزارهایی که driver یا مستندات کافی ندارن واقعاً مفید باشه — مشکلی که خیلی از توسعه‌دهنده‌های Linux باهاش دست‌وپنجه نرم می‌کنن.
‏💡 نکته: این رویکرد می‌تونه شکاف بین سخت‌افزارهای بدون مستندات و پشتیبانی open source رو کم‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی driver، embedded یا Linux hardware support کار می‌کنن.

‏🔗 https://blogs.gnome.org/uraeus/2026/10/15/aiandreverseengineerhardware/
‏#ai #backend #Linux

‏@BenFeed

‏Israeli firm's digital ads enabling installation of 'zero-click' spyware
‏تبلیغات دیجیتال یک شرکت اسرائیلی برای نصب بدافزار جاسوسی «zero-click» استفاده می‌شود

‏محققان دانشگاه Toronto می‌گویند نرم‌افزار Controlium شرکت Discover-Tech به مشتریانش امکان می‌دهد کاربران اینترنت را به‌صورت انبوه پروفایل کنند و سپس مخفیانه به دستگاه‌هایشان نفوذ کنند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: حمله‌ی zero-click از طریق زیرساخت تبلیغاتیِ معمولی یعنی هیچ تعاملی از طرف قربانی لازم نیست — هر دستگاهی که تبلیغ را بارگذاری کند در معرض خطر است.
‏💡 نکته: سوءاستفاده از ad network به‌عنوان بردار حمله، سطح تهدید را از «کلیک روی لینک مشکوک» به «صرفاً آنلاین بودن» می‌رساند.
‏👥 برای کی: توسعه‌دهندگان حوزه‌ی security، privacy و کسانی که روی ad tech یا mobile backend کار می‌کنند.

‏🔗 https://www.theguardian.com/technology/2026/oct/15/israeli-firm-digital-ads-enabling-installation-of-zero-click-spyware-researchers-say
‏#backend #security #spyware

‏@BenFeed

‏Prompt injection in HTTP headers: what 217M web responses show
‏تزریق prompt در HTTP headerها: درس‌هایی از ۲۱۷ میلیون پاسخ وب

‏اسکن Common Crawl ما روی ۲۱۷ میلیون پاسخ وب نشان داد که ۷٬۹۵۹ سایت HTTP headerهایی می‌فرستند که مستقیماً هدفشان AI agentهاست — از این بین، ۳۰ مورد تلاشِ واقعیِ prompt injection بودند. این مقاله محتوای این headerها و روش‌های دفاع از agentها را بررسی می‌کند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: با گسترش AI agentهایی که وب را browse می‌کنند، HTTP header به یک سطح حمله‌ی واقعی تبدیل شده که اکثر تیم‌ها هنوز آن را جدی نمی‌گیرند.
‏💡 نکته: داده‌های واقعی از Common Crawl نشان می‌دهد این تهدید دیگر تئوری نیست — سایت‌ها فعالانه سعی در دستکاری agentها دارند.
‏👥 برای کی: هر کسی که روی AI agent، LLM application یا امنیت backend کار می‌کند.

‏🔗 https://www.signalscorps.com/blog/prompt-injection-in-http-headers/
‏#ai #LLM #security

‏@BenFeed

‏I Deleted 168,000 Lines of Comments. My AI Agent Didn't Notice
‏۱۶۸,۰۰۰ خط کامنت حذف کردم؛ agent هیچ‌چیز متوجه نشد

‏تقریباً یک‌سوم از سورس‌کد ما کامنت بود. همه‌شان را حذف کردم و از یک AI agent خواستم روی هر دو نسخه — با کامنت و بی‌کامنت — سه بار یک‌سری feature یکسان بسازد. کدی که نوشت، در هر دو حالت به یک اندازه خوب بود. اگر روی یک codebase واقعی از agent استفاده می‌کنید و این سؤال برایتان هست که آیا کامنت‌ها اصلاً اهمیتی دارند…

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: این آزمایش یک باور رایج را زیر سؤال می‌برد؛ شاید زمانی که صرف نگه‌داری و به‌روز‌رسانی کامنت‌ها می‌کنید، برای agent‌ها اصلاً ارزش عملی ندارد.
‏💡 نکته: agent‌ها احتمالاً بیشتر از ساختار و نام‌گذاری کد سیگنال می‌گیرند تا از کامنت‌های prose — این یعنی باید اولویت‌بندی مستندسازی را بازنگری کنید.
‏👥 برای کی: هر کسی که با AI agent روی codebase واقعی کار می‌کند یا روی developer tooling تمرکز دارد.

‏🔗 https://openstation.blog/2026/10/13/i-deleted-168000-lines-of-comments-my-ai-agent-didnt-notice/
‏#ai #backend #LLM

‏@BenFeed

‏Linus Torvalds's first LLM-assisted patch series
‏اولین مجموعه patch لینوس توروالدز با کمک LLM

‏در اجلاس Maintainers Summit که اخیراً برگزار شد، لینوس توروالدز اعلام کرد که از یک LLM برای کمک در نوشتن کد استفاده کرده — و حالا آن patch series عملاً منتشر شده است.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی سازنده‌ی kernel لینوکس برای اولین بار LLM را وارد workflow خودش می‌کند، یک سیگنال فرهنگی قوی برای کل جامعه‌ی open-source است.
‏💡 نکته: اینکه توروالدز — که همیشه با skepticism به ابزارهای جدید نگاه کرده — این قدم را برداشته، احتمالاً بیشتر از هر benchmark ای به پذیرش LLM در توسعه‌ی سیستم‌های low-level کمک می‌کند.
‏👥 برای کی: توسعه‌دهنده‌های سیستم، مشارکت‌کنندگان در پروژه‌های open-source و هر کسی که روی AI-assisted coding کار می‌کند.

‏🔗 https://lwn.net/Articles/1100449/
‏#ai #backend #LLM

‏@BenFeed

‏Show HN: Building an LLM from Scratch in TypeScript
‏ساختن یک LLM از صفر با TypeScript

‏راهنمای ساخت large language model از صفر در محیط NodeJS.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: فهمیدن مکانیزم درونی LLM‌ها برای هر توسعه‌دهنده‌ای که باهاشون کار می‌کنه ضروریه، و این guide اون رو با ابزارهای آشنای JavaScript ecosystem ممکن می‌کنه.
‏💡 نکته: پیاده‌سازی با TypeScript به جای Python، باریرِ ورود رو برای frontend و fullstack developerها به شکل قابل‌توجهی پایین می‌آره.
‏👥 برای کی: توسعه‌دهنده‌های JavaScript/TypeScript که می‌خوان از سطح API‌بازی به درک واقعی LLM برسن.

‏🔗 https://book.humanexperiences.io/
‏#ai #LLM

‏@BenFeed

‏Pg_vectorsearch: An index that is faster than pgvector's IVFFlat and HNSW
‏یک index سریع‌تر از IVFFlat و HNSW در pgvector

‏جست‌وجوی vector با کارایی بالا برای PostgreSQL — این چیزی است که پروژه‌ی `pg_vectorsearch` از Timescale دنبال می‌کند و ادعا می‌کند از دو index اصلیِ pgvector یعنی IVFFlat و HNSW سریع‌تر است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: بسیاری از تیم‌ها برای vector search همچنان روی PostgreSQL می‌مانند و هر بهبودی در سرعتِ index مستقیماً روی latency جست‌وجوی semantic و RAG pipeline تأثیر می‌گذارد.
‏💡 نکته: رقابت با index‌های بومیِ pgvector نشان می‌دهد که این فضا هنوز اشباع نشده و extension‌محوری می‌تواند جایگزینِ ابزارهای اختصاصی vector database شود.
‏👥 برای کی: توسعه‌دهنده‌هایی که RAG یا vector search را روی PostgreSQL پیاده می‌کنند.

‏🔗 https://github.com/timescale/pg_vectorsearch
‏#backend #database #vectorsearch

‏@BenFeed