البته اینو هم بگیم که بهترین راه اینه که از https://notebooklm.google.com برای تحقیقات و مقاله استفاده کنید .
که چیز خاصی هم نمیخواد یه گوگل پرو میخواد و یه VPN خوب که زیاد برای لودش الاف نشوید.

اسم پردازنده لپ‌تاپ رو چطور بخونیم؟

مثلاً: Core i7-13620H

بخش Core i7 رده پردازنده؛ هرچه رده بالاتر باشد معمولاً توان پردازشی بیشتری دارد، اما نسل و مدل هم مهم‌اند.

13 نسل پردازنده؛ نسل جدیدتر معمولاً بهینه‌تر و سریع‌تر است.

620 شماره مدل؛ برای مقایسه پردازنده‌های هم‌نسل به کار می‌رود.

بخش H سری پردازنده؛ نشان‌دهنده عملکرد بالاتر و مناسب لپ‌تاپ‌های قدرتمند است.

اره خلاصه می‌خواستین بخرین اگر دیگه پیدا شد و پولش هم بود به کل اسم دقت کنین و راجب هر بخش اسم تحقیق کنین چون اثر زیادی روی قدرت سیپیو داره

وقتی اطلاعات در شبکه جابه‌جا می‌شوند، معمولاً از یکی از دو پروتکل TCP یا UDP استفاده می‌کنند. هرکدام برای کاربردهای خاصی طراحی شده‌اند.
🔹 TCP (Transmission Control Protocol) قبل از ارسال داده، ارتباط بین مبدا و مقصد را برقرار می‌کند و مطمئن می‌شود همه بسته‌ها سالم و به ترتیب به مقصد رسیده‌اند.

✅ قابل اعتماد
✅ کنترل خطا
✅ ترتیب صحیح داده‌ها

📌 کاربردها: وب‌گردی (HTTP/HTTPS)، ایمیل، دانلود فایل و FTP
🔸 UDP (User Datagram Protocol) داده‌ها را بدون برقراری اتصال و با حداقل سربار ارسال می‌کند. سرعت بالاتری دارد اما تضمینی برای رسیدن همه بسته‌ها وجود ندارد.

✅ سرعت بالا
✅ تأخیر کم
✅ مناسب ارتباطات لحظه‌ای
📌 کاربردها: استریم ویدئو، بازی‌های آنلاین، تماس صوتی (VoIP) و DNS

💡 یک مثال ساده:
TCP مثل ارسال بسته پستی سفارشی است؛ رسید دریافت می‌کنی و مطمئن هستی بسته رسیده است.
UDP مثل پخش زنده مسابقه فوتبال است؛ سرعت مهم‌تر از این است که...

@bluelearnmp

با GPT-6 Astra چطور باید کار کنیم؟

شرکت OpenAI یک مقاله منتشر کرده که یک نکته‌ی مهم دارد با مدل‌های جدید، روش قدیمیِ یک پرامپت خیلی طولانی بنویس و تک‌تک حرکات مدل را مشخص کن دیگر لزوماً بهترین روش نیست. GPT-6 Astra بیشتر شبیه یک همکار حرفه‌ای طراحی شده؛ بنابراین بهتر است به‌جای توضیح دادنِ تک‌تک قدم‌ها، هدف، محدودیت‌ها و خروجی موردنظر را مشخص کنیم و اجازه بدهیم خودش مسیر انجام کار را پیدا کند.

چند نکته‌ی مهم از راهنمای OpenAI:

هدف را واضح بگو، نه اینکه همه‌چیز را دیکته کنی.
اگر می‌خواهی یک کار کامل انجام شود، صریح بگو تا رسیدن به نتیجه ادامه بدهد.

برای کارهای پیچیده، مدل را بیش از حد کنترل نکن. Astra در دنبال‌کردن دستورها و انجام workflowهای چندمرحله‌ای قوی‌تر شده و می‌تواند خودش تصمیم بگیرد چه مراحلی لازم است.

اگر نمی‌خواهی وسط کار متوقف شود، این را مشخص کن.
مدل جدید نسبت به قبل بیشتر ممکن است وقتی ابهامی ببیند سؤال بپرسد. اگر می‌توانی، به آن اجازه بده از اطلاعات موجود فرض‌های منطقی بسازد و کار را جلو ببرد.

در Skillها و فایل‌های دستورالعمل را جدی بگیر. Astra نسبت به دستورهایی که داخل فایل‌هایی مثل "AGENTS.md" یا Skillها قرار دارند حساس‌تر است. پس اگر پروژه‌تان Skillهای زیادی دارد، حتماً آن‌ها را audit کنید.

سبک خروجی را دقیق مشخص کن.
Astra به‌صورت پیش‌فرض تمایل بیشتری به پاسخ‌های مفصل، ساختاریافته، لیست و Markdown دارد. اگر خروجی ساده و روان می‌خواهید، این را در دستور مشخص کنید.

برای کارهای چندعاملی، delegation را صریح کنید.
اگر workflow شما از چند agent استفاده می‌کند، مشخص کنید چه زمانی مدل باید کار را بین agentها تقسیم کند و چه میزان موازی‌سازی مطلوب است.

در coding، بیش‌ازحد تست نکن Astra تمایل دارد قبل از تمام‌شده اعلام کردن کار، تست‌های زیادی انجام دهد. برای تغییرات کوچک و کم‌ریسک، بهتر است سطح verification موردنیاز را مشخص کنید.

خلاصه‌ی ماجرا هرچه مدل توانمندتر می‌شود، پرامپت خوب کمتر شبیه لیست دستورهای ریز و بیشتر شبیه تعریف دقیق مسئله، هدف و معیار موفقیت می‌شود.

یعنی به‌جای:

«اول این کار را بکن، بعد این فایل را باز کن، بعد این کار را انجام بده...»

بیشتر برویم سمت:

«این مسئله را حل کن. این محدودیت‌ها را رعایت کن. خروجی باید این ویژگی‌ها را داشته باشد. تا رسیدن به نتیجه ادامه بده.»

این تغییر کوچک در نحوه‌ی Prompt کردن، می‌تواند تفاوت بزرگی در استفاده از مدل‌های نسل جدید ایجاد کند.

مقاله‌ی اصلی و کامل OpenAI

@bluelearnmp

🦀 گیت‌هاب برای نوشتن کد از Copilot کمک گرفت؛ حالا Copilot خودش هم با Rust بازنویسی شده! 😶

شاید اولش یکم عجیب به نظر بیاد، ولی ماجرا واقعیه!

💻 تیم GitHub تصمیم گرفت بخش بزرگی از Runtime مربوط به GitHub Copilot رو از نو با زبان Rust پیاده‌سازی کنه؛ پروژه‌ای که حدود ۸۰۰ هزار خط کد داشت.

🤖 اما نکته جالب اینجاست که برای انجام این مهاجرت، خودِ Copilot هم به برنامه‌نویس‌ها کمک کرده.

یعنی AI فقط برای ساختن چندتا تابع ساده استفاده نشده؛ اینجا پای یک پروژه بزرگ و واقعی وسط بوده و Copilot در بررسی و تغییر حجم زیادی از کدها نقش داشته.

🦀 چرا Rust؟
زبان Rust به‌خاطر عملکرد بالا قابلیت‌های مربوط به Memory Safety برای ساخت نرم‌افزارهای زیرساختی انتخاب جذابیه؛ مخصوصاً جایی که پایداری و کارایی اهمیت زیادی دارن.

ولی قسمت هیجان‌انگیز داستان اینه:
اگه AI بتونه در پروژه‌هایی با صدها هزار خط کد هم نقش جدی داشته باشه، برنامه‌نویسی چند سال دیگه چه شکلی میشه؟ 👀

به نظر می‌رسه دوره‌ای که AI فقط «کد پیشنهاد می‌داد» داره کم‌کم به دوره‌ای تبدیل میشه که برنامه‌نویس و AI کنار هم پروژه‌های بزرگ رو جلو می‌برن.

🔗لینک خبر

@bluelearnmp

اگه با AI Agentها کار میکنید، TeleDOM میتونه جالب باشه.

یه ابزار متن‌باز برای اتوماسیون مرورگره که بیش از ۳۵۰ ابزار MCP در اختیار Agentها میذاره؛ از کلیک و استخراج اطلاعات گرفته تا اجرای Workflowهای قابل تکرار.

https://github.com/IrMaho/TeleDOM

@blelearnmp

اکانت هوش مصنوعی جمنای پرو | Google AI Pro

زمان: 18 ماهه
5 ترابایت فضای ابری گوگل
1000 توکن ماهانه Google Flow
دسترسی به Gemini Advanced (مدل پرو با لیمیت کمتر)
پردازش فایل‌های حجیم با پنجره متنی یک میلیون توکنی
ادغام هوش مصنوعی در Gmail، Docs، Drive، Meet، Sheets، Vids، Slides
دسترسی به قابلیت Deep Research (پژوهش عمیق)
تولید حرفه‌ای تصویر و ویدیو با مدل‌های پیشرفته

در صورت غیرفعال شدن پلن در6 ماه اول، یک بار اکانت جایگزین تحویل داده میشه و اگر امکان جایگزینی نبود، 50 درصد مبلغ پرداختی به شما برگشت داده میشه.

برای سفارش پیام دهید:
@Mostafamaghul

چت‌بات‌های هوش مصنوعی رو به دستیار اختصاصی سیستمتون تبدیل کنید!

پروژه Dana یک MCP Server متن‌باز و سلف‌هاستد با Pythonه که ابزارهایی مثل Claude، ChatGPT و Grok رو به سیستم شما متصل میکنه.

با کمک Tailscale، هوش مصنوعی میتونه مستقیماً با فایل‌ها، کدها، Docker، دیتابیس، تست‌ها و حتی مرورگر کار کنه؛ ضمن اینکه با مدیریت کانتکست و کش، مصرف توکن رو هم کاهش میده.

https://github.com/seyed-ali-002/Dana-MCP-Server

@bluelearnmp

اسکیل Claude Capability Bridge

شاید شما هم متوجه این شدین که وقتی از هارنس کلاد استفاده میکنین(از طریق ساخت کومبو با 9Router)

چون مدل هاش مدل های اختصاصی انتروپیک نیستن انگار با فضای کلاد دستکاپ غریبه ان و نمیدونن چه تول هایی داره یا اصلا بدونن نمیتونن خوب کال کننش یا ازش درست استفاده کنن

من این مشکل رو حل کردم اونم فقط با ی اسکیل!

https://github.com/Abolfazlshahi/claude-capability-bridge-skill

یه بار فیلم بگیر، همزمان برای ریلز و یوتیوب🎥 آماده‌ش کن اپلیکیشن DualCam کمک میکنه دیگه مجبور نباشی ویدیو رو دوبار، افقی و عمودی ضبط کنی. وقتی باهاش فیلم برداری میکنی دوتا فیلم ضبط میکنه یکی افقی و یکی عمودی کاملا رایگانه و پرداخت درون‌ برنامه‌ای هم نداره فقط موقع نصب دسترسی به گالری رو فعال کن تا ویدیوها ذخیره بشن☄️
@bluelearnmp

اگه باز جنگ شد و نتا رفت …😭😭😭
بله رو داشته باشید 😭👇🏻

ble.ir/join/99DETsPpax

🧠 اگر کسب و کار دارید این هوش مصنوعی ها قطعا به کارتون میان

#هوش_مصنوهی #Ai #سایت #کاربری

🖥 مهندس شبکه VS مهندس ابری ☁️

مهندس شبکه بیشتر مسئول اینه که ارتباط بین سیستم‌ها، سرورها و کاربران درست و پایدار برقرار
باشه؛ ولی مهندس ابری تمرکزش روی ساخت و مدیریت زیرساخت‌هایی هست که داخل Cloud اجرا میشن.

🔵 مهندس شبکه | Network Engineer
🔹 وظایف اصلی: • طراحی و پیاده‌سازی زیرساخت شبکه

• پیکربندی روتر، سوئیچ و فایروال

• مانیتورینگ و عیب‌یابی شبکه

• تأمین امنیت و پایداری ارتباطات

🔹 مسئولیت‌ها: • نگهداری زیرساخت شبکه
• مدیریت کاربران و دسترسی‌ها

• رفع مشکلات شبکه و قطعی‌ها

• مستندسازی و برنامه‌ریزی ظرفیت
🔹 ابزارها و سرویس‌ها: Cisco، MikroTik، Juniper
Wireshark، PRTG، SolarWinds
SNMP، Syslog، VPN، VLAN
Firewall، IDS/IPS، Load Balancer

🔹 مهارت‌های مهم: TCP/IP، Routing & Switching
امنیت شبکه و فایروال
VPN و مانیتورینگ
عیب‌یابی و پروتکل‌های شبکه
🔹 عیب‌یابی: بررسی اتصال و مسیر ارتباطی
تحلیل ترافیک و لاگ‌ها
بررسی مشکلات DNS و IP
رفع مشکلات لایه‌های مختلف OSI
🔹 فرمان‌ها: ping، traceroute
nslookup
دستورات Cisco IOS و RouterOS
اسکریپت‌نویسی Python و Bash

🟠 مهندس ابری | Cloud Engineer
🔸 وظایف اصلی: • طراحی معماری زیرساخت ابری
• پیاده‌سازی سرویس‌های Cloud
• خودکارسازی زیرساخت با IaC
• مدیریت امنیت، هزینه و دسترسی‌ها

🔸 مسئولیت‌ها: • ایجاد سرویس‌های ابری پایدار و امن
• مدیریت منابع و سرویس‌ها
• بهینه‌سازی هزینه‌ها
• مدیریت پشتیبان‌گیری و بازیابی

🔸 ابزارها و سرویس‌ها: AWS، Microsoft Azure، Google Cloud
Terraform، CloudFormation، Ansible

Docker، Kubernetes، CI/CD
CloudWatch، Azure Monitor، GCP Monitoring

🔸 مهارت‌های مهم: معماری Cloud و سرویس‌های ابری
Cloud Networking و IAM
امنیت Cloud
Python و Bash
DevOps و Automation

🔸 عیب‌یابی: بررسی Logها و Metrics
تحلیل عملکرد سرویس‌ها

بررسی Network و Security Group
عیب‌یابی سرویس‌ها و اسکریپت‌ها

🔸 فرمان‌ها / IaC: AWS CLI، Azure CLI، gcloud
Terraform و CloudFormation
Ansible و Pulumi
اسکریپت‌ها و Templateها

🔥 در نهایت کدوم مسیر بهتره؟

اگه عاشق روتر، سوئیچ، VLAN، Routing، فایروال و کار با شبکه واقعی هستی، مسیر Network Engineering می‌تونه خیلی مناسب باشه.

اگه بیشتر به Cloud، اتوماسیون، لینوکس، Docker، Kubernetes، Terraform و DevOps علاقه داری، Cloud Engineering انتخاب جذاب‌تریه.

و البته این دوتا کاملاً جدا از هم نیستن؛ اتفاقاً یک Cloud Engineer قوی باید شبکه رو خوب بفهمه و یک Network Engineer امروزی هم بهتره با Cloud و Automation آشنا باشه.

🚀 مسیرها متفاوتن؛ ولی هدف مشترکه: ساخت زیرساختی پایدار، امن و قابل اعتماد.
@Netwo0rk

کاسپین؛ تبدیل سیستم شما به گیتوی وایفای مجهز به دورزدن فیلترینگ و ضد DPI

این ابزار متن‌باز سیستم‌عامل‌های ویندوز، مک، لینوکس یا رزبریپای را به هاتاسپات وایفای تبدیل میکند تا اینترنت آزاد را بدون نیاز به نصب نرم‌افزار اضافی، روی تمام دستگاه‌های خانگی مانند تلویزیون هوشمند و کنسول بازی به اشتراک بگذارید.

https://github.com/Iman/caspian

زندگی یک دکمه در گذر زمان

Canval
یک اپ دسکتاپ ویندوزیه که ترمینالهای واقعی CLI و یادداشتها رو روی یک بوم بینهایت میچینه؛ هر کارتی رو میتونی جابجا کنی، اندازهش رو با درگ تغییر بدی و کنار هم بچینی — مثل یه میزکار واقعی برای دستیارهای هوش مصنوعی.

امکانات:
بوم بینهایت با پن، زوم، جابجایی و تغییر اندازهٔ آزاد کارتها
یادداشت با قابلیت اتصال به ترمینالها
پشتیبانی از دستیارهای هوش مصنوعی مثل openCode، Gemini CLI، Kilo، Cline، Codex و Claude Code
چندتاشون حتی دسترسی رایگان به مدل دارن
رابط کاربری با تم ویندوز ۱۱

https://github.com/Code-Leafy/Canvas

پلاگینی برای AI coding agent ها که جلوی over-engineering رو می‌گیره و وادارشون می‌کنه قبل از نوشتن کد، دنبال ساده‌ترین راه‌حل ممکن بگردن.

مثلاً به‌جای نصب یک کتابخانه برای date picker، اگر <input type="date"> کار رو راه میندازه، همون رو استفاده می‌کنه.

https://github.com/DietrichGebert/ponytail

@bluelearnmp

🎧 یه موضوع جالب برای اونایی که با مدل‌های زبانی و زیرساخت AI سروکار دارن:
مدیریت حافظه گرافیکی در استقرار مدل‌های زبانی
یه فایل صوتی کوتاه آماده کردم و گذاشتم روی سایت که اگر به مباحث فنی، AI و چیزهایی که پشت پرده اجرای مدل‌ها اتفاق می‌افته علاقه دارید، می‌تونید گوشش بدید.
و این تازه شروعشه... 👀
قراره کم‌کم از این جنس محتواها، تجربه‌ها و نکات فنی بیشتری رو اینجا باهاتون به اشتراک بذارم.
اگه این موضوعات برات جالبه، یه سر بهش بزن.
شاید چیزای جالب‌تری هم در راه باشه. 🚀

داخل سایت من میتونی دانلودش کنی، امیدوارم که دوست داشته باشی.

@skillswap_ir

چرا باید برای یه پروژه ۲ هفته‌ای، ۱۵۰ میلیون تومن به کیس RTX 4080 پول بدی؟!

فرض کن دانشجوی معماری هستی، تدوین‌گری، یا مدل هوش مصنوعی ران می‌کنی. پروژه‌ت فقط ۱۰ روز کار سنگین داره، لپ‌تاپت کم میاره و بودجه خرید هم نداری.
حالا اون طرف قضیه: کلی آدم توی همین شهر یه غول سخت‌افزاری گوشه اتاقشون دارن که روزی چند ساعت بیشتر روشن نیست و داره خاک می‌خوره.

ما این دو تا رو با بیمه، تست سلامت قطعات و تضمین کامل به هم وصل کردیم:
«سخت‌افزار قوی رو فقط برای روزهایی که واقعاً لازمش داری بردار.»
یا اگه سیستم داری، بذار وقتی خوابی برات درآمد بسازه.

نسخه آزمایشی پلتفرم بالا اومده، ببینید چطوری کار می‌کنه:
rentsys.ir