دوستان سؤال می‌کنن چطور می‌تونیم AI Engineer بشیم؟

به نظرم مسیر رو از Python، ساختمان داده‌ها و الگوریتم‌ها شروع کنید. بعد برید سراغ ریاضیات موردنیاز، مثل جبر خطی، احتمال و آمار.

و در گام برید سراغ یادگیری ماشین با Scikit-learn و یادگیری عمیق با PyTorch.

در ادامه، کار با LLMها، معماری Transformer، Embedding، RAG، پایگاه داده‌های برداری و ارزیابی مدل‌ها رو یاد بگیرید. در نهایت هم روی استقرار مدل‌ها، بهینه‌سازی هزینه و سرعت، MLOps و ساخت سیستم‌های هوش مصنوعی در مقیاس واقعی تمرکز کنید.

صرفاً کار با API یا فریم‌ورک‌های آماده شما رو به مهندس هوش مصنوعی تبدیل نمی‌کنه.

پ.ن: چیزی که اهمیت داره، درک مبانی و توانایی طراحی، ارزیابی و پیاده‌سازی یک سیستم قابل‌اعتماده.


#Ai
#AgenticAI

به نظرم مقایسه‌ی Codex و Claude Code فقط بر اساس کیفیت مدل‌ها، معیار کاملی نیست. چیزی که برای من اهمیت بیشتری داره، نحوه‌ی تعامل با ایجنت، مدیریت Context و میزان کنترل روی فرایند توسعه‌ست.

ممکنه بهترین مدل رو در اختیار داشته باشی، اما وقتی دستورالعمل‌های پروژه به‌درستی بارگذاری نشن یا مدیریت نشست‌ها و بازخوردها سخت باشه، بخشی از توانایی مدل عملاً هدر می‌ره.

ماجرا فقط این نیست که مدل چقدر باهوشه؛ مسئله اینه که ابزار چقدر خوب می‌تونه این هوش رو در یک جریان کاری واقعی به کار بگیره.

مثلاً در پروژه‌های ایجنتی، فایل‌های "AGENTS.md" می‌تونن نقش مهمی در تعریف قوانین و ساختار پروژه داشته باشن. اگر بخشی از این دستورالعمل‌ها به‌دلیل محدودیت حجم بارگذاری نشه، ممکنه ایجنت برخلاف انتظارات عمل کنه؛ حتی اگر خود مدل توانایی اجرای درست وظیفه رو داشته باشه.

به نظرم آینده‌ی ابزارهای کدنویسی هوش مصنوعی فقط به مدل‌های قوی‌تر وابسته نیست؛ کیفیت زیرساختی که این مدل‌ها رو به ابزارهای قابل‌اعتماد تبدیل می‌کنه هم به همون اندازه اهمیت داره.

در نهایت، بهترین ابزار لزوماً ابزاری نیست که در بنچمارک‌ها امتیاز بیشتری می‌گیره. ابزاریه که در پروژه‌ی واقعی، کنترل بیشتری بهت می‌ده و اصطکاک فرایند توسعه رو کمتر می‌کنه.

#Ai
#LLM

یک سناریو رو بیاید با هم‌ بررسی کنیم.
مثلا برای توسعه ایجنتی، من مدلی می‌خوام که بتونم حجم زیادی از اطلاعات رو بهش بدم، کدها رو بررسی کنه، جست‌وجو و تحلیل انجام بده و چند مرحله پشت سر هم کار کنه؛ بدون اینکه مدام نگران تموم شدن سهمیه باشم.

اما چیزی که برای من مهم‌تره، استفاده روزمره‌ست؛ اینکه بتونم کارهای روتین و کم‌اهمیت‌تر رو به مدل بسپرم و بی‌دلیل سراغ مدل‌های سنگین و پرهزینه نرم.

به نظرم ارزش واقعی یک مدل رایگان، فقط کیفیتش نیست؛ بلکه آزادی استفاده از اونه.

وقتی برای هر درخواست مجبور باشی مصرف توکن رو حساب کنی، عملاً نمی‌تونی مدل رو به بخش ثابتی از جریان کاری خودت تبدیل کنی.

البته در حال حاضر DeepSeek V4.1 Flash تا حد زیادی همین جایگاه رو پوشش می‌ده. برای همین، صرفاً رایگان بودن یک مدل برام مزیت خاصی محسوب نمی‌شه؛ باید ببینم در عمل چقدر می‌تونه از حجم کارم کم کنه.
#Ai

یکی از چیزهای جالب توی دنیای هوش مصنوعی اینه که همیشه برای گرفتن خروجی بهتر، لازم نیست مدل قوی‌تری پیدا کنیم یا بریم سراغ فاین‌تیون.

گاهی مشکل از خود مدل نیست؛ از روشی‌ـه که برای گرفتن خروجی ازش استفاده می‌کنیم.

مثلاً فرض کن یه مسئله استدلالی داری و مدل جواب درستی بهت نمی‌ده. به‌جای اینکه همون جواب اول رو قبول کنی، می‌تونی چند پاسخ مختلف بگیری، نتایج رو بررسی کنی و از بینشون به جواب بهتری برسی.

اینجاست که ابزارهایی مثل OptiLLM وارد ماجرا می‌شن. این ابزار مجموعه‌ای از تکنیک‌های بهینه‌سازی رو ارائه می‌ده که می‌تونن بدون آموزش مجدد مدل، عملکردش رو در بعضی وظایف بهتر کنن.

از طرف دیگه، LiteLLM هم امکان اتصال به مدل‌های مختلف رو فراهم می‌کنه و می‌تونه در کنار ابزارهای دیگه، بخشی از زیرساخت کار با مدل‌های زبانی باشه.

البته یه نکته مهم وجود داره: این روش‌ها رایگان از نظر منابع نیستن. تولید چند پاسخ و بررسی اون‌ها می‌تونه مصرف توکن و زمان پردازش رو افزایش بده. ضمن اینکه چند پاسخ مختلف لزوماً به معنی رسیدن به جواب درست نیست.

من فکر می‌کنم قبل از اینکه همیشه دنبال مدل‌های بزرگ‌تر و گرون‌تر باشیم، بهتره روش استفاده از مدل‌های فعلی رو هم بررسی کنیم. گاهی با تغییر فرایند، می‌شه از همون منابع قبلی نتیجه بهتری گرفت.

پ.ن. شاید همیشه مسئله این نباشه که از چه مدلی استفاده می‌کنیم؛ گاهی مهم‌تر اینه که چطور ازش استفاده می‌کنیم.

🔗 ابزارها:

OptiLLM

#یادگیری_ماشین
#Ai

۱۰۰ میلیون توکن رایگان برای کار با چند مدل هوش مصنوعی!

به نظرم چیزی که این سرویس رو جالب می‌کنه، فقط تعداد توکن‌ها نیست؛ بلکه دسترسی به API مدل‌هاست که می‌تونه برای آزمایش و ساخت پروژه‌های هوش مصنوعی کاربرد داشته باشه.

طبق اطلاعات منتشرشده، سایت Dahl Inference امکان دریافت سهمیه توکن برای مدل‌های GLM 5.3، DeepSeek V4 و MiniMax M2.7 رو فراهم کرده.

روش دریافت هم ساده اعلام شده:

- وارد سایت می‌شین و با انتخاب یک نام کاربری حساب می‌سازین.
- از بخش "API Keys & Balance" توکن خودتون رو دریافت می‌کنین.
- روی "ALLOCATE" می‌زنین و مقدار سهمیه رو روی "MAX" قرار می‌دین.

البته قبل از استفاده در پروژه‌های جدی، بهتره محدودیت‌های سرویس، شرایط استفاده و نحوه نگهداری اطلاعات ارسالی به API رو بررسی کنین. رایگان بودن سرویس به‌تنهایی تضمین‌کننده پایداری یا امنیتش نیست.

🔗 سایت:
Dahl Inference

پ.ن. اگه این سهمیه واقعاً قابل استفاده باشه، فرصت خوبیه برای آزمایش مدل‌ها و ساخت نمونه‌های اولیه بدون پرداخت هزینه API؛ ولی بهتره قبل از سپردن اطلاعات حساس یا استفاده در محیط عملیاتی، سرویس رو بررسی کنین.

#Ai
#llm
#deepseek
#glm

شرکت Moonshot مدل K3.1 Pro را عرضه کرده.

این مدل بر اساس همان معماری پایه مدل K3 ساخته شده هست، اما به نظر میرسه که شرکت Moonshot در اجرای (inference) مدلی با این حجم با مشکل مواجه هست و به زودی شاهد عرضه مدلی کوچکتر خواهیم بود. در این نسخه، تمرکز ویژه‌ای بر استفاده از ابزارهای سه‌بعدی مانند Blender و موتورهای بازی Unity، Unreal Engine و Godot شده هست. این مدل در حال حاضر در تمام محصولات Moonshot در دسترس هست و انتظار می‌رود که وزن آن در
تاریخ ۴ نوامبر منتشر شود.

#Ai

می‌خوام به یک نکته مهم درباره استفاده از هوش مصنوعی اشاره کنم.

به دید‌ من استفاده از AI در برنامه‌نویسی زمانی بیشترین ارزش رو ایجاد می‌کنه که در کنار اون، درک درستی از اصول فنی و منطق برنامه‌نویسی داشته باشیم.

صرفاً تولید کد با کمک هوش مصنوعی به معنای توسعه بهتر نرم‌افزار نیست. اگر نتونیم خروجی‌های AI رو تحلیل کنیم، صحت اون‌ها رو بسنجیم و خطاهاشون رو تشخیص بدیم، ممکنه به‌جای افزایش بهره‌وری، پیچیدگی و مشکلات بیشتری به پروژه اضافه کنیم.

در مقابل، وقتی دانش فنی کافی داشته باشیم، AI می‌تونه به یک ابزار قدرتمند برای حل مسائل، بهینه‌سازی کد و افزایش سرعت توسعه تبدیل بشه.

به بیان ساده، مهم‌تر از توانایی AI در تولید کد، توانایی ما در درک، ارزیابی و هدایت اون کدهاست.

#AI
#Programming
#SoftwareEngineering

جالبه که کل دنیا این روزها جوگیر شدن و دارن به سمت Rust حرکت می‌کنن! 😁

تا همین چند سال پیش، خیلی‌ها حتی اسم Rust رو هم نشنیده بودن؛ اما حالا به یکی از جدی‌ترین گزینه‌ها برای توسعه نرم‌افزارهای سیستمی، زیرساخت‌های مدرن و پروژه‌هایی تبدیل شده که امنیت و بهینگی توشون اهمیت زیادی داره.

۳ تا دلیل هم بگم خیلی کوتاه:

مدیریت حافظه بدون Garbage Collector
ایمنی حافظه
عملکرد بالا

پ.ن: ولی خداییش Rust فقط یه زبان برنامه‌نویسی ترند نیست. به دید من یه تغییر نگرش در مهندسی نرم‌افزاره. 🔥

#SoftwareEngineering
#AI

آنتروپیک اومده API اصلی خودش رو با Rust بازنویسی کرده و بخش زیادی از کد رو هم Claude نوشته؛ اونم درحالی‌که تیمش متخصص Rust نداشته!

نتیجه؟ حدود ۴۰ تا ۵۰ درصد مصرف CPU کمتر و ۱۰ تا ۲۰ درصد پاسخ‌دهی سریع‌تر.

ولی قسمت جالب ماجرا فقط این اعداد نیست.

تیم آنتروپیک قبل از انتقال سیستم به محیط اصلی، نسخه جدید رو کنار نسخه قبلی اجرا کرده و درخواست‌های واقعی رو برای هر دو فرستاده تا مطمئن بشه خروجی‌ها درست و قابل اعتمادن.

یعنی همین‌جوری نگفتن Claude کد زده، پس بریم روی سرور اصلی اجراش کنیم؛ اول آزمایشش کردن، بعد سراغ انتقال رفتن.

نکته جالب‌تر اینه که تقسیم کار چطور بوده؛ Claude بیشتر کد رو نوشته، اما انسان‌ها مسئول طراحی تست‌ها و اثبات درست کار کردن سیستم بودن.

البته این اعداد، نتایجی هستن که مهندسان آنتروپیک اعلام کردن و نباید بدون توجه به شرایط آزمایش، اون‌ها رو به همه پروژه‌ها تعمیم داد.

خلاصه، یه تیم بدون متخصص Rust، با کمک هوش مصنوعی رفته سراغ بازنویسی یه سیستم واقعی و بهبود قابل‌توجهی هم گزارش کرده.

بعد هنوز بعضیا فکر می‌کنن کاربرد هوش مصنوعی توی برنامه‌نویسی فقط اینه که بهش بگی یه ماشین‌حساب بساز و امیدوار باشی پروژه رو به فنا نده!



#هوش_مصنوعی
#برنامه_نویسی
#زبان_راست


#rust
#AI

یه Skill کاربردی برای Claude Code پیدا کردم به اسم Brainstorming.

کارش چیه؟

به‌جای اینکه با اولین ایده بری سراغ کدنویسی، اول کمک می‌کنه ایده خامت رو به یک طرح فنی مشخص و قابل‌اجرا تبدیل کنی.

چطور؟

🔹 درباره هدف پروژه و نیازمندی‌ها ازت سؤال می‌پرسه.
🔹 راهکارهای مختلف رو بررسی و مقایسه می‌کنه.
🔹 معماری و ساختار پیشنهادی پروژه رو مشخص می‌کنه.
🔹 اجزای اصلی و نحوه ارتباطشون رو توضیح می‌ده.
🔹 در نهایت، روش پیاده‌سازی و تست رو مشخص می‌کنه.

چرا مهمه؟

یکی از مشکلات کار با ابزارهای کدنویسی هوش مصنوعی اینه که خیلی سریع وارد فاز پیاده‌سازی می‌شن؛ درحالی‌که ممکنه هنوز خود مسئله درست تعریف نشده باشه.
این Skill کمک می‌کنه قبل از تولید کد، کمی بیشتر روی طراحی، تصمیم‌گیری و معماری وقت بذاری.

📌 لینک دریافت و نصب:

https://aitmpl.com/component/skill/development/brainstorming

#ClaudeCode
#AI
#SoftwareEngineering

پلتفرم DataCamp تا ۸ نوامبر ۲۰۲۶ دسترسی رایگان به دوره‌های آموزشی خودش رو فراهم کرده.
یعنی فرصت دارید بدون پرداخت هزینه، سراغ یادگیری مهارت‌های مختلف در حوزه دیتا و هوش مصنوعی برید.

#Ai

یه پلی‌لیست جالب درباره مفاهیم Training و Inference مدل‌های زبانی که موضوعات نسبتاً پیچیده رو به زبان ساده توضیح میده.

اگه به معماری و نحوه کار LLMها علاقه دارید، پیشنهاد می‌کنم ببینید.

لینک پلی لیست

#Ai

یک معماری جالب برای استفاده از ابزارهایی مثل Claude Code اینه که به‌جای اجرای Agent روی سیستم شخصی، کل محیط توسعه رو روی یک VPS لینوکسی مستقر کنیم.

در این معماری، VPS نقش محیط اجرای دائمی رو داره و Claude Code از طریق CLI روی سرور اجرا می‌شه. برای مدیریت و تعامل با Agentها هم می‌تونیم از ابزارهایی مثل T3 Code یا GetBB استفاده کنیم.

مزیت اصلی این معماری، جدا شدن محیط اجرای Agent از دستگاه شخصیه. در نتیجه می‌تونیم تسک‌های طولانی‌مدت رو روی سرور اجرا کنیم، چند پروژه رو به‌صورت مستقل مدیریت کنیم و بدون نیاز به روشن بودن سیستم شخصی، از طریق موبایل یا لپ‌تاپ به Sessionها دسترسی داشته باشیم.

البته باید به امنیت سرور، مدیریت Secretها، محدودسازی دسترسی پنل و پایداری اتصال توجه کرد. استفاده از Proxy هم به‌تنهایی تضمینی برای جلوگیری از محدودیت حساب نیست.

به نظرم این رویکرد می‌تونه پایه مناسبی برای ساخت یک Remote AI Development Environment باشه؛ محیطی که در اون چندین Coding Agent به‌صورت هم‌زمان و در بستری مستقل فعالیت می‌کنن.

لینک پروژه‌ها:

T3 Code:
https://t3.codes/

GetBB:
https://getbb.app/

#هوش_مصنوعی
#برنامه_نویسی
#AI_Agents
#Ai

این مخزن رو بررسی کنین .
توصیه میکنم.
سناریو های متفاوتی رو در بر گرفته از طراحی سیستم تا چالش های پروداکشن
رفرنس های خوبی داره حتما بررسی کنید.

مخزن

#LLM
#Ai

پروژه Underdog AI – Woof نمونه جالبی از حرکت به سمت مدل‌های هوش مصنوعی سبک و قابل اجرا روی دستگاه شخصی هست.

ولی ویژگی جذاب اون چیه؟

🔹 حدود ۳۱ میلیون پارامتر
🔹 حجم تقریبی ۳۱.۷ مگابایت
🔹 قابلیت اجرا مستقیماً در مرورگر
🔹 امکان پردازش محلی بدون وابستگی دائمی به سرور ابری
🔹 تمرکز بر اجرای مدل‌های کوچک و بهینه

چرا این موضوع اهمیت داره؟

تا همین چند سال پیش، اجرای مدل‌های هوش مصنوعی روی دستگاه‌های معمولی محدودیت‌های زیادی داشت؛ اما امروز شاهد حرکت جدی به سمت مدل‌های کوچک‌تر، سبک‌تر و بهینه‌تر هستیم.

این رویکرد میتونه در آینده توسعه دستیارهای صوتی آفلاین، اپلیکیشن‌های موبایل و ابزارهای هوشمند بدون وابستگی به APIهای ابری را جذاب‌تر کند.

البته Woof یک مدل تولید صداست، نه یک مدل مکالمه‌ای یا جایگزین ChatGPT.

🔗 لینک پروژه:
https://underdog.ai/woof

به نظرتون آینده هوش مصنوعی بیشتر در اختیار مدل‌های عظیم ابری خواهد بود یا مدل‌های کوچک و محلی که مستقیماً روی دستگاه خودمان اجرا میشن؟

#AI
#ArtificialIntelligence
#EdgeAi
#TTS
#OpenSource
#WebDevelopment