دوستان احراز هویت از فرگمنت برداشته شد.

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

یه سؤال جدی دارم.
اگر یک شرکت نرم‌افزاری تنها یک روز بعد از انتشار عمومی یک آسیب‌پذیری مورد حمله قرار بگیره، دقیقاً چه توجیهی برای این اتفاق داره؟

شاید بهتر باشه به‌جای اینکه منتظر حمله بمونید، یک متخصص امنیت استخدام کنید، بهش دستمزد بدید و اجازه بدید قبل از مهاجم‌ها، نقاط ضعف زیرساختتون رو پیدا کنه. این‌طوری حداقل می‌دونید کجا آسیب‌پذیرید و چه اطلاعاتی ممکنه در معرض نشت قرار بگیره.

می‌دونم که توی بعضی کشورها، از جمله روسیه، هنوز سازوکارهای بازدارنده و جریمه‌های مالی برای چنین اتفاقاتی به‌اندازه کافی جدی نیستن. گاهی حتی با افشای اطلاعات شخصی میلیون‌ها نفر، نهایتاً یک تذکر یا جریمه ناچیز نصیب شرکت می‌شه.

اما واقعاً تا کی قراره امنیت اطلاعات مردم این‌قدر کم‌اهمیت باشه؟

یه نکته مهم‌تر هم وجود داره:

برای مهاجم‌ها مهم نیست چند روز از انتشار یک آسیب‌پذیری گذشته؛ یک روز، ده روز یا حتی نود روز!

اگر یک مهاجم زیرساخت و دانش لازم برای تحلیل آسیب‌پذیری‌های N-day و توسعه PoC رو داشته باشه، ممکنه فاصله بین انتشار عمومی جزئیات یک باگ تا سوءاستفاده از اون، به‌شدت کوتاه بشه.

امروز هم با ابزارهای هوش مصنوعی مثل Claude Code و Codex، بخشی از فرایند تحلیل کد و توسعه ابزارهای آزمایشی سریع‌تر شده. البته این ابزارها جای دانش عمیق Vulnerability Research رو نمی‌گیرن، اما می‌تونن توانایی یک محقق یا مهاجم رو چند برابر کنن.

به نظرم دوران اینکه شرکت‌ها امنیت رو بذارن برای بعد از وقوع حادثه، باید تموم بشه.

امنیت هزینه اضافی نیست.
هزینه جلوگیری از یک فاجعه‌ست.

نظرتون چیه؟ آیا شرکت‌ها باید بابت بی‌توجهی به امنیت و نشت اطلاعات کاربران، مسئولیت مالی و حقوقی جدی‌تری داشته باشن؟

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

چرا اکانت‌های Claude بن می‌شن؟

یکی از کاربران با بررسی تجربه و گزارش کاربران، چند الگوی مشترک در مسدود شدن اکانت‌های Claude پیدا کرده.

مواردی مثل:

🔹 ناهماهنگی کشور IP و کارت بانکی

🔹 لو رفتن IP واقعی هنگام قطع VPN

🔹 احتمال ردیابی شناسه دستگاه و مشخصات سخت‌افزاری

🔹 استفاده از اشتراک‌های گران‌قیمت Max

نکته جالب اینه که بعضی کاربران گزارش دادن با استفاده از CLI به‌جای اپلیکیشن دسکتاپ، همچنان به حسابشون دسترسی دارن.

البته این بررسی بر اساس تجربه کاربران و فرضیه‌هاست و هیچ‌کدوم به‌صورت رسمی از طرف Anthropic تأیید نشده.

به نظر می‌رسه سیستم‌های ضدتقلب فقط IP رو بررسی نمی‌کنن و ترکیبی از اطلاعات شبکه، پرداخت و دستگاه می‌تونه در تصمیم‌گیری نقش داشته باشه.


#هوش_مصنوعی
#Claude

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

پ.ن: حتی اگر قصد پیاده‌سازی چنین سیستمی رو ندارید، پیشنهاد می‌کنم معماری و زیرساخت پشت این راهکار رو بررسی کنید. ترکیب VPS، پراکسی، SSH، Docker و مدیریت Remote Agentها می‌تونه دید خوبی نسبت به طراحی زیرساخت‌های توسعه مدرن و نحوه اجرای AI Agentها در محیط واقعی بهتون بده.

خیلی‌ها کار با مدل‌های زبانی بزرگ رو با ارسال درخواست به API و دریافت پاسخ یاد می‌گیرن؛ اما مهندسی LLM خیلی فراتر از این حرف‌هاست😁

وقتی قراره یک مدل رو در محیط واقعی اجرا کنین، باید بدونین چطور منابع سخت‌افزاری رو مدیریت کنین، سرعت پاسخ‌گویی رو بالا ببرین، هزینه‌ها رو کاهش بدین و سیستم رو برای حجم بالای درخواست‌ها آماده کنین.

💥 پروژه LLM Inference Handbook دقیقاً روی همین موضوع تمرکز کرده.

این ریپو یک نقشه راه ۱۰ هفته‌ای شامل ۵۰ درس ارائه می‌ده که به‌صورت پروژه‌محور مباحث مهندسی و اجرای مدل‌های زبانی رو آموزش می‌ده.

توی این مسیر با موضوعات زیر آشناییت پیدا میکنین:

🔹 مفاهیم پایه Inference و تفاوت Prefill و Decode
🔹 اجرای مدل‌ها با vLLM
🔹 مدیریت حافظه GPU و بهینه‌سازی مصرف منابع
🔹 کوانتایز کردن مدل‌ها
🔹 تست فشار و مدیریت هزاران درخواست هم‌زمان
🔹 مانیتورینگ با Prometheus و Grafana
🔹 بهینه‌سازی سرعت و تأخیر پاسخ‌گویی
🔹 طراحی و استقرار سیستم‌های پایدار در محیط Production

نکته مهم اینه که تمرکز این مجموعه روی آموزش مدل از صفر نیست؛ بلکه یاد می‌گیرین چطور مدل‌های آماده رو به شکل اصولی اجرا، مدیریت و بهینه‌سازی کنین.

به نظرم اگر به زیرساخت هوش مصنوعی، استقرار مدل‌های زبانی و تبدیل نمونه‌های آزمایشی به سرویس‌های واقعی علاقه دارین، این ریپو می‌تونه منبع ارزشمندی براتون باشه.

📌 LLM Inference Handbook

#هوش_مصنوعی
#یادگیری_ماشین
#LLM
#MachineLearning
#AIEngineering

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