نقشه راهی برای یادگیری Agentic AI

این روزها Agentic AI حسابی مورد توجه قرار گرفته و ابزارهای مختلفی برای ساخت ایجنت‌های هوش مصنوعی معرفی شدن. اما به نظرم قبل از اینکه بریم سراغ فریم‌ورک‌هایی مثل LangGraph، CrewAI و AutoGen، بهتره بدونیم این سیستم‌ها چطور کار می‌کنن و چه مفاهیمی پشتشون وجود داره.

اگه قصد یادگیری این حوزه رو دارید، پیشنهاد می‌کنم مسیرتون رو مرحله‌به‌مرحله پیش ببرید:

📌 مرحله اول: مبانی هوش مصنوعی

- آشنایی با مدل‌های زبانی بزرگ (LLM)
- کار با APIها و مهندسی پرامپت
- شناخت Embeddings و پایگاه داده‌های برداری
- آشنایی با نحوه بازیابی اطلاعات از منابع مختلف

⚙️ مرحله دوم: ساخت سیستم‌های هوشمند

- مدیریت Context و حافظه
- اتصال مدل‌ها به ابزارها با Function Calling
- طراحی گردش کارهای چندمرحله‌ای
- مدیریت خطا و کنترل خروجی مدل‌ها
- آشنایی با فریم‌ورک‌هایی مثل LangGraph و CrewAI

🚀 مرحله سوم: طراحی ایجنت‌های پیشرفته

- برنامه‌ریزی و تصمیم‌گیری
- اجرای خودکار وظایف و مدیریت جریان کار
- همکاری چند ایجنت با یکدیگر
- ارزیابی عملکرد و بهبود قابلیت اطمینان سیستم
- آشنایی با مباحث استقرار، امنیت و مانیتورینگ

💡نکته اینه که یادگیری رو به یک ابزار خاص محدود نکنیم. فریم‌ورک‌ها تغییر می‌کنن و ابزارهای جدیدی میان؛ اما درک درست از APIها، مدیریت داده، طراحی سیستم، کنترل خطا و اصول مهندسی نرم‌افزار همچنان اهمیت داره.

اگه می‌خوایم توی این حوزه پیشرفت کنیم، بهتره به‌جای دنبال کردن هر ترند جدید، روی مفاهیم اصلی وقت بذاریم و با پروژه‌های واقعی یادگیری‌مون رو عمیق‌تر کنیم.



#هوش_مصنوعی
#AgenticAI
#AI_Agents

🆕 آپدیت جدید Jev منتشر شده.
نسخه 1.14.0

شرکت TypeSafe نسخه جدید Jev رو معرفی کرده که علاوه بر بهبودهای کلی، چند قابلیت آزمایشی هم بهش اضافه شده.

🔹 بهبود پشتیبانی از زبان‌ها: انتظار می‌ره یکی از مهم‌ترین پیشرفت‌های این نسخه باشه.

🔹 پشتیبانی از تصویر: امکان استفاده از تصاویر در ورودی مدل اضافه شده؛ البته این قابلیت هنوز آزمایشی هست.

🔹 نوع خروجی جدید "box": برای مشخص کردن محدوده یک شیء در تصویر.

🔹 کانتکست طولانی‌تر: امکان استفاده از زمینه طولانی‌تر با فعال کردن یک تنظیم آزمایشی فراهم شده.

📌 فعلاً نسخه "jev-1.14.0" از طریق "jev-preview" در دسترسه. طبق اعلام سازنده، قرار هست "jev-latest" هم حدود یک هفته بعد به این نسخه تغییر کنه.

نکته مهم اینه که قابلیت‌های آزمایشی هنوز برای استفاده در محیط‌های عملیاتی قابل اتکا اعلام نشدن؛ پس بهتره قبل از استفاده جدی، خودتون آزمایششون کنید.

🔗 معرفی رسمی نسخه جدید:

http://typesafe.ai/blog/jev-1-14

#هوش_مصنوعی

مهندسی معکوس بازی‌ها و برنامه‌های اندرویدی

با این اسکیل می‌تونید سراغ مهندسی معکوس فایل‌های APK برید و بعضی از سازوکارهای داخلی بازی‌ها و برنامه‌های اندرویدی رو بررسی کنید.

البته صرف داشتن یه اسکیل به معنی هکر شدن نیست! مهندسی معکوس، تحلیل کد، شناخت ساختار اپلیکیشن‌ها و پیدا کردن آسیب‌پذیری‌ها هرکدوم دانش و تجربه خودشون رو می‌خوان.

⚠️ حواستون باشه تغییر و انتشار نسخه هک‌شده برنامه‌ها می‌تونه ناقض قوانین یا حقوق سازنده‌ها باشه. تست امنیتی هم باید با مجوز و در محدوده مشخص انجام بشه؛ باگ‌بانتی قرار نیست بهانه‌ای برای تهدید یا اخاذی از شرکت‌ها باشه.

این ابزار بیشتر می‌تونه برای یادگیری و آزمایش‌های آموزشی مفید باشه؛ برای کار حرفه‌ای امنیت، باید دانش عمیق‌تری از اندروید و روش‌های تحلیل اپلیکیشن داشته باشید.

پ.ن : خودم تست نکردم هنوز و خبر ندارم!

تست کردید خبر بدید.

🔗 گیت‌هاب:

https://github.com/newliver666/apk-reverse

#Ai
#Programming

پ.ن: مهندسی معکوس یعنی یه برنامه رو بررسی کنیم تا بفهمیم چطور کار می‌کنه و چطور ساخته شده. مثلاً می‌تونیم فایل یه بازی اندرویدی رو بررسی کنیم و ببینیم داخلش چه خبره یا چطور می‌شه باگ‌ها و مشکلات امنیتیش رو پیدا کرد.

خودش یک حوزه کاری هست و چندان راحت نیست.

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

احتمال قطعی اینترنت داره بیشتر میشه.
اختلال ها بیشتر شدن.
کار مهمی دارید انجام بدید.

فعلا در مورد استارلینک نمیخوام صحبت کنم.

طبق سایت DB-Engines، صدها سیستم مدیریت پایگاه داده در دنیا وجود دارن که هرکدوم برای نیازها و سناریوهای متفاوتی طراحی شدن.



رتبه‌بندی اینه:

۱. Oracle
۲. MySQL
۳. Microsoft SQL Server
۴. PostgreSQL
۵. MongoDB
۶. Snowflake
۷. Databricks
۸. Redis
۹. IBM Db2
۱۰. Apache Cassandra

نکته جالب اینجاست که همه این سیستم‌ها دقیقاً یک کار رو به یک روش انجام نمی‌دن.

مثلاً MySQL و PostgreSQL بیشتر برای ذخیره و مدیریت داده‌های رابطه‌ای شناخته می‌شن؛ Redis روی ذخیره‌سازی داده‌های کلید-مقدار و دسترسی سریع تمرکز داره.

و خود Snowflake و Databricks هم بیشتر در دنیای تحلیل داده و پردازش‌های سنگین مطرح هستن.

و SQLite هم با وجود سبک بودن و نداشتن نیاز به سرور جداگانه، یکی از گزینه‌های مهم برای اپلیکیشن‌ها و پروژه‌های سبک محسوب می‌شه.

البته یه نکته مهم: رتبه DB-Engines لزوماً به معنی بیشترین نصب یا استفاده واقعی نیست. این رتبه‌بندی از شاخص‌هایی مثل میزان توجه در وب، بحث‌های فنی، آگهی‌های شغلی و حضور در فضای حرفه‌ای استفاده می‌کنه.

در نهایت، بهترین دیتابیس لزوماً رتبه اول رو نداره.
انتخاب درست به نوع پروژه، حجم داده، الگوی دسترسی، مقیاس‌پذیری و نیازهای فنی بستگی داره.



#برنامه_نویسی
#پایگاه_داده
#فناوری

#Database
#DBEngines
#SoftwareEngineering

چند تا چیزی که توی همکاری با آدم‌ها باید بدونین دوستان گفتم اینجا هم بنویسم شاید براتون کاربردی بود!

۱. هرچی درخت پربارتر باشه، سرش افتاده‌تره.
هرچی بیشتر یاد می‌گیریم، باید متواضع‌تر باشیم. غرور رو کنار بذاریم؛ چون همیشه کسانی هستن که بیشتر می‌دونن. قرار نیست برای اثبات خودمون، توانایی‌هامون رو به رخ بکشیم.

۲. تخصص و مسئولیت هرکس باید دقیق مشخص باشه.
از همون اول معلوم کنین هرکس مسئول چه کاریه و چه خروجی‌ای باید تحویل بده. اگه همه مسئول همه‌چیز باشن، معمولاً آخرش هیچ‌کس مسئولیت مشخصی قبول نمی‌کنه!

۳. تعارف و رودربایستی رو توی کار کنار بذارین.
اگه مخالفین، بلد نیستین یا از عملکرد کسی ناراضی هستین، محترمانه و مستقیم مطرح کنین. سکوت، مشکلات کوچیک رو بزرگ‌تر می‌کنه.

۴. آدم‌ها رو با عملشون بسنجین، نه با حرف‌هاشون.
وعده‌دادن خوبه، اما مهم‌تر اینه که طرف چقدر به قولش پایبنده، مسئولیت می‌پذیره و هنگام مشکل چه رفتاری داره.

۵. انتقاد رو با دشمنی اشتباه نگیرین.
همه قرار نیست با ما موافق باشن. انتقاد رو بررسی کنین؛ نه هر انتقادی درسته و نه هر مخالفتی دشمنی.

۶. اشتباه کردین، مسئولیتش رو بپذیرین.
توجیه و مقصرسازی چیزی رو درست نمی‌کنه. اشتباه رو بپذیرین، اصلاحش کنین و برای تکرارنشدنش تلاش کنین.

۷. مهربون باشین، ولی بی‌حدومرز نه.
کمک‌کردن ارزشمنده، اما نباید به واگذاری حق خودتون یا سوءاستفاده منجر بشه. مراقب مرزهای خودتون هم باشین.

۸. برای یادگرفتن، غرورتون رو کنار بذارین.
از افراد باتجربه‌تر یاد بگیرین، حتی اگر سن کمتری داشته باشن. هدف همکاری، نتیجه بهتره؛ نه اثبات باهوش‌تر بودن.

۹. توی همکاری، شفافیت از حدس و گمان بهتره.
درباره وظایف، زمان تحویل، سهم هرکس و انتظارات از ابتدا صحبت کنین. توافق‌نشده‌ها رو بدیهی فرض نکنین.

۱۰. احترام رو با صمیمیت اشتباه نگیرین.
لازم نیست با همه دوست صمیمی باشین؛ کافی‌ست حرفه‌ای رفتار کنین. اعتماد هم باید به‌مرور و بر اساس رفتار شکل بگیره.

۱۱. اعتبار کار دیگران رو به نام خودتون نزنین.
هرکس در موفقیت پروژه سهمی داشته، باید دیده بشه. زحمات دیگران رو همان‌طور که انتظار دارین زحمات شما دیده بشه، نادیده نگیرین.

۱۲. اختلاف‌نظر طبیعیه؛ بی‌احترامی نه.
با ایده‌ها مخالفت کنین، دلیل بیارین و دنبال راه‌حل بهتر باشین؛ نه حمله به شخصیت افراد.

۱۳. از همون اول درباره مسائل مهم شفاف باشین.
پول، سهم همکاری، زمان‌بندی، مسئولیت و مالکیت پروژه رو روشن کنین و توافق‌های مهم رو مکتوب کنین تا سوءتفاهم پیش نیاد.

۱۴. همکاری خوب، فقط کنار هم کارکردن نیست؛ کنار هم رشدکردنه.
فضایی بسازین که افراد سؤال بپرسن، اشتباهاتشون رو مطرح کنن، بازخورد بگیرن و از هم یاد بگیرن. موفقیت یک نفر نباید به قیمت شکست بقیه تموم بشه.

۱۵. در انتخاب همکار دقت کنین؛ در قطع همکاری هم منصف باشین.
هر آدم خوبی لزوماً برای هر همکاری مناسب نیست. اگر همکاری جواب نمی‌ده، اول مشکل رو مطرح و برای اصلاحش تلاش کنین؛ در غیر این صورت، تصمیم حرفه‌ای بگیرین، نه احساسی.

در نهایت...

تخصص، بدون اخلاق و مسئولیت‌پذیری، برای ساختن همکاری پایدار کافی نیست.

متواضع باشین، توانایی‌هاتون رو دست‌کم نگیرین؛ محترمانه رفتار کنین و از بیان حقیقت نترسین؛ اعتماد کنین، اما چشم‌بسته نه.

همان‌قدر که دنبال همکار خوب هستیم، باید خودمون هم همکار خوبی باشیم.

#همکاری
#توصیه

یک هکر، Siri واقعی اپل رو روی سرور لینوکسی Minecraft اجرا کرد؛ بدون آیفون، مک یا Apple ID!

محققی به نام Zerotistic با مهندسی معکوس پروتکل Siri و اجرای توابع رمزنگاری اپل روی لینوکس، تونست مستقیماً به سرورهای واقعی Siri متصل بشه.

حالا کاربر توی چت Minecraft می‌پرسه:

«حاصل تقسیم 1000 بر 64 چقدره؟»

و Siri جواب می‌ده: "15.625"

🔹 بدون شبیه‌سازی با هوش مصنوعی
🔹 بدون دستگاه اپل
🔹 با پاسخ واقعی از سرورهای اپل

کد پروژه عمومی نشده؛ چون انتشارش ممکنه دردسرهای حقوقی داشته باشه.

به نظرتون این شاهکار مهندسی معکوسه یا یه حفره امنیتی که اپل باید ببندتش؟

#لینوکس
#مهندسی_معکوس
#امنیت_سایبری

🚨 ۶ باگ توی کرنل لینوکس؛ ادعای دسترسی روت در ۵ مورد.

هیون وو کیم جزئیات ۶ آسیب‌پذیری در بخش‌های مختلف کرنل لینوکس رو منتشر کرده؛ از مدیریت حافظه و سیگنال‌ها گرفته تا زمان‌بندی و SLUB.

🔹 طبق ادعای محقق، ۵ مورد می‌تونن به ارتقای دسترسی تا روت منجر بشن.

🔹 مورد ششم در PoC منتشرشده فقط باعث کرش کرنل می‌شه، نه دسترسی روت.

🔹 یکی از باگ‌ها روی Galaxy S26 Ultra هم بررسی شده؛ اما اکسپلویت اندروید هنوز عمومی نشده.

🔹 نکته مهم اینکه این باگ‌ها به دسترسی شبکه یا user namespace نیاز ندارن؛ البته بهره‌برداری از بعضی موارد به شرایط خاصی وابسته‌ست.

⚠️ یه نکته: این‌ها ادعاهای محقق بر اساس تحلیل‌ها و PoCها هستن و نباید بدون بررسی مستقل، همه جزئیات رو تأییدشده فرض کرد.

اگه از لینوکس استفاده می‌کنین، نسخه کرنل و وضعیت وصله‌های امنیتی توزیعتون رو بررسی کنین.

#Linux
#CyberSecurity

پ.ن. هر باگ کرنل الزاماً به معنی دسترسی روت نیست؛ شرایط بهره‌برداری، نسخه کرنل و پیکربندی سیستم خیلی مهمن. پس قبل از نتیجه‌گیری، ادعاهای محقق رو از تأیید مستقل و انتشار وصله‌ها جدا کنین.

اینترنت متاسفانه از بامداد امروز ، جمعه 1 آبان ، 40 درصد گران شد.

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

📚 لینوکس و زندگی | جادی میرمیرانی

لینوکس رو یاد بگیر، ولی فقط به یاد گرفتن دستوراتش اکتفا نکن!

جادی توی این کتاب از لینوکس می‌گه؛ از توزیع‌ها و ترمینال گرفته تا نصب برنامه‌ها و ساختار فایل‌ها. اما ماجرا به همین‌جا ختم نمی‌شه.

از یاد گرفتن و دانشگاه رفتن تا رزومه نوشتن، پیدا کردن شرکت مناسب و تقویت زبان انگلیسی؛ جادی تجربه‌هاش رو بی‌واسطه باهات به اشتراک می‌ذاره.

چیزی که این کتاب رو جذاب می‌کنه، فقط لینوکس نیست؛ طرز فکر جادی درباره یاد گرفتن، رشد کردن و ساختن مسیر خودته.

اگه می‌خوای توی دنیای تکنولوژی پیشرفت کنی، این کتاب می‌تونه شروع خوبی باشه.

#Linux

با سرهم‌بندی، حقه‌بازی یه چند وقتی انسان میتونه کاری رو پیش ببره، ولی این کار دائمی نمیتونه باشه، چنته هر کسی که توخالی باشه، بالاخره معلوم میشه❤️

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

کلادفلر ابزاری رو که باهاش باگ امنیتی پیدا می‌کنه رایگان کرد و فقط یه هفته‌ای ۱۶ هزار ستاره گرفت.

این ابزار یه Skill برای ایجنت‌های کدنویسی مثل Claude Code و Codex هست.
ریپوتو بهش می‌دی و اون چند تا ایجنت جدا رو می‌فرسته که کد رو دنبال حفره بگردن.
بعد هر باگی پیدا بشه، یه ایجنت تازه‌نفس دیگه سعی می‌کنه ردش کنه. یعنی کسی که باگ رو پیدا کرده حق نداره خودش تاییدش کنه.
آخرش هم یه گزارش مرتب می‌ده که باگ‌ها رو سه دسته کرده: تاییدشده، نیازمند بررسی و ردشده.

جالبیش اینه که این نسخه‌ی ساده، هسته‌ی همون سیستمیه که خود کلادفلر داخلی ازش استفاده می‌کنه.

اگه پروژه داری، قبل از انتشار یه بار بندازش روش.
بدترین حالت چند تا هشدار الکی می‌گیری، بهترین حالت یه حفره‌ی جدی رو زودتر از بقیه پیدا می‌کنی.

https://github.com/cloudflare/security-audit-skill

🌟 CHANNEL | GP CODE NEURON