سایت serv00.com سرور freebsd مادام العمر با ۵۱۲ مگ رم و ۳ گیگ فضا فقط به ۳۰۰۰ نفر می‌ده.

@DevTwitter | <Reza Shakeri/>

بعضی پروژه‌ها از یه نیاز شروع میشن، بعضیها هم از یه پست لینکدین

چند وقت پیش تو لینکدین یه پروژه دیدم که میشد باهاش نقشه ایران رو بر اساس داده‌ها رنگ‌آمیزی کرد.

ایده‌ برام خیلی جذاب بود، ولی همون موقع با خودم گفتم اگه بشه یه کم بیشتر توسعه دادش چی؟

و این شد شروع Iran Map Studio

شروع کردم به ساختن نسخه‌ای که علاوه بر نقشه کلی ایران، بشه روی استانها و شهرستانها هم کار کرد؛

داده وارد کرد، ظاهر نقشه رو تغییر داد و در نهایت خروجی مناسب برای گزارش، ارائه، شبکه‌های اجتماعی و... گرفت.

کم‌کم چندتا چیز دیگه هم بهش اضافه شد
- ورود داده از Excel، CSV و JSON
- تنظیم رنگها و پالتهای مختلف
- تغییر فونت و اندازه نوشته‌ها
- فارسی و انگلیسی
- نمایش یا حذف اسم مناطق
- خروجی PNG و JPG با کیفیتهای مختلف
- و مهم‌تر از همه، پردازش اطلاعات کاملاً داخل مرورگر انجام می‌شه و داده‌ای به سرور ارسال نمیشه.

فعلاً این نسخه اولیشه و احتمالا هنوز کلی جا برای بهتر شدن داره.

اتفاقا یکی از دلایلی که الان منتشرش میکنم همینه

گیتهاب:
https://github.com/Hhhkarimi/IranMapStudio
نسخه آنلاین:
https://iran-map-studio.vercel.app/

اگه پروژه براتون جالب بود، یه ستاره روی GitHub خیلی بهم انرژی میده.

@DevTwitter | <Hossein Karimi/>

یک API و ۴ خروجی؛ یک تغییر و ۴ دردسر!

این اتفاق زمانی میفته که SDK، CLI، Documentation و Schema رو جدا از هم نگهداری میکنیم.
مشکل اینجاست که یک تغییر کوچک در API می‌تونه باعث ناهماهنگی در یک یا چندتا از این منابع بشه.

شرکت Cloudflare برای حل این مشکل Forge رو منتشر کرده. ایده‌اش اینه که با یک API Definition چندین خروجی بتونیم داشته باشیم و به‌جای اینکه SDK یا Documentation رو دستی آپدیت کنیم، Forge اون‌ها رو از طریق API Definition تولید می‌کنه.
حتی میشه این فرایند رو در CI داشت. یعنی وقتی API تغییر میکنه، Forge می‌تونه توی همون Pull Request خروجی‌های جدید رو بسازه و Preview تحویل بده. اینطوری قبل از اینکه تغییر وارد Release بشه، میبینیم چه چیزهایی تغییر کرده.

این فقط محدود به SDK نیست. یک OpenAPI میتونه به SDK، CLI، Documentation و یا خروجی‌های سفارشی تبدیل بشه.
به نظرم بخش مهم ماجرا خود Forge نیست، اینه که API باید Source of Truth باشه، نه یکی از چندین منبع. هر چیزی که از API ساخته میشه، بهتره تا جای ممکن Generated باشه، نه چیزی که یک نفر باید بعدا به‌صورت دستی Sync نگهش داره.

کلادفلر این پروژه رو با لایسنس Apache 2.0 به صورت متن‌باز منتشر کرده:
https://github.com/cloudflare/forge

@DevTwitter | <Mehrad S/>

آسیب‌پذیری جدید Docker | CVE-2026-17106

یه آسیب‌پذیری با نام CopyEscape در Docker پیدا شده که به قابلیت docker cp مربوط میشه.

داستان ساده‌ش اینه :
وقتی با docker cp فایلی رو بین Container و Host جابه‌جا می‌کنیم، توی نسخه‌های آسیب‌پذیر، یک Container مخرب می‌تونه با استفاده از Symlink مسیر فایل رو تغییر بده و باعث بشه فایل خارج از مسیر موردنظر روی Host نوشته یا Overwrite بشه.

یعنی چیزی که قرار بوده فقط داخل یه مسیر خاص کپی بشه، ممکنه به مسیر دیگه‌ای روی Host برسه. ️

CVE: CVE-2026-17106
Severity: High
CVSS: 7.1
نسخه‌های آسیب‌پذیر: Docker Engine قبل از 29.7.0
نسخه اصلاح‌شده: 29.7.0 و بالاتر

اگر Docker دارید، حتماً نسخه‌تون رو بررسی و در صورت امکان به نسخه اصلاح‌شده یا آخرین نسخه پایدار ارتقا بدید.

@DevTwitter | <Mohadeseh Heshmatian/>

خیلی از مهندسای نرم افزار از AI انتظار معجزه دارن، بدون اینکه ورودی درستی بهش بدن.

پرامپت‌نویسی برای معماری نرم‌افزار این نیست که بنویسیم: «یک معماری خوب برای این سیستم طراحی کن!»
اگر ورودی ما سطحی باشه، خروجی فقط تکرار کلیدواژه‌های ترند روز (مثل Microservices و Kafka) بدون در نظر گرفتن شرایط پروژه و تیم میشه.
برای یک خروجی کاربردی معماری، پرامپت حداقل به این ۵ بخش نیاز داریم:
۱. بخش Context: مسئله واقعی، دامنه بیزینس و مقیاس کار چیه؟
۲. بخش Role: چه نقشی از AI انتظار داری؟ (معمار ارشد، طراح امنیت، منتقد معماری؟)
۳. بخش Constraints: محدودیت‌ها کجاست؟ (تیم ۳ نفره، بودجه محدود، ددلاین نزدیک، استک مشخص؟)
۴. بخش Task: دقیقاً چه خروجی تحلیلی مدنظرته؟ (مقایسه گزینه‌ها، پیدا کردن نقاط شکست؟)
۵. بخش Output: ساختار خروجی چی باشه؟ (جدول مقایسه Trade-off، فرمت ADR، یا دیاگرام Mermaid؟)

اگر پرامپت ما شامل این موارد باشه میتونیم خروجی دقیق تری از AI بگیریم که در انتخاب معماری مناسب پروژه خیلی کمک کننده است.


@DevTwitter | <Amir Rahimi Nejad/>

هر روز ابزارهای هوش مصنوعی بهتر و بهتر کد می‌نویسند.

اما یک سؤال مهم وجود دارد:
اگر AI کدی تولید کند که کاملاً درست به نظر برسد، از کجا بفهمیم واقعاً درست است؟
این موضوع یکی از نکات جالب مقاله‌ی Real Python درباره‌ی بررسی کدهای تولیدشده توسط AI است.

مشکل اینجاست که کد تولیدشده توسط AI لزوماً کد بدی نیست. اتفاقاً ممکن است:
- کاملاً تمیز و خوانا باشد
- از نظر Syntax مشکلی نداشته باشد
- تست‌های موجود را پاس کند
- و حتی خیلی حرفه‌ای به نظر برسد

اما با این حال، ممکن است منطق کسب‌وکار را اشتباه پیاده کرده باشد.
مثلاً فرض کنید از AI می‌خواهیم یک فرآیند Import برای چند میلیون رکورد بنویسد.
ممکن است کدی تولید کند که روی ۱۰۰ رکورد کاملاً درست کار کند؛ اما وقتی تعداد رکوردها به چند میلیون برسد، با مشکلاتی مثل مصرف زیاد حافظه، Queryهای زیاد، N+1 یا زمان اجرای بسیار بالا مواجه شویم.

پس هنگام Review کردن کد AI، فقط نباید بپرسیم:
«آیا این کد کار می‌کند؟»

باید سؤال‌های دیگری هم بپرسیم:
- آیا دقیقاً همان چیزی را پیاده کرده که در Requirement خواسته شده؟
- اگر داده Null یا خالی باشد چه اتفاقی می‌افتد؟
- اگر رکورد تکراری باشد چه؟
- اگر دو درخواست همزمان اجرا شوند چه؟
- آیا Queryها روی حجم واقعی داده هم مناسب هستند؟
- آیا مشکلی از نظر Security وجود دارد؟
- آیا این کد با معماری فعلی پروژه سازگار است؟
- آیا AI چیزی را دوباره پیاده کرده که از قبل در پروژه وجود داشته؟
- آیا API یا متدی که استفاده شده واقعاً در Library یا Framework وجود دارد؟
به همین دلیل، با افزایش استفاده از AI Coding Tools، نقش Developer در حال تغییر است.

قبلاً بخش بزرگی از زمان ما صرف نوشتن کد می‌شد.
اما حالا می‌توانیم بخش بیشتری از کدنویسی را به AI بسپاریم و زمان بیشتری را صرف فهمیدن مسئله، تصمیم‌گیری فنی و بررسی کد کنیم.

در واقع، یک Workflow مناسب می‌تواند چیزی شبیه این باشد:

- Requirement
- AI Implementation
- Automated Tests
- Code Review
- Verification

و شاید مهم‌ترین مهارتی که در برنامه‌نویسی با AI باید یاد بگیریم همین باشد:
تشخیص کدی که واقعاً درست است، از کدی که فقط درست به نظر می‌رسد.

منبع:
https://realpython.com/review-ai-generated-code/


@DevTwitter | <Mahmoud Mohammadabadi/>

داکر مجموعه رسمی Skills خودش رو منتشر کرده:

* Dockerfile & Build
* Docker Compose
* Docker Sandboxes
* Docker Agent
* Cross-Product

اصلا این Skill برای چیه؟ مجموعه‌ای از دستورالعمل‌ها و workflowهای آماده هستن که به AI Coding Agentها کمک می‌کنن بهتر و استانداردتر با ابزار Docker کار کنن.

اگر با Claude Code، Codex، Cursor، GitHub Copilot، Gemini CLI، OpenCode و ابزارهای مشابه کار می‌کنید، ارزش بررسی داره.

https://github.com/docker/skills

@DevTwitter | <Hesam Akbarzadeh/>

ترجمه ی زنده ی یوتیوب؟

ایزی تی اس افزونه ای برای ترجمه ی ویدیو های یوتیوب با پشتیبانی از بستر های مختلف می‌باشد

تبدیل صدا به متن اولیه
تشخیص هوشمند زیرنویس در صورت وجود
پشتیبانی از Gemini / openai / groq و مدل های لوکال

تبدیل متن ترجمه شده به صدا
پشتیبانی از openai / fish audio / elevenlab / Gemini و مدل لوکال

پشتیبانی از ترجمه ی زنده با Google live و GPT live

توجه : نسخه ی بتا هست و ممکن است شامل باگ باشد لطفاً هر باگی دیدید گذارش کنید

https://GitHub.com/realjustawall/easy-ts

@DevTwitter | <RealJustAWall/>

توی این پروژه من روی ساخت ابزاری کار کردم که دیپلوی کردن پروژه‌های بیلد شده روی cPanel رو راحت‌تر کنه. قبل از این، هر بار که پروژه آماده انتشار می‌شد باید فایل‌ها رو دستی زیپ می‌کردیم، روی هاست آپلود می‌کردیم و بعد اکسترکت و جایگزین می‌کردیم که هم زمان می‌برد و هم یه کار تکراری و خسته‌کننده بود.

کاری که این ابزار انجام میده اینه که این روند رو ساده‌تر و سریع‌تر می‌کنه تا بدون درگیر شدن با این مراحل، پروژه راحت‌تر روی هاست منتشر بشه. نقش من توی این پروژه توسعه و پیاده‌سازی این ابزار و حل کردن همین مشکل برای راحت‌تر شدن فرآیند انتشار پروژه‌ها بود.

https://github.com/AliLotfi09/cpanel-deployer

@DevTwitter | <Ali Lotfi/>

در ادامه آموزش مدلهای مختلف برای زبان فارسی، نوبت رسید به آموزش مدل فارسی تبدیل گفتار به متن یا STT.

مدل جدید تشخیص گفتار فارسی، رایگان و متن‌باز که آموزش دادم.

مدل تبدیل گفتار به متن Nemotron 3.5 انویدیا زبان‌های زیادی را پشتیبانی می‌کند، اما فارسی جزو آن‌ها نبود. آن را روی ۱٬۱۸۱ ساعت گفتار فارسی آموزش دادم و حالا به‌صورت رایگان و متن‌باز منتشرش کرده‌ام.

تا جایی که می‌دانم، این دقیق‌ترین مدل متن‌باز تشخیص گفتار فارسی است: خطای کلمه روی FLEURS ۸٫۸٪، در برابر ۱۰٫۶٪ برای «شنوا»، قوی‌ترین مدل متن‌باز فارسی پیش از این. نه تنها این بلکه WER مدل ElevenLabs Scribe روی همین دیتاست ۷.۸% هست.

ویدیوی زیر را با صدا گوش بدید که توش کامل توضیح دادم.

- تبدیل زنده‌ی گفتار به متن: همان‌طور که حرف می‌زنید متن نوشته می‌شود، با تأخیری حدود ۰٫۳ تا ۱ ثانیه
- تبدیل فایل‌های صوتی
- در مقایسه با مدل فارسی قبلی انویدیا، خطا روی FLEURS از ۲۴٫۲٪ به ۸٫۸٪ رسید
- روی گفتار محاوره‌ای (یوتیوب، فیلم و سریال) خطا تقریباً نصف شد: ۲۶٪ در برابر ۵۴٪
- روی لپ‌تاپ هم اجرا می‌شود: حدود ۱۰ برابر سریع‌تر از زمان واقعی روی مک M1
- با NeMo و Hugging Face Transformers کار می‌کند

یک اپ ساده هم گذاشته‌ام که می‌توانید با میکروفون خودتان امتحانش کنید.
ریپو را ستاره بدید اگه دوست داشتید.
مدل: https://huggingface.co/mehdi-hf/nemotron-asr-streaming-farsi
آموزش و اجرا: https://github.com/mallahyari/nemotron-asr-streaming-farsi

@DevTwitter | <Mehdi Allahyari/>

دیگه نمیدونم چی بگم…

یکی یه شبیه ساز ماشین خودران Waymo کامل تو مرورگر ساخته با نقشه واقعی سان‌فرانسیسکو

با Fable 5.5 و Three.js درستش کرده

لینک:
https://teleoperator.mindblown.ai

@DevTwitter | <Reza Shakeri/>

کپ کات یه رقیب متن‌باز و جدی پیدا کرده!

الان دیگه OpenCut اومده؛ یک ویرایشگر ویدیوی رایگان و Open Source برای وب، دسکتاپ و موبایل

ولی قسمت جذاب ماجرا Roadmapشه

- Edit ویرایش چندلایه و Timeline
- Plugin-first
- MCP برای AI Agentها
- Headless Mode و Batch Rendering
- Scripting داخل Editor
- Editor API برای ساخت ابزارهای اختصاصی

حتی قراره کل پروژه با یک Codebase مشترک روی وب، دسکتاپ و موبایل اجرا بشه.
نسخه جدید هنوز در حال بازنویسیه و فعلاً نسخه Classic برای استفاده روزمره آماده‌تره.
لایسنس اش هم MIT License هست ؛ یعنی برای شخصی‌سازی و ساخت ابزارهای خودت دستت حسابی بازه.
لینک ریپو :‌
https://github.com/OpenCut-app/OpenCut

لینک دسترسی :‌
https://new.opencut.app

@DevTwitter | <امیرحسین اسلامی/>

محدودیت‌های جدید گوگل برای دسترسی به هوش مصنوعی جمنای!

گوگل رسما اعلام کرد از ۱۷ مهر دسترسی کاربران رایگان جمنای به مدل Pro و Flash قطع میشه و کاربران رایگان فقط به مدل‌های Flash-Lite دسترسی دارند!

از طرفی دسترسی به مدل Pro رو هم از اشتراک Google AI Plus حذف کرده و کاربران این اشتراک از ۱۷ مهر فقط به مدل‌های Flash-Lite و Flash دسترسی دارند.

کاربرانی هم که اشتراک AI Pro و AI Ultra دارند هم به همه مدل‌ها دسترسی دارند!

پ.ن: تو گوگل چه خبره؟!

@DevTwitter | <MohammadMSFT/>

مدیریت کانفیگ‌های Nginx توی ترمینال همیشه پر از رفت‌وبرگشت‌های تکراریه؛ از symlink زدن دستی بین sites-available و sites-enabled گرفته تا ادیت فایل‌ها و چک کردن مدام nginx -t قبل از ری‌لود کردن سرویس.
برای اینکه این فرایند رو سریع‌تر، تمیزتر و لذت‌بخش‌تر کنم، ابزار GoNix رو نوشتم!

گونیکس یا GoNix یک ابزار اپن‌سورس با رابط کاربری متنی (TUI) به زبان Go هست که مدیریت Server Blockها و تنظیمات Nginx رو توی سرورهای لینوکسی فوق‌العاده ساده و متمرکز می‌کنه.

«لینک ریپازیتوری در کامنت اول»

ویژگی‌های اصلی:

- مدیریت سریع فایل‌ها: فعال/غیرفعال‌سازی سایت‌ها (Enable/Disable) تنها با یک کلید
- تست و اعمال لحظه‌ای: بررسی سینتکس (nginx -t) و ری‌لود/ری‌استارت سرویس مستقیم از داخل TUI
- سریع و کم‌حجم: توسعه‌یافته با Go بدون وابستگی سنگین (Single Binary با مصرف رم ناچیز)
- تجربه کاربری تمیز: رابط متنی گرافیکی درون ترمینال بدون نیاز به حفظ دستورات پیچیده CLI

اگر با Nginx و مدیریت سرور سر و کار دارید، خوشحال می‌شم GoNix رو تست کنید و بازخوردتون رو برام بفرستید یا در روند تست و توسعه فیچرهای جدید کمک کنید.
اگر براتون مفید بود، زدن یک ستاره توی گیتهاب انرژی زیادی بهم میده!

https://github.com/mrmmg/gonix

@DevTwitter | <Mohammad Mahdi Gholamrezaei/>

ویدیو جنریت دیگه نیاز به سرور نداره.

ریپو FreeVideo مدل MiniMax H3 رو مستقیم روی کامپیوتر گیمینگ خودت اجرا می‌کنه.

فقط ۸ گیگ VRAM و ۱۶ گیگ رم کافیه.

ComfyUI داره، LoRA ساپورت می‌کنه و خودش با سخت‌افزارت هماهنگ می‌شه.

کاملاً متن‌باز.
https://github.com/FlashML-org/FreeVideo

@DevTwitter | <Reza Shakeri/>

این 9route اینقدر اعصابم رو خوردن کردن اینو درست کردم

۱) لانچر Go برای اجرای بی‌نهایت نسخه‌ی جدا از یک ایجنت CLI، بدون داکر و سرویس.
۲) هر نسخه خانه و پیکربندی و پروکسی و لاگین خودش را دارد.
۳) فرمان‌ها: ساخت، اجرا، تسک، پوسته، بذر، همانند، نصب، پزشک، حذف.
۴) کتابخانه

https://github.com/raaaas/golunch
https://raaaas.github.io/golunch/

@DevTwitter | <raa's/>

وقتی یک Docker Image از پیمانکار تحویل می‌گیریم و داخل سازمان اجرا می‌کنیم، واقعاً می‌دانیم چه چیزی را وارد زیرساختمان کرده‌ایم؟
برای من، به‌عنوان کسی که در امنیت و تست نفوذ کار می‌کند، اینکه «سرویس بالا آمد و درست کار می‌کند» پایان بررسی نیست؛ تازه شروع سؤال‌هاست.
داخل این ایمیج چه پکیج‌هایی وجود دارد؟ وابستگی‌هایش آسیب‌پذیری شناخته‌شده دارند؟ ممکن است رمز، توکن یا فایل حساسی داخلش باقی مانده باشد؟ قبل از دسترسی دادن به شبکه و داده‌های سازمان، چه چیزهایی را باید بررسی کنیم؟
من RootSecOps را با همین دغدغه ساختم.
یک پروژهٔ متن‌باز و قابل استقرار روی زیرساخت خودمان، برای بررسی Docker Image، مخزن کد، Dockerfile و فایل‌های آپلودشده، با استفاده از چند ابزار امنیتی در یک محیط واحد.
در RootSecOps می‌توانم بسته‌های داخل ایمیج را با SBOM بررسی کنم، یافته‌های ابزارهایی مثل Trivy، Grype و OSV-Scanner را ببینم و، متناسب با ورودی و تنظیمات، بررسی secretها، پیکربندی و نشانه‌های مشکوک فایل‌ها را انجام بدهم.
کاربردی که برایش در سازمان می‌بینم روشن است:
تحویل گرفتن نرم‌افزار از تأمین‌کننده، بررسی قبل از استقرار، ارائهٔ یافته‌های مشخص به پیمانکار و بررسی دوبارهٔ نسخهٔ اصلاح‌شده.
این پروژه جایگزین تست نفوذ یا تصمیم تیم امنیت نیست؛ کمک می‌کند آن تصمیم بر اساس شواهد باشد. حتی نبودن یافته هم وقتی بعضی اسکنرها اجرا نشده‌اند، به معنی امن بودن نیست.


کد پروژه:
https://github.com/Rootast/rootsecops

معرفی و سناریوی استفاده:
https://rootast.medium.com/rootsecops-know-what-third-party-software-enters-your-organization-bad2ffcae456

@DevTwitter | <Arash Shahbazi/>

برای اینکه بفهمید اطراف شما چه هواپیماهایی پرواز می‌کنن، چه کشتی‌هایی در حرکتن یا کجا زلزله اتفاق افتاده، معمولاً باید چندتا سایت و Tab مختلف باز کنید.

ابزار God's Eye View همه این اطلاعات رو روی یک Globe سه‌بعدی جمع می‌کنه. روی یک کره زمین واقع‌گرایانه می‌تونید موارد مختلفی مثل:
- هواپیماهای زنده
- کشتی‌ها
- ماهواره‌ها
- زلزله‌ها
- حدود ۸۰۰ دوربین عمومی
رو ببینید.

حتی می‌تونید روی یک هواپیما کلیک کنید و مسیر اون رو از نمای Cockpit دنبال کنید، در حالی که Terrain واقعی زمین زیر شما نمایش داده میشه.

این ابزار داخلش یک Voice Agent هم داره که قبل از جواب دادن، اطلاعات زنده مربوط به صحنه رو بررسی می‌کنه.
مثلاً اگر بپرسید: «الان چند هواپیما بالای تگزاس هست؟»
Agent به‌جای اینکه از اطلاعات قدیمی جواب بده، اطلاعات زنده صحنه رو بررسی می‌کنه و عدد واقعی رو برمی‌گردونه.

به نظرم ترکیب Live Data، نقشه سه‌بعدی و AI Agent این پروژه رو خیلی جالب کرده.

لینک ریپو:
https://github.com/bilawalsidhu/gods-eye-view

@DevTwitter | <Mehrdad Ashtari/>

باز شروع شد...

@DevTwitter