مشکل خیلی از هوش های مصنوعی این نیست که کدنویسی بلد نیستن؛ مشکل اینه که نمی‌دونن چطور باید یه فرایند توسعه نرم‌افزاری رو درست پیش ببرن.

این یه مجموعه‌ای از Skill و workflowهای آماده برای ایجینت های کدنویسیه. از Spec و Planning گرفته تا TDD، Code Review، API Design و Frontend Engineering.

یعنی به‌جای اینکه هر بار به Agent بگی چطوری کار کن، یه workflow مشخص بهش میدی.

برای Claude Code، Codex، Cursor و کلی Coding Agent دیگه هم قابل استفاده‌ست.

github.com/addyosmani/agent-skills

@Linuxor

مدل Jev که جدیدا معرفی شده و سرو صدای زیادی کرده سرعتش به قدری بالاست که کلی کار جالب می‌شه باهاش کرد، مردم شروع کردن و به صورت وایب کدینگ باهاش اپلیکیشن های جالبی می‌سازن:


@Linuxor

می‌تونی یک نسخه‌ی کاملاً مجازی از iPhone 17 Pro، iPad Pro، iPhone Air و Apple Watch رو به‌صورت لوکال اجرا کنی؛ اونم مستقیماً داخل مرورگر و با قابلیت اتصال به AI Agent.

شبیه‌سازی با 60 فریم بر ثانیه + ژست‌های لمسی واقعی، بدون نیاز به App یا باز کردن پنجره‌ی Xcode
پشتیبانی از لمس چندانگشتی
داشتن Tap، Swipe، Pinch، Home و Lock واقعی
اجرای Headless و ساخت فارم چنددستگاهی از iOS 26
دسترسی به Accessibility Tree و مشاهده‌ی زنده‌ی os_log
امکان کنترل و لمس اپلیکیشن در حال اجرا توسط AI Agent
انتقال تصویر وب‌کم به دوربین شبیه‌ساز:

github.com/tddworks/baguette

@Linuxor

یه چیزی که مدت‌ها دلم می‌خواست وجود داشته باشه رو بالاخره ساختم: وایب فارسی UI، یه UI library برای ساختن وب‌سایت و وب‌اپ فارسی، مخصوصاً برای vibe coding و راستچین تمیز، کامپوننت‌های فارسی، تاریخ شمسی، OTP، شبا، فرم‌ها، انیمیشن، WebGL و کلی چیز دیگه.

ولی هدف اصلی اینه که وقتی به Cursor یا هر ایجنتی می‌گی:

یه فروشگاه برای فروش قاب موبایل با وایب فارسی برام بساز لازم نباشه بعدش نیم ساعت با RTL و فونت و تقویم و فرم و هزار تا چیز دیگه بجنگی. رایگان و متن‌بازه. امشب منتشرش کردم.
59 کامپوننت 8 بلاک 32 پس‌زمینه 24 قالب 6 سیستم طراحی

تست آنلاین :
vibefarsi.ir

سورس کد:
github.com/TronIsHere/vibafarsiui

@Linuxor ~ Erwinamm

یکی دیگه از موانع رسیدن ب AGI برداشته شد،

حالا با جِو Jev میشه تصمیمات بسیار سریع و دقیقی گرفت درحالی ک بشدت مقرون بصرفه و ارزون هست ورودیش و خروجیش تقریبا صفره. تقریبا ک نه! عملا صفره.

ببینید چطور همزمان 50 تا Subway Surfer رو بازی میکنه. شاهکاره.


@Linuxor ~ 0xKaveh

دوستان این مقاله کوتاه رو بخونید برای آموزش کار کردن با مدل Jev هستش که جدیدا خیلی معروف شده و اساساً برای تولید متن ساخته نشده؛ برای تصمیم‌گیری سریع، ساختاریافته و احتمالی داخل نرم‌افزار ساخته شده.

ایده‌ی اصلی Jev اینه:

به‌جای اینکه از یه LLM بزرگ بخوای متن تولید کنه و بعد خودت از توی اون متن بفهمی جواب چی بوده، سؤال مشخصی بهش میدی و اون مستقیماً یه مقدار typed مثل yes/no، یک گزینه، یا یک امتیاز برمی‌گردونه.

مثلاً بهش میگی:

این تیکت مربوط به کدوم تیمه؟ ← billing
کاربر عصبانیه؟ ← 0.82
این درخواست فوریه؟ ← 0.91
شدت مشکل چقدره؟ ← 2.4

توی مقاله با مثال نحوه استفاده Jev رو گفته و توضیح می‌ده چطور میشه چند تصمیم رو به‌صورت همزمان گرفت، confidence داشت و کارهای ساده رو قبل از فرستادن درخواست به مدل‌های بزرگ‌تر انجام داد :

dev.to/valyuai/how-to-use-jev-a-practical-guide-to-typesafes-system-one-model-g5e


@Linuxor

من اگه این مگسه بیفته دستم روش یه برنامه مینویسم بره بقیه مگسای مزاحم رو بکشه.


@Linuxor

دسترسی مدل Jev برای همه آزاد شده :

console.typesafe.ai

به هر ایمیلی ابتدا 5 دلار کردیت میده که معادل 120 میلیون توکنه.

@Linuxor

من معرفی مدل Jev رو یه خبر منفی شدید برای کل بازار هوش مصنوعی می‌بینم ظاهرش شاید مثبت باشه اما باطنا مثبت نیست چون بخش بزرگی از درآمد و سرمایه شرکت های هوش مصنوعی مثل OpenAI اینه که به شرکت ها (نه آدمها) به صورت B2B دارن API میدن و درامد زیادی از این قضیه دارن

حالا یه مدل مثل Jev بیاد و با هزینه کمتر و سرعت بالاتر انجام بده قطعا مشتری های این شرکت هارو تحریک میکنه. نکته بعد تر اینه که شرکت هایی مثل OpenAI درامد ایندشون رو پیش‌بینی میکنن و اونو پیشخور میکنن تا سرعت پیشرفتشون رو بالا ببرن وقتی مشتری ها بپره عملا یه شوک بهشون وارد می‌شه. البته Jev همه مشتری هارو نمیتونه بگیره ولی بخش بزرگیش مشترکه.

@Linuxor

مدل Jev توی طراحی یک Design System چقدر خوبه؟

فقط کافیه یک جمله بهش بدی، بعد خودش از بین بیشتر از 1 کوادریلیون ترکیب مختلف انتخاب می‌کنه.

هیچ‌کدوم از بخش‌های این ویدیو سریع‌تر نشده؛ هر بار که استایل رو تغییر می‌ده، در واقع 4 درخواست موازی اجرا میشه که حدود 2 ثانیه زمان می‌بره و هزینه‌ش حدود $0.0007 هستش.

29 تا فلگ برای کنترل چیزهایی مثل فرم گوشه‌ها، حاشیه‌ها، خانواده آیکون‌ها، مسیرهای نمودار، بافت صفحه، میزان تراکم و انیمیشن‌ها استفاده میشن؛ همه‌شون هم روی shadcn ساخته شدن.

علاوه بر این‌ها، رنگ، شعاع گوشه‌ها، فاصله‌ها و مقیاس تایپوگرافی هم به‌صورت پیوسته قابل تنظیم هستن.

@Linuxor

یه تیم دیگه هم شروع کردن به توسعه مدل اوپن برای Jev البته با خود Jev متفاوته کمی چون قسمت تولید متن Qwen رو حذف کردن درسته سرعت بیشتر شده بخاطر عدم تولید متن ولی مشابه معماری Jev نیست هنوز

توضیحات :
zefan-cai.github.io/open-jev

هاگینگ فیس مدل:
huggingface.co/ZefanCai/Open-Jev-9B


@Linuxor

کاربری تونسته با DiffusionGemma که مدلی برای تولید متن با معماری diffusion هستش، به یه مدل شبیه به Jev برسه.

ایده اینه که به‌جای تولید توکن‌به‌توکن، DiffusionGemma گزینه‌های ساختاریافته رو روی یک canvas قرار میده و با diffusion همه گزینه‌ها رو به‌صورت موازی بررسی می‌کنه؛ یعنی با یک پاس می‌تونه برای تصمیم‌هایی مثل Yes/No و چندگزینه‌ای، جواب و میزان اطمینان مدل رو استخراج کنه.

این معماری از attention دوطرفه کامل استفاده می‌کنه، بنابراین هر گزینه همزمان به کل context دسترسی داره و می‌تونه توزیع تصمیم‌گیری کالیبره‌تری بده. از طرف دیگه، قابلیت‌های multimodal و درک فضایی Gemma 4 رو هم به ارث می‌بره؛ اجرای یک پاس diffusion هم روی DGX Spark حدود 0.2 ثانیه گزارش شده.

جالب‌تر اینکه خود گوگل رسماً این رو با عنوان «DiffusionGemma as Jev» معرفی کرده و گفته این پروژه قدرت معماری‌های non-autoregressive رو نشون میده.


@Linuxor

اگه دنبال ساخت اپ‌هایی هستین که AI توشون فقط یه چت‌بات کنار اپ نباشه، پروژه Agent-Native از Builder.io خیلی جالبه.

ایده‌ش اینه که قابلیت‌های اصلی اپ رو به شکل Action تعریف کنین؛ بعد هم UI و هم AI Agent بتونن از همون Actionها استفاده کنن. یعنی Agent برای انجام کارها لازم نیست مثل یه کاربر توی UI کلیک کنه.

این معماری باعث می‌شه Agent واقعاً بخشی از خود اپلیکیشن باشه؛ با دسترسی به state، دیتابیس، permissionها و قابلیت‌های اصلی محصول. از طرف دیگه همون قابلیت‌ها می‌تونن از طریق UI، API، MCP، A2A و CLI در دسترس باشن.

اگه دارین روی SaaS یا اپلیکیشن‌های AI-native کار می‌کنین، به نظرم ارزش داره معماری این پروژه رو یه نگاه بندازین. مخصوصاً بخش Actionها و نحوه وصل شدن Agent به خود application خیلی دید خوبی برای طراحی نسل جدید اپ‌ها می‌ده.

توضیحات بیشتر :
www.agent-native.com
سورس کد :
github.com/BuilderIO/agent-native


@Linuxor

دیده شدن کیبورد RGB در آسمان تهران!

@Linuxor

پروژه OpenStock رو ببینید یه داشبورد کامل برای رصد سهام، Watchlist، اخبار، اطلاعات شرکت‌ها، نمودارها و حتی قابلیت‌های AI که می‌تونین خودتون هم Hostش کنین.

با Next.js 15، React 19، TypeScript، Tailwind، MongoDB، Better Auth، Inngest و Gemini ساخته شده، Market Data هم از Finnhub و برای بعضی نمودارها از TradingView استفاده می‌کنه.

چیزی که برای من جالبه اینه که فقط یه UI ساده نیست؛ یه نمونه نسبتاً کامل از یه محصول واقعی با Authentication، Database، Background Jobs، APIهای مالی و قابلیت‌های AI هستش. برای یادگیری معماری یه SaaS مدرن هم می‌تونه خیلی کاربردی باشه.

github.com/Open-Dev-Society/OpenStock


@Linuxor

اگه با Claude Code، Codex یا OpenCode کار می‌کنی، احتمالاً یه عالمه session قدیمی داری که پیدا کردنشون خودش یه پروژه‌ست Chat Seek یه افزونه برای VS Code هست که چت‌های قبلیت رو به‌صورت آفلاین و local ایندکس می‌کنه و با سرچ معمولی یا معنایی کمک می‌کنه سریع session موردنظرت رو پیدا کنی.

حتی می‌تونی session پیدا شده رو دوباره Resume کنی و ادامه همون کاری که قبلاً داشتی انجام می‌دادی رو بگیری. سرچ و رتبه‌بندی هم می‌تونه کاملاً روی سیستم خودت انجام بشه.

گیت‌هاب پروژه:

github.com/fstandhartinger/chat-seek-vscode

@Linuxor

یه AI Upscaler خیلی کاربردی پیدا کردم.

تصاویر و ویدیوها رو 2x یا 4x آپ‌اسکیل می‌کنه، بدون نصب، بدون آپلود به سرور و کاملاً محلی و رایگان روی مرورگرتون اجرا می‌شه.

هر وقت رزولوشن تصویر یا ویدیوتون ناامیدکننده بود، مستقیم از مرورگر استفاده کنید:

freeupscaler.app

@Linuxor ~ ai_ba_reza

اینو ببینید چه سرعت خوبی داره! این خودِ Jev نیست، djev-run هستش؛ پروژه‌ای که برای اجرای مدل djev بر پایه‌ی DiffusionGemma ساخته شده. باهاش می‌تونین djev رو خیلی راحت روی Google Cloud Run دیپلوی کنین و در چند مرحله یه endpoint سازگار با Jev API داشته باشین و خودتون باهاش بازی کنین:


ایده‌ی djev هم مثل Jev یه مقدار با LLMهای معمولی فرق داره؛ به‌جای اینکه صرفاً متن تولید کنه، برای تصمیم‌گیری ساختاریافته ساخته شده. مثلاً می‌تونین یه پیام کاربر رو بدین و ازش بخواین مشخص کنه مربوط به کدوم دسته هست، شدت مشکل چقدره، آیا درخواست refund داره یا نه و حتی برای جواب‌ها probability بگیرین. یعنی خروجی مستقیماً می‌تونه وارد منطق اپلیکیشن بشه.


github.com/taeold/djev-run

@Linuxor

دیروز یه نفر یه افزونه برای Chrome ساخته که یه سایدپنل داره و می‌تونه ابزارهای WebMCP سایت‌ها رو با Jev کنترل کنه. با هر چیزی که تایپ می‌کنی، ابزار مناسب رو انتخاب می‌کنه، ورودی‌ها رو پر می‌کنه و میزان اطمینانش رو هم نشون می‌ده.

مثلاً برای خرید، سوالی مثل «چیزی بدون گلوتن زیر 2 دلار دارید؟» دیگه نیاز به چت و مکالمه نداره؛ افزونه مستقیماً ابزار search_products رو صدا می‌زنه. یعنی همه‌چیز لزوماً به چت‌بات نیاز نداره.

نکته جالب‌تر اینه که همین ابزار می‌تونه برای تست WebMCP هم استفاده بشه. اگه 2 ابزار مدام برای یه جمله با هم رقابت کنن، احتمالاً توضیحاتشون هم‌پوشانی داره؛ اگه یه آرگومان رو با اطمینان پایین تشخیص بده، ممکنه schema مبهم باشه. در نتیجه می‌تونه به بهتر نوشتن توضیحات ابزارها کمک کنه:


github.com/sdras/jev-webmcp-extension


@Linxuor

فرق مدل Jev با LLM های معمولی اینه که Jev درونگراست و حرف نمی‌زنه ولی LLM برونگراست هرچی تو دلش باشه رو می‌کنه.


@Linuxor

یه هارنس ایجنت اوپن سورس برای Jev ! بیینید هوش مصنوعی چطوری داره باهاش قارچ خور بازی می‌کنه :)

این هارنس که اختصاصی برای Jev طراحی شده محیط رو می‌بینه، کارهایی که در اون لحظه امکان انجامشون وجود داره رو به گزینه‌های مشخص تبدیل می‌کنه و مدل در هر مرحله فقط یک بار تصمیم می‌گیره. مدل قرار نیست خودش متن یا Action جدید تولید کنه؛ فقط از بین گزینه‌هایی که محیط در اختیارش گذاشته با سرعت بالا انتخاب می‌کنه. برای هر تصمیم هم احتمال مشخصی ثبت میشه.

github.com/HarnessRouter/SystemOneHarness

@Linuxor