پرامپت چینینگ چیه؟

پرامپت چینینگ یعنی شکستن یک کار بزرگ به چند مرحله کوچک و اجرای پشت‌سرهم چند پرامپت.

هر مرحله یک کار کوچک انجام می‌دهد
و خروجی هر مرحله → ورودی مرحله بعد می‌شود.
اینطوری مدل بهتر می‌فهمد و اشتباه کمتر می‌کند.

مثال کوتاه

کار: یک خلاصه‌ی خوب از یک متن طولانی بده و نقاط کلیدی رو هم استخراج کن.

به‌جای یک پرامپت بزرگ، پرامپت چینینگ می‌زنیم:

پرامپت ۱: «متن را بخش‌بندی و موضاعات اصلی را پیدا کن.»

پرامپت ۲: «بر اساس موضوعات اصلی خلاصه بساز.»

پرامپت ۳: «نقاط کلیدی را جداگانه لیست کن.»


حدودا شبیه اصل تک وظیفه ای هست تو برنامه نویسی. اینطوری تو هر مرحله به مدل اشراف داریم که کاری که باید انجام میداد رو آیا درست انجام داده‌است یا خیر؟
برای این‌که بهتر هم مدیریتش کنیم می‌تونیم ازش بخوایم جیسون برگردونه که بهتر مدیریتش کنیم.

براساس کتاب: Agentic Design Patterns

@ML_Topics
#Agentic_Design_Patterns

قابلیت نسبتا جدید infographic در نوت بوک lm

من روی مقاله ی Vision Transformer تست کردم و عکس زیرو داد

https://notebooklm.google.com

روتینگ در دیزاین پترن ایجنتیک چیست؟

روتینگ یعنی تصمیم‌گیری خودکار درباره اینکه یک ورودی باید به کدام مدل، ابزار، یا Agent فرستاده شود.

این الگو باعث می‌شود سیستم:
سریع‌تر باشد
دقیق‌تر عمل کند
از مدل‌ها و ابزارها درست در جای مناسب استفاده کند
روتینگ یک زیرساخت مهم در سیستم‌های بزرگ و چندعاملی است، چون ورودی‌ها متفاوت‌اند و باید به مسیر درست هدایت شوند.

روتینگ چه مشکلی را حل می‌کند؟

همه درخواست‌ها شبیه هم نیستند.

مثلاً:

یک درخواست ساده → نیاز به مدل سنگین ندارد

یک درخواست محاسباتی → باید به ابزار داده شود

یک درخواست تحلیلی → باید به Agentِ تحلیل داده برود

یک درخواست جستجو → باید به مدل کوچک سریع یا موتور جستجو برود

Routing کاری می‌کند که هر درخواست بهترین مسیر ممکن را طی کند.


روتینگ چطور کار می‌کند؟

کتاب سه مرحله‌ی اصلی برای Routing تعریف می‌کند:

1) تشخیص نوع ورودی: سیستم متوجه می‌شود ورودی از چه نوعی است:

سؤال؟
دستور؟
محاسبات؟
درخواست جستجو؟
خلاصه‌سازی؟
2) انتخاب مسیر

بر اساس نوع ورودی تصمیم می‌گیرد:

کدام مدل
کدام ابزار
یا کدام Agent
اطلاعات را بهتر پردازش می‌کند.

3) اجرای مسیر انتخاب‌شده

درخواست در مسیر درست اجرا شده و نتیجه برگردانده می‌شود.

🔍 یک مثال ساده برای Routing

ورودی:
«این متن را خلاصه کن.»

سیستم:

می‌بیند این یک کار زبانی ساده است و آن را به مدل سبک و سریع می‌فرستد

ورودی دیگر:
«این فایل اکسل را تحلیل کن و نمودار بده.»

سیستم:

تشخیص می‌دهد این کار با مدل انجام نمی‌شود
مسیر ابزار تحلیل داده را انتخاب می‌کند
سپس خروجی به Agent گزارش‌ساز می‌رود

Routing = هوشمندانه انتخاب کردن بهترین مسیر برای هر ورودی.

⚡️ چرا Routing مهم است؟

کتاب می‌گوید Routing باعث می‌شود:


Agentic Design Patterns

سرعت سیستم زیاد شود

هزینه کاهش پیدا کند

مدل‌های سنگین فقط وقتی لازم است استفاده شوند

خطا کمتر شود

Agentها بهتر همکاری کنند

ارتباط Routing با ساخت Agentها

Routing یکی از پایه‌ای‌ترین الگوها برای ساخت:

Multi-Agent Systems

Agentهای هوشمند

سیستم‌های بزرگ سازمانی

چون این سیستم‌ها بدون اینکه ورودی‌ها را در مسیر درست بفرستند، از هم می‌پاشند.


سه نوع روتینگ
1) Prompt-based Routing

مدل با یک پرامپت خاص تشخیص می‌دهد ورودی باید به کجا برود.
مثال: مدل تصمیم بگیرد سؤال مالی است یا برنامه‌نویسی.

✔️ساده
✖️ گاهی اشتباه به خاطر نحوه نوشتن جمله

2) Embedding-based Routing

بردار معنایی (Embedding) ورودی با بردارهای دسته‌ها مقایسه می‌شود تا نزدیک‌ترین مسیر پیدا شود.

✔️ دقیق‌تر و پایدارتر
✖️ نیاز به زیرساخت embedding

3) ML-based Routing (Classifier Routing)

با داده‌های واقعی مدل ML آموزش می‌دهیم تا خودش مسیر درست را پیش‌بینی کند.

✔️ دقیق‌ترین در داده‌های اختصاصی
✖️ نیازمند دیتاست و آموزش مدل

براساس کتاب: Agentic Design Patterns

@ML_Topics
#Agentic_Design_Patterns

شرکت OpenAI وارد حالت Code Red شد! GPT-5.2 هفته آینده می‌آید.

به‌گزارش The Verge، سم آلتمن مدیرعامل OpenAI اعلام کرده شرکت وارد حالت Code Red شده؛ یعنی وضعیت اضطراری برای جلوگیری از عقب افتادن از رقبا مثل Google Gemini 3 و Anthropic.

🔻 نتیجه‌ی این وضعیت؟
انتشار GPT-5.2 جلو افتاد و احتمالاً از ۹ دسامبر ۲۰۲۵ در دسترس قرار می‌گیرد.

این نسخه قرار نیست فقط «قوی‌تر» باشد؛ هدف اصلی آن بهبود تجربه کاربری است:

افزایش محسوس سرعت پاسخ‌گویی

کاهش خطاهای مدل

پایداری بیشتر در چت‌های طولانی

بهبود قابلیت شخصی‌سازی (شخصیت، حافظه و رفتار مدل)

عملکرد بهتر در مسائل استدلالی

هم‌زمان، OpenAI چند پروژه جانبی مثل تبلیغات و ابزارهای خرید/سلامت را موقتاً متوقف کرده تا تمام انرژی روی ChatGPT و مدل اصلی متمرکز شود.

@ML_Topics

هجدهمین جلسه دورهمی Epoch Club

ارائه‌دهنده: رایان هیدا
موضوع: پیش‌پردازش متن‌ها

زمان: پنج‌شنبه ۲۰ آذر ماه از ساعت ۱۶ تا ۱۸

در این فصل از جلسات، قرار است مجموعه‌ای از نشست‌های مرتبط داشته باشیم تا در پایان این فصل، بتوانیم از دانش به‌دست‌آمده در این جلسات به‌صورت عملی استفاده کنیم.

💡 شرکت در جلسات رایگان است، اما حتماً برای حضور از طریق لینک زیر ثبت‌نام کنید:

🔗 لینک ثبت‌نام:
https://evnd.co/2MSDG

📍 آدرس: کارخانه نوآوری، کهکشان یک ، مریخ

⚙️ پیش‌نیاز: آشنایی با زبان پایتون و داشتن تجربه تحقیق در حوزه هوش مصنوعی

بخش tool use یعنی Agent فقط متن تولید نکند، بلکه بتواند واقعاً کاری انجام دهد
مثل:
صدا زدن API
کوئری زدن به دیتابیس
اجرای کد
خواندن فایل
سرچ کردن
اینجا Agent از «فقط فکر کردن» → می‌رسد به عمل کردن.

چه مشکلی را حل می‌کند؟
LLMها:
اطلاعاتشان قدیمی است
محاسبات دقیق بلد نیستند
به داده‌های زنده دسترسی ندارند
Tool Use این محدودیت‌ها را برطرف می‌کند.

کتاب این چرخه را توضیح می‌دهد:

Agent درخواست را می‌فهمد
تشخیص می‌دهد آیا ابزار لازم است یا نه
ابزار مناسب را انتخاب می‌کند
ابزار اجرا می‌شود
خروجی ابزار → دوباره به Agent برمی‌گردد
Agent جواب نهایی را می‌سازد

مثال خیلی ساده

درخواست:
«قیمت امروز بیت‌کوین را بگو»
Agent:
می‌فهمد اطلاعات زنده لازم است
API قیمت را صدا می‌زند
عدد را می‌گیرد
جواب نهایی می‌دهد
بدون Tool Use → جواب اشتباه
با Tool Use → جواب واقعی

نکته مهمی که کتاب تأکید می‌کند

Tool Use باید کنترل‌شده باشد

یعنی:
Agent نباید هر وقت دلش خواست ابزار صدا بزند
باید محدودیت، قرارداد (schema) و اعتبارسنجی داشته باشد
خروجی ابزار باید بررسی شود
وگرنه سیستم ناامن و غیرقابل پیش‌بینی می‌شود.

براساس کتاب: Agentic Design Patterns

@ML_Topics
#Agentic_Design_Patterns

یه اکانت کرسر گرفتم
پروژه فرانت و بک رو کامل زدم باهاش
یه چت بات خیلی خوب
داره کار میکنه.
حتی دولوپ کردم آوردم بالا و ci/cd هم درستش کردم
دانش دواپسم کم بود ولی راحت انجام شد ...
دیگه بنظرم انجام ندادن ایده هایی که داریم فقط در حد یه بهونس
مشکل رو پیدا کنیم. MVP درست کنیم و فیدبک بگیریم.
ابزاری هایی کد نویسی یا حتی بدون کد نویسی خیلی زیاد هست که میشه باهاش حداقل MVP آماده کرد.
اکانت های کرسر، کلود، codex رو میتونیم تهیه کنیم و کلی سرعت بدیم به کارهامون

@ML_Topics

کار کردن با هوش مصنوعی همینقدر سادست. این که خلاقیت داشته باشیم چی درست کنیم باهاش مهمه.
میتونی ویدیو هامون رو بزاریم کنار هم و فیلم درست کنیم...
می‌تونیم عکس‌هارو سریع ادیت بزنیم.

این ویدیو رو:
هوش مصنوعی grok با تصویری که بهش دادم فریم ابتدایی و انتهایی ویدیو رو برام درست کرد و
این دو فریم رو دادم به
https://dream-machine.lumalabs.ai/
برام ویدیو اماده کرد.

نکته ای که داشت اینه که جی پی تی به‌خاطر حریم خصوصی تصویر رو تغییر نمی‌داد ولی خوب خیلی از کارها رو میشه با grok انجام داد

@ML_Topics

نوزدهمین جلسه دورهمی Epoch Club

ارائه‌دهنده: محمدرضا برجیان
موضوع: از Agent تا API؛ پشت‌صحنه هوش مصنوعی کاربردی

زمان: پنج‌شنبه ۱۱ دی‌ماه از ساعت ۱۷ تا ۱۹

در این فصل از جلسات، قرار است مجموعه‌ای از نشست‌های مرتبط داشته باشیم تا در پایان این فصل، بتوانیم از دانش به‌دست‌آمده در این جلسات به‌صورت عملی استفاده کنیم.

💡 شرکت در جلسات رایگان است، اما حتماً برای حضور از طریق لینک زیر ثبت‌نام کنید:

🔗 لینک ثبت‌نام: https://evnd.co/3v1zb

📍 آدرس: کارخانه نوآوری، کهکشان یک ، مریخ

⚙️ پیش‌نیاز: آشنایی با زبان پایتون و داشتن تجربه تحقیق در حوزه هوش مصنوعی

@ML_Topics

متاسفانه این جلسه لغو شد

اگر کرسر دارید میتونید از grok code به صورت رایگان استفاده کنید.
من امروز امتحان کردم برام راضی کننده بود و خوب جواب میداد

The fear isn’t that AI will replace developers.

The fear is that AI will replace the software development process we’re used to.

Code is becoming cheap.
Decisions are becoming expensive.

AI can write functions all day, but it can’t decide what should be built, how it fits the system, or why it solves the problem. That part still sits with people who understand architecture, trade-offs, constraints, and consequences.

The shift is simple:

Developers who only implement tasks will struggle.
Developers who understand the product, the domain, and the system will thrive.

AI reduces typing, not thinking. It accelerates engineers who treat code as leverage, not output. It exposes shallow understanding and rewards clarity, reasoning, and ownership.

Small teams will ship things that once required entire departments.
The bar moves from writing code to shaping it.

AI won’t replace developers.
But it will replace developers who don’t grow beyond writing code.

And if this transition feels uncomfortable, that’s normal. Every major shift starts that way. What matters now isn’t fear, it’s staying curious, learning fast, and leaning into the parts of engineering that AI can’t automate.



ترس این نیست که هوش مصنوعی جای توسعه‌دهندگان را بگیرد.

ترس این است که هوش مصنوعی فرآیند توسعه نرم‌افزاری که به آن عادت داریم را تغییر دهد.

کدنویسی دارد ارزان می‌شود.
تصمیم‌گیری دارد گران می‌شود.

هوش مصنوعی می‌تواند تمام روز توابع بنویسد، اما نمی‌تواند تصمیم بگیرد چه چیزی باید ساخته شود، چگونه در سیستم جای می‌گیرد، یا چرا مشکل را حل می‌کند. این بخش هنوز بر عهده افرادی است که معماری، انتخاب‌های متضاد، محدودیت‌ها و پیامدها را می‌فهمند.

تغییر ساده است:

توسعه‌دهندگانی که فقط کارها را اجرا می‌کنند، با مشکل مواجه خواهند شد.

توسعه‌دهندگانی که محصول، حوزه کاری و سیستم را می‌فهمند، پیشرفت خواهند کرد.

هوش مصنوعی فقط تایپ را کاهش می‌دهد، نه تفکر را.
آن سرعت را به مهندسانی می‌دهد که کد را به عنوان اهرم (ابزار تاثیر) می‌بینند، نه صرفاً خروجی.
درک سطحی را آشکار می‌کند و وضوح، استدلال و مسئولیت‌پذیری را پاداش می‌دهد.

تیم‌های کوچک قادر خواهند بود محصولاتی را عرضه کنند که قبلاً نیازمند کل بخش‌ها بود.
معیار از «نوشتن کد» به «شکل دادن به کد» منتقل می‌شود.

هوش مصنوعی توسعه‌دهندگان را جایگزین نمی‌کند.
اما توسعه‌دهندگانی که فراتر از نوشتن کد رشد نمی‌کنند را جایگزین خواهد کرد.

و اگر این گذار برایتان ناراحت‌کننده است، این طبیعی است. هر تغییر بزرگ با چنین احساسی آغاز می‌شود.
آنچه اکنون اهمیت دارد ترس نیست، بلکه کنجکاو ماندن، سریع یاد گرفتن و تمرکز روی بخش‌هایی از مهندسی است که هوش مصنوعی نمی‌تواند خودکار کند.

(ترجمه از هوش مصنوعی)


https://x.com/i/status/2023381859489767772

قابلیت جدید فیگما

با این قابلیت، رابط کاربری‌ای که با کد یا هوش مصنوعی ساخته شده (مثلاً با Claude Code) می‌تونه مستقیماً وارد Figma بشه —
نه به شکل عکس یا اسکرین‌شات، بلکه به‌صورت فریم‌های کاملاً قابل ویرایش.

یعنی چی؟
یعنی UI واقعی که قبلاً فقط توی کد یا مرورگر بود، حالا روی بوم طراحی Figma قرار می‌گیره و طراح، دولوپر و تیم محصول می‌تونن همزمان روش کار کنن

نکته‌ی مهم‌تر اینه که مسیر کار داره برعکس هم می‌شه:
اول کد - بعد طراحی - بعد تصمیم‌گیری تیمی
نه الزاماً «اول طراحی، بعد کدنویسی»

این قابلیت دقیقاً روی همین نقطه دست می‌ذاره.

جمع‌بندی:
آینده‌ی ساخت محصول جاییه که
کد، AI و طراحی
دیگه جدا از هم نیستن — رفت‌وبرگشتی و تیمی جلو می‌رن.

خطر واقعی این نیست که AI کد بنویسه
خطر اینه که آدم‌ها فکر کنن دیگه لازم نیست فکر کنن

https://www.figma.com/blog/introducing-claude-code-to-figma/

@ML_Topics

دوستان
من یه ربات ساختم به اسم Famore 🤖📚
برای کسایی که می‌خوان کلمات انگلیسی رو
واقعی یاد بگیرن، نه حفظی، نه لیست‌وار، نه بی‌مصرف.
تو این ربات: – خودت کلمه اضافه می‌کنی
– تمرین نوشتن می‌گیری
– جواب می‌دی
– AI بهت بازخورد می‌ده
– کم‌کم واقعاً رو کلمه مسلط می‌شی
خودم داشتم یاد زبان می‌خوندم، دیدم این چیزی بود که کم داشتم،
نشستم ساختمش 😅
آی‌دیش: @famoreBot


ربات هنوز در حال توسعه‌ست
پس اگه باگ دیدی، ایده داشتی، یا گفتی «اینو اگه داشت خفن‌تر می‌شد»
بهم بگو 👂
📩 آی‌دی من: @Mohammadreza_br
اگه حال و حوصله کلاس و حفظ کردن نداری
ولی دوست داری زبانت راه بیفته،
Famore احتمالاً به کارت میاد

اگر برای تست خواستید بگید براتون اشتراک رو فعال کنم

🚀 آپدیت جدید بات آموزش زبان Famore رسید!
دو تا فیچر خفن به بات اضافه کردیم که کار باهاش خیلی راحت‌تر و جذاب‌تر شده:
✨ دکمه‌دار شد
دیگه لازم نیست همه‌چی رو تایپ کنی؛ با دکمه‌ها سریع‌تر تمرین کن 👆
🇮🇷 ترجمه فارسی اضافه شد
اگه معنی یه کلمه یا جمله رو نفهمیدی، ترجمه فارسی کنارت هست 😉
همچنین محدودیت استفاده روزانه رایگان به ۵ تمرین در روز رسید
📢 برای اینکه از آپدیت‌ها، فیچرهای جدید و خبرهای Famore جا نمونی،
حتماً کانال‌مون رو دنبال کن:
👉 @famore_channel
منتظرتیم 💙📚

ابزار Graph Engineering

تا حالا دقت کردید وقتی به AI Coding Agentها (مثل Claude Code یا Devin) یه پروژه بزرگ می‌دیم، وسط کار گیج میشن، کارهای قبلی رو فراموش می‌کنن یا Context رو گم می‌کنن؟ 🤯

امروز می‌خوام یه ابزار به شدت کاربردی به اسم Beads رو بهتون معرفی کنم که شعارش اینه: "یک ارتقای حافظه برای ایجنت برنامه‌نویس شما!" 🧠🤖

پروژه Beads دقیقاً چیه؟
این پروژه (که توسعه‌دهنده‌های خفنی پشتشه) در واقع یک Issue Tracker توزیع‌شده با ساختار Graph هست که به طور خاص برای AI Agentها طراحی شده. به جای اینکه ایجنت‌ها برنامه‌هاشون رو تو فایل‌های شلوغ Markdown بنویسن و خرابکاری کنن، Beads بهشون یک حافظه ساختاریافته میده تا تو پروژه‌های طولانی‌مدت (Long-horizon tasks) گم نشن.

🔥 ویژگی‌های خفن Beads:
🔹 بر پایه Dolt: این ابزار از دیتابیس Dolt (یک دیتابیس SQL با قابلیت Version Control) استفاده می‌کنه! یعنی دقیقاً مثل Git می‌تونید روی دیتابیس Branch بسازید و دیتای تسک‌ها رو سینک کنید.

🔹 مدیریت ارتباطات (Graph Links): تسک‌ها رو به صورت گراف به هم متصل می‌کنه (مثل blocks, duplicates, relates_to) تا مدل دقیقاً بدونه پیش‌نیازها چیا هستن و فقط سراغ تسک‌های آماده (bd ready) بره.

🔹 بدون Merge Conflict: به خاطر استفاده از IDهای مبتنی بر Hash، وقتی چند تا ایجنت همزمان دارن تو محیط Multi-Agent کار می‌کنن، هیچ تصادمی پیش نمیاد.

🔹 فشرده‌سازی حافظه (Compaction): با مکانیزم Memory Decay، تسک‌های بسته شده قدیمی رو خلاصه می‌کنه تا Context Window مدل الکی پر نشه و هزینه‌های API سر به فلک نکشه!

این ابزار مستقیماً روی سیستم نصب میشه (CLI) و نیازی نیست به سورس‌کد پروژه‌هاتون اضافه‌اش کنید. فقط کافیه به Agent خودتون تو فایل دستورالعمل‌ها بگید: "برای مدیریت تسک‌ها از دستور bd استفاده کن!" 😎

🔗 منابع و لینک‌های مهم:
1️⃣ ریپازیتوری گیت‌هاب پروژه Beads - (سورس کد و نحوه نصب CLI)

👉 https://github.com/gastownhall/beads

2️⃣ مستندات کامل پروژه - (نحوه یکپارچه‌سازی با ایجنت‌ها)

👉 https://beads.gascity.com