اگه ADHD دارید یا موقع خوندن متن‌های طولانی، مقاله‌ها و مستندات فنی تمرکزتون به‌هم می‌ریزه، «Focus Friendly» می‌تونه به کارتون بیاد.

این افزونه رایگان و متن‌باز Codex، اطلاعات سنگین رو به بخش‌های کوتاه و قابل‌فهم تبدیل می‌کنه: اول نکته اصلی، بعد یک مثال ساده و در آخر فقط قدم بعدی. برای مطالعه، تحقیق، یادگیری برنامه‌نویسی و جلو بردن پروژه‌ها هم کاربردیه.

جزئیات مهم حذف نمی‌شن؛ اطلاعات فقط طوری مرتب می‌شن که وسط حجم زیاد متن گم نشیم، راحت‌تر موضوع رو بفهمیم و شروع کردن سخت نباشه.

پروژه رو ببینید و اگه مفید بود براتون، با بقیه هم به اشتراک بذارید:
https://github.com/yappologistic/focus-friendly

@DevTwitter | <E Gurl/>

چند وقتیه که به جای Postman از Bruno استفاده می‌کنم و واقعاً ازش راضی‌ام.
بیشتر از همه این موضوع برام جذاب بود که Collectionها داخل خود Repository پروژه ذخیره می‌شن. یعنی مثل کدهای پروژه Commit می‌شن، تغییراتشون داخل Git قابل مشاهده است و اگر یکی از اعضای تیم Request جدیدی اضافه یا ویرایش کنه، دقیقاً می‌شه دید چه چیزی تغییر کرده؛ بدون نیاز به Export و Import کردن Collectionها.
چند نکته دیگه که به چشمم اومد:
سبک و سریع‌تر از Postman اجرا می‌شه.
کاملاً آفلاین و Open Source هست.
از Environment، Variables، Authentication، GraphQL و gRPC هم پشتیبانی می‌کنه

@DevTwitter | <Mohammad Amiri/>

خبر بد برای ویندوزهای کرک شده با KMS
مایکروسافت می‌خواهد تراشه‌های TPM را در مادربردها برای بررسی اصالت سیستم عامل ایجاد کند.

این تراشه بررسی خواهد کرد که آیا سرور فعال‌سازی معتبر است یا خیر و آیا روی سخت‌افزار قابل اعتماد کار می‌کند یا خیر. این بررسی اجباری خواهد شد!

@DevTwitter | <Bahram Ghorbani/>

تحلیل استاتیک یک نمونه بدافزار بات‌نت Mirai برای معماری ARMv6

در این گزارش، نمونه iran.armv6l از خانواده Mirai بررسی شده است؛ بات‌نتی که سال‌ها دستگاه‌های IoT مانند روترها، دوربین‌های IP و DVR/NVR را هدف حملات DDoS قرار داده است.
تغییر رمز عبور پیش‌فرض و غیرفعال‌سازی Telnet همچنان از مؤثرترین اقدامات دفاعی در برابر این تهدید است.

گزارش کامل:

https://threatlab.ir/reports/8ffe2f14-e9b2-4569-8699-dbcbe431642b/

هنوز هم فعال می باشد :
https://threatlab.ir/threat-feed/?tab=iran

@DevTwitter | <Ramin Farajpour Cami/>

چگونه با کمک AI کد فوق‌العاده سریع بنویسیم؟

چند روز پیش مقاله‌ای خواندنی از Yoshifumi Kawai درباره نوشتن کدهای سی‌شارپ High Performance در عصر هوش مصنوعی دیدم که نکات بسیار ارزشمندی داشت.

ایده اصلی مقاله این است که هنگام بهینه‌سازی کد با BenchmarkDotNet، بررسی زمان اجرا (Mean) و میزان حافظه اشغال‌شده (Allocated) به تنهایی کافی نیست. اگر اطلاعات دقیق‌تری مثل خروجی Assembly کدهای JIT یا داده‌های مربوط به Branch Prediction را در اختیار مدل‌های هوش مصنوعی قرار دهیم، می‌تواند با تحلیل رفتار کد در سطح سخت‌افزار، بهینه‌سازی‌های غیربدیهی و بسیار عمیقی پیشنهاد دهند.

علاوه بر جنبه‌های فنی بنچمارک، این مقاله نکات ارزشمندی برای کارهای غیر از Performance هم دارد که نشان می‌دهد چطور می‌توان با هوش مصنوعی به‌صورت قابل اعتماد و برای محیط‌های واقعی (Production) کار کرد.

نکات کلیدی مقاله:

تغذیه هوش مصنوعی با کدهای اسمبلی: با فعال‌سازی ابزارهایی مثل DisassemblyDiagnoser و BranchMispredictions، هوش مصنوعی می‌تواند کدهای اسمبلی تولیدشده توسط JIT را بخواند و گلوگاه‌های پنهان (مثل Bounds Checks یا حلقه‌های اضافی) را شناسایی کند.

عبور از مرز خستگی انسان: معمولاً توسعه‌دهندگان پس از رسیدن به یک بهینه‌سازی اولیه (مثل یک SIMD ساده) کار را تمام‌شده می‌دانند، چرا که بررسی خط‌به‌خط کدهای اسمبلی کاری زمان‌بر و خسته‌کننده است. اما برای هوش مصنوعی هزینه بررسی کدهای ماشین صفر است؛ بنابراین می‌تواند بدون خستگی، چندین مرحله بهینه‌سازی پیچیده را پشت سر هم ادامه دهد.

حلقه‌های بهینه‌سازی تدریجی: در یک بنچمارک برای محاسبه مجموع عناصر یک آرایه، مدل هوش مصنوعی با تحلیل مرحله‌به‌مرحله دستورات ماشین، توانست یک حلقه ساده for (با زمان ۲۱۱ نانوثانیه) را به یک پیاده‌سازی فوق‌العاده سریع با Vector512 (با زمان ۱۸ نانوثانیه) تبدیل کند.

کاربرد در پروژه‌های واقعی: نویسنده همین روش را برای بهینه‌سازی نوشتن اعداد صحیح در کتابخانه معروف MessagePack سی‌شارپ به کار برده و به بهبودهای چشم‌گیری رسیده است.

نقش حیاتی توسعه‌دهنده: هوش مصنوعی جایگزین دانش تخصصی نمی‌شود. هدایت درست مدل‌ها مستلزم داشتن درک عمیق از زبان C# و رفتار Runtime است؛ علاوه بر این، توسعه‌دهنده باید کدهای پیشنهادی هوش مصنوعی را خط‌به‌خط بخواند، کاملاً درک کند و صحت عملکرد آن‌ها را بسنجد تا کد نهایی امن، درست و آماده برای Production باشد.

اگر در حوزه .NET، بهینه‌سازی سطوح پایین یا به‌طور کلی مهندسی نرم‌افزار به کمک هوش مصنوعی فعالیت می‌کنید، مطالعه این مقاله را حتماً پیشنهاد می‌کنم!

https://neuecc.medium.com/how-to-write-the-fastest-code-with-benchmarkdotnet-in-c-in-the-ai-era-6a585e634488


@DevTwitter | <Ashkan Nourzadeh/>

چرا واسه اشتراک‌هایی هوش مصنوعی ماهانه چند میلیون پول بدی وقتی می‌شه سالانه‌شو با چند صد هزار تومن خرید؟

جمینای پرو ۱۸ ماهه ۴۰۰ تومن کانوا پرو ۱ ساله ۵۰۰ تومن اونم رو اکانت شخصی خودتون 😐

اشتراک‌های هوش مصنوعی، بازی‌های انلاین، پرمیوم تلگرام و خیلی چیزای دیگه ارزون‌تر از همه‌جا!👇
@birdirch
@birdirch
@birdirch

#کدنمک

اگه روت نشد کاری رو انجام بدی Sudo بزن روت میشه :)))))))

@DevTwitter | <روز بعد/>

براساس داده‌های تله‌متری بیش از 22 هزار توسعه‌دهنده در 4 هزار تیم در faros:

تعداد باگ‌ها حدود ۵۴٪ افزایش یافته.
نسبت Incident به Pull Request بیش از ۳ برابر شده.
زمان Review به شکل قابل توجهی افزایش پیدا کرده.
حدود ۳۱٪ Pull Requestهای بیشتری بدون Review انسانی Merge میشه

این گزارش نشون میده که هنوز جامعه مهندسی نرم افزار به بلوغ استفاده از ابزارهای هوش مصنوعی نرسیده و تا حالا بیشتر به سرعت توسعه و خروجی محصول از کد توجه شده تا امنیت و code review.

https://faros.ai/research/ai-acceleration-whiplash

@DevTwitter | <Ramin Farajpour Cami/>

شرکت چینی Moonshot AI فردا (۲۷ جولای) وزن‌های کامل مدل جدیدش Kimi K3 رو منتشر می‌کنه؛ یه مدل ۲.۸ تریلیون پارامتری که حجم فایلش به ۱.۴ ترابایت می‌رسه.

این یعنی بزرگ‌ترین مدل open-weight تو کل تاریخ AI، آزاد و قابل دانلود برای همه.

سوال اینجاست: وقتی قوی‌ترین مدل‌های دنیا آزادانه در دسترس همه باشن، بازار مدل‌های closed (مثل GPT یا Claude) چه مزیتی بهش می‌مونه؟

https://venturebeat.com/technology/chinas-moonshot-ai-releases-kimi-k3-the-largest-open-source-model-ever-rivaling-top-u-s-systems

https://techtimes.com/articles/321499/20260724/kimi-k3-open-weights-drop-july-27-near-frontier-coding-undisclosed-hallucination-risk.htm

@DevTwitter | <^mad/>

کجا از LLM/AI استفاده نکنیم؟ دیدنش خالی از لطف نیست.

https://www.youtube.com/watch?v=_ZqSFVi6UDY

@DevTwitter | <Max Shahdoost/>

یک افزونه پیدا کردم برای نکست‌کلود که بجای داشبورد نکست‌کلود اجازه میده که یک محیط میزکار داشته باشید که خیلی باحاله و از تقویم شمسی هم پشتیبانی می‌کنه.

https://apps.nextcloud.com/apps/desktop_workspace

اینکه می‌ذاره چندتا برنامه رو همزمان اجرا کنی به نظرم خوبه :)

@DevTwitter | <Sohrab Behdani/>

نقشه راه PHP 9.0؛ تغییراتی که می‌تواند بزرگ‌ترین آپدیت تاریخ PHP باشد!

عضو تیم PHP Internals (هالی/Holly) پیشنهادات و نقشه راه فوق‌العاده‌ای برای PHP 9.0 ارائه داده که ۵ قابلیت کلیدی آن توجه همه توسعه‌دهندگان را جلب کرده است:


۱. متدهای افزوده Extension Methods

امکان اضافه کردن متدهای اختصاصی به کلاس‌های داخلی PHP، کتابخانه‌ها و حتی Native Typeها (مثل string و int). مثل Macroها در لاراول یا Extensionها در C#


۲. ساختار Structs (برای DTOها)

یک ساختار داده‌ای ساده، Immutable و سبک بدون پیچیدگی‌های مرجع (Reference) در کلاس‌های عادی، عالی برای ساخت DTOها.


۳. مدیریت انکپسولیشن با Modules

قابلیت export کردن دقیق کلاس‌های عمومی پکیج و مخفی نگه‌داشتن کدهای داخلی (Internal)، بدون نیاز به کامنت‌های internal.


۴. مفهوم Surfaces (تفکیک scope متدها)

امکان دسته‌بندی و ایمپورت مجزای متدهای عمومی (مثلاً دسترسی به متدهای مخصوص تست، فقط در زمان اجرای تست‌ها).


۵. ژنریک‌ها (Generics) با Runtime Check

پشتیبانی واقعی از Generics با بررسی تایپ‌ها در زمان اجرا (Runtime)، نه فقط در حد ابزارهای تحلیل استاتیک مثل PHPStan.

https://www.youtube.com/watch?v=JXAFiPWXirM

@DevTwitter | <Ali Baghernia/>

یک نفر اومده کل استک دستیار هوش مصنوعی رو از صفر با زبان Zig از نو ساخته و اسمشو گذاشته NullClaw.

حالا اعداد و ارقامش رو ببینید تا مغزتون سوت بکشه:

حجم فایل باینری کلاً ۶۷۸ کیلوبایته،
حدود ۱ مگابایت رم مصرف می‌کنه
و زیر ۲ میلی‌ثانیه بالا میاد!
بدون ران‌تایم، بدون ماشین مجازی، بدون هیچ فریم‌ورک و بدون Garbage Collector.
فقط و فقط زیگ خالص!

چرا این موضوع این‌قدر غول و مهمه؟
یه مقایسه بکنیم:
- پروژه OpenClaw واسه اجرا به یه مک‌مینی ۵۹۹ دلاری و بالای ۱ گیگابایت رم نیاز داره.
- پروژه NanoBot به بالای ۱۰۰ مگابایت رم و پایتون نیازمنده.
- پروژه PicoClaw هم ۱۰ مگابایت رم و Go می‌خواد.

اما NullClaw راحت روی یه برد ۵ دلاری با فقط ۱ مگابایت رم اجرا میشه! دقیقاً همون قابلیت‌ها، ولی فقط با ۰.۱٪ مصرف منابع!

باورتون میشه تو همین ۶۷۸ کیلوبایت چه چیزایی جا داده؟
- بیش از ۲۲ ارائه‌دهنده هوش مصنوعی (مثل OpenAI، Anthropic، Ollama، DeepSeek، Groq و...)
- ۱۳ تا کانال چت (تلگرام، دیسکورد، اسلک، واتس‌اپ، iMessage و حتی IRC!)
- بیش از ۱۸ ابزار توکار (Built-in)
- جستجوی حافظه ترکیبی (برداری + کلیدواژه‌ای)
- محیط ایزوله (سندباکس) چندلایه (Landlock، Firejail، Docker)
- پشتیبانی مستقیم از قطعات سخت‌افزاری مثل آردوینو، رزبری پای و STM32
- پشتیبانی از MCP، زیرعامل‌ها (Subagents)، استریمینگ، صوت و خلاصه کل پشته (Full Stack) معماری‌ش هم فوق‌العاده‌ست؛

هر زیرسیستم یه رابط قابل تعویضه. یعنی واسه تغییر ارائه‌دهنده‌ها، کانال‌ها، ابزارها یا حافظه، فقط کافیه فایل تنظیمات (Config) رو دستکاری کنید، بدون اینکه لازم باشه دست به کد بزنید!
از نظر امنیت هم کلیدهای API به‌صورت پیش‌فرض با الگوریتم ChaCha20-Poly1305 رمزنگاری میشن. ۲,۷۳۸ تا تست داره، حدود ۴۵,۰۰۰ خط کد تمیز Zig هستش و صفر وابستگی فراتر از libc داره!
صد در صد رایگان و متن‌باز (Open Source)

https://github.com/nullclaw/nullclaw

@DevTwitter | <بوکانت/>

اکثر پیاده‌سازی‌های Text-to-SQL وقتی به پروداکشن می‌رسند شکست می‌خورند.

دادن اسکیمای دیتابیس به LLM در دموها جذاب است، اما در سیستم‌های واقعی با سه مشکل مواجه می‌شود:
- محاسبه اشتباه متریک‌های بیزینسی
- کوئری زدن روی جدول‌های قدیمی و منسوخ‌شده
- تعاریف مبهم و ایجاد گزارش‌های نادرست

در جدیدترین مقاله‌ام، دلایل شکست روش‌های ساده و نحوه ساخت یک Agentic Data Stack حاکمیت‌یافته در سه لایه را بررسی کرده‌ام:

۱. لایه‌ی Semantic: ایجنت‌ها به جای دیتابیس خام باید با لایه‌های سمانتیک (مثل dbt و Cube) کار کنند.
۲. پایش فعال و CI: استفاده از Data Contractها برای جلوگیری از ناهماهنگی اسکیما.
۳. اسکیل های ماجولار/modular skills ایجنت: ساختار چندمرحله‌ای برای جستجوی متادیتا، فراخوانی API و اعتبارسنجی خروجی.

متن کامل مقاله:
https://mlnotes.substack.com/p/beyond-text-to-sql-building-a-governed

@DevTwitter | <Mehdi Allahyari/>

یک ریپوی متن‌باز که فرآیند Crawl کردن وب را برای پروژه‌های مبتنی بر LLM ساده‌تر می‌کند
به‌جای اینکه فقط HTML خام صفحات را استخراج کند، محتوای وب را به داده‌ای تمیز و ساختاریافته تبدیل می‌کند که مستقیماً در RAG و AI Agentها قابل استفاده است

https://github.com/unclecode/crawl4ai

@DevTwitter | <Davinchi/>

دوستان، یه طرح جذاب براتون آماده کردیم 🎁
از این به بعد می‌تونید با دعوت دوستاتون به کانال،(@AITools_Mag)

بدون پرداخت هزینه از ما یک اکانت هوش مصنوعی هدیه بگیرید 🤖✨
کافیه لینک دعوتتون رو از ربات دریافت کنید، دوستاتون رو دعوت کنید،


⏳ توجه: این فرصت فقط برای مدت محدودی فعاله و ممکنه دوباره تکرار نشه!
پس فرصت رو از دست ندید و همین حالا شروع کنید. 👇

این فرصت جذاب رو از دست ندین
ورود به ربات

عضویت در کانال : @AITools_Mag

چطور می‌شود بدون نوشتن ده‌ها پرامپت، عملکرد AI Agent را در ایمیل مارکتینگ چند برابر کرد؟

پاسخ داخل این ریپوی رایگان است.

به‌جای اینکه هر بار از صفر برای Agent پرامپت بنویسید، این پروژه مجموعه‌ای از Marketing Skills آماده را در اختیارش قرار می‌دهد.

فقط برای ایمیل مارکتینگ، Agent می‌تواند:

- ایمیل‌های Cold Outreach بنویسد
- و Follow-up Sequence بسازد
- و Welcome Email طراحی کند
- و Subject Lineهای قوی پیشنهاد دهد
- نرخ Open و Reply را بهبود دهد
- ایمیل‌های Onboarding تولید کند
- کمپین‌های Re-engagement طراحی کند
- سناریوهای جلوگیری از Churn بنویسد
- لحن برند را در تمام ایمیل‌ها حفظ کند
- کمپین‌های ایمیلی را بر اساس اطلاعات محصول و مخاطب شخصی‌سازی کند

این ریپو با Claude Code، Codex، Cursor، Windsurf و سایر AI Agentهای سازگار با Agent Skills کار می‌کند.

https://github.com/coreyhaines31/marketingskills

@DevTwitter | <Pedram/>

کدهای پایه (Boilerplate) بک‌اند خودمون رو متن‌باز منتشر کردیم! یک ساختار Production-Ready با Django REST Framework برای استارت سریع پروژه‌ها.
احراز هویت (JWT) ،سیستم تیکتینگ و مالی ، اتصال به MinIO/S3، کاملاً داکرایز شده
گیت‌هاب: https://github.com/t4b4rz1n/BaseDjangoApi

@DevTwitter | <Alireza Rezaie/>

اگه پایتون کار هستید، قطعا uv package manager بدردتون میخوره! با Rust نوشته شده و سرعت خیلی بالایی داره برعکس python venv که ساختش برای خودم یک 10 دقیقه ای طول میکشه. و حتی بدون فعال کردنش در محیط فقط با ساختنش میتونید اجراش کنید: uv run example.py

و برای نصب پکیج هم: uv pip install
کار کردن باهاش راحته و سریع

@DevTwitter | <Zeth/>