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/>

احراز هویت، اشتراک‌های پریمیوم و پرداخت‌های بین‌المللی — بدون دردسرهای رایج، با پشتیبانی سریع و شفافیت کامل

احراز هویت و پرداخت های بین المللی با شفافیت در کمترین زمان | tasianet.com

مدل 2.8 تریلیون پارامتری Kimi K3 با 1.6~ ترابایت حجم به صورت open-weight در Hugging Face برای دانلود قرار گرفت.

https://huggingface.co/moonshotai/Kimi-K3

رقیب جدی open source برای مدل های frontier مثل GPT 5.6 و Claude Fable 5!

@DevTwitter | <Max Shahdoost/>

پلتفرم اتوماسیون n8n یک آسیب‌پذیری با شدت بالا را وصله کرد که به یک ویرایشگر احراز هویت‌شده‌ی گردش‌کار (authenticated workflow editor) اجازه می‌داد دستورات سیستم‌عامل را روی سرور میزبان اجرا کند.
این نقص که با شناسه GHSA-gv7g-jm28-cr3m ردیابی می‌شود، توسط شرکت امنیتی Security Joes کشف شد و امتیاز CVSS 4.0 برابر با ۸.۷ دریافت کرده است.

نسخه‌های آسیب‌پذیر شامل بازه‌های کمتر از ۲.۳۱.۵ و بین ۲.۳۲.۰ تا ۲.۳۲.۱ می‌شوند و نسخه‌های ۲.۳۱.۵ و ۲.۳۲.۱ حاوی اصلاحیه هستند.
بهره‌برداری از این آسیب‌پذیری تنها به یک حساب کاربری معتبر با دسترسی ایجاد یا ویرایش گردش‌کار نیاز دارد و می‌تواند منجر به اجرای دستورات با سطح دسترسی فرآیند n8n شود.

@DevTwitter | <Teegra/>

طراحی سیستم‌های چند ایجنتی برای پروژه‌های واقعی معمولاً با یک ایده جذاب شروع میشه: شبیه‌سازی ساختار تیم‌های انسانی.

یک زنجیره که در اون ایجنت اول سیگنال‌ها رو شناسایی می‌کنه، ایجنت دوم منبع مشکل رو پیدا می‌کنه، ایجنت سوم علت اصلی رو تشخیص میده و ایجنت چهارم راهکار ارائه میده.
اما این معماری در پروداکشن معمولاً شکست می‌خوره. چرا و چطور باید اصلاحش کرد؟

۱. افت کیفیت تحلیل در جابه‌جایی بین ایجنت‌ها
وقتی تحلیل و استدلال بین چند ایجنت تقسیم میشه، کانتکست آسیب می‌بینه. مثلاً ایجنت سوم مشکل پوشش بیمه رو پیدا می‌کنه اما ایجنت چهارم پیشنهاد میده بازاریاب‌های بیشتری به منطقه بفرستیم!

راه حل: یک مالک واحد برای استدلال
یک ایجنت اصلی داشته باشید که کل کانتکست و تصمیم‌گیری نهایی رو مدیریت می‌کنه. ایجنت‌های فرعی فقط برای کارهای اجرایی مشخص فراخوانی میشن و داده برمی‌گردونن، نه تصمیم.

۲. استفاده از LLM برای کارهای قطعی (Deterministic)
سپردن تحلیل‌های آماری یا گشتن دنبال آنومالی‌ها در دیتابیس به LLM فقط نویز و هالوژنیشن ایجاد می‌کنه.

راه حل: جدا کردن پایپ‌لاین‌های قطعی
شناسایی سیگنال‌ها رو با کدهای معمول و معیارهای آماری مشخص انجام بدید و خروجی رو در یک صف قرار بدید. وظیفه ایجنت «کشف» سیگنال نیست، بلکه «بررسی» سیگنال‌های دریافت‌شده است.

۳. جستجوی بدون چارچوب در دیتابیس
اگر ایجنت بدون محدودیت در جدول‌ها بگرده، ارتباطات اشتباه بین داده‌ها می‌سازه و فرض‌های نامربوط مطرح می‌کنه.

راه حل: گراف دانش به عنوان لایه کنترلی
گراف دانش رو فقط یک پایگاه داده RAG ندونید؛ بلکه از اون به عنوان لایه کنترل مسیر حرکت ایجنت استفاده کنید. هر ارتباط در گراف، یک فرضیه معتبر بیزینسی تعریف می‌کنه که ایجنت مجازه اون رو ارزیابی کنه.

نتیجه این تغییرات: حذف کامل انحراف کانتکست و کاهش زمان تحلیل‌های چندهفته‌ای به چند دقیقه.
منبع:
Youtube: https://youtube.com/watch?v=u6jJcIFDLE4

@DevTwitter | <Mehdi Allahyari/>

💻 اگر برنامه‌نویس هستی، این کانال احتمالاً به دردت می‌خوره.

توی کانال کدلپر هر روز محتوای مرتبط با برنامه‌نویسی منتشر می‌کنیم، از جمله:
✅ آموزش‌های کوتاه و کاربردی
✅ مستندات و نکات مهم تکنولوژی‌ها
✅ اخبار دنیای برنامه‌نویسی و مهندسی نرم‌افزار
✅ معرفی ابزارها و منابع مفید

همه‌ی محتوا به زبان فارسی و با هدف یادگیری بهتر توسعه‌دهنده‌ها تهیه می‌شه.
اگر دوست داشتی، خوشحال می‌شیم به جمعمون بپیوندی. 💜

📢 https://t.me/codoloper
🌐 https://codoloper.ir

اگر نمی‌خواهید برای شروع کار با AI هزینه کنید این ریپو برای شماست مجموعه‌ای از بهترین ابزارها، مدل‌ها و پروژه‌های رایگان و متن‌باز هوش مصنوعی که همگی به‌صورت دسته‌بندی‌شده در یک مخزن قرار گرفته‌اند

https://github.com/alvinreal/awesome-opensource-ai

@DevTwitter | <Davinchi/>

این اسکریپت هر ۱ دقیقه ترب رو کرال میکنه، اگر محصول جدید اضافه بشه یا قیمتش کاهش پیدا کنه روی تگرام و بله(طبق کانفیگ) نوتیفیکشن میفرسته

https://gist.github.com/mthri/0bc961ae4c0da065c34da263ed594301

@DevTwitter | <Amir Motahari/>

🎯 المپیک فناوری | ۱۴۰۵

📣 سومین دوره رقابت‌های«المپیک فناوری» شروع شد!

🎁 توی حوزه‌های برنامه‌نویسی مسابقه بده و جوایز نقدی به ارزش مجموعاً ۸۰۰ میلیون ببر!

♦️ الگوریتم
🔸 فرانت‌اند
♦️ پایتون/جنگو
🔸 دواپس

🚀 تیم‌هاتون دوتایی‌ان، پس با یه رفیق همراه بیا یا توی گروه تیم‌سازی در صفحه رویداد، هم‌تیمی پیدا کن!

ثبت‌نام رایگان:
🔗 https://quera.org/r/mcu5j

توسعه ربات تلگرام بدون اینترنت!

توی این مدتی که با قطعی اینترنت مواجه بودیم، توسعه پروژه‌ای به اسم Simula رو شروع کردم.

سیمولا یک پلتفرم توسعه ربات تلگرام به‌صورت کاملا لوکال هست؛ یعنی بدون نیاز به سرور، بدون SSL و بدون دردسرهای همیشگی، می‌تونید ربات‌های تلگرام رو توسعه بدید.

کار Simula اینه که کلاینت و سرور تلگرام رو شبیه‌سازی می‌کنه. یعنی تمام قابلیت‌های Telegram Bot API داخل این محیط در دسترسه و بدون هیچ وابستگی‌ای به تلگرام کار می‌کنه.

داخل Simula می‌تونید:
- ربات بسازید
- توکن دریافت کنید
- وبهوک تنظیم کنید
- و با هر زبان یا لایبرری‌ای که دوست دارید رباتتون رو توسعه بدید

حتی قابلیت‌های پرمیوم تلگرام که معمولا در دسترس همه نیستن، داخل این محیط برای تست قابل استفاده هستن. بخش‌هایی مثل Stars هم در Simula شبیه‌سازی شدن، بدون نیاز به پرداخت هزینه.

به‌طور خلاصه، به‌جای اینکه رباتتون رو مستقیم روی تلگرام توسعه بدید، می‌تونید اول داخل Simula به‌صورت کامل پیاده‌سازی و تستش کنید، و بعد در نهایت روی سرور واقعی با توکن اصلی تلگرام اجراش کنید.

https://github.com/laraXgram/Simula

@DevTwitter | <Amirhossein/>