#کدبوک

یکی از بهترین منابع برای یادگیری اصولی و مدرن زبان C از پایه تا پیشرفته:

- آموزش کامل مفاهیم C همراه با مثال‌ها و تمرین‌های کاربردی
- پوشش مباحث مهم مثل اشاره‌گرها، آرایه‌ها، ساختارها و مدیریت حافظه
- یادگیری شیوه‌های استاندارد و اصولی برنامه‌نویسی به زبان C
- مناسب برای دانشجوها، برنامه‌نویس‌ها و علاقه‌مندان به برنامه‌نویسی سطح پایین


* فایل PDF این کتاب رو میتونید از کانال DevBooks که لینکش توی بیو هست دانلود کنید.

@DevTwitter

یک بنچمارک برای عملکرد مدل‌های گفتار به نوشتار (speech to text) تو فارسی ساختم.
مدل openai whisper large همچنان از همه عملکرد بهتری داره. اما فاین‌تیون کردن خیلی میتونه دقت این مدل‌هارو بالاتر ببره.
اگر مدلی توسعه دادید یا پیشنهادی دارید pr بدید اضافه کنم.

https://github.com/ArmanJR/PESTE-Benchmark

@DevTwitter | <Arman/>

احتمالا خیلی هاتون با اکوسیستم skills که vercel ساخته اشنا باشید.

https://skills.sh

هرکسی میتونه اسکیل خودشو بسازه بذاره github و اگر ساحتار اسکیل منطبق بر چهارچوب ارائه شده توسط vercel باشه همه میتونن دسترسی داشته باشن و استفاده کنن.

من اما میخوام بهتون یک اسکیل خاص رو معرفی کنم به اسم find-skills که از اسمش معلومه کمک میکنه به جای نصب تک تک اسکیل ها خود مدل بتونه tool_calling بهتری انجام بده و اسکیل مشخص رو پیدا کنه.

ادرسش اینجاس:
https://skills.sh/vercel-labs/skills/find-skills…
روی پروژه یا به شکل گلوبال میتونید نصب کنید.

روی هرمس ترکیب برنده رو میده به شما چرا که خود هرمس سیستم skill_discovery بسیار خوبی داره اما روی اسکیل های نصب شده و فعال و این اسکیل به شما کمک میکنه بیرون اکوسیستم اسکیل داخلی هرمس اسکیل جدیدی پیدا کنید و بهش اضافه کنید و حالا شما هم internal_discovery دارین و هم external_discovery.

@DevTwitter | <Soheil/>

تا حالا از AI خواستی برات یک سایت طراحی کنه و آخرش با همون ترکیب همیشگی روبه‌رو شدی؟
گرادیان بنفش، سه‌تا کارت کنار هم، متن‌های بزرگ و یک ظاهر که انگار قبلاً صد بار دیدیش؟

اینجاست که Taste Skill وارد می‌شه.

مهارت Taste Skill یک مجموعه دستورالعمل برای ابزارهای کدنویسی مبتنی بر هوش مصنوعیه که کمک می‌کنه رابط کاربری‌های حرفه‌ای‌تر، منسجم‌تر و کمتر کلیشه‌ای بسازن.

در واقع خودش فریم‌ورک یا کتابخانه UI نیست؛ یک فایل راهنماست که AI قبل از طراحی و کدنویسی می‌خونه و بر اساسش تصمیم می‌گیره:

- چه فونت و ترکیب‌بندی‌ای مناسب پروژه‌ست
- فاصله‌گذاری‌ها و رنگ‌ها چطور انتخاب بشن
- انیمیشن‌ها چقدر و کجا استفاده بشن
- طراحی چطور با هویت برند هماهنگ بمونه
- از چه الگوهای تکراری و بی‌دلیلی دوری بشه

مثلاً به AI یادآوری می‌کنه که هر صفحه‌ای به گرادیان بنفش، کارت‌های شیشه‌ای یا داشبورد نمایشی نیاز نداره!

این ابزار با سرویس‌ها و ایجنت‌هایی مثل Cursor، Claude Code، Codex، Windsurf، v0 و چند ابزار دیگه قابل استفاده‌ست و به فریم‌ورک خاصی هم محدود نیست.

برای نصب نسخه اصلی می‌تونید از این دستور استفاده کنید:

npx skills add https://github.com/Leonxlnx/taste-skill --skill "design-taste-frontend"

بعد از نصب، AI فایل "SKILL.md" رو می‌خونه و موقع طراحی رابط کاربری، قواعدش رو در نظر می‌گیره.

در مجموع، اگه با AI سایت می‌سازید ولی از خروجی‌های تکراری و بیش‌ازحد «AI‌طور» خسته شدید، Taste Skill می‌تونه مثل یک طراح هنری یا منتقد طراحی کنار ایجنت کدنویسی‌تون عمل کنه.

http://tasteskill.dev


@DevTwitter | <بوکانت/>

برای کسایی که می‌خوان DeepSeek رو رایگان تست کنن توی orcarouter.ai می‌تونید ووچر رایگان DeepSeek V4 Flash و DeepSeek V4 Pro رو دریافت کنید همچنین مدل های دیگه رو هم همراه با افر های خوب دارن

@DevTwitter | <Davinchi/>

اگه پروژه‌های بزرگ رو با claude, code و ... دولوپ میکنه واقعا توصیه میکنم از graphify استفاده کنید که البته این روز‌ها خیلیم ترند شده کارش هم اینه که knowledge graph از پروژه شما میساز تا دقیق بفهمه چی به چی وصله و خب ساخت اولیه‌ش هزینه زیادی داره ولی خب برای پروژه بزرگ کمک میکنه بعدا کمتر توکن مصرف کنید.
وقتی graphify یک پروژه را میخونه، برای هر چیزی که پیدا میکنه یدونه نود میسازه شامل هر تابع، هر کلاس و ...
مشکل اینه که یک چیز واحد ممکنه چندبار پیدا بشه یه تابع خفن داره بنام deduplicate_entities که وظیفه‌ش حذف این تکراری‌هاس و خب ۵ مرحله داره.
۱. نرمال سازی که میاد همه چیزو به حروف کوچیک تبدیل میکنه و فاصله‌های اضافی رو حذف میکنه
۲. پیدا کردن شبیه‌ها با الگوریتم‌های MinHash و Jaro-Winkler
۳. گروه‌بندی، نودهایی که شبیه بودن حالا تو یه گروه قرار میگیرن
۴. از هرگروه یکی بعنوان برنده انتخاب میشه
۵. حذف یال‌هایی که به نودهای بازنده وصل بودن
https://github.com/Graphify-Labs/graphify

@DevTwitter | <عمو پویا پروانه/>

یکی از خبرهای جذاب این روزا منتشر شدن PGSimCity بود؛ پروژه‌ای که مفاهیم داخلی PostgreSQL رو به یک شهر سه‌بعدی تعاملی تبدیل کرده تا یادگیری اجزا داخلی شهودی‌تر و ساده‌تر بشه.

اگر دوست دارین بدونین Postgresql دقیقا چطور کار میکنه از دستش ندین.

https://nikolays.github.io/PGSimCity/

@DevTwitter | <Fateme/>

وقتی در PHP متغیرها را تغییر می‌دهید، احتمالاً به آنچه در پشت صحنه (Zend Engine) رخ می‌دهد فکر نمی‌کنید.

اما واقعیت این است: zval جادو نمی‌کند.

PHP چطور مدیریت می‌کند که یک متغیر ناگهان از string به array تغییر وضعیت بدهد بدون اینکه حافظه منفجر شود؟

در مقاله جدیدم، ساختار zval را از دیدِ معماری حافظه بررسی کردم:
-مدیریت نوع (Type) و مقدار (Value) در ساختار ۶۴ بیتی
-نقش Refcount در مدیریت منابع
-چطور با Copy-on-Write، عملیات‌ حافظه را در حد امکان به تعویق می‌اندازیم

لینک مقاله

@DevTwitter | <Afshin Akrami/>

نه تنها تو کشور ما چیزی به اسم SLA وجود نداره، بلکه اپراتور‌ها ضرر و زیان زمان قطعی اینترنت رو هم با ضریب زدن روی اینترنت از مردم میگیرن.

من هر ماه 90 گیگ اینترنت برای خونه می‌گرفتم، بسته‌ی 90 گیگ رو که حذف کردن، باید 50 گیگ بگیرم، و این ماه تقریبا 6 بار (‌300 گیگ) گرفتم تا الان و امروز دوباره تموم شد.

اینترنت همراه هم که چون همه جا ثابت دارم، معمولا ده گیگ برام کفایت می‌کنه، تا الان چهار تا بسته‌ی ده گیگ گرفتم.

@DevTwitter

#کدبوک

راهنمایی جامع برای ورود به دنیای برنامه‌نویسی کامپیوترهای کوانتومی:

- آشنایی با مفاهیم پایه محاسبات کوانتومی و کیوبیت‌ها
- آموزش طراحی و پیاده‌سازی الگوریتم‌های کوانتومی
- کار با فریم‌ورک‌های برنامه‌نویسی کوانتومی و مثال‌های عملی
- مناسب برای برنامه‌نویس‌هایی که می‌خوان وارد دنیای Quantum Computing بشن


* فایل PDF این کتاب رو میتونید از کانال DevBooks که لینکش توی بیو هست دانلود کنید.

@DevTwitter

https://github.com/StarTrail-org/PixelRAG

برای اسکریپت کردن (خزیدن و جمع‌آوری اطلاعات) وب‌سایت‌ها با هوش مصنوعی این پیکسل‌رگ داره بازی رو عوض می‌کنه
میاد وب‌سایت رو می‌کرده از هر صفحه اسکرین‌شات میگیره و با مدل‌های بزرگ زبانی که بهش متصل میشه، ساختار سایت را کامل در میاره

@DevTwitter | <مسعود کاویانی/>

بزرگ‌ترین مشکل تست پروژه اینه که معمولاً بعضی سناریوها از یادت میرن؛ همون‌هایی که بعداً تبدیل به باگ میشن.

برای حل همین مشکل، یه Prompt متن‌باز منتشر کردم که سورس پروژه رو تحلیل می‌کنه و بی‌نهایت سناریوی تست فارسی و انگلیسی در قالب ( عمل + انتظار ) با استایل چک لیست داخل یک فایل HTML تولید می‌کنه. کافیه مرحله‌به‌مرحله تست‌ها رو اجرا کنی و ببینی آیا نتیجه‌ی مورد انتظار رخ می‌ده یا نه.

https://github.com/sobhanrajabi31/test-scenario-prompts

@DevTwitter | <sr31x/>

دوره جدید استنفورد با موضوع ایجنت‌های خود بهبود دهنده (Self-Improving AI Agents) دست روی یکی از بنیادی‌ترین تغییرات پارادایم هوش مصنوعی گذاشته.

تا الان تمرکز اصلی صنعت روی بزرگ‌تر کردن مدل‌ها در مرحله پیش‌آموزش (Pre-training) بود. اما مدرسین دوره که از اساتید استنفورد و محققان سابق DeepMind و Anthropic هستن، نشون میدن که این مسیر به تنهایی دیگه جوابگو نیست و آینده دست ایجنت‌هایی هست که می‌تونن خودشون رو اصلاح کنن.

سه محور اصلی که این تحول روی اون‌ها شکل می‌گیره:

۱. پردازش در زمان استنتاج (Test-time Compute): به جای پاسخ لحظه‌ای، ایجنت فرصت تفکر، جستجو در فضای حل مسئله و بررسی راه‌حل‌های مختلف رو پیدا می‌کنه.

۲. بازخورد قابل راستی‌آزمایی (Verifiable Feedback): استفاده از محیط‌های واقعی مثل کامپایلرها، اجرای کد و تست‌های نرم‌افزاری تا ایجنت خروجی خودش رو ارزیابی کنه نه اینکه فقط متن تولید کنه.

۳. حلقه‌های خوداصلاحی (Self-Correction & Reflection): طراحی pipelineهایی که ایجنت بتونه دلیل شکست در یک کار رو تحلیل کنه و در تلاش بعدی بدون نیاز به انسان، خطاش رو برطرف کنه.

در واقع شیفت اصلی از «مدل‌های ایستا» به سمت «سیستم‌های پویای یادگیرنده» است.
Youtube: https://youtube.com/watch?v=6YnLB0XbTnI

@DevTwitter | <Mehdi Allahyari/>

اگه حس می‌کنید متن‌هایی که AI بهتون میده زیادی بوی AI میده، این اسکیل رو نصب کنید.

برای وقتاییه که خروجی مدل تمیزه، ولی زیادی صیقلی، بی‌روح، و شبیه همون متن‌های LinkedIn/ChatGPTیه که از سه کیلومتری معلومه AI نوشته.

کافیه لینک زیر رو توی چت به مدل بدید و بگید نصبش کن:

https://github.com/soheilmomeniii/no-slop

بعد از اون، خروجی‌ها کمتر شبیه «محتوای تولیدشده توسط هوش مصنوعی» میشه و بیشتر شبیه متنی که یک آدم واقعی نوشته

@DevTwitter | <farzanzare.base.eth/>

- یک کلیک اشتباه روی لینک کلاه‌برداری، کل موجودی حساب رو می‌پرونه! 💸
- یک ماه استرس بی‌دلیل سلامتی رو به خطر می‌اندازه! 🧠
- ندونستن نکات ساده، زندگی رو برای آدم سخت می‌کنه! 😫

کانال «نوشدارو»، نوشداروییه برای چالش‌های زندگی امروز و شناخت روش‌های محافظت از دارایی، حریم شخصی و سلامت روان. ❤️

@NooshDaroo_web
@NooshDaroo_web

اگر دنبال یک ابزار رایگان برای کار با مدل‌های هوش مصنوعی هستید MonkeyCode فعلاً هر روز ۳۰ میلیون توکن رایگان می‌ده و بدون نیاز به کارت بانکی می‌تونید از DeepSeek V4 Flash و Qwen-3.5 Plus استفاده کنید
monkeycode-ai.net

@DevTwitter | <Davinchi/>

حافظه دائمی کدبیس برای ایجنت های هوش مصنوعی.
با پروتکل MCP به کرسر یا کلاود متصل میشه و یک گراف حافظه دائمی از معماری و تصمیمات کدنویسی شما می‌سازه. دیگه لازم نیست توی هر سشن دوباره توضیح بدی فلان ماژول چطوری کار می‌کنه!

https://github.com/DeusData/codebase-memory-mcp

@DevTwitter | <کدنویس اسطوره‌ای/>

#کوته_نیوز

«بله» رفته تو اپ‌استور و ادعا کرده که end-to-end داره.

@DevTwitter

اگه پرووایدر antigravity روی 9router و هارنس hermes بهتون ارور 429: resource exhaustion میده چارش اینجاس:
https://github.com/decolua/9router/issues/2964#issuecomment-5161082471

توضیح کوتاه اینکه روی هرمس یه فایل هست به اسم SOUL.md که همون توضیحات اولیه مدل هست که رو هر پرامپت ارسال میشه، داخلش برین و این لاین رو:
You are Hermes Agent, an intelligent AI assistant created by Nous Research.
تغییر بدین به این لاین:
You are Hermes Agent, an intelligent AI assistant.
و مشکل حل میشه.

@DevTwitter | <Soheil/>

شرکت Liquid AI مدل LFM2.5-2.6B رو معرفی کرده که دقیقاً برای اجرای ایجنت‌های هوش مصنوعی روی خود دستگاه (On-Device) طراحی شده.

اجرای محلی ایجنت‌ها یعنی حذف هزینه توکن، کاهش تاخیر به حداقل و حفظ کامل حریم خصوصی. این مدل ۲.۶ میلیارد پارامتری با اینکه خیلی کوچیکه، توانایی برنامه‌ریزی و فراخوانی ابزارها رو داره.

چند نکته مهم درباره این مدل:

• سرعت خروجی روی گوشی همراه به ۳۰ توکن در ثانیه می‌رسه (زیر ۲.۵ گیگ رم) و روی تراشه‌های اپل تا ۲۲۰ توکن در ثانیه‌ست.
• پنجره کانتکست ۱۲۸K داره و برای ورودی‌های بلند ایجنت‌ها آماده شده.
• پایپ‌لاین آموزش ۴ مرحله‌ای جالبی داره: ترکیب SFT، مدل‌های معلم متخصص، تقطیر دانش چندحوزه‌ای (MOPD) و Agentic RL با الگوریتم GRPO داخل محیط‌های واقعی ایجنت مثل OpenClaw.
• در بنچمارک‌های پیروی از دستورات و استفاده از ابزار، مدل‌های بزرگتر مثل Gemma 4 (5B/8B) و Qwen3.5-4B رو شکست داده.
• از روز اول هم در llama.cpp (فرمت GGUF)، کتابخانه MLX، فریم‌ورک‌های vLLM و SGLang پشتیبانی میشه.
• سازگاری کامل با فریم‌ورک‌های ایجنت مثل Hermes Agent، OpenClaw و Pi

متن کامل مقاله و لینک چک‌پوینت‌ها:
https://liquid.ai/blog/lfm2-5-2-6b

@DevTwitter | <Mehdi Allahyari/>

این پروژه روانی رو ببینید! اجرای مدلهای حجیم روی ۴ گیگ رم کارت گرافیک!

https://github.com/lyogavin/airllm

@DevTwitter | <بوکانت/>