هر روز ابزارهای هوش مصنوعی بهتر و بهتر کد می‌نویسند.

اما یک سؤال مهم وجود دارد:
اگر AI کدی تولید کند که کاملاً درست به نظر برسد، از کجا بفهمیم واقعاً درست است؟
این موضوع یکی از نکات جالب مقاله‌ی Real Python درباره‌ی بررسی کدهای تولیدشده توسط AI است.

مشکل اینجاست که کد تولیدشده توسط AI لزوماً کد بدی نیست. اتفاقاً ممکن است:
- کاملاً تمیز و خوانا باشد
- از نظر Syntax مشکلی نداشته باشد
- تست‌های موجود را پاس کند
- و حتی خیلی حرفه‌ای به نظر برسد

اما با این حال، ممکن است منطق کسب‌وکار را اشتباه پیاده کرده باشد.
مثلاً فرض کنید از AI می‌خواهیم یک فرآیند Import برای چند میلیون رکورد بنویسد.
ممکن است کدی تولید کند که روی ۱۰۰ رکورد کاملاً درست کار کند؛ اما وقتی تعداد رکوردها به چند میلیون برسد، با مشکلاتی مثل مصرف زیاد حافظه، Queryهای زیاد، N+1 یا زمان اجرای بسیار بالا مواجه شویم.

پس هنگام Review کردن کد AI، فقط نباید بپرسیم:
«آیا این کد کار می‌کند؟»

باید سؤال‌های دیگری هم بپرسیم:
- آیا دقیقاً همان چیزی را پیاده کرده که در Requirement خواسته شده؟
- اگر داده Null یا خالی باشد چه اتفاقی می‌افتد؟
- اگر رکورد تکراری باشد چه؟
- اگر دو درخواست همزمان اجرا شوند چه؟
- آیا Queryها روی حجم واقعی داده هم مناسب هستند؟
- آیا مشکلی از نظر Security وجود دارد؟
- آیا این کد با معماری فعلی پروژه سازگار است؟
- آیا AI چیزی را دوباره پیاده کرده که از قبل در پروژه وجود داشته؟
- آیا API یا متدی که استفاده شده واقعاً در Library یا Framework وجود دارد؟
به همین دلیل، با افزایش استفاده از AI Coding Tools، نقش Developer در حال تغییر است.

قبلاً بخش بزرگی از زمان ما صرف نوشتن کد می‌شد.
اما حالا می‌توانیم بخش بیشتری از کدنویسی را به AI بسپاریم و زمان بیشتری را صرف فهمیدن مسئله، تصمیم‌گیری فنی و بررسی کد کنیم.

در واقع، یک Workflow مناسب می‌تواند چیزی شبیه این باشد:

- Requirement
- AI Implementation
- Automated Tests
- Code Review
- Verification

و شاید مهم‌ترین مهارتی که در برنامه‌نویسی با AI باید یاد بگیریم همین باشد:
تشخیص کدی که واقعاً درست است، از کدی که فقط درست به نظر می‌رسد.

منبع:
https://realpython.com/review-ai-generated-code/


@DevTwitter | <Mahmoud Mohammadabadi/>

داکر مجموعه رسمی Skills خودش رو منتشر کرده:

* Dockerfile & Build
* Docker Compose
* Docker Sandboxes
* Docker Agent
* Cross-Product

اصلا این Skill برای چیه؟ مجموعه‌ای از دستورالعمل‌ها و workflowهای آماده هستن که به AI Coding Agentها کمک می‌کنن بهتر و استانداردتر با ابزار Docker کار کنن.

اگر با Claude Code، Codex، Cursor، GitHub Copilot، Gemini CLI، OpenCode و ابزارهای مشابه کار می‌کنید، ارزش بررسی داره.

https://github.com/docker/skills

@DevTwitter | <Hesam Akbarzadeh/>

ترجمه ی زنده ی یوتیوب؟

ایزی تی اس افزونه ای برای ترجمه ی ویدیو های یوتیوب با پشتیبانی از بستر های مختلف می‌باشد

تبدیل صدا به متن اولیه
تشخیص هوشمند زیرنویس در صورت وجود
پشتیبانی از Gemini / openai / groq و مدل های لوکال

تبدیل متن ترجمه شده به صدا
پشتیبانی از openai / fish audio / elevenlab / Gemini و مدل لوکال

پشتیبانی از ترجمه ی زنده با Google live و GPT live

توجه : نسخه ی بتا هست و ممکن است شامل باگ باشد لطفاً هر باگی دیدید گذارش کنید

https://GitHub.com/realjustawall/easy-ts

@DevTwitter | <RealJustAWall/>

توی این پروژه من روی ساخت ابزاری کار کردم که دیپلوی کردن پروژه‌های بیلد شده روی cPanel رو راحت‌تر کنه. قبل از این، هر بار که پروژه آماده انتشار می‌شد باید فایل‌ها رو دستی زیپ می‌کردیم، روی هاست آپلود می‌کردیم و بعد اکسترکت و جایگزین می‌کردیم که هم زمان می‌برد و هم یه کار تکراری و خسته‌کننده بود.

کاری که این ابزار انجام میده اینه که این روند رو ساده‌تر و سریع‌تر می‌کنه تا بدون درگیر شدن با این مراحل، پروژه راحت‌تر روی هاست منتشر بشه. نقش من توی این پروژه توسعه و پیاده‌سازی این ابزار و حل کردن همین مشکل برای راحت‌تر شدن فرآیند انتشار پروژه‌ها بود.

https://github.com/AliLotfi09/cpanel-deployer

@DevTwitter | <Ali Lotfi/>

🌐 مرجع تخصصی وردپرس، اینجاست! 👨‍💻

🧩 اخبار و ترفندهای وردپرس
🚀 دانلود افزونه‌ها و قالب‌های کاربردی
💡 نکات طراحی سایت و افزایش سرعت
🔥 مطالب جذاب برای وردپرس‌کارها

اگه به وردپرس و طراحی سایت علاقه داری، این کانال رو از دست نده! 🙌

👇 همین الان عضو شو 👇

🔗 https://t.me/wordpress_wpp
🔗 https://t.me/wordpress_wpp
🔗 https://t.me/wordpress_wpp

در ادامه آموزش مدلهای مختلف برای زبان فارسی، نوبت رسید به آموزش مدل فارسی تبدیل گفتار به متن یا STT.

مدل جدید تشخیص گفتار فارسی، رایگان و متن‌باز که آموزش دادم.

مدل تبدیل گفتار به متن Nemotron 3.5 انویدیا زبان‌های زیادی را پشتیبانی می‌کند، اما فارسی جزو آن‌ها نبود. آن را روی ۱٬۱۸۱ ساعت گفتار فارسی آموزش دادم و حالا به‌صورت رایگان و متن‌باز منتشرش کرده‌ام.

تا جایی که می‌دانم، این دقیق‌ترین مدل متن‌باز تشخیص گفتار فارسی است: خطای کلمه روی FLEURS ۸٫۸٪، در برابر ۱۰٫۶٪ برای «شنوا»، قوی‌ترین مدل متن‌باز فارسی پیش از این. نه تنها این بلکه WER مدل ElevenLabs Scribe روی همین دیتاست ۷.۸% هست.

ویدیوی زیر را با صدا گوش بدید که توش کامل توضیح دادم.

- تبدیل زنده‌ی گفتار به متن: همان‌طور که حرف می‌زنید متن نوشته می‌شود، با تأخیری حدود ۰٫۳ تا ۱ ثانیه
- تبدیل فایل‌های صوتی
- در مقایسه با مدل فارسی قبلی انویدیا، خطا روی FLEURS از ۲۴٫۲٪ به ۸٫۸٪ رسید
- روی گفتار محاوره‌ای (یوتیوب، فیلم و سریال) خطا تقریباً نصف شد: ۲۶٪ در برابر ۵۴٪
- روی لپ‌تاپ هم اجرا می‌شود: حدود ۱۰ برابر سریع‌تر از زمان واقعی روی مک M1
- با NeMo و Hugging Face Transformers کار می‌کند

یک اپ ساده هم گذاشته‌ام که می‌توانید با میکروفون خودتان امتحانش کنید.
ریپو را ستاره بدید اگه دوست داشتید.
مدل: https://huggingface.co/mehdi-hf/nemotron-asr-streaming-farsi
آموزش و اجرا: https://github.com/mallahyari/nemotron-asr-streaming-farsi

@DevTwitter | <Mehdi Allahyari/>

دیگه نمیدونم چی بگم…

یکی یه شبیه ساز ماشین خودران Waymo کامل تو مرورگر ساخته با نقشه واقعی سان‌فرانسیسکو

با Fable 5.5 و Three.js درستش کرده

لینک:
https://teleoperator.mindblown.ai

@DevTwitter | <Reza Shakeri/>

کپ کات یه رقیب متن‌باز و جدی پیدا کرده!

الان دیگه OpenCut اومده؛ یک ویرایشگر ویدیوی رایگان و Open Source برای وب، دسکتاپ و موبایل

ولی قسمت جذاب ماجرا Roadmapشه

- Edit ویرایش چندلایه و Timeline
- Plugin-first
- MCP برای AI Agentها
- Headless Mode و Batch Rendering
- Scripting داخل Editor
- Editor API برای ساخت ابزارهای اختصاصی

حتی قراره کل پروژه با یک Codebase مشترک روی وب، دسکتاپ و موبایل اجرا بشه.
نسخه جدید هنوز در حال بازنویسیه و فعلاً نسخه Classic برای استفاده روزمره آماده‌تره.
لایسنس اش هم MIT License هست ؛ یعنی برای شخصی‌سازی و ساخت ابزارهای خودت دستت حسابی بازه.
لینک ریپو :‌
https://github.com/OpenCut-app/OpenCut

لینک دسترسی :‌
https://new.opencut.app

@DevTwitter | <امیرحسین اسلامی/>

محدودیت‌های جدید گوگل برای دسترسی به هوش مصنوعی جمنای!

گوگل رسما اعلام کرد از ۱۷ مهر دسترسی کاربران رایگان جمنای به مدل Pro و Flash قطع میشه و کاربران رایگان فقط به مدل‌های Flash-Lite دسترسی دارند!

از طرفی دسترسی به مدل Pro رو هم از اشتراک Google AI Plus حذف کرده و کاربران این اشتراک از ۱۷ مهر فقط به مدل‌های Flash-Lite و Flash دسترسی دارند.

کاربرانی هم که اشتراک AI Pro و AI Ultra دارند هم به همه مدل‌ها دسترسی دارند!

پ.ن: تو گوگل چه خبره؟!

@DevTwitter | <MohammadMSFT/>

مدیریت کانفیگ‌های Nginx توی ترمینال همیشه پر از رفت‌وبرگشت‌های تکراریه؛ از symlink زدن دستی بین sites-available و sites-enabled گرفته تا ادیت فایل‌ها و چک کردن مدام nginx -t قبل از ری‌لود کردن سرویس.
برای اینکه این فرایند رو سریع‌تر، تمیزتر و لذت‌بخش‌تر کنم، ابزار GoNix رو نوشتم!

گونیکس یا GoNix یک ابزار اپن‌سورس با رابط کاربری متنی (TUI) به زبان Go هست که مدیریت Server Blockها و تنظیمات Nginx رو توی سرورهای لینوکسی فوق‌العاده ساده و متمرکز می‌کنه.

«لینک ریپازیتوری در کامنت اول»

ویژگی‌های اصلی:

- مدیریت سریع فایل‌ها: فعال/غیرفعال‌سازی سایت‌ها (Enable/Disable) تنها با یک کلید
- تست و اعمال لحظه‌ای: بررسی سینتکس (nginx -t) و ری‌لود/ری‌استارت سرویس مستقیم از داخل TUI
- سریع و کم‌حجم: توسعه‌یافته با Go بدون وابستگی سنگین (Single Binary با مصرف رم ناچیز)
- تجربه کاربری تمیز: رابط متنی گرافیکی درون ترمینال بدون نیاز به حفظ دستورات پیچیده CLI

اگر با Nginx و مدیریت سرور سر و کار دارید، خوشحال می‌شم GoNix رو تست کنید و بازخوردتون رو برام بفرستید یا در روند تست و توسعه فیچرهای جدید کمک کنید.
اگر براتون مفید بود، زدن یک ستاره توی گیتهاب انرژی زیادی بهم میده!

https://github.com/mrmmg/gonix

@DevTwitter | <Mohammad Mahdi Gholamrezaei/>

🚀 از صفر تا ساخت APIهای حرفه‌ای با پایتون

توی «دوره FastAPI کوئرا کالج» یاد بگیر چطور APIهای سریع و استاندارد بسازی و پروژه‌های واقعی بک‌اند رو توسعه بدی.

✅ ساخت API با پایتون و FastAPI
✅ کار با دیتابیس و احراز هویت
✅ پیاده‌سازی پروژه‌های کاربردی

دوره رو با تخفیف ثبت‌نام کن و هروقت خواستی ببین:
🔗 https://quera.org/r/62mjt