شاید برات جالب باشه بدونی سال ۹۸، یکی از بچه‌های مهندسی مکانیک توی خوابگاه احمدی‌روشن دانشگاه شریف، کانال تلگرامی‌ای رو ساخت که الان، بعد از ۷ سال، بزرگ‌ترین کانال اقتصادی به زبان فارسیه و یکی از قوی‌ترین گروه‌های مشاوره‌ی اقتصادی کشور پشت این کاناله!

اسم کانالش رو هم گذاشت 👈 شریف

از رویاهات کوتاه نیا! ♥️

چند روزیه ذهنم درگیر شده بود چطوری بهتر با AI کد بزنم و در تلاش بودم که روند توسعه رو مدل بکنم و فقط اونجایی که نیاز بود درگیر بشم

امشب متوجه شدم این سیستم یک یک اسم داره:
software-factory:
https://aicodingdictionary.com/?term=software-factory

@DevTwitter | <Reza Ghasemi/>

پژوهش جدید دانشگاه هاروارد بر پایهٔ تحلیل ۳۰۰ میلیون رویداد مهندسی در ۷۱۸ شرکت (داده‌های Jellyfish) نکته‌ای اساسی را آشکار ساخت:

​ایجنت‌های کدنویسی حجم کد را ۳۰٪ و تعداد Pull Requestها را ۲۳٪ افزایش داده‌اند، اما نرخ تحویل نهایی کار (تسک‌های بسته‌شده در Jira) عملاً هیچ تغییری نکرده است.

​علت این پدیده جابه‌جایی گلوگاه به مرحلهٔ بازبینی کد است:
• مدت‌زمان لازم برای تایید و ادغام حدود ۴۹٪ طولانی‌تر شده است.
• نظرات بازبینی ۳۵٪ افزایش یافته است.
• نرخ PRهای نیازمند اصلاح مجدد نزدیک به ۲ برابر شده است.

​هوش مصنوعی سرعت نگارش کد را بالا برده، اما فهم معماری، اعتبارسنجی و نگهداری نرم‌افزار همچنان متکی بر انسان است. بدون تغییر در ساختار آزمون و بازبینی، افزایش تولید کد صرفاً به انسداد خط تحویل نرم‌افزار منجر می‌شود.

@DevTwitter | <Legendary Coder/>

#کوته_نیوز

از امروز صبح تعرفه‌ی اینترنت ۴۰ درصد گرون شد ولی کیفیت رو ریدن توش

@DevTwitter

ایجنت هوش مصنوعی‌ات کدنویسی بلده؛ حالا می‌تونه بازاریابی هم انجام بده!

ریپوی Marketing Skills با بیش از ۵۵ هزار ، ابزارهای Claude Code، Codex و Cursor رو به یه تیم بازاریابی تبدیل می‌کنه!

- کپی‌رایتینگ
- سئو و تحلیل رقبا
- ایمیل مارکتینگ
- کمپین تبلیغاتی و تست A/B

اینم فقط شروع ماجراست!

با Marketing Skills می‌تونی نرخ تبدیل رو بهینه کنی، جلوی ریزش مشتری رو بگیری و حتی از چند متخصص بازاریابی به‌صورت هم‌زمان نظر بگیری!

نصب همه مهارت‌ها:
npx skills add coreyhaines31/marketingskills
GitHub:
https://github.com/coreyhaines31/marketingskills

رایگان با مجوز MIT

@DevTwitter | <Amirhossein seghatoleslami/>

مجموعه‌ای از ۳۵ پرامپت آماده برای بیش از ۲۵ مدل AI، برای Jail Break کردن که به‌صورت system prompt، تعریف persona، سیاست workspace، فایل‌های AGENTS.md و Ollama Modelfile ارائه شده‌اند.
دقت کنید که احتمال Ban شدن حساب کاربری با این کار زیاد است!

https://github.com/Alejandros17487/ai-jailbreaks

@DevTwitter | <VAHID NAMENI/>

به‌عنوان Data Scientist، Machine Learning Engineer یا حتی AI Engineer، بیشتر وقت‌ها قرار نیست برای حل مسائل سراغ شبکه‌های عصبی یا ترنسفورمرها برید.

مهم‌ترین چیزی که باید توی این مسیر یاد بگیرید، قدرت تشخیص و تصمیم‌گیری درسته. قبل از اینکه سراغ شبکه‌های عصبی برید، این سؤال‌ها رو از خودتون بپرسید:

1- آیا دیتاست به‌اندازه‌ی کافی بزرگ هست که استفاده از این روش رو توجیه کنه؟
2- آیا یه مدل Gradient-Boosted Tree می‌تونه توی کسری از زمان، ۹۰ درصد نتیجه رو بهتون بده؟
3- آیا واقعاً می‌تونید توضیح بدید که مدل داره چه کاری انجام می‌ده؟

دیپ لرنینگ قدرتمنده؛ اما در عین حال هزینه‌بره، دیباگ کردنش زمان‌بره و خیلی وقت‌ها اصلاً نیازی بهش نیست.
اینکه بدونید چه زمانی باید ازش استفاده کنید، به‌اندازه‌ی این مهمه که بدونید چطور ازش استفاده کنید.

@DevTwitter | <Reza Jafari/>

‏۱۹۱ گیگابایت! کش Next.js دیسک سرور یکی از پروژه‌هامون رو پر کرد

‏یه سایت فروشگاهی داریم که هر روز کلی کاربر داره. یه روز هشدار دیسک اومد و فضای آزاد سرور داشت تموم می‌شد.

‏وقتی نگاه کردیم، فقط پوشه‌ی fetch-cache بیشتر از ۱۹۰ گیگ حجم گرفته بود.

‏اقدام فوری: کش رو بدون توقف سرویس پاک کردیم و حجمش از ۱۹۱ گیگ رسید به ۸۸ مگابایت. ولی این فقط مسکن بود، نه درمان.

‏ریشه‌ی ماجرا چی بود؟ ترکیب دو تا چیز، که اشتباه از ما بود که از اول درست بررسیشون نکردیم:

1 بک‌اند برای هر کاربر یه کوکی جدا می‌ده.
‏2 بک‌اند برای همه‌ی صفحه‌ها کوکی رو از کاربر می‌خواد.

‏نتیجه: درخواست‌هایی که فکر می‌کردیم مشترک و کش‌شدنی‌ان، عملاً برای هر کاربر یه ورودی جدا توی کش می‌ساختن. با ترافیک بالا، این ورودی‌ها بی‌نهایت زیاد شدن.

‏این ماجرا مجبورم کرد دوباره سراغ کش Next.js برم: مستندات رو از اول خوندم و issueهای گیت‌هابی که بقیه با همین مشکل ثبت کرده بودن رو هم یکی‌یکی چک کردم. نسخه‌ی ما 16.1.6 هست و نمی‌دونم توی نسخه‌های جدیدتر رفتارش فرق کرده یا نه.

‏چیزهایی که برای خودم یادداشت کردم:
- دیتای عمومی و دیتای مخصوص هر کاربر رو توی fetchها از هم جدا کنیم.
- هر چیزی که قرار نیست کش بشه رو صریح بگیم کش نشه.
- تو پروژه‌ی پرترافیک، حجم دیسک کش رو مثل دیتابیس مانیتور کنیم.


@DevTwitter | <Alireza Fakhar/>

بالاخره چت فارسی در Cursor، درست و حسابی راست‌چین شد!
اگه با Cursor کدنویسی می‌کنی و برای توضیح مسئله، دیباگ یا تولید کد از هوش مصنوعی به زبان فارسی کمک می‌گیری، احتمالاً با مشکلاتی مثل به‌هم‌ریختگی متن، لیست‌ها و جدول‌ها مواجه شدی.
برای حل این مشکل، افزونه Cursor RTL رو توسعه دادم؛ ابزاری برای تجربه بهتر کار با زبان فارسی در محیط Cursor.
امکانات اصلی:
- راست‌چین شدن چت، پاسخ‌ها و کادر ورودی فارسی
- نمایش صحیح لیست‌ها، جدول‌ها و بخش‌های مختلف رابط کاربری
- حفظ جهت استاندارد کدها در حالت چپ‌چین
- انتخاب فونت فارسی دلخواه از فونت‌های نصب‌شده روی سیستم
- تنظیم اندازه فونت، فاصله خطوط و جهت خودکار متن
- اعمال مجدد تغییرات بعد از آپدیت Cursor
- امکان شخصی‌سازی با CSS و بازگردانی تغییرات

هدفم ساده بود: کاری کنیم ابزارهای مدرن برنامه‌نویسی با زبان فارسی هم تجربه خوبی داشته باشن.
این پروژه متن‌بازه و با مجوز MIT منتشر شده.

مشاهده سورس و نصب افزونه:
https://github.com/Amirrezaheydari81/cursor-rtl


@DevTwitter | <Amirreza Heydari/>

مسئله ای که با datagrip داشتم مصرف بالای رمش بود، همیشه خدا بالای ۲ گیگ رم رو اشغال میکرد، سر همین یه ابزار ساده تر که تو ترمینال اجرا بشه رو با کمک claude زدم، تقریبا تا حد خوبی تونسته جایگزین دیتاگریپ بشه برام. دوست داشتین استفاده کنین و نظری داشتین بهم بگین

https://github.com/farvisun/squi

@DevTwitter | <Mohammad Askari/>

دیروز با یکی از دوستانم که در شرکت بزرگی frontend developer بود صحبت کردم

گفت از این به بعد دیگر چیزی به اسم frontend developer وجود نداره بلکه در شرکت آنها همه Software Engineer شدند و من خیلی وقت پیش این موضوع رو پیش بینی کرده بودم.

گفت همه از این به بعد Individual Contributor هستند یعنی همه با استفاده از Claude Code به کد ها دسترسی دارند و نوعی development انجام می دهند.

و همینطور به این نکته اشاره کرد که خودش که قبلا فقط کار فرانت اند میکرده از این به بعد در پیاده سازی feature ها خیلی از کارهای بک اندش هم خودش انجام میدهد.

و اینکه در مصاحبه ها دیگر مثل سابق تمرکز روی تکنولوژی ها نیست و بیشتر از کسب و کار می پرسند و چقدر اون فرد علاوه بر ویژگی های فنی از کسب و کارشون که در زمینه فین تک هست اطلاع داره.

به نحوی می توان گفت که Full Stack Developer دیگر کسی نیست فقط دانش بک اند و فرانت اند داشته باشه بلکه پروداکت و مارکت هم بخشی از استک محسوب میشه.

در واقع وقتی هوش مصنوعی کمک می کنه که فیچر ها راحت تر پیاده سازی شوند، چیزی که مزیت رقابتی ایجاد می کنه اینه که محصول چه ویژگی های بیزنسی داره و چون همه IC هستند بهتره که از کسب و کار دانشی داشته باشند تا خود اون ویژگی ها رو پیاده سازی کنند.

میخوام نظر شما رو در این مورد بدونم، چه تغییراتی در نقش مهندس نرم افزار دیدید؟

علاوه بر این به نکته اشاره کنم که در هر نقشی که باشید، نیازه که مهارت های AI Engineering که نسبتا جدید هستند رو یاد بگیرید و دوره ای که برگزار میکنم یکی از قوی ترین دوره ها در این زمینه است.

@DevTwitter | <Pouria Jahandideh/>

این یکی واقعاً برای Vibe Coderها و توسعه‌دهنده‌ها یه معدن طلاست!

سایت "VibeUI" (https://vibeui.online) مجموعه‌ای از پرامپت‌های رایگان طراحی UI رو در اختیارت می‌ذاره؛ از Hero Section و صفحه قیمت‌گذاری گرفته تا صفحات ورود و ثبت‌نام، Bento Grid، داشبورد و کلی طرح دیگه.

ایده چیه؟

به‌جای اینکه هر بار از صفر برای AI توضیح بدی چه طراحی‌ای می‌خوای، کافیه پرامپت موردنظرت رو کپی کنی و به AI Coding Agent خودت بدی تا رابط کاربری جذاب‌تر و متفاوت‌تری بسازه.

دیگه لازم نیست تمام جزئیات بصری رو خودت از اول توصیف کنی. این پرامپت‌ها یه نقطه شروع آماده بهت می‌دن تا سریع‌تر به نتیجه برسی و کمتر درگیر طراحی‌های تکراری و کلیشه‌ای AI بشی.

اگه با AI سایت می‌سازی و می‌خوای خروجی‌هات حرفه‌ای‌تر و متمایزتر باشن، حتماً یه سر بهش بزن!

https://vibeui.online

@DevTwitter | <Yarad/>

عجیبه؛ ۱۴ سال روی یک نرم‌افزار کار کنی، نرم‌افزاری که به یکی از ابزارهای شاخص دنیای مهندسی معکوس تبدیل شده و تقریبا در تمام کتاب‌های Reverse Engineering و Malware Analysis نامی ازش به میون اومده، اما از خودت هیچ ردپایی در فضای مجازی باقی نذاشته باشی. هیچ!
https://ollydbg.de

@DevTwitter | <Ayub/>

تیم امنیتی PHP تنها دو روز پس از انتشار وصله‌های اضطراری برای دو آسیب‌پذیری بحرانی PHP2Shell، درباره یک آسیب‌پذیری جدید با شناسه CVE-2026-115560 هشدار داد. این مشکل زمانی تهدید محسوب می‌شود که برنامه شما در زمان اجرا به صورت پویا session.serialize_handler را تغییر دهد.

@DevTwitter | <Alireza Naji/>

یه مقاله خیلی خوب از Anthropic خوندم درباره یکی از چالش‌های مهم AI Agentها: چطور مطمئن بشیم Agent نه‌فقط به جواب درست می‌رسه، بلکه مسیر درستی رو هم طی می‌کنه.

مقاله با معرفی روش‌های ارزیابی Agentها، چارچوب خوبی برای حل این مسئله ارائه می‌ده.
https://www.anthropic.com/research/demystifying-evals-for-ai-agents

@DevTwitter | <Babak Heydari/>

مدل هوش مصنوعی Kimi K3.1 Pro توسط شرکت Moonshot AI رسما معرفی شد، مدلی چندوجهی با ۲.۸ تریلیون پارامتر و پنجره زمینه یک ‌میلیون ‌توکنی.

مدل Kimi K3.1 Pro در بنچمارک مهندسی نرم‌افزار SWE Marathon امتیاز ۵۱.۷ درصد را گرفت و از مدل‌های پرچمدار Claude Opus 5.5 (با ۴۶.۳ درصد) و GPT-6 Astra (با ۴۲.۵ درصد) جلو زد.

این مدل در آزمون استدلال و دانش Humanity's Last Exam هم با کسب ۷۸ درصد امتیاز، بالاتر از Opus 5.5 (با ۶۷.۷ درصد) قرار گرفت.

در کنار قدرت بالای این مدل، هزینه کمتر برگ برنده این مدل است. مدل K3.1 Pro در بنچمارک Terminal-Bench 4.0 امتیاز ۶۵.۷ درصد را گرفته (تقریباً برابر با Opus 5.5 با ۶۶.۴ درصد)، اما هزینه اجرای هر تسک آن تنها ۵ تا ۶ دلار است. این در حالی است که Opus 5.5 برای همین عملکرد، حدود ۱۵ دلار به ازای هر تسک هزینه دارد!

مدل K3.1 Pro از امروز هم از طریق api و هم از طریق اشتراک کیمی در دسترس است.

@DevTwitter | <MohammadMSFT/>

۵ ریپازیتوری GitHub برای پیدا کردن مشکلات اپلیکیشن‌های هوش مصنوعی

اگه اپلیکیشن AI تو مدام خطا می‌ده و نمی‌فهمی مشکل دقیقاً از کجاست، وقتشه همه‌چیز رو Trace کنی!

این ۵ ابزار کمک می‌کنن عملکرد مدل‌ها، درخواست‌ها، ایجنت‌ها و خطاهای سیستم رو بهتر بررسی کنی:

۱. Langfuse
ثبت و ردیابی درخواست‌های مدل، بررسی عملکرد و تحلیل هزینه‌ها
https://github.com/langfuse/langfuse

۲. Phoenix
ابزار متن‌باز برای مشاهده و ارزیابی عملکرد LLMها و سیستم‌های مبتنی بر ایجنت
https://github.com/Arize-ai/phoenix

۳. Helicone
مانیتورینگ درخواست‌های LLM، بررسی تأخیر، هزینه و خطاها
https://github.com/Helicone/helicone

۴. OpenLLMetry
ابزار مبتنی بر OpenTelemetry برای ردیابی و مانیتورینگ اپلیکیشن‌های LLM
https://github.com/traceloop/openllmetry

۵. AgentOps
ردیابی و بررسی اجرای ایجنت‌های هوش مصنوعی برای پیدا کردن خطاها و تحلیل رفتار آن‌ها
https://github.com/AgentOps-AI/agentops

نکته مهم: وقتی خروجی AI اشتباهه یا ایجنت درست کار نمی‌کنه، فقط دیدن پاسخ نهایی کافی نیست. باید بفهمی در طول اجرا چه اتفاقی افتاده؛ از ورودی و خروجی مدل گرفته تا ابزارهای فراخوانی‌شده، زمان اجرا و خطاها.

برای همین، به‌جای حدس‌زدن، اجرای سیستم رو Trace کن!

@DevTwitter | <Yarad/>

من و دوستم یه ابزار اوپن‌سورس به اسم Fluentfolio برای تمرین اسپیکینگ آیلتس و به صورت کلی تقویت مکالمه طراحی کردیم که تحلیلش کامل روی کامپیوتر خودتون انجام می‌شه.

وقتی فایل صوتی آزمون رو مستقیم به یه چت هوش مصنوعی می‌دیم، همه‌چی به برداشت کلی‌اش از صدا بستگی داره. برای همین Fluentfolio اول خودش ضبط رو تحلیل می‌کنه و بعد شواهدی رو که خودتون هم می‌تونید چکشون کنید به هوش مصنوعی می‌ده:

- متن کامل آزمون، با جواب‌های شما جدا از سؤال‌ها و صدای پارتنرتون
- هر مکثِ یک‌چهارم ثانیه یا بیشتر، به‌علاوه‌ی تخمین سرعت گفتار، برای هر بخش آزمون
- کلمات ربط، واژگان، ساختارهای دستوری‌ای که به کار بردید و نکته‌هایی برای تلفظ
- یه متن آماده با پرامپت ارزیابی برای هر چت هوش مصنوعی؛ پرامپت از چت می‌خواد زمان هر نکته رو بگه تا بتونید همون لحظه رو توی برنامه گوش بدید
- رابط وب توی مرورگر، به‌علاوه‌ی دستور fluentfolio با خروجی JSON برای اسکریپت‌ها و ایجنت‌های هوش مصنوعی

روی ویندوز ۱۰ و ۱۱ و اوبونتو ۲۲٫۰۴ و ۲۴٫۰۴ کار می‌کنه، حساب کاربری نمی‌خواد و هیچ تله‌متری‌ای هم نداره. کارت گرافیک NVIDIA اختیاریه و لایسنسش هم MIT هست.

لینک گیت‌هاب:
https://github.com/SacitDev/Fluentfolio

@DevTwitter | <Michael/>