بیشتر وقت‌هایی که می‌خواهیم یک مفهوم پیچیده یا فنی را با مدل‌های زبانی یاد بگیریم، خروجی فقط یک دیوار متنی از توضیحات طولانی است که توهم یادگیری ایجاد می‌کند، بدون اینکه مطمئن شویم زنجیره استدلال را واقعاً فهمیده‌ایم.

پروژه متن‌باز LearnHarness دقیقاً برای حل همین مشکل طراحی شده است؛ یک چارچوب ایجنتی دسکتاپ که مدل را به معلم سقراطی تبدیل می‌کند. به جای دادن پاسخ آماده، اول مرز دانایی شما روی پیش‌نیازها را می‌سنجد، یک گراف وابستگی تا هدف یادگیری می‌سازد و سپس گام‌به‌گام با پرسیدن سوال و بررسی استدلال‌های شما جلو می‌رود تا هرگونه سوءتفاهم مفهومی را قبل از رفتن به مرحله بعد برطرف کند.

یکی از نکات جالب معماری آن، ثبت زنجیره استدلال و پیش‌فرض‌ها در یک گراف دانش (knowledge graph) محلی است. بنابراین در جلسات بعدی، فهم و سابقه یادگیری شما حفظ می‌شود و نیازی نیست همه چیز را از صفر شروع کنید. تمام داده‌ها روی سیستم خودتان ذخیره می‌شود و می‌توانید از کلیدهای API دلخواه یا اندپوینت مدل‌های محلی استفاده کنید.

لینک پروژه در گیت‌هاب:
https://github.com/amosblomqvist/learnharness

@DevTwitter | <Mehdi Allahyari/>

فقط یه جمله بهش می‌دی و در نهایت یه مینی‌سریال تحویل می‌گیری!

شاید عجیب به نظر برسه، ولی یه ابزار متن‌باز پیدا کردم که تقریباً کل فرایند ساخت ویدیوهای داستانی کوتاه رو با هوش مصنوعی انجام می‌ده.

اسمش OnlyShot هست؛ یه Claude Skill که پنج مرحله تولید محتوا رو به هم وصل می‌کنه:

۱. نوشتن سناریو: ایده اولیه رو به فیلمنامه تبدیل می‌کنه.

۲. طراحی سکانس‌ها: داستان رو به سکانس‌ها و نماهای مختلف تقسیم می‌کنه.

۳. ساخت تصاویر: برای هر سکانس تصویر اختصاصی تولید می‌کنه.

۴. تولید ویدیو: تصاویر رو به ویدیوهای داستانی تبدیل می‌کنه.

۵. تدوین نهایی: خروجی‌ها رو کنار هم قرار می‌ده و ویدیوی نهایی رو آماده می‌کنه.

نکته جالب اینجاست که تمام این مراحل از طریق یک Skill به هم متصل شدن و لازم نیست برای هر مرحله جداگانه از صفر شروع کنی.

به درد چه کسانی می‌خوره؟

کسایی که توی تیک‌تاک، اینستاگرام، یوتیوب شورتز یا پلتفرم‌هایی مثل تیک‌تاک چین و Kuaishou محتوای داستانی و مینی‌دراما منتشر می‌کنن.

حتی اگه به فکر راه‌اندازی یه کانال درآمدزا با محتوای داستانی هستی، این مدل ابزارها می‌تونن بخش زیادی از زمان تولید رو کاهش بدن.

البته هنوز برای رسیدن به خروجی حرفه‌ای، کیفیت تصاویر، پیوستگی شخصیت‌ها و تدوین نهایی اهمیت زیادی داره.

اسم پروژه OnlyShot هست و طبق اطلاعات معرفی‌شده، از ماه می منتشر شده و فعلاً ۳۳۳ ستاره در گیت‌هاب داره.

لینک سورس:
https://github.com/A-cat-with-carrots/OnlyShot

@DevTwitter | <Tired bot />

یه مشکلی که همیشه داشتم این بود که گاهی وی پی ان وصل بود ولی میخواستم یه اپ خاص از وی پی ان استفاده نکنه یا اینکه سیستم به دوتا مودم وصل بود میخواستم برای هر اپ ست کنم که از کدوم نتورک استفاده کنه، برای همین دست به کار شدم و Pointsman به وجود اومد.

https://github.com/pooriaanv/Pointsman

@DevTwitter | <Pooria/>

شما میتونین یک مدل Qwen Flash 3.8 رو یک لپتاپ RTX Spark اجرا کنید(60 tps) یعنی حتی اگر اینترنت قطع شه، برق قطع شه،... به کارش ادامه میده
نکته جالبش اینجاست که شاید فکر کنید این مدل بدرد نمیخوره، ولی تو یک تست برنامه نویسی (که راحت نبود، خیلی سخت هم نبود) از Opus 5.5 بهتر بود

@DevTwitter | <ImanOracle.eth/>

#کوته_نیوز

اینترنت ریده

@DevTwitter

ترفند Claude Code:

پلن ۲۰ دلاری Claude حالا به‌صورت پیش‌فرض کل جلسه رو با مدل Opus 5.5 اجرا می‌کنه. اما اگه می‌خوای سهمیه‌ات دیرتر تموم بشه، بهتره مدل اصلی رو روی Sonnet 5.5 بذاری و Opus رو فقط به‌عنوان مشاور در اختیار داشته باشی.

برای این کار، Claude Code رو با دستور زیر اجرا کن:

claude --model sonnet --advisor opus

با این تنظیم، Sonnet کار اصلی رو انجام می‌ده و فقط در مواقع ضروری از Opus مشورت می‌گیره.

این مشاور هوشمند در سه موقعیت وارد عمل می‌شه:

- قبل از نهایی کردن یک برنامه بزرگ، بررسی می‌کنه که آیا مسیر انتخاب‌شده درسته یا نه.

- وقتی یک خطا برای بار دوم تکرار می‌شه، بررسی می‌کنه که آیا مسیر اشتباهی رو در پیش گرفتی.

- قبل از اعلام پایان کار، بررسی می‌کنه که چیزی از قلم نیفتاده باشه.

در این روش، Opus کل سابقه جلسه رو می‌خونه و پیشنهاد می‌ده، اما نوشتن کد همچنان بر عهده Sonnet باقی می‌مونه.

برای راه‌اندازی این ساختار، کافیه پرامپت زیر رو به Claude Code بدی:

Set up my Claude Code to match this tree:
1. For the three subagents in the tree, check ~/.claude/agents and .claude/agents first. Reuse fitting ones, and propose new ones only for missing roles. Set the ones that read code and look up docs to model: haiku, and the one that edits code and runs tests to model: sonnet. Leave any subagent that already sets a different model alone, and list it.
2. In ~/.claude/settings.json, set model to sonnet and advisorModel to opus.
3. Check these environment variables and report them without changing anything: CLAUDE_CODE_DISABLE_ADVISOR_TOOL turns the advisor off, and so does DISABLE_TELEMETRY or anything else that stops flag fetching. CLAUDE_CODE_SUBAGENT_MODEL_FORCE forces every subagent onto one model. Then check the version: if Claude Code is older than 2.1.293, tell me (in earlier versions, haiku still meant Haiku 4.5). Don't upgrade it yourself.
4. Add one rule to ~/.claude/CLAUDE.md: ask the advisor before committing to a big plan, when the same error shows up a second time, and before calling a long task done.

Show me the changes first. Don't edit any files yet.

با اجرای این پرامپت، ابتدا تنظیمات فعلی بررسی می‌شن و تغییرات پیشنهادی بهت نمایش داده می‌شن؛ بدون اینکه هیچ فایلی قبل از تأیید تو ویرایش بشه.

مستندات رسمی:
code.claude.com/docs/en/advisor

@DevTwitter | <Yarad/>

#کوته_نیوز

به علت تحریم، دامنه های سایت های پربازدید ایرانی توسط شرکت GoDaddy داره بسته میشه. ورزش ۳، ویرگول و ... در این لیست هستند.

@DevTwitter | <yashar.eth/>

دیدید بعضی کارفرماها میگن به من گزارش کار بده ؟ یا بگو این هفته چی شد و هفته بعد چیکار میخوایم بکنیم ؟ و حوصله ی ترلو و اینارم ندارید مثل من ؟
یه گروه بزنید مدیر رو توش ادد کنید و بقیه ش رو خودش انجام میده :) خوراک وایب کدرها .
لینک :
https://github.com/alipyth/roadgram

@DevTwitter | <Mr.J/>

#کدبوک

راهنمایی عملی برای طراحی و توسعه اپلیکیشن‌های مبتنی بر عامل‌های هوش مصنوعی و سیستم‌های چندعاملی:
- آشنایی با معماری و نحوه عملکرد AI Agents و سیستم‌های Multi-Agent
- آموزش طراحی و پیاده‌سازی تعامل و همکاری بین عامل‌های هوشمند
- بررسی مدیریت وظایف، ارتباطات و هماهنگی میان چندین Agent
- مناسب برای توسعه‌دهنده‌هایی که می‌خوان اپلیکیشن‌های هوشمند و مبتنی بر چند عامل AI بسازن


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

@DevTwitter

مهندس ارشد سابق گوگل، وانگ یونگ‌گانگ، در مقاله‌ای تازه با عنوان «خداحافظ، برنامه‌نویس» اعتراف می‌کند که هوش مصنوعی او را از کار خودش کنار گذاشته است؛ و عددش تکان‌دهنده است: در سه تا چهار روز، چند صد خط کد به بیش از ۳۰ هزار خط رسید، بی‌آنکه خودش خطی بنویسد.

ماجرا از سپتامبر (ماه میلادی) شروع شد؛ معلم علوم کامپیوتر آمریکایی از او خواست شبیه‌ساز متن‌باز Altair 8800 را که شش سال پیش نوشته بود بهبود بدهد. او نیازها را به Claude Opus 5.5 سپرد تا از زاویه طراحی سیستم پیشنهاد بدهد. هوش مصنوعی نه‌تنها کار اصلی را انجام داد، بلکه خودش پیشنهاد اضافه‌کردن اسمبلر و دیباگر و رابط شبیه‌ساز تلتایپ را داد. در سه تا چهار روز، برنامه چندصدخطی به پروژه‌ای با بیش از ۳۰ هزار خط، تست واحد و تست یکپارچه مرورگری تبدیل شد. سهم خود او فقط تأیید رویکرد و پرسیدن سؤال و بازخورد دادن بود.

در پروژه دیگری، بازسازی ماشین‌حساب مکانیکی لایبنیتس، هوش مصنوعی خودش سراغ تحقیق رفت؛ با موزه‌ای در آلمان تماس گرفت و ۱۳۵ صفحه نقشه و دست‌نوشته تاریخی اسکن‌شده گرفت.

پیش‌بینی او تلخ است؛ تیم‌های آینده شاید فقط چند نفر باشند که تعداد زیادی ایجنت هوش مصنوعی را هدایت می‌کنند و مسیر شغلی سنتی برنامه‌نویس‌ها تنگ‌تر می‌شود. او خودش هم جوابی ندارد که فارغ‌التحصیلان علوم کامپیوتر باید به کدام سمت بروند.

برداشت من: چه خوشتان بیاید چه نیاید، برنامه‌نویسی به سبک سنتی و نشستن پشت IDE و خط‌به‌خط نوشتن تمام شده است؛ وانگ فقط یکی از اولین کسانی است که این را با صدای بلند و با عدد و رقم گفته.

@DevTwitter | <Legendary Coder/>

مدت‌ها دنبال یه ابزار خوب برای طراحی دیتابیس بودم؛ ابزاری که هم ساده باشه، هم دستم رو باز بذاره و هم بتونم ساختارش رو کنار کدهای پروژه نگه دارم.

چیزی که می‌خواستم پیدا نکردم، پس تصمیم گرفتم خودم بسازمش!

ویرایشگر ERD Editor یک ویرایشگر محلی برای طراحی و مدیریت نمودارهای دیتابیسه. تمام ساختار دیتابیس داخل یک فایل ساده با فرمت .erd.json ذخیره می‌شه و می‌تونی اون رو مثل بقیه فایل‌های پروژه توی Git نگه داری.

چند تا از ویژگی‌هایی که برام مهم بودن:
کاملاً Local؛ بدون نیاز به حساب کاربری یا فضای ابری
ساختار JSON همراه با Schema؛ قابل‌خواندن و قابل‌ویرایش هم برای توسعه‌دهنده‌ها و هم برای ایجنت‌های هوش مصنوعی
یک Skill اختصاصی برای AI Agentها که به ابزارهایی مثل Claude Code، Codex و Cursor کمک می‌کنه ساختار دیتابیس رو بخونن و مستقیماً ویرایش کنن.
خروجی SQL برای MySQL، PostgreSQL، SQLite و SQL Server، به‌علاوه DBML، PNG، SVG و Markdown
امکان Import از فایل‌های SQL پروژه‌های موجود
رابط کاربری فارسی و انگلیسی با قابلیت تنظیم اندازه فونت
به‌روزرسانی خودکار
قابل استفاده در Linux، Windows و macOS
متن‌باز با مجوز MIT

ایده‌ی این ابزار سال‌ها توی ذهنم بود، اما وقتی برای شروع یک پروژه جدید بهش نیاز پیدا کردم، با کمک AI تونستم در عرض دو روز به نسخه‌ای برسم که الان هر روز خودم ازش استفاده می‌کنم.

خوشحال می‌شم امتحانش کنید و نظرتون رو بدونم. ️

جزئیات بیشتر و دانلود:
https://mnr73.github.io/erd-editor/
GitHub:
https://github.com/mnr73/erd-editor

@DevTwitter | <Milad Nazari/>

با واقعیت‌های تلخ وایب‌کدری آشنا شیم. ۸ ساعت گذاشتنشون پای کار واقعی با ۲۰۶ تسک از طراحی چیپ گرفته تا ترید. بهترینشون روی بنچمارک GDPx فقط ۱۲٪ خروجی گرفته. تو مالی و حقوق که هیچ مدلی حتی ی تسک رو کامل حل نکردچرا؟چون یه عدد غلط کل خروجی رو بی‌ارزش می‌کنه

https://gdpx.semianalysis.com/

@DevTwitter | <ahfz/>

اجرای GPT-2 با ۱۲۴ میلیون پارامتر، فقط با CSS!

یه نفر به اسم Shubham Patil تونسته مدل GPT-2 رو بدون استفاده از JavaScript برای محاسبات مدل، داخل مرورگر و با CSS اجرا کنه!

اما چطور؟

- استفاده از توابع CSS مثل calc() و sqrt() برای محاسبات ریاضی شبکه عصبی
- استفاده از Variable Fonts برای ذخیره وزن‌های مدل و انجام ضرب ماتریسی
- استفاده از CSS Animations و Transitions برای مدیریت مقادیر و حافظه
- پیاده‌سازی مکانیزم‌هایی مثل Attention و KV Cache

البته سرعتش خیلی بالا نیست و تولید هر توکن حدود ۱۵ تا ۵۰ ثانیه طول می‌کشه؛ که به نظرم اصلاً مهم نیست و چیزی از جذابیتش کم نمی‌کنه.

تست آنلاین (ترجیحا با دسکتاپ):
https://gpt2css.shubhampatil.dev/

مقاله اصلی:
https://shubhampatil.dev/blog/gpt2-css

سورس‌کد:
https://github.com/ShubhamPatilsd/gpt2-in-css

@DevTwitter | <emad faghihi/>

معرفی Allp؛ یک Package Manager Orchestrator نوشته‌شده با Rust

ابزار Allp مدیریت چندین Package Manager رو در یک CLI یکپارچه می‌کنه؛ اما قابلیت‌هاش فقط به نصب و حذف پکیج محدود نیست:

- قابلیت Multi-Backend: پشتیبانی از APT، Pacman، DNF، Flatpak، Snap و اکوسیستم‌های Python، Node و Rust
- قابلیت Package Profiles: ذخیره، Export و Import لیست پکیج‌ها برای انتقال محیط کاری بین سیستم‌ها
- قابلیت Dry Run: مشاهده و بررسی دستورات قبل از اعمال تغییرات
- قابلیت Smart Search: جست‌وجوی هم‌زمان در منابع مختلف و انتخاب Backend
- قابلیت Self-Update: بررسی و به‌روزرسانی خودکار خود Allp با اعتبارسنجی فایل‌ها
- قابلیت Doctor: عیب‌یابی سیستم و بررسی وضعیت Backendها
- قابلیت Live TUI: نمایش زنده روند Update و Upgrade

https://github.com/allp-manager/allp-manager

@DevTwitter | <wrench/>

خداحافظ claude، سلام pi
نویسنده cabel در این مقاله به ما میگه که چرا از کلاد دیگه استفاده نمیکنه و از pi استفاده میکنه
حالا pi چیه؟
یه دستیار برنامه‌نویسیه که خیلی ساده‌تر و راحت‌تر از کلاده و میتونی اسکیل‌های مختلف رو بهش اضافه کنی
https://pi.dev

@DevTwitter | <Shayan GeeDook/>

پلاگین dsh-context رو روی DeepSeek Harness نصب کنید تا به دریایی از اطلاعات جذاب از مصرف توکن کامل گرفته تا اینکه هر پروژه چقدر توکن مصرف کرده و هزینه‌اش بر اساس مدلی که استفاده کردید چقدره، یا اینکه بیشتر از چه اسکیل‌هایی استفاده کردید و کلی داده جذاب دیگه دسترسی داشته باشید.

https://github.com/bowenliang123/dsh-context

@DevTwitter | <MohammadMSFT/>

#دراز_نیوز

جنسن هوانگ بنیان‌گذار NVIDIA اعتراف به خیانت به همسرش کرده، اونم با یه خانم چینی که احتمال میره جاسوس چین باشه (یعنی چین پرستو فرستاده واسش)،. حالا اگر جنسن هوانگ اطلاعاتی لو داده باشه باید با این شرکت خداحافظی کنه.
سهام انویدیا هم کلی ریخته با این خبر و همه منتظریم ببینیم همسر جنسن چیکار می‌کنه :))))

https://nvidianews.nvidia.com/news/statement-from-nvidia-board-of-directors

@DevTwitter

یک گروه برزیلی با کمک هوش مصنوعی نسخه متن باز متلب را درست کردند.

https://campuslivre.github.io/matlivre/

@DevTwitter | <Hooman/>