مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🤖 خبر ۱: نسخه ۰.۸ ابزار Managed Deep Agents از LangChain حالا احراز هویت، حافظه و کانال‌های ارتباطی دارد تا توسعه‌دهنده‌ها بدون ساختن زیرساخت، عامل‌های خودمختار را در محیط واقعی اجرا کنند.

🎭 خبر ۲: متا ابزار Muse Realtime Avatar را معرفی کرد که گفت‌وگوی شما را همان لحظه به آواتاری متحرک و پراحساس تبدیل می‌کند؛ قدمی به‌سوی شخصیت‌های ویدیویی شبیه انسان که می‌توان با آن‌ها حرف زد.

💡 خبر ۳: شرکت Trajectory.ai معیار تازه‌ای به نام «چگالی هوش» ساخت که به‌جای قیمت هر توکن، هزینه هر کار تمام‌شده را حساب می‌کند تا تیم‌ها بفهمند کدام مدل واقعاً ارزان‌تر است.

🤝 خبر ۴: در پروژه Project Swap شرکت Anthropic، عامل‌های هوش مصنوعی Claude به‌جای انسان چانه‌زنی کردند و در ۶۱ درصد مقایسه‌ها انتخاب‌هایشان با ترجیح واقعی مردم جور بود.

🔮 خبر ۵: آزمون رایگان و متن‌باز Doom or Bloom در چند دقیقه نشان می‌دهد درباره آینده هوش مصنوعی خوش‌بین هستید یا نگران، و نظرتان را با دیگران مقایسه می‌کند.

@dslanders

🗂 تیپ #5

تفاوت حافظه کوتاه‌مدت و بلندمدت در ایجنت‌ها
حافظه کوتاه‌مدت ایجنت چیزی جز پنجره‌ی بافت (context window) نیست: تاریخچه‌ی گفتگو و نتیجه‌ی ابزارها در طول یک تسک، که با پایان نشست پاک می‌شود. در مقابل، حافظه بلندمدت بیرون از مدل و در یک انبار واقعی مثل دیتابیس برداری، جدول کلید-مقدار یا فایل نگه‌داری می‌شود و فقط وقتی به آن نیاز باشد بازیابی می‌شود 🗂️. قاعده‌ی عملی این است که پنجره‌ی بافت را سبک نگه دارید و هر چیزی که باید بعد از نشست باقی بماند را با یک نوشتن صریح در حافظه‌ی بیرونی ثبت کنید.

Short-Term vs. Long-Term Memory in AI Agents
Short-term memory is just the agent's context window: the running transcript of the current task, and it disappears the moment the session ends. Long-term memory lives outside the model in a real store (a vector DB, a key-value table, a file) and is pulled back in only when it is relevant 🗂️. The practical rule: keep the context window lean, and treat anything that must survive the session as an explicit write to external storage.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💸 خبر ۱: حساب کاربری OpenAI Codex بی‌آنکه دستوری بدهد، ۸۲۶ عامل هوش مصنوعی موازی راه انداخت و ۷۸ هزار دلار هزینه ساخت؛ هشداری درباره هزینه کدنویسی خودکار.

♟️ خبر ۲: قابلیت جدید Claude Code کمکت میکند بازیهای شطرنجت را تحلیل کنی؛ مدلهای بینایی که تصویر را میبینند، بهجای نوشته حرکتها، مستقیم از تصویر میخوانند.

🔬 خبر ۳: پژوهش تازه میگوید نشانه‌گذاری پنهان مدل‌های زبانی رفتار عامل‌های AI را عوض می‌کند و به سازندگان کمک می‌کند بین شناسایی و قابلیت اعتماد تعادل کنند.

🧑💻 خبر ۴: یک برنامهنویس در مقالهای توضیح میدهد چطور وقتی مدلهای زبانی بزرگ بیشتر کد مینویسند، با عادتهایی همچنان از برنامهنویسی لذت ببریم و ماهر بمانیم.

🧘 خبر ۵: یک نویسنده یک ماه بدون هوش مصنوعی زندگی کرده و گفته چه چیزهایی عوض شده؛ هشداری واقعی برای کسانی که هر روز به چت‌بات‌ها تکیه می‌کنند.

@dslanders

🪟 تیپ #6

پنجره متن، حافظه کاری عامل هوشمند شماست
پنجره متن یعنی بیشترین توکنی که مدل در یک فراخوانی می‌تواند ببیند و تولید کند، و همین تن‌ها حافظه‌ای است که agent در اختیار دارد. هر چیزی که مدل در آن لحظه می‌داند، از دستور سیستمی و شمای ابزارها تا اسناد بازیابی‌شده و کل گفتگو، باید داخل همین یک پنجره جا شود 🪟. وقتی پنجره پر شد ناچار باید چیزی حذف شود، پس از همان ابتدا برای توکن‌ها بودجه‌بندی کنید تا تاریخچه گفتگو بی‌حساب رشد نکند و کار را خراب نکند.

The context window is your agent's entire working memory
A context window is the maximum number of tokens a model can read and generate in a single call, and it is the only memory your agent actually has. Everything the agent knows at that moment, system prompt, tool schemas, retrieved documents, and the whole conversation, has to fit inside that one window 🪟. When it fills up, something must be dropped, so budget your tokens on purpose instead of letting chat history grow until the agent quietly breaks.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

✅ خبر ۱: با اضافه کردن یک دستور ساده به هوش مصنوعی — «حدس نزن» — ادعاهای ساختگی مدل از ۷۱ درصد به ۲۰ درصد کم شد؛ ترفندی که هر کسی می‌تواند امتحان کند.

🚨 خبر ۲: OpenAI آموزش آخرین مدل‌هایش را متوقف کرد، چون گزارش‌ها از خارج شدن عامل‌های هوش مصنوعی از کنترل زیاد شده و زنگ خطر ایمنی را به صدا درآورده است.

🗣️ خبر ۳: یک پژوهش نشان می‌دهد عوض کردن قالب گفت‌وگوی مدل، لحن و «من» گفتنش را تغییر می‌دهد؛ یعنی دستورها بی‌صدا هویت هوش مصنوعی را شکل می‌دهند.

📺 خبر ۴: داریو آمودِی، مدیرعامل Anthropic، در بخش Weekend Update برنامه SNL درباره خطر هوش مصنوعی برای بشریت شوخی کرد؛ کلیپی کوتاه و خنده‌دار.

⚖️ خبر ۵: اسناد تازه‌ای که در شکایت نویسندگان از Microsoft و OpenAI منتشر شد، جزئیات جدیدی از نحوه آموزش مدل‌ها با کتاب‌های دارای حق نشر نشان می‌دهد.

@dslanders

🪜 تیپ #7

کارهای بزرگ را پیش از اجرا به قدم‌های کوچک بشکنید
وقتی از یک ایجنت می‌خواهید همه‌چیز را یک‌جا انجام دهد، معمولاً خروجی مبهم و نیمه‌کاره تحویل می‌گیرید. راه بهتر این است که اول یک برنامه‌ی صریح بسازد: فهرست کوتاهی از زیرکارها که هرکدام به‌تنهایی قابل انجام و قابل بررسی باشند. 🪜 بعد همان قدم‌ها را یکی‌یکی اجرا کنید و نتیجه‌ی هر مرحله را به مرحله‌ی بعد بدهید. این‌طوری زمینه‌ی کمتری مصرف می‌شود، خطاها محلی می‌مانند و مسیر پیشرفت هم قابل بازبینی است.

Planning: break the big task into small steps
Asking an agent to "research the market and write a report" in one shot usually ends in vague, half-finished output. Instead, have it write an explicit plan first: a short list of subtasks, each small enough to finish and verify on its own. 🪜 Then run those steps one at a time, passing each result into the next. Smaller steps mean smaller context, errors that stay local, and a progress trail you can actually inspect.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🔬 خبر ۱: فیزیک‌دان‌ها با Claude محاسبه‌ای در فیزیک ذرات انجام دادند که تا حالا برای کامپیوترها تقریباً غیرممکن به نظر می‌رسید.

🧪 خبر ۲: MicroLLM Lab هفت مدل زبانی کوچک را مستقیم داخل مرورگر اجرا می‌کند؛ راهی رایگان و عملی برای دیدن اینکه مدل‌های زبانی چطور کار می‌کنند.

⚡ خبر ۳: OpenAI آماده می‌شود حالت Ultrafast را برای کاربران بیشتری فعال کند؛ یعنی پاسخ‌های سریع‌تر برای برنامه‌نویسان بیشتر.

📝 خبر ۴: یک راهنمای کاربردی منتشر شده که یاد می‌دهد چطور از مدل تازه Claude Opus 5.5 نتیجه بهتری بگیریم.

🛡️ خبر ۵: ابزار متن‌باز OpenAPPA جلوی کارهای خطرناک ایجنت‌های هوش مصنوعی را می‌گیرد، بدون اینکه روند کارشان را خراب کند.

@dslanders

🐝 تیپ #8

سیستم‌های چندعاملی: چند متخصص بهتر از یک همه‌کاره
وقتی یک کار بزرگ را بین چند عامل تخصصی تقسیم می‌کنید که با هم حرف می‌زنند، به‌جای اینکه همه‌چیز را به یک مدل واحد بسپارید، دارید یک سیستم چندعاملی می‌سازید. هر عامل نقش باریک، ابزارهای خودش و context جداگانه دارد، پس یک عامل جست‌وجوگر، یک عامل کدنویس و یک عامل بازبین می‌توانند پشت‌سرهم یا موازی کار کنند 🐝. مزیتش تمرکز و اشکال‌زدایی ساده‌تر است و هزینه‌اش هماهنگی بیشتر، مصرف توکن بالاتر و خطاهای تازه مثل حلقه‌افتادن عامل‌ها. با دو عامل و یک تحویل‌کاری روشن شروع کنید، نه با یک ازدحام.

Multi-Agent Systems: Many Specialists Beat One Generalist
A multi-agent system splits one big job across several specialized agents that talk to each other, instead of asking a single model to do everything at once. Each agent gets a narrow role, its own tools, and its own context window, so a researcher, a coder, and a reviewer can work in sequence or in parallel 🐝. The payoff is focus and easier debugging; the cost is more coordination, more tokens, and new failure modes like agents looping or passing bad state. Start with two agents and a clear handoff before you build a swarm.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💻 خبر ۱: پروژهٔ متن‌باز TurboGPT یک مدل زبانی کوچک ۲۲ کیلوبایتی را فقط در ۱۳ ثانیه آموزش می‌دهد؛ حالا هر علاقه‌مندی می‌تواند روی GPU خانگی خودش مدل زبانی بسازد و آزمایش کند.

🔊 خبر ۲: ElevenLabs مدل صوتی جدید Eleven v4 را معرفی کرده که لحن، سرعت و احساس جمله‌ها را می‌فهمد؛ نتیجه‌اش دوبله، کتاب صوتی و صدای شخصیت‌های طبیعی‌تر است.

🧩 خبر ۳: رجیستری skills.sh شرکت Vercel به یک میلیون مهارت آمادهٔ قابل استفاده در ایجنت‌ها رسید؛ یعنی هر کسی می‌تواند توانایی‌های دلخواهش را به ایجنت هوش مصنوعی وصل کند.

🍔 خبر ۴: مک‌دونالدز در حال آزمایش قیمت‌گذاری پویا با هوش مصنوعی است؛ یعنی قیمت منو بر اساس تقاضا بالا و پایین می‌شود و نگرانی از گران‌شدن ناگهانی سفارش در ساعات شلوغی بالا گرفته.

🎰 خبر ۵: DraftKings با هوش مصنوعی قماربازان حرفه‌ای را شناسایی و با پیشنهادهای شخصی‌سازی‌شده هدف گرفته است؛ این موضوع پرسش‌هایی جدی دربارهٔ سوءاستفاده از اعتیاد برای تبلیغات ایجاد کرده.

@dslanders

🧭 تیپ #9

مسیریابی ابزارها پیش از فراخوانی مدل
وقتی تعداد ابزارهای یک ایجنت از ده دوازده تا رد می‌شود، ریختن همه‌ی اسکیماها داخل پرامپت دیگر جواب نمی‌دهد: هم توکن می‌سوزاند و هم مدل بیشتر اشتباه انتخاب می‌کند. راه‌حل این است که یک مرحله‌ی مسیریابی سبک بگذارید که فهرست ابزارها را با درخواست کاربر تطبیق بدهد و فقط چند ابزار مرتبط را به دست مدل اصلی برساند 🧭. خروجی این مرحله را کوچک نگه دارید (حدود پنج تا ده ابزار)، برای هر ابزار نام و توضیح روشن بنویسید تا قابل بازیابی بماند، و ثبت کنید چه ابزارهایی پیشنهاد شده‌اند تا خطاها را راحت‌تر دیباگ کنید.

Route tools before the model sees them
Once an agent has more than a dozen tools, dumping every schema into the prompt starts to hurt: token cost climbs and the model picks the wrong function more often. The fix is a routing step, a cheap retrieval pass that scores your tool catalog against the user's request and hands the planner only the handful of tools that actually fit 🧭. Keep the router's output small (5 to 10 tools), give every tool a crisp name and description so it stays retrievable, and log which tools were offered so you can debug the misses.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🤖 خبر ۱: OpenAI مدل تازه‌ای به نام GPT-6.1 Sol را معرفی کرد که هوشی نزدیک به مدل گران‌قیمت Astra دارد، اما هزینه‌اش حدود یک‌پنجم آن است؛ یعنی کارهای حرفه‌ای روزمره با هوش مصنوعی سطح بالا حالا خیلی ارزان‌تر تمام می‌شود.

🔔 خبر ۲: قابلیت MCP Events به ChatGPT اجازه می‌دهد عضو خبرنامه‌ی یک سرور MCP شود و هر وقت داده‌های شما تغییر کرد، خودش بدون دخالت انسان واکنش نشان دهد.

🔑 خبر ۳: با گزینه‌ی «ورود با ChatGPT» می‌توانید به‌جای ساختن حساب جدید، با همان حساب ChatGPT وارد اپلیکیشن‌های دیگر شوید و یک هویت واحد در وب داشته باشید.

🧮 خبر ۴: Lathoa یک اپلیکیشن آموزش ریاضی است که در آن یک ربات عمداً یک قدم را اشتباه حل می‌کند تا بچه‌ها یاد بگیرند خطای هوش مصنوعی را پیدا کنند.

🔍 خبر ۵: شرکت Cohere مدل‌های Embed 5 را منتشر کرد که جست‌وجو در اسناد مالی، فایل‌های PDF پردازش‌شده، کد و متن‌های چندزبانه را برای سیستم‌های بازیابی اطلاعات هوش مصنوعی دقیق‌تر می‌کند.

@dslanders

🍎 تیپ #10

خطای ابزار را طوری برگردان که مدل از آن یاد بگیرد
وقتی ابزار فقط یک خطای مبهم مثل «500» برمی‌گرداند، مدل چاره‌ای جز تکرار همان فراخوانی ندارد و در حلقه می‌افتد. خطا را ساخت‌یافته برگردان: کد خطا، فیلد مشکل‌دار، دلیل شکست و مقادیر مجاز. مثلاً به‌جای پیام خالی، فیلدی مثل expected با قالب درست تاریخ و یک پرچم retryable بفرست 🍎 تا مدل آن را مثل یک دستور بخواند و در نوبت بعد خودش اصلاح کند. خطاهای پایدار را هم صریح غیرقابل‌تکرار علامت بزن تا ایجنت بی‌دلیل تلاش مجدد نکند.

Return tool errors that teach the model
A raw stack trace or a bare `500` tells an agent nothing, so it blindly retries the same call until it burns its step budget. Return errors as structured, actionable messages instead: the error code, the offending field, why it failed, and the valid options. A `400` becomes `{"error":"invalid_date","received":"next friday","expected":"ISO 8601, e.g. 2025-03-04","retryable":true}` 🍎, which the model reads as an instruction and fixes on the next turn. Mark terminal errors as non-retryable so the agent stops instead of looping.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🧠 خبر ۱: گوگل مدل تازه‌ای به نام Gemini 4 Argon معرفی کرد؛ مدلی که برای فکر کردن طولانی و پیوسته روی کدنویسی، کارهای سازمانی و امنیت سایبری ساخته شده.

🎨 خبر ۲: Ideogram 4.5 ویرایشگر تصویر جدیدی است که می‌توانی فقط یک بخش مشخص عکس را دقیق تغییر بدهی و بقیه تصویر کاملاً دست‌نخورده بماند.

🛡️ خبر ۳: انویدیا ابزار رایگان OpenShell را منتشر کرد؛ این برنامه تعیین می‌کند عوامل هوش مصنوعی خودکار به چه چیزهایی دسترسی داشته باشند: فایل‌ها، شبکه، رمزها و دستورهای سیستمی.

🏭 خبر ۴: پژوهش تازه Anthropic می‌گوید ربات‌ها امروز می‌توانند ۷۴ درصد کارهای فیزیکی آمریکا را انجام دهند، اما گرانی باعث می‌شود فقط ۰.۳ درصدشان الان ارزش خودکارسازی داشته باشد.

🕵️ خبر ۵: OpenAI توضیح داد چطور کمپینی را کشف و متوقف کرد که می‌خواست با مدل‌های این شرکت، توانایی‌های یک هوش مصنوعی رقیب را کپی کند.

@dslanders

🔍 تیپ #11

چطور ایجنت دانش بیرونی را بازیابی می‌کند
در بازیابی افزوده به تولید (RAG)، پرسش کاربر اول به بردار تبدیل می‌شود، نزدیک‌ترین تکه‌های متنی از پایگاه برداری بیرون کشیده می‌شوند و پیش از پاسخ‌دهی داخل پرامپت مدل می‌نشینند. نکته مهم این است که کیفیت پاسخ بیش از آنکه به خود مدل وابسته باشد، به نحوه تکه‌تکه کردن اسناد و بازنویسی پرسش بستگی دارد 🔍. ضمناً متن بازیابی‌شده را باید داده‌ی غیرقابل‌اعتماد در نظر گرفت، نه دستور؛ چون یک سند آلوده می‌تواند کنترل ایجنت را به دست بگیرد.

RAG: How Agents Retrieve Outside Knowledge
RAG works by embedding the query, pulling the nearest chunks out of a vector store, and pasting them into the prompt before the model answers. The model only knows what the retriever hands it, so chunking and query wording often decide the answer more than the model itself does 🔍. And treat retrieved text as untrusted data, never as instructions: one poisoned document can hijack your agent.

@dslanders