مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🎨 خبر ۱: توسعه‌دهنده‌ها یک جایگزین متن‌باز برای Adobe Creative Suite ساخته‌اند که با Rust و هوش مصنوعی نوشته شده و به طراحان ویرایش رایگان و محلی می‌دهد.

🧠 خبر ۲: تحقیقی نشان داد فقط ده دقیقه کار با هوش مصنوعی پشتکار را در کارهای سخت کم می‌کند و به کاربران همیشگی ربات‌های چت هشدار می‌دهد.

🔒 خبر ۳: مدیرعامل Microsoft، Satya Nadella، می‌گوید شرکت‌ها باید هر مدل هوش مصنوعی را هک‌شده فرض کنند و امنیت عامل‌های هوش مصنوعی مستقر را محکم‌تر کنند.

🧑🎨 خبر ۴: با تولید تصویرهای بی‌پایان توسط هوش مصنوعی، هنر دست انسان به خاطر انسانی بودن گرانتر شده و هنرمندان قیمت‌گذاری و معرفی کارشان را عوض کرده‌اند.

📝 خبر ۵: یک برنامه‌نویس به غریبه‌ها پول داد تا راهنمای پروژه یعنی README را دنبال کنند و هر جا گیر کردند یادداشت کند؛ درسی عملی برای مستندسازی.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💾 خبر ۱: ابزار Janas مدل‌های زبانی بزرگ‌تر از رم کامپیوتر شما را اجرا می‌کند؛ بخش‌های مدل را ذره‌ذره از حافظه SSD می‌خواند تا میزبانی مدل‌های محلی ارزان شود.

🧭 خبر ۲: مدل Decision-1 مایکروسافت حالا در Foundry و OpenRouter در دسترس است و کار مسیریابی و دسته‌بندی درخواست‌ها را سریع و ارزان برای برنامه‌نویس‌ها انجام می‌دهد.

💬 خبر ۳: یک یادداشت استدلال می‌کند مهارت کمیاب امروز «فقط از Claude بپرس» است؛ یعنی بدانیم چه وقت سراغ هوش مصنوعی برویم، مهم‌تر از ترفندهای پیچیده پرامپت است.

🧪 خبر ۴: پژوهشگران GPT-6 Sol و Claude Opus 5.5 را در کدنویسی، یک‌نفره در برابر گروهی آزمودند و نتیجه این بود که کار گروهی برتری روشنی نداشت.

🔮 خبر ۵: پیش‌بینی‌های سال ۲۰۱۶ کوین کلی درباره هوش مصنوعی، ده سال بعد بازبینی شده تا ببینیم کدام حدس‌ها درباره شغل‌ها و هوش ماشین درست از آب درآمدند.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🧠 خبر ۱: متا مدل جدید Muse Wonder را معرفی کرد؛ مدلی پیشرفته با حافظه فعال که گفتگوهای قبلی را به یاد می‌آورد و کدنویسی قوی‌تری ارائه می‌دهد.

🛠️ خبر ۲: یک افزونه رایگان و متن‌باز به نام AGENT-ENGINEER، یازده مهارت و چهار زیرعامل به دستیارهای کدنویسی اضافه می‌کند تا کارهای مهندسی سخت‌تر را انجام دهند.

💰 خبر ۳: Pulse Local یک اپ بودجه‌بندی برای مک است که به سؤال‌های مالی شما درباره خرج‌ها جواب می‌دهد، آن هم با مدل‌هایی که کاملاً روی خود رایانه اجرا می‌شوند.

🎧 خبر ۴: ابزار تازه‌ای هر متنی را با همان اشتراک فعلی OpenAI شما به یک کتاب صوتی گویا تبدیل می‌کند، بدون هیچ هزینه اضافی برای API.

🌍 خبر ۵: Helix World یک مدل جهانی بلادرنگ است که صحنه‌های سه‌بعدی قابل کاوش می‌سازد و هم‌زمان با حرکت شما صدای فضایی متناسب تولید می‌کند.

@dslanders

🔁 تیپ #19

الگوی ReAct: فکر کن، عمل کن، مشاهده کن
در الگوی ReAct، مدل به‌جای اینکه از همان ابتدا کل مسیر را برنامه‌ریزی کند، گام‌به‌گام پیش می‌رود: یک «فکر» می‌نویسد، یک «عمل» انجام می‌دهد (معمولاً صدا زدن یک ابزار) و بعد «مشاهده» یعنی خروجی برگشتی را می‌خواند. 🔁 همین مشاهده ورودی فکر بعدی می‌شود، پس تصمیم‌ها روی شواهد واقعی سوار می‌شوند نه روی حدس. حلقه هم وقتی بسته می‌شود که مدل تشخیص دهد اطلاعات کافی برای پاسخ نهایی دارد.

ReAct: think, act, observe, then loop
The ReAct pattern makes the model alternate between reasoning and acting instead of planning everything up front: it writes a Thought, emits an Action (usually a tool call), then reads the Observation that comes back. 🔁 Each observation is folded into the next thought, so the agent grounds its decisions in real evidence instead of guessing. The loop ends when the model decides it has enough to answer.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🤗 خبر ۱: مدل تازه Ling-3.1-flash با ۵۶۰ میلیارد پارامتر روی Hugging Face منتشر شد، اما برای هر کلمه فقط ۲۵ میلیارد پارامتر فعال می‌کند و همین هزینه اجرا را خیلی پایین می‌آورد.

🔍 خبر ۲: Anthropic ابزار رهگیری OpenTelemetry را به ایجنت‌های Claude اضافه کرد تا توسعه‌دهنده‌ها مسیر کار عامل‌های هوش مصنوعی را ببینند، خطاها را پیدا کنند و عملکردشان را بسنجند.

🎙️ خبر ۳: مدل صوتی Grok Voice 3.0 از xAI صدا را در کمتر از یک ثانیه به صدا تبدیل می‌کند و برای گفت‌وگوی زنده با مشتری و پاسخ‌گویی تلفنی ساخته شده است.

🛠️ خبر ۴: ابزار متن‌باز Harness² از Google Research به عامل‌های هوش مصنوعی کمک می‌کند بدون آموزش دوباره مدل، دستورها و حافظه و ابزارهای خود را مرحله‌به‌مرحله بهتر کنند.

📢 خبر ۵: ChatGPT حالا تبلیغات را بر اساس متن پرسش‌های شما و شماره تلفن و ایمیل‌تان هدف‌گذاری می‌کند؛ چیزی که نگرانی‌های جدی درباره حریم خصوصی کاربران عادی به راه انداخته است.

@dslanders

🏷️ تیپ #20

توضیح ابزار را طوری بنویسید که مدل واقعاً بفهمد
مدل هیچ‌وقت کد ابزار شما را نمی‌بیند؛ تن‌ها چیزی که در اختیارش است همان رشتهٔ توضیح داخل schema است. پس آن را مثل مستندات ورود یک همکار تازه‌وارد بنویسید: ابزار چه کاری می‌کند، کجا باید صدایش زد و کجا نباید، هر پارامتر چه انتظاری دارد و خروجی چه شکلی برمی‌گردد. توضیح‌های کلی مثل «اطلاعات کاربر را می‌گیرد» مدل را مجبور به حدس زدن می‌کند و معمولاً هم اشتباه حدس می‌زند 👀. محدودیت‌ها را صریح بنویسید، مثلاً «حداکثر ۲۰ نتیجه برمی‌گرداند و برای صفحه‌بندی باید از پارامتر cursor استفاده کنید».

Write tool descriptions the model can actually use
Your agent never reads your tool's code, it only reads the description string you ship in the schema. So write it like onboarding docs for a new teammate: what the tool does, when to call it, when not to, what each parameter expects, and what shape the output takes. Vague one-liners like "Gets user data" force the model to guess, and it will guess wrong 👀. Add one good and one bad example input, and state limits explicitly, e.g. "returns at most 20 results, use the cursor parameter to paginate".

@dslanders

📐 تیپ #21

خروجی ساختاریافته: پاسخ قابل‌اعتماد با شِمای JSON
اگر پاسخ مدل متن آزاد باشد، همان اولین تلاش برای پارس کردن در کد می‌شکند. کافی است یک شِمای JSON به مدل بدهید تا به‌جای نوشتن متن، مثل یک فرم 🧩 فیلدها را پر کند و هر مقدار با نام و نوع درست برگردد. سرویس‌دهنده‌ها این کار را یا با حالت strict و شِما انجام می‌دهند یا با محدودسازی گرامر در زمان تولید توکن، بنابراین JSON نامعتبر تقریباً غیرممکن می‌شود، نه فقط بعید.

Structured output: make agents return valid JSON
Free-text answers break your agent the moment downstream code tries to parse them. Hand the model a JSON schema and it fills in a form 🧩 instead of writing prose, so every field comes back named, typed, and validated. Providers enforce this either through a strict schema mode or grammar-constrained decoding, which makes malformed JSON nearly impossible rather than merely unlikely.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

⚡ خبر ۱: ابزار Llmspeed سرعت اجرای مدل‌های هوش مصنوعی روی کامپیوتر خودت را اندازه می‌گیرد تا پیش از خریدن کارت گرافیک گران بدانی چه سخت‌افزاری واقعاً جواب می‌دهد.

🎨 خبر ۲: Pele نمودارهای Mermaid را به فایل SVG با تم قابل تغییر تبدیل می‌کند تا مستندات و اسلایدها ظاهر تمیزتر و سفارشی‌تری داشته باشند.

🚀 خبر ۳: DeepSeek مدل سریع v4.1 Flash را منتشر کرد؛ مدلی برای اجرای ارزان و پرسرعت که همین حالا از طریق API در دسترس است.

✅ خبر ۴: یک بحث تازه می‌پرسد وقتی هوش مصنوعی کد می‌نویسد چه کسی آن را تأیید می‌کند؛ نشانه‌ای از نیاز روزافزون به تست و بازبینی خودکار.

⚠️ خبر ۵: OpenAI چهار مورد دیگر از رفتار غیرمنتظره مدل‌هایش را اعلام کرد؛ مواردی که داده‌های مالی، پزشکی و دولتی را درگیر کرده و نگرانی درباره کنترل ایمنی ایجنت‌های خودمختار را جدی‌تر می‌کند.

@dslanders

🔌 تیپ #22

پروتکل MCP: یک دوشاخهٔ استاندارد برای ابزارهای ایجنت
پروتکل MCP یک استاندارد باز است که به ایجنت اجازه می‌دهد ابزارهای بیرونی را از طریق یک رابط یکسان کشف و فراخوانی کند، بدون آنکه برای هر جفت مدل و ابزار یک اتصال اختصاصی بنویسید. کافی است یک بار سرور MCP را بسازید 🔌 و بعد هر کلاینت سازگاری بتواند از همان سرور استفاده کند. نتیجهٔ عملی این کار کاهش تعداد اتصال‌ها از N×M به N+M است و تعریف ابزارها هم داخل خود سرور می‌ماند، نه در پرامپت شما.

MCP: One Standard Plug for Every Agent Tool
MCP (Model Context Protocol) is an open standard that lets an agent discover and call external tools through one uniform interface, instead of you hand-writing a custom integration for every model-and-tool pair. Think of it as a 🔌 universal socket: build one MCP server for your database, filesystem, or API, and any MCP-compatible client can use it as-is. The practical payoff is N+M integrations instead of N×M, with tool definitions living in the server rather than buried in your prompt.

@dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🛡️ خبر ۱: Sphinx یک ابزار رایگان و متن‌باز است که پیش از انتشار کد، از برنامه‌نویس درباره کدهای نوشته‌شده با هوش مصنوعی سؤال می‌پرسد تا خطاهای خطرناک زودتر لو بروند.

⚡ خبر ۲: یک راهنمای تازه نشان می‌دهد چطور سرعت اجرای مدل بزرگ Kimi K3 را در vLLM بهینه کنیم تا سازنده‌ها آن را سریع‌تر و ارزان‌تر اجرا کنند.

🔎 خبر ۳: DeepSeek حالا جست‌وجوی وب و خواندن محتوای صفحه را با قیمت ۰.۷۵ دلار برای هر هزار درخواست موفق می‌دهد؛ یک API تحقیقاتی ارزان برای سازنده‌ها.

🛍️ خبر ۴: یک آزمایش نشان می‌دهد دستیارهای خرید هوش مصنوعی تا کجا برای گرفتن بازگشت پول پیش می‌روند و چه محدودیت‌ها و ریسک‌هایی برای مصرف‌کننده عادی دارد.

🚧 خبر ۵: سایت‌های بیشتری دسترسی عامل‌های هوش مصنوعی به محتوایشان را می‌بندند و سازنده‌ها باید برای جمع‌آوری داده و جست‌وجو راه تازه پیدا کنند.

@dslanders