🚀 مدل ارزان‌تر همیشه انتخاب اقتصادی‌تری نیست؛ حتی اگر دو برابر بهتر کدنویسی کند!
مدل جدید «جی‌پی‌تی ۶.۱ ترا» منتشر شد؛ اما نکتهٔ مهم فقط سریع‌تر شدن آن نیست.
طبق گزارش سازنده، این مدل در آزمون Terminal-Bench 4.0 امتیاز ۵۰٫۳٪ گرفته؛ در حالی که نسخهٔ قبلی ۲۱٫۵٪ ثبت کرده بود. هدف اصلی، اجرای کارهای پرتعداد با هزینهٔ کمتر است؛ از جمله کارهایی که ایجنت باید در محیط نرم‌افزار انجام دهد.
💡 برای انتخاب مدل، فقط قیمت هر میلیون توکن را مقایسه نکنید. تعداد تلاش‌های مجدد، مدت اجرای تسک و نرخ موفقیت نهایی را هم بسنجید. مدل ارزان‌تر اگر چند بار بیشتر خطا کند، ممکن است گران‌تر تمام شود.
💬 شما برای انتخاب مدل، «هزینه به‌ازای هر تسک موفق» را اندازه می‌گیرید یا فقط قیمت توکن را؟
🔗 منبع رسمی:
https://openai.com/index/introducing-gpt-6-1-terra/
🔗هوشیار۲۴
مدل جدید «جی‌پی‌تی ۶.۱ ترا» منتشر شد؛ اما نکتهٔ مهم فقط سریع‌تر شدن آن نیست.
طبق گزارش سازنده، این مدل در آزمون Terminal-Bench 4.0 امتیاز ۵۰٫۳٪ گرفته؛ در حالی که نسخهٔ قبلی ۲۱٫۵٪ ثبت کرده بود. هدف اصلی، اجرای کارهای پرتعداد با هزینهٔ کمتر است؛ از جمله کارهایی که ایجنت باید در محیط نرم‌افزار انجام دهد.
💡 برای انتخاب مدل، فقط قیمت هر میلیون توکن را مقایسه نکنید. تعداد تلاش‌های مجدد، مدت اجرای تسک و نرخ موفقیت نهایی را هم بسنجید. مدل ارزان‌تر اگر چند بار بیشتر خطا کند، ممکن است گران‌تر تمام شود.
💬 شما برای انتخاب مدل، «هزینه به‌ازای هر تسک موفق» را اندازه می‌گیرید یا فقط قیمت توکن را؟
🔗 منبع رسمی:
https://openai.com/index/introducing-gpt-6-1-terra/
🔗هوشیار۲۴
⚡️ شاید دارید برای تصمیم‌هایی که در چند میلی‌ثانیه قابل انجام‌اند، هزینهٔ تولید یک پاسخ کامل را می‌پردازید!
اوپن‌ای‌آی نسخهٔ عمومی «Decisions API» را عرضه کرده؛ رابطی برای تصمیم‌های محدود مثل دسته‌بندی درخواست، انتخاب مسیر پردازش یا تعیین اقدام بعدی.
این رابط تا ۴۰۰ سؤال را در یک درخواست می‌پذیرد و از ورودی ساختاریافته، تصویر و کش‌کردن اطلاعات مشترک پشتیبانی می‌کند.
طبق اعلام سازنده، در این نوع کارها می‌تواند تا ۱۰ برابر سریع‌تر از مسیر معمول تولید پاسخ باشد؛ البته نتیجهٔ واقعی به نوع بار کاری بستگی دارد.
💡 ایدهٔ مهندسی ساده است: تصمیم‌های کوچک را از فرایند تولید متن طولانی جدا کنید و تأخیر کل جریان را بسنجید.
💬 به نظرتون کدوم بخش از ایجنت‌های امروزی هنوز بی‌دلیل از مدل‌های سنگین استفاده می‌کنه؟
🔗 منبع رسمی:
https://openai.com/index/decisions-api/
🔗هوشیار۲۴
اوپن‌ای‌آی نسخهٔ عمومی «Decisions API» را عرضه کرده؛ رابطی برای تصمیم‌های محدود مثل دسته‌بندی درخواست، انتخاب مسیر پردازش یا تعیین اقدام بعدی.
این رابط تا ۴۰۰ سؤال را در یک درخواست می‌پذیرد و از ورودی ساختاریافته، تصویر و کش‌کردن اطلاعات مشترک پشتیبانی می‌کند.
طبق اعلام سازنده، در این نوع کارها می‌تواند تا ۱۰ برابر سریع‌تر از مسیر معمول تولید پاسخ باشد؛ البته نتیجهٔ واقعی به نوع بار کاری بستگی دارد.
💡 ایدهٔ مهندسی ساده است: تصمیم‌های کوچک را از فرایند تولید متن طولانی جدا کنید و تأخیر کل جریان را بسنجید.
💬 به نظرتون کدوم بخش از ایجنت‌های امروزی هنوز بی‌دلیل از مدل‌های سنگین استفاده می‌کنه؟
🔗 منبع رسمی:
https://openai.com/index/decisions-api/
🔗هوشیار۲۴
🔐 به ایجنت کدنویسی‌ات اعتماد داری؟ خوبه؛ ولی آیا باید به تمام فایل‌های سیستمت هم دسترسی داشته باشه؟
گیت‌هاب قابلیت «Local Sandboxing» را برای ابزارهای کدنویسی کوپایلت به‌صورت عمومی ارائه کرده است.
با این قابلیت می‌توان دسترسی فرمان‌های اجراشده توسط ایجنت را به فایل‌ها، شبکه و اطلاعات حساس محدود کرد.
نکتهٔ مهم اینجاست که رفتار مدل و مجوز اجرای ابزار دو لایهٔ کاملاً متفاوت هستند.
حتی اگر مدل درخواست را درست بفهمد، فرمانی که اجرا می‌کند باید فقط به منابع ضروری دسترسی داشته باشد.
💡 قبل از سپردن یک بازآرایی بزرگ به ایجنت، محدودهٔ فایل‌ها، ارتباطات شبکه و سطح دسترسی ابزارها را مشخص کنید.
💬 شما برای اجرای ایجنت‌های کدنویسی از محیط ایزوله استفاده می‌کنید یا هنوز دسترسی کامل دارند؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-07-local-sandboxing-for-github-copilot-now-generally-available/
🔗هوشیار۲۴
گیت‌هاب قابلیت «Local Sandboxing» را برای ابزارهای کدنویسی کوپایلت به‌صورت عمومی ارائه کرده است.
با این قابلیت می‌توان دسترسی فرمان‌های اجراشده توسط ایجنت را به فایل‌ها، شبکه و اطلاعات حساس محدود کرد.
نکتهٔ مهم اینجاست که رفتار مدل و مجوز اجرای ابزار دو لایهٔ کاملاً متفاوت هستند.
حتی اگر مدل درخواست را درست بفهمد، فرمانی که اجرا می‌کند باید فقط به منابع ضروری دسترسی داشته باشد.
💡 قبل از سپردن یک بازآرایی بزرگ به ایجنت، محدودهٔ فایل‌ها، ارتباطات شبکه و سطح دسترسی ابزارها را مشخص کنید.
💬 شما برای اجرای ایجنت‌های کدنویسی از محیط ایزوله استفاده می‌کنید یا هنوز دسترسی کامل دارند؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-07-local-sandboxing-for-github-copilot-now-generally-available/
🔗هوشیار۲۴
🧠 ممکنه با هر درخواست به مدل هوش مصنوعی، دوباره بابت اطلاعاتی پول بدی که قبلاً پردازش شده‌اند!
یکی از روش‌های مهم بهینه‌سازی هزینه و سرعت در برنامه‌های مبتنی بر مدل‌های زبانی، استفادهٔ درست از «Prompt Caching» است.
اگر دستورهای ثابت سیستم، تعریف ابزارها و ساختار خروجی را ابتدای درخواست قرار دهید و دادهٔ متغیر کاربر را بعد از آن بیاورید، در رابط‌هایی که کش پیشوندی دارند احتمال استفادهٔ دوباره از بخش ثابت بیشتر می‌شود.
اما کاهش هزینهٔ توکن تنها معیار نیست.
💡 برای ارزیابی واقعی، این چهار شاخص را بررسی کنید:
• نرخ استفاده از کش
• زمان دریافت اولین توکن
• تعداد تلاش‌های مجدد
• هزینهٔ هر تسک موفق
فراموش نکنید که یک پرامپت کوتاه‌تر، اگر دقت مدل را کاهش دهد و باعث تلاش‌های مجدد شود، ممکن است در نهایت هزینهٔ بیشتری ایجاد کند.
💬 شما هنگام بهینه‌سازی درخواست‌های هوش مصنوعی، اول سراغ کاهش هزینه می‌رید یا کاهش تأخیر؟
🔗هوشیار۲۴
یکی از روش‌های مهم بهینه‌سازی هزینه و سرعت در برنامه‌های مبتنی بر مدل‌های زبانی، استفادهٔ درست از «Prompt Caching» است.
اگر دستورهای ثابت سیستم، تعریف ابزارها و ساختار خروجی را ابتدای درخواست قرار دهید و دادهٔ متغیر کاربر را بعد از آن بیاورید، در رابط‌هایی که کش پیشوندی دارند احتمال استفادهٔ دوباره از بخش ثابت بیشتر می‌شود.
اما کاهش هزینهٔ توکن تنها معیار نیست.
💡 برای ارزیابی واقعی، این چهار شاخص را بررسی کنید:
• نرخ استفاده از کش
• زمان دریافت اولین توکن
• تعداد تلاش‌های مجدد
• هزینهٔ هر تسک موفق
فراموش نکنید که یک پرامپت کوتاه‌تر، اگر دقت مدل را کاهش دهد و باعث تلاش‌های مجدد شود، ممکن است در نهایت هزینهٔ بیشتری ایجاد کند.
💬 شما هنگام بهینه‌سازی درخواست‌های هوش مصنوعی، اول سراغ کاهش هزینه می‌رید یا کاهش تأخیر؟
🔗هوشیار۲۴
😂 وقتی از ایجنت می‌خوای یه متغیر رو تغییر نام بده، ولی تصمیم می‌گیره کل معماری پروژه رو نجات بده!
👨💻 دولوپر:
«فقط اسم این متغیر رو واضح‌تر کن.»
🤖 ایجنت کدنویسی:
«انجام شد! ۱۲ فایل تغییر کرد، سه لایهٔ انتزاعی اضافه شد و تست‌ها رو هم از نو نوشتم.»
وقتی محدودهٔ کار دقیق مشخص نشده باشه، حتی یه تغییر کوچیک هم می‌تونه به بازآرایی ناخواستهٔ نصف پروژه تبدیل بشه!
💡 دو راه نجات:
قبل از اجرا فایل‌های مجاز رو مشخص کن و قبل از تأیید نهایی، خلاصهٔ تغییرات گیت رو با دستور git diff --stat بررسی کن.
💬 صادقانه بگید؛ تا حالا چند بار مجبور شدید تغییرات ایجنت رو برگردونید؟ 👀
🔗هوشیار۲۴
👨💻 دولوپر:
«فقط اسم این متغیر رو واضح‌تر کن.»
🤖 ایجنت کدنویسی:
«انجام شد! ۱۲ فایل تغییر کرد، سه لایهٔ انتزاعی اضافه شد و تست‌ها رو هم از نو نوشتم.»
وقتی محدودهٔ کار دقیق مشخص نشده باشه، حتی یه تغییر کوچیک هم می‌تونه به بازآرایی ناخواستهٔ نصف پروژه تبدیل بشه!
💡 دو راه نجات:
قبل از اجرا فایل‌های مجاز رو مشخص کن و قبل از تأیید نهایی، خلاصهٔ تغییرات گیت رو با دستور git diff --stat بررسی کن.
💬 صادقانه بگید؛ تا حالا چند بار مجبور شدید تغییرات ایجنت رو برگردونید؟ 👀
🔗هوشیار۲۴
🔐 یک ایجنت سازمانی نباید برای کارکردن به حساب شخصی یک دولوپر وابسته باشد!
گیت‌هاب در ۲۷ اکتبر، احراز هویت «سروربه‌سرور» را برای Copilot SDK در نسخهٔ پیش‌نمایش عمومی معرفی کرد.
حالا سرویس‌ها و ایجنت‌هایی که با این ابزار ساخته شده‌اند، می‌توانند از طریق GitHub App نصب‌شده روی سازمان و توکن کوتاه‌عمرِ نصب، به‌نام همان سازمان درخواست بفرستند؛ بدون تکیه بر نشست ورود یک کاربر.
💡 مزیت معماری: هویت سرویس از هویت توسعه‌دهنده جدا می‌شود. مصرف به سازمان نسبت داده می‌شود و سیاست مدل‌ها، بودجه و محدودیت هزینهٔ سازمان اعمال خواهد شد.
برای سرویس‌های پس‌زمینه و ایجنت‌های دائمی، این تفکیک اهمیت زیادی دارد.
💬 شما در سرویس‌های هوش مصنوعی، اعتبارنامه را به کاربر وصل می‌کنید یا به خود سرویس؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-27-github-copilot-supports-server-to-server-authentication/
🔗هوشیار۲۴
گیت‌هاب در ۲۷ اکتبر، احراز هویت «سروربه‌سرور» را برای Copilot SDK در نسخهٔ پیش‌نمایش عمومی معرفی کرد.
حالا سرویس‌ها و ایجنت‌هایی که با این ابزار ساخته شده‌اند، می‌توانند از طریق GitHub App نصب‌شده روی سازمان و توکن کوتاه‌عمرِ نصب، به‌نام همان سازمان درخواست بفرستند؛ بدون تکیه بر نشست ورود یک کاربر.
💡 مزیت معماری: هویت سرویس از هویت توسعه‌دهنده جدا می‌شود. مصرف به سازمان نسبت داده می‌شود و سیاست مدل‌ها، بودجه و محدودیت هزینهٔ سازمان اعمال خواهد شد.
برای سرویس‌های پس‌زمینه و ایجنت‌های دائمی، این تفکیک اهمیت زیادی دارد.
💬 شما در سرویس‌های هوش مصنوعی، اعتبارنامه را به کاربر وصل می‌کنید یا به خود سرویس؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-27-github-copilot-supports-server-to-server-authentication/
🔗هوشیار۲۴
⚡️ اگر برای هر دستور سادهٔ ایجنت مجبورید «تأیید» بزنید، این قابلیت دقیقاً برای همین اصطکاک ساخته شده است.
گیت‌هاب قابلیت «Assisted Permissions» را در Copilot CLI، اپ Copilot و VS Code عمومی کرده است.
وقتی ایجنت می‌خواهد فرمانی اجرا کند، به یک مسیر فایل دسترسی بگیرد یا نشانی اینترنتی باز کند، یک مدل زبانی درخواست مجوز را ارزیابی می‌کند.
مواردی که آشکارا امن تشخیص داده شوند، خودکار ادامه می‌یابند؛ بقیه همچنان نیاز به تأیید شما دارند.
💡 این قابلیت جای محیط ایزوله و سیاست دسترسی سازمان را نمی‌گیرد؛ یک لایهٔ تصمیم‌گیری برای کم‌کردن تأییدهای تکراری است.
برای عملیات حساس، مرزهای دسترسی را جداگانه مشخص کنید.
💬 به‌نظرتان تأیید دستی کمتر، بهره‌وری را بیشتر می‌کند یا ریسک را؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-26-github-copilot-assisted-permissions-generally-available/
🔗هوشیار۲۴
گیت‌هاب قابلیت «Assisted Permissions» را در Copilot CLI، اپ Copilot و VS Code عمومی کرده است.
وقتی ایجنت می‌خواهد فرمانی اجرا کند، به یک مسیر فایل دسترسی بگیرد یا نشانی اینترنتی باز کند، یک مدل زبانی درخواست مجوز را ارزیابی می‌کند.
مواردی که آشکارا امن تشخیص داده شوند، خودکار ادامه می‌یابند؛ بقیه همچنان نیاز به تأیید شما دارند.
💡 این قابلیت جای محیط ایزوله و سیاست دسترسی سازمان را نمی‌گیرد؛ یک لایهٔ تصمیم‌گیری برای کم‌کردن تأییدهای تکراری است.
برای عملیات حساس، مرزهای دسترسی را جداگانه مشخص کنید.
💬 به‌نظرتان تأیید دستی کمتر، بهره‌وری را بیشتر می‌کند یا ریسک را؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-26-github-copilot-assisted-permissions-generally-available/
🔗هوشیار۲۴
🧠 شاید بهترین مدل برای هر مرحلهٔ ایجنت، قوی‌ترین و گران‌ترین مدل نباشد.
آنتروپیک مدل «Claude Haiku 5.5» را برای کارهای پرتعداد و حساس به تأخیر معرفی کرده؛ از خلاصه‌سازی و دسته‌بندی تا کارهای کوچک‌تر در نقش ساب‌ایجنت کدنویسی.
طبق اعلام سازنده، هزینهٔ اجرای آن به‌طور میانگین حدود ۷۵٪ کمتر از Haiku 4.5 است.
البته این عدد برای همهٔ تسک‌ها تضمین نمی‌شود و مدل‌های بزرگ‌تر همچنان برای مسائل پیچیده‌تر گزینهٔ مناسب‌تری‌اند.
💡 یک الگوی کاربردی: تسک‌های مشخص و کم‌ریسک را به مدل سبک بسپارید و فقط موارد دشوار یا نامطمئن را به مدل قوی‌تر ارجاع دهید.
سپس نرخ موفقیت و هزینهٔ کل گردش‌کار را اندازه بگیرید.
💬 شما در ایجنت‌ها از یک مدل ثابت استفاده می‌کنید یا مسیردهی چندمدلی؟
🔗 منبع رسمی:
https://www.anthropic.com/claude-haiku-5-5
🔗هوشیار۲۴
آنتروپیک مدل «Claude Haiku 5.5» را برای کارهای پرتعداد و حساس به تأخیر معرفی کرده؛ از خلاصه‌سازی و دسته‌بندی تا کارهای کوچک‌تر در نقش ساب‌ایجنت کدنویسی.
طبق اعلام سازنده، هزینهٔ اجرای آن به‌طور میانگین حدود ۷۵٪ کمتر از Haiku 4.5 است.
البته این عدد برای همهٔ تسک‌ها تضمین نمی‌شود و مدل‌های بزرگ‌تر همچنان برای مسائل پیچیده‌تر گزینهٔ مناسب‌تری‌اند.
💡 یک الگوی کاربردی: تسک‌های مشخص و کم‌ریسک را به مدل سبک بسپارید و فقط موارد دشوار یا نامطمئن را به مدل قوی‌تر ارجاع دهید.
سپس نرخ موفقیت و هزینهٔ کل گردش‌کار را اندازه بگیرید.
💬 شما در ایجنت‌ها از یک مدل ثابت استفاده می‌کنید یا مسیردهی چندمدلی؟
🔗 منبع رسمی:
https://www.anthropic.com/claude-haiku-5-5
🔗هوشیار۲۴
🧪 ایجنتی که جواب نهایی خوبی می‌دهد، لزوماً مسیر درستی را طی نکرده است!
برای سنجش یک ایجنت، فقط خروجی نهایی کافی نیست.
باید رد اجرای آن یا «Trace» را هم دید: کدام ابزار را انتخاب کرده، چه داده‌ای فرستاده، کجا تصمیم گرفته و آیا محدودیت‌های امنیتی را رعایت کرده است.
💡 یک روند ساده برای ارزیابی:
• چند سناریوی واقعی و شکست‌خورده جمع کنید.
• رد اجرای کامل هر سناریو را ثبت کنید.
• برای انتخاب ابزار، صحت پاسخ و رعایت محدودیت‌ها معیار بسازید.
• هر تغییر در پرامپت، مدل یا ابزار را روی همان مجموعه تست کنید.
وقتی این تست‌ها تکرارپذیر باشند، تغییرات کوچک قبل از رسیدن به محیط عملیاتی قابل سنجش‌اند.
💬 شما برای ایجنت‌ها تست رگرسیون دارید یا هنوز با چند پرامپت دستی بررسی می‌کنید؟
🔗 راهنمای فنی:
https://developers.openai.com/api/docs/guides/agent-evals
🔗هوشیار۲۴
برای سنجش یک ایجنت، فقط خروجی نهایی کافی نیست.
باید رد اجرای آن یا «Trace» را هم دید: کدام ابزار را انتخاب کرده، چه داده‌ای فرستاده، کجا تصمیم گرفته و آیا محدودیت‌های امنیتی را رعایت کرده است.
💡 یک روند ساده برای ارزیابی:
• چند سناریوی واقعی و شکست‌خورده جمع کنید.
• رد اجرای کامل هر سناریو را ثبت کنید.
• برای انتخاب ابزار، صحت پاسخ و رعایت محدودیت‌ها معیار بسازید.
• هر تغییر در پرامپت، مدل یا ابزار را روی همان مجموعه تست کنید.
وقتی این تست‌ها تکرارپذیر باشند، تغییرات کوچک قبل از رسیدن به محیط عملیاتی قابل سنجش‌اند.
💬 شما برای ایجنت‌ها تست رگرسیون دارید یا هنوز با چند پرامپت دستی بررسی می‌کنید؟
🔗 راهنمای فنی:
https://developers.openai.com/api/docs/guides/agent-evals
🔗هوشیار۲۴
🔌 چرا برای استفاده از ابزارهای هوش مصنوعی، هر بار باید از محیط کدنویسی خارج شوید؟
هوشیار۲۴ سرور MCP دارد و طبق مستندات خودش می‌توانید کلاینت‌هایی مثل Claude Code و Cursor را به ابزارهای آن متصل کنید.
برای Claude Code، این دستور را در ترمینال اجرا کنید:
سپس فرایند احراز هویت OAuth را در کلاینت تکمیل کنید.
برای Cursor هم می‌توانید نشانی زیر را به‌عنوان سرور MCP در تنظیمات وارد کنید:
💡 طبق مستندات، دسترسی‌های MCP شامل بررسی وضعیت تولیدها، ساخت محتوای تصویر، ویدیو، صدا و موسیقی و مشاهدهٔ موجودی کیف پول است؛ هرکدام با مجوز مربوط به خودش.
این مسیر با اتصال مستقیم API فرق دارد: برای API سازگار با OpenAI یا Anthropic باید کلید API، آدرس پایه و اسلاگ مدل را تنظیم کنید.
💬 دوست دارید آموزش بعدی اتصال مستقیم Codex یا OpenCode به API هوشیار۲۴ باشد؟
🔗 مستندات رسمی هوشیار۲۴:
https://houshyar24.ir/developer/mcp
https://houshyar24.ir/developer/compatible
هوشیار۲۴ سرور MCP دارد و طبق مستندات خودش می‌توانید کلاینت‌هایی مثل Claude Code و Cursor را به ابزارهای آن متصل کنید.
برای Claude Code، این دستور را در ترمینال اجرا کنید:
claude mcp add --transport http hy24 https://houshyar24.ir/mcpسپس فرایند احراز هویت OAuth را در کلاینت تکمیل کنید.
برای Cursor هم می‌توانید نشانی زیر را به‌عنوان سرور MCP در تنظیمات وارد کنید:
https://houshyar24.ir/mcp💡 طبق مستندات، دسترسی‌های MCP شامل بررسی وضعیت تولیدها، ساخت محتوای تصویر، ویدیو، صدا و موسیقی و مشاهدهٔ موجودی کیف پول است؛ هرکدام با مجوز مربوط به خودش.
این مسیر با اتصال مستقیم API فرق دارد: برای API سازگار با OpenAI یا Anthropic باید کلید API، آدرس پایه و اسلاگ مدل را تنظیم کنید.
💬 دوست دارید آموزش بعدی اتصال مستقیم Codex یا OpenCode به API هوشیار۲۴ باشد؟
🔗 مستندات رسمی هوشیار۲۴:
https://houshyar24.ir/developer/mcp
https://houshyar24.ir/developer/compatible
🧠 اگه ایجنت کدنویسیت هر بار از صفر شروع می‌کنه، شاید مشکل از مدلش نباشه؛ از حافظه‌ش باشه!
گیت‌هاب از قابلیت‌های جدید GitHub Intelligence رونمایی کرده؛ سیستمی که کمک می‌کنه ایجنت‌ها تنظیمات، ترجیحات توسعه‌دهنده و قراردادهای یک پروژه رو بین جلسات حفظ کنن.
قابلیت Copilot Memory در پلن‌های پولی به‌صورت عمومی عرضه شده و قابلیت Dreaming هم در مرحله پیش‌نمایش قرار داره.
طبق گزارش گیت‌هاب، در ۹۳٪ از جلسات بررسی‌شده‌ای که از حافظه استفاده کردند، پایبندی ایجنت به ترجیحات دولوپر بهتر شده.
💡 نکته کاربردی:
به‌جای تکرار دستورهایی مثل نحوه نام‌گذاری توابع، اجرای تست‌ها و ساختار Pull Request، می‌تونی این دانش رو به بخشی از کانتکست پایدار پروژه تبدیل کنی.
البته حافظه باید قابل بازبینی و اصلاح باشه؛ چون یک دستور قدیمی می‌تونه بارها تصمیم اشتباه ایجاد کنه.
💬 به نظرت حافظه دائمی، ایجنت‌ها رو قابل‌اعتمادتر می‌کنه یا خطاهاشون رو ماندگارتر؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-28-github-intelligence-puts-your-code-context-and-history-to-work/
🔗هوشیار۲۴
گیت‌هاب از قابلیت‌های جدید GitHub Intelligence رونمایی کرده؛ سیستمی که کمک می‌کنه ایجنت‌ها تنظیمات، ترجیحات توسعه‌دهنده و قراردادهای یک پروژه رو بین جلسات حفظ کنن.
قابلیت Copilot Memory در پلن‌های پولی به‌صورت عمومی عرضه شده و قابلیت Dreaming هم در مرحله پیش‌نمایش قرار داره.
طبق گزارش گیت‌هاب، در ۹۳٪ از جلسات بررسی‌شده‌ای که از حافظه استفاده کردند، پایبندی ایجنت به ترجیحات دولوپر بهتر شده.
💡 نکته کاربردی:
به‌جای تکرار دستورهایی مثل نحوه نام‌گذاری توابع، اجرای تست‌ها و ساختار Pull Request، می‌تونی این دانش رو به بخشی از کانتکست پایدار پروژه تبدیل کنی.
البته حافظه باید قابل بازبینی و اصلاح باشه؛ چون یک دستور قدیمی می‌تونه بارها تصمیم اشتباه ایجاد کنه.
💬 به نظرت حافظه دائمی، ایجنت‌ها رو قابل‌اعتمادتر می‌کنه یا خطاهاشون رو ماندگارتر؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-28-github-intelligence-puts-your-code-context-and-history-to-work/
🔗هوشیار۲۴
⚡️ تصور کن یک باگ ثبت بشه و قبل از اینکه حتی بازش کنی، ایجنت بررسی اولیه رو شروع کرده باشه!
گیت‌هاب قابلیت Shared Copilot Automations رو معرفی کرده؛ امکانی برای ساخت ورک‌فلوهای هوشمندی که به‌جای یک نفر، به کل تیم توسعه تعلق دارن.
مثلاً می‌شه تعریف کرد:
• با ثبت Issue جدید، ایجنت برای بازتولید باگ تلاش کنه.
• با آماده‌شدن Pull Request، از تغییرات اسکرین‌شات تهیه کنه.
• هنگام ثبت یک Incident، بررسی اولیه به‌صورت خودکار آغاز بشه.
تفاوت مهم با اتوماسیون شخصی اینه که ورک‌فلو به ریپازیتوری وابسته می‌مونه؛ حتی اگر سازنده اولیه از تیم خارج بشه.
💡 نکته مهندسی:
برای هر اتوماسیون، Trigger، سطح دسترسی ابزارها و شرط توقف رو مشخص کنید. اجرای خودکار بدون محدودیت می‌تونه هزینه و ریسک عملیاتی ایجاد کنه.
💬 اگه فقط یک کار تکراری تیم توسعه رو به ایجنت بسپری، کدوم رو انتخاب می‌کنی؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-28-build-shared-workflows-for-your-team-with-copilot-automations/
🔗هوشیار۲۴
گیت‌هاب قابلیت Shared Copilot Automations رو معرفی کرده؛ امکانی برای ساخت ورک‌فلوهای هوشمندی که به‌جای یک نفر، به کل تیم توسعه تعلق دارن.
مثلاً می‌شه تعریف کرد:
• با ثبت Issue جدید، ایجنت برای بازتولید باگ تلاش کنه.
• با آماده‌شدن Pull Request، از تغییرات اسکرین‌شات تهیه کنه.
• هنگام ثبت یک Incident، بررسی اولیه به‌صورت خودکار آغاز بشه.
تفاوت مهم با اتوماسیون شخصی اینه که ورک‌فلو به ریپازیتوری وابسته می‌مونه؛ حتی اگر سازنده اولیه از تیم خارج بشه.
💡 نکته مهندسی:
برای هر اتوماسیون، Trigger، سطح دسترسی ابزارها و شرط توقف رو مشخص کنید. اجرای خودکار بدون محدودیت می‌تونه هزینه و ریسک عملیاتی ایجاد کنه.
💬 اگه فقط یک کار تکراری تیم توسعه رو به ایجنت بسپری، کدوم رو انتخاب می‌کنی؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-28-build-shared-workflows-for-your-team-with-copilot-automations/
🔗هوشیار۲۴
🎨 تا دیروز برای ساخت یک تصویر ساده باید از محیط کدنویسی خارج می‌شدی؛ حالا Copilot می‌خواد همین مرحله رو هم انجام بده!
گیت‌هاب قابلیت تولید و ویرایش تصویر رو مستقیماً داخل Copilot معرفی کرده.
کافیه در محیط چت، تصویر موردنظرت رو توصیف کنی. Copilot از مدل تصویری استفاده می‌کنه، نتیجه رو همون‌جا نمایش می‌ده و فایل رو در پروژه ذخیره می‌کنه.
این قابلیت در نسخه پیش‌نمایش عمومی برای برخی پلن‌های پولی ارائه شده و مصرف تصویر جداگانه محاسبه می‌شه.
💡 کاربرد جذاب برای توسعه‌دهنده‌ها:
هنگام ساخت یک رابط کاربری می‌تونی بدون جابه‌جایی بین ابزارها، تصویر Placeholder، بک‌گراند یا Asset اولیه رو تولید کنی و مستقیماً وارد پروژه کنی.
البته تصاویر نهایی محصول همچنان به بررسی کیفیت، حقوق استفاده و بهینه‌سازی حجم نیاز دارن.
💬 فکر می‌کنی چند وقت دیگه کل فرایند طراحی اولیه تا پیاده‌سازی داخل یک IDE انجام بشه؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-28-generate-and-edit-images-directly-in-copilot/
🔗هوشیار۲۴
گیت‌هاب قابلیت تولید و ویرایش تصویر رو مستقیماً داخل Copilot معرفی کرده.
کافیه در محیط چت، تصویر موردنظرت رو توصیف کنی. Copilot از مدل تصویری استفاده می‌کنه، نتیجه رو همون‌جا نمایش می‌ده و فایل رو در پروژه ذخیره می‌کنه.
این قابلیت در نسخه پیش‌نمایش عمومی برای برخی پلن‌های پولی ارائه شده و مصرف تصویر جداگانه محاسبه می‌شه.
💡 کاربرد جذاب برای توسعه‌دهنده‌ها:
هنگام ساخت یک رابط کاربری می‌تونی بدون جابه‌جایی بین ابزارها، تصویر Placeholder، بک‌گراند یا Asset اولیه رو تولید کنی و مستقیماً وارد پروژه کنی.
البته تصاویر نهایی محصول همچنان به بررسی کیفیت، حقوق استفاده و بهینه‌سازی حجم نیاز دارن.
💬 فکر می‌کنی چند وقت دیگه کل فرایند طراحی اولیه تا پیاده‌سازی داخل یک IDE انجام بشه؟
🔗 منبع رسمی:
https://github.blog/changelog/2026-10-28-generate-and-edit-images-directly-in-copilot/
🔗هوشیار۲۴
🔍 ایجنتت ۱۵ ثانیه طول می‌کشه جواب بده؛ ولی واقعاً کدوم بخش این زمان رو مصرف کرده؟
مدل؟ جست‌وجو؟ اجرای ابزار؟ یا درخواست‌های تکراری؟
اینجاست که مفهوم Observability در سیستم‌های هوش مصنوعی اهمیت پیدا می‌کنه.
آنتروپیک هم قابلیت خروجی گرفتن OpenTelemetry رو به‌صورت آزمایشی به پلتفرم Claude اضافه کرده تا ردیابی درخواست‌های API و جلسات ایجنت‌ها ساده‌تر بشه.
💡 برای عیب‌یابی یک ایجنت، این داده‌ها رو ثبت کن:
• زمان پاسخ مدل و فراخوانی هر ابزار
• تعداد درخواست‌ها و تلاش‌های مجدد
• مصرف توکن و هزینه اجرای تسک
• خطاها و مسیر تصمیم‌گیری ایجنت
وقتی این اطلاعات رو کنار هم ببینی، ممکنه متوجه بشی مشکل اصلاً از سرعت مدل نیست؛ بلکه یک ابزار کند، چند بار پشت سر هم فراخوانی می‌شه.
⚡️ قبل از ارتقای مدل یا افزایش منابع سرور، گلوگاه واقعی رو پیدا کن.
💬 شما برای دیباگ ایجنت‌ها از Trace استفاده می‌کنید یا هنوز سراغ لاگ‌های معمولی می‌رید؟
🔗 مستندات رسمی:
https://platform.claude.com/docs/en/release-notes/overview
🔗هوشیار۲۴
مدل؟ جست‌وجو؟ اجرای ابزار؟ یا درخواست‌های تکراری؟
اینجاست که مفهوم Observability در سیستم‌های هوش مصنوعی اهمیت پیدا می‌کنه.
آنتروپیک هم قابلیت خروجی گرفتن OpenTelemetry رو به‌صورت آزمایشی به پلتفرم Claude اضافه کرده تا ردیابی درخواست‌های API و جلسات ایجنت‌ها ساده‌تر بشه.
💡 برای عیب‌یابی یک ایجنت، این داده‌ها رو ثبت کن:
• زمان پاسخ مدل و فراخوانی هر ابزار
• تعداد درخواست‌ها و تلاش‌های مجدد
• مصرف توکن و هزینه اجرای تسک
• خطاها و مسیر تصمیم‌گیری ایجنت
وقتی این اطلاعات رو کنار هم ببینی، ممکنه متوجه بشی مشکل اصلاً از سرعت مدل نیست؛ بلکه یک ابزار کند، چند بار پشت سر هم فراخوانی می‌شه.
⚡️ قبل از ارتقای مدل یا افزایش منابع سرور، گلوگاه واقعی رو پیدا کن.
💬 شما برای دیباگ ایجنت‌ها از Trace استفاده می‌کنید یا هنوز سراغ لاگ‌های معمولی می‌رید؟
🔗 مستندات رسمی:
https://platform.claude.com/docs/en/release-notes/overview
🔗هوشیار۲۴
🔌 چرا برای استفاده از ابزارهای هوش مصنوعی باید مدام بین ادیتور و چند سرویس مختلف جابه‌جا بشی؟
تصور کن وسط کدنویسی، بدون خروج از محیط توسعه، بتونی به ابزارهای تولید محتوای هوشیار۲۴ درخواست بدی.
اینجاست که MCP کاربرد پیدا می‌کنه.
هوشیار۲۴ یک سرور MCP برای اتصال کلاینت‌های سازگار مثل Claude Code و Cursor ارائه می‌ده.
برای مثال، در Claude Code می‌تونی با دستور زیر سرور رو اضافه کنی:
claude mcp add --transport http hy24 https://houshyar24.ir/mcp
سپس احراز هویت رو از طریق فرایند OAuth تکمیل کنی.
💡 این اتصال چه کاربردی داره؟
• دسترسی به ابزارهای تولید تصویر و محتوای چندرسانه‌ای
• بررسی وضعیت درخواست‌های تولید
• استفاده از ابزارهای مجاز هوشیار۲۴ در جریان کار ایجنت
نکته مهم اینه که MCP با API مستقیم فرق داره؛ در MCP، کلاینت می‌تونه ابزارهای سرور رو کشف و در صورت داشتن مجوز فراخوانی کنه.
💬 دوست داری آموزش بعدی درباره اتصال هوشیار۲۴ به Cursor باشه یا ساخت اولین درخواست API با پایتون؟
🔗 مستندات توسعه‌دهندگان:
https://houshyar24.ir/developer/mcp
🔗هوشیار۲۴
تصور کن وسط کدنویسی، بدون خروج از محیط توسعه، بتونی به ابزارهای تولید محتوای هوشیار۲۴ درخواست بدی.
اینجاست که MCP کاربرد پیدا می‌کنه.
هوشیار۲۴ یک سرور MCP برای اتصال کلاینت‌های سازگار مثل Claude Code و Cursor ارائه می‌ده.
برای مثال، در Claude Code می‌تونی با دستور زیر سرور رو اضافه کنی:
claude mcp add --transport http hy24 https://houshyar24.ir/mcp
سپس احراز هویت رو از طریق فرایند OAuth تکمیل کنی.
💡 این اتصال چه کاربردی داره؟
• دسترسی به ابزارهای تولید تصویر و محتوای چندرسانه‌ای
• بررسی وضعیت درخواست‌های تولید
• استفاده از ابزارهای مجاز هوشیار۲۴ در جریان کار ایجنت
نکته مهم اینه که MCP با API مستقیم فرق داره؛ در MCP، کلاینت می‌تونه ابزارهای سرور رو کشف و در صورت داشتن مجوز فراخوانی کنه.
💬 دوست داری آموزش بعدی درباره اتصال هوشیار۲۴ به Cursor باشه یا ساخت اولین درخواست API با پایتون؟
🔗 مستندات توسعه‌دهندگان:
https://houshyar24.ir/developer/mcp
🔗هوشیار۲۴
این بار به‌جای باگ، بحران رفع کن 🐞
یه شهر، کلی آدم، یه عالمه بحران… و فقط تو تصمیم می‌گیری.
کسی که شهرش بیشتر سرپا بمونه، برنده‌ست.
🥇 ۲۰ میلیون | 🥈 ۱۰ میلیون | 🥉 ۵ میلیون
از ۳شنبه ۱۲ آبان تا جمعه ۱۵ آبان ساعت ۱۸ ⏱️
💻 ورود فقط با لپ‌تاپ یا کامپیوتر
🔗 همین الان وارد بازی شو
🔗 همین الان وارد بازی شو
🔗 همین الان وارد بازی شو
یه شهر، کلی آدم، یه عالمه بحران… و فقط تو تصمیم می‌گیری.
کسی که شهرش بیشتر سرپا بمونه، برنده‌ست.
🥇 ۲۰ میلیون | 🥈 ۱۰ میلیون | 🥉 ۵ میلیون
از ۳شنبه ۱۲ آبان تا جمعه ۱۵ آبان ساعت ۱۸ ⏱️
💻 ورود فقط با لپ‌تاپ یا کامپیوتر
🔗 همین الان وارد بازی شو
🔗 همین الان وارد بازی شو
🔗 همین الان وارد بازی شو
❤1💅1
🚨🔥 رکوردهای جدید توی شهر ثبت شد!
رقابت داره داغ‌تر می‌شه و شهردارها یکی‌یکی دارن رکوردها رو جابه‌جا می‌کنن! 👀
تو هنوز روی رکورد قبلیت موندی؟
وقتشه برگردی، رکوردتو بشکنی و نذاری بقیه ازت جلو بزنن! 🔥
🎮 برگرد به رقابت!
🎮 برگرد به رقابت!
🎮 برگرد به رقابت!
💻 فقط با لپ‌تاپ یا کامپیوتر
رقابت داره داغ‌تر می‌شه و شهردارها یکی‌یکی دارن رکوردها رو جابه‌جا می‌کنن! 👀
تو هنوز روی رکورد قبلیت موندی؟
وقتشه برگردی، رکوردتو بشکنی و نذاری بقیه ازت جلو بزنن! 🔥
🎮 برگرد به رقابت!
🎮 برگرد به رقابت!
🎮 برگرد به رقابت!
💻 فقط با لپ‌تاپ یا کامپیوتر