۱۲ ریپازیتوری گیت‌هاب که هر توسعه‌دهنده هوش مصنوعی باید بشناسد


تسلط روی این ابزارها، مرز بین صرفاً مطالعه درباره هوش مصنوعی و ساختن واقعی با آن را مشخص می‌کند:

ء1️⃣ OpenClaw: ایجنت هوش مصنوعی و داده‌هایتان را روی دستگاه خود نگه دارید؛ بدون وابستگی به کلود یا افشای اطلاعات حساس.
ء2️⃣ n8n: اتومیشن و اتصالات بین صدها اپلیکیشن را بدون کدنویسی بسازید و ساعت‌ها وقت تلف‌شده را پس بگیرید.
ء3️⃣ Ollama: مدل‌های زبانی بزرگ (LLM) را روی سخت‌افزار خودتان اجرا، تست و به صورت کاملاً آفلاین توسعه دهید.
ء4️⃣ Langflow: ایجنت‌های هوش مصنوعی را در یک محیط بصری (Drag & Drop) و بدون نوشتن حتی یک خط کد پیاده‌سازی کنید.
ء5️⃣ Dify: یک اپلیکیشن کامل AI را از مدیریت پرامپت و API تا دیپلوی، به صورت یکپارچه روی یک پلتفرم لانچ کنید.
ء6️⃣ LangChain: از فریم‌ورکی استفاده کنید که بخش بزرگی از ایجنت‌های پروداکشن دنیا را هدایت می‌کند و از دوباره‌کاری در زیرساخت جلو بگیرید.
ء7️⃣ Open WebUI: یک اینترفیس کاملاً شبیه به ChatGPT را به صورت کاملاً آفلاین و تحت کنترل خودتان اجرا کنید.
ء8️⃣ DeepSeek-V3: به مدل متن‌باز (Open-Weight) دسترسی داشته باشید که می‌توانید آن را بازرسی، فاین‌تیون و روی سرور خود دیپلوی کنید.
ء9️⃣ Gemini CLI: مستقیماً از داخل ترمینال با جمینای کار کنید؛ بدون نیاز به مرورگر و خروج از محیط توسعه.
ء🔟 RAGFlow: سیستم‌های AI خود را در مقیاس انترپرایز روی داکیومنت‌های سازمانی سوار کنید تا بر اساس داده‌های واقعی شرکت پاسخ دهند.
ء1️⃣1️⃣ Claude Code: با ایجنتی کار کنید که کل بیس‌کد شما را می‌فهمد تا باگ‌ها را سریع‌تر رفع کند و فیچرهای جدید بسازد.
ء1️⃣2️⃣ CrewAI: تیمی از ایجنت‌های هوش مصنوعی بسازید که با هم همکاری می‌کنند و کارهای پیچیده را بین خود تقسیم می‌کنند.

مدل‌های زبانی بزرگ (LLM) دقیقاً کجای تصویر بزرگ هوش مصنوعی قرار می‌گیرند؟


هر لایه از هوش مصنوعی زمانی به وجود آمد که لایه قبلی آن به بن‌بست یا محدودیت رسید. روند تکامل به این شکل است:
← یادگیری ماشین (ML) به شبکه‌های عصبی نیاز داشت تا بتواند ورودی‌های بدون ساختار را پردازش کند.
← شبکه‌های عصبی به یادگیری عمیق (Deep Learning) نیاز داشتند تا وابستگی‌های طولانی‌مدت را مدل‌سازی کنند.
← یادگیری عمیق به ترنسفورمرها (Transformers) نیاز داشت تا زبان را در مقیاس بزرگ قابل استفاده کند.

این دقیقاً همان لایه‌ای است که LLMها اشغال کرده‌اند: زبان؛ آن‌قدر روان که بتواند مفاهیم و ایده‌ها را منتقل کند.

🤖 هوش مصنوعی ایجنتی (Agentic AI) که یک لایه بالاتر قرار دارد، تنها به این دلیل کار می‌کند که اول LLMها مسئله زبان را حل کردند. سیستم‌های حافظه، برنامه‌ریزی و استفاده از ابزارها، همگی به مدلی وابسته‌اند که از قبل بلد است با کلمات بنویسد و استدلال کند.

🥴 اما همین روانیِ کلام، باعث شده خروجی‌های متنی AI بسیار یکنواخت و شبیه به هم به نظر برسند. صرفاً تولید کلمات تضمین نمی‌کند که لحن متن شبیه به شما باشد!
تفاوت اصلی زمانی ایجاد می‌شود که هوش مصنوعی را به جای دستورالعمل‌های خشک، بر اساس نمونه‌های نوشتاریِ خودتان آموزش دهید.

💡 شما هم وقتی یک متن توسط هوش مصنوعی نوشته شده باشد متوجه می‌شوید؟ از کجا؟

اگر می‌خواهید از ۹۹ درصد مهندسان نرم‌افزار جلوتر بیفتید، این ۲۰ مفهوم کلیدی در طراحی و توسعه API را عمیقاً یاد بگیرید:

ء1️⃣ Endpoint
ء2️⃣ HTTP Methods (GET, POST, PUT, DELETE, ...)
ء3️⃣ Request-Response Cycle
ء4️⃣ Status Codes
ء5️⃣ Authentication (احراز هویت)
ء6️⃣ Authorization (تعیین سطح دسترسی)
ء7️⃣ Access Tokens (JWT و...)
ء8️⃣ OAuth 2.0
ء9️⃣ Rate Limiting
ء🔟 Throttling
ء1️⃣1️⃣ Pagination (صفحه‌بندی داده‌ها)
ء1️⃣2️⃣ Caching (کشینگ)
ء1️⃣3️⃣ Idempotency (هم‌پایانی / یکتایی اثر درخواست)
ء1️⃣4️⃣ Webhooks
ء1️⃣5️⃣ API Versioning (نسخه‌گذاری)
ء1️⃣6️⃣ OpenAPI Specification / Swagger
ء1️⃣7️⃣ REST vs GraphQL
ء1️⃣8️⃣ API Gateway
ء1️⃣9️⃣ Microservices Architecture
ء2️⃣0️⃣ Error Handling (مدیریت خطاها)

💡به نظر شما چه مفهوم کلیدی دیگری جایش در این لیست خالی است؟ (مثلاً بحث‌های مربوط به gRPC یا WebSockets؟)

کلود اکنون ۴ مدل مختلف و ۵ سطح پردازشی دارد. انتخاب اشتباه لایمیت‌های شما را ۲ برابر سریع‌تر می‌سوزاند!


ساختار و کاربرد هر مدل به این شکل است:

ء✦ Haiku 4.5
◽️ کاربرد: کارهای سریع و ساده.
☑️︎ در چند ثانیه پاسخ می‌دهد و کمترین هزینه را دارد.
☒ عمق کافی برای کارهای پیچیده را ندارد.

ء✦ Sonnet 4.6
◽️ کاربرد: کارهای روزمره و عمومی.
☑️︎ مدل پیش‌فرض است و لایمیت‌ها را بسیار آهسته مصرف می‌کند.
☒ در استدلال‌های خیلی سخت کم می‌آورد.

ء✦ Opus 4.8
◽️ کاربرد: استدلال‌های پیچیده.
☑️︎ زمان بیشتری برای فکر کردن می‌گذارد و خروجی دقیقی برای کارهای سخت دارد.
☒ کندتر است و سهمیه استفاده شما را سریع‌تر تمام می‌کند.

ء✦ Fable 5
◽️ کاربرد: سخت‌ترین و طولانی‌ترین پروژه‌ها.
☑️︎ برنامه‌ریزی می‌کند، می‌سازد و خودش کارهایش را تست می‌کند.
☒ استفاده از آن زیاده‌روی است، مگر اینکه دائماً داخل کانتکست Claude Code باشید.

این تنوع مدل‌ها شبیه به وضعیت سال گذشته‌ی OpenAI است که هیچ‌کس دقیقاً نمی‌دانست باید از کدام مدل استفاده کند.

فرمول ساده برای جریان کاری:
۱. برای کارهای روزمره روی Sonnet بمانید.
۲. برای مسائل سخت‌تر روی Opus سوئیچ کنید.
۳. مدل Fable را برای کارهای بسیار سنگین در Claude Code نگه دارید.

ابتدا مدل را انتخاب کنید، سپس مشخص کنید که چقدر باید روی مسئله فکر کند (Effort). فقط یادتان باشد که Fable سهمیه شما را ۲ برابر سریع‌تر از Opus مصرف می‌کند و دسترسی به آن تا ۲۲ ژوئن برقرار است؛ پس بیش از حد به آن وابسته نشوید.

من به جای نوشتن پرامپت‌های ۲۰۰ کلمه‌ای، از شورت‌کات‌های ۵ حرفی استفاده می‌کنم!

بسیاری از افراد فکر می‌کنند یک پرامپت بهتر یعنی یک پرامپت طولانی‌تر. بنابراین یک پاراگراف طولانی می‌نویسند، یک خروجی معمولی می‌گیرند و برای اصلاحش پرامپت را طولانی‌تر می‌کنند.

اما من مسیر برعکس را رفتم؛ چند شورت‌کات ساده را ذخیره کرده‌ام، یکی از آن‌ها را اول پیامم تایپ می‌کنم و کلود دقیقاً می‌فهمد چه می‌خواهم.

۷ شورت‌کاتی که هر روز از آن‌ها استفاده می‌کنم:

ء1️⃣ tldr/
◽️ کاربرد: چسباندن یک مقاله طولانی، گزارش یا ترد ایمیل.
🎯 خروجی: دریافت ۵ خطی که واقعاً اهمیت دارند.

ء2️⃣ eli5/
◽️ کاربرد: برای مفاهیمی که متوجه نمی‌شوید اما به ظاهر تاییدشان می‌کنید! (مخفف Explain Like I'm 5)
🎯 خروجی: توضیح موضوع بدون واژه‌های تخصصی پیچیده و اضافه.

ء3️⃣ steps/
◽️ کاربرد: زمانی که برای شروع یک کار بزرگ قفل کرده‌اید.
🎯 خروجی: تبدیل کل پروژه به اولین قدم‌های عملی و کوچک.

ء4️⃣ draft/
◽️ کاربرد: نوشتن سریع یک پیش‌نویس اولیه (حتی به عمد ضعیف).
🎯 خروجی: فرار از صفحه سفید؛ چون اصلاح کردن یک متن همیشه راحت‌تر از نوشتن از صفر است.

ء5️⃣ shorter/
◽️ کاربرد: متن را نصف کن ولی مغز کلام را نگه دار.
🎯 خروجی: بهینه‌ترین حالت برای پست‌های لینکدین.

ء6️⃣ redteam/
◽️ کاربرد: قبل از ارسال این متن، آن را کاملاً به چالش بکش و نقد کن.
🎯 خروجی: پیدا کردن باگ‌ها و نقاط ضعفی که خودمان متوجه‌شان نشده‌ایم.

ء7️⃣ counter/
◽️ کاربرد: با تصمیم من مخالفت کن و جنبه منفی‌اش را بگو.
🎯 خروجی: سریع‌ترین راه برای تست پایداری و صحت یک تصمیم.

این‌ها دستورات برنامه‌نویسی واقعی نیستند؛ کلود صرفاً به مرور زمان یاد گرفته که منظور من از این کلمه‌ها چیست، چون همیشه به یک شکل از آن‌ها استفاده کرده‌ام. با این کار، دیگر نیازی به توضیح تکراری ساختار خروجی در هر پیام نیست و زمان زیادی ذخیره می‌شود.

من ابزارهای هوش مصنوعی (AI Stack) خودم را برای سال ۲۰۲۶ کاملاً بازسازی کردم.


۱۴ تسک مختلف و ابزارهایی که در هر بخش برنده شدند؛ ابزارهایی که در سال ۲۰۲۵ برنده بودند، دیگر گزینه‌های اول نیستند:

✦ جستجو: Google ← Gemini ← AI Mode
✦ مرورگر: Chrome ← Arc ← Claude for Chrome
✦ نگارش و متن: Gemini ← ChatGPT ← Claude
✦ توسعه و کدنویسی: Claude ← Cursor ← Claude Code
✦ تحقیق و پژوهش: Google ← ChatGPT ← Perplexity
✦ اتومیشن: Make ← n8n ← Claude Routines
✦ طراحی: Canva ← Figma ← Claude Code
✦ تصویر: Nano Banana ← GPT Image 2.0 ← Higgsfield
✦ ادیت ویدیو: CapCut ← Premiere ← HyperFrames
✦ آواتار: Captions ← Synthesia ← HeyGen
✦ صداگذاری و گویندگی: Murf ← Fish Audio ← ElevenLabs
✦ نوت‌برداری: Otter ← Fireflies ← Granola
✦ اسلاید و پرزنت: PowerPoint ← Gamma ← Claude in PowerPoint
✦ ایمیل: Gmail ← Superhuman ← Gmail Connector

ابزارهای قدیمی از بین نرفته‌اند؛ فقط گزینه‌های جدید با سرعت و بازدهی بیشتری جلو افتاده‌اند. کافی است در این هفته فقط یکی از ابزارهای جریان کاری خود را تغییر دهید تا تأثیرش را در خروجی نهایی ببینید.

اگر می‌خواهید در بحث طراحی سیستم (System Design) به شدت قوی شوید، این ۸ پروتکل شبکه را عمیقاً یاد بگیرید:

ء1️⃣ HTTPS (Hypertext Transfer Protocol Secure)
◽️ کاربرد: ارتباطات امن در بستر اینترنت.
🔹 ترافیک HTTP را با استفاده از TLS رمزنگاری می‌کند؛ اما به مدیریت گواهی‌های TLS و فرآیند دست‌تکانی (Handshake) اولیه نیاز دارد.

ء2️⃣ UDP (User Datagram Protocol)
◽️ کاربرد: بازی‌های آنلاین، ویدیوکال و استریم‌های زنده.
🔹 بسته‌ها را بدون منتظر ماندن برای تاییدیه (ACK) و با حداکثر سرعت می‌فرستد؛ اما ریسک گم شدن یا جابه‌جا رسیدن داده‌ها را دارد.

ء3️⃣ TCP (Transmission Control Protocol)
◽️ کاربرد: وب‌سایت‌ها، ایمیل و دانلود فایل.
🔹 یک اتصال پایدار ایجاد کرده و سلامت و ترتیب تحویل تک‌تک بسته‌ها را تضمین می‌کند؛ اما تاخیر (Latency) و اورهد بالاتری دارد.

ء4️⃣ IP (Internet Protocol)
◽️ کاربرد: مسیریابی و ارسال بسته‌های داده در اینترنت.
🔹 آدرس مبدا و مقصد را به هر بسته اضافه می‌کند؛ سریع است اما خودش به تنهایی تحویل یا ترتیب درست بسته‌ها را تضمین نمی‌کند.

ء5️⃣ SFTP (Secure File Transfer Protocol)
◽️ کاربرد: انتقال امن فایل بین سیستم‌ها.
🔹 بر بستر SSH اجرا می‌شود و کل سشن را رمزنگاری می‌کند؛ اما با ابزارهای FTP معمولی سازگار نیست.

ء6️⃣ SMTP (Simple Mail Transfer Protocol)
◽️ کاربرد: ارسال ایمیل بین میل‌سرورها.
🔹 وظیفه هدایت و انتقال ایمیل را دارد؛ اما کارهایی مثل مدیریت و دسترسی به اینباکس (مثل IMAP/POP3) را انجام نمی‌دهد.

ء7️⃣ SSH (Secure Shell)
◽️ کاربرد: دسترسی و مدیریت امن سرورهای راه دور.
🔹 یک کانال رمزنگاری‌شده با استفاده از کلیدها یا پسوردها باز می‌کند؛ اما نیاز به مدیریت دقیق و امن کلیدها (Key Management) دارد.

ء8️⃣ DNS (Domain Name System)
◽️ کاربرد: نگاشت نام دامنه‌ها به آدرس‌های IP.
🔹 با کوئری زدن به سرورهای DNS، اینترنت را برای انسان‌ها قابل‌فهم می‌کند؛ اما به اولین درخواست کمی تاخیر (Latency) اضافه می‌کند.

به نظر شما چه پروتکل‌های کلیدی دیگری باید به این لیست اضافه شوند؟ مثلاً بحث‌های مربوط به WebSocket برای ارتباطات دوطرفه، یا gRPC/HTTP2 برای میکروسرویس‌ها؟

انتخاب بین Claude Code یا Codex، صورت‌مسئله اشتباهی است؛ شما در واقع می‌توانید از هر دو استفاده کنید.


به جای آن، این ۴ سوال کلیدی را از خود بپرسید. هر دو ابزار ریپازیتوری شما را می‌خوانند، فایل‌ها را ادیت می‌کنند و دستورات را می‌نویسند؛ اما تنظیمات پیش‌فرض و معماری آن‌هاست که مرزها را مشخص می‌کند:

1️⃣ محیط کاری شما کجاست؟
◽️ ابزار Claude Code کاملاً روی ترمینال متمرکز است.
◽️ ابزار Codex به صورت پیش‌فرض بین اپلیکیشن، IDE، کلود و گیت‌هاب در جریان است.
🚀 محیطی را انتخاب کنید که همین حالا هم بیشتر وقت خود را در آن می‌گذرانید.

2️⃣ تقسیم کارها به چه شکل انجام می‌شود؟
◽️ ابزار Claude Code کارها را در یک سشن واحد به ساب‌ایجنت‌ها واگذار می‌کند (ساختار تو در تو).
◽️ ابزار Codex تسک‌ها را به تِردها می‌فرستد تا شما بر آن‌ها نظارت کنید (ساختار موازی و خطی).

3️⃣ قوانین جریان کاری را کجا کدگذاری می‌کنید؟
◽️ ابزار Claude Code به صورت پیش‌فرض فایل CLAUDE.md را می‌خواند.
◽️ ابزار Codex به صورت پیش‌فرض فایل AGENTS.md را ملاک قرار می‌دهد.
🔌 البته هر دو پروتکل MCP را کاملاً پشتیبانی می‌کنند. قوانینی را بنویسید که تیم شما توانایی نگهداری‌اش را داشته باشد.

4️⃣ تسک‌های طولانی‌مدت کجا اجرا می‌شوند؟
◽️ ابزار Claude Code به صورت Headless در شل و CI شما اجرا می‌شود.
◽️ ابزار Codex بیشتر به جاب‌های کلود و صف‌های کامنت و بررسی (Review Queue) متکی است.
💻 کارهای سنگین و طولانی را به CI یا کلود بسپارید، نه لپ‌تاپ خودتان.

🎯 خلاصه سناریوهای انتخاب:
← اگر در ترمینال زندگی می‌کنید: Claude Code
← اگر به محیط‌ها و پلتفرم‌های بیشتری نیاز دارید: Codex
← اگر قابلیت Pairing و اجرای هم‌زمان در بک‌گراند را می‌خواهید: هر دو!

ترکیب پیشنهادی: استفاده هم‌زمان از هر دو ابزار؛ Claude Code سیستم را می‌سازد و Codex آن را به چالش می‌کشد. با افزونه رسمی Codex در کلود کد، به راحتی با دستورات زیر می‌توانید آن را فعال کنید:

/plugin marketplace add openai/codex-plugin-cc
/plugin install codex@openai-codex

همه دارند نحوه کار با هوش مصنوعی را یاد می‌گیرند، اما مزیت رقابتی واقعی جای دیگری است!

مهارت‌های فنی کار با AI هر روز ارزان‌تر و عمومی‌تر می‌شوند، اما قدرت تحلیل و تصمیم‌گیری درست (Good Judgment) روزبه‌روز باارزش‌تر می‌شود.

وقتی مجمع جهانی اقتصاد از کارفرمایان پرسید چه مهارت‌هایی در این دهه بیشترین اهمیت را دارند، هوش مصنوعی و Big Data در صدر قرار گرفتند؛ اما مهارت‌های بعدی را ببینید، همه‌شان کاملاً انسانی هستند:

◽️ تفکر تحلیلی و خلاقانه
◽️ حل مسئله و تفکر سیستمی
◽️ رهبری و خودآگاهی
◽️ تاب‌آوری و کنجکاوی

هوش مصنوعی فقط یک ابزار است و ابزارها به تنهایی نتیجه نمی‌سازند. مزیت اصلی شما داشتن پیشرفته‌ترین مدل AI نیست، بلکه توانایی شما در این سه بخش است:

1️⃣ اجرای سریع‌تر و باکیفیت‌تر (Execution)
2️⃣ تصمیم‌گیری با شفافیت کامل در شرایط مبهم
3️⃣ هدایت تیم و سیستم در میان تغییرات مداوم

ابزارهای هوش مصنوعی هر روز قدرتمندتر می‌شوند، اما لایه اصلی که تعیین می‌کند خروجی نهایی یک سیستم چه باشد، هنوز هم لایه تصمیم‌گیری انسانی است.

یک دوره کامل و ۴۳۵ درسِ مهندسی هوش مصنوعی روی گیت‌هاب رایگان شد!

تفاوت اصلی این دوره با بقیه دوره‌ها در یک قانون ساده است: هر الگوریتم قبل از ایمپورت کردن هرگونه فریم‌ورکی، ابتدا از روی ریاضیات پایه پیاده‌سازی می‌شود. شما مفاهیمی مثل Backpropagation، Tokenizer، Attention Mechanism و Agent Loop را کاملاً از صفر کد می‌زنید؛ بنابراین وقتی سراغ PyTorch می‌روید، دقیقاً می‌دانید زیر لایه نرم‌افزار چه خبر است.

ساختار ۵ مرحله‌ای هر درس:
1️⃣ خواندن مسئله
2️⃣ استخراج و حل فرمول‌های ریاضی
3️⃣ کدنویسی از صفر
4️⃣ اجرای تست‌ها
5️⃣ ذخیره خروجی کاربردی

در انتهای مسیر، شما فقط «دانش تئوری» ندارید؛ بلکه خروجی‌های قابل دیپلوی و واقعی ساخته‌اید: از فایل‌های SKILL.md و تعاریف ایجنت‌ها گرفته تا سرورهای MCP که خودتان از صفر پیاده کرده‌اید.

این دوره با ۴ زبان جلو می‌رود:
◽️ پایتون برای پایپلاین‌های یادگیری ماشین
◽️ تایپ‌اسکریپت برای ابزارهای ایجنتی
◽️ راست (Rust) برای بخش‌های حساس به پرفورمنس
◽️ جولیا (Julia) برای محاسبات عددی

پوشش مباحث هم کاملاً جامع است؛ از جبر خطی شروع می‌شود و تا سیستم‌های ایجنتی خودمختار (Autonomous Swarms)، معماری Multi-Agent، زیرساخت پروداکشن و ایمنی هوش مصنوعی جلو می‌رود.

https://github.com/rohitg00/ai-engineering-from-scratch

مسیر شغلی‌تان شلوغ و پر از تغییر است؟
این متن را بخوانید:

وقتی به فید لینکدین نگاه می‌کنیم، مسیر شغلی همه بی‌نقص و مثل یک خط مستقیم به سمت موفقیت به نظر می‌رسد.

اما همه ما خیلی چیزها را پنهان می‌کنیم:
- پروژه‌هایی که شکست خوردند
- تغییر مسیرهای ناگهانی
- لحظاتی که با خودمان می‌گوییم «پیش خودت چه فکری می‌کردی؟»

واقعیت این است که همه ما در حال یادگیری و آزمون و خطا هستیم و این اتفاق کاملاً طبیعی است. حتی پذیرش این موضوع یک مزیت محسوب می‌شود؛ چون جذاب‌ترین فرصت‌ها دقیقاً از جاهایی غیرمنتظره پیدا می‌شوند و مهارت‌هایی که امروز غیرمرتبط به نظر می‌رسند، ممکن است فردا برگ برنده شما باشند.

با این حال هنوز هم:
- شکست‌هایمان را پنهان می‌کنیم.
- عنوان‌های شغلی قدیمی را پاک می‌کنیم.
- وانمود می‌کنیم هر تغییری کاملاً استراتژیک بوده است.

کافی است! این نکات را یادمان باشد:
- هر تغییر مسیری، ابزار جدیدی به جعبه‌ابزار مهندسی و کاری شما اضافه می‌کند.
- هر شکست، تاب‌آوری شما را بالاتر می‌برد.
- هر پیچیدگی در مسیر، یادگیری عمیق‌تری به همراه دارد.

افراد موفق، کارهایشان را بی‌نقص انجام نداده‌اند؛ بلکه از هر پیچ‌وخمی درس گرفته‌اند، موقع شک بقیه ساخته‌اند و نقاطی را به هم وصل کرده‌اند که دیگران ندیده‌اند.

مسیر شغلی غیرمستقیم و شلوغ شما یک Bug نیست، دقیقاً یک Feature است!