30345
توییت های برنامه نویسی و طراحی وب :) @dvtwi Hashtags: devtwitter.t.me/5 DevBooks Channel: https://t.me/+AYbOl75CLNYxY2U0 Github: https://github.com/DevTwitter X: https://x.com/devtwittir
تو اوپن‌روتر یه مدل جدید به اسم Ling 3.1 Flash رایگان شده. هوشش هم بالاست؛ حتی از مدلهای رایگان دیگه و DeepSeek v4.1 flash هم بهتره. یه سر بهش بزنید شاید به دردتون بخوره.
https://openrouter.ai/inclusionai/ling-3.1-flash
@DevTwitter | <Hanieh Khalesi/>
️تیم گوگل توی ژاپن یه کیبورد خیلی عجیب معرفی کرده...
کلیدهای این کیبورد ثابت نیستن و روی یه تسمه نقاله حرکت میکنن و میان زیر دستتون.
مدل Gboard Conveyor Belt فقط ۲۹ تا کلید داره و حتی یه حالت سرعت بالا هم براش گذاشتن.
گوگل این محصول رو برای فروش نساخته، ولی فایل‌های طراحیش رو مجانی گذاشته روی GitHub تا خودتون با پرینتر سه بعدی سرهمش کنید.
https://github.com/google/mozc-devices/tree/main/mozc-conveyorbelt
@DevTwitter | <Abbas Bahadori Pour/>
کپچای فارسی، بدون وابستگی به CDN خارجی
پکیج capjs-local-persian-pro رو روی npm منتشر کردم؛ یک فورک از پروژهٔ متن‌باز Cap، با رابط فارسی، چیدمان راست‌به‌چپ و امکان میزبانی فایل‌های موردنیاز روی زیرساخت خودتون.
به‌جای معماهای تصویری، این ویجت از چالش محاسباتی SHA-256 Proof of Work استفاده می‌کنه؛ با WebAssembly برای سرعت بیشتر و Web Workers برای اجرای محاسبات خارج از رشتهٔ اصلی رابط کاربری.
چند قابلیت کاربردی:
- رابط فارسی و RTL
- فایل‌های WASM همراه پکیج و بدون نیاز به CDN در نسخهٔ اصلی
- امکان شخصی‌سازی ظاهر و متن‌ها
- اجرای نمایشی یا برنامه‌ای
- رویدادهای پیشرفت، موفقیت و خطا
هدفم این بود که استفاده از Cap در پروژه‌های فارسی و شبکه‌هایی با دسترسی محدود به سرویس‌های خارجی راحت‌تر بشه.
این پکیج بخش کلاینت رو فراهم می‌کنه؛ اعتبارسنجی توکن همچنان باید در بک‌اند و با API سازگار با Cap انجام بشه.
npm و راهنمای نصب:
https://www.npmjs.com/package/capjs-local-persian
کد منبع:
https://github.com/mohammadim48/capjs-local-persian
@DevTwitter | <Mohammad Mohammadi/>
راهنمای انتخاب رشته کنکور ۱۴۰۵
دانش‌آموختگان کامپیوتر، بیش از دیگران احتمال جایگزینی با هوش مصنوعی را احساس می‌کنند
💟 «ای-استخدام» در آستانه انتخاب رشته کنکور ۱۴۰۵ و در جدیدترین گزارش تحلیلی خود، وضعیت بازار کار ایران را از دیدگاه تحصیلی و با گردآوری نظرات دانش‌آموختگان رشته‌های مختلف درباره کیفیت تحصیل و چشم‌انداز شغلی‌شان بررسی کرده است.
❓ در این نظرسنجی، از شرکت‌کنندگان پرسیده شد:
هوش مصنوعی تا چه اندازه آینده شغلی رشته شما را تحت تأثیر قرار می‌دهد؟
اگه شما هم مثل من دنیای برنامه‌نویسی رو با VB6 شروع کردین شاید دیدن این برای تجدید خاطره واستون جالب باشه.
یک نفر اومده خود محیط Visual Basic 6 رو دوباره ساخته، با این تفاوت که این بار برای باز کردنش دیگه به ویندوز و نصب VB6 احتیاج ندارین.
مستقیم توی مرورگر بازش می‌کنین، فرم طراحی می‌کنین، کد VB6 می‌نویسین و حتی می‌تونین برنامه رو اجرا کنین!
جالب‌تر اینکه پروژه فقط یک ظاهر شبیه VB6 نیست. یک runtime برای اجرای کد، کنترل‌های مختلف، debugger و حتی امکان import کردن بعضی پروژه‌های قدیمی VB6 رو هم داره.
برای من دیدن این صفحه یه جورایی شبیه باز کردن دوباره یکی از اولین محیط‌هایی بود که باهاش برنامه‌نویسی رو یاد گرفتم.
اگه شما هم با VB6 شروع کرده بودین، حتماً یه سر بهش بزنین
https://wieslawsoltes.github.io/VB6/
@DevTwitter | <Amir Salehi/>
احتمالاً براتون پیش اومده که موقع خوندن مستندات فنی، دیده باشید به RFC 2119 رفرنس داده شده. این RFC و بعدش RFC 8174 جزو معروفترین موارد تو ادبیات مستندات اینترنت و شبکه هستن که درباره معنای دقیق افعال (verbs) تعاریف واضح و شفافی ارائه میدن.
شاید الان فکر کنید خب شبکه چه ربطی به نرم‌افزار داره؟ موضوع اینجاست که شبکه و توسعه سمت سرور همپوشانی زیادی با هم دارن و برای پیاده‌سازی یه نرم‌افزار بک‌اندی واقعا باید تا حد مناسبی مفاهیم شبکه رو بلد باشیم. بیاید خیلی کوتاه و در عین حال کامل RFC 2119 رو با هم مرور کنیم...
توی متن گفته شده که برای رسوندن مفهوم دقیق گزاره‌ها، باید بین معنی فعل‌ها تمایز قائل بشیم. بر این اساس، ۳ گروه فعل وجود داره:
۱) گروه افعال الزامی: که برای جملات مثبت شامل MUST و SHALL و REQUIRED؛ و برای جملات منفی شامل MUST NOT و SHALL NOT هست. هر جا دیدید از این فعل‌ها استفاده شده، یعنی بی‌قید و شرط باید اون گزاره اجرا بشه (یا نشه؛ بسته به مثبت یا منفی بودن جمله). پس بر خلافش عمل کردن کاملا ممنوعه.
۲) گروه افعال توصیه‌ای: که برای جملات مثبت شامل SHOULD و RECOMMENDED؛ و برای جملات منفی شامل SHOULD NOT و NOT RECOMMEND هست. هر جا دیدید از این فعل‌ها استفاده شده، یعنی توصیه قوی اینه که طبق اون گزاره عمل کنید (یا نکنید؛ بسته به مثبت یا منفی بودن جمله). اما اگه واقعا دلیل قابل توجیه و قانع کننده‌ای وجود داشت، می‌تونید نادیده‌اش بگیرید.
۳) گروه افعال اختیاری: که شامل MAY و OPTIONAL هست. هر جا دیدید از این فعل‌ها استفاده شده، کاملا بستگی به خودتون داره که ازش پیروی بکنید یا نه. یعنی هیچ اجبار یا عدم اجباری وجود نداره.
پ.ن: RFC 8174 بعد از 2119 ثبت شد و صرفا به این اشاره میکرد که اگه قرار باشه این افعال همین معنی‌های قراردادی رو داشته باشن، باید حتما به صورت uppercase توی متن نوشته بشن...
@DevTwitter | <Alireza Esmaeilpour/>
وقتی یک Docker Image از پیمانکار تحویل می‌گیریم و داخل سازمان اجرا می‌کنیم، واقعاً می‌دانیم چه چیزی را وارد زیرساختمان کرده‌ایم؟
برای من، به‌عنوان کسی که در امنیت و تست نفوذ کار می‌کند، اینکه «سرویس بالا آمد و درست کار می‌کند» پایان بررسی نیست؛ تازه شروع سؤال‌هاست.
داخل این ایمیج چه پکیج‌هایی وجود دارد؟ وابستگی‌هایش آسیب‌پذیری شناخته‌شده دارند؟ ممکن است رمز، توکن یا فایل حساسی داخلش باقی مانده باشد؟ قبل از دسترسی دادن به شبکه و داده‌های سازمان، چه چیزهایی را باید بررسی کنیم؟
من RootSecOps را با همین دغدغه ساختم.
یک پروژهٔ متن‌باز و قابل استقرار روی زیرساخت خودمان، برای بررسی Docker Image، مخزن کد، Dockerfile و فایل‌های آپلودشده، با استفاده از چند ابزار امنیتی در یک محیط واحد.
در RootSecOps می‌توانم بسته‌های داخل ایمیج را با SBOM بررسی کنم، یافته‌های ابزارهایی مثل Trivy، Grype و OSV-Scanner را ببینم و، متناسب با ورودی و تنظیمات، بررسی secretها، پیکربندی و نشانه‌های مشکوک فایل‌ها را انجام بدهم.
کاربردی که برایش در سازمان می‌بینم روشن است:
تحویل گرفتن نرم‌افزار از تأمین‌کننده، بررسی قبل از استقرار، ارائهٔ یافته‌های مشخص به پیمانکار و بررسی دوبارهٔ نسخهٔ اصلاح‌شده.
این پروژه جایگزین تست نفوذ یا تصمیم تیم امنیت نیست؛ کمک می‌کند آن تصمیم بر اساس شواهد باشد. حتی نبودن یافته هم وقتی بعضی اسکنرها اجرا نشده‌اند، به معنی امن بودن نیست.
کد پروژه:
https://github.com/Rootast/rootsecops
معرفی و سناریوی استفاده:
https://rootast.medium.com/rootsecops-know-what-third-party-software-enters-your-organization-bad2ffcae456
@DevTwitter | <Arash Shahbazi/>
ویدیو جنریت دیگه نیاز به سرور نداره.
ریپو FreeVideo مدل MiniMax H3 رو مستقیم روی کامپیوتر گیمینگ خودت اجرا می‌کنه.
فقط ۸ گیگ VRAM و ۱۶ گیگ رم کافیه.
ComfyUI داره، LoRA ساپورت می‌کنه و خودش با سخت‌افزارت هماهنگ میشه.
کاملاً متن‌باز.
https://github.com/FlashML-org/FreeVideo
@DevTwitter | <Reza Shakeri/>
🚀 از صفر تا ساخت APIهای حرفه‌ای با پایتون
توی «دوره FastAPI کوئرا کالج» یاد بگیر چطور APIهای سریع و استاندارد بسازی و پروژه‌های واقعی بک‌اند رو توسعه بدی.
✅ ساخت API با پایتون و FastAPI
✅ کار با دیتابیس و احراز هویت
✅ پیاده‌سازی پروژه‌های کاربردی
دوره رو با تخفیف ثبت‌نام کن و هروقت خواستی ببین:
🔗 https://quera.org/r/62mjt
محدودیت‌های جدید گوگل برای دسترسی به هوش مصنوعی جمنای!
گوگل رسما اعلام کرد از ۱۷ مهر دسترسی کاربران رایگان جمنای به مدل Pro و Flash قطع میشه و کاربران رایگان فقط به مدلهای Flash-Lite دسترسی دارند!
از طرفی دسترسی به مدل Pro رو هم از اشتراک Google AI Plus حذف کرده و کاربران این اشتراک از ۱۷ مهر فقط به مدلهای Flash-Lite و Flash دسترسی دارند.
کاربرانی هم که اشتراک AI Pro و AI Ultra دارند هم به همه مدل‌ها دسترسی دارند!
پ.ن: تو گوگل چه خبره؟!
@DevTwitter | <MohammadMSFT/>
دیگه نمیدونم چی بگم…
یکی یه شبیه ساز ماشین خودران Waymo کامل تو مرورگر ساخته با نقشه واقعی سان‌فرانسیسکو
با Fable 5.5 و Three.js درستش کرده
لینک:
https://teleoperator.mindblown.ai
@DevTwitter | <Reza Shakeri/>
🌐 مرجع تخصصی وردپرس، اینجاست! 👨💻
🧩 اخبار و ترفندهای وردپرس
🚀 دانلود افزونه‌ها و قالب‌های کاربردی
💡 نکات طراحی سایت و افزایش سرعت
🔥 مطالب جذاب برای وردپرس‌کارها
اگه به وردپرس و طراحی سایت علاقه داری، این کانال رو از دست نده! 🙌
👇 همین الان عضو شو 👇
🔗 /channel/wordpress_wpp
🔗 /channel/wordpress_wpp
🔗 /channel/wordpress_wpp
ترجمه ی زنده ی یوتیوب؟
ایزی تی اس افزونه ای برای ترجمه ی ویدیو های یوتیوب با پشتیبانی از بستر های مختلف می‌باشد
تبدیل صدا به متن اولیه
تشخیص هوشمند زیرنویس در صورت وجود
پشتیبانی از Gemini / openai / groq و مدل های لوکال
تبدیل متن ترجمه شده به صدا
پشتیبانی از openai / fish audio / elevenlab / Gemini و مدل لوکال
پشتیبانی از ترجمه ی زنده با Google live و GPT live
توجه : نسخه ی بتا هست و ممکن است شامل باگ باشد لطفاً هر باگی دیدید گذارش کنید
https://GitHub.com/realjustawall/easy-ts
@DevTwitter | <RealJustAWall/>
هر روز ابزارهای هوش مصنوعی بهتر و بهتر کد می‌نویسند.
اما یک سؤال مهم وجود دارد:
اگر AI کدی تولید کند که کاملاً درست به نظر برسد، از کجا بفهمیم واقعاً درست است؟
این موضوع یکی از نکات جالب مقاله‌ی Real Python درباره‌ی بررسی کدهای تولیدشده توسط AI است.
مشکل اینجاست که کد تولیدشده توسط AI لزوماً کد بدی نیست. اتفاقاً ممکن است:
- کاملاً تمیز و خوانا باشد
- از نظر Syntax مشکلی نداشته باشد
- تست‌های موجود را پاس کند
- و حتی خیلی حرفه‌ای به نظر برسد
اما با این حال، ممکن است منطق کسب‌وکار را اشتباه پیاده کرده باشد.
مثلاً فرض کنید از AI می‌خواهیم یک فرآیند Import برای چند میلیون رکورد بنویسد.
ممکن است کدی تولید کند که روی ۱۰۰ رکورد کاملاً درست کار کند؛ اما وقتی تعداد رکوردها به چند میلیون برسد، با مشکلاتی مثل مصرف زیاد حافظه، Queryهای زیاد، N+1 یا زمان اجرای بسیار بالا مواجه شویم.
پس هنگام Review کردن کد AI، فقط نباید بپرسیم:
«آیا این کد کار می‌کند؟»
باید سؤال‌های دیگری هم بپرسیم:
- آیا دقیقاً همان چیزی را پیاده کرده که در Requirement خواسته شده؟
- اگر داده Null یا خالی باشد چه اتفاقی می‌افتد؟
- اگر رکورد تکراری باشد چه؟
- اگر دو درخواست همزمان اجرا شوند چه؟
- آیا Queryها روی حجم واقعی داده هم مناسب هستند؟
- آیا مشکلی از نظر Security وجود دارد؟
- آیا این کد با معماری فعلی پروژه سازگار است؟
- آیا AI چیزی را دوباره پیاده کرده که از قبل در پروژه وجود داشته؟
- آیا API یا متدی که استفاده شده واقعاً در Library یا Framework وجود دارد؟
به همین دلیل، با افزایش استفاده از AI Coding Tools، نقش Developer در حال تغییر است.
قبلاً بخش بزرگی از زمان ما صرف نوشتن کد می‌شد.
اما حالا می‌توانیم بخش بیشتری از کدنویسی را به AI بسپاریم و زمان بیشتری را صرف فهمیدن مسئله، تصمیم‌گیری فنی و بررسی کد کنیم.
در واقع، یک Workflow مناسب می‌تواند چیزی شبیه این باشد:
- Requirement
- AI Implementation
- Automated Tests
- Code Review
- Verification
و شاید مهم‌ترین مهارتی که در برنامه‌نویسی با AI باید یاد بگیریم همین باشد:
تشخیص کدی که واقعاً درست است، از کدی که فقط درست به نظر می‌رسد.
منبع:
https://realpython.com/review-ai-generated-code/
@DevTwitter | <Mahmoud Mohammadabadi/>
این ویدیو توضیح خوبی درباره Jev میده.
همونطور که می‌دونید Jev برخلاف مدل‌هایی مثل ChatGPT قرار نیست متن تولید کنه.
کارش بیشتر اینه که بین چند گزینه تصمیم بگیره، رتبه‌بندی کنه یا بگه کدوم انتخاب بهتره.
ویدیو هم کوتاه و جمع‌وجوره و توضیحات خوبی داره:
https://youtu.be/YGgNBcIgI4s
@DevTwitter | <Ali Rashedi/>
مثل اینکه مایکروسافت بدون اعلام رسمی مصرف رم ویندوز ۱۱ را در آپدیت Windows 11 2026 (نسخه 26H2) کاهش داده و خیلی از کاربرها میگن بعد از نصب این نسخه هم سرعت ویندوز بیشتر شده هم مصرف رم کاهش پیدا کرده.
پ.ن: به نظر خودمم مصرف رم توی این نسخه کمتر شده و سرعت هم بیشتر شده که راحت متوجه عملکرد بهترش میشید.
@DevTwitter | <MohammadMSFT/>
تا حالا اسم Streaming SSR به گوشتون خورده؟
فرض کنید وارد یک سایت میشید و منتظر می‌مونید تا کل صفحه آماده بشه و بعد یک‌جا نمایش داده بشه.
این حالت معمولی SSR هست.
اما در Streaming SSR، صفحه لازم نیست کامل آماده بشه تا نمایش داده بشه.
بخش‌هایی که زودتر آماده شدن، همون لحظه برای کاربر ارسال و نمایش داده می‌شن و بقیه صفحه کم‌کم میاد.
مثلاً یک صفحه از سایت فروشگاهی رو تصور کنید:
- هدر و اطلاعات اصلی - سریع نمایش داده میشه
- مشخصات محصول - بعدش میاد
- نظرات کاربران - کمی بعدتر لود میشه
یعنی کاربر به جای اینکه منتظر آماده شدن کل صفحه بمونه، صفحه رو مرحله‌به‌مرحله دریافت می‌کنه.
چرا این قضیه تو seo هم مهمه؟
چون یکی از مزیت‌های SSR اینه که محتوای مهم صفحه می‌تونه از همون ابتدا در HTML در دسترس باشه. Streaming SSR می‌تونه کمک کنه صفحه سریع‌تر شروع به نمایش محتوا کنه، اما به این معنی نیست که هر سایتی با Streaming SSR حتماً سئوی بهتری خواهد داشت.
در نهایت باید ببینیم محتوای مهم، لینک‌ها و المان‌های اصلی صفحه چطور در HTML تولید و در اختیار کرالر قرار می‌گیرن.
@DevTwitter | <Amin Falahan/>
همه NotebookLM رو می‌شناسن، ولی بیشتر آدما هنوز مثل یه چت‌بات PDF ازش استفاده میکنن.
این ۸ تا پرامپت، یادداشت‌هات رو تبدیل میکنن به جزوه، آزمون و درس‌هایی شبیه معلم خصوصی.
پرامپت‌ها این پایینن.
این پست رو سیو کن برای بعداً.
۱. منبع
از NotebookLM اینجا استفاده کن:
notebooklm.google.com
اول PDF، اسلاید، یادداشت، متن پیاده‌شده یا لینک یوتیوب رو آپلود کن.
بعد پرامپت‌های پایین رو یکی‌یکی بزن.
۲. جزوهٔ فوری
این را در NotebookLM قرار دهید:
از مطالب بارگذاری‌شدهٔ من، یک راهنمای کامل مطالعه تهیه کنید.
آن را بر حسب موضوع سازمان‌دهی نمایید.
برای هر موضوع این موارد را ارائه دهید:
۱. اندیشهٔ اصلی، به زبانی ساده
۲. سه نکتهٔ مهم‌تر
۳. دو خطای رایج دانشجویان
۴. دو پرسش به سبک امتحان، همراه با پاسخ
۵. یک شگرد کوتاه برای به‌خاطر سپردن
متن باید برای مبتدی روشن، و برای مرور نیز سودمند باشد.
۳. معلم سقراطی
این را در NotebookLM قرار دهید:
همچون معلم خصوصی عمل کنید.
مرا دربارهٔ مهم‌ترین مفاهیم مطالب بارگذاری‌شده بیازمایید.
با پرسش‌های آسان آغاز کنید و به‌تدریج بر دشواری آن‌ها بیفزایید.
پس از هر پاسخی که می‌دهم:
۱. بگویید چه چیزی را درست گفته‌ام
۲. آنچه را نادرست است تصحیح کنید
۳. مفهوم را به زبانی ساده توضیح دهید
۴. پرسش بعدی را طرح کنید
همهٔ پاسخ‌ها را یک‌جا ندهید.
گام‌به‌گام آموزش دهید.
۴. پیش‌بینی امتحان
این را در NotebookLM قرار دهید:
مطالب بارگذاری‌شدهٔ مرا تحلیل کنید و پیش‌بینی نمایید چه مطالبی به احتمال زیاد در امتحان می‌آید.
این موارد را ارائه دهید:
۱. پنج موضوعی که باید نخست مطالعه شوند
۲. دلیل اهمیت هر موضوع
۳. محتمل‌ترین پرسش برای هر موضوع
۴. یک پرسش دشوار برای هر موضوع
۵. نکات کلیدی که باید در پاسخ بیاید
همه چیز را از مهم‌ترین تا کم‌اهمیت‌ترین رتبه‌بندی کنید.
۵. رفع ابهام
این را در NotebookLM قرار دهید:
این مفهوم را درنمی‌یابم:
[مفهوم را اینجا بنویسید]
آن را با این شیوه‌ها توضیح دهید:
۱. یک تمثیل ساده
۲. یک مثال از جهان واقع
۳. توضیحی برای مبتدی
۴. توضیحی پیشرفته‌تر
۵. رایج‌ترین خطایی که افراد مرتکب می‌شوند
سپس مرا با سه پرسش کوتاه بیازمایید.
اگر پاسخ نادرست دادم، همچون معلم تصحیحم کنید.
۶. یافتن خلأها
این را در NotebookLM قرار دهید:
مطالب بارگذاری‌شدهٔ مرا بخوانید و خلأهای فهم مرا بیابید.
این موارد را نشان دهید:
۱. مفاهیمی که احتمالاً از قلم انداخته‌ام
۲. اندیشه‌هایی که به یکدیگر پیوند دارند
۳. نقاط ضعفی که دانشجویان معمولاً نادیده می‌گیرند
۴. سریع‌ترین راه رفع هر خلأ
۵. یک پرسش تمرینی کوتاه برای هر نقطهٔ ضعف
تمرکز بر آن چیزی باشد که باعث از دست رفتن نمره یا فراموشی بعدی موضوع می‌شود.
۷. سازندهٔ امتحان تمرینی
این را در NotebookLM قرار دهید:
از مطالب بارگذاری‌شدهٔ من یک امتحان تمرینی بسازید.
شامل این موارد باشد:
۱. ده پرسش چهارگزینه‌ای
۲. پنج پرسش پاسخ‌کوتاه
۳. سه پرسش پاسخ‌بلند
۴. یک پرسش چالشی
پس از امتحان این‌ها را بدهید:
۱. کلید پاسخ
۲. توضیح هر پاسخ
۳. موضوعی که هر پرسش می‌سنجد
۴. آنچه در صورت پاسخ نادرست باید مرور کنم
حس یک امتحان واقعی را القا کند.
۸. هم‌درس صوتی
اول از قابلیت Audio Overview استفاده کن.
بعد این را در NotebookLM قرار دهید:
مطالب بارگذاری‌شدهٔ مرا به جلسه‌ای برای مرور تبدیل کنید که بتوانم گوش دهم.
تمرکز بر این‌ها باشد:
۱. اندیشه‌های کلیدی
۲. بخش‌های مبهم
۳. محتمل‌ترین نکات امتحانی
۴. جزئیاتی که به‌آسانی فراموش می‌شوند
۵. مثال‌های کوتاهی که مطلب را در ذهن ماندگار می‌کنند
لحن، مانند دوستی دانا باشد که پیش از امتحان موضوع را شرح می‌دهد.
۹. آزمون بازآموزی
این را در NotebookLM قرار دهید:
می‌خواهم موضوعی را با واژگان خود شرح دهم.
پس از توضیح من، پاسخم را داوری کنید.
بگویید:
۱. چه چیزی را درست گفته‌ام
۲. چه چیزی را از قلم انداخته‌ام
۳. چه بخشی ناروشن بوده است
۴. چه باید بیفزایم
۵. روایتی بهتر از توضیح من
سپس یک پرسش پیگیر بپرسید تا معلوم شود آیا واقعاً مطلب را دریافته‌ام.
۱۰. کل سیستم
بهترین روش استفاده از NotebookLM برای درس خوندن اینه:
مطالبت رو آپلود کن.
یه جزوه بساز.
کوییز بده.
نقطه‌ضعفات رو پیدا کن.
یه امتحان تمرینی بساز.
وقتی داری راه می‌ری یا توی راهی، از Audio Overview استفاده کن.
بعد موضوع رو خودت توضیح بده.
این‌جوریه که یادداشت‌هات دیگه اون‌جا خاک نمی‌خورن و شروع میکنن به یاد دادنت.
@DevTwitter | <Yarad/>
🔍 به کمک ارزشمند شما نیاز داریم 🤍
ما در قالب یک پروژه دانشجویی روی یک پژوهش کوچک کار می‌کنیم و برای این کار به دیدگاه شما نیاز داریم.
این نظرسنجی کاملاً ناشناس است، هیچ اطلاعات شخصی (نام، شماره تماس، ایمیل و غیره) دریافت نمی‌کند و کمتر از ۴ دقیقه زمان می‌برد.
شرکت در نظرسنجی 👇🏻
https://survey.porsline.ir/s/MMUxxM9a
پیشاپیش ممنون از وقتی که می‌ذارید 🙏
مشکل هوش مصنوعی کد زدن نیست؛ نداشتن سلیقه طراحی است!
هوش مصنوعی خیلی راحت برات کامپوننت UI می‌سازه، اما معمولاً تفاوت یک دیزاین خشک و معمولی با یک محصول نرم، چشم‌نواز و استاندارد رو نمی‌فهمه.
حالا Emil Kowalski طراح سرشناس با سابقه کار در Vercel و Linear اومده تمام تجربه‌اش رو در قالب یک ریپازیتوری به اسم Skills منتشر کرده؛ راهنماها و اصولی دقیق که به ابزارهای هوش مصنوعی یاد میده چطور مثل دیزاینرهای حرفه‌ای فکر کنن:
- درک عمیق سلیقه بصری و استانداردهای طراحی اپل
- پیاده‌سازی انیمیشن‌ها و ترنزیشن‌های نرم و طبیعی
- توجه به ریزه‌کاری‌ها و میکرو‌اینترکشن‌هایی که یک محصول رو خاص می‌کنه
https://github.com/emilkowalski/skills
@DevTwitter | <Hamed Heydarian/>
برای اینکه بفهمید اطراف شما چه هواپیماهایی پرواز میکنن، چه کشتی‌هایی در حرکتن یا کجا زلزله اتفاق افتاده، معمولاً باید چندتا سایت و Tab مختلف باز کنید.
ابزار God's Eye View همه این اطلاعات رو روی یک Globe سه‌بعدی جمع می‌کنه. روی یک کره زمین واقع‌گرایانه می‌تونید موارد مختلفی مثل:
- هواپیماهای زنده
- کشتی‌ها
- ماهواره‌ها
- زلزله‌ها
- حدود ۸۰۰ دوربین عمومی
رو ببینید.
حتی می‌تونید روی یک هواپیما کلیک کنید و مسیر اون رو از نمای Cockpit دنبال کنید، در حالی که Terrain واقعی زمین زیر شما نمایش داده میشه.
این ابزار داخلش یک Voice Agent هم داره که قبل از جواب دادن، اطلاعات زنده مربوط به صحنه رو بررسی می‌کنه.
مثلاً اگر بپرسید: «الان چند هواپیما بالای تگزاس هست؟»
Agent به‌جای اینکه از اطلاعات قدیمی جواب بده، اطلاعات زنده صحنه رو بررسی می‌کنه و عدد واقعی رو برمی‌گردونه.
به نظرم ترکیب Live Data، نقشه سه‌بعدی و AI Agent این پروژه رو خیلی جالب کرده.
لینک ریپو:
https://github.com/bilawalsidhu/gods-eye-view
@DevTwitter | <Mehrdad Ashtari/>
این 9route اینقدر اعصابم رو خوردن کردن اینو درست کردم
۱) لانچر Go برای اجرای بی‌نهایت نسخه‌ی جدا از یک ایجنت CLI، بدون داکر و سرویس.
۲) هر نسخه خانه و پیکربندی و پروکسی و لاگین خودش را دارد.
۳) فرمان‌ها: ساخت، اجرا، تسک، پوسته، بذر، همانند، نصب، پزشک، حذف.
۴) کتابخانه
https://github.com/raaaas/golunch
https://raaaas.github.io/golunch/
@DevTwitter | <raa's/>
مدیریت کانفیگ‌های Nginx توی ترمینال همیشه پر از رفت‌وبرگشت‌های تکراریه؛ از symlink زدن دستی بین sites-available و sites-enabled گرفته تا ادیت فایل‌ها و چک کردن مدام nginx -t قبل از ری‌لود کردن سرویس.
برای اینکه این فرایند رو سریع‌تر، تمیزتر و لذت‌بخش‌تر کنم، ابزار GoNix رو نوشتم!
گونیکس یا GoNix یک ابزار اپن‌سورس با رابط کاربری متنی (TUI) به زبان Go هست که مدیریت Server Blockها و تنظیمات Nginx رو توی سرورهای لینوکسی فوق‌العاده ساده و متمرکز می‌کنه.
«لینک ریپازیتوری در کامنت اول»
ویژگی‌های اصلی:
- مدیریت سریع فایل‌ها: فعال/غیرفعال‌سازی سایت‌ها (Enable/Disable) تنها با یک کلید
- تست و اعمال لحظه‌ای: بررسی سینتکس (nginx -t) و ری‌لود/ری‌استارت سرویس مستقیم از داخل TUI
- سریع و کم‌حجم: توسعه‌یافته با Go بدون وابستگی سنگین (Single Binary با مصرف رم ناچیز)
- تجربه کاربری تمیز: رابط متنی گرافیکی درون ترمینال بدون نیاز به حفظ دستورات پیچیده CLI
اگر با Nginx و مدیریت سرور سر و کار دارید، خوشحال می‌شم GoNix رو تست کنید و بازخوردتون رو برام بفرستید یا در روند تست و توسعه فیچرهای جدید کمک کنید.
اگر براتون مفید بود، زدن یک ستاره توی گیتهاب انرژی زیادی بهم میده!
https://github.com/mrmmg/gonix
@DevTwitter | <Mohammad Mahdi Gholamrezaei/>
کپ کات یه رقیب متن‌باز و جدی پیدا کرده!
الان دیگه OpenCut اومده؛ یک ویرایشگر ویدیوی رایگان و Open Source برای وب، دسکتاپ و موبایل
ولی قسمت جذاب ماجرا Roadmapشه
- Edit ویرایش چندلایه و Timeline
- Plugin-first
- MCP برای AI Agentها
- Headless Mode و Batch Rendering
- Scripting داخل Editor
- Editor API برای ساخت ابزارهای اختصاصی
حتی قراره کل پروژه با یک Codebase مشترک روی وب، دسکتاپ و موبایل اجرا بشه.
نسخه جدید هنوز در حال بازنویسیه و فعلاً نسخه Classic برای استفاده روزمره آماده‌تره.
لایسنس اش هم MIT License هست ؛ یعنی برای شخصی‌سازی و ساخت ابزارهای خودت دستت حسابی بازه.
لینک ریپو :
https://github.com/OpenCut-app/OpenCut
لینک دسترسی :
https://new.opencut.app
@DevTwitter | <امیرحسین اسلامی/>
در ادامه آموزش مدلهای مختلف برای زبان فارسی، نوبت رسید به آموزش مدل فارسی تبدیل گفتار به متن یا STT.
مدل جدید تشخیص گفتار فارسی، رایگان و متن‌باز که آموزش دادم.
مدل تبدیل گفتار به متن Nemotron 3.5 انویدیا زبان‌های زیادی را پشتیبانی می‌کند، اما فارسی جزو آن‌ها نبود. آن را روی ۱٬۱۸۱ ساعت گفتار فارسی آموزش دادم و حالا به‌صورت رایگان و متن‌باز منتشرش کرده‌ام.
تا جایی که می‌دانم، این دقیق‌ترین مدل متن‌باز تشخیص گفتار فارسی است: خطای کلمه روی FLEURS ۸٫۸٪، در برابر ۱۰٫۶٪ برای «شنوا»، قوی‌ترین مدل متن‌باز فارسی پیش از این. نه تنها این بلکه WER مدل ElevenLabs Scribe روی همین دیتاست ۷.۸% هست.
ویدیوی زیر را با صدا گوش بدید که توش کامل توضیح دادم.
- تبدیل زنده‌ی گفتار به متن: همان‌طور که حرف می‌زنید متن نوشته می‌شود، با تأخیری حدود ۰٫۳ تا ۱ ثانیه
- تبدیل فایل‌های صوتی
- در مقایسه با مدل فارسی قبلی انویدیا، خطا روی FLEURS از ۲۴٫۲٪ به ۸٫۸٪ رسید
- روی گفتار محاوره‌ای (یوتیوب، فیلم و سریال) خطا تقریباً نصف شد: ۲۶٪ در برابر ۵۴٪
- روی لپ‌تاپ هم اجرا می‌شود: حدود ۱۰ برابر سریع‌تر از زمان واقعی روی مک M1
- با NeMo و Hugging Face Transformers کار می‌کند
یک اپ ساده هم گذاشته‌ام که می‌توانید با میکروفون خودتان امتحانش کنید.
ریپو را ستاره بدید اگه دوست داشتید.
مدل: https://huggingface.co/mehdi-hf/nemotron-asr-streaming-farsi
آموزش و اجرا: https://github.com/mallahyari/nemotron-asr-streaming-farsi
@DevTwitter | <Mehdi Allahyari/>
توی این پروژه من روی ساخت ابزاری کار کردم که دیپلوی کردن پروژه‌های بیلد شده روی cPanel رو راحت‌تر کنه. قبل از این، هر بار که پروژه آماده انتشار می‌شد باید فایل‌ها رو دستی زیپ می‌کردیم، روی هاست آپلود می‌کردیم و بعد اکسترکت و جایگزین می‌کردیم که هم زمان می‌برد و هم یه کار تکراری و خسته‌کننده بود.
کاری که این ابزار انجام میده اینه که این روند رو ساده‌تر و سریع‌تر می‌کنه تا بدون درگیر شدن با این مراحل، پروژه راحت‌تر روی هاست منتشر بشه. نقش من توی این پروژه توسعه و پیاده‌سازی این ابزار و حل کردن همین مشکل برای راحت‌تر شدن فرآیند انتشار پروژه‌ها بود.
https://github.com/AliLotfi09/cpanel-deployer
@DevTwitter | <Ali Lotfi/>
داکر مجموعه رسمی Skills خودش رو منتشر کرده:
* Dockerfile & Build
* Docker Compose
* Docker Sandboxes
* Docker Agent
* Cross-Product
اصلا این Skill برای چیه؟ مجموعه‌ای از دستورالعمل‌ها و workflowهای آماده هستن که به AI Coding Agentها کمک میکنن بهتر و استانداردتر با ابزار Docker کار کنن.
اگر با Claude Code، Codex، Cursor، GitHub Copilot، Gemini CLI، OpenCode و ابزارهای مشابه کار می‌کنید، ارزش بررسی داره.
https://github.com/docker/skills
@DevTwitter | <Hesam Akbarzadeh/>
خیلی از مهندسای نرم افزار از AI انتظار معجزه دارن، بدون اینکه ورودی درستی بهش بدن.
پرامپت‌نویسی برای معماری نرم‌افزار این نیست که بنویسیم: «یک معماری خوب برای این سیستم طراحی کن!»
اگر ورودی ما سطحی باشه، خروجی فقط تکرار کلیدواژه‌های ترند روز (مثل Microservices و Kafka) بدون در نظر گرفتن شرایط پروژه و تیم میشه.
برای یک خروجی کاربردی معماری، پرامپت حداقل به این ۵ بخش نیاز داریم:
۱. بخش Context: مسئله واقعی، دامنه بیزینس و مقیاس کار چیه؟
۲. بخش Role: چه نقشی از AI انتظار داری؟ (معمار ارشد، طراح امنیت، منتقد معماری؟)
۳. بخش Constraints: محدودیت‌ها کجاست؟ (تیم ۳ نفره، بودجه محدود، ددلاین نزدیک، استک مشخص؟)
۴. بخش Task: دقیقاً چه خروجی تحلیلی مدنظرته؟ (مقایسه گزینه‌ها، پیدا کردن نقاط شکست؟)
۵. بخش Output: ساختار خروجی چی باشه؟ (جدول مقایسه Trade-off، فرمت ADR، یا دیاگرام Mermaid؟)
اگر پرامپت ما شامل این موارد باشه میتونیم خروجی دقیق تری از AI بگیریم که در انتخاب معماری مناسب پروژه خیلی کمک کننده است.
@DevTwitter | <Amir Rahimi Nejad/>