3509
چکیده‌ای از مفاهیم به روز مهندسی نرم افزار برای مهندسین نرم‌افزار. معماری نوین نرم‌افزار، تکنولوژی‌های برنامه نویسی جدید
"I'd love an AI assistant for my listings, but I don't have a developer" is something we hear constantly from real estate agents.
Dubai Radar is proof: you don't need a developer to build this.
🔗 Try Dubai Radar:
https://crysta.live/go/dubai-radar
Here's the thing: you don't need one.
Building an AI agent for your listings doesn't take a website, a budget for custom software, or someone on staff who codes. It takes a conversation. You describe what you need, Crysta builds it, you load in your actual listings, photos and all, and it's ready.
We're building one of these live next week, start to finish, for a real estate agent. If "I'm not technical enough for this" has been the thing stopping you, come watch what it actually takes.
📌 RSVP for the live workshop:
https://www.linkedin.com/events/7510707482923823104
#CrystaCode #Realestate #BuildWithAI #AIAgent #RealEstateAI #PropTech
نگو JEV بگو System One!
دنیل کانمن (Daniel Kahneman) توی کتاب معروفش «تفکر، سریع و کند» (Thinking, Fast and Slow) ذهن انسان را به دو بخش تقسیم می‌کنه:
- سیستم ۱ (System 1): تفکر سریع، خودکار، حسی و بدون زحمت؛ مثل تشخیص سریع حالت چهره یا انتخاب مسیر همیشگی.
- سیستم ۲ (System 2): تفکر کند، تحلیلی، متمرکز و نیازمند انرژی محاسباتی؛ مثل حل یک مسئله پیچیده ریاضی.
در دنیای هوش مصنوعی، بیشتر تمرکز ما تا الان روی مدل‌های زبانی بزرگ (LLMها) بوده که بیشتر شبیه به سیستم ۲ عمل می‌کنند؛ متنی تولید می‌کنند، استدلال می‌کنند، اما سنگین، کند و پرهزینه‌اند. ولی برای تصمیم‌گیری‌های لحظه‌ای، مسیریابی درخواست‌ها (Routing) و دسته‌بندی سریع (Classification)، واقعاً نیازی به لود کردن یا فراخوانی یک LLM غول‌پیکر نداریم. یعنی برای این قبیل کارها نیازی به هزینه‌های سنگین بابت GPT و Fable و ... نداریم.
تفاوت مدل‌های System 1 با LLMها چیست؟
- هدف: به جای تولید طولانی متن (Text Generation)، تمرکز روی تصمیم‌گیری آنی، سنجش احتمالات و اکشن‌های سریع است.
- سرعت و منابع: فوق‌العاده سبک و سریع هستند و می‌توانند با کمترین تاخیر (Latency) حتی روی سیستم‌های معمولی و لوکال اجرا شوند.
ورودی این مدل‌ها چگونه‌اند؟ (خیلی ساده)
نیازی به پرامپت‌های پیچیده ندارید؛ ورودی‌ها معمولاً شامل:
۱. یک وضعیت یا متن ورودی (State/Body): مثلاً پیام کاربر.
۲. پرسش و گزینه‌ها (Questions/Choices & Criteria): معیارهای دسته‌بندی یا انتخابی که می‌خواهید مدل بین آن‌ها تصمیم بگیرد.
اما...
این حوزه فقط به یک معماری یا مدل خاص محدود نمی‌شود؛ امروزه خانواده‌ای از مدل‌های سبک و تخصصی تحت عنوان System 1 Models در حال شکل‌گیری هستند که عمدتا در مورد یک مدل از آن‌ها یعنی JEV شنیدیم ولی این سری از مدل‌ها به JEV خلاصه نمی‌شوند ...
معرفی Laya
یکی از گزینه‌های متن‌باز، سریع و کارآمد در این حوزه Laya است که می‌توانید آن را به راحتی برروی سیستم دسکتاپ خود اجرا کنید:
py3 -m pip install laya
pip install "laya[serve]"
py -m laya.serve
ورکشاپ «AI Agents in C# (MAF)»
در این ورکشاپ به بررسی امکانات جدید برنامه‌نویسی با کتابخانه‌ها و استانداردهای جدید AI در سی‌شارپ مخصوصا Microsoft Agent Framework می‌پردازیم.
با هم کد می‌زنیم و کمی حرفه‌ای‌تر، با معماری‌های مدرن این هوش‌مصنوعی در دنیای دات‌نت آشنا می‌شویم.
ارائه دهنده: مهران داودی
زمان: ۳۰ شهریور، ساعت ۲۰:۰۰ (به تایم ایران)
محل: LinkedIn Live
لینک ثبت‌نام رایگان:
https://www.linkedin.com/events/7504866466815582208
آشنایی با Attributeها در سی‌شارپ
در سی شارپ، Attributeها برای اضافه کردن metadata یا اطلاعات اضافی به بخش‌های مختلف برنامه استفاده می‌شوند.
این اطلاعات می‌توانند به عناصری مثل:
▫️کلاس‌ها (Classها)
▫️متدها (Methodها)
▫️ویژگی‌ها (Propertyها)
▫️فیلدها (Fieldها)
▫️اسمبلی‌ها (Assemblyها)
اضافه شوند و توسط Compiler یا با استفاده از Reflection در زمان اجرا خوانده شوند.
در سی‌شارپ Attributeهای مختلفی وجود دارند که هرکدام کاربرد خاصی دارند. برای مثال:
CLSCompliantAttribute
برای مشخص کردن این موضوع استفاده می‌شود که آیا کد با Common Language Specification (CLS) سازگار است یا نه. رعایت CLS باعث می‌شود کد بتواند در زبان‌های مختلف .NET مورد استفاده قرار بگیرد.
[assembly: CLSCompliant(true)]
public class Demo
{
public static void Main()
{
Console.WriteLine("This code is CLS-compliant");
}
}
[Flags]
enum ColorsFlags
{
Red = 1,
Blue = 2,
Green = 4
}
[Obsolete("Use NewMethod instead", true)]
static void OldMethod()
{
}
[AttributeUsage(AttributeTargets.Class | AttributeTargets.Method)]
public class InfoAttribute : Attribute
{
public string Author { get; }
public string Version { get; }
public InfoAttribute(string author, string version)
{
Author = author;
Version = version;
}
}
ایجنت‌ها دارن بزرگ می‌شن، از پرامپت تا لوپ تا گراف
اولش همه‌چیز ساده بود: یه پرامپت می‌دادیم، یه جواب می‌گرفتیم. اما کم‌کم کارها پیچیده‌تر شدن؛ چند مرحله، چند ابزار، چند تصمیم. اینجا بود که Agent Loop وارد شد و به ایجنت‌ها «قدرت ادامه دادن» داد.
اما یک حقیقت مهم وجود دارد: بعضی کارها ساختار خودشان را دارند.
مثلاً بررسی چند فایل مستقل، یا مرحله‌ای که باید جداگانه تأیید شود، یا کاری که قبل از اجرا حتما باید انسان اجازه دهد.
وقتی این کارها را داخل یک لوپ می‌ریزید، ایجنت مجبور می‌شود هر بار حدس بزند «حالا چی؟» در حالی که جواب از قبل معلوم است.
اینجاست که Graph Engineering وارد می‌شود.
گراف یعنی: ساختار کار را بیرون از مدل تعریف کنیم. بگوییم چه مرحله‌هایی وجود دارند، چه چیزی ورودی هر مرحله‌ست، کجا باید متوقف شویم، کجا باید تأیید انسانی داشته باشیم، و کدام شاخه‌ها باید قبل از مرحلهٔ آخر به هم برسند.
گراف ایجنت را باهوش‌تر نمی‌کند. فقط کار را از حدس زدن نجات می‌دهد و اجرای ایجنت را قابل اعتماد، قابل کنترل و قابل پیش‌بینی میکند.
وقتی کار موازی است، وقتی چند شاخه دارد، وقتی verification لازم دارد، وقتی retry محدود دارد، وقتی human approval لازم دارد، لوپ دیگر جواب نمی‌دهد. اینجا باید کار را به گراف ارتقا داد.
🔗 در این مقاله موارد گفته شده به خوبی توضیح داده شده است.
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#نگار_قاسمی (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
_____
نگاهی دقیق به LLMها
اجازه دهید با یک مثال شروع کنیم:
فرض کنید از هوش مصنوعی (AI) سوالی ریاضی پرسیده‌اید که میتواند به دو شکل زیر جواب دهد. به نظر شما کدام حالت بهتر و دقیق‌تر است؟ و چرا؟
❓ سوال کاربر:
Human: "Emily buys 3 apples and 2 oranges. Each orange costs $2. The total cost of all the fruit is $13. What is the cost of apples?"
Assistant: "The answer is $3. This is because 2 oranges at $2 are $4 total. So the 3 apples cost $9, and therefore each apple is 9/3 = $3".
Assistant: "The total cost of the oranges is $4. 13 - 4 = 9, the cost of the 3 apples is $9. 9/3 = 3, so each apple costs $3. The answer is $3".
use code. در این حالت، مدل دیگر به «محاسبات ذهنی» خود (که در بسیاری از مواقع خطا دارد) تکیه نمی‌کند؛ بلکه خود برای این موضوع کدی ساده به زبان پایتون مینویسد، اجرا میکند و نتیجه دقیق را به شما می‌گوید و شما از جواب chat gpt مطمئن هستید و احتمال خطا به صفر می‌رسد.
ما اخیراً سیستم‌های AI خودمون رو به MAF منتقل کردیم و واقعاً فوق‌العاده بوده!
🚀 @CrystaCode is officially open to everyone!
🔗 https://crystacode.ai
مدل Kimi K3 توسط Moonshot AI منتشر شد
این مدل با ۲.۸ تریلیون پارامتر، بزرگترین مدل متن‌باز جهان است.
ساختار فنی:
از معماری MoE استفاده میکند. برای هر توکن تنها ۱۶ اکسپرت از ۸۹۶ اکسپرت فعال می‌شوند. بر پایه Kimi Delta Attention ساخته شده و بازدهی مقیاس‌پذیری آن ۲.۵ برابر K2 است. پنجره زمینه ۱ میلیون توکنی دارد و درک تصویر به صورت بومی در آن ادغام شده است.
عملکرد و مقایسه:
در کدنویسی فرانت‌اند (Arena.ai) رتبه اول را کسب کرده و مدل‌های Claude Fable 5 و GPT-5.6 Sol را پشت سر گذاشته است.
در ارزیابی‌های SWE Marathon و Program Bench بالاترین عملکرد را دارد. در Terminal Bench 2.1 با اختلاف نیم امتیاز پس از GPT-5.6 Sol دوم است.
در رده‌بندی کلی Artificial Analysis در جایگاه سوم قرار دارد.
هزینه API
۳ دلار برای یک میلیون توکن ورودی و ۱۵ دلار برای یک میلیون توکن خروجی. در اجرای تسک‌های برنامه‌نویسی ۶۰ تا ۸۰ درصد ارزان‌تر از مدل‌های رقیب تموم می‌شود.
البته Open Source بودنش به این معنی نیست که می‌توانید روی کامپیوتر ران کنید! برای ران کردنش یک دیتاسنتر غول می‌خواهد. پس پول کم بدهید و اندازه Fable و Sol از این محصول استفاده کنید :)
🔗 توضیحات کامل را می‌توانید اینجا بخوانید.
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#حامد_حاجیلو (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
______
مفهوم Harness در دنیای AI
خیلی اوقات در حالیکه انتظار داریم پرامپتی که نوشته‌ایم کار کند ولی کار نمی‌کند (در برنامه‌نویسی). بیشتر وقت‌ها کاری که می‌کنیم بهبود پرامپت و یا استفاده از مدل بهتر است، ولی باز هم تاثیری ندارد، هر چقدر هم توضیح دهیم که اول چک کن که کاربر لاگین باشد و بعد این کار را انجام بده، باز هم نمی‌شه که نمی‌شه! واقعیت این است که خیلی از کارها پیچیده‌تر از آن هستند که با بهبود پرامپت بتوان ببهبودشان داد.
فکر کنید که GitHub Copilot یا Claude اگه فقط یک پرامپت بود که کل کد را به همراه پرامپت شما اجرا می‌کرد چقدر ناکارآمد بود.
مفهوم جالبی که این سیستم‌ها از آن استفاده می‌کنن تا مفاهیم non-determinstic دنیای AI را به مفاهیم deterministic دنیای واقعی نزدیک کنند مفهومی است به نام Harness.
جالب است بدانید که در GitHub Copilot برای هر مدل یک هارنس اختصاصی نوشته می‌شود و هر وقت یک مدل جدید از راه می‌رسد قبل اینکه آن مدل به VS Code اضافه شود اول هارنس اختصاصی‌ش نوشته می‌شود.
در این ویدئو مفهوم Harness خیلی خوب و قابل فهم توسط Tejas Kumar از IBM توضیح داده شده. اگر برنامه‌نویسی هستید که سیستم‌های مبتنی بر LLM می‌نویسید که کار واقعی انجام می‌دهد (نه صرفا یه چت ساده برای دمو) پیشنهاد می‌کنم حتما این ویدئو را ببینید.
این مفهوم همان مفهومی است که ما در CrystaCode برای ساخت «ادیتور ایجنت» از آن استفاده کردیم تا بتوان روی عملکرد سیستم حساب کرد و طبق سناریوهای skUnit تست‌ها پاس شود.
🔗 ویدئو کامل را می‌توانید اینجا ببینید.
#مهران_داودی (لینکدین - بلاگ)
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
کانال تلگرام:
@SoftwarePhilosophy
______
هوش مصنوعی در دات‌نت بدون پیچیدگی
وقتی تصمیم می‌گیرید یک چت‌بات هوشمند بسازید، اولین سوالات خیلی زود ظاهر می‌شوند:
- داده‌ها از کجا باید بیایند؟
- چطور باید پردازش شوند؟
- اگر چند ایجنت مختلف داشته باشم، چطور باید با هم هماهنگ کار کنند؟
در اکوسیستم دات‌نت مجموعه‌ای از ابزارها و کتابخانه‌های آماده وجود دارد که دقیقاً برای پاسخ‌دادن به همین نیازها طراحی شده‌اند. از ابزارهای پایه برای اتصال به مدل‌های هوش مصنوعی گرفته تا اجزای RAG برای مدیریت داده، فریمورک ایجنت‌ها برای تعریف نقش‌های مختلف، و استانداردهایی مثل MCP و A2A برای اینکه ایجنت‌ها بتوانند با سرویس‌ها و حتی با یکدیگر تعامل داشته باشند.
برای شروع کافی است Microsoft.Extensions.AI را به پروژه اضافه کنید و یک چت‌بات ساده بسازید. خیلی زود متوجه می‌شوید که برای مدیریت بهتر وظایف، Microsoft.Agents.AI را هم نصب کرده‌اید و چند MCP مختلف برای هندل‌کردن فعالیت‌ها اضافه شده‌اند.
ما در crystacode.ai از این امکانات به‌صورت حرفه‌ای استفاده کرده‌ایم، از ساخت چت‌بات‌ها تا طراحی ایجنت‌های تخصصی و اتصال آن‌ها به سرویس‌های مختلف.
در این ویدیو می‌توانید ببینید که این مجموعه ابزارها به شما اجازه می‌دهد بدون پیچیدگی‌های اضافی، از چت و RAG گرفته تا Agentها، MCP و حتی تولید تصویر، اپلیکیشن‌هایی هوشمند، قابل‌گسترش و کارآمد بسازید.
🔗 https://www.youtube.com/watch?v=LB64QnwhLZM
_____
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#نگار_قاسمی (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
______
تغییرات اخیر دات‌نت ۱۱، Runtime, libraries, SDK for the AI Era (بیلد ۲۰۲۴)
در این ویدئو که قسمتی از کنفرانس BUILD 2026 است تغییرات اخیر دات‌نت ۱۱ بررسی می‌شود.
یکی از قسمت‌های جالب این تغییرات، بخش‌هایی هستند که به خاطر LLM ها به وجود آمده است. که در ادامه به چند مورد اشاره می‌کنم.
به عنوان مثال دستوراتی مثل dotnet run و dotnet build در حال حاضر با توجه به اینکه در چه کانتکستی اجرا می‌شوند، می‌توانند لاگ‌های متفاوتی تولید کنند. به طور پیش‌فرض این دستورات لاگ‌هایی تولید می‌کنند که وضعیت درونی را بیشتر توضیح می‌دهند (Live Update)، ولی این نوع لاگ‌ها برای LLM ها هم مفید نیست و هم باعث مصرف توکن بیشتر می‌شود. تکنیک جدید باعث می‌شود وقتی این دستورات توسط ابزارهای LLM استفاده می‌شوند توکن خیلی کمتری مصرف کنند!
مورد جالب دیگر تغییراتی است که توی dotnet build انجام شده که بیلدهای موازی که به خاطر agent ها بیشتر و بیشتر شده، با پرفورمنس بهتری اجرا می‌شوند.
همچنین در این جلسه در مورد Runtime Async صحبت می‌شود که بسیار فیچر مهمی است و نحوه اجرای کدهای async را از سطح کامپایلر به سطح ران‌تایم می‌برد که تغییر خیلی زیرساختی و تاثیرگذاری محسوب می‌شود، هم از لحاظ پرفورمنسی، و هم از لحاظ tooling. با این تغییر دیگر در Call Stack خبری از آن همه اطلاعاتی که به خاطر State Machine به وجود آمده بود نیست و همه چیز خیلی خواناتر شده است.
🔗 ویدئو کامل را می‌توانید اینجا ببینید.
#مهران_داودی (لینکدین - بلاگ)
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
کانال تلگرام:
@SoftwarePhilosophy
______
استفاده از Graphify در پروژه‌ها
اخیرا Repo ای در GitHub ایجاد شده که مورد استقبال سیل عظیمی از برنامه نویسان قرار گرفته است.
کار این ابزار، یعنی Graphify این است که از Code Base شما گرافی تمیز می‌سازد و به خاطر همین، از این به بعد وقتی با Claude یا GitHub Copilot پرامپتی را ران می‌کنید، توکن‌های شما به مراتب کمتر استفاده می‌شود و سرعت و دقت پیدا کردن فایل‌های مرتبط هم بالاتر می‌رود.
🔗 در همین Repo در مورد نحوه استفاده صحبت شده است.
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#حامد_حاجیلو (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
______
رقابت نسل پنجم هوش مصنوعی: GPT-5، Claude، Gemini و Grok
در سال ۲۰۲۵، رقابت بین شرکت‌های پیشرو در حوزه هوش مصنوعی وارد مرحله‌ی تازه‌ای شده. چهار مدل قدرتمند، GPT-5 از OpenAI، Claude Opus 4.1 از Anthropic، Gemini 2.5 Pro از Google DeepMind و Grok 4 از xAI، هرکدام با ویژگی‌های منحصربه‌فرد، در تلاش‌اند تا جایگاه برتر در مسیر توسعه‌ی AGI را تصاحب کنند.
مدل GPT-5 با دقت بالا، توانایی استدلال پیچیده و نرخ خطای بسیار پایین، در آزمون‌های علمی و کدنویسی عملکردی بی‌نظیر داشته است. این مدل در حل مسائل ریاضی، تولید متن‌های دقیق و تعامل چندرسانه‌ای پیشتاز است.
مدل Claude Opus 4.1 تمرکز ویژه‌ای بر ایمنی، شفافیت و اخلاق دارد. در محیط‌های حساس، پاسخ‌های محتاطانه و قابل اعتماد ارائه می‌دهد و در تولید کد نیز بسیار توانمند ظاهر شده است.
مدل Gemini 2.5 Pro با پنجره متنی عظیم و یکپارچگی کامل با محصولات گوگل، برای پردازش اسناد طولانی و ورودی‌های تصویری و صوتی انتخابی عالی و سرعت و دقت آن در محیط‌های کاری چشم‌گیر است.
مدل Grok 4 بیشتر برای تحلیل داده‌های زنده و شبکه‌های اجتماعی طراحی شده. پاسخ‌های سریع، خلاقانه و گاهی غیررسمی‌اش آن را برای کاربران عمومی جذاب کرده.
🔍 مقایسه تخصصی مدل‌های هوش مصنوعی نسل جدید
🎯 ۱. دقت و استدلال منطقی
- مدل GPT-5 در آزمون‌های ریاضی مثل AIME 2025 نمره کامل (100٪) کسب کرده و در استدلال چندمرحله‌ای با استفاده از تکنیک chain-of-thought به دقت 99.6٪ رسیده. این یعنی در حل مسائل پیچیده، تقریباً بی‌رقیب عمل میکند.
- مدل Claude Opus 4.1 در استدلال اخلاقی و تحلیل‌های مفهومی قوی ظاهر شده، اما در آزمون‌های ریاضی و فنی نمره‌ی پایین‌تری نسبت به GPT-5 داشته است (حدود 78٪).
- مدل Gemini 2.5 Pro عملکرد خوبی در تحلیل داده‌ها و استدلال دارد، اما در آزمون‌های تخصصی مثل GPQA یا AIME کمی عقب‌تر از GPT-5 و Grok قرار گرفته است.
- مدل Grok 4 با نمره 93٪ در آزمون AIME و 98٪ در HumanEval برای کدنویسی، نشان داده که در استدلال فنی و برنامه‌نویسی بسیار قدرتمند است.
🧠 ۲. ظرفیت حافظه و پردازش ورودی
- مدل Gemini 2.5 Pro با پنجره متنی ۱ میلیون توکن، رکورددار پردازش اسناد طولانی و دیتاست‌های حجیم است.
- مدل GPT-5 با ظرفیت ۴۰۰ هزار توکن، توانایی پردازش اسناد بزرگ را دارد ولی در مقیاسی پایین‌تر از Gemini.
- مدل Grok 4 ظرفیت ۲۵۶ هزار توکن دارد و برای پروژه‌های متوسط بسیار مناسب و مقرون‌به‌صرفه‌ست.
- مدل Claude Opus 4.1 با ظرفیت ۲۰۰ هزار توکن، بیشتر برای تحلیل‌های متنی و پاسخ‌های دقیق طراحی شده است.
🖼 ۳. توانایی چندرسانه‌ای و تولید محتوا
- مدل GPT-5 در ورودی‌های تصویری و صوتی بسیار قوی عمل میکند، اما هنوز قابلیت تولید ویدیو ندارد.
- مدل Gemini 2.5 Pro در ورودی‌های چندرسانه‌ای (تصویر، صوت، ویدیو) کامل‌ترین تجربه را ارائه می‌دهد.
- مدل Grok 4 تنها مدلی است که خروجی ویدیویی هم تولید میکند و برای تولید محتوای پویا بسیار مناسب است.
- مدل Claude محدود به متن و فایل‌های ساده‌ست و در حوزه چندرسانه‌ای هنوز توسعه‌یافته نیست.
💰 ۴. هزینه و بهره‌وری
- مدل GPT-5 با قیمت حدود $1.25 برای ورودی و $10 برای خروجی به‌ازای هر میلیون توکن، گزینه‌ای اقتصادی برای شرکت‌هاست.
- مدل Claude و Grok هزینه‌ی بالاتری دارند (حدود $3 ورودی و $15 خروجی)، اما در پروژه‌های خاص مثل امنیت یا کدنویسی دقیق، ارزش افزوده دارند.
- مدل Gemini با هزینه‌ی بسیار پایین‌تر (تا ۲۰ برابر کمتر از Claude)، برای استارتاپ‌ها و پروژه‌های مقرون‌به‌صرفه انتخابی عالی است.
🧪 ۵. کاربرد تخصصی
- مدل GPT-5 برای پروژه‌های چندمنظوره، تحقیقاتی، پزشکی و امنیتی عالی است.
- مدل Claude برای محیط‌های حساس، اخلاق‌محور و تحلیل‌های دقیق توصیه می‌شود.
- مدل Gemini مناسب برای پردازش‌های حجیم، ادغام با ابزارهای گوگل و توسعه‌ی سریع است.
- مدل Grok برای تحلیل داده‌های زنده، شبکه‌های اجتماعی و تولید محتوای خلاقانه بسیار کاربردی است.
مطالعه بیشتر
___________
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#نگار_قاسمی (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
________
هوش مصنوعی، آماده‌ی آزمون؟ با skUnit بررسی‌اش کن!
تصور کنید در حال ساختن یک اپلیکیشن هوش مصنوعی هستید که قرار است با کاربرها گفت‌وگو کند، تصمیم بگیرد، و حتی گاهی شوخی کند! همه چیز عالی است... تا وقتی که باید مطمئن شوید مدل واقعاً همان کاری را میکند که انتظار دارید. اینجاست که skUnit مثل یک قهرمان وارد صحنه می‌شود!
🎬 داستان از کجا شروع شد؟
در دنیای دات‌نت، تست‌نویسی همیشه بخشی جدی و خشک بوده. اما وقتی پای هوش مصنوعی وسط می‌آیدد، دیگر نمی‌توانید فقط بگویید "این تابع درست کار کرد یا نه؟" باید بپرسید:
❓ آیا مدل واقعاً فهمید کاربر چه گفت؟
❓ آیا جوابش منطقی بود؟
❓ آیا توانست با ظرافت تابعی خاص را صدا بزند؟
حساسیت جایی بالاتر می‌رود که وقتی تغییری ایجاد می‌کنید و عمرا به سادگی بفهمدی تمام تغییرات قبلی درست کار میکند یا نه!
و اینجاست که skUnit با رویکردی خلاقانه، تست‌ها را به شکل سناریوهای مکالمه‌ای در قالب Markdown تعریف میکند. ساده، خوانا و درست مانند گفت‌وگویی واقعی.
🔍 ویژگی‌هایی که skUnit را خاص می‌کنند
- تست معنایی پاسخ‌ها: بررسی میکند که مدل واقعاً مفهوم را فهمیده است، نه فقط کلمات را.
- تست فراخوانی توابع: مطمئن می‌شود که مدل دقیقاً همان تابعی را صدا زده که باید.
- مکالمات چندمرحله‌ای: می‌توانید سناریویی کامل از گفت‌وگوی کاربر با مدل را تست کنید.
- خروجی‌های قابل فهم: نتایج تست‌ها به شکل واضح و قابل تحلیل نمایش داده می‌شوند.
- پشتیبانی از چندین اجرا: چون مدل‌های زبانی گاهی نوسان دارند، می‌توانید چند بار تست را اجرا کنید و نرخ موفقیت تعیین کنید.
🔗 پیشنهاد می‌کنم سری به گیت‌هاب skUnit بزنین.
___________
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#نگار_قاسمی (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
________
امروز تو این ورکشاپ قراره یه ایجنت هوش‌مصنوعی رو از صفر تا صد با هم درست کنیم.
بدون یک خط کد نویسی!
منتظرتونیم :)
بازنویسی کل GitHub Copilot Runtime با Rust
🔶 حدود ۱۲۰،۰۰۰ دلار هزینه توکن و سه هفته وقت یک برنامه‌نویس، هزینه این مایگرشن بوده است.
🔷 در این بلاگ، Stephen Toub توضیح داده که چطور کدهای GitHub Copilot Runtime (حدود ۸۰۰هزار خط کد) رو به #rust مایگریت کرده‌اند (از #typescript و #nodejs).
▫️ در بخش‌هایی از این بلاگ قشنگ معلومه استفن از دست node.js و محدودیت‌هاش عصبانی بوده!
🔗 این مقاله یکم طولانیه، ولی خیلی تجربه‌های ارزشمندی توش وجود داره که می‌تونه بهتون تو معماری هوش‌مصنوعی پروژه‌های بزرگ کمک کنه.
#مهران_داودی (لینکدین - بلاگ)
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
کانال تلگرام:
@SoftwarePhilosophy
______
کد مدریت شده (Managed Code) در دات‌نت یعنی چی؟
▫️به زبان ساده:
کد مدریت شده (Managed Code) یعنی کدی که اجرای آن توسط یک Runtime مدیریت می‌شود.
در دنیای دات‌نت، این Runtime همان CLR (Common Language Runtime) است.
مثلاً وقتی با سی‌شارپ کد می‌نویسیم، کدم مستقیماً به Machine Code تبدیل نمی‌شود.
مسیر کلی به این شکل است:
C# → Compiler → IL → CLR → JIT → Machine Code → CPU
🔹 زبان میانی (Intermediate Language یا IL) — ای‌ال
بعد از اینکه برنامه سی‌شارپ کامپایل می‌شود، خروجی مستقیماً Machine Code نیست؛ بلکه کدی به نام IL تولید می‌شود.
🔹 محیط اجرای .NET (Common Language Runtime یا CLR)
سی ال ار (CLR) همان Runtime دات‌نت است که اجرای Managed Code را مدیریت میکند و سرویس‌هایی مثل مدیریت حافظه و Type Safety را فراهم میکند.
🔹 کامپایلر در زمان اجرا (Just-In-Time یا JIT)
جیت (JIT) در زمان اجرای برنامه، IL رو به Machine Code تبدیل میکند تا CPU بتواند آن را اجرا کند.
🔹 مدیریت حافظه (Memory Management)
یکی از مزیت‌های مهم Managed Code این است که Runtime میتواند مدیریت حافظه را انجام دهد؛ مثلاً Garbage Collector حافظه‌ای را که دیگر استفاده نمی‌شود، برای آزادسازی مدیریت میکند.
🔵 کد مدیریت‌شده در مقابل کد مدیریت‌نشده
در برنامه‌های Native مثل C و ++C، کد معمولاً مستقیماً به Machine Code تبدیل می‌شود و مسئولیت‌های بیشتری مانند مدیریت حافظه بر عهده برنامه‌نویس است.
اما در دات‌نت مسیر به این شکل است:
C# → IL → CLR → Machine Code
به همین دلیل به کدی که اجرای آن تحت مدیریت CLR انجام می‌شود، Managed Code می‌گوییم.
🔗 جزئیات بیشتر را در این لینک بخوانید.
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
#کامیار_شکیب (لینکدین)
کانال تلگرام:
@SoftwarePhilosophy
______
اگر در دات نت Agent، MCP Server یا ابزارهای مبتنی بر هوش مصنوعی توسعه میدهی، این پروژه میتواند تست نویسی را ساده تر کند.
ریپو skUnit یک فریمورک برای تست برنامه های مبتنی بر AI در .NET است که به جای کدنویسی پیچیده، تست ها را با Markdown مینویسد و از xUnit، NUnit و MSTest پشتیبانی میکند. همچنین میتواند Agentها، IChatClient، MCP Serverها و سایر یکپارچه سازی های AI را تست کند.
https://github.com/mehrandvd/skunit
@RepoFA
کنترل جریان (Flow Control) در سی‌شارپ
کنترل جریان در سی‌شارپ به مجموعه‌ای از دستورات گفته می‌شود که ترتیب اجرای کد را در یک برنامه کنترل می‌کنند.
به صورت پیش‌فرض، برنامه‌ها دستورات را از بالا به پایین و به ترتیب اجرا می‌کنند، اما در برنامه‌های واقعی همیشه نیاز داریم که بر اساس شرایط مختلف تصمیم بگیریم، بخشی از کد را چندین بار اجرا کنیم یا اجرای قسمتی از برنامه را تغییر دهیم.
در سی‌شارپ، Flow Control به ما اجازه می‌دهد مسیر اجرای برنامه را مدیریت کنیم.
انواع اصلی Flow Control در C# شامل موارد زیر هستند:
۱. دستورات شرطی (Conditional Statements)
برای تصمیم‌گیری در برنامه و اجرای بخش‌های مختلف کد بر اساس شرایط استفاده می‌شوند.
انواع دستورات شرطی در سی‌شارپ:
if
if-else
else if
switch
عملگر شرطی (Conditional Operator ?:)
مثال:
int number = 10;
if (number == 10)
{
Console.WriteLine("Number is 10");
}
else
{
Console.WriteLine("Number is not 10");
}
for (int i = 0; i < 5; i++)
{
Console.WriteLine(i);
}
for (int i = 0; i < 10; i++)
{
if (i == 5)
break;
Console.Write(i + " ");
}
دستورها (Statementها) در زبان شی‌شارپ
یکی از مفاهیم پایه‌ای این زبان یعنی دستورها (Statement ها) است.
دستورها مشخص می‌کنند که برنامه چه کاری را انجام دهد. در واقع منطق و جریان اجرای برنامه‌های سی شارپ با استفاده از همین دستورها ساخته می‌شود.
چند نوع مهم از دستورها در سی‌شارپ:
تعریف متغیر (Declaration Statement)
برای ایجاد متغیر و مشخص کردن نوع آن استفاده می‌شود:
int age = 25;
string name = "Kamyar";
int number = 10;
number++;
Console.WriteLine(number);
if (age >= 18)
{
Console.WriteLine("Adult");
}
for (int i = 0; i < 5; i++)
{
Console.WriteLine(i);
}
break;
continue;
try
{
// code
}
catch
{
// handle error
}
دی‌کانستراکشن تاپل (Tuple Deconstruction) در سی‌شارپ
#csharp_for_beginners
قابلیت دی‌کانستراکشن تاپل (Tuple Deconstruction) از نسخه سی‌شارپ ۷.۰ به زبان سی‌شارپ اضافه شد. این قابلیت به شما اجازه می‌دهد اعضای یک Tuple را به‌طور هم‌زمان در چند متغیر مستقل قرار دهید. به این ترتیب دیگر نیازی نیست برای دسترسی به هر عضو از Item1، Item2 یا نام اعضای Tuple استفاده کنید و می‌توانید تمام مقادیر را تنها با یک دستور استخراج کنید.
به عنوان مثال، فرض کنید متد یک Tuple شامل اطلاعات یک حیوان خانگی را برمی‌گرداند:
(string Type, string Name, int Height, int Age, string Color) GetPet()
{
return ("Dog", "Max", 60, 4, "Brown");
}
(string type, string name, int height, int age, string color) = GetPet();
(string type, string name, int height, int age, string color) = GetPet();
(string type, _, int height, _, string color) = GetPet();
(var type, var name, var height, var age, var color) = GetPet();
آشنایی با Union Types در سی‌شارپ ۱۵
#csharp_for_beginners
یکی از قابلیت‌های جذابی که قرار است به سی‌شارپ ۱۵ اضافه شود، Union Types است. این ویژگی سال‌هاست در زبان‌هایی مانند TypeScript وجود دارد و به توسعه‌دهندگان اجازه می‌دهد نوعی تعریف کنند که بتواند یکی از چند نوع مشخص را در خود نگه دارد.
فرض کنید می‌خواهیم مجموعه‌ای از حیوانات خانگی را نگهداری کنیم:
List<object> pets =
[
new Dog("Fido"),
new Cat("tabby"),
new Bird { Species = "crow" }
];
pets.Add(new Shark(300));
var description = pet switch
{
Dog dog => dog.Name,
Cat(var adjective) => $"A {adjective} cat",
Bird { Species: var species } => $"A {species}"
};
union Pet(Dog, Cat, Bird);
List<Pet> pets =
[
new Dog("Fido"),
new Cat("tabby"),
new Bird { Species = "crow" }
];
var description = pet switch
{
Dog dog => dog.Name,
Cat(var adjective) => $"A {adjective} cat",
Bird { Species: var species } => $"A {species}"
};
union Pet(Dog, Cat, Bird)
{
public string Description => this switch
{
Dog dog => dog.Name,
Cat(var adjective) => $"A {adjective} cat",
Bird { Species: var species } => $"A {species}"
};
}
[Union]
struct Result<T>
{
}
پیاده‌سازی Linked List در سی‌شارپ
#csharp_for_beginners
در این مقاله، ساختار دادهٔ LinkedList در زبان سی‌شارپ معرفی شده است. این ساختار یک لیست پیوندی دوطرفه (Doubly Linked List) است که امکان درج و حذف سریع عناصر را در هر نقطه از لیست فراهم میکند. برخلاف آرایه‌ها، عناصر در حافظه به‌صورت پشت‌سرهم ذخیره نمی‌شوند و هر عنصر در قالب یک گره (Node) نگهداری می‌شود.
ساختار LinkedList
هر گره در LinkedList<T> شامل سه بخش است:
مقدار داده (Value)
اشاره‌گر به گره قبلی (Previous)
اشاره‌گر به گره بعدی (Next)
به همین دلیل می‌توان در هر دو جهت لیست حرکت کرد.
ایجاد یک LinkedList
برای استفاده از این ساختار ابتدا باید فضای نام زیر را اضافه کنیم:
using System.Collections.Generic;
LinkedList<int> list = new LinkedList<int>();
LinkedList<int> list = new LinkedList<int>();
list.AddFirst(20);
list.AddLast(30);
list.AddLast(40);
foreach (int item in list)
{
Console.WriteLine(item);
}
Remove(T value)RemoveFirst()RemoveLast()Remove(LinkedListNode<T>)
حذف تمام عناصر لیست: Clear()Contains() بررسی میکند که آیا یک مقدار در لیست وجود دارد یا خیر:
LinkedList<int> list = new LinkedList<int>();
list.AddLast(10);
list.AddLast(20);
list.AddLast(30);
Console.WriteLine(list.Contains(20));
Console.WriteLine(list.Contains(100));
کلاس Static در سی‌شارپ
#csharp_for_beginners
در زبان سی‌شارپ، کلاس Static کلاسی است که با کلیدواژه static تعریف می‌شود. این نوع کلاس فقط میتواند شامل اعضای استاتیک (مانند فیلدها، متدها، ویژگی‌ها و رویدادها) باشد و امکان ساختن شیء (Object) از آن وجود ندارد. اعضای آن مستقیماً از طریق نام کلاس فراخوانی می‌شوند.
تعریف کلاس Static:
static class Utility
{
public static void PrintMessage(string msg)
{
Console.WriteLine(msg);
}
}
Utility.PrintMessage("Hello World");
static class Config
{
public static string AppName { get; set; } = "MyApp";
public static int Version { get; set; } = 1;
}
Console.WriteLine(Config.AppName);
Console.WriteLine(Config.Version);
لینک (LINQ) در سی‌شارپ
#csharp_for_beginners
لینک (LINQ) یا Language Integrated Query قابلیتی در زبان سی‌شارپ است که امکان جستجو، فیلتر و پردازش داده‌ها را مستقیماً داخل خود زبان فراهم میکند.
در گذشته برای کار با منابع داده مختلف مثل SQL، XML یا سرویس‌های وب باید از زبان‌های جداگانه استفاده می‌شد، اما LINQ این مشکل را حل میکند و همهٔ عملیات کوئری‌نویسی را به شکلی یکپارچه داخل #C ارائه می‌دهد.
ویژگی‌های اصلی LINQ
▫️امکان نوشتن Query به صورت خوانا و کوتاه
▫️ پشتیبانی از Type Checking در زمان کامپایل
▫️استفاده یکسان برای انواع منابع داده
نمونه‌ای از LINQ :
int[] scores = [97, 92, 81, 60];
IEnumerable<int> scoreQuery =
from score in scores
where score > 80
select score;
foreach (var i in scoreQuery)
{
Console.Write(i + " ");
}
آشنایی با Dictionary در سی‌شارپ
#csharp_for_beginners
در زبان برنامه‌نویسی سی‌شارپ، ساختار داده‌ی دیکشنری (Dictionary) برای ذخیره‌سازی اطلاعات به صورت «کلید و مقدار» استفاده می‌شود. هر کلید (Key) باید یکتا باشد و به یک مقدار (Value) اشاره کند. این ساختار در فضای نام System.Collections.Generic قرار دارد و به دلیل سرعت بالای جستجو، یکی از پرکاربردترین کالکشن‌ها در سی‌شارپ محسوب می‌شود.
مثال برای ساخت:
csharp
Dictionary<int, string> students = new Dictionary<int, string>();
students.Add(1, "Ali");
students.Add(2, "Sara");
students.Add(3, "Reza");
foreach (var item in students)
{
Console.WriteLine($"Key: {item.Key}, Value: {item.Value}");
}
students.Remove(1);
students.Clear();
آینده هوش مصنوعی و مهندسی کامپیوتر
هوش مصنوعی مهندسی را نابود نمی‌کند، اما در سکوت در حال از بین بردن چیزی بسیار مهم‌تر است: مسیر رشد نیروهای جونیور!
اخیرا که ویدئوی کنفرانس BUILD و صحبت‌های اسکات هنسلمن و مارک روسینوویچ را دیدم یکی از مهم‌ترین واقعیت‌ها درباره‌ی هوش مصنوعی در مهندسی را مطرح کردند؛ حقیقتی که باید بلندتر گفته شود، واقعیتی که بیشتر شرکت‌ها الان دیگر فهمیده‌اند:
هوش مصنوعی بهترین نتایجش را زمانی ارائه می‌دهد که مهندسان ارشد با آن کار می‌کنند.
اما در عین حال، هوش مصنوعی تقریبا تمام وظایف سطح جونیور را جایگزین کرده است: ایجاد ساختار اولیه، دیباگ، نوشتن کدهای تکراری (boilerplate)، تست کردن و غیره.
در نتیجه امروز بسیاری از تیم‌ها عملاً استخدام جونیورها را متوقف کرده‌اند. و این همان خطر واقعی است.
🔥 اگر امروز جونیورها حذف شوند، فردا سنیوری وجود نخواهد داشت.
بدون جونیور ⬅️ بدون نیروهای میانی ⬅️ بدون سنیور ⬅️ بدون آرشیتکت ⬅️ و در نهایت کسی نمی‌ماند که بتواند هوش مصنوعی را به درستی هدایت کند.
ما هم این موضوع را از نزدیک دیده‌ایم. به همین دلیل در CrystaCode به‌طور جدی روز برنامه‌ی #cs_internship سرمایه‌گذاری می‌کنیم تا جریان پایداری از استعدادهای جونیور حفظ شود و مسیر واقعی رشد آن‌ها به نسل بعدی مهندسان ارشد فراهم گردد.
چون آینده‌ی مهندسی به کسانی بستگی دارد که هنوز سنیور نشده‌اند.
🔗 صحبت‌های اسکات هنسلمن و مارک روسینوویچ را در یوتیوب ببینید.
#مهران_داودی (لینکدین - بلاگ)
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنت‌ها به اشتراک بگذارید.
کانال تلگرام:
@SoftwarePhilosophy
______
مفهوم Generics در سی‌شارپ
#csharp_for_beginners
در برنامه‌نویسی، معمولاً کلاس‌ها و متدها برای نوع خاصی از داده طراحی می‌شوند. برای مثال ممکن است یک کلاس فقط برای اعداد صحیح یا فقط برای رشته‌ها نوشته شود. این موضوع باعث افزایش حجم کد و کاهش انعطاف‌پذیری برنامه می‌شود. Generics این مشکل را حل میکند و امکان تعریف کلاس‌ها و متدهای عمومی را فراهم می‌سازد.
در جنریک‌ها از پارامتر نوع (Type Parameter) استفاده می‌شود که معمولاً با حرف T نمایش داده می‌شود. این پارامتر هنگام ساخت شیء، با نوع واقعی داده جایگزین خواهد شد.
ساختار کلاس Generic
ساختار کلی یک کلاس جنریک به شکل زیر است:
class ClassName<T>
{
T data;
public ClassName(T value)
{
data = value;
}
public void Display()
{
Console.WriteLine(data);
}
}
class Pair<T1, T2>
{
public T1 First;
public T2 Second;
public Pair(T1 first, T2 second)
{
First = first;
Second = second;
}
}
Pair<int, string> pair = new Pair<int, string>(1, "One");
گزارش از دیتابیس لازم داری؟ فقط حرف بزن!
تصور کنید وارد یک پنل مدیریتی می‌شوید، فقط یک جمله ساده تایپ می‌کنید:
«نمایش مشتریانی که بیش از ۵ خرید داشته‌اند»
و بدون اینکه حتی یک خط SQL بنویسید، جدول دقیق با تمام اطلاعات جلو روی شما ظاهر می‌شود.
نه نیاز به دانش دیتابیس دارید، نه وقت گذاشتن برای نوشتن کوئری‌های پیچیده.
این آینده نیست. این حال حاضر توسعه نرم‌افزار با هوش مصنوعی‌ست.
با ظهور مدل‌های زبانی قدرتمند مثل GPT-4، تعامل با داده‌ها وارد مرحله‌ای جدید شده است. حال می‌توانیم با زبان طبیعی، مثل حرف زدن با یک همکار، از دیتابیس اطلاعات بگیریم.
مرحله اول: دریافت ساختار دیتابیس
برای اینکه GPT-4 بتواند کوئری دقیق تولید کند، ابتدا باید ساختار جدول‌ها و ستون‌ها را بشناسد. با استفاده از EF Core، می‌توان لیستی از جدول‌ها و فیلدها را استخراج کرد و به مدل ارسال کرد.
public async Task<string> GetAllTableSchemas()
{
// دریافت اطلاعات جدول‌ها از دیتابیس
}
public async Task<string> GenerateSQLQuery(string userPrompt)
{
var prompt = $"Given the following database schema: {schema}, write a SELECT SQL query for: {userPrompt}";
var response = await openAiClient.GetCompletionAsync(prompt);
return response.Text;
}
public async Task<DataTable> ExecuteQuery(string sql)
{
using var connection = new NpgsqlConnection(connectionString);
var command = new NpgsqlCommand(sql, connection);
var reader = await command.ExecuteReaderAsync();
// تبدیل نتیجه به DataTable
}