متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
DevTwitter | توییت برنامه نویسی
الذهاب إلى القناة على Telegram
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
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام DevTwitter | توییت برنامه نویسی
تُعد قناة DevTwitter | توییت برنامه نویسی (@devtwitter) في القطاع اللغوي Farsi لاعباً نشطاً. يضم المجتمع حالياً 29 377 مشتركاً، محتلاً المرتبة 4 619 في فئة التكنولوجيات والتطبيقات والمرتبة 11 566 في منطقة إيران.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 29 377 مشتركاً.
بحسب آخر البيانات بتاريخ 26 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 1 073، وفي آخر 24 ساعة بمقدار 44، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 22.67%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 16.53% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 6 652 مشاهدة. وخلال اليوم الأول يجمع عادةً 4 851 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 55.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل پرو, #کوته_نیوز, ارتباط, ابزار, چیز.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“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”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 27 يونيو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
29 377
المشتركون
+4424 ساعات
+2857 أيام
+1 07330 أيام
أرشيف المشاركات
داشتم تو پروژه های #گنوم میچرخیدم، یهو چشمم افتاد به یه پروژه بامزه بعد دیدم اسم سازنده اش ایرانیه، بعد رفتم تو گیت هابش دیدم بیست ساله اش و واقعا لذت بردم. آفرین بهت علیرضا.
اینم پیج گیت هابش:
https://github.com/Revisto
@DevTwitter | <Ehsan Abbasi/>
نام ریپوزیتوری: AI-Dev-Gallery
کاربرد: گالری توسعهدهندگان هوش مصنوعی برای ایجاد و ادغام قابلیتهای هوش مصنوعی در برنامهها و پروژههای ویندوزی. شامل بیش از ۲۵ نمونه تعاملی و امکان بارگذاری و اجرای مدلها از Hugging Face و GitHub است.
لینک:
https://github.com/microsoft/AI-Dev-Gallery
@DevTwitter | <Alireza Ghaffari/>
از یه GitHub Repo به سرعت یک Wiki درست کنید!
این یکی از بهترین کشفهای این چند وقتهی من بود!
@DevTwitter | <Von Datawarehausen/>
بحث اخیرمون با همکارم این بود که چطوری MCP رو امن کنیم و چطوری auth از طرف کلاینت انجام بدیم..
مخصوصا اینکه Agent قراره مثلا به Instagram از طرف شما وصل بشه و کار کنه.
بعد همین الان دیدم، مایکروسافت یه بلاگ + کد کامل پایتون درباره ش منتشر کرده!
لینکش:
https://techcommunity.microsoft.com/blog/azuredevcommunityblog/enhancing-ai-integrations-with-mcp-and-azure-api-management/4407114
@DevTwitter | <Sam92/>
یک پروژه جدید شروع کردم با جنگو Auth-System
اگر جنگو دولوپرید یا دارید یاد میگیرد میتونید نگاهی به ریپو بندازید و برای گسترشش کمک کنید
https://github.com/MisaghMomeniB/Django-Auth-System
@DevTwitter | <Misagh Momeni Bashusqeh/>
خبر داغ از کمپانی Alibaba. و بازم ترکوند!
مدلهای زبانی جدیدشون یعنی Qwen3 رو معرفی کردند!
- مدل پرچمدار: Qwen3-235B-A22B: عملکرد عالی توی برنامهنویسی، ریاضی و قابلیتهای عمومی — در حد و اندازه DeepSeek-R1، o1، Grok-3، Gemini-2.5-Pro و مدلهای دیگهی سطح بالا.
- مدلهای MoE: مدل Qwen3-30B-A3B حتی از QwQ-32B بهتره، با اینکه ۱۰ برابر پارامتر فعال کمتری داره!
مدل کوچیکتر Qwen3-4B هم پابهپای Qwen2.5-72B-Instruct میاد جلو!
- مدلهایی که اپنسورس شدن:
- ۲ مدل MoE: یکی با ۲۳۵ میلیارد پارامتر، یکی با ۳۰ میلیارد
- ۶ مدل dense از ۳۲B تا ۰.۶B پارامتر
- همگی تحت لایسنس Apache 2.0 منتشر شدن!
بلاگشون را بخوانید که کلی مطلب توش هست به همراه لینک به تمام مدلها!!!
Blog: https://qwenlm.github.io/blog/qwen3/
@DevTwitter | <Mehdi Allahyari/>
یه نکته خفن جنگویی
برای جستجوی تماممتن (Full-Text Search) نیازی به Elasticsearch ندارین!
خیلی راحت میتونید با قابلیت سرچ روی PostgreSQL جستجوی پیشرفته بسازید، با رتبهبندی نتایج و حتی ساپورت غلطهای املایی!
مثال سادهش توی تصویر
چرا این روش خوبه؟
چون مستقیماً روی دیتابیس کار میکنه، سریع و سبکه.
لازم به ذکره برای پروژه های کوچیک تا متوسط گزینه بسیار مناسبیه.
@DevTwitter | <Amir Mohammad Yaghoubi/>
چند روزیه دارم ابزارها مختلف AI رو برای پیادهسازی یک پروژه ساده بررسی میکنم و تا حالا سه ابزار زیر به ترتیب با اختلاف خیلی خوب بودن:
http://bolt.new
http://v0.dev
Gemini professional 2.5
پروژه ویرایشگر مارکداون: https://alirho.github.io/parsiNegar
@DevTwitter | <Alireza/>
Repost from N/a
لینک گروه آیلتس تستینو رو براتون میذارم، اگه قصد دارین برای آیلتس آماده بشین، دنبال منابع درست، تجربههای واقعی و جواب سوالاتتون هستین، حتماً عضو بشید:
https://t.me/+7qjMRjd6_EszMzc0
یه جمع فعال و مفید برای همه داوطلبای آیلتس.
این وبسایت پره از پروژههای واقعی با لاراول. دفعه بعد که یکی گفت «کی دیگه لاراول استفاده میکنه؟»، فقط لینک رو بندازین تو صورتش و لبخند بزنین!
https://builtwithlaravel.com/
@DevTwitter | <Milwad Khosravi/>
تجربهام در مدیریت ۶۰ میلیون ردیف داده روی Excel: از محدودیتهای Laravel تا بازگشت به قدرت Python
در یکی از پروژههای اخیر، با سیلی از اطلاعات — ۶۰ میلیون ردیف داده در قالب 70 فایل Excel — روبرو شدم.
در ابتدا، بهصورت بومی در Laravel تلاش کردم با استفاده از Seeder، Chunking و صفها (Queues) عملیات واردسازی را انجام دهم. اما:
مصرف شدید حافظه باعث کرش مداوم سیستم میشد.
زمان اجرای طولانی حتی برای بخشهای کوچک، سایر فرایندهای سیستم را مختل میکرد.
با وجود پیادهسازی بهینهسازیهای معمول (مثل تنظیم batch size مناسب، استفاده از حافظه اشتراکی و مانیتورینگ صفها)، همچنان گلوگاههای جدی وجود داشت.
در نهایت تصمیم گرفتم ابزار را عوض کنم: انتقال به Python و pandas.
خواندن هر فایل Excel بهصورت Streaming با read_excel و تعیین انواع ستونها از قبل
پردازش دادهها روی DataFrameها با استفاده از توابع برداری (Vectorized Operations)
ذخیرهسازی نهایی دادهها در فرمتهای بهینه (مثل Parquet) قبل از واردسازی به پایگاه داده
نتیجه؟
کاهش ۸۰٪ زمان پردازش
پایداری کامل بدون نیاز به افزایش رم سرور
قابلیت مقیاسپذیری با توزیع کار روی چندین ماشین یا سرویس ابری
درسهای آموخته شده
پایبندی مطلق به یک فریمورک، همیشه بهترین مسیر نیست.
در مواجهه با حجمهای بزرگ داده، گاهی استفاده از زبان یا ابزار تخصصیتر (مثل Python/pandas) راهگشاتر است.
ارزش تسلط بر چند اکوسیستم و انعطاف در انتخاب فناوری، کمتر از تسلط صرف بر یک چارچوب نیست.
@DevTwitter | <erfan katoziyan/>
Repost from هشتگ تبلیغ تخصصی
🟢 یادگیری جاوا از صفر تا معماری میکروسرویس! ☕️
⏺ آموزش جاوا از مقدماتی تا پیشرفته
⏺ از Spring Boot تا Spring Security و معماری میکروسرویسها
⏺ کاملاً پروژهمحور و کاربردی
👈 همه چیز برای برنامهنویس شدن با جاوا در یک کانال!
📌عضو شو و یادگیری رو شروع کن 👇
➡️ t.me/+3-7PEvqY339hMzlk
👆👆👆👆
اعتبارسنجی شماره موبایل ایران، مثل حرفهایها!
کوتاه، دقیق، کاربردی
برای اعتبارسنجی شماره موبایل ایرانی، بستگی به نیازت یکی از این ۳ حالت زیر رو میخوای:
1- فقط شماره داخلی بگیری
2- فقط فرمت بینالمللی رو بپذیری
3- یا هر دو رو ساپورت کنی
@DevTwitter | <Mohsen Karimvand/>
برای ساخت یک پروژه خوب . باید ساختار خوبی هم داشته باشی
معمولا در زمان اضافه کردن کتابخانه ها به پروژه هیچ اطلاعاتی از اونها درج نمیشه
این باعث میشه خوانایی بیاد پایین . کار تیمی بعضی وقت ها به مشکل بخوره و ...
شما زمان اضافه کردن کتابخانه میتونید یک توضیح مختصری از اون کنارش بنویسید
این کار باعث میشه .
تا شما هربار که میخواید یک کتابخونه اضافه کنید یا جایگزین کنید سری به فایل های کتابخونتون بزنید تو نگاه اول متوجه بشید . و
اگر تیمی کار میکنید . بقیه اجزای تیم متوجه بشن که این کتابخانه برای چه کاری اضافه شده.
@DevTwitter | <M.Mahdi Oskooii/>
چرا سرعت جنگو بینظیر است؟
وقتی صحبت از توسعهی سریع و مقیاسپذیر وباپلیکیشنها به میان میآید، جنگو (Django) یکی از بهترین انتخابهاست. این فریمورک پایتون به لطف ساختار «همه چیز آماده» (Batteries Included)، به توسعهدهندگان اجازه میدهد در کوتاهترین زمان ممکن پروژههای پیچیده را پیادهسازی کنند.
برخی از دلایل سرعت بالای توسعه با جنگو:
- قابلیتهای داخلی قوی: مدیریت کاربران، احراز هویت، پنل ادمین، ارسال ایمیل و بسیاری امکانات دیگر بدون نیاز به ابزار جانبی.
- ساختار پروژه منظم: کمک میکند تیمهای توسعه سریعتر و بدون سردرگمی کار کنند.
- امنیت داخلی: مقابله با تهدیداتی مانند SQL Injection، CSRF و XSS به صورت پیشفرض.
جنگو برای پروژههایی که نیاز به رشد سریع دارند، یک انتخاب هوشمندانه است!
@DevTwitter | <Amin Hosseini/>
تو این ریپو یه سری الگوریتم معروف با پایتون پیادهسازی شده.
هدف آموزشی بوده، پس ممکنه مثل نسخههای استاندارد پایتون بهینه نباشن. با دقت استفاده کنین.
https://github.com/TheAlgorithms/Python
@DevTwitter | <Reza Jafari/>
گوگل یک مدل آزمایشی هوش مصنوعی بنام Sec-Gemini v1 را معرفی کرد که برای بهبود عملیاتهای امنیت سایبری طراحی شده است.
در بیشتر تحلیل ها فقط به قابلیت Threat Intelligent اشاره شده ولی این مدل کارایی فراتر دارد.
به نظرم فشار مضاعفی که روی تیم های دفاعی دارد را بسیار کم می کند.
بر اساس مستندات منتشر شده کاربردهایی که می توان در نظر گرفت:
ارزیابی هوشمند در چرخه CI/CD
با هر بار ارسال کد توسط توسعهدهندگان، Sec-Gemini آسیبپذیریها را در لحظه تحلیل کرده، دلایل اصلی را به زبان ساده توضیح میدهد و آنها را به تهدیدات واقعی جهان ارتباط میدهد.
هوشمندی در انجام وصلهها
همهی آسیبپذیریها اهمیت یکسانی ندارند. Sec-Gemini مشخص میکند کدام CVEها واقعاً در حملات فعال استفاده میشوند و بر این اساس، اولویتبندی برای وصله کردن را با توجه به ریسک واقعی انجام میدهد و نه صرفاً بر اساس امتیاز CVSS.
ارتباط تهدیدات در زمان اجرا
قابلیت رصد فعالیتهای مشکوک
میتوان رفتارهای مشکوک را با TTPs تطبیق داده و تهدیدات را سریعتر شناسایی کرد و قطعا اقدامات مقابلهای را پیشنهاد داد که کارآمد تر هستند.
البته کلی استفاده دیگه هم می تواند داشته باشد.
این مدل هنوز آزمایشی است و فقط با درخواست به گوگل قابل دسترسی است.
https://security.googleblog.com/2025/04/google-launches-sec-gemini-v1-new.html
@DevTwitter | <Vahid Nameni/>
کمپانی متا یک ریپو برای فهمیدن تصویر و ویدیوداده بیرون. دو سری داره:
۱- مدلهای Perception Encoder (PE) برای encode عکس و ویدیو.
این خانواده سه نسخه تخصصی داره:
- مدل PE core: مدلی به سبک CLIP برای طبقهبندی و بازیابی تصویر/ویدیو بصورت zero shot
-مدل PE lang: هماهنگسازی vision encoders با مدلهای زبانی بزرگ برای عملکرد قوی در وظایف چندرسانهای
- مدل PE spatial: مناسب برای وظایف پیشبینی متراکم مانند تشخیص، تخمین عمق و ردیابی.
این مدلها از مدلهای پیشرفتهای مانند SigLIP2، InternVideo2، QwenVL2.5 و DINOv2 پیشی گرفتهاند
۲- مدلهای Perception Language Model (PLM). یک مدل زبانی چندرسانهای برای درک دقیقتر تصاویر و ویدیوها:
- ترکیب یک vision encoder با یک دیکودر مدل زبانی با کمتر از ۸میلیارد پارامتر
- آموزش دیده بر روی ۲.۸میلیون جفت پرسشپاسخ ویدیو و کپشنهای مرتبط با فضا و زمان
- معرفی PLM-VideoBench برای ارزیابی درک ویدیو در ابعاد "چی، کجا، کی و چگونه"
این مدلهای جدید برای پیاده سازی انواع اپ که با تصویر/ویدیو هست کاربرد داره.
github.com/facebookresearch/perception_models
@DevTwitter | <Mehdi Allahyari/>
