DevTwitter | توییت برنامه نویسی

👩‍💻 دوره جدید کوئرا کالج منتشر شد: «آموزش عملی کوبرنتیز» ⏳ فقط تا ۲۴ ساعت آینده، می‌تونی این دوره رو با ۵۰٪ تخفیف تهیه کنی! 🚀 وقتی یک پروژه بزرگ‌تر می‌شه، دیگه فقط نوشتن کد کافی نیست؛ باید بدونی چطور سرویس‌ها رو Deploy، مدیریت و مقیاس‌پذیر کنی. توی این دوره یاد می‌گیری چطور با Kubernetes کار کنی و اپلیکیشن‌ها رو مثل یک سیستم واقعی در محیط Production اجرا کنی. 💳 امکان پرداخت در ۴ قسط 🎁 دوره رو با تخفیف ثبت‌نام کن و هر زمان خواستی شروعش کن: 🔗https://quera.org/r/0mdn1

مدل مرموز جدید Union Alpha به صورت رایگان در OpenRouter منتشر شد مدل هوش مصنوعی جدید و ناشناسی با کد نیم Ox Alpha به‌صورت آزمایشی و البته رایگان روی پلتفرم‌ OpenRouter در دسترس قرار گرفته است. این مدل مجهز به پنجره زمینه (Context Window) ۲۵۶ هزار توکنی و قابلیت پردازش تصویر است. این مدل از امروز به مدت زمان نامعلومی به صورت کاملا رایگان از طریق OpenRouter قابل استفاده است. @DevTwitter | <MohammadMSFT/>

مخزن Claude-Red مجموعه‌ای از مهارت‌های Offensive Securityبرای سیستم Skillsدر Claude است که البته می توان در بقیه AIها نیز استفاده کرد. هر مهارت یک فایل ساخت‌یافته SKILL.md است که به AI روش‌شناسی تخصصی، برای یک سطح حمله مشخص می‌دهد. از تزریق SQL و XSS گرفته تا فرار از EDR، اکسپلویت نویسی و حتی Kubernetes. https://github.com/SnailSploit/Claude-Red @DevTwitter | <VAHID NAMENI/>

از چت بات های رایگان فقط برای پاسخ عادی نباید استفاده کرد و میشه ازشون جور دیگه‌ای هم استفاده کرد مثلا میتونی وصل شون کنی به سیستمت تا برات کد بزنن یکی از راه‌های این اتصال، استفاده از MCP سروره دانا یه پل ارتباطی بین هوش مصنوعی و سیستم شماست. به کمکش، ChatGPT می‌تونه با اجازه شما به ابزارها و منابعی مثل فایل‌ها، پروژه‌ها و سیستم‌عامل دسترسی داشته باشه و کارهای واقعی انجام بده؛ مثلاً فایل بسازه، پروژه رو بررسی کنه یا دستورات مشخصی رو اجرا کنه. خلاصه که تبدیل چت‌بات‌های رایگان مثل جی‌پی‌تی و گروک به ایجنت حتی با این ابزار مصرف توکن کلاود هم بهینه میشه https://github.com/seyed-ali-002/Dana-MCP-Server/ @DevTwitter | <Seyed Ali/>

جداکننده صدای خواننده — مستقیم داخل کروم، بدون آپلود اگر تولید محتوا می‌کنی، ریمیکس می‌سازی یا فقط می‌خواهی نسخه بی‌کلام یک آهنگ را داشته باشی ابزار Vocal Splitter Local آهنگ را روی سیستم خودت با هوش مصنوعی HTDemucs پردازش می‌کند و دو فایل تحویل می‌دهد وکال جدا + موزیک بی‌کلام (WAV) بدون API پولی و اشتراک بدون ارسال فایل به سرور (حریم خصوصی کامل) راهنمای نصب فارسی قدم‌به‌قدم داخل ریپو نصب: دانلود زیپ از Releases، بعد chrome://extensions و Load unpacked لینک: https://github.com/Sajadapp/Vocal-Splitter-Local @DevTwitter | <CaptainMoz/>

من یک NestJS 12 Production-ready REST API Starter آماده کردم که هدفش اینه بخش زیادی از تنظیمات تکراری شروع پروژه‌های بک‌اند از قبل آماده باشه و توسعه‌دهنده مستقیم بره سراغ منطق اصلی پروژه. داخلش مواردی مثل PostgreSQL 18 + TypeORM، JWT Auth با Refresh Token Rotation، Role-based Authorization، Validation، Swagger/OpenAPI، Migration، Docker، Vitest، Rate Limiting، Health Check، CI با GitHub Actions و تنظیمات امنیتی از قبل پیاده‌سازی و تست شده. پروژه Open Source و با لایسنس MIT منتشر شده و نسخه v1.0.0 هم Release شده. GitHub: https://github.com/AtaDevPro/nestjs-api-starter @DevTwitter | <AtaDev/>

یک پروژه متن‌باز سلف‌بات تلگرام است که با اتصال به اکانت شخصی، امکان اجرای خودکار وظایف و شخصی‌سازی امکانات تلگرام را فراهم می‌کند. مناسب برای توسعه‌دهندگان علاقه‌مند به اتوماسیون و ساخت ابزارهای شخصی در تلگرام. توجه: استفاده از سلف‌بات‌ها روی اکانت اصلی می‌تواند با قوانین تلگرام در تضاد باشد و در صورت استفاده نادرست، ریسک محدود شدن حساب وجود دارد. https://github.com/Talkhestani/tg-selfbot/ @DevTwitter | <Talkhestani/>

خبر تکنولوژی همه‌جا هست؛ چیزی که کمتر پیدا می‌شه، توضیح ساده‌ایه که بگه این خبر یا خطر دقیقاً چه تأثیری روی ما داره. توی «نوشدارو» درباره کلاهبرداری‌های جدید، امنیت، حریم خصوصی و اتفاقات مهم دنیای فناوری مطالب کاربردی منتشر می‌شه. @NooshDaroo_web @NooshDaroo_web

اگر روی یک محصول SaaS کار کرده باشید، می‌دانید محاسبه دقیق مصرف کاربر (مثل تعداد فراخوانی API، مصرف ترافیک یا منابع) بدون افت پرفورمنس و جلوگیری از Race Condition کار ساده‌ای نیست. پروژه SaaS-Metering با ترکیب جنگو، ردیس و سلری، یک سولوشن تر و تمیز برای رهگیری Asynchronous و بدون تاخیر مصرف، ثبت دقیق متریک‌ها و آماده‌سازی داده‌ها برای مدل‌های بیزینسی Pay-as-you-go پیاده‌سازی کرده. ​اگر قصد پیاده‌سازی سرویس Metering یا بررسی نحوه هندل کردن همزمانی و صف‌های تسک در پایتون رو دارید، می‌تونید سورس و نحوه معماریش رو توی گیت‌هاب ببینید: https://github.com/hossein-rahmati/SaaS-Metering @DevTwitter | <Hossein/>

چرا برای هر ۱ میلیون توکن، چند دلار هزینه می‌کنی؟👀 وقتی با Sinox API هر ۱ میلیون توکن برای تمام مدل ها فقط ۱۹ سنت هزینه داره! دسترسی به مدل‌های برتر دنیا، همه با یک API و یک قیمت ثابت؛ ۹۹٪ ارزون‌تر! از استفاده روزمره تا کدنویسی و پردازش‌های سنگین؛ دیگه هزینه و حجم مصرف API محدودت نمی‌کنه بدون دردسر بلاک شدن اکانت و در دسترس حتی با IP ایران! 💙@Sinoxapi 🌐 Sinoxapi.com

یه ابزار جالب هوش مصنوعی دیدم برای جستجوی شغل که این کارا رو انجام میده برات: - شغل‌ها رو جستجو می‌کنه - رزومه‌ات رو برای شغل مد نظر شخصی‌سازی می‌کنه - کاورلتر می‌نویسه - برای مصاحبه آماده‌ت می‌کنه https://github.com/MadsLorentzen/ai-job-search ۴۳هزار استار و ۱۵هزار فورک داره. یاد یه چیزی افتادم. بارها پیش اومده که رزومه‌ها رو بررسی کنم. رزومه‌هایی که رنگ و بوی هوش مصنوعی میداد راستش واسم جالب نبود. نه اینکه بدم بیاد، بلکه فکر می‌کردم با این رزومه نمیشه سطح طرف رو متوجه شد و ارزش‌گذاری کرد. و بنابراین از راه‌های دیگه تلاش می‌کردم واقعاً ببینم طرف چکارست. به نظرم این روش‌ها و ابزارها فقط شاید توی کوتاه مدت جواب باشه. تصور کنید استفاده از این ابزارها بیشتر فراگیر بشه و همهٔ رزومه‌ها و کاورلترها به دست هوش مصنوعی نوشته بشه. همه رزومه‌ها خوشگل و شیک و پر از کلمه‌ها و جمله‌های سنگین و رنگین. دیگه کم‌کم بررسی رزومه و کاورلتر با انسان و ATS کار بی‌ارزشی میشه، و ملاک‌ها و معیارهایی جز یه نوشتهٔ دو صفحه‌ای (=رزومه) برای بررسی سطح کاندیداها مهم‌تر میشن. مثل فعالیت‌های شبکه‌های اجتماعی، نظر کارفرماهای قبلی درباره مهار

توییتی که ۱۷۰ میلیون ویو خورده توی ایکس یه استعفای جنجالی از Anthropic! یکی از محقق‌های سابق OpenAI و Anthropic امروز استعفا داده و گفته: «هیچ‌کدوم از این دو شرکت مسئولانه عمل نمی‌کنن.» ادعاش اینه که هر دو شرکت با سرعت دارن به سمت ابرهوش خودبهبوددهنده (Self-Improving Superintelligence) می‌رن؛ چیزی که به گفته‌ی اون، عملاً دارن با زندگی همه‌ی ما قمار می‌کنن. این آدم ۳ سال روی Pretraining در OpenAI و Anthropic کار کرده. وقتی یه نفر از داخل این دو شرکت چنین هشداری می‌ده… شاید بد نباشه جدی‌تر به این سؤال فکر کنیم: آیا رقابت برای ساخت AGI داره از کنترل خارج می‌شه؟ @DevTwitter | <امیرحسین ثقه الاسلامی/>

سال‌هاست توی پروژه‌های فرانت‌اند، تقریباً همه‌مون با این ترکیب کار کرده‌ایم: یک ابزار برای پیدا کردن مشکل‌های کد (ESLint) یک ابزار برای فرمت کردن کد (Prettier) ترکیب خوبیه؛ ولی هرچی پروژه بزرگ‌تر و وابستگی‌ها بیشتر میشن، هزینه‌ی اجرای این ابزارها هم بیشتر خودش رو نشون میده. دقیقاً همین‌جاست که Biome وارد بازی میشه. این ابزار با زبان Rust نوشته شده و از همون اول با هدف سرعت بالا و یکپارچه‌سازی ابزارهای Code Quality ساخته شده. یعنی به‌جای اینکه چند ابزار مختلف رو برای Lint، Format و مدیریت تنظیمات کنار هم بچینیم، میتونیم بخش قابل‌توجهی از این کارها رو با یک ابزار انجام بدیم. اما چرا Biome این‌قدر مورد توجه قرار گرفته؟ -️ از نظر Performance: به‌دلیل معماری و پیاده‌سازی Rust، در پروژه‌های بزرگ میتونه زمان اجرای Lint و Format رو به شکل محسوسی کاهش بده؛ مخصوصاً وقتی این فرآیندها مرتباً در Editor یا CI اجرا میشن. - از نظر Configuration: دیگه لازم نیست برای هماهنگ کردن چند ابزار و تعداد زیادی Plugin و Config، چندین لایه تنظیمات داشته باشیم. - از نظر یکپارچگی: Linting و Formatting در یک اکوسیستم انجام میشن و همین موضوع میتونه تعداد ابزارها و وابستگی‌های پروژه رو کمتر کنه. - از نکات فنی جالبش اینه که در نسخه‌های جدیدتر (سری ۲.x)، قابلیت Type-aware Linting رو بدون نیاز به اجرای کامل TypeScript Compiler ارائه میده؛ چیزی که قبلاً بین ابزارهای Lint جاوااسکریپتی کم‌سابقه بود. -️ برای پروژه‌های React، TypeScript، Next.js و حتی Monorepoها هم، Biome میتونه یک گزینه‌ی جدی برای جایگزینی بخشی از Toolchain قدیمی باشه. البته این به معنی این نیست که ESLint و Prettier دیگه به درد نمیخورن. اکوسیستم ESLint هنوز بسیار بزرگه و Pluginهای زیادی داره؛ مثلاً بعضی قوانین خاص eslint-plugin-import هنوز معادل کاملی توی Biome ندارن و ممکنه در پروژه‌های خاص بهشون نیاز داشته باشید. همین‌طور فرمت‌دهی Biome حدود ۹۷٪ با Prettier سازگاره، نه صددرصد؛ یعنی موقع مهاجرت ممکنه یه سری Diff جزئی رو ببینید، هرچند در عمل تأثیر چندانی روی کدبیس نداره. شاید وقتش رسیده Toolchain فرانت‌اند رو کمی ساده‌تر کنیم. @DevTwitter | <Pouya Bakhshi/>

چینی‌ها انگار تصمیم گرفتن صنعت ویدئوی AI رو هم به دردسر بندازن! فقط یه عکس + یه فایل صوتی می‌دی… و LongCat-Avatar برات یه ویدئوی چنددقیقه‌ای از همون آدم می‌سازه که لب و صدا کاملاً با هم Sync هستن بدترش برای سرویس‌های پولی؟ - اوپن سورس - رایگان - قابل اجرا توسط خودت چیزی که قبلاً دوربین، استودیو، بازیگر و کلی ادیت می‌خواست، حالا با چند فایل و یه ریپو قابل انجامه! AI Video داره خیلی سریع‌تر از چیزی که فکر می‌کردیم جلو میره ریپو : https://github.com/meituan-longcat/LongCat-Video مدل : https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5 @DevTwitter | <امیرحسین ثقه الاسلامی/>

مهندسان اوبر در یک بلاگ‌پست فنی جزییات جالبی از نصف کردن تاخیر جستجوی Uber Eats منتشر کرده‌اند. فارغ از بهینه‌سازی‌های مرسوم معماری، استفاده عملی‌شان از ایجنت‌های هوش مصنوعی برای تیونینگ کد توجه من را جلب کرد. خلاصه تغییرات کلیدی: ۱. تغییر متریک اصلی به ATF (مدت‌زمان رندر اولین بخش تصویر در گوشی کاربر) و تبدیل رندر HTML به یک پایپلاین کاملا Async. ۲. جداسازی Hydration به دو فاز مجزا؛ واکشی سریع سیگنال‌های رتبه‌بندی برای اجرای زودهنگام مدل‌ها، و لود موازی جزییات نمایشی (قیمت، تصویر و...). ۳. بهینه‌سازی امبدینگ‌ها با کاهش دقت اعشار و فشرده‌سازی تا ۴۶٪، در کنار تبدیل پوینترها به Value types در کد Go که مصرف ۴۰ درصدی پردازنده توسط Garbage Collector را به شدت کم کرد. ۴. استفاده از لوپ خودکار ایجنتی؛ ایجنت با تحلیل پروفایل‌های زنده پروداکشن، باتل‌نک‌های ریز را پیدا می‌کرد، کد بهینه‌سازی می‌نوشت، پول‌ریکوئست می‌زد و با بنچمارک نتیجه را می‌سنجید. ۵. برنامه‌های آینده بر پایه مایکروبچینگ، فیلترینگ در لایه ایندکس (Zero-Pass Ranking) و استریم فرگمنت‌های نتایج به سمت کلاینت. لینک مقاله: بخوانیدش، خیلی جالبه! uber.com/us/en/blog/uber-eats-search-pipeline/ @DevTwitter | <Mehdi Allahyari/>

⚠️ کاربران همیشه خطاهای اپلیکیشن را گزارش نمی‌کنند؛ گاهی فقط صفحه را می‌بندند و می‌روند. 🔮 اینجاست که داشتن تصویر دقیق‌تری از خطاها، عملکرد اپلیکیشن و تجربه واقعی کاربر می‌تواند به تیم فنی کمک کند سریع‌تر به ریشه مشکل برسد. 🔘 با سنتری هم‌روش می‌توانید: • جزئیات و شرایط وقوع خطاها را بررسی کنید. • خطاها را بر اساس رخدادها و کاربران تحت‌تأثیر اولویت‌بندی کنید. • با Traceها و Spanها، عملیات کند را پیدا کنید. • با Session Replay، مسیر کاربر پیش از بروز مشکل را بازبینی کنید. 💎 در این ویدیو، نگاهی کوتاه به قابلیت‌های اصلی سرویس سنتری هم‌روش انداخته‌ایم. 🔗 شروع تست رایگان: 🔗 https://hmrv.sh/Shh46Z ☁️@hamravesh #سنتری #توسعه_نرم‌افزار #مانیتورینگ #عیب‌یابی

یه بازی دیگه با three.js https://whack-game.pages.dev/ @DevTwitter

یه اپ مک تمیز پیدا کردم که با SwiftUI نوشته شده: Claude Usage Tracker. . مصرف Claude رو لحظه‌ای تو منوبار نشون می‌ده، مولتی‌پروفایل داره، آیکوناش کاستومایز می‌شن و statusline ترمینال هم داره. . ۳.۴k استار. اوپن‌سورس، credential ها تو Keychain. https://github.com/hamed-elfayome/Claude-Usage-Tracker @DevTwitter | <ʀ≡ᴢᴀ/>

وقتی یه قابلیت رو به یه AI Coding Agent میسپاریم، مسئله فقط تولید کد نیست؛ مسئله اینه که AI دقیقاً چه چیزی رو باید پیاده‌سازی کند؟ اینجاست که مفهوم Spec-Driven Development یا SDD مطرح می‌شود. خب SDD یک رویکرد توسعه نرم‌افزار است که در آن Specification یا همان Spec به مرجع اصلی برای پیاده‌سازی و ارزیابی قابلیت تبدیل می‌شود. به زبان ساده، یعنی بجای اینکه AI را مستقیماً از یک ایده یا Prompt به سمت کد بفرستیم، ابتدا مشخص می‌کنیم دقیقاً چه چیزی باید ساخته شود، چه رفتاری باید داشته باشد و چه محدودیت‌هایی دارد. برای مقایسه Vibe Coding: ۱. نوشتن Prompt ۲. تولید کد ۳. اصلاح Prompt ۴. اصلاح کد ۵. تکرار این چرخه Spec-Driven Development: ۱. تعریف دقیق نیازمندی ۲. تهیه و بررسی Spec ۳. طراحی و برنامه‌ریزی ۴. پیاده‌سازی توسط AI Agent ۵. بررسی و اعتبارسنجی خروجی برای اینکه موضوع ملموس‌تر شود، فرض کنیم می‌خواهیم یک سیستم ورود بدون رمز عبور با Magic Link بسازیم. به‌جای اینکه فقط به AI بگیم: «یک سیستم Magic Link برای ورود کاربران بساز.» ابتدا Spec را تعریف می‌کنیم: نیازمندی‌ها: کاربر ایمیل خود را وارد می‌کند. یک لینک ورود برای او ارسال می‌شود. لینک فقط ۱۵ دقیقه معتبر است. لینک فقط یک‌بار قابل استفاده است. درخواست‌های متعدد برای یک ایمیل محدود می‌شوند. بعد، معیار پذیرش را مشخص می‌کنیم: Acceptance Criteria: ایمیل باید حداکثر طی ۳۰ ثانیه ارسال شود. لینک منقضی‌شده باید خطای مشخصی نمایش دهد. لینک استفاده‌شده دیگر نباید قابل استفاده باشد. حداکثر ۵ درخواست برای هر ایمیل در یک ساعت مجاز باشد. حالا AI Agent بر اساس این Spec، طراحی، Taskها، کد و حتی تست‌ها را تولید می‌کند. در پایان هم به‌جای اینکه صرفاً بپرسیم «کد درست به نظر می‌رسد؟»، می‌توانیم بررسی کنیم: آیا تمام مواردی که در Spec تعریف کرده بودیم واقعاً پیاده‌سازی شده‌اند؟ نکته مهم این است که Spec لزوماً یک سند ثابت و کاملاً انسانی نیست. در Workflowهای جدید، AI می‌تواند در استخراج ابهامات، تکمیل Spec، طراحی و حتی تبدیل آن به Taskهای قابل اجرا کمک کند؛ اما انسان همچنان مرجع تصمیم‌گیری و تأیید نهایی است. به همین دلیل، با گسترش AI Coding Agentها، مفاهیمی مثل Spec-Driven Development و ابزارهایی مانند GitHub Spec Kit، OpenSpec و Kiro مورد توجه قرار گرفته‌اند. @DevTwitter | <Amir Salehi/>