Software Philosophy
前往频道在 Telegram
چکیدهای از مفاهیم به روز مهندسی نرم افزار برای مهندسین نرمافزار. معماری نوین نرمافزار، تکنولوژیهای برنامه نویسی جدید
显示更多3 455
订阅者
无数据24 小时
-67 天
-2230 天
正在加载数据
吸引订阅者
十一月 '2611月 '26
十一月 '26
+6
在0个频道中
十月 '26
+71
在0个频道中
Get PRO
九月 '260
在2个频道中
Get PRO
八月 '260
在1个频道中
Get PRO
七月 '260
在1个频道中
Get PRO
六月 '260
在1个频道中
Get PRO
五月 '260
在0个频道中
Get PRO
四月 '26
+2
在0个频道中
Get PRO
三月 '26
+3
在0个频道中
Get PRO
二月 '26
+7
在0个频道中
Get PRO
一月 '26
+10
在1个频道中
Get PRO
十二月 '25
+18
在2个频道中
Get PRO
十一月 '25
+24
在0个频道中
Get PRO
十月 '25
+22
在0个频道中
Get PRO
九月 '25
+29
在2个频道中
Get PRO
八月 '25
+42
在0个频道中
Get PRO
七月 '25
+17
在0个频道中
Get PRO
六月 '25
+12
在0个频道中
Get PRO
五月 '25
+32
在0个频道中
Get PRO
四月 '25
+41
在1个频道中
Get PRO
三月 '25
+113
在3个频道中
Get PRO
二月 '25
+16
在0个频道中
Get PRO
一月 '25
+34
在0个频道中
Get PRO
十二月 '24
+34
在1个频道中
Get PRO
十一月 '24
+48
在1个频道中
Get PRO
十月 '24
+44
在1个频道中
Get PRO
九月 '24
+49
在1个频道中
Get PRO
八月 '24
+39
在0个频道中
Get PRO
七月 '24
+38
在0个频道中
Get PRO
六月 '24
+35
在0个频道中
Get PRO
五月 '24
+215
在0个频道中
Get PRO
四月 '24
+33
在0个频道中
Get PRO
三月 '24
+53
在0个频道中
Get PRO
二月 '24
+66
在0个频道中
Get PRO
一月 '24
+87
在0个频道中
Get PRO
十二月 '23
+91
在0个频道中
Get PRO
十一月 '23
+78
在0个频道中
Get PRO
十月 '23
+20
在0个频道中
Get PRO
九月 '23
+126
在0个频道中
Get PRO
八月 '23
+35
在0个频道中
Get PRO
七月 '23
+16
在0个频道中
Get PRO
六月 '23
+15
在0个频道中
Get PRO
五月 '23
+38
在0个频道中
Get PRO
四月 '23
+23
在0个频道中
Get PRO
三月 '23
+25
在0个频道中
Get PRO
二月 '23
+61
在0个频道中
Get PRO
一月 '23
+49
在0个频道中
Get PRO
十二月 '22
+24
在0个频道中
Get PRO
十一月 '22
+23
在0个频道中
Get PRO
十月 '22
+9
在0个频道中
Get PRO
九月 '22
+7
在0个频道中
Get PRO
八月 '22
+19
在0个频道中
Get PRO
七月 '22
+18
在0个频道中
Get PRO
六月 '22
+16
在0个频道中
Get PRO
五月 '22
+19
在0个频道中
Get PRO
四月 '22
+17
在0个频道中
Get PRO
三月 '22
+18
在0个频道中
Get PRO
二月 '22
+21
在0个频道中
Get PRO
一月 '22
+50
在0个频道中
Get PRO
十二月 '21
+92
在0个频道中
Get PRO
十一月 '21
+108
在0个频道中
Get PRO
十月 '21
+10
在0个频道中
Get PRO
九月 '21
+26
在0个频道中
Get PRO
八月 '21
+9
在0个频道中
Get PRO
七月 '21
+9
在0个频道中
Get PRO
六月 '21
+12
在0个频道中
Get PRO
五月 '21
+92
在0个频道中
Get PRO
四月 '21
+96
在0个频道中
Get PRO
三月 '21
+249
在0个频道中
Get PRO
二月 '21
+6
在0个频道中
Get PRO
一月 '21
+10
在0个频道中
Get PRO
十二月 '20
+2 538
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 15 十一月 | 0 | |||
| 14 十一月 | +1 | |||
| 13 十一月 | 0 | |||
| 12 十一月 | 0 | |||
| 11 十一月 | +1 | |||
| 10 十一月 | +1 | |||
| 09 十一月 | 0 | |||
| 08 十一月 | 0 | |||
| 07 十一月 | +1 | |||
| 06 十一月 | 0 | |||
| 05 十一月 | 0 | |||
| 04 十一月 | +1 | |||
| 03 十一月 | 0 | |||
| 02 十一月 | 0 | |||
| 01 十一月 | +1 |
频道帖子
پروژه و Solution در شیشارپ چه تفاوتی دارند؟
وقتی یک برنامهی ساده با سیشارپ مینویسیم، شاید فقط چند فایل کد داشته باشیم؛ اما وقتی پروژه بزرگتر میشود، معمولاً تعداد فایلها و بخشهای مختلف برنامه هم بیشتر میشوند.
اینجاست که مفهوم Project و Solution اهمیت پیدا میکند.
پروژه چیست؟
پروژه یا Project مجموعهای از فایلهای کد، تنظیمات و منابعی است که برای ساخت یک خروجی مشخص کنار هم قرار میگیرند.
مثلاً یک پروژه میتواند یک برنامه، یک Library یا یک بخش از یک سیستم بزرگتر باشد.
ساختار سادهی یک پروژه میتواند به این شکل باشد:
MyApp
│
├── Program.cs
├── User.cs
├── Product.cs
└── MyApp.csproj
در نهایت پروژه Build میشود و یک خروجی تولید میکند؛ مثلاً یک DLL یا یک برنامهی قابل اجرا.
فایل csproj چیست؟
هر پروژهی سیشارپ معمولاً یک فایل با پسوند .csproj دارد.
این فایل اطلاعات و تنظیمات مربوط به پروژه را مشخص کرده و در واقع به ابزارهای داتنت میگوید پروژه چطور باید Build شود.
مثلاً:
MyApp.csproj
داخل این فایل اطلاعاتی مانند Target Framework، Packageها و تنظیمات Build قرار میگیرد.
سولوشن (Solution) چیست؟
وقتی پروژه بزرگتر میشود، ممکن است فقط یک Project نداشته باشیم و چند Project مختلف داشته باشیم.
برای مدیریت این Projectهای مرتبط از Solution استفاده میکنیم.
مثلاً یک فروشگاه اینترنتی را در نظر بگیرید:
MyShop.sln
│
├── MyShop.Web
├── MyShop.API
├── MyShop.Core
└── MyShop.Tests
در اینجا هر کدام از موارد یک Project جدا محسوب میشوند، اما همهی آنها میتوانند داخل یک Solution قرار داشته باشند.
فایل sln چیست؟
سولوشن (Solution) معمولاً با پسوند .sln ذخیره میشود.
مثلاً:
MyShop.sln
این فایل اطلاعات مربوط به Solution و Projectهایی که داخل آن قرار دارند را مدیریت میکند.
بنابراین:
.sln → Solution
.csproj → Project
ارتباط Project و Solution
میتوانیم خیلی ساده این رابطه را به این صورت تصور کنیم:
Solution
│
├── Project 1
│ └── .csproj
│
├── Project 2
│ └── .csproj
│
└── Project 3
└── .csproj
یعنی یک Solution میتواند شامل چند Project باشد. هر Project هم فایلها و تنظیمات مربوط به خود را دارد.
🔗 جزئیات تکمیلی 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
______| 2 | ساخت کتابخانههای سازگار با نسخههای مختلف داتنت
وقتی یک Library با سیشارپ میسازیم و میخواهیم آن را در اختیار دیگران قرار دهیم، سؤالی مهم پیش میآید:
این Library باید روی چه نسخهای از داتنت اجرا شود؟
چون کاربران ممکن است از نسخهها و Runtimeهای مختلف داتنت استفاده کنند.
انتخاب نسخه مناسب برای Library
اگر داریم یک Library جدید میسازیم و نیازی به پشتیبانی از نسخههای قدیمی نداریم، بهتر است آن را برای یک نسخهی مدرن از داتنت مثل داتنت ۸ یا نسخههای جدیدتر Target کنیم.
مثلاً:
<TargetFramework>net8.0</TargetFramework>
این کار باعث میشود بتوانیم از APIها و قابلیتهای جدیدتر داتنت استفاده کنیم.
پشتیبانی از NET Framework. قدیمی
گاهی اوقات میخواهیم Library ما علاوه بر داتنت مدرن، روی داتنت فریمورک هم قابل استفاده باشد.
در این شرایط NET Standard 2.0. میتواند انتخاب مناسبی باشد.
مثلاً:
<TargetFramework>netstandard2.0</TargetFramework>
هدف NET Standard. این بود که مجموعهای مشترک از APIها بین Runtimeهای مختلف داتنت ایجاد کند.
به همین دلیل Libraryای که برای netstandard2.0 ساخته شده، میتواند توسط Runtimeهای مختلفی که از آن پشتیبانی میکند استفاده شود.
پشتیبانی از چند Target Framework
گاهی اوقات یک Library به قابلیتهایی نیاز دارد که فقط در نسخههای جدیدتر داتنت وجود دارند.
در این حالت میتوانیم از Multi-targeting استفاده کنیم.
مثلاً:
<TargetFrameworks>net8.0;netstandard2.0</TargetFrameworks>
یعنی Library ما برای دو Target مختلف ساخته میشود:
Library
│
├── .NET 8
│
└── .NET Standard 2.0
در نتیجه کاربر بسته به پروژهای که دارد، میتواند نسخهی مناسب Library را دریافت کند.
🔗 جزئیات تکمیلی 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
______ | 792 |
| 3 | بررسی Reflection و Attribute در زبان سیشارپ
وقتی با سیشارپ و داتنت کار میکنیم، ممکن است با دو مفهوم مهم به اسم Attribute و Reflection روبهرو شویم.
شاید در نگاه اول این دو مفهوم کمی پیچیده به نظر بیایند، اما ایده اصلی خیلی ساده است.
اضافه کردن اطلاعات به کد با Attribute
با استفاده از Attribute میتوانیم اطلاعات اضافی یا همان Metadata را به قسمتهای مختلف کدم اضافه کنیم.
برای مثال:
[Obsolete]
public void OldMethod()
{
}
اینجا [Obsolete] یک Attribute است.
این Attribute به برنامه و ابزارهای داتنت میگوید که این متد قدیمی شدهاست و بهتر است از یک روش جدیدتر استفاده شود.
اتریبیوت (Attribute)ها فقط برای Method استفاده نمیشوند و میتوانند روی قسمتهای مختلفی مثل:
- کلاس(Class)
- متد (Method)
- پراپرتی (Property)
- فیلد (Field)
قرار بگیرند.
بررسی اطلاعات برنامه با Reflection
گاهی اوقات میخواهیم برنامه در زمان اجرا، اطلاعاتی دربارهی خودش به دست بیاورد.
مثلاً بفهمیم یک Object از چه نوعی است یا چه Methodها و Propertyهایی دارد.
اینجاست که Reflection وارد میشود.
برای مثال:
var user = new User();
Type type = user.GetType();
Console.WriteLine(type.Name);
در این مثال، با استفاده از GetType() میتوانیم نوع Object را در زمان اجرا بررسی کنیم.
رفلکشن (Reflection) میتواند اطلاعات مختلفی مثل Classها، Methodها، Propertyها، Fieldها و Attributeهای موجود روی آنها را بررسی کند.
🔗 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
______ | 1 108 |
| 4 | "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 | 770 |
| 5 | امروز تو این ورکشاپ قراره یه ایجنت هوشمصنوعی رو از صفر تا صد با هم درست کنیم.
بدون یک خط کد نویسی!
منتظرتونیم :) | 711 |
| 6 | 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
من یک نمونه کد ساده با C# / .NET پیادهسازی کردم که نحوه ارسال درخواست به سرور لوکال Laya و دریافت خروجی ساختارمند و تصمیمگیری آنی را نشون میدهد.
🔗 سورسکد و راهنمای کامل را میتونید در گیتهاب من ببینید.
⁉️ 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
______ | 1 101 |
| 7 | 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
______ | 1 160 |
| 8 | 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 | 2 462 |
| 9 | 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
______ | 1 405 |
| 10 | 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");
}
}
FlagsAttribute
برای مشخص کردن اینکه یک enum میتواند به عنوان یک bit field استفاده شود و با عملیات bitwise ترکیب شود.
[Flags]
enum ColorsFlags
{
Red = 1,
Blue = 2,
Green = 4
}
با استفاده از [Flags]، مقدار ترکیبی enum به شکل خواناتری نمایش داده میشود.
ObsoleteAttribute
برای مشخص کردن کدهای قدیمی (deprecated) استفاده میشود. کامپایلر میتواند هنگام استفاده از این بخشها هشدار یا خطا ایجاد کند.
[Obsolete("Use NewMethod instead", true)]
static void OldMethod()
{
}
همچنین در سیشارپ امکان ساخت Custom Attributeها وجود دارد.
برای این کار:
یک کلاس از System.Attribute ارثبری میکنیم. با AttributeUsage مشخص میکنیم Attribute کجا قابل استفاده است. Constructor و Propertyهای مورد نیاز را تعریف میکنیم.مثال:
[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;
}
}
🔗 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
______ | 1 217 |
| 11 | 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 | 1 163 |
| 12 | 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
_____ | 1 324 |
| 13 | 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");
}
۲. دستورات حلقه (Looping Statements)
برای اجرای چندباره یک بخش از کد استفاده میشوند. حلقهها زمانی کاربرد دارند که بخواهیم یک عملیات را چندین بار تکرار کنیم.
انواع حلقهها در سیشارپ:
for
while
do-while
حلقههای تو در تو (Nested Loops)
مثال:
for (int i = 0; i < 5; i++)
{
Console.WriteLine(i);
}
خروجی:
0
1
2
3
4
۳. دستورات پرش (Jump Statements)
برای تغییر مسیر معمول اجرای برنامه استفاده میشوند و به ما اجازه میدهند اجرای کد را متوقف کنیم، رد کنیم یا از یک بخش خارج شویم.
انواع دستورات پرش در سیشارپ:
break → پایان دادن به اجرای حلقه یا switch
continue → رد کردن اجرای فعلی حلقه و رفتن به مرحله بعد
return → خروج از متد و برگرداندن مقدار
goto → انتقال اجرای برنامه به یک بخش مشخص (که معمولاً استفاده از آن توصیه نمیشود)
for (int i = 0; i < 10; i++)
{
if (i == 5)
break;
Console.Write(i + " ");
}
خروجی:
0 1 2 3 4
🔗 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
______ | 1 077 |
| 14 | 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?"
💡 حالت اول (جواب مستقیم و سریع):
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".
💡 حالت دوم (جواب مرحلهبهمرحله):
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".
شاید در ظاهر هر دو به جوابی درست (۳ دلار) رسیده باشند، ولی از نظر نحوه کارکرد هوش مصنوعی، حالت دوم به مراتب بهتر است!
هدف از طرح این سوال اشاره به دو موضوع مهم بود:
اول این که: شما نباید در محاسبات به gpt اعتماد کامل داشته باشید. همانطور که میدانید gpt در واقع چیزی نیست جز یک ماشین که کلمه (توکن) بعدی هر جمله رو بر اساس آمار حدس میزند (Token Autocomplete).
در مدل جواب دادن اول، احتمال این که به جواب اشتباهی برسیم زیاد بود؛ چون مدل مجبور بود کل بار محاسباتی مسئله را فقط در همان یک کلمه (توکنِ بعد از علامت $) فشرده کند و صرفاً جواب را حدس بزند.
ولی در جواب دوم به این شکل نبود و مدل عملاً داشت به شکلی پیش میرفت که انگار دارد مرحلهبهمرحله محاسبه میکند و بار پردازشی را بین کلمات مختلف پخش میکند.
کارپاتی جملهای معروف دارد: «مدلها برای فکر کردن به توکن نیاز دارند!» (Models need tokens to think). یعنی هر چه توکن بیشتری تولید کنند، فرصت و فضای بیشتری برای محاسبه دارند.
مثل ما انسانها که ناگهانی و چشمبسته نمیتوانیم جواب مسائل منطقی را سریع بگوییم و ذهنم شروع به مرحلهبهمرحله حساب کردن میکند، مدلهای زبانی هم دقیقاً همینطور هستند، مانند جواب دوم در مثال اول متن.
پس مراقب باشید و هر زمان که تصمیم گرفتید از gpt سوالی بپرسید و گفتید «فقط در یک کلمه بگو...» یا «سریع جواب بده»، بدانید که احتمال زیادی وجود دارد که جواب اشتباه بگیرید.
اجازه دهید مدلی که یاد گرفته جواب دهد. یعنی اول توضیح دهد، راه حل را بنویسد و بعد جواب نهایی رو بگوید.
مورد دوم این که: در چنین حالتهایی (مخصوصاً وقتی اعداد بزرگتر یا محاسبات پیچیدهتر میشوند)، حتی بهتر است مثلا در chat gpt در انتها بگویید: 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.
🔗 این نکات جذاب از ویدیوی Andrej Karpathy در آمده است که ویدیویی ۳ ساعته است و برای درک عمیق و دقیق LLMها بسیار کمک میکند که باعث میشود ما خیلی بهتر و اصولیتر با ابزارهای AI کار کنیم.
⁉️ 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
______ | 1 111 |
| 15 | 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";
دستورهای عبارتی (Expression Statement)
برای انجام کارهایی مانند مقداردهی، تغییر مقدار متغیرها و اجرای متدها استفاده میشوند:
int number = 10;
number++;
Console.WriteLine(number);
دستورهای انتخابی (Selection Statement)
برای تصمیمگیری و اجرای کد بر اساس شرایط مختلف استفاده میشوند:
if (age >= 18)
{
Console.WriteLine("Adult");
}
دستورهای تکرار (Iteration Statement)
برای اجرای چندبارهی یک بخش از برنامه استفاده میشوند:
for (int i = 0; i < 5; i++)
{
Console.WriteLine(i);
}
دستورهای پرش (Jump Statement)
برای تغییر مسیر اجرای برنامه استفاده میشوند:
break;
continue;
دستورهای مدیریت خطا (Exception Handling Statement)
برای کنترل خطاهای احتمالی در برنامه استفاده میشوند:
try
{
// code
}
catch
{
// handle error
}
🔗 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
______ | 969 |
| 16 | ما اخیراً سیستمهای AI خودمون رو به MAF منتقل کردیم و واقعاً فوقالعاده بوده!
این جمله واسه من نیست. کامنت @CrystaCode تویOn .NET Live بود :) البته من ترجمش رو گذاشتم اینجا...
در این ویدیو Daniel Costea، در مورد ساختار Middleware ها در Microsoft Agentic Framework صحبت میکند.
او Middlewareها را به سه نوع تقسیم میکند و با مدل ذهنی prepare → handle → invoke توضیح میدهد؛ مدلی که برای هر کسی که قبلاً با Middleware در ASP.NET Core کار کرده، کاملاً آشناست:
اولین مورد Shared Function Middleware نزدیکترین لایه به Request است. این Middleware از یک pipeline استفاده میکند و میتواند پیامهای ورودی را بررسی و فیلتر کند، اما Response را نمیبیند.
به همین دلیل جای مناسبی برای Guardrailهای ورودی محسوب میشود؛ مثلاً حذف اطلاعات شخصی (PII) یا آدرس ایمیل قبل از اینکه اصلاً به مدل ارسال شوند.
دومین Response Middleware یک قدم فراتر میرود. در حالی که همچنان مثل یک pipeline عمل میکند، میتواند Response کامل را هم ببیند و حتی تغییرش دهد.
اینجا جایی است که میشود مشکلاتی مثل مصرف بیشازحد Token را تشخیص داد و قبل از اینکه یک Call هزینه غیرضروری ایجاد کند، جلوی ادامه آن را گرفت. مثلا میشه Token Usage را هم بررسی و ذخیره کرد.
و در آخر Function Calling Middleware هم Tool Callها را با دسترسی کامل به Conversation History بررسی میکند.
در نتیجه، قبل از اجرای یک Tool میتواند یک Invocation پرریسک را Block کند، محدود کند یا حتی تغییر دهد. در Demo همین قابلیت باعث شد Agent مربوط به یک ماشین رباتیک، مستقیم با دنده عقب به دیوار برخورد نکند!
هرکدام از این Middlewareها میتوانند در دو لایه مختلف اجرا شوند:
در ChatClient که Identity ندارد و میتواند بین چند Agent به اشتراک گذاشته شود و Agent که Session و Identity خود را دارد.
در مجموع یعنی ۶ نقطه مختلف برای Hook کردن Middleware.
ترتیب Middlewareها هم اهمیت زیادی دارد. اگر ترتیب درست نباشد، ممکن است یک Middleware بیشتر از چیزی که انتظار دارید اجرا شود.
⁉️ 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
______ | 1 422 |
| 17 | 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");
}
میتوان تمام مقادیر بازگشتی را بهصورت همزمان دریافت کرد:
(string type, string name, int height, int age, string color) = GetPet();
در این مثال، هر عضو Tuple مستقیماً در متغیر متناظر خود قرار میگیرد.
تعیین صریح نوع متغیرها
در این روش، نوع هر متغیر بهصورت صریح داخل پرانتز نوشته میشود.
(string type, string name, int height, int age, string color) = GetPet();
مقدار اول در type
مقدار دوم در name
مقدار سوم در height
مقدار چهارم در age
مقدار پنجم در color
نادیده گرفتن اعضای غیرضروری با Discard
اگر به همه اعضای Tuple نیاز نداشته باشید، میتوانید از Discard که با علامت _ نمایش داده میشود استفاده کنید.
(string type, _, int height, _, string color) = GetPet();
مقدار اول در type ذخیره میشود.
مقدار دوم نادیده گرفته میشود.
مقدار سوم در height قرار میگیرد.
مقدار چهارم نادیده گرفته میشود.
مقدار پنجم در color ذخیره میشود.
استفاده از _ باعث میشود مقدار مربوطه دریافت شود، اما در هیچ متغیری ذخیره نشود.
قوانین و محدودیتهای دیکانستراکشن تاپل
هنگام استفاده از دیکانستراکشن تاپل باید به چند نکته توجه کنید:
- تعداد متغیرها باید با تعداد اعضای Tuple برابر باشد.
- اگر Tuple پنج عضو داشته باشد، باید در سمت چپ نیز پنج متغیر یا Discard (_) وجود داشته باشد.
نمونه صحیح:
(var type, var name, var height, var age, var color) = GetPet();
🔗 ویدئو را در این لینک میتوانید میتوانید مشاهده کنید.
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنتها به اشتراک بگذارید.
کانال تلگرام:
@SoftwarePhilosophy
______ | 1 513 |
| 18 | 🚀 @CrystaCode is officially open to everyone!
🔗 https://crystacode.ai | 1 271 |
| 19 | 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" }
];
در این مثال از List<object> استفاده کردهایم چون اشیاء موجود در لیست از انواع مختلفی هستند.
اما این راهکار یک مشکل اساسی دارد؛ هر نوع شیء دیگری نیز میتواند وارد این لیست شود:
pets.Add(new Shark(300));
در حالی که کوسه (Shark) اصلاً جزو حیوانات خانگی موردنظر ما نیست.
برای پردازش این دادهها معمولاً از Pattern Matching استفاده میکنیم:
var description = pet switch
{
Dog dog => dog.Name,
Cat(var adjective) => $"A {adjective} cat",
Bird { Species: var species } => $"A {species}"
};
اما کامپایلر هیچ اطلاعی ندارد که چه نوعهایی مجاز هستند و چه نوعهایی نباید در این مجموعه قرار بگیرند.
راهحل: Union Types در سیشارپ ۱۵ میتوان یک Union تعریف کرد:
union Pet(Dog, Cat, Bird);
این تعریف به کامپایلر اعلام میکند که نوع Pet فقط میتواند یکی از این سه نوع باشد:
اکنون میتوان لیست را به شکل زیر تعریف کرد:
List<Pet> pets =
[
new Dog("Fido"),
new Cat("tabby"),
new Bird { Species = "crow" }
];
در این حالت اگر بخواهیم یک Shark به لیست اضافه کنیم، کامپایلر خطا خواهد داد؛ چون Shark جزو اعضای Union نیست.
یکی از مزیت های مهم Union Types این است که میتوان مجموعهای مشخص از انواع مرتبط را تحت یک نوع واحد تعریف کرد.
به همین دلیل هنگام استفاده از Switch Expression میتواند بررسی کند که آیا تمام حالتها پوشش داده شدهاند یا خیر.
برای مثال:
var description = pet switch
{
Dog dog => dog.Name,
Cat(var adjective) => $"A {adjective} cat",
Bird { Species: var species } => $"A {species}"
};
اگر یکی از انواع تعریفشده در Union را فراموش کنیم، کامپایلر هشدار نمایش خواهد داد.
این موضوع باعث میشود بسیاری از خطاها قبل از اجرای برنامه شناسایی شوند.
علاوه بر مشخص کردن انواع مجاز، میتوان رفتارها و قابلیتهای مشترک را نیز مستقیماً درون خود Union پیادهسازی کرد.
برای مثال:
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}"
};
}
در این مثال ویژگی Description مستقیماً داخل Union تعریف شده است.
بنابراین هر شیء از نوع Pet میتواند توضیح مناسب خود را برگرداند، بدون اینکه نیاز باشد این منطق در قسمتهای مختلف برنامه تکرار شود.
این ویژگی باعث میشود کدها تمیزتر و نگهداری آنها سادهتر شود.
تعریف Union با Attributeعلاوه بر سینتکس اختصاصی Union، روش دیگری نیز برای تعریف Unionها در نظر گرفته شده است که مبتنی بر Attribute است.
برای مثال:
[Union]
struct Result<T>
{
}
چرا Attribute-Based Union اهمیت دارد؟
این روش دو مزیت مهم دارد.
۱. بهبود کارایی (Performance)
بدون استفاده از union ها در برخی شرایط باعث Boxing میشود.
در سناریوهایی که عملکرد برنامه اهمیت زیادی دارد و یک قطعه کد بارها و بارها اجرا میشود، استفاده از یک پیادهسازی کاستوم میتواند به کاهش هزینههای اضافی و بهبود کارایی کمک کند.
برای مثال اگر Union شما از چند Struct کوچک تشکیل شده باشد، جلوگیری از Boxing میتواند تأثیر قابل توجهی روی عملکرد برنامه داشته باشد.
۲. ساخت Unionهای کاستوم با کمترین زحمت قبل از معرفی Union Types، بسیاری از توسعهدهندگان تلاش میکردند با استفاده از کلاسهای پایه، اینترفیسها یا حتی قراردادهای مستندسازی و کامنتها، ساختاری شبیه Union ایجاد کنند.
این روشها معمولاً پیچیده بودند و پشتیبانی مستقیمی از سوی کامپایلر نداشتند.
اما اکنون با استفاده از یک Attribute ساده میتوان همان رفتار را به شکل رسمی و استاندارد پیادهسازی کرد.
🔗 ویدئو را در این لینک میتوانید میتوانید مشاهده کنید.
⁉️ برای بحث و تبادل نظر فنی در مورد این پست، نظرات خود را با ما در قسمت کامنتها به اشتراک بگذارید.
کانال تلگرام:
@SoftwarePhilosophy
______ | 2 054 |
| 20 | 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
______ | 1 789 |
