هوش مصنوعی - رضا شکرزاد
前往频道在 Telegram
👈 کانال علم داده و هوش مصنوعی رضا شکرزاد 🔘 نقشه‌راه یادگیری 🔘 معرفی و دانلود منابع 🔘 مقاله وبسایت دپارتمان: cafetadris.com/datascience ارتباط با ادمین، درخواست منتورشیپ و پروژه: https://t.me/dslanders_admin یوتیوب: Youtube.com/@RezaShokrzad
显示更多📈 Telegram 频道 هوش مصنوعی - رضا شکرزاد 的分析概览
频道 هوش مصنوعی - رضا شکرزاد (@dslanders) 波斯语 语言赛道中的 是活跃参与者。目前社区聚集了 12 701 名订阅者，在 教育 类别中位列第 16 073，并在 伊朗 地区排名第 26 439 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 12 701 名订阅者。
根据 26 十月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 68，过去 24 小时变化为 3，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 9.84%。内容发布后 24 小时内通常能获得 4.53% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 1 249 次浏览，首日通常累积 575 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 9。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“👈 کانال علم داده و هوش مصنوعی رضا شکرزاد
🔘 نقشه‌راه یادگیری
🔘 معرفی و دانلود منابع
🔘 مقاله
وبسایت دپارتمان:
cafetadris.com/datascience
ارتباط با ادمین، درخواست منتورشیپ و پروژه:
https://t.me/dslanders_admin
یوتیوب:
Youtube.com/@RezaShokrzad”
凭借高频更新（最新数据采集于 27 十月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 教育 类别中的关键影响点。
12 701
订阅者
+324 小时
+17 天
+6830 天
正在加载数据
吸引订阅者
十月 '2610月 '26
十月 '26
+64
在2个频道中
九月 '26
+230
在1个频道中
Get PRO
八月 '26
+15
在0个频道中
Get PRO
七月 '26
+11
在1个频道中
Get PRO
六月 '26
+49
在1个频道中
Get PRO
五月 '26
+66
在1个频道中
Get PRO
四月 '26
+13
在0个频道中
Get PRO
三月 '26
+4
在0个频道中
Get PRO
二月 '26
+16
在0个频道中
Get PRO
一月 '26
+7
在0个频道中
Get PRO
十二月 '25
+29
在0个频道中
Get PRO
十一月 '25
+25
在0个频道中
Get PRO
十月 '25
+41
在0个频道中
Get PRO
九月 '25
+23
在0个频道中
Get PRO
八月 '25
+37
在1个频道中
Get PRO
七月 '25
+36
在0个频道中
Get PRO
六月 '25
+33
在0个频道中
Get PRO
五月 '25
+48
在0个频道中
Get PRO
四月 '25
+21
在1个频道中
Get PRO
三月 '25
+22
在2个频道中
Get PRO
二月 '25
+8
在0个频道中
Get PRO
一月 '25
+40
在0个频道中
Get PRO
十二月 '24
+26
在1个频道中
Get PRO
十一月 '24
+35
在0个频道中
Get PRO
十月 '24
+42
在0个频道中
Get PRO
九月 '24
+68
在0个频道中
Get PRO
八月 '24
+486
在91个频道中
Get PRO
七月 '24
+285
在201个频道中
Get PRO
六月 '24
+430
在164个频道中
Get PRO
五月 '24
+394
在230个频道中
Get PRO
四月 '24
+485
在211个频道中
Get PRO
三月 '24
+282
在204个频道中
Get PRO
二月 '24
+147
在6个频道中
Get PRO
一月 '24
+613
在223个频道中
Get PRO
十二月 '23
+552
在282个频道中
Get PRO
十一月 '23
+712
在143个频道中
Get PRO
十月 '23
+503
在89个频道中
Get PRO
九月 '23
+633
在0个频道中
Get PRO
八月 '23
+374
在0个频道中
Get PRO
七月 '23
+633
在0个频道中
Get PRO
六月 '23
+657
在0个频道中
Get PRO
五月 '23
+234
在0个频道中
Get PRO
四月 '23
+224
在0个频道中
Get PRO
三月 '23
+421
在0个频道中
Get PRO
二月 '23
+982
在0个频道中
Get PRO
一月 '23
+307
在0个频道中
Get PRO
十二月 '22
+88
在0个频道中
Get PRO
十一月 '22
+59
在0个频道中
Get PRO
十月 '22
+48
在0个频道中
Get PRO
九月 '22
+92
在0个频道中
Get PRO
八月 '22
+611
在0个频道中
Get PRO
七月 '22
+962
在0个频道中
Get PRO
六月 '22
+730
在0个频道中
Get PRO
五月 '22
+159
在0个频道中
Get PRO
四月 '22
+76
在0个频道中
Get PRO
三月 '22
+5 862
在0个频道中
Get PRO
二月 '22
+2 899
在0个频道中
Get PRO
一月 '22
+2 888
在0个频道中
Get PRO
十二月 '21
+798
在0个频道中
Get PRO
十一月 '21
+869
在0个频道中
Get PRO
十月 '21
+2 170
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 27 十月 | +2 | |||
| 26 十月 | +4 | |||
| 25 十月 | +1 | |||
| 24 十月 | +3 | |||
| 23 十月 | +4 | |||
| 22 十月 | +3 | |||
| 21 十月 | 0 | |||
| 20 十月 | +1 | |||
| 19 十月 | +2 | |||
| 18 十月 | 0 | |||
| 17 十月 | 0 | |||
| 16 十月 | +3 | |||
| 15 十月 | 0 | |||
| 14 十月 | 0 | |||
| 13 十月 | +2 | |||
| 12 十月 | +5 | |||
| 11 十月 | 0 | |||
| 10 十月 | +1 | |||
| 09 十月 | +3 | |||
| 08 十月 | +3 | |||
| 07 十月 | +1 | |||
| 06 十月 | +6 | |||
| 05 十月 | +3 | |||
| 04 十月 | +5 | |||
| 03 十月 | +3 | |||
| 02 十月 | +4 | |||
| 01 十月 | +5 |
频道帖子
🗄️ یک شرکت هر شب از فایل‌هایش نسخهٔ پشتیبان می‌گیرد و بازگردانی از پشتیبان را آزمایش کرده است. مهاجم فایل‌ها را قفل نمی‌کند؛ فقط یک کپی از داده‌ها را می‌دزدد و تهدید می‌کند آن‌ها را منتشر کند. اگر شرکت باج ندهد و فایل‌ها را از پشتیبان برگرداند، محتمل‌ترین نتیجه چیست؟
| 2 | 🧩 تیپ #32
جستجوی ترکیبی: کلیدواژه به‌علاوهٔ بردار
بازیابی صرفاً برداری معنا را خوب می‌گیرد، اما کد خطا، شناسهٔ سفارش یا نام دقیق محصول را از دست می‌دهد؛ جستجوی کلیدواژه‌ای هم دقیقاً برعکس عمل می‌کند. کافی است هر دو بازیابی را موازی اجرا کنید و فهرست‌های رتبه‌بندی‌شده را با روش RRF ادغام کنید 🔀، یعنی امتیاز هر سند برابر مجموع ۱ تقسیم بر (۶۰ به‌علاوهٔ رتبهٔ آن در هر فهرست) باشد. بعد از ادغام، ۵۰ سند برتر را با یک مدل رتبه‌بندی مجدد امتیازدهی کنید؛ در عمل همین یک تغییر بیشتر خطاهای بازیابی ایجنت را حل می‌کند تا عوض کردن مدل embedding.
Hybrid search: fuse keywords with embeddings
Vector search is great at meaning but blind to exact tokens like error codes, SKUs, or product names, while keyword search nails those and misses paraphrases. Run both retrievals in parallel and merge the ranked lists with Reciprocal Rank Fusion, where each document scores the sum of 1/(60 + its rank) in each list 🔀. Then rerank the fused top 50 with a cross-encoder. In practice this one change fixes more agent retrieval failures than swapping in a bigger embedding model.
@dslanders | 279 |
| 3 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🧰 خبر ۱: Hob یک اپلیکیشن رایگان و متن‌باز دسکتاپ است که یک همکار هوش مصنوعی را کامل روی کامپیوتر خودتان اجرا می‌کند، بدون اشتراک ابری.
🖱️ خبر ۲: عامل‌های Cursor حالا می‌توانند اپ‌های دسکتاپ مثل شبیه‌ساز iOS را کنترل کنند، تا توسعه‌دهنده‌ها تست ویژگی‌های جدید را خودکار کنند.
💸 خبر ۳: پرسیدن سؤال به زبان‌های غیرانگلیسی گران‌تر تمام می‌شود، چون سیستم تقسیم متن، جمله فارسی را به تکه‌های بیشتری می‌شکند و هزینه بالا می‌رود.
🍎 خبر ۴: مدل ۲۰ میلیارد پارامتری Apple روی خود گوشی فقط ۲ گیگابایت حافظه می‌گیرد، چون بیشتر وزن‌های مدل در حافظه فلش می‌ماند.
🌙 خبر ۵: مدل Kimi K3.1 Pro از Moonshot در آزمون مستقل Artificial Analysis نمره ۵۵ گرفت و جلوتر از رقبا ایستاد؛ وزن‌هایش ۴ نوامبر عمومی می‌شود.
@dslanders | 468 |
| 4 | ✈️ خیلی‌ها فکر می‌کنند خرابی ایجنت همیشه یک ایراد فنی است. فرض کن به ایجنتی می‌گویی «ارزان‌ترین بلیت را بگیر» و او پرواز ساعت ۵ صبح با دو توقف را می‌خرد. مشکل اصلی کجاست؟ | 520 |
| 5 | ✂️ تیپ #31
قطعه‌بندی اسناد در RAG: اندازه و هم‌پوشانی را جدی بگیرید
کیفیت بازیابی در سامانه‌های RAG بیش از هر چیز به نحوه تکه‌تکه کردن اسناد بستگی دارد، ولی بسیاری از تیم‌ها همان مقدار پیش‌فرض کتابخانه را رها می‌کنند. یک نقطه شروع معقول، قطعه‌هایی در حدود ۲۰۰ تا ۵۰۰ توکن با ۱۰ تا ۲۰ درصد هم‌پوشانی است تا جمله‌ای که روی مرز دو قطعه می‌افتد، دست‌کم در یک قطعه کامل باقی بماند 🧩. قطعه‌های خیلی کوچک معنای ناقص می‌دهند و قطعه‌های خیلی بزرگ متن بی‌ربط را وارد پرامپت می‌کنند. به‌جای حدس زدن، دو سه تنظیم مختلف را روی یک مجموعه ارزیابی کوچک امتحان کنید.
Chunk Size and Overlap: The RAG Knobs Nobody Tunes
Chunking is the highest-leverage knob in a RAG pipeline, yet most teams leave it at whatever the default splitter gave them. A solid starting point is roughly 200 to 500 tokens per chunk with 10 to 20 percent overlap, so a sentence that falls on a boundary still lands whole in at least one chunk 🧩. Go smaller and each embedding turns noisy; go bigger and the retriever drags irrelevant text into the prompt. Then stop guessing: run two or three configurations against a small eval set and pick the winner.
@dslanders | 587 |
| 6 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
💸 خبر ۱: قیمت مدل‌های زبانی OpenAI و Anthropic در چند ماه تا ۸۰ درصد پایین آمده؛ استفاده از هوش مصنوعی ارزان‌تر شده، ولی این پرسش را جدی کرده که شرکت‌ها با این قیمت‌ها چطور دوام می‌آورند.
🛡️ خبر ۲: گروهی به نام Gheist با توکن‌های دزدیده‌شده GitHub به مخزن‌های کد نفوذ کرده و با ساخت workflowهای مخفی اطلاعات حساس را بیرون می‌کشد؛ بهتر است دسترسی‌های CI پروژه‌تان را بازبینی کنید.
🩺 خبر ۳: یک مدل کوچک ۱۰ ساله در تشخیص سرطان پوست از مدل‌های زبانی بزرگ جلو زده؛ نشان می‌دهد مدل تخصصی و کوچک در پزشکی می‌تواند از هوش مصنوعی عمومی بهتر عمل کند.
🎓 خبر ۴: یک استاد ریاضی دانشگاه برکلی می‌گوید با وجود هوش مصنوعی تصحیح تکلیف دیگر فایده‌ای ندارد و معلم‌ها باید فکر کنند فهم واقعی دانشجو را چطور بسنجند.
📷 خبر ۵: برنده یک مسابقه عکاسی Nikon عنوانش را از دست داد، چون دانشمندان نشانه‌های ساخت تصویر با هوش مصنوعی را در کارش دیدند؛ نشان می‌دهد تشخیص تصویر AI هنوز سخت است.
@dslanders | 691 |
| 7 | 🌐 صاحب یک وبلاگ می‌خواهد از نوشته‌هایش برای آموزش مدل‌های هوش مصنوعی استفاده نشود، ولی نمی‌خواهد سایتش از نتایج جست‌وجو هم حذف شود. بهترین کار چیست؟ | 686 |
| 8 | 🗄️ تیپ #30
ذخیره‌سازی موقت پرامپت‌ها و نتیجهٔ ابزارها
بخش زیادی از هزینه و تأخیر یک ایجنت از تکرار بی‌فایده می‌آید: هر نوبت همان system prompt، همان تعریف ابزارها و همان اسناد بازیابی‌شده دوباره فرستاده می‌شوند. اگر بخش‌های ثابت را ابتدای پرامپت بگذارید و فقط پیام تازهٔ کاربر یا خروجی ابزار را به انت‌ها اضافه کنید، سرویس‌دهنده می‌تواند آن پیشوند را از کش بخواند و هزینهٔ توکن‌ها را چند برابر کم کند. همین منطق را به ابزارها هم ببرید: کلید کش را از نام ابزار و آرگومان‌هایش بسازید و نتیجهٔ فراخوانی‌های قطعی و فقط‌خواندنی را دوباره استفاده کنید ♻️، اما برای ابزارهایی که عارضهٔ جانبی دارند یا داده‌شان سریع عوض می‌شود کش را کنار بگذارید. کشی که هیچ‌وقت باطل نمی‌شود، در واقع یک باگ است که تأخیرش کم شده.
Cache the prompt prefix and your tool results
Most of an agent's cost and latency hides in the same prefix being re-sent every turn: system prompt, tool schemas, retrieved docs. Put everything stable at the front, add a cache breakpoint, and keep only the new user turn or tool output at the end so the provider can reuse that prefix at a fraction of the price. Then apply the same idea to tools: hash the tool name plus its arguments as the cache key and reuse results for deterministic, read-only calls ♻️, while skipping the cache for anything with side effects or fast-changing data. A cache you never invalidate is just a bug with good latency.
@dslanders | 717 |
| 9 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🔒 خبر ۱: کاربران متوجه شدند Claude Code آدرس ایمیلشان را به درخواست‌های اینترنتی که به بیرون می‌فرستد اضافه می‌کند؛ چیزی که نگرانی درباره حریم خصوصی برنامه‌نویس‌ها را بالا برده است.
📐 خبر ۲: یک پایگاه جمعی راه افتاده که هر کسی می‌تواند خطاهای نوشته‌های ریاضی OpenAI را گزارش و اصلاح کند، تا کسانی که از این حل‌ها یاد می‌گیرند جواب درست‌تری ببینند.
🚩 خبر ۳: یک مقاله پژوهشی درباره Z-Library که با کمک هوش مصنوعی نوشته شده، به مطلبی از TorrentFreak ارجاع داده که اصلاً وجود ندارد؛ نمونه‌ای روشن از ارجاع‌های ساختگی در تحقیق.
💬 خبر ۴: یک مقاله توضیحی نشان می‌دهد چرا متن‌های ساخته‌شده با هوش مصنوعی اغلب گیج‌کننده‌اند و چطور می‌توان با درخواست دقیق‌تر، پاسخ روشن‌تر و خواناتر گرفت.
🛠️ خبر ۵: شرکت JetBrains ابزار تازه‌ای به نام ThinkRail برای برنامه‌نویس‌ها معرفی کرده که یک گزینه دیگر برای ساختن و مدیریت کردن جریان کار کدنویسی است.
@dslanders | 775 |
| 10 | 🏢 یک شرکت ورود دومرحله‌ای را برای همه کارکنان اجباری کرده و خیالش راحت است. حالا کلید دسترسی (API key) یکی از نرم‌افزارهای شرکت لو رفته است. چه اتفاقی می‌افتد؟ | 771 |
| 11 | 👣 تیپ #29
ردیابی؛ ببینید ایجنت کجای مسیر اشتباه کرد
وقتی یک ایجنت چندمرحله‌ای شکست می‌خورد، بدون ردیابی هیچ راهی ندارید بفهمید مشکل از کدام فراخوانی مدل یا کدام ابزار بوده است. ردیابی هر فراخوانی مدل، هر tool call و هر بازیابی را در قالب یک اسپن با ورودی، خروجی، تأخیر، تعداد توکن و خطا ثبت می‌کند 🔍 و اسپن‌ها را تودرتو می‌چیند تا کل مسیر اجرا قابل بازپخش باشد. آن را از همان روز اول با OpenTelemetry یا ردیاب داخلی فریم‌ورک‌تان فعال کنید، چون trace تن‌ها سندی است که نشان می‌دهد ایجنت چرا چنین تصمیمی گرفت، نه فقط اینکه در نهایت چه گفت.
Tracing: Seeing Every Step Your Agent Takes
An agent that breaks on step seven looks exactly like one that breaks on step one unless you record the path it took. Tracing wraps every model call, tool call, and retrieval in a span that carries its inputs, outputs, latency, token counts, and errors, nested so the whole run can be replayed. Turn it on from day one with OpenTelemetry or your framework's built-in tracer 🔍, because a trace is the only artifact that shows why the agent made a decision, not just what it finally said.
@dslanders | 760 |
| 12 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🔐 خبر ۱: 1Password قابلیت تازه‌ای ساخته که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با دسترسی محدود و تعریف‌شده وارد سایت‌ها شوند، بدون اینکه رمز اصلی شما در اختیارشان باشد.
🏷️ خبر ۲: Anthropic روی خروجی متنی Claude یک واترمارک نامرئی شبیه SynthID می‌گذارد تا شرط شفافیت قانون هوش مصنوعی اروپا را رعایت کند؛ یعنی متن‌های تولیدشده قابل شناسایی می‌شوند.
🎬 خبر ۳: NVIDIA ابزار JCA را معرفی کرده که از یک توضیح متنی، ویدیویی با حرکت سه‌بعدی هماهنگ کاراکترها می‌سازد و ساختن انیمیشن و ریگ را بسیار ساده‌تر می‌کند.
🩺 خبر ۴: ظاهراً یک سیستم هوش مصنوعی جدید بیماری‌ها را بیش از دو برابر پزشکان درست تشخیص می‌دهد؛ خبری که می‌تواند به غربالگری زودتر و ارزان‌تر منجر شود.
🌍 خبر ۵: یک درخواست یکسان به هوش مصنوعی اگر در تگزاس اجرا شود تا ۸٫۵ برابر بیشتر از سوئد دی‌اکسید کربن تولید می‌کند؛ پس محل اجرای مدل‌ها مهم است.
@dslanders | 825 |
| 13 | ✈️ یک شرکت به دستیار هوش مصنوعی‌اش اجازه داد با یک ابزار بیرونی بلیت سفر بخرد. آن ابزار هم برای کارش از چند ابزار دیگر کمک می‌گرفت. یک ابزار میانی خرابکار از آب درآمد و به داده‌های شرکت رسید. اشتباه اصلی چه بود؟ | 844 |
| 14 | 🚦 تیپ #28
مسیریابی با مدل کوچک، استدلال با مدل بزرگ
در یک ایجنت، بیشتر قدم‌ها استدلال واقعی نیستند؛ همان مسیریابی، انتخاب ابزار و پر کردن پارامترها هستند. این کارها را به یک مدل کوچک و ارزان بسپارید و مدل بزرگ را فقط برای قدمی نگه دارید که واقعاً به استدلال چندمرحله‌ای نیاز دارد. این‌طوری توکن‌های گران 💸 فقط خرج همان ۱۰ درصد سخت می‌شود و هزینه و تأخیر پایین می‌آید، بدون افت کیفیت.
Small model to route, large model to reason
In an agent, most steps are not reasoning steps at all: they are routing, tool selection, and slot filling. Route those with a small, cheap model and reserve the large one for the step that genuinely needs multi-step reasoning. That way the expensive tokens 💸 only get spent on the hard 10%, so latency and cost drop without touching answer quality.
@dslanders | 824 |
| 15 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
🤖 خبر ۱: شرکت Anthropic ابزار Claude Duet را معرفی کرد؛ یک عامل هوشمند مبتنی بر مدل Opus 5.5 که برنامه‌هایتان را زیر نظر می‌گیرد، کارها را اولویت‌بندی می‌کند و خودش در پس‌زمینه انجام می‌دهد.
💻 خبر ۲: استارتاپ Recursive مدل Flint را منتشر کرد؛ یک مدل کدنویسی ۴۰ میلیارد پارامتری که برای اجرا روی کامپیوتر خودتان ساخته شده و هر بار فقط ۲ میلیارد پارامترش فعال می‌شود تا سریع باشد.
📱 خبر ۳: مدل کوچک GUI-Owl 1.5 با فقط ۲ میلیارد پارامتر می‌تواند صفحه گوشی اندروید را ببیند و در اپلیکیشن‌های دیگر ضربه بزند یا تایپ کند؛ یعنی کار با گوشی توسط هوش مصنوعی، مستقیم روی خود دستگاه.
🛡️ خبر ۴: پروژه OpenShell یک محیط اجرای امن و خصوصی برای گروه‌های زیادی از عامل‌های هوش مصنوعی ارائه می‌دهد تا سازندگان بتوانند هر عامل را جدا و کنترل‌شده نگه دارند.
🫀 خبر ۵: تحلیل سی‌تی‌اسکن با هوش مصنوعی در ۴۲.۹ درصد بیماران التهاب عروق قلبی را پیدا کرد؛ روشی که می‌تواند خطر بیماری قلبی را زودتر از آزمایش‌های معمول نشان دهد.
@dslanders | 897 |
| 16 | 📉 یک فروشگاه اینترنتی می‌بیند آمار بازدیدش از گوگل در چند ماه نصف شده، اما تعداد سفارش‌هایش تقریباً مثل قبل است. پیش از هر تصمیم دیگری، اول چه چیزی را بررسی کند؟ | 882 |
| 17 | 🧮 تیپ #27
سقف توکن برای هر گام، ترمز هزینه و تأخیر
برای هر گام از حلقهٔ ایجنت یک سقف توکن تعیین کنید، نه فقط یک محدودیت کلی برای کل اجرا 💸. طول خروجی و اندازهٔ کانتکست هم‌زمان روی تأخیر و هزینه اثر می‌گذارند، پس بودجهٔ توکن در عمل بودجهٔ زمان هم هست. بزرگ‌ترین نشتی پنهان معمولاً خروجی ابزارهاست: JSON حجیم را قبل از برگرداندن به کانتکست خلاصه یا فیلتر کنید. وقتی بودجه تمام شد، به‌جای چرخیدن در حلقه، پاسخ ناقص را با پیام روشن برگردانید و مصرف هر گام را لاگ کنید.
Cap tokens per step, not just per run
Give every step of an agent loop its own token budget, not just one global cap for the run 💸. Output length and context size drive both latency and cost, so a token budget is really a time budget. The biggest hidden leak is usually tool output: summarize or filter bulky JSON before it re-enters the context. When the budget runs out, return a partial answer with a clear message instead of letting the loop spin, and log per-step usage so you can see where the tokens actually go.
@dslanders | 921 |
| 18 | مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی
⚠️ خبر ۱: نسخه ۱.۱۰۷.۰ ابزار LiteLLM روی PyPI آلوده شده بود و هنگام نصب رمزها و اطلاعات حساس را می‌دزدد و یک درِ پشتی باز می‌کند؛ فعلاً این نسخه را نصب نکنید.
🎙️ خبر ۲: Mistral مدل صوتی Voxtral 3 و کیت ساخت دستیار صوتی را معرفی کرد که بیش از ۵۰ زبان را پوشش می‌دهد و برای اپلیکیشن‌های گفتاری بلادرنگ به کار می‌آید.
🧠 خبر ۳: تیم MemCurrent حافظه‌ای دائمی برای ایجنت‌های هوش مصنوعی در محیط عملیاتی ساخته که به گفته‌شان نرخ موفقیت را سه برابر می‌کند و از ایجنت‌های بی‌حافظه سریع‌تر است.
🔒 خبر ۴: ChatGPT حالا می‌گذارد هر گفتگو را جداگانه قفل کنید تا از تاریخچه، پین‌ها و نتایج جست‌وجو بیرون بماند و در دید دیگران نباشد.
📱 خبر ۵: مدل متن‌باز Spark-X2.6-4B با ۴ میلیارد پارامتر منتشر شد که کدنویسی، استدلال و متن‌های طولانی را بهتر می‌کند و برای اجرا روی دستگاه‌های کوچک ساخته شده است.
@dslanders | 971 |
| 19 | 🛒 گروهی مجرمانه با agentهای آمادهٔ هوش مصنوعی به بیش از ۱۰۰ فروشگاه اینترنتی نفوذ کرد و اطلاعات بیش از ۶۰۰ هزار کارت بانکی را دزدید. مهم‌ترین تغییری که این ابزارها ایجاد کرده‌اند چیست؟ | 923 |
| 20 | 🔖 تیپ #26
بازیابی کار پس از خطا با ذخیرهٔ وضعیت
عامل‌های طولانی‌مدت معمولاً وسط کار می‌شکنند: یک فراخوانی ابزار تایم‌اوت می‌خورد، مدل خروجی نامعتبر می‌دهد، یا پروسه از بین می‌رود. اگر وضعیت اجرا فقط در حافظه باشد، هر خطا یعنی شروع از صفر و پرداخت دوبارهٔ هزینهٔ همهٔ توکن‌ها. راه‌حل این است که بعد از هر گام یک checkpoint از گراف وضعیت، با یک thread id مشخص، ذخیره کنی تا اجرا از آخرین گام سالم ادامه پیدا کند 💾. نکتهٔ ظریف ماجرا idempotent بودن گام‌هاست، چون در بازگشت همان گام خطادار دوباره اجرا می‌شود و اثری مثل ارسال ایمیل یا پرداخت نباید دو بار تکرار شود.
State and checkpoints: resuming an agent after failure
Long-running agents fail mid-task: a tool call times out, the model returns malformed JSON, or the process gets killed. If state lives only in memory, that failure means starting over and paying for every token twice. Persist a checkpoint of the state graph after each step, keyed by a thread id, so a run resumes from the last good node instead of the beginning 💾. The catch is idempotency: resuming replays the failed step, so side effects like sending an email or charging a card must be safe to repeat.
@dslanders | 973 |
