هوش مصنوعی - رضا شکرزاد

🪞 تیپ #15 حلقه خوداصلاحی: اصلاح مسیر در میانه اجرا به‌جای اینکه بازبینی را به پایان اجرا بسپارید، بگذارید عامل همان‌جا خروجی میانی خودش را نقد کند و پیش از ادامه اصلاحش کند 🪞. این بازخورد درون‌اجرا خطاهای فراخوانی ابزار، نقشه‌های خراب و واقعیت‌های ساختگی را وقتی هنوز وقت جبران هست می‌گیرد. حلقه را کراندار نگه دارید، مثلاً یک نقد و یک بازنگری در هر گام، تا کار از کنترل خارج نشود. هر نقد را ثبت کنید تا بفهمید کدام اصلاح واقعاً نتیجه نهایی را بهتر می‌کند. Self-correction loops: fix the agent mid-run Instead of waiting for a final review, have your agent critique its own intermediate output and revise it before continuing. This mid-run feedback loop catches wrong tool calls, broken plans, and hallucinated facts while there is still time to recover 🪞. Keep the loop bounded, for example one critique plus one revision per step, so the agent does not spiral. Log every critique so you can see which corrections actually improve the final result. @dslanders

پلتفرم بوت کمپ Agentic AI جزییات: https://cafetadris.com/agenticai

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی 🎙️ خبر ۱: مدل رایگان Whistle با حجم فقط ۱۶.۹ مگابایت صدا را به متن تبدیل می‌کند و روی سی‌پی‌یوهای معمولی، بدون کارت گرافیک، انگلیسی و آلمانی و فرانسه و اسپانیایی را می‌نویسد. 🛠️ خبر ۲: Meta کد عامل هوش مصنوعی Muse را متن‌باز کرد تا هر کسی بتواند آن را داخل گجت‌های سفارشی خودش بگذارد و سخت‌افزار هوش مصنوعی شخصی بسازد. 🎓 خبر ۳: یک آزمایش دو ساله در کلاس‌های درس نشان می‌دهد معلم هوش مصنوعی Khanmigo کجا واقعاً به یادگیری بچه‌ها کمک کرد و کجا بی‌اثر ماند. 🧪 خبر ۴: روش Dust مدل‌های زبانی ترنسفورمر را بدون الگوریتم پس‌انتشار آموزش می‌دهد؛ یک مسیر جایگزین که توسعه‌دهنده‌ها همین حالا می‌توانند آزمایشش کنند. 🏛️ خبر ۵: مدل GPT-6 Astra از OpenAI رمزی ۲۱۷ ساله از دوران ناپلئون را در شش ساعت شکست و سفارش‌های گم‌شده نظامی را از دل یک عکس بیرون کشید. @dslanders

🧭 تیپ #14 هماهنگ‌سازی چندعاملی: یک عامل رهبر، چند عامل کارگر به‌جای اینکه یک عامل تن‌ها کل مسئله را در ذهنش نگه دارد، کار را تقسیم کنید: یک عامل رهبر هدف را به زیرکارهای مستقل می‌شکند و هر زیرکار را به یک کارگر تازه می‌سپارد که فقط زمینه‌ی مرتبط را در اختیار دارد. کارگرها موازی اجرا می‌شوند و نتیجه‌ی ساخت‌یافته برمی‌گردانند، و در پایان رهبر همه را در یک پاسخ واحد ادغام می‌کند. وظیفه‌ی رهبر را محدود به برنامه‌ریزی و مسیریابی نگه دارید 🧭 و برای هر کارگر قرارداد خروجی صریح تعریف کنید تا مرحله‌ی تجمیع به حدس و گمان تبدیل نشود. Orchestration: One Lead Agent, Several Workers Instead of one agent trying to hold an entire task in its head, split the work: a lead agent plans, decomposes the goal, and hands each subtask to a fresh worker with only the context it actually needs. Workers then run in parallel and return structured results that the lead merges into a single answer. Keep the lead's job to planning and routing 🧭, and give every worker an explicit output contract so the merge step never turns into guesswork. @dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی 🛰️ خبر ۱: یک توسعه‌دهنده با Claude یک ایستگاه فضایی چرخان و قابل قدم‌زدن ساخته که فیزیک واقعی دارد و ایده‌های پیچیده سه‌بعدی را به نمایشی تعاملی تبدیل می‌کند. 🔎 خبر ۲: راهنمایی گام‌به‌گام که نشان می‌دهد چطور جست‌وجوی کد را طوری بسازیم که به‌جای کلیدواژه، معنی و مفهوم کد را پیدا کند. 🖼️ خبر ۳: اپلیکیشنی برای مک با هوش مصنوعی همه عکس‌ها و حتی تک‌تک فریم‌های ویدیو را جست‌وجو می‌کند تا هر لحظه از آرشیو شخصی فوری پیدا شود. 🎬 خبر ۴: ویدیویی آموزشی که نشان می‌دهد تیم‌های خلاق چطور با هوش مصنوعی سرعت، کیفیت و ظرافت کار تولید محتوا را بالا ببرند. ⚖️ خبر ۵: تجربه برگزاری یک دوره فشرده ایمنی هوش مصنوعی برای حقوقدانان و متولیان حکمرانی، با درس‌هایی از اجرای قوانین AI در سازمان‌های واقعی. @dslanders

🤖 دورهمی حضوری علاقه‌مندان هوش مصنوعی کافه‌تدریس بخشی از حال‌وهوای دورهمی حضوری هوش مصنوعی کافه‌تدریس با حضور فعالان و علاقه‌مندان حوزه AI رو توی این ویدیو ببینید 🧡 فرصتی برای دیدن همدیگه، آشنایی، گپ‌وگفت و به اشتراک گذاشتن تجربه‌ها با آدم‌هایی که هرکدوم به شکلی دارن مسیر خودشون رو توی دنیای هوش مصنوعی می‌سازن. گاهی یک گفت‌وگوی کوتاه، یک آشنایی تازه یا شنیدن تجربه یک نفر، می‌تونه شروع یک مسیر جدید باشه؛ و دقیقا ارزش این دورهمی‌ها همین‌جاست. 🌱 🎞 تماشای ویدیو در یوتیوب: 🔗https://youtu.be/DturyD5O-no 🔴 تماشای ویدیوی در آپارات: 🔗https://aparat.com/v/qfm0p66 @Cafetadris | کافه‌تدریس

🚦 تیپ #13 جلوگیری از اقدام‌های برگشت‌ناپذیر با الگوی پیشنهاد و تأیید مؤثرترین محافظ در برابر اقدام‌های برگشت‌ناپذیر، پرامپت بهتر نیست؛ حذف کردن دسترسی است. ابزارهای حساس مثل حذف، پرداخت، ارسال پیام و دیپلوی را از جعبه‌ابزار پیش‌فرض ایجنت بیرون بگذارید و فقط از مسیر «پیشنهاد بده، بعد تأیید بگیر» در اختیارش قرار دهید. ایجنت یک طرح ساخت‌یافته می‌سازد، یک لایه قطعی آن را اعتبارسنجی می‌کند و تا وقتی انسان یا موتور سیاست تأیید نکند هیچ چیز اجرا نمی‌شود 🚦. کنارش dry-run و کلید idempotency هم بگذارید تا تلاش دوباره به حذف یا پرداخت تکراری منتهی نشود. Stop Irreversible Actions With a Confirm Gate The strongest guardrail against irreversible actions is not a better prompt, it is a missing capability: keep delete, pay, send, and deploy tools out of the agent's default toolset and expose them only through a propose-then-confirm flow. The agent emits a structured plan, a deterministic layer validates it, and nothing executes until a human or a policy engine approves 🚦. Pair that with a dry-run and an idempotency key so a retry can never double-charge or double-delete. If the model can call the destructive tool directly, assume some bad token will eventually call it. @dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی 💸 خبر ۱: گوگل دسترسی رایگان به مدل‌های Flash و Pro جمینای را قطع کرده و کاربران باید به پلن‌های پولی بروند یا سراغ گزینه‌های دیگر. 🐧 خبر ۲: توزیع لینوکسی Pop!_OS استفاده از کدهای ساخته‌شده با هوش مصنوعی را در بخش بزرگی از پروژه‌اش ممنوع کرد؛ الگویی تازه برای پروژه‌های متن‌باز. 🇩🇪 خبر ۳: شرکت Aleph Alpha مدل زبانی آلمانی «Kolibri» را با وزن باز عرضه کرد تا سازمان‌های اروپایی بدون وابستگی به ابرهای آمریکایی هوش مصنوعی اجرا کنند. 🤖 خبر ۴: یک عامل هوش مصنوعی خودش به صدها پژوهشگر ایمیل زد و درخواست کمک کرد، بعد دلیل کارهایش را توضیح داد؛ نشان می‌دهد این عامل‌ها در کارهای واقعی چطور شکست می‌خورند. ⚖️ خبر ۵: حکم یک پرونده قتل در آمریکا پس از نمایش ویدیوی قربانی که با هوش مصنوعی ساخته شده بود نقض شد و نگرانی درباره اعتبار شواهد بالا گرفت. @dslanders

🎯 تیپ #12 چرا معیارهای چت‌بات برای سنجش ایجنت کافی نیستند سنجیدن کیفیت یک پاسخ تک‌نوبتی با ارزیابی یک ایجنت زمین تا آسمان فرق دارد. ایجنت در چند مرحله ابزار صدا می‌زند، وضعیت محیط را تغییر می‌دهد و مسیرش پر از دور زدن و تلاش دوباره است؛ پس یک پاسخ نهایی شیک و مرتب می‌تواند روی مسیری خراب نشسته باشد. معیار درست این است که ببینید کار واقعاً تمام شد یا نه 🎯 و اگر همان سناریو را چند بار پشت سر هم اجرا کنید، نتیجه پایدار می‌ماند یا نه. Agent evals: why chatbot metrics fall short Chatbot metrics score one reply at a time: fluency, helpfulness, win rate against another model. An agent is a multi-step policy that calls tools and mutates state, so a polished final answer can sit on top of a broken trajectory, a retried API call, or a silently corrupted record. Score the outcome instead: did the task actually complete 🎯 and does that result hold when you rerun the same scenario five times in a row? @dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی 🔬 خبر ۱: فیزیکدانی از دانشگاه Harvard با کمک Claude ۳۶ مقالهٔ علمی نوشته و نشان داده هوش مصنوعی حالا در پژوهش واقعی سهم دارد. 💻 خبر ۲: سازندهٔ Redis ابزاری به نام ds4 ساخته که هر کسی می‌تواند مدل‌های زبانی بزرگ را روی کامپیوتر خودش اجرا کند، بدون نیاز به سرور. 🧱 خبر ۳: یک برنامه‌نویس سازندهٔ لگوی هوش مصنوعی ساخته که رایگان و متن‌باز است و متن شما را به طرح قابل ساخت با آجرهای لگو تبدیل می‌کند. 🎙️ خبر ۴: مدل جدید Microsoft به نام MAI در جدول Artificial Analysis اول شد و تبدیل گفتار به متن را سریع، دقیق و ارزان می‌کند. 🎲 خبر ۵: بر اساس مقاله‌ای در Nature، هوش مصنوعی بالاخره بازی فکری Stratego را حل کرد؛ بازی‌ای که بیشتر مهره‌های حریف پنهان می‌مانند. @dslanders

🔍 تیپ #11 چطور ایجنت دانش بیرونی را بازیابی می‌کند در بازیابی افزوده به تولید (RAG)، پرسش کاربر اول به بردار تبدیل می‌شود، نزدیک‌ترین تکه‌های متنی از پایگاه برداری بیرون کشیده می‌شوند و پیش از پاسخ‌دهی داخل پرامپت مدل می‌نشینند. نکته مهم این است که کیفیت پاسخ بیش از آنکه به خود مدل وابسته باشد، به نحوه تکه‌تکه کردن اسناد و بازنویسی پرسش بستگی دارد 🔍. ضمناً متن بازیابی‌شده را باید داده‌ی غیرقابل‌اعتماد در نظر گرفت، نه دستور؛ چون یک سند آلوده می‌تواند کنترل ایجنت را به دست بگیرد. RAG: How Agents Retrieve Outside Knowledge RAG works by embedding the query, pulling the nearest chunks out of a vector store, and pasting them into the prompt before the model answers. The model only knows what the retriever hands it, so chunking and query wording often decide the answer more than the model itself does 🔍. And treat retrieved text as untrusted data, never as instructions: one poisoned document can hijack your agent. @dslanders

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی 🧠 خبر ۱: گوگل مدل تازه‌ای به نام Gemini 4 Argon معرفی کرد؛ مدلی که برای فکر کردن طولانی و پیوسته روی کدنویسی، کارهای سازمانی و امنیت سایبری ساخته شده. 🎨 خبر ۲: Ideogram 4.5 ویرایشگر تصویر جدیدی است که می‌توانی فقط یک بخش مشخص عکس را دقیق تغییر بدهی و بقیه تصویر کاملاً دست‌نخورده بماند. 🛡️ خبر ۳: انویدیا ابزار رایگان OpenShell را منتشر کرد؛ این برنامه تعیین می‌کند عوامل هوش مصنوعی خودکار به چه چیزهایی دسترسی داشته باشند: فایل‌ها، شبکه، رمزها و دستورهای سیستمی. 🏭 خبر ۴: پژوهش تازه Anthropic می‌گوید ربات‌ها امروز می‌توانند ۷۴ درصد کارهای فیزیکی آمریکا را انجام دهند، اما گرانی باعث می‌شود فقط ۰.۳ درصدشان الان ارزش خودکارسازی داشته باشد. 🕵️ خبر ۵: OpenAI توضیح داد چطور کمپینی را کشف و متوقف کرد که می‌خواست با مدل‌های این شرکت، توانایی‌های یک هوش مصنوعی رقیب را کپی کند. @dslanders

🍎 تیپ #10 خطای ابزار را طوری برگردان که مدل از آن یاد بگیرد وقتی ابزار فقط یک خطای مبهم مثل «500» برمی‌گرداند، مدل چاره‌ای جز تکرار همان فراخوانی ندارد و در حلقه می‌افتد. خطا را ساخت‌یافته برگردان: کد خطا، فیلد مشکل‌دار، دلیل شکست و مقادیر مجاز. مثلاً به‌جای پیام خالی، فیلدی مثل expected با قالب درست تاریخ و یک پرچم retryable بفرست 🍎 تا مدل آن را مثل یک دستور بخواند و در نوبت بعد خودش اصلاح کند. خطاهای پایدار را هم صریح غیرقابل‌تکرار علامت بزن تا ایجنت بی‌دلیل تلاش مجدد نکند. Return tool errors that teach the model A raw stack trace or a bare `500` tells an agent nothing, so it blindly retries the same call until it burns its step budget. Return errors as structured, actionable messages instead: the error code, the offending field, why it failed, and the valid options. A `400` becomes `{"error":"invalid_date","received":"next friday","expected":"ISO 8601, e.g. 2025-03-04","retryable":true}` 🍎, which the model reads as an instruction and fixes on the next turn. Mark terminal errors as non-retryable so the agent stops instead of looping. @dslanders