DevTwitter | توییت برنامه نویسی

بالاخره اولین پکیج Laravel خودم رو روی Packagist منتشر کردم اسم پکیج: gohari/repository-pattern این پکیج کمک می‌کنه توی پروژه‌های Laravel خیلی سریع‌تر Repository و Interface مربوط به Modelها رو بسازیم و ساختار کدمون تمیزتر و قابل نگهداری‌تر بشه. نصبش هم خیلی ساده‌ست: composer require gohari/repository-pattern بعدش با یه Artisan command می‌تونی Repository بسازی: php artisan repository:make User --model=User برای من این فقط یه پکیج ساده نیست؛ یه قدم کوچیک ولی مهم بود برای اینکه بیشتر وارد فضای Open Source بشم و چیزهایی که توی پروژه‌های واقعی استفاده می‌کنم رو قابل استفاده برای بقیه هم بکنم. لینک پکیج: https://packagist.org/packages/gohari/repository-pattern @DevTwitter | <Mohammadreza Gohari/>

Coolify برای آپلود پروژه‌های جدیدمون روی سرور، به عنوان یک فرانت‌اند دولوپر که خیلی درگیر مفاهیم پیچیده DevOps نیستم و از طرفی به خاطر تحریم‌ها نمی‌تونیم از سرویس‌هایی مثل Vercel استفاده کنیم، با Coolify آشنا شدم. تجربه واقعاً جالبی بود؛ هم نصبش ساده بود، هم مدیریت و آپدیت پروژه‌ها. کافیه آخرین commit رو بگیره، پروژه Next.js رو build کنه و deploy انجام بشه. عملاً خیلی از کارهایی که قبلاً دستی انجام می‌دادم رو راحت‌تر کرده. پ.ن: تا قبل از این، پروژه‌ها رو با یه اسکریپت از روی سیستم روی سرور sync می‌کردم :) رایگان و متن‌بازه، با Docker به‌صورت خودکار روی لینوکس نصب می‌شه، تنظیمات Proxy و Pathها رو خیلی راحت می‌تونی مدیریت کنی و در کل سرعت راه‌اندازی پروژه‌ها رو بیشتر می‌کنه. از همه مهم‌تر اینکه دیگه لازم نیست درگیر تنظیمات عجیب‌وغریب PM2 و Cluster Mode بشی. تا الان تجربه خوبی باهاش داشتم. https://coolify.io/ @DevTwitter | <Mohammad Sajad Shekhian/>

🔥 چالشو حل کن جایزه ببر؛ چالش اول شروع شد! اولین چالش آخر هفته کوئرا توی کانال منتشر شده و فرصت داری با جواب درست، وارد قرعه‌کشی جایزه‌ها بشی. بخش جذابش چیه؟ ۱. هر کسی که به چالش‌ها جواب درست بده، یک «هدیه قطعی» از کوئرا می‌گیره! 🥳 ۲. و اما با هر جواب درست، شانس خودت رو برای برنده شدن توی جوایز قرعه‌کشی بالا می‌بری. فقط کافیه عضو کانال کوئرا باشی و جواب درست رو برای ما بفرستی. 👀 ✨چالش اول → ۳ شانس قرعه‌کشی ✨ چالش دوم → ۵ شانس قرعه‌کشی ✨ چالش سوم → ۷ شانس قرعه‌کشی 🏆 جوایز: 🎧 ۵ هدفون گیمینگ 🎒 ۵ کوله‌پشتی شیائومی 🤖 ۵ اشتراک ChatGPT منتظرتیم! 👇 کانال تلگرام کوئرا: https://t.me/quera_ir

اگر خدای نکرده از پلاگین جت انجین استفاده میکنین زودتر اپدیت کنین که وضع خرابه https://patchstack.com/database/wordpress/plugin/jet-engine/vulnerability/wordpress-jetengine-plugin-3-8-10-php-object-injection-vulnerability @DevTwitter | <Mohsen Ghiasi/>

همونطور که میدونید GPT 5.5 همچین خوب فرانت اند نمیزنه UI دیزاینش خوب نیست که تخصص منم نیست من بیشتر بک اند و دواپس حالیمه تا فرانت یه SKILL آماده کردم که صرفا UX/UX قابل قبول بزنه خودم ازش استفاده می‌کنم دست کم از نظر UX بنظرم خوبه بررسی کنید، tweak کنید و بازخورد بدید لینک ریپو: https://github.com/blackestwhite/interface-design-sense @DevTwitter | <Mahdi Akbari/>

یه ریپو دیدم حدس هایی در مورد معماری مدل mythos. حدس و گمان ها در مورد recurrent depth هاست و اینکه دیگه اون ریزنینگ در سطح توکن رخ نمی‌ده. با توجه به ریزالت‌های trm، hrm و آخرین آپدیت ریزالتایی hrm-text1b که sota هم هست بعید نیست https://github.com/kyegomez/OpenMythos @DevTwitter | <KHAN/>

به جای اینکه امشب هم توی چرخ‌دنده‌های یوتیوب گم بشی و زمانت هدر بره... این ۱۱ تا دوره رایگان رو دریاب تا کلود (Claude) رو کاملاً استاد بشی. یه نکته : اصلاً ماراتن راه ننداز و همه‌ رو پشت‌سرهم نبین! توی هر نشست، فقط یک سطح رو جلو ببرو قبل از اینکه بری سراغ سطح بعدی، حتماً چیزایی که یاد گرفتی رو به‌صورت عملی تمرین کن. سطح اول: مفاهیم پایه (زمان مورد نیاز: ۲۰ دقیقه) دریافت مدرک کلود: claude101.com آموزش کلود برای مبتدی‌ها: https://ruben.substack.com/p/claude-for-dummies هوش مصنوعی به زبان (خیلی) ساده: https://ruben.substack.com/p/s?r=5m7l8v نقشه راه یادگیری کلود: https://ruben.substack.com/p/claude-roadmap سطح دوم: فرآیندهای کاری واقعی (زمان مورد نیاز: ۵۵ دقیقه) کار تیمی با همکار کلود (Claude Cowork): claude-co.work مدیریت کلود برای تیم‌ها: how-claude.team ساخت اسلاید و پرزنت با کلود: how-to-gamma.ai شخصی‌سازی فرآیندها با مهارت‌های کلود (Claude Skills): claude-skills.free سطح سوم: ترفندهای حرفه‌ای (زمان مورد نیاز: ۴۵ دقیقه) اتصال کلود به بقیه ابزارها (Connectors): https://ruben.substack.com/p/claude-connectors چطور به محدودیت‌های پیام کلود برنخوریم؟ https://ruben.substack.com/p/how-to-stop-hitting-claude-usage انتقال کامل بافت و اطلاعات شخصی به کلود: https://ruben.substack.com/p/youre-just-a-text-file اشتباهات رایج در استفاده از کلود در محل کار: https://ruben.substack.com/p/how-to-use-your-personal-ai-at-work @DevTwitter | <Hamed Heydarian/>

🚨 میانگین ۶۷۰ هزار دلار خسارت؛ تاوان استفاده کنترل‌نشده از هوش مصنوعی هوش مصنوعی می‌تواند سرعت تیم‌ها را تا ۵۰٪ افزایش دهد؛ اما وقتی بدون «حاکمیت و نظارت» وارد سازمان شود، معمولاً از دو مسیر آسیب می‌زند: 📉 ۱. هدررفت بودجه اوبر بودجه یک‌ساله هوش مصنوعی خود را در کمتر از ۴ ماه مصرف کرد؛ چون سقف مصرف مشخصی وجود نداشت. 🕵 ۲. هوش مصنوعی در سایه اطلاعات استراتژیک سامسونگ به راحتی افشا شد، چون یک کارمند برای خلاصه کردن فایل صوتی جلسه، آن را به نسخه عمومی ChatGPT سپرد. کارمندان قصد خرابکاری ندارند؛ آن‌ها فقط ابزاری برای تسریع امور می‌خواهند. مسئله این است که سازمان باید این استفاده را مدیریت و کنترل کند. 💡 چت‌وان برای همین ساخته شده است: ✔ تعریف سقف مصرف برای افراد و دپارتمان‌ها ✔ جلوگیری از استفاده ابزارهای ناامن و پراکنده ✔ مدیریت دسترسی بر اساس نقش و نیاز هر کاربر 🔗 همین حالا فضای کاری امن تیم خود را بسازید ارتباط با چت‌وان: ۰۹۰۱۸۳۷۴۴۲۰ - ۰۲۱۵۸۹۸۳۳۰۰

دیتای متروی تهران (Tehran Metro Data) چیه؟ دسترسی به یک دیتابیس دقیق، ساختاریافته و آماده از خطوط و ایستگاه‌های متروی تهران، همیشه یکی از دغدغه‌های برنامه‌نویس‌ها و توسعه‌دهنده‌ها بوده. برای همین ما ریپازیتوری «Tehran Metro Data» رو منتشر کردیم. این پروژه یک دیتاست استاندارد از شبکه متروی تهران هست؛ یعنی شما رو از جستجوی پراکنده، جمع‌آوری دستی یا اسکرپ کردن اطلاعات برای پروژه‌هاتون کاملاً بی‌نیاز می‌کنه. این دیتا بدون نیاز به هیچ پیش‌پردازشی، مستقیماً برای ساخت اپلیکیشن‌های مسیریابی، بات‌ها یا تحلیل داده قابل استفاده است. مهم‌تر از همه اینکه اطلاعات به شکلی مرتب شده که به‌راحتی و بدون دردسر Data Cleaning، توی کد ایمپورت بشه. https://github.com/mostafa-kheibary/tehran-metro-data @DevTwitter | <تهلاگ/>

با ظهور Agent های هوش مصنوعی مثل Claude Code و Codex، بنظرم یک سؤال جدی‌تر از همیشه مطرح میشه: آیا هنوز به فریمورک‌هایی مثل Laravel نیاز داریم؟ یکی از دلایل اصلی شکل‌گیری فریمورک‌ها، ساده‌تر کردن توسعه و حذف پیچیدگی‌های تکراریه. اما اگر یک AI Agent بتونه همین کار را با PHP خام انجام بده و هم‌زمان مواردی مثل امنیت، design pattern ها و best practice ها را هم رعایت کند و تازه، احتمالا خودش قرار تنها کسی باشه که قرار روی پروژه توسعه بده، آیا هنوز استفاده از فریمورک‌ها منطقیه؟ اگر این مسیر را در نظر بگیریم، شاید برخی مزیت‌ها این‌طور باشند: - کاهش وابستگی به abstraction های اضافی - سبک‌تر شدن پروژه‌ها - احتمالاً بهبود performance اما در مقابل: - امنیت و جلوگیری از خطاهای انسانی - استانداردسازی در تیم‌های بزرگ - نگهداری بلندمدت سیستم - همکاری تیمی و onboarding ساده‌تر شاید سؤال اصلی این نباشد که «فریمورک‌ها حذف میشن یا نه»، بلکه این باشه که: در آینده، فریمورک‌ها چه نقشی در کنار AI ایفا خواهند کرد؟ @DevTwitter | <Amirreza Sharifi/>

شایعه ای درمورد مدل جدیدی از هوش مصنوعی میسترال داره دست ب دست میشه ک واقعا عجیبه ب نام Le Chaton fat مدل جدید ۳۰ تریلیون پارامتر داره و‌ تمام رقبا رو توی بنچ مارک ها حذف کرده. برای اینکه ازش سو‌استفاده نشه، مثلا!! گفتن فعلا فقط خروجی ب زبان فرانسوی هست. اخه ۳۰ تیریلیون؟؟ @DevTwitter | <Kaveh/>

یکی از بهترین پادکست‌هایی هست که میتونین در مورد پیشرفت شغلی در شرکتی که کار میکنید گوش بدید. https://www.youtube.com/watch?v=8JQUjpBf3Ig @DevTwitter | <سهیل/>

مدل‌های رایگان گران قیمت مدل‌هایی مثل Llama 4، Gemma 4، DeepSeek V3 و Qwen 3 در ظاهر «رایگان» و متن‌باز هستن، اما این رایگان بودن فقط تا وقتی معنی داره که داخل یک نوت‌بوک یا محیط تستی ازشون استفاده کنی. به محض اینکه وارد فضای واقعی و پروداکشن بشی، هزینه‌ها شروع می‌شن و عملاً اون چیزی که رایگان به نظر می‌رسه تبدیل به یک زیرساخت گران و پیچیده می‌شه. دلیلش هم اینه که هزینه اصلی این مدل‌ها نه خود مدل، بلکه اجرای پایدار، سریع و مقیاس‌پذیر اون‌هاست. مدل‌های کوچک‌تر که بین ۸ تا ۳۰ میلیارد پارامتر دارن، معمولاً روی سیستم‌های شخصی با ۲۴ تا ۴۸ گیگ VRAM اجرا می‌شن و بیشتر برای تست، یادگیری و ساخت نمونه اولیه مناسب هستن. اما وقتی وارد مدل‌های متوسط مثل ۷۰ میلیارد پارامتر می‌شی، فقط برای نگه‌داشتن وزن مدل به ۷۰ تا ۱۴۰ گیگ VRAM نیاز داری و دیگه یک کارت گرافیک معمولی جواب نمی‌ده؛ در نتیجه باید سراغ سرورهای ابری بری که هزینه‌شون ماهانه به چند هزار دلار می‌رسه. در سطح بالاتر، مدل‌های بزرگ MoE مثل Llama 4 Maverick با ۴۰۰ میلیارد پارامتر، Qwen 3 با ۲۳۵ میلیارد یا DeepSeek V3 با ۶۷۱ میلیارد پارامتر قرار دارن که برای اجرا به صدها گیگ حافظه تجمیعی نیاز دارن. حتی با کوانتیزه‌سازی هم هنوز به زیرساخت چند GPU قدرتمند مثل H100 یا H200 احتیاج داری و اگر بخوای کانتکست طولانی هم پشتیبانی کنی، مصرف حافظه (KV cache) عملاً هزینه و نیاز سخت‌افزاری رو تا نزدیک دو برابر بالا می‌بره. اگر این سیستم‌ها رو بخوای ۲۴ ساعته اجرا کنی، هزینه ماهانه بسته به سطح مدل از حدود چند هزار دلار برای مدل‌های کوچک شروع می‌شه و تا نزدیک صد هزار دلار برای مدل‌های خیلی بزرگ می‌رسه. این فقط هزینه خام اجرای مدل هست و هنوز هزینه‌های جانبی مثل مهندسی زیرساخت، مدیریت سروینگ (مثل vLLM و batching)، سیستم‌های مانیتورینگ و ارزیابی، فاین‌تیونینگ، ذخیره‌سازی داده و حتی تیمی که این سیستم رو نگه‌داری می‌کنه حساب نشده. به همین دلیل در عمل، خیلی از تیم‌ها بعد از بررسی هزینه‌ها به این نتیجه می‌رسن که استفاده از APIهای آماده مثل OpenAI یا Anthropic به‌صرفه‌تر از راه‌اندازی و نگه‌داری زیرساخت GPU اختصاصی است، چون اون‌ها همه این پیچیدگی‌ها و هزینه‌های پنهان رو در قالب یک قیمت ساده به ازای هر توکن مدیریت می‌کنن. @DevTwitter | <Reza Jafari/>

بزرگ‌ترین اشتباهی که برنامه‌نویس‌های تازه‌کار می‌کنن، کم کد زدن نیست. زیاد یاد گرفتنه. هر روز یک دوره جدید. هر روز یک تکنولوژی جدید. هر روز یک ویدیو با عنوان: “این مهارت رو یاد نگیری عقب می‌مونی!” و نتیجه؟ ۶ ماه می‌گذره. ۱۰ دوره دیدی. ۵۰۰ ساعت آموزش دیدی. اما هنوز یک پروژه واقعی نداری. حقیقتی که خیلی‌ها دوست ندارن بشنون: بازار کار به تعداد دوره‌هایی که گذروندی پول نمی‌ده. به مسئله‌هایی که می‌تونی حل کنی پول می‌ده. من رزومه‌هایی دیدم که ۳۰ مدرک داشتن. ولی حتی یک پروژه کامل داخلشون نبود. از اون طرف افرادی رو دیدم که فقط ۲ یا ۳ تکنولوژی بلد بودن. اما پروژه ساخته بودن. و دقیقاً همون‌ها استخدام شدن. اگر امروز دوباره از صفر شروع می‌کردم: کمتر آموزش می‌دیدم. بیشتر می‌ساختم. @DevTwitter | <Arsham Hajeb/>

یه پروژه‌ی جالب دیدم به اسم SurfSense، که بهش می‌گن جایگزین اوپن سورس NotebookLM اگه از NotebookLM میاید، باید بگم که SurfSense همون کارو می‌کنه؛ صرفا با کنترل کامل دست خودتون. خلاصه بخوام بگم، یه agent تحقیقاتی اوپن‌سورس و با تمرکز روی حریم خصوصیه که شبیه به کار NotebookLM رو انجام میده. مزایا نسبت به NotebookLM: • اتصال به ۲۵+ منبع: گوگل درایو، Notion، Slack، YouTube، GitHub و افزونه‌ی مرورگر برای ذخیره‌ی هر صفحه‌ای (حتی پشت لاگین) • آزادی انتخاب مدل: ۱۰۰+ مدل از طریق LiteLLM، یا اجرای کاملاً لوکال با Ollama و vLLM • بدون محدودیت داده: هیچ سقفی روی تعداد منبع و نوت‌بوک نیست، و دیتا روی سرور(یا سیستم) خودت می‌مونه • جستجوی بهتر: RAG دومرحله‌ای در برابر سرچ تک‌مرحله‌ای NotebookLM • قابلیت‌های تیمی جالب: به شما رول‌های Owner/Admin/Editor/Viewer میده + چت و کامنت و... • تولید پادکستا بدون محدودیته معایب: • نصبش هلو برو توی گلو نیست واقعا. رو اعصابه — باید با dependency، API key و فایل‌های Env کلنجار برید • هنوز کاملاً production-ready نیست و در حال توسعه‌ی فعاله • باید خودت میزبانی و نگهداری کنی؛ طبیعتا که راحتی NotebookLM رو نداره جمع‌بندی: صادقانه بگم، NotebookLM همچنان ساده‌تر و آماده‌تره ولی کاملاً بسته‌ست. SurfSense سخت‌تر راه میفته ولی دیتا و انتخاب مدل کاملاً دست خودته. اگه با self-hosting و سرور هم بخواید پیش برید، به درد بخورترینه. ریپوی اصلی: http://github.com/MODSetter/SurfSense آدرس خود وبسایتش برای دانلود مستقیم نرم‌افزار: https://surfsense.com @DevTwitter | <Matin SenPai/>

این container که اپل ریلیز کرده رو تازه پیدا کردم! سبک‌ترین راهی که بتونید یه ترمینال لینوکسی ایزوله‌شده روی مک بالا بیارید! با swift نوشته شده و برای پردازنده‌های Apple Silicon بهینه‌سازی کردن! https://github.com/apple/container @DevTwitter | <Amir/>

کاش نتبلاکس یه آماری هم از میزان اختلال بانک ملی بذاره، یکی دو ماه خدمات میده باقیش اختلاله @DevTwitter

تلگرام با قابلیت جدید Rich Formatting یک سری ابزار کامل برای نوشتن متن در اختیارتون میذاره، لیست، جدول، تیتر، ریاضیات و ... @DevTwitter

یکی از سوال‌هایی که خیلی از افرادی که وارد دنیای دیتا می‌شن می‌پرسن اینه که تفاوت بین Data Scientist، Data Analyst، Product Analyst، BI Engineer، Data Engineer و ده‌ها عنوان شغلی مشابه چیه؟ واقعیت اینه که جواب مشخص و یکسانی برای این سوال وجود نداره. شاید عجیب به نظر برسه، اما در صنعت داده، عنوان شغلی همیشه بیانگر کاری که واقعاً انجام می‌دی نیست. خیلی وقت‌ها دو نفر با یک عنوان شغلی مشابه، در دو شرکت مختلف، وظایف کاملاً متفاوتی دارن. مثلاً در یک شرکت، Data Engineer بیشتر زمانش رو صرف ساخت زیرساخت‌های داده، طراحی Data Pipelineها و مدیریت انبارهای داده می‌کنه. اما در یک شرکت دیگه، ممکنه بخش قابل توجهی از کارش ساخت داشبوردها و گزارش‌های مدیریتی باشه. یا یک Data Analyst در بعضی سازمان‌ها صرفاً روی تحلیل داده، تهیه گزارش و پاسخ به سوالات کسب‌وکار تمرکز داره؛ در حالی که در شرکت‌های دیگه ازش انتظار میره SQL پیشرفته بنویسه، Pipeline بسازه، آزمایش‌های A/B طراحی کنه و حتی در تصمیم‌گیری‌های محصول نقش کلیدی داشته باشه. به طور کلی می‌شه این نقش‌ها رو این‌طور توصیف کرد: موقعیت Data Analyst بیشتر روی استخراج بینش از داده‌ها، تحلیل روندها، تهیه گزارش و پاسخ به سوالات کسب‌وکار تمرکز داره. موقعیت Product Analyst روی رفتار کاربران، عملکرد محصول، رشد، نگهداشت کاربران و تصمیم‌گیری‌های مرتبط با محصول کار می‌کنه. موقعیت Data Scientist معمولاً علاوه بر تحلیل داده، از مدل‌های آماری و یادگیری ماشین برای پیش‌بینی، دسته‌بندی و حل مسائل پیچیده استفاده می‌کنه. موقعیت BI Engineer زیرساخت گزارش‌گیری، داشبوردها، لایه‌های تحلیلی و سیستم‌های Business Intelligence رو توسعه می‌ده. موقعیت Data Engineer مسئول ساخت و نگهداری زیرساخت انتقال، ذخیره‌سازی و پردازش داده‌هاست تا داده‌های قابل اعتماد در اختیار تیم‌های مختلف قرار بگیره. اما این تعریف‌ها فقط یک چارچوب کلی هستن. در عمل، مرز بین این نقش‌ها هر روز کم‌رنگ‌تر می‌شه. امروزه بسیاری از شرکت‌ها به دنبال افرادی هستن که ترکیبی از مهارت‌های تحلیل داده، مهندسی داده، آمار، برنامه‌نویسی و شناخت کسب‌وکار رو داشته باشن. به همین دلیل ممکنه یک نفر با عنوان Data Analyst کارهایی انجام بده که در شرکت دیگری وظیفه Data Scientist محسوب می‌شه، یا یک Data Scientist بخش زیادی از وقتش رو صرف مهندسی داده کنه. به همین خاطر هنگام بررسی فرصت‌های شغلی، مهم‌ترین نکته اینه که روی عنوان شغل تمرکز نکنید؛ بلکه شرح وظایف، انتظارات شرکت، ابزارهای مورد استفاده و مشکلاتی که قراره حل کنید رو با دقت بررسی کنید. در سال‌های آینده احتمالاً این روند حتی پررنگ‌تر هم خواهد شد. با رشد هوش مصنوعی، اتوماسیون و ابزارهای مبتنی بر مدل‌های زبانی بزرگ (LLM)، بسیاری از وظایف سنتی بین نقش‌های مختلف ادغام می‌شن و اهمیت عنوان‌های شغلی کمتر از قبل خواهد بود. شاید در ۲ تا ۳ سال آینده، به جای اینکه خودمون رو Data Analyst، Data Scientist یا Data Engineer معرفی کنیم، بیشتر به سمت نقش‌های عمومی‌تر و منعطف‌تری حرکت کنیم؛ عنوان‌هایی مثل «Member of Technical Staff» که روی توانایی حل مسئله، درک سیستم‌ها و ایجاد ارزش تمرکز دارن، نه روی مرزبندی‌های سنتی بین نقش‌های مختلف. در نهایت چیزی که آینده شغلی افراد رو تعیین می‌کنه، عنوان شغلی روی پروفایل لینکدین نیست؛ بلکه توانایی یادگیری، سازگاری با فناوری‌های جدید و حل مسائل واقعی کسب‌وکار با استفاده از داده‌هاست. @DevTwitter | <Reza Jafari/>

گاهی وقتها نیاز نیست دقیقا مثل بقیه عمل کنی شاید قدرت در نگاه متفاوت بر خلاف بقیه هست بیایید این دو خط رو با دو زبان برنامه نویسی مطرح این روزها برسی کنیم گولنگ یا همون Go راست یا Rust قطعا در دنیای نرم افزار به اهمیت حافظه پی بردید حافظه محدوده و برای نرم افزارها مثل نفس که اگر نباشه قطعا مرگ حتمی است حالا یک اتاق رو در نظر بگیرید که چندین نفر توش تشک انداختن و خوابیدن صبح که بلند میشن و میرن اگر تشکها رو جمع نکنیم جا برای نشستن نیست پس مجبوریم اگر خودشون جمع نکردن یک نفر این کار رو انجام بده در دنیای نرم افزار اگر اون اتاق رو حافظه در نظر بگیریم میگیم GC و کارش جمع کردن تشکها هست وقتی کسی توش نخوبیده تا جای نشستن باز بشه خیلی از زبانها این روش رو دارن و استفاده میکنن اما زبان برنامه نویسی Rust این مفهوم و قابلیت رو پیاده نکرد و از دو مفهوم دیگه استفاده میکنه به اسم Ownership و Borrowing یعنی هر مقدار یک مالک دارد که بعد از استفاده اون رو پاک میکنه به زبان ساده تر میگه بزرگواری که روی تشک خوابیدی اگر بلند شدی رفتی بیرون حتما باید جات رو جمع کنی وگرنه معرفت باید بیاد جمع کنه دیگه وظیفه یک شخص خاص نیست برای همین مدیریت حافظه در راست در زمان کامپایل انجام میشه با دادن و پس گرفتن و این تضمین تمیز ماندن و نبود سرباره علاوه بر اون گاهی اوقات GC کارش رو تموم نمیکنه و متوقف میشه در راست چینین چیزی وجود نداره پس به جای رفتن در مسیری که همه رفتن یک مسیر و تفکر جدید رو پیش گرفت دنیای فنی مدیون همین متفاوت فکر کردنهاست @DevTwitter | <Akbar Rezaeyan Ghane/>