DevTwitter | توییت برنامه نویسی

پروژه‌ای که دغدغه‌ی دلاریِ همه‌ی یوتیوبرها رو یک‌جا حل کرد! (کاملاً رایگان و اوپن‌سورس) تا حالا به این فکر کردید که چقدر زمان برای پیدا کردن ترندهای واقعی یوتیوب و تحلیل استراتژی محتوا تلف میشه؟ مخصوصاً داخل ایران که دسترسی به ابزارهای تحلیلگر سخت و پرهزینه‌ست... یکی از توسعه‌دهنده‌های خوبمون برای اولین بار تصمیم گرفته پروژه شخصی و خفن خودش رو بیاره روی گیت‌هاب و در اختیار شما بذاره. پروژه‌ای که شاید نمونه‌های خارجی‌اش کلی هزینه ماهانه داشته باشن! این ربات دقیقاً چی کار میکنه؟ استخراج هوشمند ترندها: رصد ترندهای یوتیوب از طریق RSS و API اختصاصی تحلیلگر استراتژی: مجهز به مدل‌های قدرتمند Gemini و DeepSeek برای آنالیز محتوا گزارش‌دهی مدرن: ارسال ریپورت‌های شکیل و گرافیکی HTML مستقیماً به تلگرام شاهکار فنی زیر هودِ پروژه: اگر برنامه‌نویس هستید یا به مباحث فنی علاقه دارید، این مخزن (Repository) یک مرجع و منبع واقعی برای یادگیری است چون چالش‌های سنگینی مثل: مدیریت خطاهای ساختاریافته JSON از طرف LLM معماری کاملاً ناهمگام و سرعت بالا (Async Architecture) پیاده‌سازی کشینگ حرفه‌ای روی SQLite هندل کردن پیچیدگی‌های پروکسی ... رو به تمیزترین شکل ممکن پوشش داده. https://github.com/Sajadapp/Youtube-Trend-Analyzer @DevTwitter | <CaptainMoz/>

چرا واسه اشتراک‌هایی هوش مصنوعی ماهانه چند میلیون پول بدی وقتی می‌شه سالانه‌شو با چند صد هزار تومن خرید؟ جمینای پرو ۱۸ ماهه ۴۰۰ تومن کانوا پرو ۱ ساله ۵۰۰ تومن اونم رو اکانت شخصی خودتون 😐 اشتراک‌های هوش مصنوعی، بازی‌های انلاین، پرمیوم تلگرام و خیلی چیزای دیگه ارزون‌تر از همه‌جا!👇 @birdirch @birdirch @birdirch

همه از کمبود Senior میگویند. کمتر کسی از کمبود "اولین فرصت" حرف میزند. انگار انتظار داریم آدمها با 5 سال سابقه، متولد شوند. بازار از کمبود متخصص شکایت میکند، اما حاضر نیست هزینه ساخت متخصص را بپردازد. حقیقت ساده است: هیچ Seniorی بدون یک مدیر، یک تیم یا یک شرکت که اولین فرصت را به او داده باشد، Senior نشده است. اگر هیچکس حاضر نباشد روی Juniorها سرمایهگذاری کند، دقیقاً انتظار دارید متخصصهای ۵ سال آینده از کجا بیایند؟؟ @DevTwitter | <Mohammad Hossein Alikhani/>

تا حالا شده موقع جابه‌جایی یا انتخاب بخش‌های مختلف یک اسم camelCase توی VS Code اذیت بشی؟ من برای حل این مشکل افزونه‌ ی CamelCase Navigator رو ساختم. با میانبر های (Alt + چپ) و (Alt + راست) میتونی بین بخش‌های مختلف camelCase خیلی سریع حرکت کنی و بدون دستکاری شورتکات‌ های پیش‌فرض VS Code، سرعت ویرایش کدت رو بیشتر کنی. اگر زیاد با اسم‌هایی مثل getUserProfileData یا calculateTotalPrice سروکار داری، این افزونه می‌تونه حسابی به کارت بیاد. نصب از طریق vscode Marketplace: https://marketplace.visualstudio.com/items?itemName=sobhanYaghobi.camel-case-navigator https://github.com/sobhan-yaghoubi/camel-case-navigation @DevTwitter | <Sobhan yaghoubi/>

اگر واسه پروژه‌های شخصی یا سایدپروژکت دنبال هاستینگ و سرویس رایگان می‌گردی و نمی‌خوای هر ماه پول بدی، این ریپو به کارت میاد. github.com/255kb/stack-on-a-budget یه لیست بزرگه از سرویس‌هایی که Tierخوب دارن؛ از هاستینگ و دیتابیس گرفته تا مانیتورینگ، ایمیل، احراز هویت و کلی دسته‌بندی دیگه. @DevTwitter

🔖آخرین فرصت ثبت‌نام با تخفیف دوره جامع تحلیل داده با پایتون 🎓دانشکده علوم ریاضی دانشگاه صنعتی شریف (آموزش‌‌‌های تخصصی) ☑️ ویژه علاقه‌مندان ورود به بازار کار تحلیل داده‌های کسب‌و‌کار و پژوهشگران 💡 ۱۵ هفته ۵۰ ساعت آموزش (آنلاین)، ۳۰ ساعت کارگاه و حل تمرین (آنلاین)، پشتیبانی آموزشی (منتورشیپ)، پروژه پایانی و گواهی پایان دوره 👆 معرفی کامل دوره و سوالات متداول (pdf) 📱 این دوره پیش‌نیازی فراتر از ریاضیات دبیرستان ندارد. 📆 یکشنبه‌ها و چهارشنبه‌ها ۱۸:۰۰ تا ۲۱:۱۵ 🗓 شروع از ۱۸ مرداد ۱۴۰۵ ⏳ فرصت استفاده از تخفیف ثبت نام زودهنگام چهارم: جمعه ۹ مرداد ۱۴۰۵ ✍️ درخواست پذیرش (پیش‌ثبت‌ِنام): 🔗 b2n.ir/pyda05_dtwt تماس: 📱 t.me/dlearnsup 📞 02188349244 📲 09103209837 @dlearn_ir

اگر بین انتخاب llama.cpp و vLLM برای اجرای لوکال مدل‌ها شک دارید، این مقایسه خیلی کوتاه و کاربردی تکلیف را روشن می‌کند. اصلی‌ترین تفاوتشان در هدف و محیط اجرا است: ۱. ابزار llama.cpp برای اجرا روی سیستم‌های شخصی، CPU و دیوایس‌های کم‌مصرف عالی است. با فشردگی وزن‌ها (Quantization) و فرمت GGUF اجازه می‌دهد مدل‌های بزرگ را حتی روی لپ‌تاپ یا رزبری پای اجرا کنید. ابزارهایی مثل Ollama هم از همین موتور استفاده می‌کنند. ۲. ابزار vLLM برای محیط‌های سروری و پروداکشن ساخته شده. با تکنیک‌هایی مثل PagedAttention برای مدیریت KV cache و بچینگ پیوسته (Continuous Batching)، سرعت سرویس‌دهی به چندین کاربر همزمان را به شدت بالا می‌برد. نکته خوب این است که هر دو ابزار APIهای سازگار با الگوی OpenAI ارائه می‌دهند، بنابراین تعویض آن‌ها در کد RAG یا ایجنت‌ها بسیار ساده است. Youtube: https://youtube.com/watch?v=0ujh7hfutq0 @DevTwitter | <Mehdi Allahyari/>

شنیدم دنبال Api رایگان مدل جدید دیپ سیک میگردید؟ اینم Api رایگان و بدون کلید! راحت و بدون دردسر! کافیه آدرس زیر رو بزنید: https://q5dh1rfszfym23hj.us-east-2.aws.endpoints.huggingface.cloud/v1 کلید هم هر چیزی دوست داشتید بنویسید! @DevTwitter | <بوکانت/>

خیلی‌ها فکر می‌کنن ارزون‌تر بودن DeepSeek V4-Flash فقط به خاطر قیمت پایین‌تر هر توکنه، اما این معیار همیشه تصویر کاملی از هزینه واقعی نمی‌ده. چون ممکنه یک مدل برای انجام یک کار به تعداد بیشتری تعامل یا مرحله نیاز داشته باشه و در نهایت هزینه کل بالاتر بره. اما طبق گزارش Artificial Analysis، ماجرا برای DeepSeek V4-Flash کاملاً متفاوته. این مدل نه‌تنها از نظر قیمت هر توکن بسیار ارزان‌تره، بلکه گفته می‌شه همون تسک‌های بنچمارکی که Fable 5 انجام می‌ده رو با هزینه نهایی ۱۰۵ برابر کمتر به سرانجام می‌رسونه. @DevTwitter | <Reza Jafari/>

من هر بار که اینترنت قطع میشه یا اسپاتیفای فیلتر میشه: از سگ کمترم اگه باز از اسپاتیفای استفاده کنم... همچنان من: @DevTwitter

فریم‌ورک Orca؛ جذاب برای زمانی که میخواید چندین ایجنت AI کدنویسی رو به صورت موازی مدیریت کنید. اجازه میده اشتراک‌های خودتون رو به ایجنت‌ها وصل کنید و هم رو دسکتاپ هم موبایل روی عملکردشون نظارت داشته باشید. https://github.com/stablyai/orca @DevTwitter | <کدنویس اسطوره‌ای/>

فریم‌ورک Open-Code-Review؛ ابزار کد‌ریویوی علی‌بابا که تو مقیاس واقعی تست شده و اپن‌سورس شد! یک معماری ترکیبی داره که لاین به لاین کد رو بررسی میکنه و جلوی مشکلاتی مثل خطاهای نخ (Thread Safety)، تزریق SQL و خطاهای NPE رو با هوش مصنوعی میگیره. https://github.com/alibaba/open-code-review @DevTwitter | <کدنویس اسطوره‌ای/>

فراتر از یک دیتابیس تراکنشی: بررسی قابلیت‌های HTAP، جستجوی برداری و اتصال مستقیم به Iceberg در AliSQL سال‌هاست که سیستم‌های داده را بر اساس یک قانون نانوشته می‌سازیم: جداسازی دیتابیس‌های عملیاتی (OLTP) از موتورهای تحلیلی (OLAP). همگام نگه‌داشتن این دو محیط، به معنای درگیری با پایپ‌لاین‌های پیچیده ETL، کانکتورهای شکننده CDC و بحث‌های همیشگی «تازگی داده‌ها» (Data Freshness) است. این در واقع هزینه‌ای بود که برای پایداری سیستم می‌پرداختیم؛ اما چه می‌شد اگر می‌توانستیم با چند تصمیم معماری هوشمندانه، این مرزها را پاک کنیم؟ آن هم بدون تغییرات گسترده در کدها و با حفظ پایداری همیشگی سیستم؟ این دقیقاً همان تغییری است که تیم دیتابیس ابری علی‌بابا با معرفی نسخه متن‌باز AliSQL 8.0.44-2 (انشعاب بهینه‌شده MySQL نسخه ۸) ایجاد کرده است. فرمولی برنده از ترکیب پایداری MySQL، سرعت خیره‌کننده DuckDB و قابلیت‌های پیشرفته هوش مصنوعی. این یک ایده آزمایشگاهی نیست؛ این معماری طی یک دهه برای زنده ماندن در هرج‌ومرج ترافیکی رویداد جمعه سیاه آب‌دیده شده و امروز روی بیش از ۱۰۰۰ نود پروداکشن در حال اجراست. نتیجه؟ تا ۷۰٪ پرفورمنس بهتر و ۹۵.۲٪ کاهش زمان ریکاوری (Crash Recovery) نسبت به MySQL کامیونیتی. اگر درگیر طراحی سیستم‌های داده‌محور هستید و دنبال یک پلتفرم جامع و مقیاس‌پذیر هستید و یا به دنبال بهبود MySQL خود هستید، این ۴ تغییر زیربنایی در AliSQL قطعا توجه شما را جلب خواهد کرد: ۱. موتور تحلیلی بومی DuckDB (یکپارچگی HTAP) دیتابیس AliSQL حالا DuckDB را به عنوان یک Storage Engine در کنار InnoDB به رسمیت می‌شناسد. این یعنی کوئری‌های تحلیلی ستونی تا ۲۰۰ برابر سریع‌تر اجرا می‌شوند. نکته جذاب؟ نیازی به درایور جدید یا تغییر Connection String نیست؛ برنامه‌های شما همچنان با پروتکل استاندارد MySQL ارتباط برقرار می‌کنند. ۲. جستجوی برداری بومی برای عصر AI ورک‌لودهای مدرن نیازمند جستجوی معنایی هستند. این نسخه از نوع داده VECTOR (تا ۱۶,۳۸۳ بعد) همراه با ایندکس‌های HNSW پشتیبانی می‌کند. با این قابلیت، می‌توانید الگوهای RAG، موتورهای پیشنهادگر و جستجوی معنایی را مستقیماً داخل سیستم OLTP خود اجرا کنید. ۳. نوشتن مستقیم روی Apache Iceberg (پلی به سوی Lakehouse) اینجا همان نقطه عطف ماجراست! از طریق پلاگین DuckDB Iceberg، دیتابیس دیتای تراکنشی را مستقیماً روی جداول Iceberg (درون S3) می‌نویسد. نتیجه؟ حذف کامل پایپ‌لاین‌های CDC. دیتا به محض Commit شدن، توسط موتورهایی مثل Spark، Flink و Trino قابل کوئری گرفتن است. دیتابیس عملیاتی شما دیگر فقط «منبع بالادستی» دیتا لیک نیست، بلکه تبدیل به بخشی از خود دیتا لیک شده است. ۴. بهینه‌سازی‌های عمیق و Native Flashback امکان کوئری زدن به دیتای گذشته با AS OF TIMESTAMP و بهینه‌سازی‌های سطح پایین Binlog که باعث کاهش شدید I/O اضافی و تاخیر در Commit تراکنش‌های بزرگ شده است. تصویر بزرگ‌تر: عصر Lakebase هرچند مفهوم “Lakebase” اخیراً توسط بازیگرانی مثل Databricks مطرح شده، اما معماری‌ای که AliSQL فراهم کرده، دقیقاً به همان الگوی یکپارچه OLTP + Lakehouse می‌رسد. این نشان‌دهنده یک همگرایی جدی در صنعت است؛ صنعتی که قاطعانه به سمت پاک کردن مرز بین تراکنش‌ها و تحلیل‌ها حرکت می‌کند. این بازطراحی اساسی نشان می‌دهد که معماری‌های HTAP و همگرایی OLTP و Lakehouseها جدی‌تر از همیشه در حال توسعه هستند. https://github.com/alibaba/AliSQL @DevTwitter | <Mojtaba Banaie/>

طلای بدون اجرت و هزینه نگهداری از کجا بخریم؟ 🟢 یکی از مهم‌ترین نکاتی که برای سرمایه‌گذاری در طلا باید به آن توجه کرد، هزینه‌های آن است. این هزینه‌ها شامل اجرت، مالیات و هزینه‌های نگهداری است. 🟢 صندوق‌های طلا نه تنها هیچ‌کدام از این هزینه‌ها را ندارند، بلکه امکان مدیریت حرفه‌ای طلا، نقدشوندگی بالا و بازدهی بهتر از طلا را فراهم می‌کنند. 🟢 «رز ترنج»، یک صندوق طلا است که پشتوانه آن طلای فیزیکی موجود در انبار بورس کالا است. 🟢 صندوق طلای رز ترنج با حداقل ۱۰۰ هزار تومان و از تمام کارگزاری‌ها قابل خرید است. ▫️ @ToranjCapital

توی حوزه پژوهش و مقاله نویسی حتما نیازت میشه. با PaperBanana میتونید شکل و جداول با کیفیت از روی متن مقاله تون استحراج کنید، یعنی تقریبا کار Visio, Diagram.io و امثالهم رو انجام میده. شما وقتی محتوای مقاله تون کامل شد، حالا متن رو به عنوان ورودی به paperbanana میدید و خودش بخش هایی که نیاز به جدول، شکل، مقایسه و ... داشته باشه رو ایجاد و به مقاله اضافه میکنه. روش های استفاده و بکارگیری: CLI, Python API, MCP server https://github.com/llmsresearch/paperbanana @DevTwitter | <Ali Nazarizadeh/>

#کدبوک راهنمایی کاربردی برای ساخت و ایمن‌سازی اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ (LLM): - آشنایی با تهدیدات رایج مثل Prompt Injection و نشت اطلاعات - آموزش روش‌های محافظت از مدل‌ها، داده‌ها و APIها - پیاده‌سازی اصول امنیتی در اپلیکیشن‌های مبتنی بر هوش مصنوعی - مناسب برای توسعه‌دهنده‌هایی که با LLMها و AI کار می‌کنن و به امنیت اهمیت می‌دن * فایل PDF این کتاب رو میتونید از کانال DevBooks که لینکش توی بیو هست دانلود کنید. @DevTwitter

اگر می‌خوای سایتت رو سریع‌تر کنی ولی نمی‌دونی از کجا شروع کنی، این ریپو رو ببین: http://github.com/davidsonfellipe/awesome-wpo… یه لیست بزرگه از ابزار و مقاله برای بهینه‌سازی سرعت سایت، از فشرده‌سازی عکس تا مانیتور کردن Core Web Vitals. همه‌چی از قبل جمع شده. @DevTwitter

مرورگر داخلی اپ ChatGPT داره روز به روز بهتر می‌شه... شرکت OpenAI توی آپدیت جدیدش، ویژگی پیشنهاد URL رو موقع تایپ کردن به این مرورگر اضافه کرده. به جز این، افزونه کرومش هم کلی امکانات جدید مثل خوندن صفحه‌های باز و پرسیدن سوال از روی متن‌های انتخاب شده رو اضافه کرده. @DevTwitter | <Behrad Javed/>

اگر برنامه دسکتاپ می‌سازید، Tauri رو بشناسید. برخلاف Electron، از WebView خود سیستم‌عامل و Rust استفاده می‌کنه؛ نتیجه؟ خروجی سبک‌تر و مصرف رم کمتر. باهاش می‌تونید برای Windows، Linux، macOS، Android و iOS اپ بسازید. https://github.com/tauri-apps/awesome-tauri @DevTwitter | <Sadra Majidi/>

وقتی غول‌های هوش مصنوعی چند ده دلار می‌گیرند، DeepSeek با چند سنت وارد می‌شود! راستش یکی از چیزهایی که همیشه درباره مدل‌های چینی دوست دارم اینه که هر بار شرکت‌های بزرگ غربی با مدل‌های جدیدشون کلی سر و صدا می‌کنن، بنچمارک منتشر می‌کنن و بعد بابت هر میلیون توکن چندین دلار از کاربرها پول می‌گیرن، یه شرکت چینی از راه می‌رسه و تقریباً همون کیفیت رو با کسری از قیمت ارائه می‌ده. حالا هم نوبت DeepSeek V4 Flash 0731 رسیده که دوباره همین داستان رو تکرار کنه. دیپ‌سیک به‌تازگی نسخه جدید مدل خودش یعنی DeepSeek V4 Flash 0731 رو منتشر کرده؛ مدلی که نسبت به نسخه قبلی جهش خیلی بزرگی داشته و الان به یکی از جدی‌ترین رقیب‌های مدل‌های مطرح بازار تبدیل شده. این مدل در شاخص هوش Artificial Analysis امتیاز 50 رو کسب کرده؛ یعنی 10 امتیاز بیشتر از DeepSeek V4 Flash قبلی و فقط یک امتیاز پایین‌تر از GPT-5.6 Luna. جالب‌تر اینکه با وجود این سطح از عملکرد، هزینه استفاده ازش همچنان فوق‌العاده رقابتیه. قیمت DeepSeek V4 Flash 0731 برای هر یک میلیون توکن ورودی فقط 0.14 دلار و برای هر یک میلیون توکن خروجی 0.28 دلار هست. اگر هم از کش استفاده بشه، قیمت به 0.0028 دلار برای هر میلیون توکن می‌رسه که معادل 98 درصد تخفیف محسوب می‌شه. طبق ارزیابی Artificial Analysis، هزینه انجام کارهای مشابه با این مدل حدود 60 درصد کمتر از GPT-5.6 Luna در API رسمی OpenAI هست؛ در حالی که سطح هوش این دو مدل تقریباً به هم نزدیکه. از نظر مشخصات فنی هم تغییری در معماری ایجاد نشده و مدل همچنان از پنجره متنی یک میلیون توکنی پشتیبانی می‌کنه؛ یعنی می‌تونه حجم بسیار زیادی از متن و اطلاعات رو به‌صورت هم‌زمان پردازش کنه. همچنین اندازه مدل 284 میلیارد پارامتر هست که در زمان اجرا فقط 13 میلیارد پارامتر فعال می‌شن. اما چیزی که بیشتر از همه جلب توجه می‌کنه، رشد عملکرد این نسخه نسبت به نسل قبلیه. امتیاز مدل در آزمون‌های مربوط به انجام کارهای واقعی و Agentic به شکل چشمگیری افزایش پیدا کرده و توانایی اون در برنامه‌نویسی، استدلال، حل مسائل پیچیده و انجام وظایف چندمرحله‌ای به‌مراتب بهتر شده. یه نکته جالب دیگه اینه که مدل جدید در عین قوی‌تر شدن، بهینه‌تر هم شده. برای رسیدن به نتایج بهتر، حدود 12 درصد توکن کمتری نسبت به نسخه قبلی مصرف می‌کنه؛ یعنی هم هوشمندتر شده و هم اقتصادی‌تر. دیپ‌سیک همچنین موفق شده میزان هالوسینیشن یا همون «اطلاعات ساختگی» رو کاهش بده. طبق نتایج منتشرشده، نرخ خطا و پاسخ‌های نادرست نسبت به نسخه قبل کمتر شده و این موضوع باعث می‌شه خروجی‌های مدل قابل‌اعتمادتر باشن. یکی از جذاب‌ترین اعداد منتشرشده هم مربوط به Terminal-Bench هست؛ جایی که امتیاز مدل از 56.9 در نسخه اولیه آوریل به 82.7 رسیده. این یعنی یک جهش 25.8 امتیازی که واقعاً عدد قابل‌توجهیه. در حال حاضر DeepSeek V4 Flash 0731 فقط از طریق API رسمی دیپ‌سیک در دسترسه، اما طبق اعلام شرکت، نسخه Open Weights مدل هم به‌زودی منتشر می‌شه. در مجموع، DeepSeek V4 Flash 0731 دوباره نشون می‌ده که چرا این روزها باید مدل‌های چینی رو خیلی جدی گرفت؛ مدلی که تونسته عملکردی نزدیک به بهترین مدل‌های بازار ارائه بده، اما با هزینه‌ای که در بعضی سناریوها حتی به یک‌دهم رقبای غربی هم نمی‌رسه. @DevTwitter | <Reza Jafari/>