نوشته‌های ترمینالی

یه موقعیت شغلی توی بلاگ byte byte go دیدم که خیلی جالب بود. شاید یه دید خوبی به شما هم بده که دنیای برنامه نویسی داره به کدوم سمت می‌ره. موقعیت شغلیش آموزش 𝐖𝐫𝐢𝐭𝐞 𝐏𝐫𝐨𝐝𝐮𝐜𝐭𝐢𝐨𝐧 𝐆𝐫𝐚𝐝𝐞 𝐂𝐨𝐝𝐞 𝐰𝐢𝐭𝐡 𝐀𝐈 بود. و توانایی که لازمه داشته باشی. با ایجنت ها بلد باشی کار کنی، نحوه کارشون رو بشناسی. برای کدی که نوشته میشه هم بلد باشی با سرعت بالا ریویو کنی و باگ و مشکلات امنیتیشون رو بشناسی تا ai slop مرج نکنی. https://blog.bytebytego.com/p/hiring-part-time-instructor-write

در این باره من یکسری کتاب ورق زدم، یکیش که خیلی دوست داشتم کتاب AI engineering از Orielly بود. آخر ۲۰۲۴ منتشر شده بنابراین تمرکزش روی Agent ها شاید زیاد نباشه ولی مفاهیم پایه رو بدون ریاضی و بدون کد، در حد مفاهیم کاربردی آموزش میده. در واقع همون طور که اسمش میگه بیشتر جنبه مهندسی داره و به دل من نشست. صفحه معرفی کتاب: https://www.amazon.co.uk/dp/1098166302 وبسایت نویسنده: https://huyenchip.com/ ریپوی گیتهاب یک نفر که داره کتاب رو میخونه: https://github.com/chiphuyen/aie-book

یه کتاب از یکی از نویسندگان Designing data intensive applications اسمش که خیلی خلاقانه هم هست The missing README ئه، و سعی میکنه نکات عملی در حوزه کار نرم‌افزار رو بگه که جای دیگه در دانشگاه و غیره بهش پرداخته نمیشه. فصل های متنوعی داره و چیزهای جالبی گفته، نقدش رو اینجا بخونید: https://nurkiewicz.com/2021/10/the-missing-readme-book-review.html

Linux file permissions are more than just rwx. Learn about the special permisions. https://linuxhandbook.com/suid-sgid-sticky-bit/

ما اینجا هم از خوبی AI گفتیم هم از بدیش، هم فهمیدیم چقدر خوبه هم دیدیم کجاها به درد نمی‌خوره، ولی همه اینا یه معنی داره: یادگیری استفاده درست از هوش مصنوعی برای پیشرفت در خیلی از حرفه‌ها، مخصوصاً شغل‌های مرتبط با کامپیوتر لازمه. از دید من می‌شه یادگیری AI رو به سه سطح تقسیم کرد: سطح اول: سطح خیلی زیرساختیه که نشون می‌ده چطور Deep Learning و LLMها آموزش می‌بینن، Fine-tune می‌شن، Inference انجام می‌دن، متن تولید می‌کنن، معماری Transformer چیه، معماری‌های مختلف چه تفاوتی با هم دارن و الی آخر. سطح دوم: این سطح به شکل کاربردی‌تر به مسئله نگاه می‌کنه. نمی‌خواد خودش LLM بسازه، ولی می‌خواد بدونه چه توانایی‌هایی داره، RAG چیه، MCP چیه و چه نقشی در اتصال مدل به ابزارها و منابع داده داره، چطور مدل می‌تونه با دنیای بیرون ارتباط برقرار کنه (مثلاً با Tool Calling)، و مفاهیمی مثل Thinking Effort رو هم می‌شناسه. سطح سوم: این سطح آسون‌ترین و به نظرم مهم‌ترین سطحه. این که بتونیم به ChatGPT یا یه مدل چتی دیگه پرامپت بدیم و جواب بگیریم، بتونیم دو تا agent تحت ترمینال ستاپ کنیم و ازشون استفاده کنیم. تو این سطح به نظرم این که چه چیزی رو به مدل بگیم (توی Context بذاریم)، به چه چیزهایی دسترسی داشته باشه، برای انجام چه کارهایی باید از کاربر اجازه بگیره، کدوم مدل با کدوم agent بهتر کار می‌کنه و برای چه کاری سریع‌تر و البته ارزون‌تره مهمه. اینجا قیمت API هم به نظرم اهمیت داره؛ اگر کارم با DeepSeek راه می‌افته، سراغ خانواده Claude نرم. اگر با Sonnet راه می‌افته سمت Fable نرم و هزینه‌م رو کمتر کنم و حتی در زمان هم صرفه‌جویی کنم. دید من اینه که سطح اول واجب نیست، ولی سطح دوم و سوم برای بیشتر برنامه‌نویس‌ها ضروریه. و حالا نوبت شماست! اگر محتوای آموزشی، متن، ویدیو، کورس یا هر چیز دیگه‌ای می‌شناسید که یک یا چند تا از این موضوع‌ها رو خوب توضیح داده، معرفی کنید. همچنین کنارش بگید بیشتر مربوط به کدوم سطحه.

یه کانال برای جامعه اوپن‌سورس راه انداختیم؛ جایی که پروژه‌های جذاب گیت‌هاب، ابزارهای کاربردی و ریپازیتوری‌های جدید رو معرفی میکنیم. الان بیش از 4,000 برنامه‌نویس همراهمون هستن و هر روز پروژه‌های جدیدی برای یادگیری، استفاده یا الهام گرفتن منتشر میکنیم. لینک کانال: t.me/RepoFA t.me/RepoFaGP اگه دنبال ابزارها و پروژه‌های جدید هستید، یه سر بزنید؛ شاید چیزی پیدا کنید که به کارتون بیاد.

یه مطلب آموزشی خیلی خوب برای CORS من این سبک توضیح دادن رو خیلی دوست دارم. به نظرم هم قابل فهم بود هم عمق خوبی داشت. https://sanyamserver.online/posts/cors/

آیا خروجی AI خروجی ماست؟ یا ما نظارتی روش داریم؟ Cognitive offloading is delegating to the AI and still owning the answer. Cognitive surrender is when the AI’s output quietly becomes your output and there is nothing you feel is left to check. For software engineers the line between the two moves under your feet most days, and most of us are crossing it without noticing. https://addyosmani.com/blog/cognitive-surrender/ و https://newsletter.manager.dev/p/the-i-don-t-know-claude-wrote-this-pandemic

این مطلب خوب از بلاگ byte Byte go میاد و تفاوت های معماری LLMهای معروف (Gemini, ChatGPT و Claude) رو در حدی که توضیحات رسمیشون موجود هست توضیح میده. مثلا این که multi modal چیه، mixture of experts چیه و model routing چطوریه و چرا انجام می‌شه. https://blog.bytebytego.com/p/chatgpt-vs-gemini-vs-claude-how-they

در ادامه قوانینی که اسم دارن مثل قانون مورفی، یک سری قوانین نانوشته هم داریم که خوبه در نظر بگیریم و رعایت کنیم. مثلا این که تا وقتی بکاپی رو واقعا برنگردوندیم بودم و نبودنش هیچ فرقی نمی‌کنه. :)) https://zaidesanton.substack.com/p/the-unwritten-laws-of-software-engineering

امروز روز بزرگداشت خوارزمی و به همون مناسبت روز فناوری اطلاعاته. مبارکتون باشه. :))

چطور در openai یک (در واقع دوم باگ سیستمی که باعث segmentation fault می‌شده رو پیدا کردن؟ درس مهم؟ دیتای زیاد از باگ پیدا کنید. دیتایی که از رخدادهای متفاوت باگ باشه تا بشه وجه مشترک رخداد ها رو پیدا کرد. https://openai.com/index/core-dump-epidemiology-data-infrastructure-bug/

چه پترن‌هایی برای گذار از مونولیت به میکروسرویس وجود داره؟ https://newsletter.systemdesigncodex.com/p/monolith-to-service-architecture

چه زمانی خوبه که از قاعده DRY فاصله بگیریم و تکرار اشکالی نداره؟ مثل خیلی از تصمیم های دیگه مهندسی، این که یه کد تکراری رو تبدیل به abstraction کنیم یا نه یه tradeoff ئه. این مطلب این tradeoff رو باز می‌کنه و سعی می‌کنه مزایا معایب هر کدومش رو بررسی کنه. مثال هایی در لایه های مختلف از inheritance و composition تا تبدیل کد مشترک به میکروسرویس مجزا. https://newsletter.francofernando.com/p/when-to-repeat-yourself?triedRedirect=true

آیا مشغول بودن مساوی مفید بودنه؟ نه. حالا AIدر محل کار چه تأثیری روی این گذاشته و ما چیکار میتونیم بکنیم که هم مفید بمونیم هم خودمون رو خوب present کنیم. اگر یه کارمند معمولی هستید که فکر میکنید دیگه در عصر AI مفید نیستید، حتما توصیه میکنم بخونید. https://www.charafeddine.co/letters/heroically-busy

دوست دارید بدونید ستاپ برنامه نویسی و AI دیگران چطوریه؟ یه بلاگ پست خوب در این مورد. https://blog.bytebytego.com/p/an-ex-meta-l8s-agentic-engineering

در ساده ترین حالت خودش، CQRS چی به ما می‌ده؟ چطور میشه پیاده سازیش کرد؟ کجا ایده خوبیه؟ آیا حتما نیاز به دیتابیس مجزا و event bus داره؟ https://thetshaped.dev/p/cqrs-without-the-astronaut-architecture-split-read-write-paths-typescript-nodejs-backend-service

برنامه note taking مورد علاقه‌م یعنی Obsidian یه cli بامزه اضافه کرده. https://obsidian.md/cli با توجه به این که کلا local first هست و فایل ها در فایل‌سیستم قابل دسترسی هستن، برای من کاربرد آنچنانی نداره، ولی شما هم دوست دارید نگاهش کنید.

یه نفر به اسم هنری می‌شینه ریاضیات و هوش مصنوعی رو به صورت شخصی نوت برداری می‌کنه و بعد دوستاش از روش می‌خونن و توی مصاحبه های OpenAi و Nvidia قبول می‌شن؛ حالا اون شخص اومده نوت هارو پابلیک کرده: github.com/HenryNdubuaku/maths-cs-ai-compendium @Linuxor

چطور مهندس‌های Airbnb یک پتابایت (هزار ترابایت) داده رو از دیتابیس قدیمی به دیتابیس جدید بدون داون‌تایم منتقل کردن؟ https://scaleengineer.com/blog/how-airbnb-migrated-a-petabyte-without-users-noticing یه مقدار زیاده گویی کرده ولی نکات جالبی داره.