WebBaz | وب باز

و حالا Hy3 حالا به‌صورت رایگان روی OpenCode در دسترسه. مدل جدید کدنویسی Tencent با مشخصات: کانتکست 256K کاملاً Open Source بهینه برای Coding و Agentها نکته جالب اینجاست که بازخوردهای اولیه توسعه‌دهنده‌ها توی X، Reddit و یوتیوب اکثراً مثبته. خیلی‌ها می‌گن نسخه نهایی Hy3 نسبت به Hy3 Preview جهش محسوسی داشته، از طرفی عده‌ای هم معتقدند باید صبر کرد تا عملکردش در پروژه‌های واقعی و خارج از بنچمارک‌ها بیشتر محک بخوره. همونطور ک همیشه گفتیم. بنچمارک فقط ی عدده. به‌نظرم چیزی که این مدل رو جذاب می‌کنه فقط رایگان بودنش نیست؛ سرعت پیشرفت مدل‌های متن‌باز چینی واقعاً عجیب شده. تقریباً هر چند هفته یک مدل جدید میاد که فاصله با بهترین مدل‌های بسته (Closed-source) رو کمتر می‌کنه. اگر همین روند ادامه پیدا کنه، رقابت اصلی AI تا پایان امسال بیشتر بین مدل‌های Open Source خواهد بود تا شرکت‌های Closed. 😎 Kaveh

قابلیت اضافه کردن جستجوی معنایی (Semantic Search) به وب سایتتون یعنی به جای جستجوی دقیق کلمه "interدثا" معنی و مفهوم جمله را درک و متن‌های مرتبط با اون را پیدا کنه یک مدل تعبیه‌سازی متن (Embedding Model) جدید Ternlight با اندازه‌ی (۷ مگابایت) کارش همینه https://ternlight-demo.vercel.app @DevTwitter | <MehrdadLinux/>

اگر با AI به صورت همزمان با git worktree روی کد کار می‌کنید، این onorca.dev برای شماست. کلی امکانات ریز اما کاربردی داره و واقعاً توصیه می‌کنم. رایگانه و اپن‌سورس و به صورت فعال توسعه داده می‌شه. باعث شد اون محصول روی ترمینال که قبلاً استفاده می‌کردم رو بگذارم کنار. @DevTwitter | <Hamed/>

یه پروژه آموزشی خیلی جالب توسط huggingface به تازگی منتشر شده که با مطالعه‌اش یاد میگیرین چطوری coding agent بسازین. ریپوی گیت‌هابش: https://github.com/huggingface/tau @DevTwitter | <Mehrdad Ameri/>

تجربه ی کار با claude code و مدیریت توکن ها: به طور کلی تجربه ی مفیدی بود ولی توی ۲ روز ۵۰ درصد لیمیت هفتگیم رو پر کرد...البته درستش کردم که توضیح میدم پایینتر به طور کلی اگه پروژه بزرگ دارید با ۱۰ تا پرامپت اولی که بهش میدید پول خودشو در میاره من ۳ ۴ تا کار انجام دادم تا لیمیت هفتگیش سر ۴ روز نخورم: دیفالت کلاد خیلی فکر میکنه و فکرش خیلی گرون در میاد تو قدم اول زدم روی low و هنوز خنگ نشده به نظر: /effort low این مفید ترین گام بود. ولی ۲ تا چیز دیگه هم پیدا کردم برای بهتر کردن مصرف که من چشم بسه هردوتاشو زدم همراه /effort low و دقیقا نمیدونم کدوم باعث شد لیمیت هفتگی من از ۳۰ درصد جلو نزنه😐😂 پلاگین context-mode اسکیل cost-optimizer توضیح ai برای اولی: یک MCP server هست که بین AI coding agent تو (مثل Claude Code، Cursor، Copilot، Gemini CLI و...) و ابزارهایش قرار می‌گیره، با هدف اصلی صرفه‌جویی ۹۸٪ در context window. چطور کار می‌کنه؟ وقتی یه tool call می‌خواد output حجیمی توی context بریزه (مثلاً یه فایل بزرگ، نتیجه grep، یا یه HTTP request)، context-mode اون رو رهگیری می‌کنه و در یه subprocess sandboxed اجرا می‌کنه. داده خام هرگز وارد context نمی‌شه — بجاش توی یه FTS5 database با BM25 ranking ایندکس می‌شه، و agent فقط یه خلاصه کوتاه می‌بینه و وقتی نیاز داشت جستجو می‌کنه. توضیح ai برای دومی: این skill یه مجموعه راهنما و template آماده‌ست که هزینه استفاده از Claude Code رو 30 تا 60 درصد کاهش می‌ده. کارایی مثل کنترل thinking tokens Model routing هوشمند بهینه‌سازی CLAUDE.md Batch کردن task‌ها یه کار دیگه هم که کردم فایل CLAUDE.md رو بهینه کردم و اضافاتشو دستی حذف کردم. زیر ۸۰ خط شد. و فایل .claudeignore هم ساختم

🔶 وضعیت شرکت‌های بزرگ هوش مصنوعی در آمریکا و چین نشان می‌دهد هزینه ‌های توسعه و نگهداری به‌طور قابل توجهی افزایش یافته است. همین موضوع باعث شده بحث ‌های جدی درباره قیمت‌گذاری توکن ‌ها و سوددهی مدل ‌ها شکل بگیرد. در نتیجه، احتمال دارد در آینده محدودیت نسخه ‌های رایگان بیشتر شود و قیمت استفاده از مدل ‌های پیشرفته افزایش پیدا کند. #هوش_مصنوعی @TheRaymondDev

🌐 بهترین ترکیب های فونت فارسی و انگلیسی 🔹 lobster / دریا 🔹 Good Teacher / فیروز 🔹Barbie / تیام 🔹 Mafins / انتظار 🔹 Baby Spooky / کپسول 🆔 @rezadolati01

خستم از کامیونیتی نرم افزار همش هوش مصنوعی هوش مصنوعی هوش مصنوعی یاد قدیما بخیر ...

متد جدید HTTP؛ آشنایی با QUERY اگر تا حالا با REST یا HTTP کار کرده باشید، قطعا با متدهای GET، POST، PUT، PATCH و DELETE آشنایی دارید. اما بعد از حدود ۱۶ سال، یک متد جدید به پروتکل HTTP اضافه شده که اسمش QUERY هست. بیاید با یه مثال ببینیم اصلاً چرا چنین متدی به وجود اومده. فرض کنید یه endpoint به اسم orders داریم که از Pagination، Filter، Sort و موارد مشابه پشتیبانی می‌کنه. معمولاً برای دریافت اطلاعات از متد GET استفاده می‌کنیم و پارامترها رو هم به صورت Query String داخل URL می‌فرستیم.

GET /orders?status=paid&limit=20&offset=0

این روش سال‌هاست که استفاده میشه و تو اکثر مواقع هم کاملاً منطقیه، اما چند تا محدودیت داره: • طول URL محدوده (معمولاً حدود ۸۰۰۰ کاراکتر یا حتی کمتر، بسته به سرور و مرورگر) • پارامترها داخل URL قرار می‌گیرن و ممکنه توی لاگ‌های سرور ثبت بشن. • ساختن کوئری‌های پیچیده مثل فیلترهای پیشرفته، SQL، JSONPath و... سخت یا حتی غیرممکنه. • انکودینگ کردن پارامترهای پیچیده هم دردسرهای خودش رو داره. معمولاً وقتی به این محدودیت‌ها می‌رسیم، خیلی‌ها به جای GET از POST استفاده می‌کنن و پارامترها رو داخل Body درخواست می‌ذارن.

POST /orders HTTP/1.1
Host: api.example.org
Content-Type: application/x-www-form-urlencoded

select=surname,givenname,email&limit=10&match="email=@example."

این روش مشکل محدودیت URL رو حل می‌کنه، اما خودش چند تا ایراد مهم داره: • متد POST ذاتاً Idempotent نیست؛ یعنی اگر وسط ارسال درخواست ارتباط قطع بشه، نمی‌شه با خیال راحت همون درخواست رو دوباره ارسال کرد، چون ممکنه عملیات دوباره انجام بشه. • پاسخ‌های POST به صورت پیش‌فرض از Cache استاندارد HTTP استفاده نمی‌کنن. • پروکسی ها و CDNها نمی‌تونن تشخیص بدن که ارسال مجدد این درخواست امن هست یا نه. • هر فریم‌ورک هم معمولاً راهکار خودش رو برای پیاده‌سازی چیزی مثل Safe POST داره و استاندارد یکپارچه‌ای وجود نداره. اینجاست که QUERY وارد میشه. ایده‌ی اصلی QUERY اینه که بهترین ویژگی‌های GET و POST رو با هم ترکیب کنه. از یه طرف مثل GET فقط برای خوندن اطلاعات استفاده میشه و هیچ تغییری روی وضعیت سرور ایجاد نمی‌کنه، و از طرف دیگه مثل POST می‌تونه داده‌های پیچیده رو داخل Body درخواست ارسال کنه. در نتیجه درخواست‌هامون به این شکل درمیاد:

QUERY /orders HTTP/1.1
Host: api.example.org
Content-Type: application/x-www-form-urlencoded
Accept: application/json

select=surname,givenname,email&limit=10&match="email=@example."

به این ترتیب دیگه محدودیت طول URL وجود نداره و می‌تونید هر نوع فیلتر پیچیده، کوئری، JSONPath یا هر داده‌ی دیگه‌ای رو داخل Body ارسال کنید. اما مزیت QUERY فقط این نیست. یکی از مهم‌ترین ویژگی‌های این متد، Idempotent بودنشه. یعنی اگر به هر دلیلی ارتباط شبکه قطع بشه، کلاینت می‌تونه همون درخواست رو دوباره ارسال کنه و مطمئن باشه نتیجه دقیقاً همون نتیجه‌ی قبلی خواهد بود. برخلاف POST که ارسال مجددش ممکنه باعث ایجاد داده‌های تکراری یا اجرای دوباره‌ی عملیات بشه. از طرف دیگه، چون QUERY یک متد Safe محسوب میشه و فقط برای دریافت داده استفاده میشه، زیرساخت‌های HTTP مثل مرورگرها، Proxyها و CDNها می‌تونن پاسخش رو مثل GET کش کنن. یعنی درخواست‌های پیچیده‌ای که قبلاً مجبور بودیم با POST بفرستیم، حالا می‌تونن از مزایای Cache استاندارد HTTP هم استفاده کنن. یکی دیگه از قابلیت‌های جالب QUERY اینه که سرور می‌تونه برای خودِ درخواست یک URI دائمی ایجاد کنه. یعنی به جای اینکه فقط نتیجه‌ی جستجو قابل دسترس باشه، خود Query هم یک آدرس اختصاصی خواهد داشت. هر بار که اون آدرس فراخوانی بشه، همون جستجو دوباره روی داده‌های جدید اجرا میشه. این قابلیت برای Share کردن جستجوها، Bookmark کردنشون یا اجرای دوره‌ای یک Query بدون ارسال دوباره‌ی Body خیلی کاربردیه. در نهایت، متد QUERY به صورت رسمی استاندارد شده، اما هنوز راه زیادی تا استفاده‌ی گسترده ازش باقی مونده. بعضی از اکوسیستم‌ها مثل Go و Java کار روی پشتیبانی ازش رو شروع کردن و احتمالاً در آینده اسم این متد رو بیشتر خواهیم شنید. البته فعلاً پشتیبانی ازش محدود به چند کتابخونه و سرور خاصه و هنوز اکثر فریم‌ورک‌ها و API Gatewayها ازش پشتیبانی کامل ندارن. اگر دوست دارید بیشتر درباره این متد بدونید، پیشنهاد می‌کنم RFC مربوط بهش رو هم بخونید: https://www.rfc-editor.org/info/rfc10008 #programming @Syntax_fa

فکر کن پروژت رو موبایل باگ داره. اما تو گوشی دیگه Devtools نداری که لاگ بندازی یا یسری کارای دیگه بکنی. این‌جاست که پکیج VConsole میاد وسط. این پکیج تو مرورگر گوشی یه DevTools باز می‌کنه که می‌تونی لاگ های کنسول, Network, Storage, Elements و ... رو ببینی و مانیتور کنی: 🔗 https://www.npmjs.com/package/vconsole پ‌ن: خودم تستش نکردم. تو یکی‌ از مقالاتی که می‌خوندم دیدمش. @Mern_stack_01

اختراع ai ( چیزی که الان وجود داره حدس دقیق ترین و مرتبط ترین کلمه بعدی هست نه هوش واقعی، در واقع محاسبات آماری موتور اصلی هست اما نکته اینه که کار می کنه) به معنی مصطلح فعلی یک پارادایم شیفت بود. در حالت عادی انسان برای تفکر و تحلیل پیش فرض های زیادی رو ثابت در نظر می گیره در حالی که وقتی تغییر پارادایم اتفاق می افته پیش فرض ها شکسته می شن و از بین می رن به همین دلیل اکثر تحلیل ها و پیش بینی هایی که بر اساس الگوی فکری قدیمی انجام می شه شکست می خورن در حال حاضر درک عامل (agent) بودن ai در مقایسه با ابزار (tool) بودن اختراعات قبلی برای اکثریت افراد دشوار هست سطح تحصیلات و تخصص هم تاثیر چندانی نداره چون این مسئله به الگوی تفکر افراد و ظرفیت اونها در درک و پذیرش عمق و حجم تغییرات ربط داره بزرگان زیادی مثل توروالدز و ... در ابتدا ai فعلی رو دست کم می گرفتن اما کم کم نظرشون تغییر کرد و خواهد کرد به صورت طبیعی به دلیل عدم درک صحیح تغییر پارادایمی که اتفاق افتاده اکثریت ما همچنان بر اساس اصول و قواعد دوران قبل از ai فکر می کنیم به همین دلیل هر بار با دیدن میزان و سرعت تغییرات و ابداع ها در حوزه های مرتبط ai متعجب می شیم حتی ممکنه دچار یأس و سرخوردگی بشیم و پشیمون از اینکه اصلا چرا وارد حوزه برنامه‌نویسی و نرم افزار شدیم چون آینده ای که پیش رو می بینیم مبهم و ناشناخته هست. ترس از ندانستن می یاد. الان که به Loop Engineering رسیدیم وقتی به گذشته نگاه کنیم و مرور کنیم می بینیم که اگر agent بودن ai رو درست درک می کردیم رسیدن به Loop Engineering چندان چیز عجیبی به نظر نمی رسه. چرا؟ چون رفتار طبیعی انسانی همین هست یک کودک رو در نظر بگیرید و مسیر رشد و یادگیری یک مهارت توسط کودک رو تجسم کنید چه اتفاقاتی رخ می ده؟ یادگیری زبان و صحبت کردن شناخت انسان ها و فضای اطراف تجربه کردن و فهمیدن و یاد گرفتن چیزهای امن و خطرناک رشد و رسیدن به مرحله یادگیری یک مهارت و یاد گرفتن نحوه کسب یک مهارت (لوپ ماهر شدن در انجام کارها) حالا مرحله بعد چیه؟ منطقا با مطالعه سیر رفتار انسان ها و جوامع می شه حدس زد تخصصی شدن ایجنت ها رخ خواهد داد(دقیقا مثل تخصص های فعلی) اندازه اونها و میزان مصرف انرژی کاهش پیدا خواهد کرد ایجنت هایی ایجاد خواهند شد که به صورت تخصصی وظیفه مدیریت رو بر عهده خواهند داشت مجموعه ایجنت ها مثل شرکت ها کارخانه ها و سازمان ها شکل خواهد گرفت که بتونن با ترکیب تخصص ها و ایجاد خطوط تولید باعث کاهش هزینه و افزایش بهره‌وری و افزایش تولیدات بشوند ابتدا حجم تولیدات بالا خواهد رفت و بعد کیفیت یک سوال مهم اینه، تکلیف انسان چه خواهد شد؟ نظر شخصی من خیلی خیلی ساده می گم منطقا تفاوت چندانی بین IQ مثلا تا ۱۲۰ نخواهد بود فاصله بین افرادی که در این بخش قرار می گیرند از بین خواهد رفت چرا که همه کارهایی که این گروه می تونن انجام بدن با هزینه کمتر توسط ai قابل انجام خواهد بود مگر اینکه بتونن خودشون رو جدا کنن و برن به طبقه ای که ai رو کنترل می کنند البته یک پیش فرض وجود داره، انرژی همچنان ارزان باشه تا زیرساخت ai اقتصادی بمونه

اگه به امنیت علاقه داری، من یه رایت آپ چند روز پیش نوشتم که یه دید خوبی از DNS و حملات مرتبط باهاش بهت میده. کلا اگه برنامه نویسم هستی بهتره بری بخونیش. چند جایی share کردم فیدبکا مثبت بوده، اینقدر آپدیتش میکنم تا یه مرجع کامل از حملات DNS شه. https://aromatic-infinity-1b2.notion.site/DNS-38a1255a69d48041a911cf2251058c72 @DevTwitter | <Yazdan Fathali/>

اگر میخوای AI به جای Vibe Coding یک فرآیند مهندسی‌شده رو طی کنه یعنی اول بره مشخصات کامل تسک رو دربیاره بعد نقشه فنیش رو تولید کنه و بعد بر اساس نقشه وظایف رو ایجاد کنه و در نهایت کدها رو تولید کنه این برای تو هست https://github.com/github/spec-kit @DevTwitter | <Reza :)/>

برنامه‌ی Sharron یه انجین همگام‌سازی (Sync) فایل به صورت Peer-to-Peer و تو شبکه‌های LAN هستش. به این شکل کار می‌کنه که دستگاه‌هاتون رو توی یه شبکه محلی بدون نیاز به سرور ابری پیدا میکنه، بینشون تونل امن می‌زنه و فایل‌ها رو به صورت خودکار سینک نگه می‌داره. https://github.com/1MahdiR/Sharron @DevTwitter | <M R/>

یک ریپو دیگه آماده کردم که توش یک agent harness برای RAG پیاده سازی کردم. این روش agentic RAG هست به همراه agentic search. هم میتونید به صورت CLI استفاده کنید و هم توی web UI. بلاگش را به زودی مینویسم و میذارم توی newsletter. ولی کد کامله و میتونید استفاده کنید. جا هم برای بهبود و اضافه کردن فیچر بیشتر هست. ولی با همین کد دقتش فوق العاده خوبه. من یک سری مقاله را پردازش کردم و سوال پرسیدم که دمو پایین نشون میده. اگه برای پروداکشن RAG نیاز دارید این یکی از بهترین روشهاست. اگه دوست داشتید ریپو را ستاره بدید. Github: https://github.com/mallahyari/rag-agent-harness @DevTwitter | <Mehdi Allahyari/>

تقریبا همه چیز ها کانتینر لینوکسی دارن، با این برنامه می‌تونید کانتینر های لینوکس رو روی گوشی اندروید اجرا کنید : github.com/ExTV/Podroid بدون نیاز به روت بودن گوشی؛ حتی می‌تونید یه دسکتاپ کامل لینوکس هم بالا بیارید. @Linuxor

🔸اطلاعات بیش از ۲۰ آژانس گردشگری لیک شده که حدود ۱۰۷ میلیون رکورد دیتاست تیک‌بان، اسنپ‌تریپ، آوان‌گشت و ... جزو این ۲۰ آژانس هستن اطلاعاتی که لیک شده: نام و نام خانوادگی، تاریخ تولد، ایمیل، شماره، کارت ملی و پاسپورت، اطلاعات بلیط‌های پرواز و قطار و اتوبوس، اطلاعات بوکینگ هتل‌ها و .... به قیمت ۶۰ هزار دلار داره بفروش میرسه!! </PedramGholizade> @TheRaymondDev

با کمی اغراق، می‌دونستید حتی خودِ شرکت‌های بزرگ هوش مصنوعی هم دقیقاً نمی‌دونن اون پشت، توی دلِ مدل‌هایی که ساختن چی می‌گذره؟ همون‌طور که دوربین گوشی وقتی از صورت شما عکس می‌گیره، نمی‌دونه رنگ چشمتون توی کدوم بایت از فایلِ عکس ذخیره شده، مدل‌های هوش مصنوعی هم همین‌قدر ساختارِ گنگ و پیچیده‌ای دارن. واقعاً نمی‌شه انگشت گذاشت روی یک بخش و گفت این قسمت مسئول شوخ‌طبعیه، این یکی مسئول استدلال ریاضی، و اون یکی مسئول درک زبان فارسی! دقیقاً به خاطر همین ابهامه که یه شاخه علمیِ مجزا به اسم Interpretability (تفسیرپذیری) شکل گرفته؛ حوزه‌ای که تمام تمرکزش اینه بفهمه یه مدل هوش مصنوعی چرا و چطوری به یک تصمیم یا پیش‌بینی خاص می‌رسه. @Linuxor

‍ 📊 State of AI Engineering 2026 | آنچه داده‌های واقعی بیش از ۱۰۰۰ سازمان درباره آینده هوش مصنوعی نشان می‌دهد ▪️گزارش جدید Datadog نشان می‌دهد عصر آزمایش با هوش مصنوعی به پایان رسیده و سازمان‌ها وارد مرحله «عملیات در مقیاس» شده‌اند. امروز چالش اصلی دیگر ساخت یک دمو یا اتصال به یک مدل زبانی نیست، بلکه مدیریت هم‌زمان چندین مدل، Agentها، هزینه توکن‌ها، تأخیر پردازش و پایداری سیستم‌ها در محیط واقعی کسب‌وکار است. یکی از مهم‌ترین یافته‌های گزارش، حرکت جدی سازمان‌ها به سمت استراتژی چندمدلی (Multi-Model) است؛ به‌طوری که وابستگی به یک ارائه‌دهنده AI در حال کاهش است. در کنار آن، استفاده از Agent Frameworkها طی یک سال تقریباً دو برابر شده و این نشان می‌دهد رقابت آینده نه بر سر مدل‌ها، بلکه بر سر «سیستم‌های عامل‌محور و هوشمند در عمل» خواهد بود. گزارش همچنین به شکل جدی نسبت به شکل‌گیری «بدهی فنی در AI» هشدار می‌دهد؛ بسیاری از سازمان‌ها مدل‌های جدید را سریع وارد چرخه تولید می‌کنند اما مدل‌های قدیمی را حذف نمی‌کنند. نتیجه این روند، افزایش پیچیدگی، هزینه و ریسک‌های پنهان در مقیاس است. در کنار این موارد، دو نکته کلیدی دیگر نیز برجسته است: افزایش نقش Telemetry و Observability در Agentها و رشد سریع پیچیدگی معماری‌های AI که باعث شده مدیریت، پایش و ارزیابی مداوم به یک ضرورت تبدیل شود نه یک انتخاب. ▪️پیام اصلی گزارش روشن است: مزیت رقابتی آینده دیگر صرفاً در استفاده از AI نیست، بلکه در توانایی مهندسی، کنترل و مقیاس‌پذیر کردن آن در سطح سازمانی است. Join us: @Entrepreneurship_Articles

بیشتر ما حواسمون هست رمز عبور یا اطلاعات محرمانه‌مون رو با هوش مصنوعی به اشتراک نذاریم. اما سؤال مهم‌تر اینه: هوش مصنوعی از کنار هم گذاشتن حرف‌ها و اطلاعات معمولی ما، چه چیزهایی می‌تونه درباره‌مون بفهمه؟ این سؤال جرقه نوشتن این مقاله متن‌باز روی GitHub بود. خوشحال می‌شم نظرات، نقدها و پیشنهاداتتون رو بشنوم و اگر دوست داشتید به توسعه و تکمیلش کمک کنید. https://github.com/cnaebadi/ai-disclosure-handbook/blob/main/fa/README.md @DevTwitter | <Sina/>