DevTwitter | توییت برنامه نویسی

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/>

#کوته_نیوز حمله سایبری به ۴ بانک تایید شد شورای هماهنگی بانک‌ها: اختلال ایجادشده در سامانه‌های بانک‌های ملی، تجارت، صادرات و توسعه صادرات ناشی از یک حمله سایبری محدود بوده است. ۴ بانک ملی، تجارت، صادرات و توسعه صادرات از صبح امروز از دسترس خارج شده‌اند @DevTwitter | <ITIRAN/>

احیای نسبی بازار کار پس از اتصال مجدد اینترنت 📊 در دوره اختلال اینترنت، بسیاری از کسب‌وکارها به دلیل افزایش نااطمینانی و آسیب به فرآیندهای عملیاتی، برنامه‌های جذب نیرو را متوقف یا محدود کرده بودند. اکنون با بازگشت اینترنت، بخشی از نیازهای استخدامی معوق دوباره فعال شده و نشانه‌هایی از احیای بازار کار دیده می‌شود. به طوری که:

تعداد آگهی‌های استخدامی به بالاترین میزان از دی‌ماه سال گذشته رسیده است.

📈 با این حال، این بهبود هنوز به معنای خروج کامل از رکود نیست. زیرا

تعداد آگهی‌های استخدامی همچنان حدود ۵۰ درصد کمتر از مدت مشابه سال گذشته است

و هم‌زمان

تعداد کارجویانی که رزومه ارسال می‌کنند نیز ۱۰ درصد کاهش یافته است؛

موضوعی که می‌تواند ناشی از ناامیدی در رقابت شدید بازار کار یا احتیاط بیشتر افراد برای تغییر شغل در شرایط اقتصادی نامطمئن باشد. 🔗 برای جزئیات بیشتر، می‌توانید لینک زیر را مشاهده کنید: www.e-estekhdam.com/u-kb9gx5

معماری YAGNI؛ اصلی که می‌تواند شما را به برنامه‌نویس بهتری تبدیل کند یکی از مهم‌ترین اصول توسعه نرم‌افزار، اصل YAGNI است: You Aren't Gonna Need It (به آن نیاز نخواهی داشت) بسیاری از برنامه‌نویسان زمان زیادی صرف ساخت قابلیت‌هایی می‌کنند که «شاید» در آینده لازم شوند؛ اما در عمل هرگز استفاده نمی‌شوند. نتیجه چیست؟ - کدهای پیچیده‌تر - زمان توسعه بیشتر - باگ‌های بیشتر - نگهداری سخت‌تر پروژه برنامه‌نویسان حرفه‌ای به جای پیش‌بینی همه نیازهای آینده، فقط چیزی را پیاده‌سازی می‌کنند که امروز به آن نیاز دارند. - کد کمتر - خوانایی بیشتر - توسعه سریع‌تر - هزینه نگهداری کمتر به یاد داشته باشید: «هر خط کدی که نمی‌نویسید، باگی است که هرگز ایجاد نخواهد شد.» مطالعه مقاله Martin Fowler درباره YAGNI: https://martinfowler.com/bliki/Yagni.html @DevTwitter | <Narjes Esmaeili/>

اگر با Bagisto کار می‌کنید یا قصد دارید یک فروشگاه آنلاین مبتنی بر Laravel راه‌اندازی کنید، امیدوارم این پروژه بتونه در زمان شما صرفه‌جویی کنه. در واقع Bagisto یک پلتفرم متن‌باز فروشگاه‌ساز مبتنی بر Laravel هست که برای ساخت فروشگاه‌های اینترنتی حرفه‌ای استفاده میشه. امکانات پروژه: PHP 8.3 FPM Nginx MySQL 8 Redis Elasticsearch Kibana Mailpit Supervisor Cron Worker Composer & Node.js Xdebug برای توسعه و دیباگ یکی از ویژگی‌های مهم پروژه، اسکریپت راه‌اندازی خودکار هست که تنها با اجرای: ./setup.sh مراحل زیرو انجام میده: - راه‌اندازی سرویس‌ها - ایجاد دیتابیس‌های موردنیاز - نصب وابستگی‌ها - تنظیم فایل‌های Environment - نصب Bagisto - و Seed کردن داده‌های اولیه علاوه بر این، برای فروشگاه‌های ایرانیم یه پکیج پرداخت توسعه دادم که امکان اتصال Bagisto به پرداخت‌یارهای ایرانی مثل زرین‌پال رو فراهم می‌کنه. Docker Environment: github.com/hamedslyn/Bagisto-docker Iranian Payment Package: github.com/hamedslyn/Bagisto-Iranian-Payment @DevTwitter | <Hamed Soleymani/>

دیتاست کامل کانال «دِوتوییتر» تا ابتدای سال 2026 کل تاریخچه پیام‌های کانال دِوتوییتر به صورت JSON منتشر شد! این دیتاست شامل تمام پیام‌ها از ابتدای شکل‌گیری کانال در سال ۱۳۹۹ تا دی 1404 هست. مناسب برای: - تمرین دیتاساینس و NLP روی محتوای فارسی برنامه‌نویسی - تحلیل روند تکنولوژی‌ها در جامعه توسعه‌دهندگان ایرانی - استخراج منابع آموزشی و لینک‌های مفید - تحلیل واکنش‌ها و محبوبیت محتوا لینک دسترسی: github.com/devtwitter/devtwitter-data یادتون نره ستاره بدین :)) @DevTwitter

مهندس نرم‌افزار هستید یا فقط یک تایپیستِ کد؟ ماه‌ها درگیر ترجمه و بررسی فصل‌به‌فصل کتاب The Clean Coder اثر رابرت سی. مارتین بودم. این کتاب نه درباره‌ی سینتکس است و نه فریم‌ورک؛ بلکه درباره‌ی شخصیت و صفت ما به عنوان یک متخصص است. امروز، خلاصه این مانیفست بزرگ را در ۱۰ اصل جمع‌بندی می‌کنم. این چک‌لیستی است که مرز میان یک برنامه‌نویس آماتور و یک Software Craftsman را مشخص می‌کند: مانیفست ۱۰ گانه‌ی عمو باب برای حرفه‌ای‌ها: 1- مسئولیت تام خرابکاری‌ها: اگر غیرحرفه‌ای اشتباه کند، کارفرما تاوان می‌دهد. اما وقتی حرفه‌ای اشتباه کند، خودش خسارت را جمع می‌کند و مسئولیت باگ‌هایش را می‌پذیرد. 2- قانون اول (آسیب نزن): فرستادن کدی که از تستش مطمئن نیستی به واحد QA، نهایت بی‌انضباطی است. QA برای اطمینان نهایی است، نه برای شکار اشتباهات بدیهی ما! 3- دفاع از کیفیت کد: سریع و کثیف یک دروغ بزرگ است. کثیف‌کاری همیشه سرعت تیم را در آینده نزدیک صفر می‌کند. شکستن اصول مهندسی زیر فشار ددلاین، خیانت به بیزینس است. 4- شجاعت در نه گفتن: حرفه‌ای‌ها حقیقت را به قدرت مدیران می‌گویند. وقتی کاری غیرممکن است، بگو غیرممکن است. چیزی به نام سعی می‌کنموجود ندارد؛ سعی می‌کنم یعنی آماده شدن برای شکست! 5- زبانِ تعهد: کلمات مبهم مثل امیدوارم، باید انجام بشه یا کاش را حذف کن. یک حرفه‌ای قطعی صحبت می‌کند: من این تسک را تا روز سه‌شنبه ساعت ۱۲ تحویل می‌دهم. 6- قانون ۴۰/۲۰ در اخلاق کاری: کارفرما وظیفه ندارد برای تیز کردن اره‌ی تو و آپدیت رزومه‌ات پول بدهد. ۴۰ ساعت در هفته برای کارفرما کار کن، ۲۰ ساعت در هفته در زمان شخصی‌ات مطالعه و تمرین Kata کن. 7- فرار از تله‌ی ناحیه جریان (Flow Zone): خلسه و تمرکز تونلی موقع کد زدن، دید کلان معماری را از تو می‌گیرد. برای فرار از این تله و حذف سیلوهای دانش، Pair Programming کن. 8- هرم اتوماسیون تست: تست کردن، نوشتن چند تست واحد پراکنده نیست. پایداری سیستم نیازمند لایه‌های هماهنگ از تست‌های واحد بالای ۹۰٪، تست مؤلفه، یکپارچه‌سازی و تست سیستم است. 9- بیزینس را بفهم: بدترین کار این است که خودت را در مقبره‌ای از تکنولوژی دفن کنی، در حالی که بیزینسی که به تو پول می‌دهد در حال سقوط است. وظیفه تو شناور نگه داشتن کشتی کسب‌وکار است. 10- مسئولیت بزرگان برای جوانان: دانشگاه تئوری علوم کامپیوتر را می‌گوید، اما مهندسی واقعی را نه! وظیفه اخلاقی مهندسان ارشد این است که جونیورها را زیر بال و پر خود بگیرند و منتور کنند. تغییر و پذیرش این اصول، بیشتر از آنکه یک تصمیم عقلانی باشد، یک بلوغ انسانی و شخصیتی است.  @DevTwitter | <Hamed Heydarian/>

‏🚀 اشتراک هوش مصنوعی Notion AI با قیمت استثنایی موجود شد! ✨ دسترسی به تمامی مدل‌های هوش مصنوعی تاپ دنیا، همه با یک اشتراک! 💯 مناسب برنامه نویسی، پژوهش، تحلیل فایل، خروجی PDF, Word و...

Sonnet 4.6 Opus 4.7 Opus 4.8 Gemini 3.1 Pro GPT-5.2 GPT-5.4 GPT-5.5 Grok 4.3 Grok Build 0.1 Kimi K2.6 DeepSeek V4 Pro

🤝 کاملا قانونی 📧 اختصاصی روی ایمیل شما ➕ امکان دعوت ۳ نفر دیگر 🔥 یکماهه ۲۹۹,۰۰۰ تومان ❗️ موجود به مدت محدود 🛍 مشاوره و خرید: 💬 t.me/PremiumAIs ⚡️ اشتراک‌های هوش مصنوعی با تخفیف ویژه در فروشگاه ما: 📣 t.me/BEST4PREMIUMS

پروژه Java Tutor یک open-source skill برای Codex است که برای کمک به کار با Java ساخته شده از یاد گرفتن مفاهیم پایه و فهمیدن خطاها گرفته تا code review، و migration بین نسخه‌های Java و وصل کردن جواب‌ها به official documentation ایده‌ی اصلی اینه که وقتی کسی با Java درگیر می‌شه، لازم نباشه بین جواب‌های پراکنده، حدسی یا زیادی پیچیده گم بشه. Java Tutor سعی می‌کنه توضیح‌ها رو ساده‌تر، مرحله‌به‌مرحله‌تر و نزدیک‌تر به منابع اصلی Java ارائه بده. این پروژه فقط برای senior developerها نیست. می‌تونه برای beginnerها، developerهای باتجربه، تیم‌های فنی، دانشجوها و حتی آدم‌هایی که خیلی technical نیستند ولی می‌خوان بفهمن یک error، concept یا تغییر در پروژه‌ی Java یعنی چی، مفید باشه. در نهایت، هدفش اینه که یادگیری و کار با Java کمی شفاف‌تر، دقیق‌تر و قابل‌پیگیری‌تر بشه. link to repository: https://github.com/yappologistic/Java-Tutor @DevTwitter | <E Gurl/>

این وب سایت برای اونای که وسواس دارن تا بهینه ترین LLM ممکن رو برای تسک خودشون انتخاب کنند. مثلا عکس پایین کیفیت عملکرد LLM ها برای Text Generation هست. ولی خوب میتونید توی زمینه های مختلف برای هر تسکی مثل Vision, Image, Video و... را ببینید. https://arena.ai/leaderboard/ @DevTwitter | <^mad/>