DevTwitter | توییت برنامه نویسی
Ir al canal en Telegram
توییت های برنامه نویسی و طراحی وب :) Admin: @dvtwi Hashtags: devtwitter.t.me/5 DevBooks Channel: https://t.me/+AYbOl75CLNYxY2U0 Github: https://github.com/DevTwitter X: https://x.com/devtwittir
Mostrar más📈 Análisis del canal de Telegram DevTwitter | توییت برنامه نویسی
El canal DevTwitter | توییت برنامه نویسی (@devtwitter) en el segmento lingüístico de Farsi es un actor destacado. Actualmente la comunidad reúne a 33 043 suscriptores, ocupando la posición 4 046 en la categoría Tecnologías y Aplicaciones y el puesto 10 733 en la región Irán.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 33 043 suscriptores.
Según los últimos datos del 03 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 643, y en las últimas 24 horas de 20, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 17.38%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 13.68% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 5 742 visualizaciones. En el primer día suele acumular 4 521 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 41.
- Intereses temáticos: El contenido se centra en temas clave como پرو, #کوته_نیوز, ارتباط, ابزار, چیز.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“توییت های برنامه نویسی و طراحی وب :)
Admin:
@dvtwi
Hashtags:
devtwitter.t.me/5
DevBooks Channel:
https://t.me/+AYbOl75CLNYxY2U0
Github:
https://github.com/DevTwitter
X:
https://x.com/devtwittir”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 04 noviembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
33 043
Suscriptores
+2024 horas
+827 días
+64330 días
Archivo de publicaciones
⭐️تا حالا برای استفاده از API سرویس های GPT، Claude یا Grok با مشکل پرداخت ارزی، کارت خارجی یا قطعی اینترنت روبه‌رو شدید؟
💵با WinkAPI دیگه لازم نیست درگیر این دردسرها بشید. نه‌تنها نیازی به پرداخت ارزی و کارت خارجی ندارید، بلکه با پرداخت ریالی میتونید تا دو برابر بیشتر از سایت‌های اصلی کردیت دریافت کنید.
🖥فقط base_url را عوض کنید و با همان SDK و همان مدل‌های رسمی، از داخل ایران ( حتی با اینترنت ملی ) به APIهای هوش مصنوعی دسترسی داشته باشید.
👀نیاز به اکانت هوش مصنوعی دارید و API بدردتون نمیخوره؟ میتونید اکانت هر سرویسی که دلتون میخواد رو از ربات @WinkGPTbot تهیه کنید
🔍برای دریافت کردیت تست با پشتیبانی تلگرام در ارتباط باشید
🌐 winkapi.net
💬@wink_supp
چرا هنوز خیلی از توسعه‌دهنده‌ها موقع شروع پروژه از TypeScript فرار می‌کنند و ترجیح می‌دن فقط با JavaScript خالص کد بزنن؟
توی اوایل کار، من هم فکر می‌کردم TS فقط سرعت کدنویسی رو کم می‌کنه، کلی ارور الکی به خاطر تایپ‌ها میده و وقت آدم رو تلف می‌کنه اما وقتی پروژه بزرگ‌تر شد و با باگ‌های عجیبِ undefined is not a function مواجه شدم، دیدم منطق پشتش چقدر حیاتیشه.
سوییچ کردن به TypeScript همه‌چیز رو تغییر داد:
۱. کشف باگ‌ها قبل از اجرا : دیگه لازم نیست حتماً پروژه رو اجرا کنی تا بفهمی فیلد یک API اشتباه اسم‌گذاری شده؛ ادیتور همون لحظه جلوی خطات رو می‌گیره.
۲. خود تایپ‌ها بهترین داکیومنت هستند: وقتی بعد از چند ماه برمی‌گردی سراغ یک کامپوننت، دقیقا می‌دونی چه Props یا دیتایی ورودی و خروجی می‌گیره و گیج نمی‌شی.
۳. ری‌فکتور کردن بدون ترس: می‌تونی اسم یک متغیر یا ساختار یک دیتای بزرگ رو تغییر بدی و مطمئن باشی اگر جایی از پروژه خراب بشه، خود TS تمام نقطه‌های شکست رو بهت نشون میده.
استفاده از TypeScript فقط اضافه کردن یک ابزار جدید نیست، یک بیمه‌نامه برای آینده و پایداری پروژه‌ست.
@DevTwitter | <Hossein Naseran/>
متا برگشته به انتشار مدل های اوپن سورس( open weight )
مدل جدید Muse Glimmer با 30 میلیارد پارامتر و معماری dense منتشر شده که برای کارای لوکال ایجنتیک خیلی خوبه.
با ۱۸ گیگ رم/vram میتونید توسط unsloth اجرا اش کنید.
لایسنس این مدل هم apache 2 هست، لینک gguf اش پایین
متا گفته فلسفه شرکت اش تو بخش هوش مصنوعی دسترسی همگانی به super intelligence هست و به زودی قراره قوی ترین مدل خودشون Muse spark 1.2 هم اوپن سورس کنن.
لینک دانلود gguf از هاگینگ فیس
https://huggingface.co/unsloth/Muse-Glimmer-30B-GGUF
@DevTwitter | <Mani/>
احتمالا کلیت اینکه وقتی یه ریکوئست زده میشه، از DNS و TCP تا رسیدن به سرور و گرفتن ریسپانس چه اتفاقی میفته رو میدونین. ولی اگه دوست داشتین این پروسه رو با دیتیل بیشتری بدونین به نظرم این رو حتما چک کنین:
https://200ms.thenodebook.com/
@DevTwitter | <Omid Nikrah/>
اگه مشکل ریجن هنگام نصب کردن antigravity دارید، از دوتا ریپوی زیر استفاده کنید. بنده خداها مشکل یک ایران رو با پچرهاشون حل کرده‌اند:
https://github.com/kakajan/antigravity-patch
https://github.com/AvenCores/open-antigravity-patcher
@DevTwitter | <Amin/>
#میم_شبانگاهی
System design: liskov Substitution Principal
@DevTwitter
اگه دنبال یه لایبرری برای portal و تلپورت کامپوننت توی svelte میخوایین
تانل رو یه چک بکنید, لایبرری جدیدی که برای این کار نوشتیم
از هرجایی داخل اپ به هرجایی که میخواییم کامپوننتون رو تلپورت کنید استفاده کنید
Powered by "bridge-kit"
https://github.com/bridge-kit/svelte-tunnel
@DevTwitter | <Mosi/>
یه ریپو جالب برای مدیریت چند AI Coding Agent به‌صورت همزمان Agent Orchestrator
بهت اجازه میده Agentهایی مثل Claude Code، Codex، Cursor و چندین ابزار دیگه رو کنار هم اجرا و مدیریت کنی
هر Agent روی Worktree جدا کار می‌کنه و سیستم می‌تونه اجرای تسک‌ها، تست، Review، CI و اصلاح خطاها رو مدیریت کنه
در واقع به‌جای اینکه خودت چندین Agent رو دستی مدیریت کنی یه لایه Orchestration بالای سرشون قرار می‌گیره
https://github.com/Untrivial-ai/agent-orchestrator
@DevTwitter | <Davinchi/>
#کوته_نیوز
سیتنا/ مدیرعامل مخابرت: فیبرنوری قراره تا یک گیگابیت بر ثانیه بهتون سرعت بده، مشترکین عادی هم بین 500 تا 600 مگابیت سرعت میگیرن.
@DevTwitter
تیم لاراول یه کار عجیب کرده، اپلیکیشنت با AI هم‌صحبت میشه.
دو ابزار جدیدش رو ببین: Laravel Boost + Laravel MCP
تا همین چند وقت پیش، مشکل اصلی کدنویسی با ایجنت‌های AI این بود که ایجنت هیچی از اپ واقعی شما نمی‌دونست. اسم ستون‌ها رو حدس می‌زد، روت‌هایی پیشنهاد می‌داد که اصلا وجود نداشتن، پکیج‌هایی رو معرفی می‌کرد که با composer.json شما سازگار نبود و...
هر حدس اشتباه، یعنی چند دقیقه وقت تلف‌شده و کلی باگ ناشناخته که ممکن بود پروداکشن رو بترکونه.
بوست این سمت ماجرا رو حل کرد. یه پکیج که به ایجنت AI اجازه میده مستقیم داخل اپ شما سرک بکشه، اسکیمای دیتابیس رو ببینه، روی دیتابیس کوئری بزنه (فقط خواندنی)، روت‌ها و کامندهای Artisan رو لیست کنه و لاگ‌ها رو بخونه.
علاوه بر این، بیش از هفده‌هزار مستندات نسخه‌به‌نسخه‌ی لاراول (از جمله Livewire، Inertia، Filament) رو به‌صورت وکتورایز‌شده در اختیارش می‌ذاره تا کمتر توهم بزنه.
خب، تا این‌جا لاراول به AI کمک کرده اپ شما رو بهتر بفهمه. اما نیمه‌ی دوم ماجرا جالب‌تره.
لاراول MCP دقیقا برعکس این کار رو می‌کنه. اپ شما رو تبدیل می‌کنه به یه سرور که خود ابزارهای AI بهش وصل می‌شن. با چند خط کد، میتونید تولزی تعریف کنید که کلود، کرسر یا هر کلاینت سازگار با MCP بتونه صداشون بزنه. لیست سفارش‌های اخیر رو بگیره، فاکتور بسازه، کاربر رو با ایمیل پیدا کنه.
یعنی اپلیکیشن لاراولی شما دیگه خودش شده یکی از بازیگرهای اصلی گفت‌وگو با AI.
فریم‌ورک داره می‌گه: AI بخشی از استک شماست، نه یه افزونه‌ی جانبی.
@DevTwitter | <Ehsan Rezaei/>
Repost from N/a
کسب درآمد دلاری از فریلنسری: مقایسه آپ‌ورک، فایور و فریلنسر دات کام و راهنمای وریفای
https://tasianet.com/blog/compare-freelance-sites-upwork-fiverr-freelancer
@tasianet | تاسیانت
فرض کن یک AI Agent بسازی که همزمان روی تلگرام، دیسکورد و Slack جواب بده، فایل‌های شرکتت رو بخونه و حتی ابزار اجرا کنه — بدون اینکه همه‌چیز رو از صفر بنویسی.
ابزار AstrBot دقیقاً برای همین ساخته شده.
مثلاً می‌تونی یک ربات پشتیبانی بسازی که:
به پیام مشتری جواب بده، اطلاعات رو از Knowledge Base پیدا کنه، از GPT/Claude/Gemini/DeepSeek استفاده کنه و داخل Telegram یا Discord فعال باشه.
قابلیت‌های مهم:
- پشتیبانی از چندین LLM
- Agent + MCP + Skills
- RAG و Knowledge Base
- اتصال به Telegram, Discord, Slack و…
- اجرای ایزوله Code/Shell با Agent Sandbox
- Web UI و Chat UI
- بیش از 1000 پلاگین
- پشتیبانی از مدل‌های Local مثل Ollama
- متن‌باز و قابل Self-host
پروژه:
https://github.com/AstrBotDevs/AstrBot
@DevTwitter | <Pedram/>
اگه از هوش مصنوعی استفاده نمی‌کنی، خیلی عقبی. و اگه فقط بهش پرامپت می‌دی، تازه شدی مثل بقیه!
امروز همه این کار رو می‌کنن. پرامپت‌نویسی دیگه مزیت رقابتی نیست، شده حداقل لازم.
اینجاست که چیزی مثل MCP وارد بازی میشه. MCP یا Model Context Protocol، یه استاندارد برای وصل کردن AI به ابزارها، دیتابیس‌ها، فایل‌ها و سرویس‌های دیگه‌ست.
فرقش با پرامپت دادن خیلی زیاده. با پرامپت می‌گی "این کد رو بررسی کن."
با MCP می‌تونی به AI دسترسی مستقیم به ابزارهای مختلف بدی.
مثلا کرسر رو به فیگما وصل کنی، بهش بگی اون دیزاین رو برات به HTML تبدیل کنه! همین.
دیگه AI فقط چت‌بات نیست. داره تبدیل میشه به Agent. و به نظرم تفاوت بزرگ کاربران AI در آینده همین‌جاست.
یه عده هنوز دنبال بهترین پرامپت می‌گردن، یه عده دارن AI رو به سیستم‌ها وصل می‌کنن.
دسته دوم، خیلی سریع‌تر پیش می‌رن.
پرامپت‌نویسی هنوز مهمه. اما آینده مال Context + Tools + Agents ـه.
@DevTwitter | <Ehsan Rezaei/>
بیشتر پروژه‌های AI با سرمایه‌گذاری اشتباه روی زیرساخت شروع می‌شوند. ⚠️
بسیاری از سازمان‌ها در ابتدای مسیر، هزینه قابل‌توجهی برای خرید سخت‌افزار GPU پرداخت می‌کنند؛ در حالی که هنوز مشخص نیست پروژه با چه سرعتی رشد می‌کند، چه تعداد کاربر خواهد داشت یا در آینده به چه منابع پردازشی نیاز پیدا می‌کند. 🤔
نتیجه این تصمیم، زیرساختی است که با مسیر رشد پروژه و نیاز واقعی سازمان تناسب ندارد.📉💸
در ایران GPU، پیش از ارائه زیرساخت ابری، نیاز واقعی پروژه شما را بررسی می‌کنیم؛از سناریوی استفاده و حجم درخواست‌ها تا الزامات عملکردی. سپس زیرساخت GPU ابری را به نحوی طراحی می‌کنیم که هم برای نیاز امروز پروژه شما مناسب باشد و هم در مسیر رشد، به‌سادگی توسعه پیدا کند. ✅ اگر در حال برنامه‌ریزی برای راه‌اندازی یا توسعه زیرساخت هوش مصنوعی هستید، با مشاوران فنی ایران GPU در ارتباط باشید. 👨💻 . https://b2n.ir/tb4195
یه سیستم پیشنهاد آهنگ ساختم و حین کار یه چیز جالب درباره‌ی cosine similarity فهمیدم که کاش زودتر می‌دونستم
کارم ساده بود بر اساس ویژگی‌های صوتی و متن آهنگ آهنگ‌های مشابه رو با cosine similarity پیشنهاد بدم اول نتایج خوب به نظر می‌رسیدن تا اینکه دیدم هر آهنگ با همه‌ی آهنگ‌های دیگه حدود ۹۸٪ شباهت داره! یعنی مدل عملا هیچی تشخیص نمی‌داد و تفاوتی بین آهنگا قائل نمی‌شد
اول فکر کردم مشکل از تعداد ویژگی‌هاست ۲۳ تا ویژگی پس رفتم سراغ PCA برای کم کردن ابعاد نتیجه؟ به‌جای بهتر شدن بدتر شد
بعد فهمیدم اصلا مشکل ابعاد نبود مشکل این بود که با MinMaxScaler همه‌ی ویژگی‌ها غیرمنفی شده بودن پس همه‌ی بردارها تو یه ربع مثبت از فضا گیر افتاده بودن زاویه‌ی بین بردارها همیشه مصنوعا کوچیک می‌موند PCA هم که اصلا نمی‌تونه این رو حل کنه، چون فقط رو واریانس کار می‌کنه نه علامت مقادیر
وقتی StandardScaler امتحان کردم مشکل حل شد چون دیگه دیتا ها در یک ربع گیر نبودن و شامل اعداد منفی و مثبت می‌شدن
یه یادآوری خوب بعضی وقتا مشکل به یه تکنیک پیچیده‌تر نیاز نداره فقط باید فرض‌هایی که راجع به خود دیتا داری رو دوباره چک کنی
Github.com/ali-rez
یکی از دردسرهای کار با Claude Code برای من این بود که پرامپت‌ها رو فارسی بنویسم یا انگلیسی؛ فارسی راحت‌تره، ولی برای نتیجه بهتر معمولاً ترجمه‌شون می‌کردم.
برای حل همین مشکل Translate Prompt for Claude Code رو ساختم؛ یک اکستنشن برای VS Code و Cursor.
پرامپتت رو به هر زبانی که راحتی بنویس، Cmd + Alt + T رو بزن و ترجمه مستقیماً داخل input Claude Code قرار می‌گیره. ارسال هم هیچ‌وقت خودکار انجام نمی‌شه.
* بدون API Key و سرویس ثالث
* بدون Telemetry
* استفاده از Claude CLI خودت
* انتخاب زبان مقصد
* ترجمه متن انتخاب‌شده از هر ادیتور
* کاملاً Open Source
فعلاً قابلیت یک‌کلیکی روی macOS در دسترسه، ولی بقیه قابلیت‌ها روی همه سیستم‌عامل‌ها کار می‌کنن.
GitHub:
https://github.com/AminModaresi/claude-prompt-translate
@DevTwitter | <Amin/>
Repost from N/a
آیدی کانال اپلای ابراد رو براتون می‌ذارم اگه قصد مهاجرت دارین عضو بشین تجربه و رزومه هارو با خودتون مقایسه کنین
https://t.me/+rN8iMAldRkM4ZWVk
هر چی روی این تکنولوژی Docker و مکملش یعنی Docker Compose در مقایسه با روش‌های سنتی مبتنی بر Virtual Machine سرمایه‌گذاری کنیم، ضرر نکردیم.
با خیال راحت، تمام سرویس‌هایی که لازم داریم رو روی سرور نصب، شبکه‌بندی و راه‌اندازی می‌کنیم؛ از Pythonهای تخصصی، مثل ایمیج‌های مختص یادگیری ماشین، یادگیری عمیق و ... گرفته تا n8n و Wordpress و MySQL و Postgres و خیلی کانتینرهای عمومی و اختصاصی دیگه.
فکر کنم تونسته باشم تو این تصویر، بخشی از این مزیت‌ها رو نشون بدم.
@DevTwitter | <Ali Akbar Mahzoon/>
تا حالا شده پروژه‌تان در محیط لوکال کاملاً سریع کار کنه، اما روی سرور اصلی با چند میلیون رکورد به نفس‌نفس بیفته؟
واقعیت اینکه دیتابیس معمولاً کند نیست، ما فقط مسیر درست را نشانش نمی‌دهیم. مثلاً فرستادن دیتابیس به دنبال ستون‌های اضافی، استفاده از ایندکس‌های اشتباه یا اصرار به استفاده از OFFSET در صفحات عمیق، از آن کارهایی است که هر سیستمی را زیر بار سنگین زانو زدن وادار می‌کنه.
من در این مقاله کاملاً تجربی و مثال‌محور درباره بهینه‌سازی کوئری‌ها نوشتم؛ از جادوی Covering Index گرفته تا منطق پشت پرده Cursor Pagination.
اگر دوست دارید به کوئری‌ها و ساختار دیتابیس پروژه‌تان دستی بکشید، پیشنهاد می‌کنم این مقاله را بخونید. خوشحال می‌شم تجربه‌های شما را هم بخونم
لینک مقاله
@DevTwitter | <Afshin Akrami/>
