DevTwitter | توییت برنامه نویسی

داستان خلق Node.js — جایی که یک نارضایتی ساده تبدیل به انقلاب شد سال ۲۰۰۹، «رایان دال» پشت لپ‌تاپش نشسته بود و به یک ویدیو ساده در وب فکر می‌کرد: چرا هنوز مرورگرها نمی‌توانند یک فایل را کاملاً غیرهمزمان آپلود کنند؟ چرا برای کوچک‌ترین عملیات I/O باید کل برنامه منتظر بماند؟ و چرا زبان‌های سمت سرور هنوز این‌قدر سنگین و بلاک‌کننده کار می‌کنند؟ این سؤال‌ها شاید پیش‌پاافتاده به‌نظر برسند، اما برای دال تبدیل شدند به جرقه یک تغییر بزرگ. در آن زمان، بیشتر زبان‌های سمت سرور مانند PHP، Python یا Ruby یک مشکل مشترک داشتند: هر درخواست، یک Thread. هر Thread، حافظه زیاد. و هر برنامه، یک سقف محدود برای مقیاس‌پذیری. برای دنیایی که سرعت اینترنت داشت بالا می‌رفت و کاربران همزمان بیشتر می‌شدند، این مدل دیگر جواب نمی‌داد. دال به‌جای اینکه مشکل را با سخت‌افزار بیشتر حل کند، از خودش پرسید: اگر بتوانیم مدل سرور را مثل مرورگر طراحی کنیم چه؟ جایی که همه‌چیز Event-Driven باشد، بدون بلاک شدن، بدون Threadهای سنگین. و این‌طور شد که یک ایده جسورانه شکل گرفت: ساخت یک Runtime سبک، سریع، مبتنی بر event loop، و توانمند در مدیریت هزاران اتصال همزمان. جاوااسکریپت انتخاب شد، نه به خاطر اینکه بهترین زبان جهان بود، بلکه به‌خاطر اینکه یک ویژگی حیاتی داشت: تک‌ رشته‌ای (Single-threaded) بودن و مدل رویداد محور طبیعی. نتیجه؟ در JSConf اروپا، دال برای اولین بار چیزی را معرفی کرد که صنعت وب را تکان داد: Node.js با ارائه‌ی مفهومی جدید از ساخت Back-end — جایی که شبکه‌سازی، I/O، و اجرای همزمان، بدون Threadهای سنگین و با سرعت باورنکردنی قابل انجام بود. ابزار Node.js به سرعت از یک تجربه آزمایشگاهی تبدیل شد به ابزاری که امروز موتور بسیاری از شرکت‌های بزرگ دنیاست: Netflix، Uber، PayPal، LinkedIn و ده‌ها نام دیگر. این داستان از این جهت الهام‌بخش است که نشان می‌دهد: گاهی یک نارضایتی ساده در ذهن یک برنامه‌نویس، می‌تواند آینده‌ی یک صنعت را تغییر دهد. @DevTwitter | <Ali Yousefi/>

تهران 2 نفر تهرااان بیا بالا🚌 دانشجویی و هنوز عضو تهرانی‌ها نشدی؟ پس بیا بالا 🚌 مسافرای دانشجو مدیا بیاین اینور 👇 🚎🚎🚎🚎🚎🚎🚎🚎🚎🚎🚎

اگه زیاد از terminal CLI استفاده میکنید مثل من و میخواهید فایلهای اکسل را بخونید و یا سرچ کنید و .. این ابزار خیلی عالیه. خیلی خوشگل و مرتب فایل ها را نشون میده، امکان سرچ و کپی داره و کلی فیچر دیگه. گیتهابشون را چک کنید. https://github.com/bgreenwell/xleak/ @DevTwitter | <Mehdi Allahyari/>

در زبان Go مفهومی به نام Goroutine وجود دارد اما Goroutine چیست؟ اول باید بگم که زبان go برعکس زبان جاوااسکریپت و تایپ‌اسکریپت مفهموم Concurrency (همزمانی) را به صورت کاملا واقعی در CPU اجرا میکند در حالی که جاوااسکریپت و تایپ‌اسکریپت اینکار را فقط شبیه‌سازی می‌کنند و یکی از دلایل سرعت بالای این زبان همین امر است یعنی go میتونه دستورات رو در Thread های مختلف CPU به صورت کاملا واقعی اجرا کنه حالا بریم سراغ مفهوم Goroutine بخوام به ساده‌ترین شکل ممکن بگم کارش برعکس async/await در زبان جاوااسکریپت هست (البته فقط در ظاهر) گوروتین میتونه تابع و دستور مورد نظر مارو در یک Thread متفاوت اجرا کنه تا مابقی کد ما متوقف نشه و سایر کدهای ما همزمان اجرا بشه و برنامه منتظر نمونه یعنی وقتی یه تابعی داریم که زمانبر هست و ما نیازی به خروجی اون تابع در ادامه کد نداریم (مثل لاگ انداختن) از گوروتین استفاده میکنیم تا کل برنامه منتظر اتمام اون تابع نشه (در عکس یه مثال ساده از گوروتین رو براتون آوردم) @DevTwitter | <sina khaghani/>

سلام و دورد امروز یه ربات_تلگرام با nodejs نوشتم به در خواست تیم مارکتینگ برای اعضای کانال تلگرامی شرکت که خیلی خیلی ساده اس و کاربران فقط میزنن روی قرعه کشی و آیدیشون ثبت میشه برای قرعه کشی و اعلام برنده و اینکه به ادمین هم امکان خروجی فایل csvمیده تا اسامی رو داشته باشه لینکشو میذارم دوست داشتید استفاده کنید و خیلی خوشحال میشم اگر فیچری هم مد نظرتون هست بهش اضافه کنم https://github.com/iamir4g/raffleBot @DevTwitter | <Amir Farahani/>

چطور فشار روی cpu رو محاسبه می کنیم ؟؟ یه مفهومی به اسم load داریم که با دستور uptime و یا مستقیم از /proc/loadavg میشه اون رو دید توی لینوکس 3 نوع load رو گزارش میده به ترتیب از چپ در یک دقیقه اخیر، پنج دقیقه اخیر و پانزده دقیقه اخیر اما این load چیه؟ فرض کنین یه cpu یک هسته ای داریم load اگه صفر باشه یعنی cpu بیکاره و تا عدد 1 میزان کار اون رو نشون میده. اگه عدد بیشتر از 1 باشه مثلا 1.65 یعنی cpu مقدار 65% از کاراش توی صف هستند و اگه 5.5 باشه یعنی 450% از کار هاش توی صف هستند. اما کامپیوتر های الان cpu های بیش از یه هسته دارن مثلا برای یه cpu هشت هسته ای اگه load avg برابر 12 باشه 50% کار ها در صف هستن و اگه زیر 8 باشه یعنی هیچ کار در صفی نداره (درواقع load رو باید بر تعداد هسته ها تقسیم کرد) مثل تصویر میتونین با دستور lscpu اطلاعات cpu خودتون رو بدست بیارین عکس یه cpu چهار هسته ای رو نشون میده که هشتا ترد داره (از دید کامپیوتر ترد ها هرکدام مانند یک cpu جدا هستن پس ملاک ما عدد 8 هست نه 4، انگار این کامپوتر هشتا cpu داره ) @DevTwitter | <Mahdi Bagheri/>

اگه کارتون به زمان‌بندی، برنامه‌ریزی یا بهینه‌سازی گیر کرده… Google OR-Tools می‌تونه ناجی‌تون باشه! یک کتابخونه‌ی متن‌باز از گوگله که برای حل مسائل سختی مثل: - زمان‌بندی شیفت‌ها - برنامه‌ریزی تولید - تخصیص منابع - طراحی مسیرهای بهینه (TSP/VRP) خیلی عالی جواب می‌ده. چیزی که جذابش می‌کنه CP-SAT Solverشه؛ هم سریع کار می‌کنه هم با مسائل پیچیده راحت کنار میاد. چرا سراغش برید؟ - وقتی چندتا کار، چندتا محدودیت و چندتا آدم/ماشین دارید و نمی‌دونید چطور همه رو هماهنگ کنید - وقتی می‌خواید بهترین برنامه ممکن رو با کمترین خطا و بیشترین بازده داشته باشید - وقتی داده‌محور تصمیم می‌گیرید و دنبال راه‌حل «بهینه» هستید رایگانه، با Python خیلی راحت کار می‌کنه و برای پروژه‌های واقعی هم کاملاً کاربردیه. اگر تجربه‌اش رو داشتید یا سوالی دارید خوشحال می‌شم گپ بزنیم اگه خواستید یادش بگیرید این یه منبع خوبه: https://d-krupke.github.io/cpsat-primer/00_intro.html ORTools Optimization Scheduling Google Python OperationsResearch @DevTwitter | <Ali Baghernia/>

پروژه چت بات با Next.js و مدل Groq سلام دوستان! مدتی بود دوست داشتم از دید ریکت و نکست دقیق‌تر بفهمم ارتباط اپ‌های وب با مدل‌های هوش مصنوعی چطور برقرار میشه؛ مخصوصاً بحث Streaming response که تجربه‌ی کاربر رو شبیه ChatGPT می‌کنه. برای تمرین، یه چت‌بات ساده ساختم با: Next.js (App Router) AI SDK Groq API مدل llama-3.1-8b-instant نتیجه یه دمو‌ی آنلاین سبک و سریع شد که latency خیلی کمی داره لینک آنلاین: https://next-chatbot-beta.vercel.app/ لینک ریپازیتوری: https://github.com/Reza-Rayan/next-chatbot یادتون باشه موقع استفاده حتما VPN رو روشن کنید. @DevTwitter | <Reza ‌Hosseinzade/>

بهترین روش‌های طراحی REST API طراحی REST API به نظر ساده میاد، اما نکات ریز و مهمی داره که باید رعایت کنیم. معمولا اشتباهاتی در طراحی API مرتکب میشیم که شامل این 5 مورده: 1- استفاده از فعل در آدرس URL آدرس باید فقط «منبع» (اسم) باشه، نه «عمل» (فعل). عمل رو خود متد HTTP مشخص می‌کنه.

 GET /getAllBooks
 POST /createNewBook
 GET /books
 POST /books

2- استفاده نادرست از متدهای HTTP متد درست باعث می‌شه API خودبه‌خود قابل فهم باشه: متد GET گرفتن داده متد POST ساختن منبع جدید متد PUT جایگزینی کامل یک منبع متد PATCH ویرایش جزئی یک منبع متد DELETE حذف منبع 3- برنگردوندن کد وضعیت مناسب کلاینت نباید مجبور بشه بدنه پاسخ رو پارس کنه تا بفهمه چی شده. همیشه 200 OK برگردوندن پاسخ 200 OK برای GET و PUT موفق پاسخ 201 Created وقتی با POST منبع جدید ساخته شد پاسخ 204 No Content وقتی با DELETE چیزی حذف شد پاسخ 404 Not Found وقتی منبع پیدا نشد 400, 401, 403, 429, 500 و … در مواقع لازم 4- نام‌گذاری ناسازگار همه جا یک شکل باشه گاهی /book/123 گاهی /authors همیشه جمع بساز: /books/123 ، /authors ، /orders 5- فراموش کردن صفحه‌بندی (Pagination) برگردوندن همه رکوردها در یک درخواست دروافع فاجعه عملکردیه برگردوندن ۱۰۰ هزار رکورد یه‌جا همیشه صفحه‌بندی داشته باش: ?page=3&limit=50 @DevTwitter | <Amir Rahimi Nejad/>

چرا pnpm, بهتر از npm عمل می‌کنه چند وقت پیش برای اولین بار که از pnpm استفاده میکردم (با سرعت نت همیشگی)، فر خوردم از سرعت نصب پکیج و این سوال برام پیش اومد که چرا؟؟؟ حالا ماجرا چیه؟ خب، npm همون مدیر بستهٔ کلاسیکِ Node هستش. ساده، همه‌کاره، ولی هر پروژه یه کپی از بسته‌ها توی node_modules نگه می‌داره — فضای دیسک زیاد و بعضاً نصب‌های کند. جدیدترها هم بهتر شدن ولی هنوز محدودیت دارن ولی pnpm, یک سبک دیگه داره. بسته‌ها رو توی یک مخزن مرکزی (content-addressable store) ذخیره می‌کنه و داخل پروژه فقط لینک (hardlink/symlink) می‌سازه. یعنی: کمتر تکرار، نصب سریع‌تر، و استفادهٔ خیلی بهینه از دیسک یعنی یه بار نصب و ذخیره می‌کنه توی سیستم مرکزی خودش و یه لینک میزاره برای استفاده های بعدی. خب حالا مزیت هاش چیه؟ 1. سرعتِ نصب بیشتر — چون فایل‌هاو دوباره دانلود نمی‌کنه، وقتتو نمی‌سوزونه. 2. صرفه‌جویی در فضا — یک بسته فقط یک‌بار ذخیره می‌شه، نه هزار بار توی هر پروژه. 3. سخت‌گیری روی وابستگی‌ها = باگ کمتر — pnpm ساختار غیر‌فلت node_modules داره؛ یعنی اگر پکیجی به‌طور مستقیم به یه بسته نیاز داره ولی اون رو در package.json اعلام نکردی، خطا می‌ده — خیلی وقتا نجات‌دهنده‌ست. 4. حمایت بهتر از monorepo/Workspaces — تو تیم و پروژه‌های چندپکیجه‌ای خیلی راحت‌تر کار می‌کنه. سازگاری با اکوسیستم npm — از رجیستری npm استفاده می‌کنه، اسکریپت‌ها و package.json تغییر زیادی نیاز ندارن. (این خیلی خفنه ) اگه فقط یکی دو تا پروژه کوچیک داری و با npm راحتی — همون بمونه. ولی اگه می‌خوای سرعت بیاد بالا، فضا کمتر مصرف بشه یا پروژه‌ت چندپکیجه‌ای/تیمی باشه، pnpm واقعاً بهت حال می‌ده. @DevTwitter | <Mohammad Ghiasi/>

بنرجاوا زبانِ ساختن سیستم‌هاییه که همیشه کار می‌کنن. اگه می‌خوای وارد مسیری بشی که آینده شغلیش تضمینه، جاوا یکی از مطمئن‌ترین انتخاب‌هاست: قدرتمند، همه‌کاره و همیشه پرتقاضا. ☕️ با بوت‌کمپ جاوای دانشکار این مسیر رو حرفه‌ای شروع کن: 🔗https://dnkr.ir/kDEvQ

اپ فال حافظ من از یک نیاز خیلی ساده شروع شد؛ همیشه وقتی دور هم جمع می‌شدیم و فال می‌گرفتیم، دوست داشتم یک اپ تمیز و کاملاً فارسی داشته باشم که هم فال تصادفی بده، هم تعبیرش رو قشنگ و خوانا نشان بده برای همین رفتم سراغ Flutter و این پروژه رو ساختم تا روی اندروید، ویندوز و بقیه پلتفرم‌ها هم قابل اجرا باشه و هرکس خواست راحت بتونه ازش استفاده کنه یا توی گیت‌هاب کمک کنه اسم پروژه only_faleh_hafez هست و داخلش می‌تونی با یک کلیک فال تصادفی از دیوان حافظ بگیری، تعبیر و توضیح اون فال رو بخونی و اگر دنبال شعر خاصی هستی، مستقیم داخل اشعار جست‌وجو کنی رابط کاربری کامل فارسی و راست‌به‌چپ طراحی شده تا حس یک اپ بومی و ساده رو بده، نه یک چیز ترجمه‌شده‌ی عجیب؛ هدفم این بوده که هم برای کاربر معمولی راحت باشه، هم برای دولوپرها اوپن‌سورس و قابل توسعه لینک ریپو و توضیحات کامل‌تر پروژه: https://github.com/MMDREZA7/only_faleh_hafez @DevTwitter | <Ethan Heida/>

وقتی افزونه‌ها کم‌کم تبدیل می‌شن به هم‌تیمی‌های واقعی… امروز Cline رو روی VS Code تست کردم و رسماً فهمیدم دوران «تنهایی در کدنویسی» داره تموم می‌شه. این موجود فضاییِ کوچک توی ادیتورم نه‌تنها کد می‌خونه، بلکه ایراد می‌گیره، پیشنهاد می‌ده، فایل می‌سازه، پاک می‌کنه، حتی ترمینال رو هم دستکاری می‌کنه. یک جورهایی انگار داری با یه دولوپر دیگه pair programming می‌کنی… فقط بدون غر زدن! دنیای برنامه‌نویسی داره یه لایه جدید پیدا می‌کنه: کد کمتر، فکر بیشتر. اگه هنوز امتحانش نکردی… چند قدم مونده تا اینکه واقعاً حس کنی IDEت بامرام‌تر از خیلی از همکاراست. @DevTwitter | <Amin Hosseini/>

📌شرکت امیدفضا اولین شرکت خصوصی در حوزه ساخت و تولید ماهواره و خدمات فضاپایه با همکاری دانشگاه علم و صنعت برگزار میکند: 1️⃣اولین مسابقه دانشجویی هوش مصنوعی و داده های فضایی ⚡️رقابتی برای تشخیص مناطق سیل زده از دل تصاویر ماهواره‌ای⚡️ همراه با اعطای جوایز نفیس و گواهینامه به افراد برتر 👥 گروه‌های 1 تا 5 نفر 📆مهلت ثبت نام تا تاریخ 22 آذر ماه ( بازه مسابقه یک هفته هست و مسابقه به شکل مجازی برگزار میشود ) 🔗 ثبت نام از طریق لینک زیر: https://B2n.ir/spaceomid-event

اخیرا میخواستم German String رو پیاده سازی کنم اما دیدم واسه Refcount بودن استرینگ و substr گرفتن بدون hardcopy استفاده های بیشتری دارم. متاسفانه هنوز string literal بدون allocation ساپورت نمیکنه و هنوز ایده ای به ذهنم نرسیده چطور تو 128بیت درستش کنم. https://github.com/hexorer/libtoypp/blob/main/include/toypp/immutable_string.hpp @DevTwitter | <Mohsen M./>

وردپرس 6.9 منتشر شد این نسخه به افتخار هنرمند سرشناس پیانو سبک جاز، Gene Harris نام گذاری شده که شاهد تحولات قابل توجهی می باشد. بیش از ۷۰ بهبود در دسترس‌پذیری و Abilities API برای تعاملات یکپارچه در PHP، REST و زمینه‌های مبتنی بر AI بخشی از ویژگی های این نسخه است. @DevTwitter | <Alireza Naji/>

پردازش ۴۰ میلیارد رکورد در روز — معماری یک سیستم مقیاس‌پذیر! خیلی‌ها فکر می‌کنن پردازش ده‌ها میلیارد رکورد در روز فقط از پس غول‌های جهانی مثل Meta یا Netflix برمیاد — اما من یک معماری عملیاتی ساختم که روزانه بالغ بر ۴۰ میلیارد رکورد (معادل تقریبا ۵۰۰ هزار رکورد بر ثانیه) رو از Kafka مصرف و به‌صورت بهینه در ClickHouse ذخیره می‌کنه. چالش اصلی بار نامتعادل روی کلاستر توزیع‌شده شلوغ با ۲۰ نود و ۵۲ پارتیشن و عدم تفکیک داده نیاز به پردازش کم‌تأخیر حفظ Consistency در حجم عظیم داده راه‌حل معماری مصرف‌کننده‌های موازی با Unbounded Channel پردازش کاملاً Stateless برای scale عمودی و افقی دسته‌بندی و فشرده‌سازی در Batchهای ۱,۰۰۰,۰۰۰ رکوردی (قابل کانفیگ) نوشتن مستقیم در ClickHouse با Insertهای ستون‌محور و Commit offset تنها بعد از نوشتن موفق جدا کردن مسیر ingest از persist برای افزایش throughput @DevTwitter | <Amirhossein Maleki/>

☯️ دوره جامع علم داده (Data Science) 🧠 از مفاهیم پایه تا پروژه‌های واقعی 🐍 به همراه آموزش Python و SQL Server 👥 دوره آنلاین #علم_داده مناسب برای: ✅ دانشجوها ✅تحلیلگران داده ✅کارکنان واحدهای تخصصی و ⭐️ افرادی که دنبال تغییر مسیر شغلی به دنیای تحلیلگری داده و دیتاساینس هستن 📎 مشاوره رایگان + مشاهده جزئیات دوره: 🔗 httb.ir/GA3n4 💯 گواهینامه معتبر مؤسسه توسعه --- 📈 جمع‌بندی سریع: 🟣 دوره آنلاین 🟣 شروع با مفاهیم پایه 🟣 یادگیری ماشین Python، (ML) و شبکه‌های عصبی 🟣 آموزش با Case Study ها و تحلیل‌ها از صنایع و حوزه‌های متعدد

یک بلاگ جالب خوندم با موضوع "به ماشین یاد بده چطور فکر کنه!". حتما بخونیدش ولی چکیده اش را اینجا مینویسم: آینده‌ی کار دیگه «حل مسئله» نیست، بلکه «حلِ روشِ حل مسئله» است! ۱/ تصور کنید تو یه مسابقه دیتا ساینس (Kaggle) شرکت می‌کنید، حتی یک خط کد برای فیچر انجینیرینگ یا تیون کردن مدل نمی‌نویسید، اما جزو ۲۰٪ برتر می‌شید. جادو نیست؛ نویسنده این مقاله اسمش رو گذاشته «متا-کدینگ» (Meta-Coding). داستان چیه؟ ۲/ روال سنتی کار ما اینطوریه: دیتا رو می‌گیریم، تمیز می‌کنیم، مدل می‌سازیم، ارور می‌ده، دیباگ می‌کنیم و دوباره از اول. اما نویسنده میگه بیاید یه پله برید بالاتر. به جای اینکه خودتون مسئله رو حل کنید، یه سیستم بسازید که بدونه چطور باید مسئله رو حل کنه. ۳/ توی متا-کدینگ، وقتی سیستم‌تون خرابکاری می‌کنه یا باگ میده، شما نمی‌رید کد رو پچ کنید (مثلاً یه if بذارید که کرش نکنه). شما از خودتون می‌پرسید: «چی توی درک و فهمِ سیستم کم بود که باعث این اشتباه شد؟» شما کد رو دیباگ نمی‌کنید، دارید «فهم» (Understanding) سیستم رو دیباگ می‌کنید. ۴/ نویسنده یه سیستم ساخته به اسم ML Planner. این سیستم کدهای پایتون نداره که بگه "فلان ستون رو اینجوری نرمال کن". بلکه یه سری داکیومنت متنی داره (لایه دانش) که به ایجنت‌های هوش مصنوعی (مثل GPT یا Claude) یاد میده یه متخصص چطور فکر می‌کنه. مثلاً: "کی باید از Target Encoding استفاده کنی؟" یا "چطور حواست به هزینه سرورهای GPU باشه؟" ۵/ یه مثال شاهکار دیگه تو مقاله هست: شرکت حقوقی CaseText. اینا نیومدن یه موتور جستجوی حقوقی بسازن. اومدن «نحوه فکر کردن یه وکیل خبره» رو مهندسی معکوس کردن. هر مرحله از فکر کردن وکیل (فهم سوال، ریسرچ، یادداشت‌برداری، تطبیق قوانین) شد یه پرامپت. نتیجه؟ شرکتشون رو ۶۵۰ میلیون دلار فروختن! چون اونا «دانش» رو کد کرده بودن، نه فقط نرم‌افزار رو. ۶/ ما داریم وارد دنیایی می‌شیم که سلسله‌مراتب ارزش داره تغییر می‌کنه: سطح ۱: انجام دادن کار (ارزش خطی: ساعتی پول می‌گیرید). سطح ۲: ساختن سیستمی که کار رو انجام بده. سطح ۳: بهبود روشی که سیستم‌ها رو می‌سازید (ارزش تصاعدی). ۷/ حالا شما چطور شروع کنید؟ هر وقت دارید یه کار تکراری انجام می‌دید (تو برنامه‌نویسی، نوشتن، مارکتینگ یا هرچی)، یه لحظه صبر کنید. از خودتون بپرسید: «اگه بهترین متخصص این حوزه بی‌نهایت زمان و ۱۰۰۰ تا دستیار هوش مصنوعی داشت، چطور این مسئله رو حل می‌کرد؟» ۸/ اون پروسه فکری، اون شهود (Intuition) و اون قلق‌های ریز رو بنویسید. این داکیومنت میشه اولین قدم شما برای متا-کدینگ. به جای اینکه خودتون مجری باشید، بشید «معلمِ ایجنت‌ها». وقتی ایجنت گیر کرد، بهش ماهی ندید، ماهیگیری یاد بدید (داکیومنت رو آپدیت کنید). ۹/ خلاصه اینکه: آینده متعلق به کسایی نیست که فقط کد می‌زنن یا متن می‌نویسن. آینده مال کساییه که می‌تونن «شهود» و تجربه نانوشته‌شون رو تبدیل به دستورالعمل‌های شفاف برای ماشین‌ها بکنن. شما دارید از نردبان بالا می‌رید تا به جای حل مسئله، «حل‌کننده» بسازید. لینک مقاله اصلی: https://yewjin.substack.com/p/the-future-is-solving-problem-solving @DevTwitter | <Mehdi Allahyari/>

#کوته_نیوز Bun is joining Anthropic! :))) @DevTwitter