آخرین کد نویس
Ir al canal en Telegram
دوران برنامه‌نویسی سنتی به پایان رسیده؛ یا با هوش مصنوعی هم‌مسیر می‌شی یا جا می‌مونی. اینجا یاد می‌گیریم چطور با اهرمِ AI، ده برابر سریع‌تر کد بزنیم و مهندسِ آینده باشیم. به جمع آخرین کدنویس‌ها خوش اومدی. گروه: https://t.me/lastcoderworldg
Mostrar más701
Suscriptores
+324 horas
+307 días
+10130 días
Cargando datos
Canales Similares
Sin datos
¿Algún problema? Por favor, actualice la página o contacte a nuestro gerente de soporte.
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
octubre '26oct '26
octubre '26
+81
en 1 canales
septiembre '26
+159
en 7 canales
Get PRO
agosto '26
+87
en 4 canales
Get PRO
julio '26
+16
en 1 canales
Get PRO
junio '26
+40
en 2 canales
Get PRO
mayo '26
+34
en 1 canales
Get PRO
abril '26
+1
en 0 canales
Get PRO
marzo '26
+2
en 0 canales
Get PRO
febrero '26
+56
en 0 canales
Get PRO
enero '26
+20
en 2 canales
Get PRO
diciembre '25
+111
en 2 canales
Get PRO
noviembre '250
en 2 canales
Get PRO
octubre '25
+72
en 3 canales
Get PRO
septiembre '25
+118
en 2 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 19 octubre | +7 | |||
| 18 octubre | +3 | |||
| 17 octubre | +3 | |||
| 16 octubre | +2 | |||
| 15 octubre | +1 | |||
| 14 octubre | +7 | |||
| 13 octubre | +15 | |||
| 12 octubre | +2 | |||
| 11 octubre | +2 | |||
| 10 octubre | +3 | |||
| 09 octubre | +3 | |||
| 08 octubre | +2 | |||
| 07 octubre | +2 | |||
| 06 octubre | +5 | |||
| 05 octubre | +4 | |||
| 04 octubre | +12 | |||
| 03 octubre | +1 | |||
| 02 octubre | +4 | |||
| 01 octubre | +3 |
Publicaciones del Canal
| 2 |  کافی شاپ، ساخته شده با opus 5.5 | 346 |
| 3 | موتور مونتاژ پرامپت؛ حل معمای کوله‌پشتی و الگوریتم‌های حریصانه Greedy!
وقتی تمام اسنیپت‌ها، اولویت‌ها و وابستگی‌ها آماده شدند، ساخت پرامپت نهایی تبدیل به یک مسئله ریاضی بهینه‌سازی شبیه به مسئله کلاسیک کوله‌پشتی یا Knapsack Problem می‌شود:
چگونه مجموعه‌ای از قطعات متن را انتخاب کنیم که بیشترین ارزش و اطلاعات را منتقل کنند، به پیش‌نیازها و ناسازگاری‌ها پایبند باشند و از بودجه سفت‌وسخت پنجره توکن تجاوز نکنند؟
برای حل این چالش، معماران سیستم از سه الگو برای موتور مونتاژ پرامپت Prompt Crafter استفاده می‌کنند:
۱. موتور حداقلی و ساده Minimal Prompt Crafter
در فاز اولیه و پروتوتایپ اپلیکیشن، نیازی به سیستم‌های پیچیده اولویت‌بندی نیست.
اسنیپت‌ها را بر اساس جایگاه طبیعی مرتب می‌کنید و آن‌قدر از انتهای لیست در پرامپت نگه می‌دارید تا سقف توکن پر شود.
مدل‌های زبانی در پردازش انتهای اسناد فوق‌العاده عمل می‌کنند، بنابراین برای چت‌بات‌ها و کانتکست‌های ساده تعاملی این روش سریع‌ترین راه تست ایده است.
۲. رویکرد حریصانه افزایشی Additive Greedy Approach
وقتی داده‌های ورودی شما بسیار بیشتر از گنجایش پرامپت است و باید بخش عمده‌ای از آن‌ها را دور بریزید، این الگوریتم به کار می‌آید:
- شروع از صفر: کار را با یک پرامپت خالی آغاز می‌کنید.
- انتخاب بهترین‌ها: اسنیپت‌ها بر اساس ارزش مرتب می‌شوند و موتور در هر گام ارزشمندترین قطعه‌ای را که پیش‌نیازهایش مهیاست و با قطعات قبلی تضادی ندارد، به کوله‌پشتی پرامپت اضافه می‌کند.
- پایان و چیدمان: به محض پر شدن بودجه توکن، فرایند متوقف شده و قطعات انتخاب‌شده بر اساس ترتیب و موقعیت اصلی Position چیده می‌شوند.
۳. رویکرد حریصانه کاهشی Subtractive Greedy Approach
اگر حجم کلی داده‌ها به اندازه پرامپت نزدیک است یا از اسنیپت‌های کشسان Elastic Snippets استفاده می‌کنید، مسیر برعکس بهتر کار می‌کند:
- شروع همه‌جانبه: تمام اسنیپت‌ها و داده‌ها را از ابتدا وارد ساختار پرامپت می‌کنید.
- هرس تدریجی: کم‌ارزش‌ترین قطعات را یکی‌یکی حذف می‌کنید؛ هر جا قطعه‌ای حذف شد، بخش‌های وابسته به آن نیز تراکنش‌وار پاک می‌شوند.
این چرخه تا زمانی ادامه پیدا می‌کند که کل حجم متن در بودجه توکن جا شود. مدیریت نسخه‌های کوتاه و بلند یک متن با این رویکرد بسیار روان‌تر انجام می‌شود.
پایان مسیر Feedforward و اتمام فصل ششم
تا اینجای کار جریان تبدیل داده‌های خام به یک سند پرامپت بی‌نقص، فشرده و ساختاریافته کامل شد. از فصل آینده سراغ خروجی مدل می‌رویم: چگونه پاسخ خام مدل را استخراج، پارس و به یک نتیجه بی‌نقص تبدیل کنیم!
فصل ششم، بخش چهارم
کتاب Prompt Engineering for LLMs | 491 |
| 4 |  Sin texto... | 217 |
| 5 | اسنیپت‌های کشسان، معمای جمع توکن‌ها و هندسه روابط داده‌ها در پرامپت
وقتی کانتکست‌ها و دستورات را به قطعات کوچک (Snippet) خرد می‌کنید، چالش اصلی آغاز می‌شود: این تکه‌ها چطور بدون به هم ریختن سیستم کنار هم چیده شوند؟
برای قالب‌بندی استاندارد اسنیپت‌ها، چهار اصل مهندسی وجود دارد:
- ماژولار بودن Modularity: هر اسنیپت باید مستقل باشد تا بتوان بدون دردسر آن را از پرامپت حذف یا اضافه کرد.
- طبیعی بودن Naturalness: داده باید با کالبد سند یکی شود؛ اگر متن کد است به صورت کامنت بیاید و اگر گزارش است در قالب جملات معنادار بنشیند.
- ایجاز Brevity: رساندن حداکثر پیام با حداقل توکن.
- خنثی بودن Inertness: توکنایز شدن یک قطعه نباید طول یا ساختار توکنی قطعه کناری‌اش را به هم بزند!
- معمای جمع توکن‌ها: در توکنایزرهای زبانی، چسباندن دو کلمه همیشه مساوی جمع تعداد توکن‌های آن‌ها نیست! دو واژه تک‌توکنی مثل cat و tail وقتی به هم بچسبند cattail، ممکن است به ۳ توکن تبدیل شوند! برای حفظ خنثی‌بودن، همیشه اسنیپت‌ها را با فاصله Space جدا کنید و از گذاشتن خط جدید Newline در شروع اسنیپت‌ها پرهیز کنید.
اسنیپت‌های کشسان (Elastic Snippets) چیستند؟
در برخورد با یک متن طولانی، تصمیم‌گیری فقط صفر و یک (گذاشتن یا حذف کامل) نیست.
یک مهندس پرامپت برای یک سند چند نسخه منعطف آماده می‌کند:
۱. نسخه کامل و مفصل
۲. نسخه خلاصه‌تر با حذف بخش‌های فرعی و قرار دادن «...».
۳. نسخه فوق‌فشرده که صرفاً فکت‌های کلیدی را نقل می‌کند.
در زمان اسمبل کردن پرامپت، سوال این نیست که آیا این بخش جا می‌شود یا نه؟، بلکه این است: بزرگ‌ترین نسخه‌ای از این اسنیپت که در بودجه توکن ما جا می‌گیرد کدام است؟
سه ضلع هندسه روابط میان قطعات پرامپت:
هیچ اسنیپتی در خلاء زندگی نمی‌کند و ترکیب آن‌ها باید این سه رابطه را مدیریت کند:
۱. جایگاه و ترتیب Position: حفظ تقدم و تاخر منطقی یا زمانی اسناد (اطلاعات زمینه قبل از تحلیل و نقل‌قول‌ها به ترتیب وقوع).
۲. اهمیت و اولویت Importance: هرگز جایگاه را با اهمیت اشتباه نگیرید؛ مقدمه که در اول سند می‌آید اغلب بسیار مهم‌تر از جزئیات میانی است. برای داده‌ها سطوح اولویت Tiers یا نمره عددی مشخص کنید تا در کمبود فضا بدانید کدام موارد باید اول از همه فدا شوند.
۳. وابستگی‌ها Dependencies:
پیش‌نیازها Requirements: یک قطعه متن به وجود قطعه دیگر وابسته است (مثلاً معرفی شخصیت اصلی پیش از بازگویی ماجرای او در داستان).
ناسازگاری‌ها Incompatibilities: وجود یک قطعه مانع از آمدن قطعه دیگر می‌شود (مثلاً همزمان نمی‌توانید هم نسخه کامل و هم نسخه خلاصه یک فصل را در پرامپت بیاورید).
در قسمت چهارم و پایانی فصل ششم، این قطعات را وارد موتور مونتاژ پرامپت (Prompt Crafter) می‌کنیم و می‌بینیم که چطور با الگوریتم‌های حریصانه (Greedy)، بهترین پرامپت ممکن را درون بودجه توکن جا بدهیم!
فصل ششم، بخش سوم
کتاب Prompt Engineering for LLMs | 495 |
| 6 |  Sin texto... | 212 |
| 7 | پرامپت شما چه جور سندی است؟ از جادوی گزارش‌های مارک‌داون تا راز تگ‌های مخفی کلود!
طبق اصل شنل‌قرمزی، پرامپت و خروجی مدل در کنار هم یک سند واحد را تشکیل می‌دهند. هر چقدر ساختار این سند به فرمت‌های استاندارد وب و داده‌های آموزشی مدل شبیه‌تر باشد، رفتار هوش مصنوعی قابل‌پیش‌بینی‌تر و دقیق‌تر خواهد بود.
سه الگوی ساختاری اصلی برای سند پرامپت وجود دارد:
۱. مکالمه مشاوره‌ای Advice Conversation
این الگو طبیعی‌ترین فرمت تعامل است که ساختار ChatML بر پایه آن بنا شده است.
کاربر سوال می‌پرسد و دستیار پاسخ می‌دهد.
برای گفت‌وگوهای چندمرحله‌ای Multi-round فوق‌العاده است.
حتی می‌توانید نقش دستیار را خودتان در چند نوبت شبیه‌سازی کنید تا مدل ترغیب شود لحن و مسیر پاسخ را ادامه دهد.
۲. گزارش تحلیلی Analytic Report در قالب Markdown
مدل‌های زبانی روی میلیون‌ها گزارش تحلیلی دانشگاهی، حقوقی و تجاری آموزش دیده‌اند. به همین دلیل، وقتی پرامپت را در قالب یک گزارش با فرمت Markdown ساختاربندی می‌کنید، نتایج شگفت‌انگیز می‌شوند:
تعیین محدوده (Scope): به جای چانه‌زنی در چت، یک بخش با عنوان # Scope ایجاد کنید و بنویسید این گزارش صرفاً شامل چه مواردی است و چه چیزهایی خارج از محدوده است. مدل‌ها در قالب گزارش تعهد بسیار بالاتری به مرزهای مشخص‌شده دارند.
فهرست مطالب (Table of Contents): اضافه کردن TOC در ابتدای سند نه تنها به مدل دید کلان می‌دهد، بلکه ابزاری برای مهار خروجی است. مثلاً آوردن بخش # Ideas قبل از # Conclusion مدل را وادار به فکر کردن قبل از نتیجه‌گیری می‌کند.
مهار پرگویی: با قرار دادن یک بخش انتهایی مثل # Appendix به عنوان Stop Sequence، مدل بلافاصله پس از اتمام نتیجه‌گیری متوقف می‌شود و منابع اضافی مصرف نمی‌کند.
۳. سند ساختاریافته Structured Document؛ الگوی مخفی Anthropic Artifacts
وقتی نیاز دارید مدل خروجی‌های پیچیده‌ای تولید کند که نرم‌افزار شما بتواند بخش‌های مختلف آن را به‌سادگی پارس (Parse) کند، اسناد ساختاریافته با تگ‌های معین وارد میدان می‌شوند:
بهترین مثال، معماری پرامپت قابلیت Artifacts در Claude است:
تگ‌های تفکر <antThinking>: به مدل اجازه داده می‌شود ابتدا در یک بلاک مشخص ارزیابی کند که آیا درخواست کاربر نیازمند ساخت یک سند اختصاصی، کد پایتون یا کامپوننت ری‌اکت است یا خیر. این بخش در UI از دید کاربر مخفی می‌شود.
تگ‌های محتوا <antArtifact>: در صورت تایید، خروجی درون این تگ و همراه با اتریبیوت‌های دقیق (مثل عنوان و زبان برنامه‌نویسی) قرار می‌گیرد تا سیستم بتواند آن را استخراج و در پنل کناری رندر کند.
کدام فرمت مناسب کار شماست؟
ءXML: انتخابی ایده‌آل برای جداسازی ساختاریافته بخش‌ها، تعریف ویژگی‌ها و تزریق کامنت‌های راهنما.
ءYAML: عالی برای داده‌هایی که حفظ دقیق فاصله‌گذاری و تورفتگی (Indentation) در آن‌ها حیاتی است (مثل سورس‌کدها).
ءJSON: برای تسک‌های فراخوانی ابزار (Function Calling) به دلیل بهینه‌سازی اختصاصی مدل‌ها روی ساختار JSON.
در قسمت بعدی بررسی خواهیم کرد: اسنیپت‌های کشسان Elastic Snippets چیستند، توکن‌ریزی خنثی چطور کار می‌کند و چطور روابط وابستگی داده‌ها را تعریف کنیم!
فصل ششم، بخش دوم
کتاب Prompt Engineering for LLMs | 512 |
| 8 |  Sin texto... | 240 |
| 9 | پرامپت شما چه جور سندی است؟ از جادوی گزارش‌های مارک‌داون تا راز تگ‌های مخفی کلود!
طبق اصل شنل‌قرمزی، پرامپت و خروجی مدل در کنار هم یک سند واحد را تشکیل می‌دهند. هر چقدر ساختار این سند به فرمت‌های استاندارد وب و داده‌های آموزشی مدل شبیه‌تر باشد، رفتار هوش مصنوعی قابل‌پیش‌بینی‌تر و دقیق‌تر خواهد بود.
سه الگوی ساختاری اصلی برای سند پرامپت وجود دارد:
۱. مکالمه مشاوره‌ای Advice Conversation
این الگو طبیعی‌ترین فرمت تعامل است که ساختار ChatML بر پایه آن بنا شده است.
کاربر سوال می‌پرسد و دستیار پاسخ می‌دهد.
برای گفت‌وگوهای چندمرحله‌ای Multi-round فوق‌العاده است.
حتی می‌توانید نقش دستیار را خودتان در چند نوبت شبیه‌سازی کنید تا مدل ترغیب شود لحن و مسیر پاسخ را ادامه دهد.
۲. گزارش تحلیلی Analytic Report در قالب Markdown
مدل‌های زبانی روی میلیون‌ها گزارش تحلیلی دانشگاهی، حقوقی و تجاری آموزش دیده‌اند. به همین دلیل، وقتی پرامپت را در قالب یک گزارش با فرمت Markdown ساختاربندی می‌کنید، نتایج شگفت‌انگیز می‌شوند:
تعیین محدوده (Scope): به جای چانه‌زنی در چت، یک بخش با عنوان # Scope ایجاد کنید و بنویسید این گزارش صرفاً شامل چه مواردی است و چه چیزهایی خارج از محدوده است. مدل‌ها در قالب گزارش تعهد بسیار بالاتری به مرزهای مشخص‌شده دارند.
فهرست مطالب (Table of Contents): اضافه کردن TOC در ابتدای سند نه تنها به مدل دید کلان می‌دهد، بلکه ابزاری برای مهار خروجی است. مثلاً آوردن بخش # Ideas قبل از # Conclusion مدل را وادار به فکر کردن قبل از نتیجه‌گیری می‌کند.
مهار پرگویی: با قرار دادن یک بخش انتهایی مثل # Appendix به عنوان Stop Sequence، مدل بلافاصله پس از اتمام نتیجه‌گیری متوقف می‌شود و منابع اضافی مصرف نمی‌کند.
۳. سند ساختاریافته Structured Document؛ الگوی مخفی Anthropic Artifacts
وقتی نیاز دارید مدل خروجی‌های پیچیده‌ای تولید کند که نرم‌افزار شما بتواند بخش‌های مختلف آن را به‌سادگی پارس (Parse) کند، اسناد ساختاریافته با تگ‌های معین وارد میدان می‌شوند:
بهترین مثال، معماری پرامپت قابلیت Artifacts در Claude است:
تگ‌های تفکر <antThinking>: به مدل اجازه داده می‌شود ابتدا در یک بلاک مشخص ارزیابی کند که آیا درخواست کاربر نیازمند ساخت یک سند اختصاصی، کد پایتون یا کامپوننت ری‌اکت است یا خیر. این بخش در UI از دید کاربر مخفی می‌شود.
تگ‌های محتوا <antArtifact>: در صورت تایید، خروجی درون این تگ و همراه با اتریبیوت‌های دقیق (مثل عنوان و زبان برنامه‌نویسی) قرار می‌گیرد تا سیستم بتواند آن را استخراج و در پنل کناری رندر کند.
کدام فرمت مناسب کار شماست؟
ءXML: انتخابی ایده‌آل برای جداسازی ساختاریافته بخش‌ها، تعریف ویژگی‌ها و تزریق کامنت‌های راهنما.
ءYAML: عالی برای داده‌هایی که حفظ دقیق فاصله‌گذاری و تورفتگی (Indentation) در آن‌ها حیاتی است (مثل سورس‌کدها).
ءJSON: برای تسک‌های فراخوانی ابزار (Function Calling) به دلیل بهینه‌سازی اختصاصی مدل‌ها روی ساختار JSON.
در قسمت بعدی بررسی خواهیم کرد: اسنیپت‌های کشسان Elastic Snippets چیستند، توکن‌ریزی خنثی چطور کار می‌کند و چطور روابط وابستگی داده‌ها را تعریف کنیم!
فصل ششم، بخش دوم
کتاب Prompt Engineering for LLMs | 1 |
| 10 |  مدل DeepSeek V4.1 Flash در OpenCode رایگان شد!
خبر خوب برای برنامه‌نویس‌ها! 🎉
امروز OpenCode اعلام کرد که مدل DeepSeek V4.1 Flash روی این پلتفرم رایگان شده است؛ بدون پرداخت هزینه به‌ازای توکن‌های ورودی و خروجی.
🛠چطور فعال کنیم:
1️⃣ اگر Opencode را قبلا نصب نکرده اید از این آدرس دانلود کنید:
https://opencode.ai/download
2️⃣ بعد از نصب دستور /models را بزنید
3️⃣ از لیست مدل‌ها، مدل DeepSeek V4.1 Flash Free را انتخاب کنید
در صورتی که مدل فوق هنوز برای شما لیست نشده از طریق این دستور، مدل‌ها را بروزرسانی کنید:
opencode models --refresh
برای کدنویسی روزمره و کارهای agent معمولی، الان یکی از بهترین گزینه‌های رایگان است.
💳 برای استفاده از این Free Tier نیازی به کارت بانکی، شماره تلفن یا اطلاعات پرداخت ندارید.
@Zonix_x | زونیکس | 122 |
| 11 |  با Gemini 4 Argon، پژوهش شما راه‌های تازه‌ای برای روایت داستان خود دارد 📖
ما از Nano Banana، Veo و Argon استفاده کردیم تا یک PDF دانشگاهی پرمتن را در GeminiAppبه یک کتاب داستان تمام‌رنگی و متحرک تبدیل کنیم.
Google | 318 |
| 12 |  فقط در ده دقیقه، ساخته شده با Gemini 4 Argon | 484 |
| 13 | ظرفیت باقی مانده ۳ نفر.
در این طرح به مدل جدید دسترسی دارید. | 128 |
| 14 |  +2مدل Gemini 4 Argon منتشر شد.
برای طرح Pro و Ultra در اپ جمنای، در Antigravity طرح Ultra و اندروید استودیو بصورت API در دسترس هست. | 386 |
| 15 |  داستان شازده کوچولو، ساخته شده با Opus 5.5
https://littleprince.dev | 924 |
| 16 |  بازی Age of Empires، ساخته شده با Opus 5.5 | 957 |
| 17 | آناتومی پرامپت ایده‌آل، سقوط در دره بی‌تفاوتی و ترفند Inception
وقتی پرامپت طولانی می‌شود، هوش مصنوعی کجای متن را فراموش می‌کند؟
خیلی از توسعه‌دهندگان تصور می‌کنند مدل‌های زبانی تمام بخش‌های یک پرامپت طولانی را با دقتی یکسان پردازش می‌کنند. اما در واقعیت، حافظه و مکانیزم توجه مدل تحت تأثیر دو پدیده روانی-محاسباتی قرار دارد:
- اثر یادگیری درون کانتکست In-Context Learning: هر چقدر داده‌ها به انتهای پرامپت نزدیک‌تر باشند، تأثیرگذاری و وزن بیشتری روی خروجی مدل دارند.
- پدیده گم‌شدن در میانه The Lost Middle: مدل‌ها ابتدا و انتهای متن را خیلی خوب به خاطر می‌سپارند، اما در به یاد آوردن داده‌های مدفون در میانه متن ضعف دارند.
این دو اثر در کنار هم منطقه‌ای به نام دره بی‌تفاوتی Valley of Meh را در یک‌سوم ابتدایی تا میانه پرامپت شکل می‌دهند! هر کانتکست حساسی که در این دره قرار بگیرد، کارایی خود را از دست می‌دهد. برای مقابله با این افت، باید پرامپت را تا حد ممکن فشرده نگه داشت و اطلاعات حیاتی را خارج از این دره قرار داد.
🥪 تکنیک ساندویچ The Sandwich Technique
وقتی حجم کانتکست بالا می‌رود، مدل هدف اصلی سوال را گم می‌کند. راه‌حل معماران پرامپت، ساندویچ کردن داده‌هاست:
۱. نان
اول Introduction: در ابتدای پرامپت زمینه و هدف کلی را مشخص می‌کنید، می‌خواهم برای فلان کاربر کتاب پیشنهاد بدهم. این مقدمه سوگیری فکری مدل را از همان ابتدا تنظیم می‌کند.
۲. محتوای میانی Context: اسنیپت‌ها، تاریخچه و داده‌های کاربر را می‌چینید.
۳. نان دوم Refocus: دقیقاً در انتهای پرامپت، دوباره وظیفه اصلی و جزئیات دقیق خروجی را به مدل یادآوری می‌کنید «حالا با توجه به داده‌های بالا، دقیقاً یک کتاب مناسب معرفی کن».
🎬 انتقال به پاسخ با ترفند Inception
پایان پرامپت باید مسیر را محکم از طرح مسئله به حل مسئله تغییر دهد. در مدل‌های Completion غیرچت، اگر پرامپت را باز بگذارید، مدل ممکن است به جای پاسخ دادن، باز هم کانتکست خیالی اضافه کند!
برای مهار مدل از ترفند فیلم Inception استفاده می‌شود: شروع پاسخ را خودتان برای مدل بنویسید!
مثلاً به جای اینکه بپرسید چه کتابی پیشنهاد می‌دهی؟، پرامپت را با این عبارت تمام کنید:
Based on these, the best book is:
مدل تصور می‌کند این جمله را خودش نوشته و چاره‌ای جز تکمیل فوری نام کتاب و رفتن مستقیم سر اصل مطلب ندارد.
در قسمت بعدی بررسی می‌کنیم: برای مدل چه نوع سندی بسازیم؟ کالبدشکافی گزارش‌های مارک‌داون و تگ‌های مخفی Artifacts در کلود!
فصل ششم، بخش اول
کتاب Prompt Engineering for LLMs | 602 |
| 18 |  Sin texto... | 329 |
| 19 |  پروتوتایپ Combat، ساخته‌شده با Opus 5.5 | 591 |
| 20 |  ءUnity Spark ، ساخت بازی بدون نوشتن حتی یک خط کد | 507 |
