Sadra Codes

راه‌انداختن یه کسب‌وکار، درست مثل دویدن روی یخه. هرچی سریعتر حرکت کنی، احتمال زمین‌خوردنت هم بیشتر میشه. ولی وقتی راه‌میوفته، انگار که راه‌رفتن فرزندت واسه اولین بار رو به تماشا نشستی..! ❇️ @lnxpylnxpy

A $30 Billion Company with no HQ. 30 Employees all working remotely. Yes. This is Telegram! 💪

شمارو تو مهمونیا و پارتیا می‌شناسن، مارو تو گیت‌هاب... 😮‍💨

یه کد ادیتور ساخته شده به اسم Huzzah که pseudo codeی که می‌نویسید رو به functional code تبدیل می‌کنه! (هنوز رلیز نشده) blog: https://www.danielvaughn.dev/posts/huzzah repo: https://github.com/danielvaughn/hz ❇ @lnxpylnxpy

در طراحی این صفحه، از هیچ کد جاوا‌اسکریپتی استفاده نشده! (قابلیت‌های HTMLی که شاید نمی‌دونستید) 👉 https://chrisburnell.com/html-can-do-that ❇ @lnxpylnxpy

چند سال پیش یه پروژه ساختم که تقریباً هیچ‌کس ازش استفاده نمی‌کرد جز خودم! 😅 یه ابزار متن‌باز بود (به اسم Hey) برای استفاده از ChatGPT در محیط CLI. اولش فقط ۸ تا ستاره داشت. حتی انتشارش در شبکه‌های اجتماعی هم آنچنان تغییر خاصی ایجاد نکرد. 🫠 خیلی رندوم یه شب تصمیم گرفتم یک بار دیگه شانسش رو امتحان کنم و پروژه رو روی Product Hunt منتشر کردم. جالب اینجاست که کل فرایند انتشار حدود ۲ ساعت طول کشید؛ نه استراتژی خاصی داشتم، نه دنبال زمان مناسب واسه انتشار بودم، نه حتی مخاطب زیادی داشتم. صبح که بیدار شدم، Hey با ۱۱۰ تا Vote تبدیل شده بود به سومین لانچ پرطرفدار روز. بعدا به کمک شما تونست برای مدتی به رتبه اول برسه و در نهایت دومین محصول روز شد. اونم در حالی که موقع لانچ کردنش فقط یک فالوور در Product Hunt داشتم. 😄 یه پرمو هم واسش درست کردیم.. فان بود: https://www.youtube.com/watch?v=fhO34PVa-38 چیزی که از این تجربه یاد گرفتم اینه که گاهی مشکل محصولت این نیست که «کسی نمی‌خوادش»؛ شاید فقط جای اشتباهی داری معرفیش می‌کنی! ❇ @lnxpylnxpy

اگه لینکدین قابلیت ویدئو پروفایل اضافه می‌کرد: 😂 ❇️ @lnxpylnxpy

❇️ @lnxpylnxpy

تا حالا به این فکر کردید گیت‌هاب چطور از Git در مقیاسی به این بزرگی استفاده می‌کنه؟ خود Git برای استفاده روی یک سیستم ساخته شده، نه اینکه هم‌زمان میلیون‌ها مخزن و هزاران درخواست رو مدیریت کنه. حالا تصور کنید تعداد زیادی عامل هوش مصنوعی دارن به‌صورت هم‌زمان کد تولید می‌کنن، تغییر می‌دن و روی ریپازیتوری‌ها ارسال می‌کنن؛ اینجا دیگه خود Git هم با چالش مقیاس‌پذیری روبه‌رو می‌شه. مخزن‌ها روی حافظه‌های پرسرعت نگه‌داری می‌شن (مثل SSD)، اما نسخه اصلی تغییرات روی یک فضای ذخیره‌سازی پایدار (HDD) ثبت می‌شه. هر تغییر قبل از تأیید، اول اونجا ثبت می‌شه و بعد نسخه‌های مختلف مخزن خودشون رو باهاش هماهنگ می‌کنن. این معماری باعث می‌شه از یک مخزن، چندین نسخه‌ی همسان روی سرورهای مختلف داشته باشن و درخواست‌های خواندن بین این نسخه‌ها تقسیم بشه؛ در نتیجه فشار روی یک سرور متمرکز نمی‌مونه. اگر هم یکی از نسخه‌ها از بین بره، لازم نیست کل مخزن رو از صفر بسازن؛ می‌تونن با استفاده از تاریخچه‌ی تغییرات، دوباره همون نسخه رو بازسازی کنن. نکته جالب برای من اینه که وقتی تعداد برنامه‌نویس‌ها و مخصوصاً عامل‌های هوش مصنوعی زیاد می‌شه، حتی چیزی مثل Git که سال‌هاست راه‌حل بوده، دوباره تبدیل به یک مسئله جدی مهندسی می‌شه. ❇️ @lnxpylnxpy

شما هم موقع پیست کردن کد واسه جی‌پی‌تی، اینطوری پیست می‌کنید؟ 👀 ❇️ @lnxpylnxpy

به خیر گذشت. سگارو اوکیههه! ❤️

زندگی یه وطن بهم بدهکاره که توش فقط به زندگی فکر کنم نه به وطن.. ~ کیانوش سنجری ❇️ @lnxpylnxpy

اگه از اولین نسخه پروداکتی که درست کردی خجالت نمی‌کشی، احتمالا خیلی دیر لانچ کردی! ❇️ @lnxpylnxpy

خدا، علوم ناشناخته‌ایست که روز به روز کوچکتر می‌شود! ❇️ @lnxpylnxpy

آقا ما توی ناین‌ کرفت حدود دو ماهه که VPS هم ارائه می‌دیم 👀 خیلی ارزون و لوک ایران ناین‌کرفت چند ساله که روی گیم‌سرور، مخصوصاً ماینکرفت و تراریا، کار می‌کنه. توی این مدت، هم در ناین‌کرفت و هم چند بیزنس دیگه، کلی تجربه‌ی مدیریت سرور، شبکه و حفظ آپ‌تایم جمع کردیم. امسال گفتیم وقتی زیرساخت و تجربه‌ش رو داریم، چرا VPS ندیم؟ الان VPSهای ناین‌کرفت رو راه انداختیم؛ فعلاً پلن‌های اقتصادی با لوکیشن ایران داریم که برای خیلی از نیازها کاملاً جواب می‌ده. به‌زودی هم سرورهای Enterprise با سخت‌افزار قوی‌تر و لوکیشن‌های دیتاسنتری بیشتر ارائه می‌کنیم. اگه سؤال، نظر یا پیشنهاد خاصی دارید، خوشحال می‌شیم بهم بگین :)

مدل اوپن‌سورس Muse متا با ۳۰ میلیارد پارامتر گزینه مناسب و نسبتا مقرون به صرفه واسه استفاده Agentic (کدنویسی و پردازش تصویر) روی لوکاله! نیاز به ۱۸ گیگ ram/vram داره. (روی یه اینستنس دیگه هم می‌تونید اجراش کنید و بصورت ریموت ازش استفاده کنید) Link: https://huggingface.co/meta-models/Muse-Glimmer-30B از اینجا هم می‌تونید با ollama دانلود و روی کلاد یا هرمس اجراش کنید: Link https://ollama.com/library/muse-glimmer ❇ @lnxpylnxpy

🧠📱 تصور کن به Claude Code بگی: برو توی گوشیم، اپ Snapp رو باز کن و واسم به مقصد فلان‌جا، یه سرویس تاکسی Eco بگیر! حالا یه ابزار Open Source ساخته شده که به Agentهایی مثل Claude Code و Codex اجازه می‌ده بصورت مستقیم یک iPhone واقعی رو کنترل کنن. :) جالب‌ترین بخشش اینه که برای این کار سراغ Xcode نمیره و نیازی به Jailbreak و WebDriverAgent نداره؛ از iPhone Mirroring مک به‌عنوان لایه ارتباطی استفاده می‌کنه. Agent با Screenshot و Apple Vision OCR صفحه رو می‌بینه و مختصات متن‌ها رو پیدا می‌کنه، بعد با CGEvents روی HID-level تاچ، تایپ، اسکرول و Drag انجام می‌ده و در نهایت دوباره از صفحه Screenshot می‌گیره تا مطمئن بشه عملیات واقعاً انجام شده. 🤯 Link: https://github.com/ShawnPana/phone-harness ❇ @lnxpylnxpy

یکی اومده یه دسکتاپ لینوکس به اسم Starling رو با استفاده از Calude وایب‌کد کرده! تقریبا ۶ ماه طول کشیده و از Swift استفاده کرده. 👉 https://starling.build/ ❇ @lnxpylnxpy

این دوره استاد شریفی زارچی به عزیزان علاقه مند پیشنهاد میشه. https://lnkd.in/p/dnuUStJW

چیت‌شیت واژه‌های پرکاربردی که در زمینه LLMها می‌شنویم! 🚀 🔹 توکن (Token) — واحدی که مدل متن رو بهش تقسیم می‌کنه. 🔹 کانتکست (Context) — اطلاعاتی که مدل برای تولید پاسخ در اختیار داره. 🔹 پنجره کانتکست (Context Window) — حداکثر مقدار اطلاعاتی که مدل می‌تونه همزمان پردازش کنه. 🔹 پرامپت (Prompt) — دستور و اطلاعاتی که به مدل می‌دیم. (پرامپت دستوریه که به مدل می‌دیم، اما کانتکست اطلاعات و شرایطیه که مدل برای فهمیدن اون دستور و تولید پاسخ در اختیار داره.) 🔹 استنتاج (Inference) — فرایند اجرای مدل برای تولید پاسخ. 🔹 پارامترها / وزن‌ها (Parameters / Weights) — اعداد و وزن‌هایی که رفتار و توانایی مدل رو شکل می‌دن. (شوخ طبعی، لحن متن و..) 🔹 فاین‌تیون (Fine-tuning) — آموزش دوباره مدل برای یک کاربرد یا رفتار خاص. 🔹 بردار نهفته (Embedding) — تبدیل داده، معمولاً متن، به یک بردار عددی برای مقایسه و جست‌وجوی معنایی. 🔹 تولید تقویت‌شده با بازیابی (RAG) — پیدا کردن اطلاعات مرتبط از یک منبع خارجی و دادن اون به مدل هنگام پاسخ‌دهی. 🔹 پایگاه داده بُرداری (Vector Database) — دیتابیسی برای ذخیره و جست‌وجوی Embeddingها. 🔹 توهم (Hallucination) — وقتی مدل اطلاعات اشتباه یا ساختگی تولید می‌کنه. 🔹 دما (Temperature) — میزان تصادفی بودن خروجی مدل. 🔹 معیارسنجی / ارزیابی (Benchmark / Eval) — تست و اندازه‌گیری عملکرد مدل. 🔹 تأخیر (Latency) — مدت زمانی که مدل برای پاسخ دادن نیاز داره. 🔹 فراخوانی ابزار (Tool Calling) — توانایی مدل برای استفاده از ابزارهایی مثل API و دیتابیس. 🔹 عامل هوشمند (Agent) — سیستمی که می‌تونه هدف رو دنبال کنه، تصمیم بگیره و از ابزارها استفاده کنه. 🔹 پروتکل زمینه مدل (MCP) — استانداردی برای اتصال مدل‌ها و Agentها به ابزارها و منابع خارجی. 🔹 چندوجهی (Multimodal) — مدلی که علاوه بر متن، تصویر، صدا یا ویدیو رو هم پردازش می‌کنه. 🔹 بدون نمونه / چندنمونه‌ای (Zero-shot / Few-shot) — انجام کار بدون مثال / با چند مثال. 🔹 خروجی ساختاریافته (Structured Output) — تولید خروجی با ساختار مشخص، مثلاً JSON. 🔹 کوانتیزه‌سازی (Quantization) — کاهش دقت عددی مدل برای کم کردن مصرف حافظه و افزایش سرعت. ❇️ @lnxpylnxpy