IT با طعم HIT | مهرداد حسن زاده

چند روزه دارم یه روش برای کدنویسی با AI امتحان می‌کنم که واقعاً از نتیجه‌ش خوشم اومده. به جای اینکه یه مدل هم کد رو بنویسه هم تست‌ها رو، کار رو بین دو مدل تقسیم می‌کنم. مدل اول فقط Test Caseها رو از روی نیازمندی‌ها می‌نویسه. مدل دوم هم فقط توضیح فیچر رو می‌بینه و هیچ اطلاعی از تست‌ها نداره. بعد که کدش آماده شد، اجراش می‌کنم روی تست‌هایی که مدل اول نوشته. چیزی که برام جالب بود اینه که خیلی وقت‌ها تست‌ها باگ‌ها یا Edge Caseهایی رو پیدا می‌کنن که مدل دوم اصلاً بهشون فکر نکرده. به نظرم دلیلش اینه که وقتی مدل کدنویس تست‌ها رو نمی‌بینه، نمی‌تونه ناخودآگاه کدش رو برای پاس کردن همون تست‌ها تنظیم کنه. مجبور میشه واقعاً مسئله رو از روی نیازمندی‌ها حل کنه و تست‌ها هم نقش یه داور مستقل رو بازی می‌کنن. برعکس، وقتی یه مدل هم کد رو می‌نویسه هم تست‌ها رو، معمولاً هر دو بر اساس یه سری فرض مشترک جلو میرن. نتیجه این میشه که همه تست‌ها سبز میشن، ولی ممکنه هنوز یه سری باگ یا سناریوی مهم اصلا تست نشده باشه. فعلا این Workflow برای من نتیجه خوبی داشته و حس می‌کنم اعتمادم به کیفیت خروجی‌ها بیشتر شده. ➖➖➖➖➖➖ 🔺 @hitwithit

آقا یه توصیه برادرانه از من، زبان رو جدی بگیرید، احساس میکنم تو سال ۲۰۲۶ اگر زبانتون خوب نباشه ۲۶ .... منظور اینکه زبان مهمه، اصلا دنیای ارتباطات، یادگیری چیزای بروز، مقالات، اولین دانش ها، خطاها و دیباگ، سیستم عامل، کد نویسی و.... همش به زبان گره خورده... از اهمیت کار های کوچیک هم غافل نشید، شما روزی نیم ساعت زبان رو مستمر بخونی از ۲ ساعت در هفته یا ۱۰ ساعت در یک روز بهتره... خلاصه که گفتم همه میگن ماهم بگیم🫳

اگر میخوای یه حوزه تخصصی رو در زمینه‌ی تکنولوژی شروع کنی و نمی‌دونی باید چه مسیری رو طی کنی سایت https://roadmap.sh/ برای توعه! ( شبیه چت جی پی تی جدیدن کپشن مینویسم!) این سایت یه مسیر کاربردی از یادگیری حوزه های برنامه نویسی و تکنولوژی رو بهتون با جزئیات و کورس های رایگان در یوتیوب لیست کرده که می‌تونه کاربردی باشه: https://roadmap.sh/ ➖➖➖➖➖ 🔺 @hitwithit

دسترسی به یوتیوب بدون فیلتر! در پروژه زیر میتونید رو یوتیوب ویدیو ببینید بدون اینکه نیاز باشه از ابزار شکستن قند استفاده کنید! ( فیلترشکن خودمون دیگه، پلتفرم ایرانی نیستیم که سانسور کنیم) https://fars-tube.ir/ ➖➖➖➖➖ 🔺 @hitwithit

این پروژه هم بهتون کمک میکنه وایب کدینگ رو استارت بزنید، سریع و بدون دوره های الکی تو پاچه برو! مطالب خلاصه که میتونید با چت جی پی تی بیشتر دربارشون بدونید و پرامپت های آماده و قوانین پرامپت نویسی که برای کد نویسی با ایجنت ها و زدن پروژه نیاز دارید: https://52096.github.io/NoBootCamp/ وقتشه شروع کنید، تخصص داره فاصلش با شما کمتر میشه... ➖➖➖➖➖ 🔺 @hitwithit

معمولاً پروژه‌های شخصی من از یک ایده بزرگ شروع نمی‌شوند؛ از یک مشکل تکراری شروع می‌شوند. 🙂 چند وقتی بود موقع مطالعه مقاله‌ها، دیدن ویدئوهای آموزشی و حتی برنامه‌نویسی، مدام به دو مشکل برمی‌خوردم. هر بار یا باید چند ابزار مختلف را باز می‌کردم یا یک کار ساده را با کلی مرحله انجام می‌دادم. آخرش گفتم چرا خودم چیزی نسازم؟ نتیجه‌اش دو پروژه کوچک شد که تصمیم گرفتم به‌صورت Open Source منتشرشان کنم: 🔹 ScreenOCR ابزاری سبک برای استخراج متن از هر بخش صفحه. فقط ناحیه موردنظر را انتخاب می‌کنید، متن با OCR استخراج می‌شود و مستقیماً در کلیپ‌بورد قرار می‌گیرد. برای زمانی که متن داخل تصویر، PDF، ویدئو یا هر جای دیگری از صفحه قابل کپی نیست، واقعاً کار را سریع‌تر می‌کند. البته این ابزار بیشتر برای لینوکس هست چون ویندوز این قابلیت رو بهتر هم داره😬 هرچند روی لینوکس هم ابزاری مثل Frog وجود داره، ولی برنامه من امکانات بیشتر، راحتی استفاده و پشتیبانی از زبان فارسی رو داره. 🔹 RCMIC این پروژه را برای ساده‌تر شدن استفاده از میکروفون و مدیریت ورودی صوتی در سناریوهای مختلف ساختم. هدفش این بود که به‌جای درگیر شدن با تنظیمات تکراری، بتوانم سریع‌تر روی کاری که انجام می‌دهم تمرکز کنم. میتونید صحبت کنید و تایپ کنه یا یک فایل صوتی رو آپلود کنید تا متنشو بگیرید. بدون API از سمت خودتون و رایگان. در نهایت با خودم گفتم شاید این ابزارها فقط به درد من نخورند؛ شاید برای افراد دیگری هم مفید باشند. به همین خاطر هر دو را روی GitHub به‌صورت متن‌باز منتشر کردم. اگر از آن‌ها استفاده کردید یا ایده‌ای برای بهتر شدنشان دارید، خوشحال می‌شوم نظرتان را بدانم. مشارکت و Pull Request هم همیشه استقبال می‌شود. 🚀 پ ن : در حال بهبود و بهینه سازی ابزار هستم و اگر باگی پیدا شد ( که حتما هم میشه😬) گزارش بدید تا فیکس کنم. 📦 ScreenOCR https://github.com/Mtgama/screenOCR 📦 RCMIC https://github.com/Mtgama/rcmic ➖➖➖➖➖ 🔺 @hitwithit

یه توصیه دیگمم اینه که در ابتدا زیاد غرق در کد نویسی و سینتکس نشید سعی کنید یه concept کلی از هر فایل پیدا کنید و بفهمید هر ابزار برای چیه بعد کاربرد هر تابع و نحوه کارش رو یاد بگیرید. بعد یه حداقل بیسی از هر تابع رو با خوندن داکیومنت های هر ابزار پیاده سازی کنید تا اگر روزی دسترسی به چت بات نبود بتونید با حداقل ترین کانتکست ابزار رو بسازید. بعد میتونید پروژه های داخل دوره رو کمی به سمت پزشکی سوق بدید و با چت بات ها انجام بدید و یه ریویو روی کدتون داشته باشید بدون جزئی بینی الکی. هم تو اغلب شرکت هایی که کار کردم از LLM ها برای کد نویسی استفاده میکنن هم اغلب اساتیدم در دانشگاه. باید مهندسی کردن و رود مپ کلی هر کار رو بدونید این مهم تره بعد با ابزار های مختف از جمله ایجنت و LLM میتونید پروژه بزنید. توصیه نهاییم اینه که در ابتدا سعی کنید یه دید کلی داشته باشید و یه چیزی بسازید که یه خروجی داشته باشید بعد روی بهتر کردن وقت بزارید. اگر فرایند یادگیری های self-study خیلی طولانی بشه ، در وسط راه ول خواهید کرد. موفق باشید

من این دوره رو گذروندم و به شماهم توصیه میکنم. یادگیری مهندسی هوش مصنوعی و ساخت ایجنت های مبتنی بر LLM: https://github.com/ed-donner/llm_engineering من محتوای فایل هارو با چت جی پی تی میخوندم و سعی میکردم بیشتر تمرین کنم. اگر منظم پیگیری کنید در حدود 50 تا 60 روز میتونید به سطح خوبی از کار با LLM ها بصورت کاربردی برسید. نحوه یادگیری self-study هست. ➖➖➖➖➖➖ 🔴 @hitwithit

🔄🤖 راهنمای «مهندسی حلقه» منتشر شد؛ رویکردی جدید برای کار با عامل‌های هوش مصنوعی یک مخزن جدید در GitHub با عنوان Loop Engineering منتشر شده که ایده متفاوتی را برای استفاده از عامل‌های هوش مصنوعی مطرح می‌کند.

📌 پیام اصلی این پروژه ساده است:

به‌جای اینکه دائماً برای عامل هوش مصنوعی پرامپت بنویسید، یک چرخه کاری (Loop) طراحی کنید تا عامل‌ها به‌صورت خودکار وظایف را انجام دهند، بررسی کنند، خطاها را اصلاح کنند و فقط در صورت نیاز، موضوع را به انسان ارجاع دهند.

امروزه بسیاری از کاربران هنوز ابزارهایی مانند Claude Code، Codex، Cursor یا Grok را به شکل سنتی استفاده می‌کنند:

✍️ پرامپت بنویس ⏳ منتظر پاسخ بمان 📋 خروجی را کپی کن 🛠 اصلاح کن 🔁 دوباره پرامپت بده... اما در مهندسی حلقه، هدف این است که دیگر نقش «مراقب دائمی عامل» را نداشته باشید و به‌جای آن، یک سیستم خودکار طراحی کنید که بخش زیادی از این چرخه را بدون دخالت مستقیم شما مدیریت کند.

🧩 این مخزن شامل چرخه‌های آماده برای وظایفی مانند:

✅ بررسی روزانه پروژه‌ها (Daily Triage) 🔀 مدیریت Pull Requestها ⚙️ اجرای CI 📦 مدیریت وابستگی‌ها 📝 تولید Changelog 🐞 مدیریت Issueها همچنین ابزارهای خط فرمان (CLI) برای ساخت چرخه‌ها، ارزیابی مصرف توکن، ممیزی مخزن و اجرای ایمن عامل‌ها از طریق GitHub Actions نیز در آن ارائه شده است.

💡 همان‌طور که نویسنده پروژه می‌گوید:

«مهندسی پرامپت درباره نوشتن پرامپت بهتر بود؛ اما مهندسی حلقه درباره ساخت سیستمی است که عامل‌های هوش مصنوعی بدون نیاز به نظارت مداوم شما به کار خود ادامه دهند.» به نظر می‌رسد پس از Prompt Engineering، اکنون Loop Engineering می‌تواند یکی از مفاهیم مهم نسل بعدی توسعه نرم‌افزار مبتنی بر عامل‌های هوش مصنوعی باشد. 🚀

🔗 مخزن GitHub: https://github.com/cobusgreyling/loop-engineering

➖➖➖➖➖➖➖➖➖➖ 🔻 @hitwithit ✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

🔄🤖 راهنمای «مهندسی حلقه» منتشر شد؛ رویکردی جدید برای کار با عامل‌های هوش مصنوعی یک مخزن جدید در GitHub با عنوان Loop Engineering منتشر شده که ایده متفاوتی را برای استفاده از عامل‌های هوش مصنوعی مطرح می‌کند.

📌 پیام اصلی این پروژه ساده است:

به‌جای اینکه دائماً برای عامل هوش مصنوعی پرامپت بنویسید، یک چرخه کاری (Loop) طراحی کنید تا عامل‌ها به‌صورت خودکار وظایف را انجام دهند، بررسی کنند، خطاها را اصلاح کنند و فقط در صورت نیاز، موضوع را به انسان ارجاع دهند.

امروزه بسیاری از کاربران هنوز ابزارهایی مانند Claude Code، Codex، Cursor یا Grok را به شکل سنتی استفاده می‌کنند:

✍️ پرامپت بنویس ⏳ منتظر پاسخ بمان 📋 خروجی را کپی کن 🛠 اصلاح کن 🔁 دوباره پرامپت بده... اما در مهندسی حلقه، هدف این است که دیگر نقش «مراقب دائمی عامل» را نداشته باشید و به‌جای آن، یک سیستم خودکار طراحی کنید که بخش زیادی از این چرخه را بدون دخالت مستقیم شما مدیریت کند.

🧩 این مخزن شامل چرخه‌های آماده برای وظایفی مانند:

✅ بررسی روزانه پروژه‌ها (Daily Triage) 🔀 مدیریت Pull Requestها ⚙️ اجرای CI 📦 مدیریت وابستگی‌ها 📝 تولید Changelog 🐞 مدیریت Issueها همچنین ابزارهای خط فرمان (CLI) برای ساخت چرخه‌ها، ارزیابی مصرف توکن، ممیزی مخزن و اجرای ایمن عامل‌ها از طریق GitHub Actions نیز در آن ارائه شده است.

💡 همان‌طور که نویسنده پروژه می‌گوید:

«مهندسی پرامپت درباره نوشتن پرامپت بهتر بود؛ اما مهندسی حلقه درباره ساخت سیستمی است که عامل‌های هوش مصنوعی بدون نیاز به نظارت مداوم شما به کار خود ادامه دهند.» به نظر می‌رسد پس از Prompt Engineering، اکنون Loop Engineering می‌تواند یکی از مفاهیم مهم نسل بعدی توسعه نرم‌افزار مبتنی بر عامل‌های هوش مصنوعی باشد. 🚀

🔗 مخزن GitHub: https://github.com/cobusgreyling/loop-engineering

➖➖➖➖➖➖➖➖➖➖ 🔻 @hitwithit ✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

چرا بیشتر استادان دانشگاه، کارآفرین نمی‌شوند! بر اساس مقاله: Entrepreneurial academics and academic entrepreneurs: A systematic literature review لینک مقاله: https://www.researchgate.net/publication/325164974_Entrepreneurial_academics_and_academic_entrepreneurs_A_systematic_literature_review --- داستان استاد «دکتر رضایی»؛ کسی که یک ایده داشت اما یک شرکت نساخت... در یک دانشگاه بزرگ، استادی به نام دکتر رضایی سال‌ها روی یک فناوری پزشکی کار کرده بود. شب‌ها مقاله می‌نوشت، آزمایش انجام می‌داد، دانشجو تربیت می‌کرد و هر سال چند مقاله علمی منتشر می‌کرد. همه می‌گفتند: «دکتر رضایی یکی از بهترین پژوهشگرهای دانشکده است.» اما یک روز یکی از دانشجوهایش پرسید: «استاد، این چیزی که ساختید می‌تواند به بیمارستان‌ها کمک کند. چرا تبدیلش نمی‌کنید به یک محصول؟ چرا یک شرکت نمی‌زنید؟» دکتر رضایی لبخند زد و گفت: «من استاد دانشگاه هستم، نه تاجر.» و اینجا داستان اصلی شروع می‌شود... --- سال‌ها دانشگاه‌ها یک تعریف مشخص از استاد داشتند: یک استاد خوب کسی بود که: مقاله چاپ کند، درس بدهد، پروژه پژوهشی بگیرد، در جامعه علمی شناخته شود. اما دنیا تغییر کرد. جامعه دیگر فقط مقاله نمی‌خواست؛ می‌خواست دانش دانشگاه از آزمایشگاه بیرون بیاید و یک مشکل واقعی را حل کند. مثلاً: یک الگوریتم پزشکی تبدیل به نرم‌افزار شود، یک کشف آزمایشگاهی تبدیل به درمان شود، یک مدل هوش مصنوعی تبدیل به ابزار بالینی شود. دانشگاه‌ها کم‌کم فهمیدند که باید «کارآفرین‌تر» شوند. اما یک مشکل وجود داشت: قهرمان اصلی این تغییر، یعنی استاد دانشگاه، هنوز همان قوانین قدیمی را داشت. --- چرا استادها کارآفرین نمی‌شوند؟ داستان دکتر رضایی فقط داستان یک نفر نیست. مقاله می‌گوید چند مانع بزرگ وجود دارد: ۱. سیستم پاداش دانشگاه در دانشگاه به استاد برای مقاله، citation و پروژه امتیاز می‌دهند. اما اگر استاد یک محصول بسازد یا با صنعت همکاری کند، خیلی وقت‌ها همان ارزش را ندارد. یعنی استاد با خودش حساب می‌کند: «اگر ۶ ماه وقت بگذارم شرکت بسازم، شاید ارتقای علمی نگیرم؛ ولی اگر مقاله بنویسم، مسیرم مشخص است.» --- ۲. دو دنیا با دو زبان متفاوت استاد دانشگاه با زبان علم صحبت می‌کند: «نوآوری، روش تحقیق، اعتبار علمی.» بازار با زبان دیگری حرف می‌زند: «مشتری، درآمد، نیاز واقعی.» خیلی از استادها ایده عالی دارند، ولی مسیر تبدیل ایده به محصول را بلد نیستند. مثل کسی که موتور یک ماشین را عالی می‌شناسد، ولی رانندگی در خیابان را تجربه نکرده. --- ۳. ترس از تغییر هویت یک استاد سال‌ها خودش را «دانشمند» تعریف کرده. وقتی وارد کسب‌وکار می‌شود، انگار وارد زمین ناشناخته‌ای شده: «آیا هنوز یک پژوهشگر هستم؟ یا تبدیل شدم به یک تاجر؟» مقاله می‌گوید اینجا دو مدل استاد شکل می‌گیرد: --- مدل اول: استاد کارآفرین (Entrepreneurial Academic) این فرد الزاماً شرکت نمی‌زند. مثلاً: با یک شرکت همکاری می‌کند، مشاوره می‌دهد، پروژه مشترک انجام می‌دهد، دانشجو را وارد مسائل واقعی صنعت می‌کند. یعنی دانشش را به جامعه وصل می‌کند. --- مدل دوم: کارآفرین دانشگاهی (Academic Entrepreneur) این همان استاد معروفی است که: اختراع ثبت می‌کند، شرکت دانش‌بنیان می‌زند، فناوری دانشگاه را تجاری می‌کند. مثل یک استاد که الگوریتم هوش مصنوعی خود را تبدیل به یک محصول پزشکی می‌کند. --- اما استاد موفق چه چیزی فهمیده؟ استادهای موفق فهمیده‌اند که دانشگاه و صنعت دشمن هم نیستند. دانشگاه می‌تواند کارخانه ایده باشد. صنعت می‌تواند مسیر رسیدن آن ایده به مردم باشد. یکی بدون دیگری ناقص است. --- آخر داستان دکتر رضایی... چند سال بعد، همان دانشجو برگشت و دید استادش هنوز در دانشگاه است، اما این بار یک تفاوت وجود داشت. کنار دفترش نوشته بود: «آزمایشگاه نوآوری پزشکی» او شرکت بزرگی نزده بود؛ اما چند پروژه صنعتی داشت، دانشجوهایش روی مشکلات واقعی کار می‌کردند و تحقیقاتش به زندگی مردم رسیده بود. او فهمیده بود: استاد بودن و کارآفرین بودن دو نقش متضاد نیستند؛ مشکل این است که سیستم دانشگاه همیشه راه وصل کردن این دو را بلد نبوده است. ➖➖➖➖➖ 🔺 @hitwithit

💻 یک IDE رایگان جدید برای کار با هوش مصنوعی: Zcode اگر به دنبال یک محیط توسعه (IDE) هستید که ابزارهای هوش مصنوعی را به صورت پیش‌فرض درون خودش داشته باشد، Zcode ارزش بررسی دارد. این ابزار در حال حاضر رایگان است و امکانات خوبی را در اختیارتان می‌گذارد: 🔹 دسترسی داخلی به مدل‌های پیشرفته: بدون نیاز به خرید اشتراک‌های مختلف، به مدل‌های قدرتمندی مثل GLM دسترسی دارید تا برای نوشتن، دیباگ و بهینه‌سازی کدها کمکتان کند. 🔹 محیط آشنا و روان: رابط کاربری سرراست و بدون شلوغی‌های اضافه که تمرکزش روی سرعت کار توسعه‌دهنده است. 🔹 ابزارهای کمکی هوشمند: از نوشتن کامنت و داکیومنت‌سازی گرفته تا پیشنهادهای هوشمند در لحظه نوشتن کد (Autocomplete). برای کارهای روزمره، پروژه‌های شخصی یا حتی به عنوان یک ابزار دم‌دست کنار ادیتور اصلی‌تان، می‌تواتید نسخه رایگان آن را تست کنید. 🔗 لینک دریافت و اطلاعات بیشتر: https://zcode.z.ai/en ➖➖➖➖➖ 🔺 @hitwithit

✨ معرفی ابزار ویژه: MetaPrompt - دستیار هوش مصنوعی برای دانشجویان و متخصصان ✨ آیا هنگام کار با ChatGPT و Claude احساس می‌کنید پرامپت‌هایتان دقت لازم را ندارند؟ MetaPrompt اینجاست تا مشکلتان را حل کند! 💡 MetaPrompt چیست؟ این افزونه کروم، یک «مهندس پرامپت» (Prompt Engineer) مبتنی بر هوش مصنوعی است که به طور خاص برای بهینه‌سازی سؤالات شما طراحی شده. با استفاده از مدل‌های پیشرفته، MetaPrompt پرسش‌های عادی شما را به پرامپت‌های ساختاریافته، کاملاً دقیق و حرفه‌ای تبدیل می‌کند. 🎯 چرا برای شما مفید است؟ دقت علمی بالا: دانشجویان رشته‌هایی مثل انفورماتیک پزشکی می‌توانند برای جستجوهای تحقیقاتی پیچیده و دریافت توضیحات عمیق، از دقت بی‌نظیر این ابزار بهره ببرند. صرفه‌جویی در زمان: به جای آزمون و خطا برای رسیدن به پاسخ مناسب، با یک کلیک بهترین نتیجه را از AI دریافت کنید. یادگیری مستمر: با مشاهده نحوه بازنویسی پرامپت‌ها، هنر «پرامپت‌نویسی» حرفه‌ای را نیز می‌آموزید. 🌟 با MetaPrompt، کیفیت تعامل خود با هوش مصنوعی را متحول کنید و نتایج واقعی و کاربردی به دست آورید. https://chromewebstore.google.com/detail/metaprompt-ai-prompt-engi/glkfhecdpcmaclfkhkibmoijipnnjkbf?utm_source=item-share-cp ➖➖➖➖➖➖ 🔺 @hitwithit

🚀 ساخت اپلیکیشن با توضیح: هوش‌های مصنوعی که برای ساخت پروژه‌های نرم‌افزاری کمک می‌کنند 🤖💻 فقط کافیه پروژه رو توضیح بدید، کد رو تولید می‌کنند ✨ 🔗 stack.ai 🔗 Replit https://replit.com 🔗 Bolt.new https://bolt.new 🔗 Lovable https://lovable.dev 🔗 v0 (Vercel) https://v0.dev 🔗 Firebase Studio https://firebase.google.com/products/firebase-studio 🔗 FlutterFlow https://flutterflow.io 🔗 Bubble https://bubble.io 🧠 دستیار برنامه‌نویسی و AI IDE: 🔗 Cursor https://cursor.com 🔗 GitHub Copilot https://github.com/features/copilot 🔗 Windsurf (Codeium) https://windsurf.com 🔗 Tabnine https://www.tabnine.com 🔗 Amazon Q Developer https://aws.amazon.com/q/developer/ 🔗 JetBrains AI Assistant https://www.jetbrains.com/ai/ 🎨 طراحی رابط و UI: 🔗 Uizard https://uizard.io 🔗 Galileo AI https://www.usegalileo.ai 🔗 Figma AI https://www.figma.com/ai/ 🧩 ابزارهای حرفه‌ای توسعه: 🔗 Sourcegraph Cody https://sourcegraph.com/cody 🔗 Phind https://www.phind.com 🔗 Aider https://aider.chat 🔗 Blackbox AI https://www.blackbox.ai 🤖 ساخت Agent و سیستم‌های هوش مصنوعی: 🔗 LangFlow https://langflow.org 🔗 Flowise https://flowiseai.com 🔗 Dify https://dify.ai 🔗 Stack AI https://www.stack-ai.com 🧪 تست و بهبود کد: 🔗 Qodo (CodiumAI) https://www.qodo.ai 🔗 Snyk https://snyk.io ➖➖➖➖➖➖➖ 🔺 @hitwithit

🤝خداحافظ اکانت‌های پولی! ایجنت‌های کدنویسی رایگان رو به خط کنید! چقدر تا حالا شده وسط دیباگ کردن یه اسکریپت پایتون یا پیاده‌سازی یه ویجت پیچیده توی فلاتر یا کار های آی تی و...، لنگِ دسترسی به یه مدل هوش مصنوعی درست و حسابی باشید؟ توی دنیای AI Engineerها، ابزارهایی مثل Claude و GPT-Codex پادشاهی می‌کنن، اما همیشه لازم نیست براشون هزینه دلاری بدید. توی این ویدیو رفتم سراغ خفن‌ترین ایجنت‌های رایگانی که الان در دسترس هستن: 🔹 AI Studio: دسترسی مستقیم به غول گوگل (Gemini 2.5 Pro) 🔹 Cloudflare: استفاده از قدرت کلاودفلر برای اجرای مدل‌ها 🔹 OpenCode & Qoder & Kimi 2.7 code: ایجنت‌های تخصصی که مخصوص ما کدنویس‌ها طراحی شدن اگه می‌خواید بدونید چطوری بدون محدودیت از این سرویس‌ها خروجی بگیرید، این ویدیو رو از دست ندید. 📎 لینک ویدیو در یوتیوب: مشاهده در یوتیوب ➖➖➖➖➖ 🔺 @hitwithit 🔺 YouTube ✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت