Pedi | پِدی

👨‍💻 راستی برای آموزش Codebase Memory دارم یکسری ویدیو میسازم با https://www.remotion.dev چیز جالبی داره میشه. اگر خواستید اسلاید های انیمیشنی بسازید میتونید با استفاده از کد، ویدیو درست کنید و کارای خیلی باحالی میکنه.

🙂 بازخورد ویدیو اول خیلی عالی بود و واقعا خوشحالم چون • قبلا خونده بودم مطالب فنی زیاد خریدار نداره و کسایی که توی این حوزه کار میکردن خیلی ناراحت بودند که بازخوردی که میخواستن رو نگرفتن • اصلا فکر نمیکردم اینقدر دوست داشته باشین همه تا روند کاریشون تغییر کنه و نسبت به تغییر و روش جدید روی خوش نشون بدن • اصلا فکر نمیکردم منو قبول داشته باشید 😑 دارم روی ۲ تا ویدیو جدید کار میکنم. • مرور و آموزش pi.dev • و بررسی دقیق نحوه کار کرد CodeBase Memory ❓ این دو مورد رو انتخاب کردم چون به طرز عجیبی مصرف توکن هاتون رو پایین میاره، ساختار درست به پروژه میده و هزینه هاتون رو پایین میارن.

📣 من این مورد رو توی ویریو یادم رفته بگم. برای پروژه هایی که از قبل شروع شدن تقریبا همه چیز همونیه که توی ویریو گفتم. فقط برای شروع Spec Kit باید بجای اسم فولدر جدید، براید توی Root پروژه و از —here استفاده کنید. 1️⃣برو داخل root پروژه و بزن: specify init --here --force --integration copilot اگر مثلاً Claude Code استفاده می‌کنی: specify init --here --force --integration claude 2️⃣ بعد: speckit.constitution 😎 دیگه بقیش مثل خود ویدیو پیش برو

🔍 اگه ویدیوی دیروز درباره GitHub Spec Kit و Spec-Driven Development رو دیدید، این ابزار هم می‌تونه کنارش خیلی کاربردی باشه. اسمش to-spec هست و کارش ساده‌ست: ✏️ شما با Agent درباره فیچر، مشکل یا چیزی که می‌خواید بسازید صحبت می‌کنید، Agent کدبیس رو هم می‌شناسه، بعد "to-spec" از همین Conversation و Context موجود یک Spec ساختاریافته براتون می‌سازه. یعنی لازم نیست بعد از نیم ساعت بحث با AI دوباره بشینید همه‌چیز رو از اول تبدیل به Requirements و Spec کنید. ⚙️برای نصب: npx skills add https://github.com/mattpocock/skills --skill to-spec 🔗 لینک https://www.skills.sh/mattpocock/skills/to-spec 💬 به‌خصوص اگه دارید با روشی که دیروز توی ویدیو درباره Spec Kit گفتم کار می‌کنید، این می‌تونه یک راه خوب برای تبدیل گفتگوهای اولیه‌تون با Agent به نقطه شروع یک Spec تمیز باشه.

👀 خب، ترامپ عملاً گفت خبری از ترمز کردن نیست. جواب ترامپ تقریباً این بوده: 🗣️ تا وقتی چین داره با سرعت جلو میره، ما هم قرار نیست آروم‌تر بشیم. گفته آمریکا الان توی AI از چین جلوتره و می‌خواد این فاصله رو حفظ کنه، چون به قول خودش: 🗣️ هرکی AI رو ببره، برنده‌ست. و دقیقاً مشکل هم همینه. آمریکا میگه اگه ما سرعت رو کم کنیم، شاید چین نکنه. چین هم احتمالاً همین فکر رو درباره آمریکا می‌کنه. یعنی بحثی که قرار بود درباره امنیت AI باشه، خیلی راحت می‌تونه تبدیل بشه به یه مسابقه تسلیحاتی جدید؛ فقط این بار به‌جای موشک، داریم روی مدل‌های AI مسابقه می‌دیم. 💬 به نظرتون واقعاً باید سرعت توسعه AI کمتر بشه، یا توی رقابت آمریکا و چین اصلاً چنین چیزی شدنی نیست؟ 🔗 منبع

یه جورایی حس اوایل Covid رو داره همه ریز میگن یه خبرایی هست اما هنوز خبری نشده 😁

✍️ چرا ناگهان مدیرهای بزرگ AI دارن درباره کم کردن سرعت توسعه حرف می‌زنن؟ داریو آمودی، سم آلتمن و ایلان ماسک تقریباً همزمان دارن میگن شاید وقتش رسیده سرعت توسعه مدل‌های مرزی AI کمتر بشه. اما داستان از کجا شروع شد؟ داریو آمودی، مدیرعامل Anthropic، مقاله‌ای منتشر کرد با عنوان We Must Pace the Frontier و گفت سرعت پیشرفت AI، مخصوصاً در زمینه‌ای که خود AI داره به ساخت نسل بعدی AI کمک می‌کنه، از چیزی که انتظار داشتن بیشتر شده. یکی از نگرانی‌هایی که بهش اشاره می‌کنه اینه که اگر مدل‌ها کم‌کم بتونن بخش بیشتری از تحقیق، کدنویسی و توسعه مدل‌های بعدی رو خودشون انجام بدن، وارد چیزی می‌شیم که بهش می‌گن: Recursive Self-Improvement یعنی AI به بهتر شدن خودش کمک کنه، نسخه قوی‌تر ساخته بشه و اون نسخه دوباره همین فرایند رو سریع‌تر انجام بده. داریو همچنین به اتفاقاتی اشاره کرد که اخیراً در تست‌های امنیتی مدل‌های AI دیده شده؛ جایی که agentها در بعضی آزمایش‌ها راه‌هایی پیدا کردند تا محدودیت‌هایی که براشون گذاشته شده بود رو دور بزنند یا برای رسیدن به هدف‌شون رفتارهایی انجام بدن که مستقیماً ازشون خواسته نشده بود. حرف داریو این نیست که «AI رو متوقف کنیم». میگه باید سرعت حرکت Frontier AI رو کنترل کنیم تا تحقیقات ایمنی، دولت‌ها و سیستم‌های نظارتی فرصت داشته باشن خودشون رو برسونن. توییت اصلی داریو بعد ماجرا جالب‌تر شد. ایلان ماسک که سال‌هاست درباره ریسک AI هشدار میده، خیلی کوتاه جواب داد:

Dario is right.

یعنی: «داریو درست میگه.» توییت ماسک ولی مهم‌تر از ماسک، واکنش سم آلتمن بود. آلتمن صریحاً نوشت:

I agree with Dario that we need to pace the frontier.

یعنی خودش هم قبول داره که شاید لازم باشه سرعت توسعه مدل‌های Frontier کنترل بشه. حتی گفت OpenAI با یکی از پیشنهادهای داریو موافقه: اینکه ارزیاب‌های مستقل امنیتی دسترسی بسیار بیشتری به مدل‌ها داشته باشن تا بتونن واقعاً رفتار اون‌ها رو بررسی کنن. توییت سم آلتمن بعد برنی سندرز وارد بحث شد و گفت حتی این هم کافی نیست. حرفش تقریباً این بود:

وقتی داری به سمت پرتگاه مسابقه میدی، فقط پات رو کمتر روی گاز نمی‌ذاری؛ ترمز می‌کنی.

اون خواستار توقف جدی‌تر توسعه AIهای فوق‌پیشرفته و حتی ممنوعیت Artificial Superintelligence شد. توییت سندرز و بعد Demis Hassabis، مدیر Google DeepMind هم گفت جهت کلی حرف داریو رو درست می‌دونه، هرچند درباره نحوه اجرا هنوز بحث زیاده. توییت دمیس چیزی که این ماجرا رو جالب می‌کنه این نیست که مدیرهای AI تازه فهمیدن AI می‌تونه خطرناک باشه. این حرف سال‌هاست زده میشه. نکته مهم‌تر اینه که برای اولین بار چند نفر از بزرگ‌ترین رقبای این صنعت دارن علناً درباره کند کردن سرعت توسعه خودشان حرف می‌زنن. تا امروز مشکل تقریباً این بود: «من نمی‌تونم سرعت رو کم کنم، چون اگر من کم کنم رقیبم ادامه میده.» حالا بحثی که داره شکل می‌گیره اینه که آیا میشه همه آزمایشگاه‌های بزرگ با هم روی یک سری محدودیت و سیستم نظارتی توافق کنن یا نه. آیا واقعاً پشت پرده چیزی دیدن که باعث شده اینقدر نگران بشن؟ فعلاً هیچ مدرکی برای داستان‌هایی مثل «AI فرار کرده» یا «AGI مخفی ساخته شده» وجود نداره. اما چیزی که واقعاً وجود داره اینه که مدل‌ها دارن سریع‌تر مستقل میشن، agentها کارهای پیچیده‌تری انجام میدن و خود AI هم داره تبدیل میشه به یکی از ابزارهای اصلی ساخت نسل بعدی AI. و ظاهراً حتی آدم‌هایی که پاشون روی پدال گازه، کم‌کم دارن درباره ترمز حرف می‌زنن.

✍️ چرا ناگهان مدیرهای بزرگ AI دارن درباره کم کردن سرعت توسعه حرف می‌زنن؟ داریو آمودی، سم آلتمن و ایلان ماسک تقریباً همزمان دارن میگن شاید وقتش رسیده سرعت توسعه مدل‌های مرزی AI کمتر بشه. اما داستان از کجا شروع شد؟ داریو آمودی، مدیرعامل Anthropic، مقاله‌ای منتشر کرد با عنوان We Must Pace the Frontier و گفت سرعت پیشرفت AI، مخصوصاً در زمینه‌ای که خود AI داره به ساخت نسل بعدی AI کمک می‌کنه، از چیزی که انتظار داشتن بیشتر شده. یکی از نگرانی‌هایی که بهش اشاره می‌کنه اینه که اگر مدل‌ها کم‌کم بتونن بخش بیشتری از تحقیق، کدنویسی و توسعه مدل‌های بعدی رو خودشون انجام بدن، وارد چیزی می‌شیم که بهش می‌گن: Recursive Self-Improvement یعنی AI به بهتر شدن خودش کمک کنه، نسخه قوی‌تر ساخته بشه و اون نسخه دوباره همین فرایند رو سریع‌تر انجام بده. داریو همچنین به اتفاقاتی اشاره کرد که اخیراً در تست‌های امنیتی مدل‌های AI دیده شده؛ جایی که agentها در بعضی آزمایش‌ها راه‌هایی پیدا کردند تا محدودیت‌هایی که براشون گذاشته شده بود رو دور بزنند یا برای رسیدن به هدف‌شون رفتارهایی انجام بدن که مستقیماً ازشون خواسته نشده بود. حرف داریو این نیست که «AI رو متوقف کنیم». میگه باید سرعت حرکت Frontier AI رو کنترل کنیم تا تحقیقات ایمنی، دولت‌ها و سیستم‌های نظارتی فرصت داشته باشن خودشون رو برسونن. توییت اصلی داریو بعد ماجرا جالب‌تر شد. ایلان ماسک که سال‌هاست درباره ریسک AI هشدار میده، خیلی کوتاه جواب داد:

Dario is right.

یعنی: «داریو درست میگه.» توییت ماسک ولی مهم‌تر از ماسک، واکنش سم آلتمن بود. آلتمن صریحاً نوشت:

I agree with Dario that we need to pace the frontier.

یعنی خودش هم قبول داره که شاید لازم باشه سرعت توسعه مدل‌های Frontier کنترل بشه. حتی گفت OpenAI با یکی از پیشنهادهای داریو موافقه: اینکه ارزیاب‌های مستقل امنیتی دسترسی بسیار بیشتری به مدل‌ها داشته باشن تا بتونن واقعاً رفتار اون‌ها رو بررسی کنن. توییت سم آلتمن بعد برنی سندرز وارد بحث شد و گفت حتی این هم کافی نیست. حرفش تقریباً این بود:

وقتی داری به سمت پرتگاه مسابقه میدی، فقط پات رو کمتر روی گاز نمی‌ذاری؛ ترمز می‌کنی.

اون خواستار توقف جدی‌تر توسعه AIهای فوق‌پیشرفته و حتی ممنوعیت Artificial Superintelligence شد. توییت سندرز و بعد Demis Hassabis، مدیر Google DeepMind هم گفت جهت کلی حرف داریو رو درست می‌دونه، هرچند درباره نحوه اجرا هنوز بحث زیاده. توییت دمیس چیزی که این ماجرا رو جالب می‌کنه این نیست که مدیرهای AI تازه فهمیدن AI می‌تونه خطرناک باشه. این حرف سال‌هاست زده میشه. نکته مهم‌تر اینه که برای اولین بار چند نفر از بزرگ‌ترین رقبای این صنعت دارن علناً درباره کند کردن سرعت توسعه خودشان حرف می‌زنن. تا امروز مشکل تقریباً این بود: «من نمی‌تونم سرعت رو کم کنم، چون اگر من کم کنم رقیبم ادامه میده.» حالا بحثی که داره شکل می‌گیره اینه که آیا میشه همه آزمایشگاه‌های بزرگ با هم روی یک سری محدودیت و سیستم نظارتی توافق کنن یا نه. آیا واقعاً پشت پرده چیزی دیدن که باعث شده اینقدر نگران بشن؟ فعلاً هیچ مدرکی برای داستان‌هایی مثل «AI فرار کرده» یا «AGI مخفی ساخته شده» وجود نداره. اما چیزی که واقعاً وجود داره اینه که مدل‌ها دارن سریع‌تر مستقل میشن، agentها کارهای پیچیده‌تری انجام میدن و خود AI هم داره تبدیل میشه به یکی از ابزارهای اصلی ساخت نسل بعدی AI. و ظاهراً حتی آدم‌هایی که پاشون روی پدال گازه، کم‌کم دارن درباره ترمز حرف می‌زنن.

چرا ناگهان مدیرهای بزرگ AI دارن درباره کم کردن سرعت توسعه حرف می‌زنن؟ داریو آمودی، سم آلتمن و ایلان ماسک تقریباً همزمان دارن میگن شاید وقتش رسیده سرعت توسعه مدل‌های مرزی AI کمتر بشه. اما داستان از کجا شروع شد؟ داریو آمودی، مدیرعامل Anthropic، مقاله‌ای منتشر کرد با عنوان We Must Pace the Frontier و گفت سرعت پیشرفت AI، مخصوصاً در زمینه‌ای که خود AI داره به ساخت نسل بعدی AI کمک می‌کنه، از چیزی که انتظار داشتن بیشتر شده. یکی از نگرانی‌هایی که بهش اشاره می‌کنه اینه که اگر مدل‌ها کم‌کم بتونن بخش بیشتری از تحقیق، کدنویسی و توسعه مدل‌های بعدی رو خودشون انجام بدن، وارد چیزی می‌شیم که بهش می‌گن: Recursive Self-Improvement یعنی AI به بهتر شدن خودش کمک کنه، نسخه قوی‌تر ساخته بشه و اون نسخه دوباره همین فرایند رو سریع‌تر انجام بده. داریو همچنین به اتفاقاتی اشاره کرد که اخیراً در تست‌های امنیتی مدل‌های AI دیده شده؛ جایی که agentها در بعضی آزمایش‌ها راه‌هایی پیدا کردند تا محدودیت‌هایی که براشون گذاشته شده بود رو دور بزنند یا برای رسیدن به هدف‌شون رفتارهایی انجام بدن که مستقیماً ازشون خواسته نشده بود. حرف داریو این نیست که «AI رو متوقف کنیم». میگه باید سرعت حرکت Frontier AI رو کنترل کنیم تا تحقیقات ایمنی، دولت‌ها و سیستم‌های نظارتی فرصت داشته باشن خودشون رو برسونن. توییت اصلی داریو: [Dario Amodei on X](https://x.com/DarioAmodei/status/2098773920774074715?utm_source=chatgpt.com) بعد ماجرا جالب‌تر شد. ایلان ماسک که سال‌هاست درباره ریسک AI هشدار میده، خیلی کوتاه جواب داد: > Dario is right. یعنی: «داریو درست میگه.» توییت ماسک: [Elon Musk on X](https://x.com/elonmusk/status/2098789109980332057?utm_source=chatgpt.com) ولی مهم‌تر از ماسک، واکنش سم آلتمن بود. آلتمن صریحاً نوشت: > I agree with Dario that we need to pace the frontier. یعنی خودش هم قبول داره که شاید لازم باشه سرعت توسعه مدل‌های Frontier کنترل بشه. حتی گفت OpenAI با یکی از پیشنهادهای داریو موافقه: اینکه ارزیاب‌های مستقل امنیتی دسترسی بسیار بیشتری به مدل‌ها داشته باشن تا بتونن واقعاً رفتار اون‌ها رو بررسی کنن. توییت سم آلتمن: [Sam Altman on X](https://x.com/sama/status/2098811563415150910?utm_source=chatgpt.com) بعد برنی سندرز وارد بحث شد و گفت حتی این هم کافی نیست. حرفش تقریباً این بود: وقتی داری به سمت پرتگاه مسابقه میدی، فقط پات رو کمتر روی گاز نمی‌ذاری؛ ترمز می‌کنی. اون خواستار توقف جدی‌تر توسعه AIهای فوق‌پیشرفته و حتی ممنوعیت Artificial Superintelligence شد. توییت سندرز: [Bernie Sanders on X](https://x.com/SenSanders/status/2098847403134611522?utm_source=chatgpt.com) و بعد Demis Hassabis، مدیر Google DeepMind هم گفت جهت کلی حرف داریو رو درست می‌دونه، هرچند درباره نحوه اجرا هنوز بحث زیاده. توییت دمیس: [Demis Hassabis on X](https://x.com/demishassabis/status/2098909516582490602?utm_source=chatgpt.com) چیزی که این ماجرا رو جالب می‌کنه این نیست که مدیرهای AI تازه فهمیدن AI می‌تونه خطرناک باشه. این حرف سال‌هاست زده میشه. نکته مهم‌تر اینه که برای اولین بار چند نفر از بزرگ‌ترین رقبای این صنعت دارن علناً درباره کند کردن سرعت توسعه خودشان حرف می‌زنن. تا امروز مشکل تقریباً این بود: «من نمی‌تونم سرعت رو کم کنم، چون اگر من کم کنم رقیبم ادامه میده.» حالا بحثی که داره شکل می‌گیره اینه که آیا میشه همه آزمایشگاه‌های بزرگ با هم روی یک سری محدودیت و سیستم نظارتی توافق کنن یا نه. آیا واقعاً پشت پرده چیزی دیدن که باعث شده اینقدر نگران بشن؟ فعلاً هیچ مدرکی برای داستان‌هایی مثل «AI فرار کرده» یا «AGI مخفی ساخته شده» وجود نداره. اما چیزی که واقعاً وجود داره اینه که مدل‌ها دارن سریع‌تر مستقل میشن، agentها کارهای پیچیده‌تری انجام میدن و خود AI هم داره تبدیل میشه به یکی از ابزارهای اصلی ساخت نسل بعدی AI. و ظاهراً حتی آدم‌هایی که پاشون روی پدال گازه، کم‌کم دارن درباره ترمز حرف می‌زنن.

آموزش Spec-Driven Development با GitHub Spec Kit ✍️ توی این ویدیو باهم یک پروژه رو دو بار می‌سازیم؛ یک‌بار با یه پرامپت ساده و کلی جزئیات ناگفته که تصمیم‌گیری درباره‌شون رو به AI می‌سپاریم، و یک‌بار با GitHub Spec Kit. بعد هم روند ساخت و خروجی هر دو رو کنار هم مقایسه می‌کنیم. منظور از «توسعه مبتنی بر مشخصات» اینه که قبل از پیاده‌سازی، روشن کنیم دقیقاً چی می‌خوایم بسازیم، چرا و چه انتظاری ازش داریم. ابزار Spec Kit گیت‌هاب کمک می‌کنه این مشخصات رو تدوین کنیم، براشون برنامه‌ی فنی بچینیم و کار رو به تسک‌های قابل‌اجرا تقسیم کنیم؛ بعد کدنویسی رو بر اساس همین مسیر پیش ببریم. برای من، بخش مهم این روش فقط کد نوشتن نیست؛ اینه که بیشتر به داستان محصول فکر کنیم: کاربر چه مشکلی داره؟ قراره چه مسیری رو توی محصول طی کنه؟ از کجا بفهمیم چیزی که ساختیم، واقعاً نیازش رو برطرف می‌کنه؟ 💬 حتی اگه برنامه‌نویس نیستید، ولی با کمک AI ایده‌هاتون رو می‌سازید، پیشنهاد می‌کنم یه نگاهی به این ویدیو بندازید. با یک مثال عملی بررسی می‌کنیم که وقت گذاشتن برای روشن کردن خواسته‌ها، چه تفاوتی با شروع مستقیم از «کد بزن» داره. ⏯️ تماشا ویدیو در یوتیوب

✍️این مدت یک سؤال رو خیلی از بچه‌هایی که تازه وارد برنامه‌نویسی شدن یا جونیور هستن می‌شنوم: حالا که AI می‌تونه کد بنویسه، من دقیقاً باید چی یاد بگیرم؟ به نظرم جواب دیگه فقط یاد گرفتن Syntax یک زبان یا یک Framework جدید نیست. ابزار هایAI می‌تونه برات کد تولید کنه، ولی هنوز باید خودت بفهمی مسئله چیه، سیستم چطور باید طراحی بشه، مسئولیت‌ها کجا باید جدا بشن، داده‌ها چطور مدل بشن و چرا یک تصمیم معماری از تصمیم دیگه بهتره. برای همین یکی از کتاب‌هایی که فکر می‌کنم دید خیلی خوبی به برنامه‌نویس‌ها می‌ده، کتاب Domain-Driven Design از Eric Evans هست. این کتاب لزوماً کتاب ساده‌ای برای شروع برنامه‌نویسی نیست، ولی طرز نگاه خیلی مهمی رو یاد می‌ده: اینکه قبل از اینکه به کد فکر کنی، باید مسئله‌ای که داری حل می‌کنی رو بفهمی و بتونی اون رو درست به یک مدل نرم‌افزاری تبدیل کنی. فکر می‌کنم توی دنیایی که AI هر روز بهتر کد می‌نویسه، این نوع مهارت‌ها حتی مهم‌تر هم می‌شن. برای همین از هفته‌ی آینده می‌خوام یک سری ویدیوی کوتاه شروع کنم و هر هفته یک مفهوم از Software/System Design رو خیلی خلاصه بررسی کنیم: اینکه چی هست، چرا مهمه، کجا استفاده می‌شه، و یک برنامه‌نویس جونیور واقعاً چقدر باید ازش بدونه. هدفم این نیست که وارد صدها ساعت تئوری بشیم. می‌خوام کم‌کم یک نقشه‌ی راه بسازیم برای اینکه بدونیم در کنار AI، چه چیزهایی ارزش یاد گرفتن دارن تا فقط کسی نباشیم که کد تولید می‌کنه، بلکه کسی باشیم که می‌فهمه چه کدی اصلاً باید نوشته بشه.

ویدیو جدید رو ریکورد کردم برای آموزش Github Speckit https://github.com/github/spec-kit دست کم ۴۰دقیقه ویدیو میشه. اما باهم یک پروژه ساده Vibe Code میکنیم. و بعد همون پروژه رو با Speckit میسازم. کیفیت خروجی واقعا فرق دارن باهم و امیدوارم به کارتون بیاد ❤️

کیبورد جدید رسید ⌨ Akko MU02 چوب گردو پشتش داره یه صدای عمیق جذابی بهش میده. نقاشی های روی دکمه‌ها عجیب‌ غریب قشنگ هستن.

من این تصویر هارو با ChatpGPT Astra ساختم. عجب چیزی شده این مدل. اصولا ایده‌ام رو بهش مسگم، و بعد ازش میخوام تا برام یک Prompt بنویسه با اون ایده ای که داشتم. و بعدش شروع به ساختن میکنم. البته همونطوری که پرهام توی کامنت ها گفت، مدل تصویری تغییر نکرده، فقط نگارش پرامپت بهتر شده.

من 4 ساله برنامه نویسم C - C++ - C# - Html -Css -Java script اینارو کار کردم و میخوام خودمو ی جورایی بوست کنم به نظرت چه چیزی رو شروع کنم پایتون به همراه AI و اینکه چقدر طول میکشه توش حرفه ای شم

یکی از بچه‌ها مسیج بالا رو برام فرستاده و گفتم نظر خودم رو در موردش بگم. دوست دارم نظر شما رو هم بدونم. این موضوع در مورد برنامه‌نویسیه، ولی فکر می‌کنم کم‌کم داره برای خیلی از شغل‌ها صدق می‌کنه. به نظر من داریم از دوره‌ای که بخش بزرگی از زمانمون صرف حفظ کردن Syntax یک زبان می‌شد فاصله می‌گیریم. این به این معنی نیست که دیگه لازم نیست زبان برنامه‌نویسی رو بلد باشیم. اتفاقاً باید مفاهیمش رو خیلی خوب بفهمیم؛ مثلاً Memory، Concurrency، Async، Type System و Runtime. ولی اینکه Syntax تک‌تک چیزها رو حفظ باشیم، دیگه به اندازه قبل ارزش نداره. AI و IDE خیلی راحت می‌تونن این قسمت رو برامون انجام بدن. اگر ۴ سال برنامه‌نویسی کردی، به نظرم صرفاً اضافه کردن Python به لیست زبان‌هایی که بلدی لزوماً Boost بزرگی نیست. اگر هدفت AI، Data یا حوزه‌ایه که Python ابزار اصلیشه، قطعاً برو سمتش. ولی اگر فقط می‌خوای «یک زبان دیگه» بلد باشی، من زمانم رو جای دیگه سرمایه‌گذاری می‌کردم. بیشتر روی Software Engineering Fundamentals عمیق می‌شدم: System Design، Database، Networking، Testing، Security، Performance، Debugging و مهم‌تر از همه فهم Trade-offها. چون AI می‌تونه برات کد بنویسه و حتی Architecture پیشنهاد بده، ولی در نهایت تو باید بتونی تشخیص بدی: آیا این طراحی واقعاً نیاز محصول رو حل می‌کنه؟ آیا قابل تست و نگهداریه؟ آیا Scale میشه؟ مشکل ها و Failureهاش چیه؟ هزینه‌ش چقدره؟ و اصلاً چرا باید اینطوری ساخته بشه؟ به نظرم ارزش یک برنامه‌نویس کم‌کم کمتر در «توانایی تایپ کردن کد» و بیشتر در «توانایی تصمیم گرفتن درباره نرم‌افزار» خواهد بود. الان AI رو یاد بگیرید و حتماً ازش استفاده کنید؛ ولی اشتباه نکنید که یاد گرفتن یک ابزار AI و ساختن چند پروژه باهاش یعنی مسیر Software Engineering تموم شده. به نظرم دقیقاً برعکسه؛ Fundamentals الان مهم‌تر شدن.

✍️ اضافه‌کردن Grill Me به Copilot فایل زیر را در پروژه بساز:

.github/prompts/grill-me.prompt.md

🟢 محتوای فایل

---
description: Challenge an idea before implementation, one decision at a time.
agent: ask
argument-hint: Describe your idea, feature, or plan
---

# Grill Me

You are a rigorous, collaborative thinking partner. Help me clarify my idea before implementation, not defend it or automatically agree with it.

## Workflow

1. Briefly restate my goal. If no idea is provided, ask for it.

2. Investigate relevant workspace files before asking factual questions. Cite file paths for findings. Separate verified facts from assumptions. Never pretend to access unavailable files or tools.

3. Ask exactly ONE focused question per turn. Do not hide multiple questions inside it. Prioritize high-impact decisions and resolve prerequisites before downstream details.

4. For each question, use:
   - Question: One specific decision to resolve.
   - Why it matters: A brief explanation.
   - Recommendation: Your suggested answer and its main trade-off.

   If evidence is insufficient, explain what is missing instead of inventing a confident recommendation.

5. Wait for my answer. Challenge ambiguity, contradictions, hidden assumptions, and failure modes respectfully. Do not repeat answered questions unless new evidence changes them.

6. Track the goal, scope, constraints, success criteria, decisions, and unresolved risks. Keep the discussion proportional to the idea's complexity.

7. When discussion cannot resolve an uncertainty, propose the smallest useful experiment or prototype. Mark it as pending and continue with independent decisions.

## Stopping Rule

Stop when consequential decisions are resolved, explicitly deferred, or assigned an experiment. Do not chase every hypothetical edge case.

Summarize:
- Agreed decisions.
- Accepted assumptions.
- Remaining risks and deferred decisions.
- Required experiments.

Ask me to confirm the summary, then wait.

## Boundaries

- Do not edit files, execute commands, or write implementation code during this session.
- Confirmation of the summary is not permission to implement.
- Respond in the language I use.

🟢 نحوه استفاده در یک گفت‌وگوی جدید در Copilot، دستور زیر را همراه ایده‌ات بنویس:

/grill-me می‌خوام امکان جست‌وجو بین لینک‌های ذخیره‌شده رو به اپ اضافه کنم.

🤖 اگر از Gemini استفاده میکنید، براتون یک Gem ساختم تا بتونید توی چت های روزمرتون توی موبایل یا ورژن وب Gemini از اسکیل grill-me استفاده کنید. 🔗 کافیه فقط بزنید روی لینک زیر https://gemini.google.com/gem/1mDlxKPi3jBmPAozd5e7sae09TAWr3L_E?usp=sharing ✍️ اگر هم میخواید خودتون بسازیدش، برید به مسیر زیر و مراحل زیر رو برید. بعد از تموم شدن این مرحله ها دیگه شما این Skill رو توی منو Gemini خواهید داشت. Settings > Gems > New Gem Title grill-me Description Relentlessly stress-tests an idea or plan one decision at a time until every important branch is resolved. Instructions

You are a rigorous thinking partner.

Interview me relentlessly about every aspect of my plan, idea, design, feature, product decision, business decision, or piece of writing until we reach a shared understanding.

Walk down each branch of the decision tree, resolving dependencies between decisions one by one.

For every question:
- ask only ONE question at a time
- wait for my answer before continuing
- provide your recommended answer
- explain the important trade-offs briefly

If a fact can be found from available context, uploaded files, web search, or other available tools, look it up instead of asking me.

Facts are your responsibility to investigate.
Decisions are mine.

Challenge:
- hidden assumptions
- ambiguity
- contradictions
- missing requirements
- edge cases
- constraints
- trade-offs
- risks
- unresolved dependencies

If my answer creates new questions, follow those branches before moving on.

Do not start implementing, writing code, producing the final plan, or executing the idea until I explicitly confirm that we have reached a shared understanding.

When you believe the design tree is resolved, summarize:
- decisions made
- assumptions accepted
- remaining risks
- unresolved questions

Then wait for my confirmation before proceeding.

🔭 قابلیت یا اسکیل grill-me به‌جای اینکه فوراً بره سراغ نتیجه یا کدنویسی، ایده‌ات رو با سؤال‌های دقیق به چالش می‌کشه. من خودم از این Skill برای تک تک گفتگو هایی که دارم با ایجنت استفاده میکنم. ما همیشه فکر میکنیم درست و کامل حرف میزنیم با AI. AI هم مارو قبول داره. هر جفتمون چشم‌هامون رو روی سوال های جواب داده نشده با کلی فرض و ابهام مییندیم. با این اسکیل تمام این مسایل حل میشن. به زبون عامیانه بخوام بگم، این قابلیت میگه دهن منو سرویس کن، ازم اینقدر سوال بپرس تا از همه‌چیز مطمین بشیم✨ ✍️ سؤال‌های مرحله‌به‌مرحله بر اساس جواب‌هات جلو می‌ره؛ اول تصمیم‌های اساسی رو مشخص می‌کنه، بعد سراغ جزئیات می‌ره. ✍️ فقط برای کدنویسی نیست برای بررسی یک قابلیت جدید، ایدهٔ محصول، تصمیم کسب‌وکار یا حتی نوشتن هم کاربرد داره. ✍️ تصمیم‌گیرنده هنوز تویی پیشنهادهاش رو کورکورانه قبول نکن. بعضی سؤال‌ها هم فقط با ساخت نمونه و آزمایش واقعی جواب می‌گیرن، نه بحث بیشتر. ⛏ نصب و شروع npx skills@latest add mattpocock/skills --skill=grill-me در یک گفت‌وگوی جدید، /grill-me رو همراه ایده‌ات بنویس. حالت Plan Mode خاموش باشه تا به‌جای عجله برای پیاده سازی یا نتیجه‌گرفتن، روی بررسی ایده تمرکز کنه