GrowVixo

‏خِفتم کن! ‏وقتی با AI کد می‌زنید، بزرگ‌ترین سم اینه که شما فقط بگی چی می‌خوای و اونم یه مشت کد بپاشه جلتون و شما هم بی‌فکر فقط «Accept» بزنید. اینجوری بعد از نیم ساعت کلاً پرت می‌شید که پروژه داره به کجا میره و کنترل از دستتون در میره. ‏تکنیک اینه که بهش بگی: «Grill me» (خفتم کن!) ‏درواقع داری بهش می‌گی قبل از اینکه دست به کد بشی، حتی قبل از اینکه به پلن برسی، زیر و بم قضیه رو ازم بکش بیرون. سوالای سخت بپرس، حالت‌های خاص (Edge cases) رو رو کن و همه‌چیز رو به چالش بکش. ایجنت شروع می‌کنه به سوال و جواب‌ها و در اکثر مواقع چند جواب ممکن رو پیشنهاد میده و گزینه پیشنهادی خودش رو هم با ذکر دلیل میگه، ولی تو همیشه میتونی جواب خودت رو اضافه کنی یا در مورد سوال باهاش بحث کنی. گاهی سوال‌های ارزشمندی می‌پرسه که تو حتی بهش فکر هم نکرده بودی. در نهایت یه پلن تر و تمیز و حساب شده تحویل میگیری که آماده پیاده‌سازیه. ‏با این کار: ‏۱. فهم شما و AI از مسئله و نقشه راه دقیقاً یکی میشه. ‏۲. خودت هوشیار می‌مونی، می‌فهمی داری چیکار می‌کنی و فرمان دست خودته. ‏۳. برنامه‌نویسی با AI از حالت خسته‌کننده و رباتیک درمیاد و میشه یه همکاری واقعی. ‏این مفهوم به نظر ساده میرسه و حتی اگه فایل skillهای مرتبط و مشابه grill-me رو نگاه کنید می‌بینید چند خط بیشتر نیست. ولی واقعاً تاثیر فوق‌العاده‌ای میذاره. اگه MCPهای کافی، به‌خصوص مربوط به resourceهای داخلی شرکت یا پروژه‌تون رو هم فعال داشته باشید، روند سوال‌وجواب‌ها و نتیجه کار واقعاً شگفت‌زده‌تون می‌کنه. پیشنهاد می‌کنم حتماً یک بار هم که شده امتحانش کنید. ‏استاد ⁦ @mattpocockuk⁩ توی این مقاله خیلی خوب و دقیق مفهومش رو باز کرده و خودِ skill رو هم پابلیش کرده که می‌تونید راحت نصبش کنید و رو ابزاراتون استفاده کنید: https://www.aihero.dev/skills-grill-me CODELAB | GpCodeLab

و jev ؛ مدل هوش مصنوعی جدیدی که ادعا میکنه صدها برابر ارزان‌تر است! همونطور که میدونید مدتی پیش استارتاپ TypeSafe AI از مدل جدیدی به نام Jev رونمایی کرده؛ مدلی که برخلاف مدل‌هایی مثل ChatGPT و Claude، برای چت و تولید متن طراحی نشده و هدف اصلیش تصمیم‌گیری سریع و ساختاریافته برای نرم‌افزارهاست. اما چیزی که Jev را خبرساز کرده، عملکردشه. طبق آزمایش‌های منتشرشده توسط TypeSafe، Jev در برخی از workflowهای مورد آزمایش تا ۱۹۳.۶ برابر سریع‌تر و تا ۴۴۴.۶ برابر ارزان‌تر از مدل‌های LLM مورد مقایسه بوده. حالا Jev چه کاری انجام میده؟ فرض کنید یک فروشگاه آنلاین دارید و میخواید برای هر سفارش چند تصمیم گرفته بشه: آیا سفارش مشکوک به تقلبه؟ درخواست مشتری مربوط به کدام بخش هستش؟ آیا نیاز به دخالت انسان وجود داره؟ به‌جای اینکه یک مدل زبانی پاسخ متنی طولانی تولید کنه، Jev میتونه این تصمیم‌ها رو به شکل ساختاریافته و قابل استفاده مستقیم در نرم‌افزار برگردونه. 📌چرا مهمه؟ هزینه بسیار پایین‌تر برای پردازش حجم بالای درخواست‌ها سرعت بالا برای تصمیم‌گیری‌های لحظه‌ای خروجی ساختاریافته که مستقیماً در سیستم‌های نرم‌افزاری قابل استفادست مناسب برای AI Agentها و اتوماسیون امکان بررسی چند تصمیم به‌صورت موازی 📌 ایده اصلی TypeSafe ساده است: هر کاری به یک LLM بزرگ که متن تولید کند نیاز ندارد. گاهی نرم‌افزار فقط میخواد بدونه که: "YES / NO" یا: "Risk = 82" یا: "Category = Billing" و Jev دقیقاً برای همین نوع تصمیم‌گیری ساخته شده . اگه این رویکرد در مقیاس بزرگ جواب بده، میتونه بخشی از پردازش‌های AI را از مدل‌های عمومی و پرهزینه به مدل‌های تخصصی‌تر و سریع‌تر منتقل کند. #AI #Jev #TypeSafe #هوش_مصنوعی @GrowVixo 🔥

🔶 پیاده سازی فیلتر بر اساس دسته ‌بندی محصولات در لاراول همان ‌طور که می‌دانید، در فروشگاه ‌های اینترنتی معمولاً در سایدبار سمت راست، فیلتر های متنوعی برای نمایش نتایج محصولات در نظر گرفته می ‌شود. کد زیر دقیقاً همین عملکرد را پیاده ‌سازی می ‌کند. متد Show در Controller :

public function show(Request $request)
{
   $query = Product::with('category');

   if ($request->filled('category_id')) {
      $query->where('category_id', $request->category_id);
   }

   $products = $query->get();
   $categories = Category::all();

   return view('products.show-product', compact('products', 'categories'));
}

کد فیلتر دسته بندی محصولات برای Blade :

@if ($categories->isNotEmpty())
   <form method="GET" action="{{ route('products.show') }}" class="mr-auto">
      <select name="category_id" onchange="this.form.submit()" 
class="select cursor-pointer flex justify-start w-full">
          <option value="">همه دسته بندی ها</option>
          @foreach ($categories as $category)
             <option value="{{ $category->id }}" @selected(request('category_id') == $category->id)>
                 {{ $category->name }}
             </option>
          @endforeach
      </select>
   </form>
@endif

#لاراول @TheRaymondDev

🔌 انواع ای پی ای ها (APIs) در برنامه نویسی 1. REST 🌐

بهترین کاربرد: اپلیکیشن‌های ساده و مبتنی بر منابع چرا؟ REST بدون وضعیت (stateless) است و از متدهای استاندارد HTTP (GET, POST, PUT, DELETE) پیروی می‌کند، که پیاده‌سازی آن را آسان، مقیاس‌پذیر و مناسب برای عملیات CRUD در اپلیکیشن‌های وب می‌سازد.

2. GraphQL 📊

بهترین کاربرد: واکشی داده‌های انعطاف‌پذیر و کارآمد چرا؟ بر خلاف REST، در GraphQL کلاینت‌ها می‌توانند دقیقا همان داده‌ای را که نیاز دارند درخواست کنند—نه بیشتر و نه کمتر. این موضوع باعث کاهش over-fetching و under-fetching می‌شود و برای اپلیکیشن‌های فرانت‌اند پیچیده با ساختارهای داده سنگین، یک تغییر بازی است.

3. SOAP 🛡

بهترین کاربرد: اپلیکیشن‌های سازمانی با امنیت بالا چرا؟ SOAP مبتنی بر XML است و با استانداردهای امنیتی سختگیرانه ساخته شده، که آن را برای صنایعی مانند بانکداری و مراقبت‌های بهداشتی که به رعایت ACID و پروتکل‌های امنیتی قوی نیاز دارند، ایده‌آل می‌کند.

4. gRPC ⚡️

بهترین کاربرد: سیستم‌های توزیع‌شده با کارایی بالا و تأخیر کم چرا؟ gRPC از HTTP/2 و پروتکل بافرها (Protobufs) برای انتقال سریع‌تر داده استفاده می‌کند. همچنین از استریم دوطرفه پشتیبانی می‌کند و آن را برای میکروسرویس‌ها و اپلیکیشن‌های موبایل که سرعت حیاتی است، مناسب می‌سازد.

5. WebSockets 💬

بهترین کاربرد: اپلیکیشن‌های بلادرنگ (بازی، چت، اعلان زنده) چرا؟ WebSocketها ارتباط دوطرفه و پایدار بین کلاینت و سرور فراهم می‌کنند و برای سناریوهای با تعامل بالا و تأخیر بسیار کم عالی هستند.

6. MQTT 📡

بهترین کاربرد: اپلیکیشن‌های اینترنت اشیا (IoT) چرا؟ MQTT یک پروتکل سبک‌وزن است که برای دستگاه‌های با پهنای باند کم و محدودیت انرژی طراحی شده است. مدل publish-subscribe آن را برای سیستم‌های مبتنی بر سنسور که بهره‌وری کلیدی است، ایده‌آل می‌کند.

📱 @MilwadKhosravi

اپل راهی برای تشخیص عکس واقعی از تصاویر تولیدشده یا دستکاری‌شده با AI معرفی کرد با زیاد شدن تصاویر فیک و AI-generated، اپل در iPhone 18 Pro قابلیتی به نام Apple Reference Image معرفی کرده که هدفش اثبات اصالت عکس هستش. هنگام گرفتن عکس، دوربین علاوه بر تصویر، دیتاهای امضاشده‌ای از سنسور ثبت میکنه. 🔹 این دیتاها توسط Private Cloud Compute پردازش میشن و یک نسخه‌ی غیرقابل‌تغییر از تصویر ایجاد میشه. 🔹 این نسخه رو میتوان مثل یک Digital Negative در نظر گرفت و با نسخه‌های دیگر عکس مقایسه کرد تا مشخص شود تصویر تغییر کرده یا نه. اما Apple API این قابلیت رو در اختیار Developer ها قرار میده تا بتونن Apple Reference Image رو داخل اپلیکیشن‌های خودشون ادغام کنند. اپل همچنین اعلام کرده از استاندارد SynthID برای تشخیص تصاویر تولید یا تغییر داده‌شده با AI پشتیبانی میکنه. اما یک سؤال : آیا چنین استانداردهایی میتونن به یک راه‌حل عمومی برای مقابله با AI-generated content تبدیل بشن؟ #AI #هوش_مصنوعی @GrowVixo 🔥 منبع👇🏾 https://techcrunch.com/2026/09/09/apple-has-a-new-way-prove-your-iphone-photos-arent-ai-slop/

رفقا راستی خوشحال میشیم در اینستاگرام هم مارو همراهی کنید، پستای خفنی قرارداده میشه روزانه ❤️😎 https://www.instagram.com/grow.vixo?stkn=OTJsMmZrdnh2Z3du

‏یکی از جالب‌ترین افزونه‌هایی که می‌توانید به ایجنت AI خود اضافه کنید، «Ponytail» است؛ افزونه‌ای که یک ایده‌ی ساده اما مهم دارد: ‏قبل از اینکه هوش مصنوعی شروع به کدنویسی کند، اول از خودش می‌پرسد: «اصلاً لازم است این کد را بنویسم؟» ‏فرایند کار تقریباً این‌طور است: ‏۱. آیا اصلاً به این قابلیت نیاز داریم؟ ‏۲. آیا چیزی مشابه از قبل در پروژه وجود دارد؟ ‏۳. آیا کتابخانه‌ی استاندارد می‌تواند کار را انجام دهد؟ ‏۴. آیا خود پلتفرم این قابلیت را دارد؟ ‏۵. آیا وابستگی موجود پروژه می‌تواند آن را انجام دهد؟ ‏۶. آیا می‌شود با یک خط کد حلش کرد؟ ‏۷. فقط اگر هیچ‌کدام جواب نداد، کد جدید نوشته شود. ‏نتیجه چیست؟ ‏کد کمتر، وابستگی کمتر، توکن کمتر و احتمال کمتری برای پیچیده‌کردن بی‌دلیل پروژه. ‏طبق بنچمارک خود پروژه، Ponytail در ۱۲ وظیفه‌ی واقعی برنامه‌نویسی، به‌طور میانگین ۵۴٪ خطوط کد کمتر، ۲۲٪ توکن کمتر، ۲۰٪ هزینه کمتر و ۲۷٪ زمان اجرای کمتر ثبت کرده است. ‏نکته‌ی جذاب‌تر این است که این افزونه خودش را به «کد کمتر به هر قیمتی» محدود نمی‌کند؛ مواردی مثل امنیت، اعتبارسنجی، جلوگیری از از دست رفتن داده و دسترسی‌پذیری همچنان حفظ می‌شوند. ‏یعنی به‌جای اینکه به عامل بگوییم «بیشتر کدنویسی کن»، به آن یاد می‌دهیم: ‏اول فکر کن؛ شاید اصلاً نیازی به کد جدید نباشد. https://github.com/DietrichGebert/ponytail?utm_source=chatgpt.com CODELAB | GpCodeLab

و OpenAI اخیرا مدل جدیدش رو معرفی کرد؛ Astra شرکت OpenAI میگه Astra قدرتمندترین مدل این شرکت تا امروز هست؛ مدلی که قراره در کدنویسی، کار با کامپیوتر و مرورگر و به‌خصوص Cybersecurity عملکردی فراتر از مدل‌های قبلی داشته باشه. اما بخش جنجالی ماجرا : مدل Astra از یک تکنیک جدید در Reasoning استفاده میکنه که میتونه فرایند استدلال مدل رو سخت‌تر قابل‌نظارت کنه. یعنی هرچه مدل قدرتمندتر میشه، ممکنه فهمیدن اینکه دقیقاً چرا و چگونه به یک نتیجه رسیده سخت‌تر شود. و این سؤال جدی مطرح شده: اگه AI رو دیگه نتونیم به‌خوبی مانیتور کنیم، چطور میتونیم به آن اعتماد کنیم؟ به‌خصوص وقتی همین مدل توانایی‌های بسیار پیشرفته‌ای در Cybersecurity دارد. @GrowVixo 🔥 منبع 👇🏾: https://techcrunch.com/2026/09/03/openai-launches-astra-its-powerful-and-controversial-new-model/

🔶 آنتروپیک با طرح‌های اشتراکی کلاد، کاربران را فریب داده است و طرح ۲۰۰ دلاری را ۲۰ برابر و طرح ۱۰۰ دلاری را ۵ برابر تبلیغ کرده است. با این اعداد، انتظار می‌رود در ازای پرداخت دو برابر هزینه، حدود ۴ برابر استفاده‌ی بیشتر دریافت کنید؛ اما در عمل، میزان استفاده تنها ۱.۷ برابر است. یعنی شما دو برابر هزینه می‌پردازید، اما فقط ۱.۷ برابر استفاده‌ی بیشتر دریافت می‌کنید. با این ‌حال، آنتروپیک عملاً این طرح را طوری بازاریابی می‌کند که گویی کاربران حدود ۵۰٪ صرفه‌جویی می‌کنند. آمار استفاده از آنتروپیک در ژوئیهٔ ۲۰۲۵ اعلام شده است که برای طرح ۵ برابری حدود ۱۴۰ تا ۲۸۰ ساعت استفاده از مدل Sonnet و برای طرح ۲۰ برابری حدود ۲۴۰ تا ۴۸۰ ساعت بود. بعداً مشخص شد که این ضریب ‌ها فقط به پنجرهٔ پنج ‌ساعته روزانه مربوط می‌شوند. در نهایت، اگر سقف هفتگی را هم در نظر بگیرید، در طرح ۲۰ برابری عملاً برای هر ساعت استفاده، مبلغ بسیار بیشتری نسبت به طرح ۵ برابری پرداخت می‌کنید. #هوش_مصنوعی #خبر @TheRaymondDev

🔶 این پکیچ برای جایگزین پکیچ eloquent-sluggable و مشابه آن ساخته شده است که بتوانیم تنها با صدا زدن HasSlugable در مدل لینک های صفحات را خودکار ایجاد کند و تا به امروز ۲۰ تا نصب داشته است. اگر لاراول کار هستید این پکیچ را امتحان کنید. گیت هاب : https://github.com/LaraPire/laravel-slugable نصب پکیچ :

composer require rayiumir/laravel-slugable

در مدل اینگونه صدا بزنید:

class Post extends Model
{
    use HasSlugable;
}

#لاراول @GrowVixo

شرکت Amazon سفارش GPUهای Nvidia رو ۳ برابر کرد آمازون اعلام کرده ۲ میلیون GPU جدید Nvidia به دیتاسنترهای AWS اضافه میکنه که قراره طی سال‌های ۲۰۲۷ و ۲۰۲۸ تحویل داده بشن. 📌 این GPU ها شامل نسل‌های Blackwell Ultra، Rubin و Rubin Ultra هستن و برای آموزش و اجرای مدل‌های بزرگ AI استفاده خواهند شد. دلیل این قرارداد بزرگ، افزایش شدید تقاضا از سوی استارتاپ‌ها، شرکت‌ها، آزمایشگاه‌های AI و حتی دولت‌ها عنوان شده. جالب اینه که آمازون هم‌زمان در حال توسعه تراشه‌های اختصاصی خودش مثل Trainium هستش ؛ اما فعلاً بنظر میرسه Nvidia همچنان بازیگر اصلی بازار تراشه‌های AI هستش. @GrowVixo 🔥 #AI #Nvidia #هوش_مصنوعی منبع👇🏾 https://techcrunch.com/2026/08/26/amazon-just-tripled-its-order-of-nvidia-chips-over-surging-demand/

💻🤖 مهندس نرم‌افزار در عصر هوش مصنوعی مهندس نرم‌افزار (Software Engineer) کسیه که فقط کدنویسی نمی‌کنه؛ بلکه در طراحی، توسعه، تست، بهینه‌سازی و نگهداری سیستم‌های نرم‌افزاری نقش داره. از ساخت اپلیکیشن و وب‌سایت گرفته تا طراحی API، دیتابیس، معماری سیستم و حل مشکلات مقیاس‌پذیری، همه می‌تونن بخشی از کار یک Software Engineer باشن. 💰 درآمد چقدره؟ درآمد مهندسان نرم‌افزار در دنیا به کشور، تجربه و شرکت بستگی زیادی داره، اما میانگین جهانی در برخی برآوردهای ۲۰۲۶ حدود ۶۵ هزار دلار در سال تخمین زده شده. در کشورهای پردرآمد، این عدد می‌تونه به 100 تا 150 هزار دلار یا حتی بیشتر در سال برسه. 🇺🇸🇨🇭🇩🇪 --- حالا AI رقیب یا همکار؟ هوش مصنوعی داره نحوه کار مهندسان نرم‌افزار رو تغییر می‌ده. امروزه مهندسان می‌تونن از AI برای: 1)تولید و تکمیل کد 2)پیدا کردن و رفع Bug 3)نوشتن تست 4)مستندسازی کد 5)طراحی و بررسی معماری 6)بررسی Performance و امنیت 7)ساخت سریع‌تر پروژه‌ها استفاده کنن. اما AI جای تفکر مهندسی رو نمی‌گیره. مهندس باید بتونه خروجی AI رو بررسی کنه، خطاهاش رو تشخیص بده و اون رو در یک سیستم واقعی به‌درستی پیاده‌سازی کنه. بنابراین آینده احتمالاً متعلق به کسیه که فقط «کدنویسی» بلد نیست؛ بلکه مهندسی نرم‌افزار + AI رو با هم بلده. شما هم نظرتون رو بگید #AI #SoftwareEngineering CODELAB | GpCodeLab

اگه یک AI از کنترل خارج بشه، چطور متوقفش می‌کنیم؟ یک مطالعه جدید از Guidelight AI Standards بررسی کرده که شرکت‌های بزرگ AI برای مهار یک مدل سرکش یا خارج‌شده از کنترل، چه برنامه‌ای دارند. نتیجه جالبه: و خب OpenAI بالاترین امتیاز را گرفت: ۳ از ۵ و Anthropic و Meta پایین‌ترین امتیاز را در میزان شفافیت عمومی داشتند. همچنین OpenAI گفته در داخل شرکت میتونه در شرایط خطرناک، دسترسی‌های مدل رو محدود کنه، اجرای اونو متوقف کنه، Deployment رو محدود کنه یا مدل رو کاملاً Offline کند. اما نکته مهم اینجاست: این ارزیابی فقط بر اساس اطلاعات عمومی انجام شده؛ بنابراین امتیاز پایین الزاماً به معنی نبودن سازوکارهای داخلی نیست. با گسترش AI Agent ها که به کد، سرورها، دیتابیس و ابزارهای شرکت‌ها دسترسی پیدا می‌کنند، یک سؤال جدی‌تر میشه : اگه Agent واقعاً رفتار خطرناکی از خودش نشون بده، آیا یک Kill Switch مطمئن برای خاموش‌کردنش داریم؟ #AI #AIAgents #هوش_مصنوعی @GrowVixo 🔥 منبع👇🏾 https://techcrunch.com/2026/08/22/frontier-ai-labs-still-wont-say-how-theyd-contain-a-rogue-model/

دوستان اکثر مواقع کندی سایت از کمبود منابع سخت افزاری نیست، خیلیا با دیدن لود تایم بالا اولین کاری که میکنن اینه که میرن سرور اضافه میکنن یا رم بیشتر میخرن. غافل از اینکه توی اکثر موارد ریشه مشکل توی کد، کوئری‌های دیتابیس، یا تنظیمات نرم‌افزاریه، نه کمبود توان سخت‌افزاری. تحقیقات نشون داده که حدود ۸۵ درصد از افت‌های عملکردی به خاطر تغییرات توی کد یا کانفیگ رخ می‌دن، نه خرابی یا ضعف سرور. خیلی از فریمورک‌های مدرن می‌تونن با یه هسته و کمترین رم، تعداد قابل قبولی کاربر رو پوشش بدن، این که چه عددی کاملاً وابسته‌ست به نوع فریمورک، پیچیدگی لاجیک بکند و اینکه چقدر کد بهینه نوشته شده. خیلی از فریمورک‌های async راحت از پس چند صد یا حتی هزار تا کاربر همزمان با کمترین هسته و رم بر میان. اما واسه یه ام‌وی‌پی، لازم نیست وسواس به خرج داد و از روز اول cacheهای پیچیده بزنیم یا بهینه‌سازی‌های غیرضروری انجام بدیم. ولی این به این معنی نیست که کش رو کاملاً نادیده بگیریم؛ مخصوصاً اگه کوئری‌های دیتابیس سنگین داریم، یه کش ساده می‌تونه جلوی یه فاجعه رو بگیره. بستگی به شرایط داره ولی چیزی که مشخصه اینه که میشه کد رو جوری نوشت که کار رو راه بندازه و همچنین فردایی که خواستیم اونو بهینه کنیم اگه کاربر زیاد شد، مجبور به ریفکتور نباشیم. مهم‌ترین نکته‌ای که خیلی‌ها ازش غافل‌ان، اینه که هیچ تصمیمی بدون دیتا نگیرن. به جای اینکه کورکورانه سرور اضافه کنی یا کش بزنی، برو سراغ مانیتورینگ و پروفایلینگ. ببین دقیقاً کدوم بخش زمان می‌بره، کدوم کوئری داره اذیت می‌کنه، کدوم تابع بیش از حد فراخوانی می‌شه. معمولاً ۲۰ درصد از کد، ۸۰ درصد از کندی رو ایجاد می‌کنه. اگه همون نقطه رو پیدا کنی و درستش کنی، اغلب نیازی به هزینه‌ی اضافه برای سرور یا کش‌های بی‌جا نیست. «آگاهی از منشأ مشکل، از هر راه‌حل کورکورانه‌ای مؤثرتره.» @persiandn

‏خب Claude Code یه آپدیت جدید و خفن داده... ‏شرکت Anthropic یه قابلیت جدید با دستور /design رو توی فاز آزمایشی معرفی کرده. ‏این ابزار به کاربرها اجازه می‌ده تا با استفاده از یه محیط کاری به سبک artboard که از Claude Design گرفته شده، رابط‌های کاربری یا UIهایی بسازن که به راحتی قابل ویرایش هستن. ‏اگه توی زمینه طراحی فعالیت می‌کنید، این آپدیت حسابی به کارتون میاد CODELAB | GpCodeLab

استرایپ openRouter رو بیش از ۷ میلیارد دلار میخرد؟ طبق گزارش Bloomberg،استرایپ برای خرید OpenRouter، پلتفرم دسترسی و مسیریابی مدل‌های AI، به توافقی بیش از ۷ میلیارد دلار رسیده :) این openRouter به برنامه نویسا اجازه میده از طریق یک API واحد به صدها مدل AI دسترسی داشته باشند و بر اساس قیمت، قابلیت و نیاز، درخواست‌ها رو به مدل مناسب هدایت کنند. این استارتاپ در ماه May با جذب ۱۱۳ میلیون دلار به ارزش‌گذاری حدود ۱.۳ میلیارد دلار رسیده بود و حالا رقم معامله گزارش‌شده بیش از ۵ برابر آن است. 📌 اهمیت ماجرا فقط رقم معاملش نیست؛ بلکه نشان میده AI Gatewayها و زیرساخت مدیریت مدل‌ها در حال تبدیل‌شدن به یکی از لایه‌های مهم اکوسیستم AI هستند. البته Stripe هنوز این معامله رو رسماً تأیید نکرده . #AI #OpenRouter #LLM #هوش_مصنوعی @GrowVixo 🔥 منبع 👇🏾 https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/

🔶 زبان PHP جزئیات پیاده سازی لاراول است #لاراول @TheRaymondDev

شرکت Warp سیستم جدید Warp Factories رو معرفی کرده، پلتفرمی که چند AI Agent رو برای خودکارسازی بخش بزرگی از چرخه توسعه نرم‌افزار به کار می‌گیره. ایجنت ها میتونن از تحلیل Issue و مشخص‌کردن نیازمندی‌ها تا نوشتن کد، Code Review، اجرای تست و رفع خطا رو بصورت زنجیره‌ای انجام بدن. تفاوت اصلی با ابزارهایی مثل AI Coding Assistant اینه که هدف Warp فقط کمک به برنامه‌نویس نیست؛ بلکه ایجاد یک Software Factory هستش که بخش زیادی از فرایند توسعه رو خودش اجرا کند. این رویکرد میتونه مسیر توسعه نرم‌افزار رو از هوش مصنوعی به‌عنوان دستیار به هوش مصنوعی به‌عنوان تیم توسعه تغییر بده :) #AI #AIAgents #هوش_مصنوعی @GrowVixo 🔥 منبع👇🏾 https://techcrunch.com/2026/08/18/warps-new-system-is-an-out-of-the-box-software-factory-for-ai-development/

۸۰۰ تایی شدیم 🎉🥂🥳 از حمایت هاتون مچکرم و همگی‌تون خیلی خوش آومدید 🥂🍾 @GoldenCodeir

🚀 یک قابلیت کاربردی در لاراول ۱۳.۲۵ برای مدیریت صف‌ها! در نسخه‌های جدید، می‌تونید تمام Queueها رو به‌صورت یکجا Pause کنید:

php artisan queue:pause --all

و برای فعال‌کردن مجدد:

php artisan queue:resume --all

نکته جالب اینه که در این حالت، دیگه نیازی به مشخص‌کردن connection:queue ندارید و فقط کافیه از فلگ --all استفاده کنید. این قابلیت می‌تونه هنگام Deploy، Migration یا انجام Maintenance خیلی کاربردی باشه و کنترل Queueها رو ساده‌تر کنه. #Laravel #لاراول 📱 @MilwadKhosravi