DevTwitter | توییت برنامه نویسی

⚠️ کاربران همیشه خطاهای اپلیکیشن را گزارش نمی‌کنند؛ گاهی فقط صفحه را می‌بندند و می‌روند. 🔮 اینجاست که داشتن تصویر دقیق‌تری از خطاها، عملکرد اپلیکیشن و تجربه واقعی کاربر می‌تواند به تیم فنی کمک کند سریع‌تر به ریشه مشکل برسد. 🔘 با سنتری هم‌روش می‌توانید: • جزئیات و شرایط وقوع خطاها را بررسی کنید. • خطاها را بر اساس رخدادها و کاربران تحت‌تأثیر اولویت‌بندی کنید. • با Traceها و Spanها، عملیات کند را پیدا کنید. • با Session Replay، مسیر کاربر پیش از بروز مشکل را بازبینی کنید. 💎 در این ویدیو، نگاهی کوتاه به قابلیت‌های اصلی سرویس سنتری هم‌روش انداخته‌ایم. 🔗 شروع تست رایگان: 🔗 https://hmrv.sh/Shh46Z ☁️@hamravesh #سنتری #توسعه_نرم‌افزار #مانیتورینگ #عیب‌یابی

یه بازی دیگه با three.js https://whack-game.pages.dev/ @DevTwitter

یه اپ مک تمیز پیدا کردم که با SwiftUI نوشته شده: Claude Usage Tracker. . مصرف Claude رو لحظه‌ای تو منوبار نشون می‌ده، مولتی‌پروفایل داره، آیکوناش کاستومایز می‌شن و statusline ترمینال هم داره. . ۳.۴k استار. اوپن‌سورس، credential ها تو Keychain. https://github.com/hamed-elfayome/Claude-Usage-Tracker @DevTwitter | <ʀ≡ᴢᴀ/>

وقتی یه قابلیت رو به یه AI Coding Agent میسپاریم، مسئله فقط تولید کد نیست؛ مسئله اینه که AI دقیقاً چه چیزی رو باید پیاده‌سازی کند؟ اینجاست که مفهوم Spec-Driven Development یا SDD مطرح می‌شود. خب SDD یک رویکرد توسعه نرم‌افزار است که در آن Specification یا همان Spec به مرجع اصلی برای پیاده‌سازی و ارزیابی قابلیت تبدیل می‌شود. به زبان ساده، یعنی بجای اینکه AI را مستقیماً از یک ایده یا Prompt به سمت کد بفرستیم، ابتدا مشخص می‌کنیم دقیقاً چه چیزی باید ساخته شود، چه رفتاری باید داشته باشد و چه محدودیت‌هایی دارد. برای مقایسه Vibe Coding: ۱. نوشتن Prompt ۲. تولید کد ۳. اصلاح Prompt ۴. اصلاح کد ۵. تکرار این چرخه Spec-Driven Development: ۱. تعریف دقیق نیازمندی ۲. تهیه و بررسی Spec ۳. طراحی و برنامه‌ریزی ۴. پیاده‌سازی توسط AI Agent ۵. بررسی و اعتبارسنجی خروجی برای اینکه موضوع ملموس‌تر شود، فرض کنیم می‌خواهیم یک سیستم ورود بدون رمز عبور با Magic Link بسازیم. به‌جای اینکه فقط به AI بگیم: «یک سیستم Magic Link برای ورود کاربران بساز.» ابتدا Spec را تعریف می‌کنیم: نیازمندی‌ها: کاربر ایمیل خود را وارد می‌کند. یک لینک ورود برای او ارسال می‌شود. لینک فقط ۱۵ دقیقه معتبر است. لینک فقط یک‌بار قابل استفاده است. درخواست‌های متعدد برای یک ایمیل محدود می‌شوند. بعد، معیار پذیرش را مشخص می‌کنیم: Acceptance Criteria: ایمیل باید حداکثر طی ۳۰ ثانیه ارسال شود. لینک منقضی‌شده باید خطای مشخصی نمایش دهد. لینک استفاده‌شده دیگر نباید قابل استفاده باشد. حداکثر ۵ درخواست برای هر ایمیل در یک ساعت مجاز باشد. حالا AI Agent بر اساس این Spec، طراحی، Taskها، کد و حتی تست‌ها را تولید می‌کند. در پایان هم به‌جای اینکه صرفاً بپرسیم «کد درست به نظر می‌رسد؟»، می‌توانیم بررسی کنیم: آیا تمام مواردی که در Spec تعریف کرده بودیم واقعاً پیاده‌سازی شده‌اند؟ نکته مهم این است که Spec لزوماً یک سند ثابت و کاملاً انسانی نیست. در Workflowهای جدید، AI می‌تواند در استخراج ابهامات، تکمیل Spec، طراحی و حتی تبدیل آن به Taskهای قابل اجرا کمک کند؛ اما انسان همچنان مرجع تصمیم‌گیری و تأیید نهایی است. به همین دلیل، با گسترش AI Coding Agentها، مفاهیمی مثل Spec-Driven Development و ابزارهایی مانند GitHub Spec Kit، OpenSpec و Kiro مورد توجه قرار گرفته‌اند. @DevTwitter | <Amir Salehi/>

✅ اگه برنامه نویس هستی این کانالو از دست نده! امید زاهدی یکی از بزرگ ترین برنامه نویس ها در ایرانه که پروژه هاش توسط خبرگزاری ها و کانالای معروفی منتشر شده, با عضویت داخل کانالشون میتونید مطالب جالبی درمورد برنامه نویسی یاد بگیرید و از فرصت های شغلی جدید بهرمند بشید. لینک کانالشون:👇 https://t.me/+PGc3d7D-yjA2NzBk https://t.me/Funny_Learn

✅ همچنین میتونید جهت مشاوره برای شروع یادگیری برنامه نویسی بهشون مراجعه کنید: @Anony_muos

وقتی با همکارت تو چت به نتیجه نمی‌رسی چی می‌گی؟ «بیا یه جلسه بذاریم.» یه ابزار کوچیک ساختم که با Claude Code هم جلسه می‌ری. MR رو بهش می‌دی، باگ رو بهش می‌دی، دیزاین‌داک رو بهش می‌دی، و صوتی راجع‌بهش حرف می‌زنین. https://github.com/mhrlife/nutshell @DevTwitter | <The Big Rad/>

میدلولها خیلی بدردتون میخوره چند روز بعد از اینکه درباره تجربه خوبم با Graphify نوشتم، از workflow اصلی همون پروژه حذفش کردم! نه چون Graphify بد بود. اتفاقاً چون استفاده ازش باعث شد دقیق‌تر بفهمم از این مدل ابزارها چی می‌خوام. مسئله‌ای که داشتم فقط Search داخل codebase نبود. مسئله اصلی Orientation بود. هر تسک جدید با چند سؤال تکراری شروع می‌شد: این component کجا استفاده شده؟ این composable رو چی مصرف می‌کنه؟ این feature بین چه فایل‌هایی پخش شده؟ اگه این قسمت رو تغییر بدم، چه چیزهای دیگه‌ای تحت تأثیر قرار می‌گیرن؟ و Graphify برای اولین بار این حس رو بهم داد که قبل از باز کردن فایل‌ها، می‌شه یه نقشه از پروژه داشت. بعد رفتم سراغ Codebase Memory MCP تا ببینم همین ایده وقتی مستقیم وارد workflow خود Coding Agent می‌شه چه فرقی می‌کنه. مهاجرت هم اصلاً بی‌دردسر نبود :))) بعد از نصب و Index کردن پروژه، MCP داخل Codex با خطای Transport closed شکست خورد. CLI کار می‌کرد، Index سالم بود، حتی MCP خام هم جواب می‌داد؛ ولی چیزی که واقعاً می‌خواستم یعنی workflow داخل Codex کار نمی‌کرد. بعد از بررسی و سه Clean Start مستقل، MCP بالاخره در هر سه Session پایدار کار کرد و migration رو نهایی کردم. اما بخش جالب‌تر برای من اولین تسک واقعی بعد از مهاجرت بود. می‌خواستم نسخه موبایل پورتفولیوم رو اصلاح کنم: Header، Language Selector، Bottom Navigation و Responsive behavior. قبل از اینکه شروع کنم فایل‌ها رو بگردم، از CBM خواستم محدوده کار رو پیدا کنه. یکی از چیزهایی که سریع مشخص کرد این بود که BottomNav.vue از قبل توی پروژه وجود داره، ولی اصلاً داخل Layout mount نشده. همین کشف ساده جلوی ساختن دوباره چیزی رو گرفت که از قبل داشتم. ولی در همون تسک محدودیتش هم مشخص شد. و CBM معماری اولیه رو خوب پیدا کرد، اما detect_changes نتونست impact واقعی یه تغییر UI رو کامل بفهمه. Responsive CSS، Safe Area، RTL، Overflow توی عرض 320px و چیزی که کاربر واقعاً توی Browser می‌بینه، لزوماً توی Call Graph مشخص نیست. و اینجا به نتیجه‌ای رسیدم که به نظرم از خود مهاجرت مهم‌تره: من دیگه Graphify و Codebase Memory رو دو رقیب مستقیم نمی‌بینم. برای پروژه‌های Code-heavy، جایی که بیشتر سؤال‌ها درباره implementation فعلی، dependencyها، refactor و impact تغییراته، CBM برای من انتخاب طبیعی‌تریه. ولی وقتی پروژه فقط Code نیست و PRD، ADR، Research، Architecture Docs، PDF، Diagram و Domain Knowledge بخش مهمی از پروژه‌ان، Graphify هنوز ارزش خیلی جدی‌ای داره. حتی برای یه محصول بزرگ احتمالاً از هر دو استفاده می‌کنم: کدبیس Memory برای اینکه بفهمم: «الان کد چطور کار می‌کنه؟» و Graphify برای اینکه بفهمم: «چرا اصلاً اینطوری طراحی شده؟» با یه شرط مهم: هیچ‌کدوم Source of Truth نهایی نیستن. و Graph کمک می‌کنه سریع‌تر برسم به جواب. ولی برای implementation هنوز سورس رو می‌خونم، برای requirement خود PRD رو چک می‌کنم و برای UI هنوز Browser حرف آخر رو می‌زنه. تجربه کامل migration، failure، تست MCP و اولین task واقعی بعد از مهاجرت رو اینجا نوشتم: http://aliarghyani.vercel.app/fa/blog/graphify-to-codebase-memory-mcp @DevTwitter | <Ali Arghyani/>

یه اصل ساده تو مدیریت زمان هست، از کتاب معروف Getting Things Done (دیوید آلن): «اگه کاری کمتر از ۲ دقیقه طول می‌کشه، همون لحظه انجامش بده» دلیلش هم مشخصه: نوشتنش تو لیست، بعداً دیدنش، به یادش آوردن، دوباره سراغش رفتن... کل این پروسه خودش بیشتر از خودِ کار طول می‌کشه. پس ارزون‌ترین راه همون لحظه تموم کردنشه. حالا حکایت ما با ai-agentها عملا اینطوری میشه که اگه این اصل رو جدی بگیریمش تقریباً همه‌چی می‌فته زیر این آستانه! https://gettingthingsdone.com/2020/05/the-two-minute-rule-2/ @DevTwitter | <Hossein Nazari/>

برای تمرین سرویس های کلاود مثل AWS یا گوگل کلاود و یا Azure به صورت لوکال و بدون نیاز به داشتن اکانت، قبلا از لوکال استک استفاده میکردیم. جدیدا آلترناتیوی کاملا رایگان و اوپن سورس اومده، به نام floci . راحت رو سیستم خودتون با داکر ران کنید و تمام. https://floci.io/ @DevTwitter | <Mani/>

ایران‌سرور داره توی تلگرامش چنتا اکانت جی‌پی‌تی و جمنای مجانی میده. الان ادمینشون گفت قراره تا سه شنبه چنتا کد تخفیف ۱۰۰ درصدی جدید بزارن. تو این گرونی حتی یه اکانت جی‌پی‌تی میشه 7 تومن. دوس دارم سابسکرایبرای من این هدیه رو ببرن💙 @iranservercom

گوگل تونست مشکل کمبود رم و gpu رو حل کنه، برای اینکار ویروسی رو با کریسپر طراحی کرده که می‌تونه به مگس سرکه حمله کنه و مدل‌های هوش مصنوعی رو مغز اونها اجرا کنه، برای اینترفیس هم از نور و سنسورهای خازنی استفاده میکنه اینطوری که توکن ورودی به صورت نور به کلاستر مگس‌های سرکه تابونده میشه مگس‌ها برای تولید و حدس توکن خروجی به روی سنسورهای خازنی میشینن و دیتا رو جنریت می‌کنن، از اونجا که عمر این مگس‌ها کمه کل سیستم شبیه سطل زباله میوه س و توش زباله میوه میریزین و مگس‌های جدید متولد میشن و ویروس رو از مگس‌های قبلی میگیرن و چرخه ادامه پیدا میکنه. @DevTwitter | <سج‌آد/>

اوبر مقاله فنی بسیار خواندنی و پرنکته‌ای درباره معماری «کارخانه نرم‌افزار» خود منتشر کرده است. در حال حاضر بیش از ۷۰ درصد PRها در اوبر توسط ایجنت‌ها ایجاد یا تغییر داده می‌شوند و با وجود رشد ۹ برابری درخواست‌ها، هزینه هر تسک تا ۵۲ درصد کاهش پیدا کرده است. نکات فنی کلیدی که برای بهینه‌سازی سیستم‌های ایجنتی مقیاس‌بالا پیاده کرده‌اند: ۱. حل مشکل اسکیماهای سنگین MCP: بارگذاری مستقیم ده‌ها سرور MCP باعث می‌شد مدل قبل از اولین پرامپت، ۵۰ تا ۷۰ هزار توکن اسکیما را در هر دور حمل کند. اوبر ابزارها را به صورت CLI و Tool Search درآورده تا فقط ابزارهای مورد نیاز وارد کانتکست شوند. ۲. رویکرد Code-Mode به‌جای ابزار چتی: به جای رفت‌وبرگشت‌های متوالی با مدل برای هر کوئری و بررسی وضعیت، کارها در قالب یک اسکریپت پایتون در ساب‌پراسس اجرا می‌شوند و فقط نتیجه برمی‌گردد که مصرف توکن را ۵۰ تا ۹۹ درصد کم کرده است. ۳. ساخت گراف کانتکست: ایجنت‌ها به‌جای جستجوی خطی در کدبیس، اطلاعات را از یک گراف با ۲۴ میلیون نود (سرویس‌ها، معماری و لاگ‌ها) می‌گیرند و زمان حل تسک از ۲۰ دقیقه به ۳۸ ثانیه رسیده است. ۴. تفکیک مدل برای ساب‌ایجنت‌ها: وظایف کوچک به مدل‌های ارزان‌تر سپرده می‌شوند و مدل‌های پیشرفته فقط برای برنامه‌ریزی اصلی استفاده می‌شوند. ۵. کش یک‌ساعته کانتکست: افزایش TTL به یک ساعت مانع از بازسازی پرهزینه کانتکست در زمان بیکاری مهندسان پشت سیستم می‌شود. این بلاگ خودش یه کلاس درسه! لینک مقاله اوبر: https://uber.com/us/en/blog/efficient-software-factory/?uclick_id=8c39ed77-46d9-4e1a-bd0a-20aaec118b9a @DevTwitter | <Mehdi Allahyari/>

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، و یک‌بار با GitHub Spec Kit. بعد هم روند ساخت و خروجی هر دو رو کنار هم مقایسه می‌کنیم. https://www.youtube.com/watch?v=Rs4qTGEjIbk @DevTwitter | <پدی/>

من امروز می خوام یکی از بهترین پلت فورم های برای مدیریت سوشال رو می خوام معرفی کنم. این پلتفورم تیک تاک و اینستاگرام رو ساپورت می کنه و باهاش می تونید کاملا اکانتتون رو مونیتور کنی اسم این رپو هست کون بینی! خیلی کمک می کنه بهتون که ببینی چه خبره https://github.com/api-evangelist/konbiniapi @DevTwitter | <raa's/>

🚨 به‌جای اینکه فقط درباره استارت‌آپ‌های موفق بخونی بیا ببینیم استارت‌آپ‌های تازه‌ساخته‌شده دقیقاً چی می‌سازن. هر شب یک استارت‌آپ تازه‌ساخته‌شده پیدا می‌کنیم و موشکافانه بررسیش می‌کنیم 💡 ایده‌اش از کجا اومده؟ ⚙️ چطور ساخته شده؟ 🎯 دقیقاً چه مشکلی رو حل می‌کنه؟ 💰 برای فروش گذاشته شده یا نه؟ 🚀 و مهم‌تر از همه از این ایده چی میشه ساخت؟ اخبار و ابزارهای AI رو از جاهای مختلف میشه پیدا کرد و ما هم داریم اما پیدا کردن ایده‌های واقعی برای ساختن داستان دیگه‌ایه اگر دوست داری قبل از اینکه یک ایده همه‌گیر بشه پیداش کنی همراه ما باش 🔥 📌 @AI_TechPulse

اینو ندیده بودم https://github.com/ChromeDevTools/chrome-devtools-mcp نسخه کروم دولوپر تول برای ایجنت‌هاست که بتونن وصل شن به سایت موقع کار و دیباگ کنن مستقیم،‌ پرفورمنس هم ترک میکنه. تست میکنم اینجا مینویسم چجوریاست @DevTwitter | <Siavash/>

آموزش و ارزیابی اصولی ایجنت‌ها در محیط‌های واقعی یکی از مهم‌ترین چالش‌ها در توسعه کاربردی مدل‌های زبانی است و صرفاً تکیه بر بنچمارک‌های رایج پاسخگوی نیازهای عملی نیست. هاگینگ‌فیس به‌تازگی یک مجموعه ویدیویی ۶ قسمتی تحت عنوان Training Agents منتشر کرده که این مباحث را با پیاده‌سازی گام‌به‌گام و کدهای متن‌باز بررسی می‌کند. مباحث اصلی این جلسات: ۱. ارزیابی ایجنت‌ها (Agentic Evaluations) و چرایی فاصله نمرات بنچمارک‌ها با عملکرد واقعی ۲. یادگیری تقویتی (RL) برای ایجنت‌ها، طراحی محیط و توابع پاداش و گلوگاه‌های استنتاج ۳. آموزش با نظارت (SFT) روی ردپای تعاملات ایجنت‌ها با TRL و LoRA ۴. تقطیر دانش (Distillation) برای انتقال توانایی به ایجنت‌های کدنویسی کوچک‌تر ۵. یادگیری تقویتی با GRPO، تحلیل منحنی‌های پاداش و رفتار مدل در دور زدن پاداش‌ها (Reward Hacking) ۶. اتصال ایجنت به محیط‌های تعاملی شبیه به Gym و آموزش عملی با AsyncGRPOTrainer در محیط‌های Sandbox لینک پلی‌لیست کامل در یوتیوب: https://youtube.com/playlist?list=PLo2EIpI_JMQvQZm-kVlz4wY1vWF0LBcf5 @DevTwitter | <Mehdi Allahyari/>

اگه با الون‌لبز کار میکنید یا با کلون کردن صدا سروکار دارید این نسخه‌ی اوپن‌سورس رو تست کنید. پشیمون نمیشید. دعا میکنید. https://github.com/debpalash/VoiceStudio @DevTwitter | <Setareh/>

✅ وبینار رایگان: نقشه راه رتبه‌برتر شدن در کنکور ارشد کامپیوتر و IT 🔴 اگه قصد داری برای کنکور ارشد کامپیوتر یا IT آماده بشی و هنوز نمی‌دونی مسیر درست مطالعه، برنامه‌ریزی و انتخاب منابع چیه، این وبینار رو از دست نده. 🚀 مهمون ویژه هم داریم: 🥇 محمدحسین نامداری، رتبه یک امسال 🥇 کوثر پاک‌زاد، رتبه ۳۷ امسال 🎁 همراه با هدیه ویژه شرکت‌کننده‌های آنلاین: 🔴 اشتراک رایگان یک ماهه پلتفرم برنامه‌ریزی برای همه 🔴 قرعه‌کشی ۵ کد تخفیف ۱۰۰٪ دوره‌های آموزشی کافه‌تدریس 🗓 چهارشنبه، ۲۵ شهریور ساعت ۲۰ 🚨 همین حالا رایگان ثبت‌نام کن: 🔗 https://httb.ir/aaj0A 🔗 https://httb.ir/aaj0A @Cafetadris | کافه‌تدریس

گوگل اومده با همکاری موسسه Janelia، نقشه کامل مغز یک مگس میوه نر رو open source کرده که شامل ۱۶۶ هزار تا نورون و ۱۲۵ میلیون اتصال عصبیه. البته این نقشه فقط میگه کدوم نورون به کدوم وصله، نه اینکه دقیقا توی مغز مگس چه اتفاقی می‌افته. مردمم اومدن اینو گذاشتن Minecraft، Beat Saber و Doom بازی کنه یا حتی باهاش رمزارز ترید کنن. یه سری براش بهشت درست کردن :)) https://www.youtube.com/watch?v=KOwsVDogscY @DevTwitter | <مهراد/>