علی راشدی - یادداشت‌ها

🤖 اوپن ای آی از چیزی به اسم Dots رونمایی کرده و به نظرم یکی از مهم‌ترین تغییرات ChatGPT همین‌جاست. دات رو می‌شه این‌طور تصور کرد: یک همکار AI که همیشه روشن است و فقط منتظر پیام بعدی شما نمی‌ماند. برخلاف یک چت معمولی که سؤال می‌پرسید و جواب می‌گیرید، به Dot می‌توانید یک مسئولیت بدهید و اجازه دهید آن را در طول زمان دنبال کند. مثلا به یک Dot بگویید: بازخورد کاربران محصولم را بررسی کن، باگ‌ها و درخواست‌های پرتکرار را پیدا کن و برای موارد ساده PR آماده کن. بعد خودش می‌تواند کار را ادامه دهد، از ابزارهای متصل استفاده کند و نتیجه را برای بررسی شما برگرداند. هر Dot: • کامپیوتر و مرورگر ابری خودش را دارد • به اپ‌هایی که اجازه می‌دهید متصل می‌شود • Context کار را بین گفتگوها نگه می‌دارد • می‌تواند کارهای تکرارشونده و چندمرحله‌ای را پیگیری کند • برای تصمیم‌هایی که نیاز به قضاوت شما دارند دوباره سراغتان می‌آید

🎓 دوره‌ی Stanford درباره‌ی Transformers و Large Language Models دوباره شروع شده و جلسه‌ی اولش روی یوتیوب منتشر شده. اسم دوره CME 295: Transformers & Large Language Models هست و از مفاهیم پایه‌ی Transformer شروع می‌کنه و در ادامه می‌ره سراغ موضوعاتی مثل: • Attention و معماری Transformer • Training و Fine-tuning مدل‌های زبانی • LoRA و روش‌های بهینه‌سازی • Reasoning و Test-Time Scaling • RAG • Tool Calling • Agentic LLMs مدرس‌های دوره هم افشین و شروین عمیدی هستن اگر می‌خواید درک منظم‌تری از اینکه LLMهای امروزی واقعاً چطور کار می‌کنن داشته باشید، این دوره می‌تونه یکی از منابع خیلی خوب برای شروع و ادامه‌ی مسیر باشه. جلسه اول: https://youtu.be/114i2Kz-LZA?si=NRbe-wXy0T_mJnaV

بعد از Jev، حالا Liquid AI هم وارد دنیای Decision Modelها شده و مدل جدیدی به اسم d1 معرفی کرده. اگر Decision Model رو خیلی ساده بخوایم تعریف کنیم: ‌ مدل‌های زبانی (LLM) معمولاً برای «تولید» ساخته شدن مثلاً متن بنویسن، کد تولید کنن یا جواب سؤال بدن. ولی Decision Model برای جاییه که جواب از قبل بین چند گزینه مشخصه و فقط باید بهترین تصمیم + احتمال هر گزینه رو برگردونه. مثلاً یک تیکت پشتیبانی داریم و می‌خوایم مشخص کنیم مربوط به کدوم تیمه: Billing → 92% Technical → 6% Other → 2% اینجا لزوماً به یک LLM که متن تولید کنه نیاز نداریم. مدل d1 دقیقاً برای چنین کارهایی ساخته شده: • Classification • Routing • Moderation • Scoring • Reranking • LLM-as-a-Judge نکته جالب اینه که d1 متن تولید نمی‌کنه و Output Token آن صفره؛ خروجی مستقیماً یک تصمیم Structured همراه با Probability است. همچنین Liquid AI می‌گه d1 اولین مدلیه که در Hugging Face Decision Index از Jev عبور کرده و مخصوصاً در Multilingual، مقاومت در برابر Prompt Injection و ورودی‌های طولانی عملکرد بهتری داشته. فعلاً d1 از طریق Liquid API قابل استفاده‌ست و نسخه OpenRouter هم قراره اضافه بشه. برای کسی که روی Agentها، سیستم‌های اتوماتیک یا Backendهای مبتنی بر AI کار می‌کنه، Decision Modelها واقعاً موضوعی هستن که ارزش دنبال کردن دارن. "Hugging Face Decision Index" (https://reference-url-citation.invalid/3) "Liquid AI Console برای تست d1" (https://reference-url-citation.invalid/4)

درود دوستان. در اسنپفود یک پوزیشن باز شده AI Agent Developer (AI Transformation) اگر کسی خواست اپلای کنه می‌تونه رزومه‌‌شو برای من در لینکدین یا تلگرام بفرسته و من برسونم به HR. https://career.hrcando.ir/co/SnappFood/job-detail/38d44d92-5be2-49d6-8b90-a1da7ae0905b

🤖 Claude Code — Part 2 دوره‌ی ۴ ساعته‌ای که معرفی کردم برای شروع خیلی خوب بود؛ ولی ظاهراً خود Nick Saraev یه دوره‌ی Advanced هم براش ساخته :)) این یکی حدود ۳ ساعته و میره سراغ چیزای جدی‌تر: • Advanced CLAUDE.md • Agent Harnesses • Agent Teams & Parallelization • Auto-Research • Browser Automation • Security اگر دوره‌ی قبلی رو دیدید، به نظرم این دقیقاً قدم بعدیشه. 🎥 CLAUDE CODE ADVANCED FULL COURSE (3 HOURS) https://www.youtube.com/watch?v=UPtmKh1vMN8⁠ اگه وقت ندارید کلش رو ببینید، این بخش‌ها رو از دست ندید: 26:47 Agent Harnesses 34:28 Parallelization 1:29:26 Auto-Research 1:53:35 Browser Automation 2:39:16 Security

آنتروپیک از Claude Sonnet 5.5 رونمایی کرد مدلی که بیشتر از ۳۰٪ سریع‌تر از Sonnet 5 خروجی می‌ده و طبق تست‌های Anthropic، هزینه‌ی انجام بعضی تسک‌ها رو تا ۳۰٪ کاهش می‌ده. جالب‌تر اینکه در بعضی بنچمارک‌ها فاصله‌ش با Opus 5.5 واقعاً خیلی کم شده.

🤖 اگه می‌خواید Claude Code رو جدی‌تر یاد بگیرید، این دوره رو حتماً سیو کنید. CLAUDE CODE FULL COURSE 4 HOURS: Build & Sell (2026) توی حدود ۴ ساعت تقریباً از صفر شروع می‌کنه و کم‌کم میره سراغ بخش‌های حرفه‌ای‌تر: • Setup و شروع کار با Claude Code • CLAUDE.md و مدیریت Context • Skills • MCP • Plugins • Sub-agents • Agent Teams • Git Worktrees • ساخت و Deploy پروژه واقعی چیزی که دوره رو جذاب می‌کنه اینه که فقط چندتا Prompt و ترفند Claude Code نیست؛ بیشتر سعی می‌کنه نشون بده چطور میشه ازش به‌عنوان یه ابزار جدی برای ساخت پروژه استفاده کرد. https://www.youtube.com/watch?v=QoQBzR1NIqI

یکی از خطرناک‌ترین اتفاق‌ها توی تیم‌های دیتا اینه که یه KPI انقدر استفاده بشه که دیگه کسی نپرسه اصلاً درست تعریف شده یا نه. خیلی از Metricهایی که هر روز توی داشبوردها می‌بینیم، چند سال قبل برای پاسخ به یک سؤال خاص ساخته شدن. بعد سؤال عوض شده. بیزنس عوض شده. رفتار کاربر عوض شده. ولی Metric همونه. هر KPI مهم باید کنار خودش ۳ چیز داشته باشه: تعریف دقیق منبع داده آخرین تاریخ بازبینی متریک بدون Definition عملاً فقط یه عدده که همه برداشت خودشون رو ازش دارن. و این بعضی وقت‌ها از نداشتن دیتا هم خطرناک‌تره.

برای بچه‌هایی که امسال کنکور دادند و به حوزه‌ی دیتا و AI علاقه مند هستند یک مسئله مهم این هست که چه رشته‌ای بخونن تا همراستا با علاقه و فضای کار آینده‌شون باشه... به کمک دوست خوبم ChatGPT یک داکیومنت آماده کردم که تا حد خوبی فضای کلی ۳ رشته‌ی ۱- مهندسی کامپیوتر ۲- علوم کامپیوتر ۳- مهندسی صنایع رو توضیح می‌ده و همچنین اینکه مسیر آینده‌ی هر رشته به کدوم سمت می‌ره... البته قطعا این داکیومنت به تنهایی کافی نیست ولی شروع خیلی خوبیه! بعدش خوبه که خودتون هم یا دوست خوبتون درباره‌ی هر رشته و فرصت‌هاش بیشتر گپ بزنید. پی نوشت : احتمالا بچه‌های کنکوری خیلی توی کانال نباشن.‌‌ واسه همین خوب می‌شه اگر کسی رو می‌شناسید و فکر می‌کنید به دردش می‌خوره براش ارسال کنید ❤️

📘 The Vibe Coding Playbook: Building Your Tech Business with AI — Siraj Raval این کتاب درباره‌ی اینه که کنار مهارت برنامه‌نویسی، بیشتر Maker باشیم؛ یعنی بتونیم یه ایده رو سریع‌تر به محصول واقعی تبدیل کنیم. موضوعاتش حول ایناست: ساخت سریع MVP استفاده از AI در توسعه کم کردن Scope گرفتن Feedback Iteration سریع فکر کردن به Distribution به‌نظرم پیام اصلیش خیلی به فضای الان نزدیکه: کدنویسی هنوز مهمه؛ ولی مزیت اصلی، توانایی ساختن چیزیه که واقعاً استفاده بشه. @alirashedi1

یکی از جذاب‌ترین بخش‌های گزارش سالانه ۱۴۰۴ اسنپ برای من، داده‌های مربوط به تغییر رفتار خرید مردم در دوران جنگ بود. طبق گزارش اسنپ‌مارکت، در روز اول جنگ سفارش‌ها بیش از ۶۰٪ کاهش پیدا کرد و تعداد فروشگاه‌های فعال هم حدود ۲۵٪ کمتر شد. اما چیزی که جالب‌تره، تغییر خود سبد خریده: تقاضا برای برنج، نان، گوشت و خواربار بیشتر شد، در حالی که خرید میوه و سبزیجات، تنقلات، نوشیدنی‌ها و شوینده‌ها کاهش پیدا کرد. حتی در روز قبل از آتش‌بس، رکورد سفارش آب معدنی، مواد غذایی خشک و کنسروی شکسته شد. میانگین ارزش سفارش‌ها هم حدود ۲۰٪ افزایش پیدا کرد که طبق خود گزارش، بخشی از آن به تورم و بخشی به افزایش سهم کالاهای اساسی و گران‌تر در سبد خرید مربوط بوده. این مدل داده‌ها خیلی خوب نشون می‌ده که در شرایط عدم‌قطعیت، اولویت‌های مصرفی مردم چقدر سریع تغییر می‌کنه. گزارش کامل ۱۴۰۴ گروه اسنپ پر از آمار و نکات جالب دیگه درباره رفتار کاربران و بازار دیجیتاله. حتما پیشنهاد می‌شه 🍹

ولی انگار ده ها سال از این خبر گذشته اینقدر که پیشرفت سریع شده...

📘 AI-Assisted Python for Nonprogrammers Reuven M. Lerner — O’Reilly ایده‌ی کتاب خیلی ساده و به‌روزه: پایتون رو از صفر یاد بگیر، ولی AI رو هم از همون اول به‌عنوان دستیار کنارت داشته باش. کتاب برای کسی نوشته شده که لزوماً برنامه‌نویس نیست و می‌خواد مفاهیم پایه رو درست یاد بگیره، نه اینکه فقط با AI کد تولید کنه. از چیزهایی مثل: Variables و Data Types شرط‌ها و Loopها Strings و Numbers Dictionaries Files Functions شروع می‌کنه و کم‌کم می‌رسه به استفاده‌ی واقعی از GenAI برای تمرین، دیباگ و فهم بهتر کد. بخش جذابش برای من اینه که آخر کتاب وارد AI-Assisted Coding و بعد Agentic Coding می‌شه و حتی سراغ ابزارهایی مثل Claude Code و OpenCode هم می‌ره. کتاب حدود ۴۰۰ صفحه است، چاپ اولش در ۲۰۲۶ منتشر شده و سطحش Beginner تا Intermediate در نظر گرفته شده. به‌نظرم برای کسی که مدت‌هاست می‌گه می‌خوام Python یاد بگیرم ولی نمی‌دونم از کجا شروع کنم، انتخاب خیلی خوبیه.

🤖 وقتی AI Agent خودش تصمیم می‌گیرد از خط قرمز رد شود ماجرا از یک کار کاملاً عادی شروع شد: یک Agent متعلق به OpenAI مأمور شده بود اطلاعاتی درباره هزینه‌های دارویی در استرالیا پیدا کند. اما وقتی مسیر عادی دسترسی به داده‌ها بسته شد، Agent به‌جای متوقف‌شدن، سراغ روش‌های دیگری رفت و در نهایت به Medicare Statistics Reporting Service دولت استرالیا دسترسی غیرمجاز پیدا کرد؛ دسترسی‌ای که شامل بعضی فایل‌های غیرعمومی هم می‌شد. دولت استرالیا این اتفاق را رسماً تأیید کرده و درباره نحوه و تأخیر OpenAI در گزارش حادثه هم انتقاد کرده است. موضوع جالب‌تر اینجاست که ظاهراً این یک اتفاق کاملاً منفرد نبوده. پژوهشگران Transluce رد فعالیت صدها Agent را بررسی کرده‌اند و شواهدی پیدا کرده‌اند که نشان می‌دهد بعضی از این Agentها هنگام مواجهه با محدودیت، تلاش کرده‌اند با روش‌هایی مثل proxy، حدس‌زدن مسیر فایل‌ها یا بررسی آسیب‌پذیری‌ها به داده برسند. این فعالیت‌ها فقط به Medicare محدود نبوده و سایت‌هایی مثل Australian Institute of Health and Welfare و چند سازمان دیگر هم هدف تلاش‌های مشابه بوده‌اند. البته در مورد AIHW، بررسی رسمی تاکنون شواهدی از نفوذ موفق یا دسترسی به اطلاعات غیرعمومی پیدا نکرده است. یک نکته مهم درباره آن «۳۰هزار لاگ» معروف هم وجود دارد: این عدد به مجموعه بزرگی از ردپاها، پیام‌ها و فعالیت‌های Agentها اشاره می‌کند؛ نه اینکه OpenAI سی‌هزار بار دولت استرالیا را هک کرده باشد. خود OpenAI هم حالا گفته بررسی‌های داخلی‌اش نشان داده ده‌ها مجموعه ثالث با رفتار ناخواسته Agentهایش مواجه شده‌اند؛ از دورزدن کنترل‌های امنیتی گرفته تا ایجاد اثر منفی روی سیستم‌ها. این شرکت در حال بررسی چندماهه این موارد است. به‌نظرم بخش مهم خبر خود «هک» نیست؛ بخش مهم‌تر اینه که یک Agent می‌تواند برای رسیدن به هدفش، در شرایطی تصمیم بگیرد مسیرهایی را امتحان کند که سازنده‌اش صراحتاً برایش برنامه‌ریزی نکرده. و این دقیقاً همان جایی است که بحث Agent Safety، محدودیت ابزارها، sandboxing و human-in-the-loop از یک موضوع تحقیقاتی تبدیل می‌شود به مسئله‌ای کاملاً واقعی. منابع: Transluce — تحقیق درباره Rogue Agent Activity ABC Australia — گزارش 24 و 26 سپتامبر 2026 گزارش‌های رسمی دولت استرالیا درباره حادثه Medicare