Software Engineer Labdon

🔵 عنوان مقاله How to implement self-healing tests with AI 🟢 خلاصه مقاله: ** خودبهبودی در تست یعنی استفاده از هوش مصنوعی برای ترمیم خودکار تست‌هایی که به‌دلیل تغییرات جزئی محصول (مثل جابه‌جایی المنت‌ها، تغییر متن یا ساختار DOM) می‌شکنند. رویکرد پیشنهادی این است که لایه‌ای به چارچوب تست اضافه شود تا هنگام شکست جست‌وجوی المنت یا شکنندگیِ یک گزاره، با تحلیل همزمان سیگنال‌های ساختاری، متنی و بصری، جایگزین مناسب را پیدا کند، با امتیاز اطمینان تصمیم بگیرد و تغییر را ثبت کند. برای پیاده‌سازی، چهار جزء کلیدی لازم است: داده (لاگ‌ها، اسکرین‌شات‌ها، اسنپ‌شات‌های DOM)، مدل (ابتدا قواعد و سپس ML برای رتبه‌بندی شباهت المنت‌ها)، رهگیری در زمان اجرا (قطع شکست، پیشنهاد جایگزین، تکرار اکشن با بهترین کاندیدا) و حاکمیت (نسخه‌بندی و ثبت تغییرات، آستانه‌های اطمینان، بازبینی انسانی و گزارش‌دهی). پیشنهاد می‌شود ابتدا در حالت «صرفاً پیشنهاد» شروع کنید، سپس با کاهش خطاها، خودبهبودی خودکار را برای سناریوهای کم‌ریسک فعال و برای جریان‌های حیاتی بازبینی دستی را حفظ کنید. نتیجه، کاهش تست‌های ناپایدار و تسریع بازخورد است؛ و با آستانه‌های محافظه‌کارانه، قوانین «عدم خودبهبودی» برای گزاره‌های حساس و رصد مداوم، خطر پنهان‌شدن باگ‌های واقعی مدیریت می‌شود. 🟣لینک مقاله: https://cur.at/CeE3oBA?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

✨ درود به همه دوستان ✨ به مناسبت روز برنامه‌نویس 🎉 می‌تونید فقط با ۲۰۰ هزار تومان تبلیغ‌تون رو توی تمام کانال‌های زیر منتشر کنید! 📌 این فرصت ویژه فقط تا پایان همین هفته اعتبار داره. ⏳برای هماهنگی بیشتر به ای دی زیر پیام بدید👾 @mrbardia72 🔽 لیست کانال‌هایی که تبلیغ در اون‌ها قرار می‌گیره: https://t.me/addlist/AJ7rh2IzIh02NTI0

🔵 عنوان مقاله Testing AI: lessons from wearing three hats 🟢 خلاصه مقاله: این مقاله توضیح می‌دهد چرا آزمون‌گری در محصولات مبتنی بر LLM با نرم‌افزار کلاسیک فرق دارد: خروجی‌ها غیردترمینستیک‌اند، معیار درست‌ونادرست مطلق وجود ندارد و رفتار مدل‌ها دچار تغییر و رانش می‌شود. از دید سه نقش، درس‌ها چنین‌اند: به‌عنوان QA باید مجموعه‌های طلایی و رده‌بندی خطا بسازیم، ارزیابی معنایی و بازبینی انسانی کنار تست‌های ایمنی، سوگیری، حملات تزریق و رد تیمینگ داشته باشیم و رگرسیون‌ها را با کنترل‌هایی مثل دما/بذر پیگیری کنیم. از دید توسعه‌دهنده باید معماری را برای تست‌پذیری طراحی کرد: جداسازی منطق پرامپت و ابزارها، اعتبارسنجی خروجی‌های ساخت‌یافته، زمان‌سنجی/بازیابی/فالبک، هارنس ارزیابی در CI/CD، لاگ و تله‌متری ویژه LLM، و نسخه‌بندی داده/پرامپت و دیپلوی‌های سایه. از دید مدیر محصول، معیارهای موفقیت باید ارزش کاربر را بسنجند و بین کیفیت-تأخیر-هزینه توازن برقرار کنند؛ انتشار مرحله‌ای، حاکمیت و حریم خصوصی، و حلقه‌های بازخورد و برچسب‌گذاری ضروری‌اند. جمع‌بندی: آزمون‌گری مؤثر در LLM یک کار میان‌رشته‌ای است؛ با مجموعه‌های طلایی کوچک اما نماینده، آستانه‌های شفاف، ارزیابی خودکار متصل به انتشار، مانیتورینگ تولید و تکرار مستمر می‌توان عدم‌قطعیت را مدیریت و محصولی قابل‌اعتماد و قابل‌بهبود ساخت. 🟣لینک مقاله: https://cur.at/eZENZw9?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله Cypress-split with Github Actions variables 🟢 خلاصه مقاله: در نسخه متن‌باز Cypress امکان اجرای موازی به‌صورت داخلی وجود ندارد، اما می‌توان در CI با تقسیم تست‌ها میان چند job به نتیجه‌ای مشابه رسید. راهکار پیشنهادی با استفاده از ابزار cypress-split و متغیرهای GitHub Actions کار می‌کند: یک ماتریس job تعریف می‌شود، به هر job شاخص (index) و تعداد کل jobها داده می‌شود، و cypress-split بر اساس همین مقادیر فایل‌های تست را به‌صورت قطعی میان jobها پخش می‌کند تا هر کدام زیرمجموعه‌ای یکتا را اجرا کند. این روش زمان اجرای کل را کاهش می‌دهد و بازخورد PRها را سریع‌تر می‌کند، هرچند توازن بار به‌صورت پویا نیست و امکانات تحلیلی داشبورد را ندارد. اولیسس کوستا فیلیو نمونه‌ای عملی از این پیاده‌سازی با متغیرهای GitHub Actions ارائه کرده است. 🟣لینک مقاله: https://cur.at/c6kAXqp?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🤍روز برنامه‌نویس خجسته باد💐

🔵 عنوان مقاله Recommended Software Testing Reading List 🟢 خلاصه مقاله: این مطلب معرفی یک فهرست پیشنهادی مطالعه برای آزمون‌گران نرم‌افزار است که پس از وقفه‌ای طولانی، توسط آلن ریچاردسون گردآوری شده است. فهرست با تمرکز بر مهارت‌های ماندگار و کاربردی، برای سطوح مختلف تجربه مناسب است و به آزمون‌گران کمک می‌کند مسیر یادگیری خود را از مبانی تا رویکردهای پیشرفته سامان دهند. این گردآوری دعوتی به یادگیری مستمر و به‌کارگیری آموخته‌ها در عمل است و امکان تکمیل و به‌روزرسانی توسط جامعه را نیز ترغیب می‌کند. 🟣لینک مقاله: https://cur.at/uXG3WVF?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله QA Engineer in a Product Company: How I Left Outsourcing and Stopped Panicking Before Releases 🟢 خلاصه مقاله: **این مقاله تجربه گریگوری سدلنیکوف از مهاجرت از شرکت‌های برون‌سپار (مشاوره‌ای) به شرکت محصول‌محور را روایت می‌کند. او می‌گوید در برون‌سپاری، تغییر مداوم پروژه‌ها و فشار زمان باعث اضطراب پیش از انتشار می‌شود، در حالی که در شرکت محصولی با مالکیت بلندمدت، همکاری نزدیک تیمی، و سرمایه‌گذاری در CI/CD، اتوماسیون، فلگ‌های فیچر و مشاهده‌پذیری، ریسک‌ها کنترل‌پذیر و انتشارها آرام‌تر می‌شوند. نقش QA از «دروازه انتهایی» به مشارکت زودهنگام در نیازمندی‌ها و تصمیم‌های فنی تغییر می‌کند؛ معیار موفقیت نیز از تحویلِ صرف به اثر بر تجربه کاربر و سرعت تحویل تبدیل می‌شود. نکات کلیدی او: تست مبتنی بر ریسک، مسئولیت مشترک کیفیت، گفتن «نه» به کار کم‌اثر، سرمایه‌گذاری در زیرساخت تست و یادگیری مداوم از رفتار محصول در محیط واقعی. 🟣لینک مقاله: https://cur.at/RVcKkoE?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

فرض کن مسئول فنی توییتری، ساعت ۸ شبه و یه نفر با ۳۰ میلیون فالوور یه توییت میزنه، تو چند ثانیه، سیستم تو باید توییت رو ببره تو تایم لایت همه فالوراش حالا سؤال اینه: چطوری سیستم شما باید با کمترین هزینه و بیشترین سرعت این توییت رو بزاره تو تایم لاین فالورا؟ این مشکلی بود که توییتر تو سال 2012 باید حلش میکرد اما راه حلشون چی بود؟ دوتا راهکار روبروشون بود 1- توییت یکبار تو دیتابیس ذخیره شه و هر بار کاربرا با باز کردن تایم لاین یه کوئری بزنن ببینن اونایی که فالو کردن چیا توییت کردن 2- تویتت به محض ارسال تو کش تایم لاین همه فالورا ذخیره بشه اون اولا توییتر راه اول شماره 1 رو انتخاب کرد که این باعث میشه هر کاربر موقع باز کردن صفحه اول توییتر یک کوئری read بزنه که به مرور با افزایش تعداد خواننده ها که تقریبا دوبرابر نویسنده ها بودن بازدهیش اومد پایین پس توییتر اومد سویچ کرد رو حالت دوم که با زدن هر توییت میومد تو کش تایم لاین فالورا اون توییت رو اضافه میکرد اینطوری برا نوشتن یه توییت پردازش بیشتری میکرد اما این به سرعتش می ارزید اما خب همچنان یه مشکلی بود! مشکل این بود ممکن بود یه نفر 30 میلیون فالور داشته باشه و خب نوشتن و قرار دادن اون توییت جدید برای 30 میلیون فالور پردازش و زمان زیادی میخواست و این باز سرعتو میورد پایین راه حل جدید چی بود؟ ترکیبی از این دوتا روش! به این صورت که برای اونا که فالورشون کم بود توییت هاشونو میزاشت تو کش تایم لاین فالوراشون و کنارش میمود برای افراد با فالور زیاد هم کوئری read میزد و بعد بر اساس زمان سورتش میکرد البته احتمالا تا الان باید نحوه کار خیلی تغیر کرده باشه و روش ها بهتری رو انتخاب کرده باشن |

🔵 عنوان مقاله Shifting software testing left with operational definitions 🟢 خلاصه مقاله: مایک هریس توضیح می‌دهد که اثربخش‌کردن «شیفت لِفت» در تست، با نوشتن الزامات به‌صورت «تعاریف عملیاتی» آغاز می‌شود؛ یعنی تبدیل خواسته‌های کلی به گزاره‌های شفاف، قابل‌اندازه‌گیری و بدون ابهام. وقتی الزامات همراه با معیارهای پذیرش دقیق، مثال‌های روشن و مرزهای مشخص نوشته شوند، طراحی تست هم‌زمان با توسعه پیش می‌رود، خودکارسازی آسان‌تر می‌شود و دوباره‌کاری‌های بعدی کاهش می‌یابد. این رویکرد با بهبود هم‌فهمی میان ذی‌نفعان، ردیابی بین الزام و تست را تقویت می‌کند و بازخورد زودهنگام در CI/CD را ممکن می‌سازد. نتیجه نهایی، تست مؤثرتر، خطاهای کمتر در مراحل پایانی و تحویل سریع‌تر و مطمئن‌تر است. 🟣لینک مقاله: https://cur.at/4bL4bb7?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله Testing with guardrails 🟢 خلاصه مقاله: ** با وجود تمرکز شدید بر خودکارسازی و هوش مصنوعی، این مقاله تأکید می‌کند که آزمون اکتشافیِ انسانی همچنان نقشی اساسی دارد. «ریل‌گذاری» یعنی مجموعه‌ای از مرزها و رویه‌ها—مثل منشورهای آزمون، نقشه‌های ریسک، قیود داده و حریم خصوصی، و حلقه‌های بازخورد—که خودکارسازی را قابل اعتماد و همسو با ریسک نگه می‌دارند و به کشف‌های انسانی خوراک می‌دهند. رویکرد متوازن این است: خودکارسازی برای رگرسیون و کارهای تکراری، و نشست‌های زمان‌بندی‌شده اکتشافی برای مواجهه با ابهام و سناریوهای واقعی؛ سپس آموخته‌ها به تست‌های خودکار تبدیل شوند. پیام نهایی: پیشرفت واقعی از تلفیق هوشمندانهٔ ماشین‌ها در چارچوب ریل‌ها و حفظ کنجکاوی و قضاوت انسانی در مرکز کیفیت به‌دست می‌آید. 🟣لینک مقاله: https://cur.at/MPmhk2C?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله Software Testing Hacks for Product Managers 🟢 خلاصه مقاله: **این مقاله نشان می‌دهد که مدیران محصول، به‌دلیل نزدیکی به نیازهای کاربر و اهداف کسب‌وکار، می‌توانند تسترهای بسیار مؤثری باشند. در یک مرور ۲۲ دقیقه‌ای، دانیل نات رویکردی عملی ارائه می‌کند: طرز فکر کنجکاو و ریسک‌محور، تعریف معیارهای پذیرش روشن، و استفاده از تکنیک‌های سبک مثل اکسپلوریتوری‌های زمان‌بندی‌شده، چک‌لیست‌های مسیرهای حیاتی، گزارش باگ دقیق و قابل اقدام، اولویت‌بندی نقص‌ها بر اساس اثر بر کاربر/کسب‌وکار، تست در محیط و دستگاه واقعی، و همکاری نزدیک با QA و مهندسی. هدف این است که تست به‌صورت طبیعی در جریان کاری PM جا بیفتد، بدون کند کردن تیم، و حلقه بازخورد، کیفیت محصول و سرعت تصمیم‌گیری را بهبود دهد. 🟣لینک مقاله: https://cur.at/bTOAU2u?m=web ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

تازه منتشر شد! مقاله‌ی من با عنوان: «Revolutionizing Software Intelligence: A Convergent Framework of Neural Program Synthesis, Quantum-Secure DevOps, and Explainable AI for Next-Generation Autonomous Systems» در این پژوهش به سراغ آینده‌ی سیستم‌های هوشمند خودمختار رفتم؛ جایی که تولید کد با هوش مصنوعی، امنیت در برابر تهدیدات کوانتومی، و هوش قابل توضیح در یک چارچوب واحد ترکیب می‌شوند تا نسل جدیدی از نرم‌افزارهای امن، شفاف و سازگار را بسازند. https://msipublishers.com/volume-1-issue-2-jul-sep-msijat-2025/ <Mohammad Hossein Alikhani/>

🔵 عنوان مقاله OpenAI's Jobs Platform (6 minute read) 🟢 خلاصه مقاله: اوپن‌ای‌آی یک پلتفرم استخدامی مبتنی بر هوش مصنوعی معرفی کرده که شرکت‌ها را با استعدادهای مسلط به AI مطابقت می‌دهد و هم‌زمان «گواهی‌نامه‌های OpenAI» را برای اعتبارسنجی مهارت‌های هوش مصنوعی راه‌اندازی کرده است؛ این دو ابزار با هدف تسهیل و تسریع جذب نیرو، بهبود کیفیت تطبیق شغلی، و ارائه معیاری قابل اتکا برای سنجش توانمندی‌های عملی متقاضیان عرضه شده‌اند. 🟣لینک مقاله: https://openai.com/index/expanding-economic-opportunity-with-ai/?utm_source=tldrai ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله Sierra raises $350M at $10B valuation to expand AI agent platform (3 minute read) 🟢 خلاصه مقاله: سیرا ۳۵۰ میلیون دلار با ارزش‌گذاری ۱۰ میلیارد دلاری جذب کرد تا پلتفرم ایجنت‌های هوش مصنوعی خود را گسترش دهد؛ این دور با پشتیبانی Greenoaks انجام شد. پلتفرم سیرا اکنون صدها شرکت بزرگ را پوشش می‌دهد و در خرده‌فروشی به حدود ۹۰٪ آمریکایی‌ها و در سلامت به حدود ۵۰٪ خانواده‌های آمریکایی می‌رسد. سرمایه جدید برای تقویت توان توسعه هوش مصنوعی و گسترش بین‌المللی به‌کار می‌رود و حضور جهانی سیرا را پررنگ‌تر می‌کند. 🟣لینک مقاله: https://sierra.ai/blog/theres-an-agent-for-that-and-it-runs-on-sierra?utm_source=tldrai ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله Stop Searching. Start Finding with AI-powered Enterprise Search. (Sponsor) 🟢 خلاصه مقاله: یک کتاب الکترونیکی جدید از Slack نشان می‌دهد چگونه جست‌وجوی سازمانی مبتنی بر هوش مصنوعی می‌تواند اطلاعات پراکنده در ابزارها و مکالمات را یکپارچه کند و به جای جست‌وجوی فرساینده، پاسخ‌های دقیق و زمینه‌دار را در چند ثانیه ارائه دهد. این راهنما مراحل عملی مانند اتصال امن منابع داده، رعایت سطوح دسترسی، بهبود مرتبط‌سازی با سیگنال‌هایی مثل تازگی و میزان استفاده، و بهره‌گیری از خلاصه‌های هوشمند را توضیح می‌دهد و نشان می‌دهد چگونه می‌توان پاسخ‌ها را مستقیماً در جریان کار واحدهای مختلف به‌کار گرفت. نتیجه، حافظه جمعی کارآمدتر و بهره‌وری بالاتر در کل سازمان است؛ از تسریع آموزش نیروهای جدید تا تصمیم‌گیری سریع‌تر و کاهش کار تکراری. 🟣لینک مقاله: https://slack.com/resources/why-use-slack/from-searching-to-finding-the-new-era-of-ai-powered-enterprise-knowledge?d=701ed00000D87jZAAR&nc=701ed00000D8aGsAAJ&utm_source=&utm_medium=tp_email&utm_campaign=amer_us_slack->slackinvoice_&utm_content=allsegments_all-strategic-tldrai-primary-from-searching_701ed00000D87jZAAR_english_from-searching-to-finding-the-new-era-of-ai-powered-enterprise-knowledge ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

دلیل اینکه در زبان‌هایی مثل Go یا Rust یا حتی C دچار سردرگمی میشید، بخاطر این هست که میخواهید ساختارهایی که از زبان‌های شی‌گرا در ذهن دارید رو دقیقا به همون شکل در این‌ها هم داشته باشید. این زبان‌ها هم تا حدی این توهم رو ایجاد میکنند که اینکار شدنی هست؛ و میتوان گفت که همینطور است، ولی فقط در ظاهر! بسیاری از چیزهایی که شما در زبان‌های شی‌گرا با آن‌ها اشنا شدید، مختص و منحصر به شی‌گرایی نیستند. صرفا چون شما احتمالا به دلایل تاریخی برنامه‌نویسی رو با شی‌گرایی یاد گرفتید، ممکن هست اینطور تصور کنید که این مفاهیم فقط مختص به شی گرایی هستند. در حالی که بیشتر مفاهیمی که در ذهن دارید در هر پارادایم و هر زبانی قابل پیاده سازی هست. مثلا اگر امروز به یک برنامه‌نویس Go یا Rust یک پروژه‌ی بانکی یا یک سیستم فروشگاه رو محول کنید، به احتمال زیاد این پروژه رو مبتنی بر DDD انجام خواهد داد! حتی یک برنامه‌نویس Clojure هم احتمالا همین رویه را دنبال خواهد کرد! الان احتمالا در ذهن شما این سوال پیش آمده که DDD؟ چطور همچین چیزی ممکن هست؟ مگه این برای شی گرایی نیست؟ خیر، «شما» اون رو با شی گرایی یاد گرفتید، ولی خودش یک ایده‌ی عمومی است. شما به شکلی آموزش دیده‌اید که یونیت‌های کد را در قالب کلاس ها ببینید. و وقتی به زبان‌هایی میرسید که دارای کلاس نیستند، اولین چیزی که به فکرتان میرسد این است که کلاس را در آن‌ها شبیه سازی کنید. درست است؟ این دیدگاه، شما را دچار مشکل میکند، و دلیل اصلی اش این است که شما حتی در زبان‌های شی‌گرا هم به درستی درک نکرده بودید که کلاس چیست! و همان دیدگاه اشتباه خود درباره کلاس رو به سایر زبان‌ها هم انتقال میدهید! وقتی حرف از کلاس میشود، بیشتر افراد میکنند کلاس یک بلاک از کد است که تعدادی فیلد و متد را بین دو {} گرد هم آورده است. اما کسی سوال نمیکند خب چرا اینکار را کردند؟ فقط چون میخواستند یک سری فیلد داشته باشند و یک سری تابع بتوانند روی ان‌ها کار کنند؟ خب این رو که از قدیم در همه زبان‌ها داشتیم. مگر اصلا جور دیگری میشود برنامه نویسی کرد؟ در تمام زبان‌ها یک سری دیتا داریم و یک سری تابع که روی آن دیتا کار میکنند. قدیمی ترین کد C ای که میتوانید پیدا کنید را باز کنید، احتمالا در آن یک استراکت پیدا میکنید به همراه تعدادی تابع که روی آن استراکت کار میکنند. این رویه قبل از شی گرایی هم وجود داشته... فقط چون این دو را کنار هم درون {} قرار میدهید اسمش میشود کلاس؟ یعنی فقط چون میخواستند کنار هم باشن؟ که تنها نباشن؟ غصه نخورن؟ فکر نمیکنید شاید دلایل مهمتری برای این موضوع وجود داشته؟ ویژگی‌هایی وجود دارد که باعث میشود کلاس، کلاس بشود: ۱. کلاس دارای مکانیزم وراثت است. ۲. کلاس پلی مورفیسم مبتنی بر وراثت را فراهم میکند (متدهای virtual) ۳. از روی کلاس، میتوان آبجکتی در حافظه تولید کرد. ۴. کلاس آبجکت‌ها را دسته بندی میکند (برای همین اسمش class است). یعنی باید بتوان جواب این سوال را جویا شد: ایا فلان آبجکت جزو فلان کلاس است؟ ۵. آبجکت‌های ساخته شده از روی کلاس، دارای لایف تایم متفاوتی از سایر بلاک ها هستند. ابجکت‌ها حالت رفرنس دارند. به این معنی که تقریبا در تمام زبان‌ها، در هیپ قرار میگیرند. اینکه دیتا و توابع را کنار هم و در یک بلاک به اسم کلاس جمع کردن‌اند، به خاطر این است که یک کانتکست یکپارچه پدید آورند که در قالب آن بتوانند همه‌ی ویژگی‌های بالا را برآورده کنند. اینکه شما یک استراکت بسازید، و چند تابع تعریف کنید که روی آن استراکت کار کنند، کدام یک از ویژگی‌های بالا را شامل میشود؟ این دو بخش لزومی هم ندارد که جدا از هم باشند. مثلا در zig میتوانید توابع را عین یک کلاس درون همان بلاک مربوط به استراکت قرار دهید. ولی باز هم در صورت انجام اینکار، تبدیل به کلاس نمیشود چون هیچکدام از ویژگی‌های بالا را ندارد. یا مثلا در C یا سایر زبان‌ها، فیلد‌ها و متدها را در ماژول‌ها گرد هم میاورند. ایا با اینکار آن ماژول تبدیل به کلاس شده است؟ اتفاقی که این وسط افتاده این است: ۱. شما در حین یادگیری شی گرایی بدرستی درک نکردید که کلاس چیست! ۲. بر مبنای آن درک اشتباه، فکر کردید شی گرایی یعنی کنار هم قرار دادن فیلدها و متدها در یک بلاک. ۳. اصرار به این دارید که این درک اشتباه را در زبان‌هایی که اصلا دارای کلاس نیستند پیاده سازی کنید. این همان جایی است که در زبان‌هایی مانند Go و Rust و Zig  و C سایرین به مشکل بر میخورید. برای همین هست که میگویند این‌ها را با زبان‌های شی گرا اشتباه نگیرید. چون این‌ها از نظر ظاهری، شاید شرایطی را فراهم کنند که به چشم شما مشابه چیزی باشد که در شی گرایی به یاد داشتید، ولی از نظر Semantics با زبان‌های شی گرا متفاوت اند. |

اکانت یکی از برنامه‌نویس‌های معروف هک شده و پکیج‌های جاوا اسکریپت اون که بیشتر از ۱ ‌میلیارد دانلود داشتن، آلوده شدن. پکیج‌هایی مثل chalk, strip, ansi, debug و حدود ۱۵ پکیج‌ دیگه از پکیج‌های آلوده شده هستن و آدرس مقصد تراکنش‌های کریپتو رو به آدرس هکرها تغییر می‌دن و یه‌ جورایی کل اکو سیستم جاوااسکریپت آلوده شده. پیشنهاد شده فعلا رو ولت‌های نرم‌افزاری تراکنشی انجام ندید.

🔵 عنوان مقاله A PM's Guide to AI Agent Architecture: Why Capability Doesn't Equal Adoption (11 minute read) 🟢 خلاصه مقاله: ** این مقاله یادآور می‌شود که توانمندی فنیِ عامل هوشمند به‌تنهایی به پذیرش کاربر منجر نمی‌شود؛ کاربران معمولاً با اولین شکست واقعی آن را کنار می‌گذارند. نویسنده نشان می‌دهد که چالش اصلی برای مدیران محصول، تصمیم‌های معماری در لایه‌های مختلف عامل—از تفسیر ورودی و برنامه‌ریزی تا حافظه و مدیریت حالت، یکپارچه‌سازی ابزارها، ایمنی، بازخورد و مسیرهای بازیابی—است؛ تصمیم‌هایی که می‌توانند تجربه‌ای «جادویی» یا آزاردهنده بسازند. توصیه نهایی این است که برای تجربه‌ای سریع، شفاف، خطاپذیر و قابل اعتماد طراحی شود تا اعتماد و در نتیجه پذیرش پایدار شکل بگیرد. 🟣لینک مقاله: https://www.productcurious.com/p/a-pms-guide-to-ai-agent-architecture?utm_source=tldrai ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🔵 عنوان مقاله Assessing Near-Term Accuracy in the Existential Risk Persuasion Tournament (28 minute read) 🟢 خلاصه مقاله: ** این مقاله دقت پیش‌بینی‌های کوتاه‌مدت در «مسابقه اقناع ریسک‌های وجودی» را بازبینی می‌کند و نشان می‌دهد که حتی فوق‌پیش‌بین‌ها و متخصصان هوش مصنوعی از ۲۰۲۲ تاکنون سرعت پیشرفت را، به‌ویژه در استدلال ریاضی، به‌طور جدی دست‌کم گرفته‌اند. در شاخص المپیاد جهانی ریاضی، تجمیع پیش‌بینی‌ها رسیدن مدل‌ها به سطح مدال طلا را عمدتاً حوالی ۲۰۳۰ می‌دانست و تنها حدود ۸٫۶٪ احتمال می‌داد زودتر رخ دهد؛ در حالی‌که اوپن‌ای‌آی و گوگل در ژوئیه امسال به این سطح رسیدند. نویسندگان بر لزوم بازکالیبراسیون و به‌روزرسانی روش‌های پیش‌بینی تأکید می‌کنند، زیرا این دست‌کم‌گرفتن می‌تواند برنامه‌ریزی برای پژوهش، ایمنی و حکمرانی را از واقعیت عقب بیندازد. 🟣لینک مقاله: https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/68b6ce72b3435a79858344b7/1756810866830/near-term-xpt-accuracy.pdf?utm_source=tldrai ➖➖➖➖➖➖➖➖ 👑 @software_Labdon

🤖 علاقه‌مند به دنیای هوش مصنوعی هستی؟ 🏖 دنبال می‌کنی که چطور AI داره دنیا رو متحول می‌کنه؟ 🍻پس جای درستی اومدی! 🎯 در کانال ما هر روز: 🔍 جدیدترین اخبار و دستاوردهای دنیای AI 🧠 تحلیل‌ تخصصی در حوزه یادگیری ماشین، دیپ لرنینگ و مدل‌های زبانی 💼 بررسی کاربردهای هوش مصنوعی در پزشکی، صنعت، آموزش، امنیت و اقتصاد 🛠 معرفی ابزارها، دوره‌ها و منابع یادگیری 📈 بررسی ترندها و آینده‌ فناوری‌های مرتبط با هوش مصنوعی 🍄همه‌ی این‌ها به زبان ساده، خلاصه و قابل فهم برای همه علاقه‌مندان — از مبتدی تا حرفه‌ای! 👇👇👇👇👇👇 https://t.me/ai_labdon