هر پرامپتی که می‌نویسی، خروجی خوبی نمی گیری؟! شاید مشکل از AI نباشه، از پرامپت باشه!

فریم‌ورک TCREI یک ساختار ۵ مرحله‌ایه:

Task - Context - Rules - Example - Iteration

ویدئوی کامل رو ببین تا با مثال یاد بگیری چطور بهتر از AI استفاده کنی.

https://youtube.com/watch?v=IiqXCIYHGV8

@DevTwitter | <Samy Vahdat/>

چه کسی فایل nginx.conf را تغییر داده؟
اگر می‌خواهی اطلاعات مربوط به فایل را بررسی کنی، دستور زیر را اجرا کن:

sudo stat nginx.conf

یا برای نمایش فقط مالک فایل:

sudo stat -c '%U' nginx.conf

دستور stat اطلاعات مهمی درباره فایل نمایش می‌دهد، از جمله:
آخرین زمان دسترسی به فایل: Access
آخرین زمان تغییر محتوای فایل: Modify
آخرین زمان تغییر Metadata فایل: Change
زمان ایجاد فایل، در صورت پشتیبانی فایل‌سیستم: Birth
مالک فایل: Owner
گروه فایل: Group
سطح دسترسی فایل: Permissions
نکته مهم:
دستور stat مشخص نمی‌کند چه کاربری فایل را تغییر داده است؛ فقط اطلاعات مالکیت و زمان‌های مربوط به فایل را نمایش می‌دهد.
اگر واقعاً می‌خواهی بفهمی چه کسی فایل را تغییر داده، باید از ابزارهایی مثل auditd استفاده کنی:

sudo auditctl -w /etc/nginx/nginx.conf -p wa -k nginx_config

سپس برای مشاهده تغییرات:

sudo ausearch -k nginx_config

پس به‌طور خلاصه:
چه زمانی و با چه مالکیتی؟ stat
چه کاربری این تغییر را انجام داده؟ auditd

@DevTwitter | <Ramin Asadi/>

یه سرویس API gateway به اسم AgentRouter هست که دسترسی یکپارچه به بیش از ۳۰ مدل زبانی (از جمله Claude، GPT، DeepSeek) رو با یه API key واحد و فرمت سازگار با OpenAI فراهم می‌کنه.

با ثبت‌نام داخلش می‌تونید 175 دلار کردیت بگیرید و از مدل‌های جدید و بروز مثل Opus 5 و gpt-sol استفاده کنید.

https://agentrouter.org/register?aff=PIU6

@DevTwitter

تا حالا شده پروژه‌تان در محیط لوکال کاملاً سریع کار کنه، اما روی سرور اصلی با چند میلیون رکورد به نفس‌نفس بیفته؟

واقعیت اینکه دیتابیس معمولاً کند نیست، ما فقط مسیر درست را نشانش نمی‌دهیم. مثلاً فرستادن دیتابیس به دنبال ستون‌های اضافی، استفاده از ایندکس‌های اشتباه یا اصرار به استفاده از OFFSET در صفحات عمیق، از آن کارهایی است که هر سیستمی را زیر بار سنگین زانو زدن وادار می‌کنه.

من در این مقاله کاملاً تجربی و مثال‌محور درباره بهینه‌سازی کوئری‌ها نوشتم؛ از جادوی Covering Index گرفته تا منطق پشت پرده Cursor Pagination.

اگر دوست دارید به کوئری‌ها و ساختار دیتابیس پروژه‌تان دستی بکشید، پیشنهاد می‌کنم این مقاله را بخونید. خوشحال می‌شم تجربه‌های شما را هم بخونم

لینک مقاله

@DevTwitter | <Afshin Akrami/>

هر چی روی این تکنولوژی Docker و مکملش یعنی Docker Compose در مقایسه با روش‌های سنتی مبتنی بر Virtual Machine سرمایه‌گذاری کنیم، ضرر نکردیم.

با خیال راحت، تمام سرویس‌هایی که لازم داریم رو روی سرور نصب، شبکه‌بندی و راه‌اندازی می‌کنیم؛ از Pythonهای تخصصی، مثل ایمیج‌های مختص یادگیری ماشین، یادگیری عمیق و ... گرفته تا n8n و Wordpress و MySQL و Postgres و خیلی کانتینرهای عمومی و اختصاصی دیگه.

فکر کنم تونسته باشم تو این تصویر، بخشی از این مزیت‌ها رو نشون بدم.

@DevTwitter | <Ali Akbar Mahzoon/>

آیدی کانال اپلای ابراد رو براتون می‌ذارم اگه قصد مهاجرت دارین عضو بشین تجربه و رزومه هارو با خودتون مقایسه کنین

https://t.iss.one/+rN8iMAldRkM4ZWVk

یکی از دردسرهای کار با Claude Code برای من این بود که پرامپت‌ها رو فارسی بنویسم یا انگلیسی؛ فارسی راحت‌تره، ولی برای نتیجه بهتر معمولاً ترجمه‌شون می‌کردم.

برای حل همین مشکل Translate Prompt for Claude Code رو ساختم؛ یک اکستنشن برای VS Code و Cursor.

پرامپتت رو به هر زبانی که راحتی بنویس، Cmd + Alt + T رو بزن و ترجمه مستقیماً داخل input Claude Code قرار می‌گیره. ارسال هم هیچ‌وقت خودکار انجام نمی‌شه.

* بدون API Key و سرویس ثالث
* بدون Telemetry
* استفاده از Claude CLI خودت
* انتخاب زبان مقصد
* ترجمه متن انتخاب‌شده از هر ادیتور
* کاملاً Open Source

فعلاً قابلیت یک‌کلیکی روی macOS در دسترسه، ولی بقیه قابلیت‌ها روی همه سیستم‌عامل‌ها کار می‌کنن.

GitHub:
https://github.com/AminModaresi/claude-prompt-translate

@DevTwitter | <Amin/>

یه سیستم پیشنهاد آهنگ ساختم و حین کار یه چیز جالب درباره‌ی cosine similarity فهمیدم که کاش زودتر می‌دونستم

کارم ساده بود بر اساس ویژگی‌های صوتی و متن آهنگ آهنگ‌های مشابه رو با cosine similarity پیشنهاد بدم اول نتایج خوب به نظر می‌رسیدن تا اینکه دیدم هر آهنگ با همه‌ی آهنگ‌های دیگه حدود ۹۸٪ شباهت داره! یعنی مدل عملا هیچی تشخیص نمی‌داد و تفاوتی بین آهنگا قائل نمی‌شد
اول فکر کردم مشکل از تعداد ویژگی‌هاست ۲۳ تا ویژگی پس رفتم سراغ PCA برای کم کردن ابعاد نتیجه؟ به‌جای بهتر شدن بدتر شد

بعد فهمیدم اصلا مشکل ابعاد نبود مشکل این بود که با MinMaxScaler همه‌ی ویژگی‌ها غیرمنفی شده بودن پس همه‌ی بردارها تو یه ربع مثبت از فضا گیر افتاده بودن زاویه‌ی بین بردارها همیشه مصنوعا کوچیک می‌موند PCA هم که اصلا نمی‌تونه این رو حل کنه، چون فقط رو واریانس کار می‌کنه نه علامت مقادیر

وقتی StandardScaler امتحان کردم مشکل حل شد چون دیگه دیتا ها در یک ربع گیر نبودن و شامل اعداد منفی و مثبت می‌شدن

https://Github.com/ali-reza-rn/content-based-music-recommender

@DevTwitter | <Alireza Rn/>

بیشتر پروژه‌های AI با سرمایه‌گذاری اشتباه روی زیرساخت شروع می‌شوند. ⚠️

بسیاری از سازمان‌ها در ابتدای مسیر، هزینه قابل‌توجهی برای خرید سخت‌افزار GPU پرداخت می‌کنند؛ در حالی که هنوز مشخص نیست پروژه با چه سرعتی رشد می‌کند، چه تعداد کاربر خواهد داشت یا در آینده به چه منابع پردازشی نیاز پیدا می‌کند. 🤔

نتیجه این تصمیم، زیرساختی است که با مسیر رشد پروژه و نیاز واقعی سازمان تناسب ندارد.📉💸

در ایران GPU، پیش از ارائه زیرساخت ابری، نیاز واقعی پروژه شما را بررسی می‌کنیم؛

 از سناریوی استفاده و حجم درخواست‌ها تا الزامات عملکردی. سپس زیرساخت GPU ابری را به نحوی طراحی می‌کنیم که هم برای نیاز امروز پروژه شما مناسب باشد و هم در مسیر رشد، به‌سادگی توسعه پیدا کند. ✅ 

اگر در حال برنامه‌ریزی برای راه‌اندازی یا توسعه زیرساخت هوش مصنوعی هستید، با مشاوران فنی ایران GPU در ارتباط باشید. 👨‍💻
.

https://b2n.ir/tb4195

اگه از هوش مصنوعی استفاده نمی‌کنی، خیلی عقبی. و اگه فقط بهش پرامپت می‌دی، تازه شدی مثل بقیه!
امروز همه این کار رو می‌کنن. پرامپت‌نویسی دیگه مزیت رقابتی نیست، شده حداقل لازم.

اینجاست که چیزی مثل MCP وارد بازی می‌شه. MCP یا Model Context Protocol، یه استاندارد برای وصل کردن AI به ابزارها، دیتابیس‌ها، فایل‌ها و سرویس‌های دیگه‌ست.

فرقش با پرامپت دادن خیلی زیاده. با پرامپت می‌گی "این کد رو بررسی کن."
با MCP می‌تونی به AI دسترسی مستقیم به ابزارهای مختلف بدی.

مثلا کرسر رو به فیگما وصل کنی، بهش بگی اون دیزاین رو برات به HTML تبدیل کنه! همین.

دیگه AI فقط چت‌بات نیست. داره تبدیل می‌شه به Agent. و به نظرم تفاوت بزرگ کاربران AI در آینده همین‌جاست.

یه عده هنوز دنبال بهترین پرامپت می‌گردن، یه عده دارن AI رو به سیستم‌ها وصل می‌کنن.
دسته دوم، خیلی سریع‌تر پیش می‌رن.

پرامپت‌نویسی هنوز مهمه. اما آینده مال Context + Tools + Agents ـه.

@DevTwitter | <Ehsan Rezaei/>

فرض کن یک AI Agent بسازی که هم‌زمان روی تلگرام، دیسکورد و Slack جواب بده، فایل‌های شرکتت رو بخونه و حتی ابزار اجرا کنه — بدون اینکه همه‌چیز رو از صفر بنویسی.

ابزار AstrBot دقیقاً برای همین ساخته شده.

مثلاً می‌تونی یک ربات پشتیبانی بسازی که:
به پیام مشتری جواب بده، اطلاعات رو از Knowledge Base پیدا کنه، از GPT/Claude/Gemini/DeepSeek استفاده کنه و داخل Telegram یا Discord فعال باشه.

قابلیت‌های مهم:

- پشتیبانی از چندین LLM
- Agent + MCP + Skills
- RAG و Knowledge Base
- اتصال به Telegram, Discord, Slack و…
- اجرای ایزوله Code/Shell با Agent Sandbox
- Web UI و Chat UI
- بیش از 1000 پلاگین
- پشتیبانی از مدل‌های Local مثل Ollama
- متن‌باز و قابل Self-host

پروژه:
https://github.com/AstrBotDevs/AstrBot

@DevTwitter | <Pedram/>

تیم لاراول یه کار عجیب کرده، اپلیکیشنت با AI هم‌صحبت می‌شه.
دو ابزار جدیدش رو ببین: Laravel Boost + Laravel MCP

تا همین چند وقت پیش، مشکل اصلی کدنویسی با ایجنت‌های AI این بود که ایجنت هیچی از اپ واقعی شما نمی‌دونست. اسم ستون‌ها رو حدس می‌زد، روت‌هایی پیشنهاد می‌داد که اصلا وجود نداشتن، پکیج‌هایی رو معرفی می‌کرد که با composer.json شما سازگار نبود و...
هر حدس اشتباه، یعنی چند دقیقه وقت تلف‌شده و کلی باگ ناشناخته که ممکن بود پروداکشن رو بترکونه.

بوست این سمت ماجرا رو حل کرد. یه پکیج که به ایجنت AI اجازه می‌ده مستقیم داخل اپ شما سرک بکشه، اسکیمای دیتابیس رو ببینه، روی دیتابیس کوئری بزنه (فقط خواندنی)، روت‌ها و کامندهای Artisan رو لیست کنه و لاگ‌ها رو بخونه.
علاوه بر این، بیش از هفده‌هزار مستندات نسخه‌به‌نسخه‌ی لاراول (از جمله Livewire، Inertia، Filament) رو به‌صورت وکتورایز‌شده در اختیارش می‌ذاره تا کمتر توهم بزنه.

خب، تا این‌جا لاراول به AI کمک کرده اپ شما رو بهتر بفهمه. اما نیمه‌ی دوم ماجرا جالب‌تره.

لاراول MCP دقیقا برعکس این کار رو می‌کنه. اپ شما رو تبدیل می‌کنه به یه سرور که خود ابزارهای AI بهش وصل می‌شن. با چند خط کد، می‌تونید تولزی تعریف کنید که کلود، کرسر یا هر کلاینت سازگار با MCP بتونه صداشون بزنه. لیست سفارش‌های اخیر رو بگیره، فاکتور بسازه، کاربر رو با ایمیل پیدا کنه.

یعنی اپلیکیشن لاراولی شما دیگه خودش شده یکی از بازیگرهای اصلی گفت‌وگو با AI.
فریم‌ورک داره می‌گه: AI بخشی از استک شماست، نه یه افزونه‌ی جانبی.

@DevTwitter | <Ehsan Rezaei/>

#کوته_نیوز

سیتنا/ مدیرعامل مخابرت: فیبرنوری قراره تا یک گیگابیت بر ثانیه بهتون سرعت بده، مشترکین عادی هم بین 500 تا 600 مگابیت سرعت میگیرن.


@DevTwitter

یه ریپو جالب برای مدیریت چند AI Coding Agent به‌صورت همزمان Agent Orchestrator
بهت اجازه می‌ده Agentهایی مثل Claude Code، Codex، Cursor و چندین ابزار دیگه رو کنار هم اجرا و مدیریت کنی
هر Agent روی Worktree جدا کار می‌کنه و سیستم می‌تونه اجرای تسک‌ها، تست، Review، CI و اصلاح خطاها رو مدیریت کنه
در واقع به‌جای اینکه خودت چندین Agent رو دستی مدیریت کنی یه لایه Orchestration بالای سرشون قرار می‌گیره

https://github.com/Untrivial-ai/agent-orchestrator

@DevTwitter | <Davinchi/>

اگه دنبال یه لایبرری برای portal و تلپورت کامپوننت توی svelte میخوایین
تانل رو یه چک بکنید, لایبرری جدیدی که برای این کار نوشتیم

از هرجایی داخل اپ به هرجایی که میخواییم کامپوننتون رو تلپورت کنید استفاده کنید
Powered by "bridge-kit"
https://github.com/bridge-kit/svelte-tunnel

@DevTwitter | <Mosi/>

با این ابزار می‌تونید دیزاین سیستمِ هر سایتی رو بگیرید.
https://dembrandt.com

@DevTwitter | <Ayub/>

#میم_شبانگاهی

System design: liskov Substitution Principal

@DevTwitter

اگه مشکل ریجن هنگام نصب کردن antigravity دارید، از دوتا ریپوی زیر استفاده کنید. بنده خداها مشکل یک ایران رو با پچرهاشون حل کرده‌اند:

https://github.com/kakajan/antigravity-patch

https://github.com/AvenCores/open-antigravity-patcher

@DevTwitter | <Amin/>

احتمالا کلیت اینکه وقتی یه ریکوئست زده میشه، از DNS و TCP تا رسیدن به سرور و گرفتن ریسپانس چه اتفاقی میفته رو میدونین. ولی اگه دوست داشتین این پروسه رو با دیتیل بیشتری بدونین به نظرم این رو حتما چک کنین:

https://200ms.thenodebook.com/

@DevTwitter | <Omid Nikrah/>