اگه با این AI coding assistant ها کد میزنید یا اینکه به صورت vibe coding اپ میسازید اینکه چطور دیزاین را هم وارد مساله کنید خیلی مهمه. یک اصطلاح جدید داره بوجود میاد به اسم "vibe designing". این بلاگ خیلی قشنگ توضیح میده و اینکه موقع vibe coding چطور یک اپ با طراحی خوب درست کنید. حتما بخونید. ویدیو هم تو یوتیوب داره:
https://designwithai.substack.com/p/vibe-designing-with-ai
YT: https://youtube.com/watch?v=QgvQbcPmioE

@DevTwitter | <Mehdi Allahyari/>

ترفند Issue Trick یا Github Asset Hosting

میخواید پروژتون رو توی README با استفاده از گیف و ویدیو معرفی کنید ولی نمیدونید فایل هارو کجا قرار بدید؟
اگه فایلتون حجمش کمه مثلا زیر 3 مگ، میتونید تو دایرکتوری docs داخل خود سورس کد پروژه بذارید ولی بازم روش خوبی نیست بنظرم.

اما اگه فایلتون حجمش زیاده بنظرتون اینکار منطقیه؟
یکی بخواد clone کنه باید همراهش چند تا فایل بی ربط رو دانلودش کنه.

خب چه کار هایی میتونیم؟
میتونیم تو فضای ذخیره سازی ای مثل aws و ... قرار بدیم ولی بازم وابسته شدیم به یه سرویس خارجی که فردا ممکنه فیلتر یا قطع بشه.

راهکار حرفه ای یه ترفند جالبیه که تو پروژه های بزرگ اپن سورس استفاده میشه.

میریم قسمت ایشو
یک ایشو جدید باز میکنیم
بعد فایلمون رو تو قسمت description آپلود میکنیم.
بعدش صبر کنید تا آپلود فایل تموم بشه.
گیتهاب به شما یک لینک میده.
همونو کپی کنید تو README قرارش بدید!

نکته طلایی:
اصلا نیازی نیست دکمه submit new issue رو بزنید! حتی اگه ایشو کنسل بشه یا کامل ببندید و نسازیدش، اون فایل روی سرور های پرسرعت گیت‌هاب باقی میمونن!

به همین سادگی بدون اینکه حجم پروژه بالا بره، داکیومنت های حرفه ای داشته باشید.

نکته:
توی خود README هم میتونید همینکارو کنید.

#github

@Syntax_fa

کانفیگ کردن NGINX مرد میدان می‌طلبه چون چت باتا ممکنه کلی اشتباه کنن، هر اشتباهی ممکنه باعث افت پرفومنس و یا امنیت سایتتون بشه اینجارو داشته باشید قالب های نمونه کافیگ گذاشته از روش ایده بگیرید :

github.com/h5bp/server-configs-nginx

@Linuxor

اگه خواستین یه برنامه اجرایی مستقل از کد پایتون بسازید از pyinstaller استفاده کنید؛ کاربر نهایی ویندوز مک و یا لینوکس لازم نیست پایتون نصب داشته باشه، فقط فایل رو اجرا می‌کنه و برنامه‌ات بالا میاد.

همهٔ وابستگی‌ها، کتابخونه‌ها و مفسر پایتون رو جمع می‌کنه می‌ذاره داخل پکش. اینجوری نه مشکل «نسخهٔ پایتون من فرق می‌کنه» داری، نه دردسر نصب کتابخونه‌ها. یه جورایی برنامه‌ات رو بسته‌بندی می‌کنه که هرجا اجرا بشه بدون هیچ چیزی اجرا بشه.

توضیحات و نحوه کار :
www.pyinstaller.org

@Linuxor

پردازش ۴۰ میلیارد رکورد در روز — معماری یک سیستم مقیاس‌پذیر!
خیلی‌ها فکر می‌کنن پردازش ده‌ها میلیارد رکورد در روز فقط از پس غول‌های جهانی مثل Meta یا Netflix برمیاد — اما من یک معماری عملیاتی ساختم که روزانه بالغ بر ۴۰ میلیارد رکورد (معادل تقریبا ۵۰۰ هزار رکورد بر ثانیه) رو از Kafka مصرف و به‌صورت بهینه در ClickHouse ذخیره می‌کنه.

چالش اصلی
بار نامتعادل روی کلاستر توزیع‌شده شلوغ با ۲۰ نود و ۵۲ پارتیشن و عدم تفکیک داده
نیاز به پردازش کم‌تأخیر
حفظ Consistency در حجم عظیم داده

راه‌حل معماری
مصرف‌کننده‌های موازی با Unbounded Channel
پردازش کاملاً Stateless برای scale عمودی و افقی
دسته‌بندی و فشرده‌سازی در Batchهای ۱,۰۰۰,۰۰۰ رکوردی (قابل کانفیگ)
نوشتن مستقیم در ClickHouse با Insertهای ستون‌محور
و Commit offset تنها بعد از نوشتن موفق
جدا کردن مسیر ingest از persist برای افزایش throughput

@DevTwitter | <Amirhossein Maleki/>

اگه کارتون به زمان‌بندی، برنامه‌ریزی یا بهینه‌سازی گیر کرده… Google OR-Tools می‌تونه ناجی‌تون باشه!

یک کتابخونه‌ی متن‌باز از گوگله که برای حل مسائل سختی مثل:

- زمان‌بندی شیفت‌ها
- برنامه‌ریزی تولید
- تخصیص منابع
- طراحی مسیرهای بهینه (TSP/VRP)

خیلی عالی جواب می‌ده.

چیزی که جذابش می‌کنه CP-SAT Solverشه؛ هم سریع کار می‌کنه هم با مسائل پیچیده راحت کنار میاد.

چرا سراغش برید؟
- وقتی چندتا کار، چندتا محدودیت و چندتا آدم/ماشین دارید و نمی‌دونید چطور همه رو هماهنگ کنید
- وقتی می‌خواید بهترین برنامه ممکن رو با کمترین خطا و بیشترین بازده داشته باشید
- وقتی داده‌محور تصمیم می‌گیرید و دنبال راه‌حل «بهینه» هستید

رایگانه، با Python خیلی راحت کار می‌کنه و برای پروژه‌های واقعی هم کاملاً کاربردیه.

اگر تجربه‌اش رو داشتید یا سوالی دارید خوشحال می‌شم گپ بزنیم

اگه خواستید یادش بگیرید این یه منبع خوبه:
https://d-krupke.github.io/cpsat-primer/00_intro.html

ORTools Optimization Scheduling Google Python OperationsResearch

@DevTwitter | <Ali Baghernia/>

چطور فشار روی cpu رو محاسبه می کنیم ؟؟

یه مفهومی به اسم load داریم که با دستور uptime و یا مستقیم از
/proc/loadavg
میشه اون رو دید توی لینوکس 3 نوع load رو گزارش میده به ترتیب از چپ در یک دقیقه اخیر، پنج دقیقه اخیر و پانزده دقیقه اخیر
اما این load چیه؟ فرض کنین یه cpu یک هسته ای داریم load اگه صفر باشه یعنی cpu بیکاره و تا عدد 1 میزان کار اون رو نشون میده.
اگه عدد بیشتر از 1 باشه مثلا 1.65 یعنی cpu مقدار 65% از کاراش توی صف هستند و اگه 5.5 باشه یعنی 450% از کار هاش توی صف هستند.
اما کامپیوتر های الان cpu های بیش از یه هسته دارن مثلا برای یه cpu هشت هسته ای اگه load avg برابر 12 باشه 50% کار ها در صف هستن و اگه زیر 8 باشه یعنی هیچ کار در صفی نداره (درواقع load رو باید بر تعداد هسته ها تقسیم کرد)
مثل تصویر میتونین با دستور lscpu اطلاعات cpu خودتون رو بدست بیارین عکس یه cpu چهار هسته ای رو نشون میده که هشتا ترد داره (از دید کامپیوتر ترد ها هرکدام مانند یک cpu جدا هستن پس ملاک ما عدد 8 هست نه 4، انگار این کامپوتر هشتا cpu داره )

@DevTwitter | <Mahdi Bagheri/>

روش ساده برای جلوگیری از حمله بروت فورس :)

@normal_developer

ترجمه :
ی برنامه نوشته که قصدا اگه برای بار اول رمز رو حتی درست زدی بگه غلطه، تا دوباره رمز درست رو امتحان کنی

وقتی با مدلهای LLM و سیستم های ایجنتیک کار میکنید یکی از مهمترین کارهایی که باید انجام بدید/بنظرم مهمترین کار اینه که پرفورمنس سیستم را ارزیابی کنید یا به اصطلاح evaluation انجام بدید. اگه بدون evaluation ایجنت میسازید به هیچ دردی نمیخوره!
این منبع ارزشمند/۵۰ صفحه مطلب را حتما بخونید.

https://huggingface.co/spaces/OpenEvals/evaluation-guidebook#what-is-model-evaluation-about

<Mehdi Allahyari>

این ویدئو به شما کمک می‌کنه پروژه/محصولتون رو خیلی بهتر ارائه کنید:

https://www.youtube.com/watch?v=y0JRBbqPS94

@haghiri75_blog

اوایل که هوش مصنوعی تازه اومده بود، ایده این بود یه مدل جامع بسازن که هر کاری ازش می‌خوان انجام بده براشون، بعد از حدود سه چهار سال الان به این نتیجه رسیدن که نه، بیایم برای هر نوع محاسبه ای مثلا ریاضی، کد نویسی، پردازش تصویر و‌... مدل جدا بسازیم، نتیجه چی شد؟ واقعا عملکرد بهتر شد.


این ساختار دقیقا شبیه قشر ها و بخش های مغز انسانه، هرکدوم وظیفه انجام کاری رو دارن چیزی که طبیعت با میلیون ها سال آزمایش و خطا بهش رسیده.


@Linuxor

خبر بد «MinIO رسماً مُرد…»

تغییر مهم در MinIO: ورود رسمی به Maintenance Mode

امروز یک تغییر بسیار مهم در ریپازیتوری MinIO منتشر شد.
در کامیت 27742d469462e1561c776f88ca7a1f26816d69e2، تیم MinIO به‌صورت رسمی اعلام کرده که نسخهٔ متن‌باز MinIO وارد حالت نگه‌داری (Maintenance Mode) شده است.

یعنی چه؟

توسعهٔ فعال روی نسخهٔ متن‌باز متوقف شده است
فقط باگ‌های امنیتی بسیار حیاتی ممکن است بررسی شوند
هیچ قابلیت جدید یا بهبود عمده‌ای دیگر اضافه نمی‌شود
تیم MinIO عملاً توسعه و انرژی خود را به سمت AIStor (نسخه Enterprise) منتقل کرده است

این یعنی نسخهٔ Community عملاً پایان راه توسعه‌اش را تجربه می‌کند.

چرا این مهم است؟

ابزار MinIO یکی از پرکاربردترین S3-Compatible Object Storageهای جهان—به‌خصوص در محیط‌های On-Premise و دیتاسنترهای سازمانی—بود.
این تغییر روی بسیاری از شرکت‌ها، تیم‌های DevOps، محصولاتی که روی MinIO ساخته شده‌اند و حتی تصمیم‌های آینده درباره معماری ذخیره‌سازی تأثیر می‌گذارد.

این تغییر برای شما یعنی چه؟

اگر در شرکت یا پروژه‌تان از MinIO استفاده می‌کنید:

حتماً وضعیت آیندهٔ پروژه را بازبینی کنید
برای نیازهای بلندمدت، به فکر مهاجرت یا استفاده از نسخه‌های Enterprise باشید
یا گزینه‌های جایگزین مثل Ceph، SeaweedFS، Garage، Zenko و… را ارزیابی کنید
https://github.com/minio/minio/commit/27742d469462e1561c776f88ca7a1f26816d69e2

@DevTwitter | <Hadi Tayanloo/>

من تجربه استفادشو داشتم
حیف ...

اولین تجربه‌ حرفه‌ ای برنامه نویسی من برمیگرده به ۱۸ ۱۹ سالگی، وقتی به عنوان کارآموز وارد یه شرکت شدم و برنامه نویسی رو از مبتدی و به شکل جدی شروع کردم.
اون موقع ها حس میکردم هیچ وقت نمیتونم برنامه‌ نویس خوبی بشم. هر کاری میکردم به چشم نمیومد و حتی جدی گرفته نمیشدم. این باعث میشد اون فکر تو ذهنم که «نه، من نمی‌تونم» سنگین‌تر و واقعی‌تر بشه. بعدها فهمیدم مشکل نه از خودم بود، نه از توانایی‌هام؛ مشکل این بود که فرصت یادگیری نداشتم، اجازه‌ی اشتباه کردن نداشتم و سر هر خطای کوچیک سرزنش میشدم.
با گذر زمان، خودم رو تو پروژه های متفاوت دیدم، حتی پروژه‌ هایی که تصمیم‌گیری صفر تا صدش به عهده خودم بود. اونجا بود که فهمیدم چی میشد اگر اون موقع حداقل تلاش‌ هام تشویق میشدن و استرس ذهنم کمی سبک میشد. شاید اون موقع به چشم آدم بی مسئولیت یا بار اضافه دیده میشدم، ولی من داشتم یاد میگرفتم که چطور برنامه نویسی کنم و چطور تو تیم کار کنم.
حالا اوضاع خیلی بهتره، اون سوال‌ هایی که سال‌ ها ذهنم رو مشغول کرده بودن جواب دادم...
خواستم این خاطره رو باهاتون به اشتراک بذارم شاید کسی به این حرفم نیاز داشته باشه تو هر مرحله ای از یادگیری که هستید، اشتباه های خوب رو از دست ندید.
استعداد، زاده‌ی تمرین و تکراره درسته.
» افکار من

اَحپِف‌اِیْسم 🍋

ری‌اکت‌کارا جمع شدن و یه گیت بوک توسعه دادن و توش از ترفند ها و تکنیک ها و نکاتی که بهشون خیلی کمک کرده نوشتن: این پتانسیل اینو داره توی بازار آزاد به اسم دوره ری اکت پیشرفته به قیمت 30 میلیون با تخفیف 23.500 فروش بره.

github.com/vasanthk/react-bits

@Linuxor

تصور کنید دارید یه سیستمی رو کد میزنید که یک بخش از اون یا هنوز توسعه داده نشده یا هربار ریکوست زدن به آن هزینه سنگینی برای سازمان به بار میاره

راهکار کم هزینه و خوب چیه؟؟؟
استفاده از سیستم ماک جهت تست
ولی خب نوشتنش بازم میتونه اتلاف وقت و نیرو باشه برامون

خب بیایید اول ببینید انتظارتو از پاسخ (reaponse) چیا هستش

این رو کامل لیست کنید چه در حالت خطا و چه در حالت درست

یک جیسون فایل با status های مختلف و متدهای صدا زننده مختلف براش بنویسید

برنامه wiremock رو نصب و راه اندازی کنید، یک اندپوینت براش بسازید که اون json فایل رو بهتون برگردونه، به همین راحتی سناریوی واقعی رو پیاده سازی میکنید باهاش

@code_crafters

کتابخونه‌ای که Prompt Engineering رو منسوخ می‌کنه

اخیرا یه ابزاری دیدم که خیلی کاربردی بود (حداقل روی کاغذ)

دانشگاه Stanford توی اواخر ۲۰۲۴ یه کتابخونه منتشر کرد به اسم DSPy که داره که ایده جالبی پشتشه خصوصا واسه آدمای تنبل.

مشکل فعلی چیه؟
الان که می‌خواین از ChatGPT یا Claude استفاده کنین، باید Prompt بنویسین. اگه جواب خوب نگرفتین، دوباره Prompt رو عوض می‌کنین.
این رو ۱۰ بار تکرار می‌کنین تا یه چیز قابل قبول بگیرین. خسته کنندس و جدی باید یه فکری براش بشه

حالا ابزاری به نام DSPy میگه:
چرا Prompt رو دستی بنویسیم؟
مدل خودش باید یاد بگیره چه Promptای بهتره!

کار باهاش هم اصلا سخت نیست
فقط چندتا مثال از Input-Output بهش می‌دین بهش. DSPy خودش شروع می‌کنه Promptهای مختلف رو امتحان کردن و اون Promptای که بهترین نتیجه رو میدن رو پیدا می‌کنه.
تقریبا شبیه به Training یه مدل ML!
https://dspy.ai

@DevTwitter | <Mohammad Dehghani/>

#بدرد

این ویدیو خیلی نکات جالبی داشت به نظرم حتما ببینید. موضوعش: "چطور یک بیزینس تک‌نفره (Solo Business) میلیون دلاری با هوش مصنوعی بسازیم؟"
من چکیده اش را اینجا مینویسم:

اولین بیزینس یک میلیارد دلاری (یونیکورن) که فقط "یک نفر" اونو اداره می‌کنه، توی راهه و با AI این اتفاق خیلی زودتر از چیزی که فکر می‌کنیم میفته. توی این ویدیو یه نقشه راه ۴ مرحله‌ای برای ساخت بیزینس شخصی با AI در سال ۲۰۲۶ توضیح داده شده که اینجا براتون خلاصه‌ش کردم:

قدم اول: مثلث موسس (The Founder's Triangle) قبل از شروع باید ببینی ایده‌ت اصلا به درد می‌خوره یا نه. برای این کار ۳ تا سوال از خودت بپرس:
- ضلع Domain (تخصص): آیا توی یه صنعت خاص ۵ سال+ سابقه داری؟ چم و خم و مشکلات اون بازار رو می‌شناسی؟
- ضلع Depth (مهارت عمیق): اون چه کاریه که واسه تو "تفریح" و بازیه، ولی واسه بقیه "کار" سخت به حساب میاد؟ (کدنویسی، نوشتن، فروش و...)
- ضلع Distribution (توزیع): آیا راهی داری که راحت‌تر از بقیه به مشتری برسی؟ (نتورک قوی، مخاطب توی سوشال مدیا و...)

اگه هر ۳ تا تیک خورد، یعنی چراغ سبزه و بایدپیش بری!

قدم دوم: ماشین‌سازی (The Machinery - D.R.E.A.M): اداره بیزینس، فقط ایده نیست، کلی کار اجرایی داره. فرمولش اینه:
قسمت اول: Demand (تقاضا): چطور مشتری پیدا می‌کنی؟ قسمت دوم: Revenue (درآمد): مدل قیمت‌گذاریت چیه؟ قسمت سوم: Engine (موتور): محصول اصلیت چیه؟ قسمت چهارم: Admin (اداری): کارهای حقوقی و مالی. قسمت پنجم: Marketing (مارکتینگ): برندسازی.

خبر خوب؟ الان لازم نیست برای اینا لزوما یک تیم استخدام کنی. ابزارهای AI مثل ChatGPT و NotebookLM می‌تونن نقش CFO یا تیم تحلیلگر تو رو بازی کنن. نکته عملی: لازم نیست یهو کوه رو جابجا کنی. همین هفته یه کار تکراری رو با AI اتومات کن. مثلا با ابزار Clay لیدها رو پیدا کن یا با Gamma اسلاید بساز.

قدم سوم: خندق‌های دفاعی (The Moats): وقتی موفق شی، رقبا میان سراغت. چطور از بیزینست دفاع کنی؟ ضدحمله (Counter-positioning): مدلی کار کن که رقیب بزرگت نتونه کپی کنه بدون اینکه بیزینس اصلی خودش ضربه بخوره (مثل کاری که نتفلیکس با حذف جریمه دیرکرد با بلاک‌باستر کرد). عادت‌سازی (Sticky Habits): محصولت رو تبدیل به عادت کن. سوییچ کردن باید برای مشتری سخت باشه (مثل عادت ما به آیفون یا ChatGPT). دیتای اختصاصی: دیتایی جمع کن که محصولت رو هی بهتر و بهتر کنه (مثل گوگل یا آمازون).

قدم چهارم: ذهنیت (The Mindset) هیچ هوش مصنوعی‌ای نمی‌تونه باگ‌های توی ذهن تو رو دیباگ کنه! ترس همیشه هست، ولی سوال اصلی اینه: "توی بستر مرگ، حسرت چی رو می‌خورم؟" توی دنیای AI، چیزی که تو رو متمایز می‌کنه چیزاییه که ربات‌ها ندارن: سلیقه (Taste) هدف (Purpose) قضاوت انسانی (Judgment)

حرف آخر: ریسک‌هایی که نمی‌کنی، خیلی بیشتر از ریسک‌هایی که می‌کنی و شکست می‌خوری، روت تاثیر منفی می‌ذارن. الان هوش مصنوعی همه چی رو ارزون‌تر، سریع‌تر و بهتر کرده. ابزارها آماده‌ن، فقط منتظر تو هستن که شروع کنی.

https://www.youtube.com/watch?v=IWdvG9Up8Mc

@DevTwitter | <Mehdi Allahyari/>

مدل VibeVoice از مایکروسافت
ساخت پادکست و مکالمات طولانی از متن با لحن طبیعی
اجرای لوکال
فقط زبان انگلیسی

https://github.com/microsoft/VibeVoice

@DevTwitter | <Amirio/>