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/>

#نگاه_نفوذگر_قسمت_8
تو این قسمت یه نگاه عمیق میکنیم به RCE که داخل Nextjs و React اتفاق افتاده و باهم به صورت کامل و تکنیکال بررسی میکنیم که این RCE چجوری اتفاق افتاده.
بررسی کد آسیب پذیر Next js و React + تست روی لابراتو + توضیح نحوه عملکرد PoC ها و ...
پ ن : 40 دقیقه اول یک سری فاندامنتال توضیح داده شده برای درک بهتر باید این چیزارو بدونیم ولی اگر میخواین میتونین مستقیم از دقیقه 40 به بعد برین سراغ توضیح اکسپلویت.

YouTube:
https://www.youtube.com/watch?v=pC1vkGLeEVU

Notion :
https://heady-hat-c49.notion.site/Next-js-React-RCE-CVE-2025-55182-2c2db480342881e7b9c5cf675288b23e

یکی از مواردی که برای ما هایی که از VPN استفاده می کنیم، دردسر شده،‌ Fingerprint مرورگرها است!
مثلا گوگل می‌رید ولی خطای 403 میده با اینکه VPN دارید. یک دلیل به خاطر Leak شدن TimeZone اصلی شما هست.
چه موارد دیگه ای را ممکن است بررسی کنند؟
چک کنید:
https://neberej.github.io/exposedbydefault/

@DevTwitter | <VAHID NAMENI/>

یه ابزار دیدم که یه پایه آماده‌ی اپلیکیشن بدون نوشتن کد با Next.js، Tailwindcss و TypeScript بهت می‌ده و می‌ذاره بدون نوشتن کلی کد، یه پلتفرم بدون کد زدن با قابلیت ساخت API بسازی. خودِ ابزار همینجوری طراحی شده که با یه ادیتور گرافیکی APIها رو بسازی و از هر HTTP کلاینت هم بتونی صداشون کنی، در واقع یه ترکیب عالی از فریم‌ورک و ابزارای آماده اس و کارتون رو فوری راه می‌اندازه.

دانلود :

github.com/nocode-js/nocode-platform-boilerplate

@Linuxor

اگه دوست دارد میز کار یا میز کامپیوتر را ببرید توی یک لیگ دیگه از لحاظ کارایی و دیزاین این ویدیو را حتما ببینید. که چطور با 3D printing چه کارهای جالبی میکنه.
Youtube:
https://www.youtube.com/watch?v=6er5oSPUGOI

@DevTwitter | <Mehdi Allahyari/>

کاش من یه کشور بدون حاشیه و ثروتمند به دنیا می‌اومدم که پاسپورتش حرف اول رو در دنیا میزد و اصلا نمیدونستم مشکل اقتصادی چی هست ...

همین سنگاپور رو ببینید. تا حالا چند بار برای یک اتفاق منفی یا اخبار بد اسمش رو شنیدید؟ راحت دارن زندگیشون رو میکنن.

اگه فقط به درآمد سرانه نگاه کنیم، سنگاپور با تولید ناخالص داخلی حدود 156.755 دلار ثروتمندترین کشور دنیاست. بعد لوکزامبورگ با 152.915 دلار دومه و بعدش هم ایرلند با 134.000 دلار سومه.

حتی اگه بخوایم یه جور دیگه حساب کنیم، مثلا با در نظر گرفتن قدرت خرید، بازم سنگاپور و لوکزامبورگ جلوتر از بقیه هستن. سوال فرعی: لوکیشن دقیق این 2 کشور رو بلدید؟ همسایه‌هاشون رو میشناسید؟

آمریکا با اینکه اقتصادش با 30.51 تریلیون دلار بزرگ‌ترینه، توی سرانه PPP رتبه نهم رو داره (89.105 دلار). این نشون میده که در کشورهای کوچیک، ثروت بین آدم‌های کمتری پخش میشه و تاثیر بیشتری داره.

یه روش دیگه هم هست که ساعت‌های کاری رو حساب میکنه. اینجا کشورهایی که با ساعت کار کمتر، درآمد بالاتری دارن، در رتبه‌بندی قرار میگیرن. اول میشه نروژ و بعد هم سوئیس ... این‌ها با ساعت کاری کمتر و تفریح بیشتر، پول به جیب میزنن.

کشورهایی مثل چین، چون جمعیتشون زیاده، در سرانه پایین‌تر هستن هرچند اقتصادشون بزرگ‌تر باشه.

ثروت فقط به پول درآوردن نیست. عربستان هم درآمدش بالاست ولی در لیست قرار نمیگیره؛ به این بستگی داره که چطور بین مردم توزیع کنی و ملت چقدر بتونن از اون پول استفاده کنن. اینو من نمیگم. مقاله اکونومیست میگه.

⛓ @linkepin

نه درکی از جامعه داره
نه درکی از اینترنت داره
نه درکی از آزادی داره
نه عدد میفهمه

@Esc_PC

تاپل‌ها همیشه immutable نیستند!


قالب ما tupleها رو یک دیتااستراکچر immutable یا تغییر ناپذیر میشناسیم. immutable یعنی اگر یک تایپ ساخته بشه هیچ وقت قابل تغییر نخواهد بود.
یا تغریف دیکنشنری:
unchanging over time or unable to be changed.


در پایتون هم اگر شما یک tuple رو یک بار تعریف کنید دیگه قابل تغییر نیست. برای مثال:

>>> a = (1, 2, 3)
>>> a[1]="new value"
Traceback (most recent call last):
  File "<python-input-3>", line 1, in <module>
    a[1]="new value"
    ~^^^
TypeError: 'tuple' object does not support item assignment
>>> 

خب پس تاپل غیر قابل تغییر. اما یک نکته مهم درباره غیر قابل تغییر بودن تاپل ‌ها وجود داره و اونم اینه که با اینکه خود تاپل غیر قابل تغییر یا immutble هست محتوا داخل اون قابل تغییر D:

به این مثال دقت کنید:

>>> a = (1, 2, ["first"])
>>> a
(1, 2, ['first'])
>>> a[2].append("second")
>>> a
(1, 2, ['first', 'second'])
>>> 

همینطور که میبینید ما تونستیم محتوا لیستی که داخل این تاپل بود تغییر بدیم. پس اگر یک دیتا تایپ mutable داخل تاپل داشته باشیم تاپل ما میتونه تغییر کنه. اما سایز یا lenght تاپل هیچ وقت تغییر نمیکنه.


تمام این‌ها به یک نکته جالب میرسه. ما میدونیم تنها چیزهایی میتونن hash بشند در پایتون که غیر قابل تغییر باشن و تنها چیزهایی که میتونن hash بشند میتونن به عنوان کلید یک دیکشنری استفاده بشن. برای مثال:

>>> a = (1, 2)
>>> {a:"a as the key"}
{(1, 2): 'a as the key'}
>>> 

اما اگر ما از یک mutable داخل این تایپل استفاده کنیم از اونجایی که این تاپیل حالا میتونه تغییر پیدا کنه قابل hash شدن نیست و در نتیجه نمیتونه به عنوان کلید دیکششنری استفاده بشه:

>>> a = (1, [2, 3])
>>> {a: "a as the key"}
Traceback (most recent call last):
  File "<python-input-14>", line 1, in <module>
    {a: "a as the key"}
TypeError: unhashable type: 'list'
>>> 

این نکته گاهی میتونه به slient bug برسه و یک جایی به مشکل بخوره D:


@TorhamDevCH

امروز یکی از بزرگترین روز ها برای اردبیل بود ...

روزی که اردبیل برای اولین بار کمیته تخصصی هوش مصنوعی رو گذاشت

و من خواب موندم و به کمیته نرسیدم😑

🔶 یوتیوبر BridgeMind کانالی راه‌اندازی کرده است که در آن ویدئو هایی درباره این موضوع منتشر می ‌کند که یک مهندس نرم ‌افزار چگونه به ‌صورت عملی با هوش مصنوعی کار می‌کند و تمرکز محتوای این کانال بر توسعه واقعی محصولات مبتنی بر هوش مصنوعی، فرآیند تصمیم‌ گیری فنی، ساخت MVP، و تبدیل ایده به محصول قابل درآمد است.

هدف‌گذاری BridgeMind رسیدن به درآمد یک میلیون دلاری از طریق توسعه و تجاری‌سازی اپلیکیشن‌های مبتنی بر هوش مصنوعی است؛ مسیری که به ‌صورت شفاف و مرحله ‌به ‌مرحله در قالب ویدئوها مستند سازی می‌شود.

این کانال بیشتر از آنکه آموزشی صرف باشد، یک روایت واقعی از مسیر ساخت محصول، آزمون و خطا و تفکر یک مهندس نرم‌افزار در دنیای هوش مصنوعی است.

پ.ن : برخی برنامه ‌نویسان با این شیوه‌ی کار با هوش مصنوعی مخالف هستند و معتقدند که هیچ تضمینی وجود ندارد استفاده گسترده از هوش مصنوعی لزوماً منجر به تبدیل شدن فرد به یک مهندس نرم‌افزار بهتر شود.
از نگاه آن ‌ها، تکیه بیش ‌از حد بر ابزارهای هوش مصنوعی ممکن است باعث تضعیف درک عمیق مفاهیم پایه، معماری نرم‌افزار و توانایی حل مسئله در بلند مدت شود.

https://www.youtube.com/@bridgemindai

#ai

@TheRaymondDev

سایت System Design یکی از بهترین منابع برای فهم طراحی سیستم‌های بزرگیه که هر روز استفاده می‌کنیم.
خودم تقریبا هر روز یکی از مطالبش رو می‌خونم و واقعا دید خوبی برای پیاده‌سازی نرم‌افزار می‌ده؛
از WhatsApp و YouTube تا Instagram و Redis و ...

https://newsletter.systemdesign.one/

@DevTwitter | <Mohammad/>

وقتشه که استفاده از Exception برای کنترل فلو (Control Flow) در لاراول را متوقف کنیم.
پترن Railway-Oriented Programming (ROP) یک شیوه مدرن برای مدیریت خطاهاست که از دنیای Functional Programming وارد شده. به جای پرتاب Exception و امیدوار بودن به اینکه یه جایی اون رو Catch کنیم، می‌تونیم عملیات‌ها را به صورت زنجیره‌ای از موفقیت‌ها و شکست‌ها مدل کنیم.
در این مقاله، ROP و طرز فکر پشت اون و نحوه پیاده‌سازی کاملش در لاراول را با استفاده از Result Types توضیح دادم.
مطالعه کامل مقاله
https://medium.com/@mmtaheri.dev/railway-oriented-programming-in-laravel-exceptions-are-not-your-business-3499a9feb790

@DevTwitter | <Mohammad Mahdi Taheri/>

اینو خوندم جالب بود رفتم ی سمپل کد پیدا کردم براش از

https://blog.logrocket.com/what-is-railway-oriented-programming/

const sendWayBillMail = async() => {
  const data = await fs.readFile('emailContent.txt', 'binary')
  if (!data){
    return 'Empty content or invalid!'
  }
  const { emailAddress, firstName, lastName } = await User.findById(userId)

  if (!emailAddress) {
      return 'Email address not found!'
    }  
  
  const isValidated = await validateEmail(emailAddress)
  
  if (!isValidated) {
      return 'Email address not valid!'
    }
  if (!lastName) {
    return 'Last name not found!'
  }
  if (!firstName) {
    return 'First name not found!'
  }

  sendMail(emailAddress, firstName, lastName, data)
  
  return 'Done'
}

و نکته جالب ماجرا اینجاست که همین الآنم کد هایی که با Django میزنم الان همین حالت ریلی رو داره