در لاراول میتونیم از متودهایی مثل throwIfStatus برای مدیریت خودکار خطاهامون در هنگام ارسال request به API استفاده کنیم.

این متودها به ما کمک میکنن تا اگه وضعیت response یک API بصورت خطا (مثلا ۴۰۰ یا ۵۰۰) باشه، خودش بطور خودکار یک exception مناسب ایجاد کنه و ما دیگه نیازی به بررسی دستی وضعیت response نخواهیم داشت.

(من فقط یکی ازین متودارو گفتم، مابقیش و چگونگیه استفاده ازین دسته متود ها در تصویر ذکر)
#Laravel
@GoldenCodeir
(به‌منبع و مثالش دقت کنید 👇🏾)
https://x.com/OussamaMater/status/1898800422476788177?t=sQquSOys96KZAxj7UNeTlQ&s=1

از بچه های کانال ، توی کانال یوتوبش با چپترلید فرانت شیپور،سینا حسین زاده صحبت کرده و درباره خیلی از مسایل از تاثیر هوش مصنوعی تا بازارکار و درامد فرانت حرف زدن. اگر وقت و علاقه داشتید توصیه میکنم ببینیدش

https://www.youtube.com/watch?v=2LI_34sb7nY


@CleverDevs - @CleverDevsGp

🔶 رونمایی اولین دستگاه تراشه سازی بومی EUV چین

طبق گزارش Wccftech، دستگاه های EUV بومی چین در سه ماهه سوم سال 2025 با استفاده از رویکردی که طراحی ساده تر و کارآمدتری را ارائه می دهد، وارد تولید آزمایشی می شوند و شرکت های SMIC و Huawei سود زیادی خواهند برد.

#خبر

@TheRaymondDev

برای html css js :

netlify.app‎

برای python :
pythonanywhere.com

خوبه. می‌شه یک وبسایت بالا آورد و و امکان اجرای تسک های زمانبندی شده هم داره، بهتون ساب دامین هم می‌ده.


@Linuxor ~ mim_sad_mim_

موقعی که لپ تاپ رو می‌بستم لپ تاپ می‌رفت روی حالت Sleep و هرچی دانلود و پراسس فعال داشتم قطع می‌شد

این دوتا رو تغییر دادم الان وقتی لپ تاپ رو می‌بندم لپ تاپ مانیتورش خاموش می‌شه ولی روشنه همچنان، اگرم بخوام واقعا Sleep کنم یه بار دکمه Power لپ تاپو می‌زنم

@Linuxor

تا وسطای 2025 قراره یه ورژن جدید از TypeScript بدن بیرون که سرعتش ده برابر قبلیه، کد های خود VSCode که با TypeScript نوشتنش رو باهاش تست کردن توی ورژن قبلی 77.8 ثانیه طول کشید که کامپایل شه توی ورژن جدید فقط 7.5 ثانیه.


@Linuxor

x.com/fall_north_/status/1896251655899021738

https://www.ir.emb-japan.go.jp/itpr_fa/00_000281.html

بورس تحصیلی مونبوکاگاکوشو:

#immigration #study
@amiria703_channel

داشتم راجب linux io_uring میخوندم؛ که برام سوال شد آیا Rust هم ازش استفاده می‌کنه ؟
دیدم توکیو همه‌کاره اینکار رو هم می‌کنه؛ اما نه کاملا بهینه ولی bytedance شرکت مادر Tiktok یک پروژه داره به اسم monoio که کاملا هم فعال و آپدیت بگیر هست و بدون سربار داره از io_uring استفاده می‌کنه.

من روی تمرین Socket توی Rust به این موضوع رسیدم و دارم بیشتر باهاش آشنا میشم اما خوشحال میشم اگر کسی تجربه کار با این ابزار یا آشنایی دقیقی با io_uring داره یک پست؛ ویدئو یا ... مارو مهمون کنه توی کامنت‌ها.

اگه توی بدن‌سازی وزنه سنگین بزنی و اون حس بد رو تخلیه کنی، ممکنه بعد از مدتی ببینی که دیگه مثل قبل نمی‌تونی از حال خراب به‌عنوان سوخت برای برنامه نویسی استفاده کنی

این یعنی وزنه سنگین زدن فقط داره "سوخت حال بد" رو مصرف می‌کنه و چیز قابل توجهی از حال بد برای برنامه نویسی نمی‌زاره و چیز کت کلفت نمی‌تونین بسازین؛ البته اینم باید در نظر داشته باشی که فشار روانی زیاد نباید بالا باشه طوری که تمرکز رو ازت بگیره دیدی نمیتونی فکر کنی برو سنگین بزن یالله ...


@Linuxor

🔶 ویرایشگر Trea رایگان و جایگزین Cursor و به‌صورت کاملاً رایگان و دسترسی بدون محدودیت مدل Claude 3.7

https://www.trae.ai/

#AI

@TheRaymondDev

در این ویدئو با استفاده از object iteration برای مساله بالا یک راهکار طراحی خواهیم کرد.

@codino

آیا ایده ای برای ریفکتور کردن این کد دارید؟

@codino

ابزار trae.ai یه IDE رایگان و جایگزین Cursor هست. به‌صورت کاملاً رایگان و بدون محدودیت به Cloud 3.7 دسترسی دارین!

https://www.trae.ai/

@DevTwitter | <Milad Varvaei/>

یک ماینر مستقل با ۳.۳ تراهش یکی از بلاک‌های بیت‌کوین رو ماین کرد

ماینرهای بیت کوین معمولا دستگاه‌های عظیم پر سر و صدا و پر مصرفی دارن ولی کماکان به اینکه بتونن یه بلاک رو ماین کنن امید نمی بینن و به جاش سراغ استخرهایی میرن که قدرت همه رو یکجا جمع می کنه و در صورت پیدا شدن چیزی، اونو بین همه تقسیم می‌کنه.

اما این وسط هم هستن آدم هایی که با تکیه بر شانس، تنهایی دستگاهشون رو به برق می زنن به امید اینکه اگر یکهو شانس یک در فلان هزار و میلیونشون بزنه و یه بلاک ماین کنن،‌ چقدر باحال می‌شه. البته این آدم‌ها هم در نهایت به یه استخر وصلن ولی استخر ماینرهای منفرد و ناشناس.

و حالا یکیشون برنده شده. یه سولو ماینر با شش دستگاه اوپن سورس بیتاکس تونسته بلاکی رو ماین کنه و حداقل ۳.۱۵ بیتکوین برابر ۲۵۰ هزار دلار به دست بیاره (: قدرت ماین این شش دستگاه روی هم حدود ۳.۳ تراهش و بسیار کمتر از دستگاه‌های کاملا معمولی است. قیمت این دستگاه حدود ۲۰۰ دلاره.

احتمالا خوشحالترین آدم در این ماجرا خودشه و بعدش فروشنده دستگاه‌های خونگی که روی هیجان خبر و فروش دستگاه‌های بیشتر حساب باز کردن(:
https://jadi.net/2025/03/solo-miner/
#خبر

مولانا | دیوان شمس | رباعیات | رباعی شمارهٔ ۱۶۱۵

بفروخت مرا یار به یک دسته تره
باشد که مرا واخرد آن یار سره
نیکو مثلی زده است صاحب شجره
ارزان بفروشد آنکه ارزان بخره

#مولانا | گنجور
📍@iipoem

سیستم recommender اسپاتیفای چطور برای ۵۰۰+ میلیون کاربر ماهانه پیشنهادهای شخصی‌شده می‌ده؟
با الگوریتم‌های ماشین لرنینگ، فیلترینگ هوشمند و تحلیل صوتی، داده‌های عظیم رو پردازش می‌کنه.
چطور این کار رو میکنن؟

اسپاتیفای داده‌های موسیقی رو به متادیتا (مثل ژانر، آلبوم) و سیگنال‌های صوتی (مثل BPM، Loudness، Danceability) تقسیم می‌کنه.
با تحلیل صوتی، ویژگی‌هایی مثل انرژی و Valence استخراج می‌شه
مثلاً "When I Was Your Man" از برونو مارس با ۷۳ BPM، ترکی کم‌انرژی اما رقص‌پذیر شناسایی می‌شه
برای تحلیل متنی، اسپاتیفای از پردازش زبان طبیعی (NLP) استفاده می‌کنه.
مدل‌های NLP متن آهنگ‌ها، نظرات کاربران و عناوین پلی‌لیست‌ها رو بررسی می‌کنن تا احساسات و مضامین (مثل غم یا شادی) رو تشخیص بدن.
الگوریتم‌های ریکامندر از فیلترهای collabrative یا مشارکتی (User-based/Item-based) و فیلترینگ مبتنی بر محتوا (Content-based) بهره می‌برن.
با این ماتریکس، اینا شباهت‌های رفتاری کاربران رو پیدا می‌کنن و ترک‌های مرتبط (مثل Blank Space) رو پیشنهاد می‌دن.

برای بهبود مداوم، اسپاتیفای از حلقه بازخورد (Feedback Loop) استفاده می‌کنه.
داده‌های تعامل کاربر (مثل ذخیره یا اسکیپ کردن) با Reinforcement Learning تحلیل می‌شن تا مدل‌ها دقیق‌تر بشن.

راستی، اسپاتیفای میتونه با محیط کاربر هماهنگ بشه؟ بله.
چطور؟
اینا الگوریتمشون با داده‌هایی مثل زمان، موقعیت جغرافیایی و آب‌وهوا، پلی‌لیست‌هایی متناسب با حال و هوا می‌سازن، مثلاً موسیقی آرام برای روزهای بارانی.
این هماهنگی با APIهای خارجی (هواشناسی، GPS) و داده‌های داخلی (زمان سیستم) ممکن می‌شه. مدل‌های پیش‌بینی کننده (Predictive Models) این اطلاعات رو با خوشه‌بندی (Clustering) ترکیب می‌کنن تا پیشنهادهای متناسب ارائه بدن.
تاریخچه گوش دادن کاربر با الگوریتم‌های یادگیری ماشین تحلیل می‌شه تا الگوهای رفتاری شناسایی بشن. اگر صبح‌ها موسیقی شاد گوش کنی، سیستم پیشنهادهای پرانرژی برای صبح‌ها می‌ده.
یه چیز دیگه اینکه ویژگی DJ مجازی با هوش مصنوعی مولد (Generative AI) و NLP پیاده‌سازی شده.
این سیستم دیالوگ‌هایی تولید می‌کنه که متناسب با موسیقی و حال و هوای تو باشن، و با تعاملات کاربر بهبود می‌یابد.
یه چیز جالب از چالش‌هاشون این بود که "Cold Start Problem" برای هنرمندان جدید بود.
بدون وجود داشتن داده کاربر، پیشنهاد دادنشون سخته. اسپاتیفای با تصحیح انسانی (یعنی مثلا آدم میاد وسط اینجا سلکتش میکنه) و تحلیل صوتی این مشکل رو حل می‌کنه.
مشکل بعدی حباب فیلترینگ (Filter Bubble) هست. فیلترنگ مشارکتی ممکنه فقط ترک‌های مشابه پیشنهاد بده و تنوع رو محدود کنه.
این با کلاسترایز کردن بیش‌ازحد در ماتریس‌های رکامندر رخ می‌ده.
یه چیز دیگه هم اینکه نگرانی حریم خصوصی هم هست. جمع‌آوری داده‌هایی مثل موقعیت و تاریخچه گوش دادن نیاز به رمزنگاری قوی و شفافیت در سیاست‌های حریم خصوصی داره تا اعتماد کاربران حفظ بشه.
خلاصه اینکه اسپاتیفای با تلفیق انسان و ماشین (مثل ویراستاران انسانی) تنوع و عدالت رو در پیشنهادها تضمین می‌کنه تا همه ژانرها و فرهنگ‌ها دیده بشن.
نتیجه اینکه اسپاتیفای با ترکیب فیلترنگ مشارکتی/محتوایی، یادگیری تقویتی، داده‌های محیطی و نظارت انسانی، سیستمی مقیاس‌پذیر و عادلانه ساخته که موسیقی رو شخصی و متنوع می‌کنه.
این داستان چه درسهایی برای ما داره:
۱) در داده‌های بزرگ، الگوریتم‌های ترکیبی میتونن کلید مقیاس‌پذیری باشن
۲) حلقه بازخورد (Feedback Loop) برای بهبود مداوم ضروری است،
۳) تعادل بین تکنولوژی و انسان برای تنوع و اخلاق حیاتیست.

@DevTwitter | <Saman/>

نیاز داشتم LCD لپ‌ تاپ را خاموش کنم با این دستور میشه خاموش کرد

bash -c "cinnamon-screensaver-command -l; xset dpms force off;"

دیدم خوشگل نیست یک applet برای Cinnamon در لینوکس مینت نوشتم. اگر کسی دوست داشت استفاده کنه
لینک گیت هاب
#linux #Utility

اگه دوست دارید یک پروژه جالب و کاربردی بنویسید این یک ایده جالب:
با یک تیر چند نشون میزنید. هم به صورت end-to-end یک AI Assistatnt پیاده سازی میکنید و کلی چیز جدید یاد میگیرید. هم اینکه یک اپلیکیشن کاربردی نوشتید که میتونید واقعا استفاده کنید. حتا ازش درامد داشته باشید. بریم سراغ ایده!

(خلاصه ایده را با chatGPT نوشتم که راحت تره!)
ساخت یک "مغز دوم" با دستیار هوش مصنوعی با استفاده از LLM و RAG

در دنیای پرسرعت امروز، مدیریت اطلاعات به یک چالش بزرگ تبدیل شده است. یک دستیار هوش مصنوعی به عنوان "مغز دوم" می‌تواند با سازمان‌دهی، بازیابی و تولید دانش از اطلاعات شخصی یا حرفه‌ای، به شما کمک کند. ترکیب مدل‌های زبانی بزرگ (LLM) با بازیابی افزوده به تولید (RAG) این فرآیند را هوشمندتر و دقیق‌تر می‌کند.
چرا از RAG استفاده کنیم؟
مدل‌های زبانی فقط بر اساس داده‌های از پیش آموزش‌دیده شده پاسخ می‌دهند که ممکن است قدیمی یا نادقیق باشند. اما RAG امکان بازیابی اطلاعات به‌روز و مرتبط از منابع مختلف را فراهم می‌کند. این ویژگی برای یک مغز دوم ایده‌آل است، چون می‌تواند در لحظه از یادداشت‌های شخصی، اسناد و منابع خارجی اطلاعات استخراج کند.
اجزای کلیدی:
ذخیره‌سازی و ایندکس‌گذاری: استفاده از دیتابیس‌های برداری (مثل Qdrant یا Milvus) برای ذخیره و بازیابی یادداشت‌ها، ایمیل‌ها و اسناد.
اتصال به LLM: ترکیب با مدل‌هایی مثل GPT یا Mistral برای تولید پاسخ‌های هوشمند بر اساس محتوای بازیابی‌شده.
رابط تلگرام: استفاده از یک چت‌بات در تلگرام برای تعامل سریع و راحت با دستیار.
وب‌هوک‌ها و خودکارسازی: دریافت و بروزرسانی خودکار داده‌ها برای نگه داشتن اطلاعات همیشه جدید و در دسترس.
کاربردها:
مدیریت دانش شخصی: ذخیره و بازیابی یادداشت‌های جلسه، مقالات و ایده‌ها.
کمک به انجام کارها و پروژه‌ها: ارائه پیشنهادات هوشمند در مورد کارهای در حال انجام.
مطالعه و تحقیق: خلاصه‌سازی مقالات، پیگیری مفاهیم و تولید یادداشت‌های مطالعاتی.

@DevTwitter | <Mehdi Allahyari/>