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/>

🔸Code Diff Checker
برام خیلی پیش میومد که تفاوت دوتا کد رو بتونم سریعتر بفهمم توی مرورگر و همش از سایتای انلاین استفاده میکردم
واسه همین یه یوزراسکریپت براش زدم

https://greasyfork.org/en/scripts/529585-code-diff-checker

@TheRaymondDev

ریاضیات پشت LLM ها سطح بالاست و درک کردنش کمی دشواره اما ایده کلیشون بسیار سادس، این مقاله توی 10 دقیقه بهتون نحوه عملکرد Transformer هارو توی LLM ها می‌ده در واقع Transformer یه معماریه که مبنای طراحی بسیاری از مدل‌های LLM مثل GPT هستش که جزئیاتش رو می‌تونین از لینک زیر بخونین


https://blog.det.life/10-minutes-are-all-you-need-to-understand-how-transformers-work-in-llm-1c5e37461654


@Linuxor

دوران transhumanism

پیرو این پست
https://t.iss.one/linuxtnt/4216


یک تیم فناوری چینی، «مانوس» را معرفی کرده‌اند که اولین عامل هوش مصنوعی کاملاً خودمختار در جهان است و توسط «مونیکا.‌آی‌ام» توسعه یافته است.
برخلاف ربات‌های چت هوش مصنوعی مانند ChatGPT که نیاز به ورودی انسانی دارند، مانوس می‌تواند بدون راهنمایی، وظایف را به طور مستقل انجام دهد.

مانوس قادر است تصمیم‌گیری کند و وظایف را به تنهایی به پایان برساند. به عنوان مثال، اگر از او خواسته شود تا یک آپارتمان پیدا کند، عواملی مانند نرخ جرم و جنایت، آب و هوا و روندهای بازار را بررسی می‌کند و سپس پیشنهادهای شخصی‌سازی شده ارائه می‌دهد.

یک دمو در وب‌سایت آن نشان می‌دهد که مانوس چگونه به صورت گام به گام یک وب‌سایت سفارشی می‌سازد. قابلیت‌های آن همچنین شامل برنامه‌ریزی سفر، تحلیل سهام، ایجاد دوره‌های آموزشی، مقایسه بیمه و یافتن تامین‌کنندگان است.

تایپ‌اسکریپت رو دارن با Go باز نویسی می‌کنن و تا الان ۱۰ برابر سریع‌تر از قبل شده. چیزی که خیلی جالبه اینه که تیم توسعه‌اش با C# خیلی نزدیکه (چون پشت جفتشون مایکروسافته) و حتی سازنده‌اشونم یکیه. اما با این حال با وجود رقابتی که الان بین C# و Go هست، اومدن Go رو انتخاب کردن.
این اتفاق به نظرم خیلی حرفا داره برای گفتن، اگه بخوایم سطحی نگاه کنیم اینطور نتیجه می‌گیریم که گولنگ > سی‌شارپ. ولی نتیجه معقولی که تو بحثا هست اینه که آدمای باتجربه و بزرگ دنبال ابزار درست برای حل مشکل می‌گردن و حتی اگه اون زبان رو خودشون ساخته باشن روش تعصب ندارن که بهترینه :)

🔗 لینک پست معرفی
🔗 لینک بحث توی گیت‌هاب

@Yasha

سلام دوستان
یه راه برای تسلط به مهندسی نرم افزار اینه که موارد زیر رو در پیاده سازی یک پروژه با هم ترکیب کنید.

1. Domain driven design
2. Hexagonal Architecture
3. Secure by Design
4. Clean Architecture
5. Onion Architecture
6. SOLID Principles
7. Software Design Patterns

لینک پروژه Domain-Driven Hexagon رو که چنین کاری کرده براتون میذارم که با node.js پیاده سازی شده.
اگر فرصت دارید برای مطالعه آن وقت بذارید تا level up بشید.

https://github.com/Sairyss/domain-driven-hexagon

@DevTwitter | <Pouria Jahandideh/>

اولین گزارش باگم رو به دبیان انجام دادم
https://bugs.debian.org/cgi-bin/bugreport.cgi?bug=1100175

🔶 پس از اتمام افزونه ورود - عضویت موبایلی وردپرس، برنامه دارم یه پکیچ فوق العاده کاربردی برای لاراول بنویسم که در وردپرس کاربرد فراوانی دارد.

#لاراول

@TheRaymondDev

سال ۴۰۴ دیگه خودش قراره با زندگیم مَچ بشه
کلا تو error باشه 😁

@luvablee

🔵 عنوان مقاله
Faster Go Maps with Swiss Tables

🟢 خلاصه مقاله:
یکی از جدیدترین ویژگی‌های زبان برنامه‌نویسی گو، پیاده‌سازی بهبود یافته‌ی ساختمان داده نقشه (map) است که توسط یک الگوریتم جدول هش جدید به نام Swiss Table پشتیبانی می‌شود. این الگوریتم عملیات‌های روی نقشه‌ها را تا ۶۰ درصد در میکروبنچمارک‌ها (microbenchmarks، آزمایش‌های کوچک برای بررسی کارایی قطعات مجزا) سریع‌تر می‌کند، در حالی که میزان استفاده از حافظه را نیز کاهش می‌دهد. در اینجا نگاهی داریم به نحوه کارکرد آن.

🟣لینک مقاله:
https://golangweekly.com/link/166477/web

➖➖➖➖➖➖➖➖
👑 @gopher_academy

تایپ اسکریپت هم به راه راست هدایت شد و فهمید جی اس خرابه.

بازنویسی TypeScript با Go و افزایش سرعت ۱۰ برابری 🚀

مایکروسافت اعلام کرده TypeScript در حال بازنویسی مجدد به زبان Go می باشد. این تغییر باعث افزایش ۱۰ برابری سرعت نسبت به نسخه قبلی خواهد شد. در حال حاضر، TypeScript بر پایه JavaScript و TypeScript خودش نوشته شده است، اما این رویکرد جدید به طور چشمگیری عملکرد را بهبود می‌بخشد.

چرا Go انتخاب شد؟ 🤔
مایکروسافت که در دوراهی سی هشتگ و گولنگ مانده بود در نهایت تصمیم قاطعانه گرفت از سی هشتگ استفاده نکند.

همچنین مایکروسافت دلایلی برای این تصمیم بازنویسی با گو ارائه داده است:

✅ بهینه‌سازی حافظه – زبان و مفسر Go نسبت به JavaScript از حافظه بهینه‌تر استفاده می‌کند.
✅ همزمانی بهتر – زبان و مفسر Go دارای مدل همزمانی پیشرفته است که باعث افزایش سرعت کامپایل می‌شود.
✅ بهره‌گیری از کامپایلر کارآمد – زبان و مفسر Go با داشتن یک باینری مستقل، نیاز به اجرای TypeScript روی Node.js را حذف می‌کند.

مزایای تغییر به Go 🔥

🔹 افزایش سرعت کامپایل – پروژه‌های بزرگ TypeScript سریع‌تر اجرا خواهند شد.
🔹 مصرف کمتر حافظه – منابع کمتری مصرف شده و پردازش‌ها سبک‌تر خواهند بود.
🔹 ادغام بهتر با محیط‌های مختلف – می توان ادعا نمود که TypeScript بدون وابستگی به Node.js روی سیستم‌های بیشتری قابل اجراست.

آیا این به معنای دردسر برای کدنویسها است؟ 🧐

به گفته تیم توسعه‌، این تغییر در بنیان TypeScript رخ می‌دهد و بر نحوه استفاده برنامه‌نویسان از آن تأثیری نخواهد گذاشت. کدهای موجود همچنان به درستی کار خواهند کرد، اما با سرعت و کارایی بیشتر.

مایکروسافت قول داده که جزئیات بیشتری را در آینده منتشر کند. این حرکت می‌تواند تحولی مهم در دنیای توسعه وب ایجاد کند.

📌 نتیجه‌گیری:
قرار است TypeScript به زبان Go بازنویسی شود که باعث افزایش چشمگیر سرعت و بهینه‌سازی مصرف منابع خواهد شد. این یک تغییر بنیادی است که می‌تواند تجربه توسعه‌دهندگان را بهبود ببخشد. 💡✨

#fun

Source

@syntax_fa

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
https://github.com/MehrdadLinux/ML-Cinnamon-Applets

@DevTwitter | <MehrdadLinux/>

‏خدایا ممنون که تو این ماه رمضون مایکروسافت رو هم اصلاح کردی . هم میگه رویکردم در قبال opensource اشتباه بود هم windows terminal معرفی میکنه هم سابسیستم لینوکس رو ماه میکنه و این فقط میتونه تاثیر ماه رمضون باشه

<mahdi teymouri/>

@DevTwitter

‏چیزی جز این نمیتونه باشه :}


<Mojtaba Mohammadi Sanj/>

@DevTwitter

‏اگه برنامه نویسی فارسی بود
ا=ب +۲
چاپ کن (ا)
خیلی ضایع میشدا

<IKH/>

@DevTwitter

‏اکثر ارور های در برنامه نویسی من:
"؛"
بعضی وقت ها یه هفته در گیر میشم
همه چی اوکیه هیچ باگی در کار نیست اما بعد یه هفته میفهمی توی 300 خط برنامه، در خط 7 سمیکالن نزاشتی😐

<Alireza/>

@DevTwitter

تایپ‌اسکریپت رو دارن با Go باز نویسی می‌کنن و تا الان ۱۰ برابر سریع‌تر از قبل شده. چیزی که خیلی جالبه اینه که تیم توسعه‌اش با C# خیلی نزدیکه (چون پشت جفتشون مایکروسافته) و حتی سازنده‌اشونم یکیه. اما با این حال با وجود رقابتی که الان بین C# و Go هست، اومدن Go رو انتخاب کردن.

@DevTwitter | <Yasha/>

یه سری مدل ها هستن مثل بجای تولید متن خروجی Embedding می‌دن که توی پروژه های مختلف می‌شه ازشون استفاده کرد

کاربرد چند تا از مدل ها :

مدل mxbai-embed-large برای :
جستجوی معنایی (Semantic Search)، خوشه‌بندی متون (Text Clustering)، بازیابی اطلاعات (Information Retrieval) و تحلیل احساسات (Sentiment Analysis)


مدل snowflake-arctic-embed برای :
دسته‌بندی متون (Text Classification)، سیستم‌های پیشنهاددهنده (Recommendation Systems)، شناسایی ناهنجاری‌ها در داده‌های متنی (Anomaly Detection)، تشخیص شباهت متون (Text Similarity)

مدل bge-m3 برای :
تعبیه چندزبانه (Multilingual Embedding)، پردازش داده‌های چندسطحی (Hierarchical Data Processing)، تطبیق سوال و پاسخ (Question-Answer Matching)، چت‌بات‌های هوشمند چندزبانه

همشون رو با OLLAMA می‌تونین استفاده کنین


@Linuxor

از تجربه مصاحبه ای که امروز رفتم براتون بنویسم

خیلی آدمی نیستم که بخوام نکات منفی بگم و دانش فنی یه نفر (ظاهرا مدیر فنی/بدون دانش فنی) رو زیر سوال ببرم.

ولی میخوام نکته ای که بنظرم جالب اومد و کمتر بهش پرداخته شده رو بهتون بگم.
مدیر فنی داستان امروز، خیلی اصرار داشت که از من اینو بشنوه:
SPA === CSR

از هزار راه داشت سعی میکرد این نظریه اشتباهش رو به من ثابت کنه ولی متاسفانه نتونست😂

اما اشکالی نداره!
من برای شما توضیح میدم که چرا این نظریه اشتباهه.