یکی از سؤال‌های رایج در System Design:

چطور یک سیستم خرید و رزرو موجودی رو در مقیاس بالا طراحی کنیم؟

فرض کنید یک محصول فقط ۱۰ موجودی داره.

وقتی کاربر وارد فرآیند خرید می‌شه، هنوز خرید نهایی انجام نشده؛ ابتدا باید موجودی رو براش Reserve کنیم تا کاربر فرصت پرداخت داشته باشه.

بعد از پرداخت موفق، Reservation به Purchase تبدیل می‌شه و موجودی واقعاً از انبار کم می‌شه.

در بسیاری از طراحی‌ها، برای مدیریت سریع موجودی و concurrency در مرحله‌ی Reservation از Redis در کنار Database استفاده میشه.

اما این معماری چالش‌های خودش رو داره.

وقتی بخشی از state در Redis و بخشی در Database قرار داره، حفظ consistency بین این دو سیستم ساده نیست.

اگر Reservation در Redis موفق شه ولی ثبتش در Database شکست بخوره چی؟

اگر Payment موفق شه ولی مرحله‌ی نهایی کردن Purchase شکست بخوره چی؟

با افزایش scale، مسائلی مثل hot key، contention، retry، failure و synchronization هم جدی‌تر می‌شن.

نکته‌ی جالب اینجاست که در مقاله‌ی جدیدی، Shopify دقیقاً همین مسئله رو بررسی کرده و Redis رو از معماری Inventory Reservation خود حذف کرده و به MySQL منتقل شده.

با استفاده از مکانیزم‌هایی مثل "SKIP LOCKED" و row-level locking، توانستند concurrency موردنیاز رو مستقیماً در Database مدیریت کنند.

شاید سؤال بعدی در یک System Design Interview این باشه:
اگر MySQL بتونه این workload را مدیریت کنه، چرا اصلاً Redis رو وارد معماری کنیم؟

لینک مقاله برای مطالعه بیشتر(فیلتر شکن میخواد):
https://shopify.engineering/scaling-inventory-reservations

@DevTwitter | <AmirHossein Doroudian/>

وقتی Context پر بشه، Claude Code شروع می‌کنه به فراموش کردن.
با Context Mode خروجی ابزارها توی Sandbox می‌مونه و فقط نتیجه برمی‌گرده؛ تا ۹۸٪ کمتر.

لینک:
https://github.com/mksglu/context-mode

@DevTwitter | <Diego Jr/>

⏳ فقط یک روز تا شروع هکاتون Agentic AI استارکوچ
تا الان ۲۱۰ نفر ثبت‌نام کردن و آمادن برای چالش های واقعی والکس ، ترب و لیارا ، ایجنت های هوش مصنوعی بسازن.

اگر هنوز ثبت‌نام نکردی:
📅 ۲۹ مهر تا ۱ آبان توی ۳ روز بصورت آنلاین برگزار میشه
🏆 تا ۱۸۰ میلیون تومان جایزه برای تیم های برتر داره
🧑‍💻 ۵ کارگاه آموزشی و منتورینگ در طول هکاتون داره

تنها پیش نیاز هم اینه که بتونی نرم افزار های مبتنی بر هوش مصنوعی بسازی.

🎓 کد تخفیف devtwitter برای ۱۰۰ هزار تومان تخفیف
اطلاعات بیشتر و ثبت نام از لینک  زیر:
لینک ثبت نام در سایت

کانال استارکوچ | ادمین پشتیبانی

یکی از باحال‌ترین فیچرهای Cursor که این روزها واقعاً عاشقشم، قابلیت Voice Chatـه!

۳ تا دلیل که چرا این قابلیت بازی رو عوض کرده:
۱. فارسیِ فوق‌العاده روان: لهجه و درکش از فارسی کاملاً با Advanced Voice چت‌جی‌پی‌تی رقابت می‌کنه و اصلاً حس مصنوعی بودن نمیده.

۲. جادوی پشت صحنه: شما خیلی راحت و محاوره‌ای به فارسی مشکلت رو میگی، اما پشت صحنه حرفات رو به یک پرامپت انگلیسیِ جامع، دقیق و مهندسی‌شده برای مدل تبدیل می‌کنه. این بزرگ‌ترین نقطه قوتشه!

۳. حس واقعی Pair Programming: روی حالت استندبای می‌مونه، وسط حرفات می‌پره و ایده میده! مثلاً میگی «آقا این فانکشن چرا اینجوری کار می‌کنه؟»، میگه «بذار چک کنم...»، میره کد رو می‌خونه و برمی‌گرده میگه «آره اینجاش باگ داره، دارم اصلاحش می‌کنم!»

عملاً انگار یه سینیر دولوپر نشسته کنارت و داری باهاش گپ می‌زنی و کد می‌زنی. اگه تستش نکردید، حتماً امتحانش کنید!

@DevTwitter | <Legendary Coder/>

شرکت DeepSeek مدل DeepSeek-V4.1-Flash-1017 رو با لایسنس MIT منتشر کرد

این یه آپدیت جزئی روی V4.1-Flash هست، ولی روی استدلال، کدنویسی و کارهای agentic بهبود جدی داره.
توی Terminal-Bench 4.0 امتیازش از ۳۱.۲ رفته روی ۴۲.۳.
توی DeepSWE هم ۷۷.۰ گرفته، یعنی بالاتر از Opus 5 که ۷۴.۰ داره.
مدل ۷۶۳ میلیارد پارامتر داره، با context تا ۱ میلیون توکن و وزنهاش روی Hugging Face آزاده.
طبق توضیح خود DeepSeek، زمان اجرا و طول خروجی هم کمتر شده، پس کار سریعتر و ارزونتر تموم میشه.
توی بنچمارک HLE هنوز عقبتره: ۴۲.۶ در برابر ۵۶.۳ برای Opus 5.
https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017

@DevTwitter | <Diego Jr/>

حالا می‌تونی با Claude Code و روی کامپیوتر خودت، رایگان موسیقی و افکت صوتی بسازی!

ابزار متن‌باز Audio Studio MCP، کلاد کد رو به مدل Stable Audio 3 متصل می‌کنه تا فقط با توضیح متنی، صدا تولید کنی.

مثلاً بنویس:
«موسیقی Lo-fi برای یک کافه دنج»
یا
«صدای شکستن بطری شیشه‌ای روی بتن»

این ابزار می‌تونه:

برای هر درخواست ۱ تا ۴ نسخه تولید کنه
بخشی از صدا رو تغییر بده یا ادامه‌ی ترک رو بسازه
موسیقی‌های Loop، محو شدن تدریجی صدا و تنظیم بلندی صدا ایجاد کنه
خروجی WAV، OGG و FLAC با نرخ نمونه‌برداری 48 kHz بده

مزیت اصلی؟
بدون نیاز به Cloud یا API Key و بدون هزینه‌ی تولید صدا؛ همه‌چیز روی سیستم خودت اجرا می‌شه.

سیستم موردنیاز:
مک با پردازنده Apple Silicon و ترجیحاً ۱۶ گیگابایت رم، یا کامپیوتر ویندوزی با کارت گرافیک NVIDIA و حداقل ۸ گیگابایت VRAM.

نصب روی مک:

git clone https://github.com/kanaworksai-hue/audio-studio-mcp.git
cd audio-studio-mcp
./install.sh

بعد از نصب، دستور اتصال به Claude Code نمایش داده می‌شه.

مخزن پروژه:
https://github.com/kanaworksai-hue/audio-studio-mcp

شنیدن نمونه صداها:
https://kanaworksai-hue.github.io/audio-studio-mcp/

قبل از استفاده تجاری از خروجی‌ها، مجوز مدل Stable Audio 3 رو بررسی کن. رایگان بودن اجرای ابزار لزوماً به معنی مجوز استفاده تجاری از تمام خروجی‌ها نیست.

@DevTwitter | <Yarad/>

مدل Opus 5.5 یه دنیای یونان باستان فوق‌العاده دقیق و زیبا ساخت

بدون استفاده از هیچ asset آماده ای— همه چیز فقط با کد خالص در three.js ساخته شده.

جزئیات دیوانه‌کننده، نورپردازی سینمایی و حس واقعی بودنش باورنکردنیه.

https://github.com/Leonxlnx/athenaion

@DevTwitter | <Reza/>

یک Skill برای Claude در GitHub بیشتر از ۱۶۴ هزار ستاره گرفته!

اسمش Ponytail هست؛ ابزاری که به ایجنت هوش مصنوعی کمک می‌کنه مثل یک برنامه‌نویس باتجربه فکر کنه: قبل از نوشتن کد اضافه، دنبال ساده‌ترین راه‌حل ممکن بگرده.

همون برنامه‌نویسی که ۵۰ خط کد رو می‌بینه و اگر بشه، به یک خط تبدیلش می‌کنه!

نسخه پنجم این پروژه منتشر شده و طبق نتایج بنچمارک سازنده، خروجی‌هاش قابل‌توجهه:

۵۳٪ کد کمتر
۴۱٪ زمان کمتر
۲۶٪ هزینه کمتر
۴۵٪ توکن کمتر

اما نکته جالب‌تر اینه که با وجود کاهش حجم کد، کیفیت تست‌ها هم بهتر شده.

طبق نتایج اعلام‌شده، ۹۸٪ از بخش‌های حساس کد با تست همراه بودن؛ درحالی‌که این عدد بدون Ponytail حدود ۶۸٪ بوده.

یک مثال واقعی:

فرض کن از ایجنت می‌خوای یک ابزار انتخاب تاریخ بسازه.

بدون Ponytail ممکنه از صفر شروع کنه و ۳۳۵ خط کد بنویسه.

اما با Ponytail، به‌جای ساختن دوباره چیزی که از قبل وجود داره، از قابلیت داخلی مرورگر استفاده می‌کنه و راه‌حل رو در ۱۰ خط پیاده‌سازی می‌کنه.

چرا این موضوع مهمه؟

وقتی با AI Agentها برنامه‌نویسی می‌کنی، کد اضافه فقط مصرف توکن رو بالا نمی‌بره؛ بررسی، دیباگ و نگهداری پروژه رو هم سخت‌تر می‌کنه.

Ponytail قبل از نوشتن کد، ایجنت رو تشویق می‌کنه راه‌حل‌های موجود رو بررسی کنه، از قابلیت‌های داخلی استفاده کنه و فقط چیزی رو بسازه که واقعاً لازمه.

این پروژه با ابزارهایی مثل Claude Code، Codex، Cursor و GitHub Copilot سازگاره و با مجوز MIT به‌صورت رایگان منتشر شده.

نکته مهم: هدفش صرفاً نوشتن کمترین تعداد خط نیست؛ هدف، کم‌کردن کدهای غیرضروری بدون حذف تست‌ها، اعتبارسنجی و ملاحظات امنیتیه. درصدهای بالا هم نتایج بنچمارک سازنده هستن و تضمینی برای همه پروژه‌ها نیستن.

https://github.com/DietrichGebert/ponytail

@DevTwitter | <Yarad/>

⏳ فقط یک روز تا شروع هکاتون Agentic AI استارکوچ
تا الان ۲۴۰ نفر ثبت‌نام کردن و آمادن برای چالش های واقعی والکس ، ترب و لیارا ، ایجنت های هوش مصنوعی بسازن.

اگر هنوز ثبت‌نام نکردی:
📅 ۲۹ مهر تا ۱ آبان توی ۳ روز بصورت آنلاین برگزار میشه
🏆 تا ۱۸۰ میلیون تومان جایزه برای تیم های برتر داره
🧑‍💻 ۵ کارگاه آموزشی و منتورینگ در طول هکاتون داره

تنها پیش نیاز هم اینه که بتونی نرم افزار های مبتنی بر هوش مصنوعی بسازی.

🎓 کد تخفیف devtwitter برای ۱۰۰ هزار تومان تخفیف
اطلاعات بیشتر و ثبت نام از لینک  زیر:
لینک ثبت نام در سایت

کانال استارکوچ | ادمین پشتیبانی

هرمس (Hermes) حالا می‌تونه مثل یک متخصص حرفه‌ای سئو بهت کمک کنه!

ریپوی Hermes SEO، ورک‌فلوهای ابزار معروف Claude SEO رو به یک پلاگین بومی برای Hermes Agent تبدیل کرده.

این پروژه فقط یک پرامپت ساده برای سئو نیست؛ مجموعه‌ای از مهارت‌ها، اسکریپت‌ها و ابزارهای تخصصیه که به هرمس کمک می‌کنن سایت رو بررسی کنه و برای بهبودش راهکار بده.

داخل این پلاگین چی پیدا می‌کنی؟

- ۲۵ مهارت تخصصی برای اجرای ورک‌فلوهای سئو، به‌علاوه یک مهارت مرکزی به نام SEO Router برای هدایت درخواست‌ها
- ۱۹ مهارت برای نقش‌های تخصصی مختلف سئو
- ۵۶ اسکریپت کاربردی برای انجام بررسی‌ها و پردازش‌های مشخص
- قالب‌های Schema.org برای بررسی و تولید داده‌های ساختاریافته
- امکان اتصال به سرویس‌های خارجی و ابزارهای تخصصی، در صورت پیکربندی و فراهم بودن دسترسی‌ها

باهاش چه کارهایی می‌تونی انجام بدی؟
۱. بررسی کامل سایت: مشکلات سئو رو پیدا کن و گزارش اولویت‌بندی‌شده‌ای از مهم‌ترین موارد دریافت کن.
۲. سئوی فنی: وضعیت خزش، ایندکس، نقشه سایت، فایل robots.txt، تگ‌های canonical و کدهای پاسخ صفحات رو بررسی کن.
۳. تحلیل صفحات و محتوا: یک صفحه مشخص رو ارزیابی کن یا برای تولید محتوای هدفمند، بریف محتوایی بساز.
۴. داده‌های ساختاریافته: اسکیماهای موجود رو بررسی و اعتبارسنجی کن و برای اصلاح یا تولید JSON-LD پیشنهاد بگیر.
۵. سئوی محلی: وضعیت دیده‌شدن کسب‌وکار در جست‌وجوهای محلی و بررسی‌های مرتبط با پروفایل کسب‌وکار رو تحلیل کن.
۶. سئوی بین‌المللی: برای بررسی و بهینه‌سازی سایت‌هایی که بازارهای چندگانه رو هدف گرفتن، از ورک‌فلوهای تخصصی استفاده کن.
۷. دیده‌شدن در جست‌وجوی هوش مصنوعی: وضعیت سایت رو از منظر GEO یا بهینه‌سازی برای موتورهای جست‌وجوی مولد بررسی کن.
۸. تدوین استراتژی: برای سایت یا نوع کسب‌وکار موردنظر، برنامه‌ای برای بهبود سئو تهیه کن.

این نسخه به Hermes Agent نسخه 0.22.2 یا بالاتر و Python 3.10 یا جدیدتر نیاز داره و برای Linux و macOS اعلام شده. راه‌اندازی محیط اجرایی ممکنه به دانلود پکیج‌های پایتون و Chromium هم نیاز داشته باشه.

یک نکته مهم: همه قابلیت‌ها بدون تنظیمات اضافی فعال نیستن. بعضی امکانات به API Key، حساب سرویس‌های خارجی یا اتصال MCP نیاز دارن و برخی جریان‌های OAuth گوگل هم فعلاً غیرفعالن. این پلاگین تحلیل و پیشنهاد ارائه می‌ده، اما نباید فرض کرد تمام تغییرات سایت رو خودکار اجرا می‌کنه یا افزایش رتبه رو تضمین می‌کنه.

به‌نظرتون ترکیب ایجنت‌های هوش مصنوعی با ابزارهای تخصصی سئو می‌تونه در آینده بخش بزرگی از کارهای آژانس‌های دیجیتال مارکتینگ رو خودکار کنه؟

چطور اجراش کنی؟
اگه Hermes Agent رو نصب داری، طبق راهنمای ریپو می‌تونی پلاگین رو با دستور زیر نصب کنی:

hermes plugins install https://github.com/yuzushi-dev/hermes-seo.git… --ref 5f04951e8fddc8b869378236a7ff5b584a0d023d --yes-deps --enable

بعد وضعیت نصب رو بررسی کن:
hermes plugins doctor

@DevTwitter | <Amirhossein seghatoleslami/>

️ موشن گرافیک بساز، بدون اینکه به کلاد پول بدی

برای ساخت موشن گرافیک نیازی نیست حتما اشتراک پولی کلاد داشته باشین.
تیم OpenDesign نسخه‌ی متن‌باز همین ایده رو منتشر کرد: OpenDesign Motion

رایگانه
هر مدل و ایجنتی که بخوای بهش وصل می‌شه (Claude Code، Codex، Gemini CLI، Cursor، DeepSeek یا کلید API خودت)
روی سیستم خودت اجرا می‌شه

جالبیش اینه که ویدیوی معرفی خودشون رو فقط با DeepSeek V4.1 Flash ساختن.

گیت‌هاب OpenDesign Motion:
https://github.com/nexu-io/open-design

اسکیل‌ها:
ابزار Remotion: نمودار، آمار و دیتای متحرک با کد React
https://github.com/remotion-dev/remotion/tree/main/packages/skills
ابزار HyperFrames: صفحه‌ی وب رو تبدیل به ویدیو می‌کنه (لانچ محصول، تیزر، اینترو لوگو)
https://github.com/heygen-com/hyperframes
ابزار anatomy: باز کردن قطعه‌به‌قطعه‌ی یه محصول
https://github.com/wheresryan22/anatomy
بیشتر از ۴۰۰ تا رسپی موشن آماده هم دارن، از متن جنبشی تا ترنزیشن.

سه تا پرامپت آماده (جای [ ] رو با اطلاعات خودت پر کن)

ویدیوی لانچ محصول | HyperFrames
Make a 15-second launch video for [my app]. Dark background, bold kinetic typography, 3 feature scenes, end on the logo. Export MP4, 1080×1920.
نمودار متحرک از دیتا | Remotion
Animate this data as a bar chart race: [paste numbers]. Smooth counters, brand color [hex], 10 seconds.
ریلز آموزشی با ویس خودت
Turn this 5-step script into a tutorial reel with Persian captions, synced to my voiceover: [script + voice file].

شروع سریع:

۱. از گیت‌هاب نصبش کن
۲. یه ایجنت یا کلید API بهش وصل کن (DeepSeek هم ارزونه هم خوب جواب می‌ده)
۳. ایده‌ت رو بنویس - پیش‌نمایش رو ببین - اصلاح کن - خروجی MP4 بگیر

@DevTwitter | <Abbas Bahadori Pour/>

اجرای ماندگار (Durable Execution) چیست؟
یک تابع ماندگار (durable function)، کدی از برنامه است که Inngest آن را به‌صورت یک «اجرا» (run) هماهنگ می‌کند؛

اجرایی که در برابر خطاها پایدار می‌ماند و می‌تواند برای مدتی نامحدود منتظر بماند.

هر اجرا ورودی، مراحل (steps) و ردِ اجرای (trace) مخصوص به خود را دارد.

Inngest نتیجهٔ هر مرحلهٔ تکمیل‌شده را ذخیره می‌کند.

وقتی کار پس از یک تلاش مجدد یا یک انتظار از سر گرفته می‌شود، توابع به‌جای شروع از ابتدا، از آخرین مرحلهٔ تکمیل‌شده ادامه پیدا می‌کنند.

برای مثال، یک گردش‌کار هوش مصنوعی می‌تواند در مراحل جداگانه، زمینه (context) را بازیابی کند، یک مدل زبانی بزرگ (LLM) را فراخوانی کند و پاسخ را اعتبارسنجی کند.

اگر فراخوانی LLM با شکست مواجه شود یا پاسخی نامعتبر برگرداند، تلاش بعدی از همان زمینهٔ بازیابی‌شده دوباره استفاده می‌کند و از مرحلهٔ ناموفق ادامه می‌دهد.

می‌توانید مرحلهٔ ناموفق و تلاش مجدد آن را در ردِ اجرا ببینید. این روند در کل اجرای عامل (agent) شما برقرار است.

مزایا:
بازیابی پس از خطا. کار ناموفق را بدون شروع دوبارهٔ کل اجرا، مجدداً امتحان کنید.

انتظار بدون اشغال منابع پردازشی. پس از یک تأخیر یا یک رویداد خارجی، بدون اینکه یک worker را مشغول نگه دارید، کار را از سر بگیرید.

کنترل بار گردش‌کارها. هم‌زمانی (concurrency) و سایر کنترل‌های جریان را تنظیم کنید تا از سرویس‌هایی که گردش‌کار شما فراخوانی می‌کند محافظت شود.

مشاهدهٔ آنچه رخ داده است. مراحل، انتظارها، تلاش‌های مجدد و خطاها را در Traces بررسی کنید.

اجرا در هر جا. Inngest کد را روی هر زیرساخت پردازشی هماهنگ می‌کند و با زیرساخت فعلی شما کار می‌کند.

یکی از ابزار های که دوره AI Engineering بررسی می کنیم Inngest هست.
ابزار های دیگری از Vercel و Cloudflare داریم که کار مشابهی انجام می دهند.

@DevTwitter | <Pouria Jahandideh/>

گیت برای انسان‌های آفلاین طراحی شده بود؛ آنتروپیک رسماً اونو کنار گذاشت!

هممون خیلی ساله که داریم با گیت کار میکنیم. خود من به شخصه همیشه فکر میکردم که گیت یه استاندارد ابدیه.
ولی وقتی سرعت تولید کد با ایجنت جوری بالا میره که حتی بنیادین‌ترین ابزار دنیای نرم‌افزار هم زیر بار ترافیک زانو میزنه.

چند روز پیش آنتروپیک اعلام کرد که تعداد مرج‌ روزانه‌ش از ۲,۵۰۰ مورد تو ماه مه، به بیش از ۳۰,۰۰۰ مرج در روز در سپتامبر رسیده.

نتیجه؟ گیت و گیت‌هاب زیر این حجم کد تولیدشده توسط ایجنت‌ها قفل شدن.

آنتروپیک چی کار کرد؟ اونا طی ۵ ماه سیستم کنترل نسخه اختصاصی خودشون به نام Scion رو ساختن و کل مونوریپو رو از Git بردن روی Scion.

حالا معماری Scion دقیقا چطوری کار میکنه که Git نتونست؟

آنتروپیک نیومد صرفا گیت رو دستکاری کنه؛ فرض‌های پایه‌ای کنترل ورژن رو از صفر بازتعریف کرد. به چه شکلی؟

۱. حذف کپی کامل ریپو (Sparse & Server-Side):

تو Git فرض بر اینه که هر کلاینت یه نسخه کامل از تاریخچه و درختی از کل ریپو رو به صورت محلی داشته باشه. وقتی حجم مونوریپو به صدها گیگابایت میرسه، این مدل قفل میکنه. در Scion، سورس اصلی و محاسبات سنگین (مث Diff، Blame و ساخت Commit) کلا روی سرور انجام میشه. ایجنت ‌ها صرفا با یه کلاینت سبک و در حد چند فایل مشخص که نیاز دارن با سرور کار میکنن، نه کل تاریخچه پروژه.

۲. عملیات Commit و Merge بدون قفل (Lock-Free):

توی سیستم سنتی، وقتی ۵۰۰ ایجنت بخوان همزمان تغییر ثبت کنن، صف‌های مرج (Merge Queues) داستان میشن. تو Scion هر تغییر یک Change Set سبک روی دیتابیس توزیع‌شده‌ست که بدون نیاز به Push جداگانه یا قفل کردن مخزن، بلافاصله ثبت میشه.

۳. اولویت با ریکاوری سریعه، نه جلوگیری وسواسی از تغییر:

به جای اینکه هزار لایه اصطکاک و تایید قبل از مرج بذارن تا هیچ باگی وارد نشه، موانع رو برداشتن تا کدهای آماده با سرعت ثانیه ادغام بشن؛ در عوض، خط لوله‌های تست خودکار و سیستم‌های بازگشت (Revert) آنی طراحی کردن تا اگر باگی ایجاد شد، مدل‌ها در کسری از ثانیه حلش کنن.

آینده‌ی توسعه نرم‌افزار متعلق به زیرساخت‌هاییه که برای سرعت ماشین‌ بهینه‌سازی شده‌ باشن، نه کندی انسان‌.

@DevTwitter | <Hossein Moradi/>

سورس‌کد Claude لو رفت؛ حالا یکی کل کدبیسش رو تبدیل به کتاب کرده!

یادتونه سورس‌کد فرانت‌اند Claude لو رفت؟

ماجرا از انتشار اشتباهی فایل‌های Source Map شروع شد، اما تحلیل چنین کدی برای خیلی‌ها کار ساده‌ای نبود.

Claude یه پروژه کوچیک با چندتا کامپوننت ساده نیست؛ با یه کدبیس پیچیده و بزرگ طرفیم که فهمیدن معماری و جزئیاتش کار هر کسی نیست.

حالا یه نفر اومده کل این کدبیس رو تحلیل کرده و نتیجه رو توی یه کتاب حدوداً ۴۰۰ صفحه‌ای منتشر کرده!

اگه به مهندسی نرم‌افزار، معماری فرانت‌اند و نحوه کار Claude Code علاقه دارید، این منبع واقعاً ارزش خوندن داره.

https://claude-code-from-source.com/

@DevTwitter | <Shahram boroukanlou/>