📢 اگر تلگرام پرمیوم دارید، کانال ما رو Boost کنید ! 🚀

با Boost کردن کانال، به رشد و دیده شدن ما بیشتر کمک کنید💙

https://t.iss.one/boost/gopher_academy

اگه دنبال یه ابزاری برای user test هستین ولی یوزر واقعی ندارین یا زمانشو ندارین میتونین از این AI استفاده کنین.
یه پلاگین AI توی فیگماس که براتون تست میکنه و heatmap هم میسازه.

https://figma.com/community/plugin/1397952939678206595/velocity-ai-user-testing-for-prototypes

| <Siavash/>

دیگر نگران اشتباهات خود در محیط لینوکس و bash نباشید، اینو در نرم افزار جهانی پایتون اینستال کنید، هنگام اکثر ارور ها کافیه یک fuck بدید تا خودش ترتیب اثر بده و حلش کنه

https://github.com/nvbn/thefuck

بنظرم اینکه خودتون درک کنید تکنولوژی هایی که باهاشون کار میکنید چطور در زیرلایه کار میکنن دید از بالای خوبی به ادم توی کار میده؛ توی این ریپو برای زبان های متخلف ساخت مرحله به مرحله تکنولوژی هایی مثل git, docker, redis, torent , http و sql هست.

https://github.com/codecrafters-io/build-your-own-x?tab=readme-ov-file

<Moj./>

🤨 دارک مود؛ ناجی چشم‌ها یا یه توهم مدرن...؟!

خیلیا فکر می‌کنن دارک مود برای چشم سالم‌تره، اما تحقیقات علمی چی میگن؟ بررسی مطالعات جدید نشون میده که دارک مود هم مزایا داره، هم معایب!

مزایای علمی دارک مود :

▪️کاهش نور آبی : نور آبی زیاد، ریتم خواب رو مختل می‌کنه، و دارک مود می‌تونه به خواب بهتر کمک کنه.

▪️کاهش مصرف باتری : روی نمایشگرهای OLED، رنگ‌های تیره مصرف انرژی کمتری دارن.

▪️کاهش خیرگی در محیط‌های کم‌نور : وقتی نور اطراف کم باشه، دارک مود فشار کمتری به چشم وارد می‌کنه.

معایب علمی دارک مود :

▪️کاهش خوانایی متن در روز: چشم انسان به خوندن متن تیره روی پس‌زمینه روشن عادت داره، و دارک مود توی نور زیاد باعث خستگی چشم میشه.

▪️برخی تحقیقات نشون میدن که چشم توی حالت دارک مود بیشتر مجبور به تطبیق و تمرکز میشه، که می‌تونه خستگی ایجاد کنه.

▪️برخلاف تصور عموم، تغییر تم به تنهایی تأثیر زیادی روی کاهش خشکی و خستگی چشم نداره، بلکه میزان پلک زدن و استراحت دادن به چشم مهم‌تره.

وقتی هوش مصنوعی مرز نمی‌شکنه و خودکار مکالمه رو قطع میکنه!

▪️شرکت Anthropic به‌تازگی به مدل‌های Claude Opus 4 و 4.1 قدرتی داده که در وضعیت‌های بسیار نادر و حاشیه‌ای، اگه کسی به جای گفتگو، بحث آزاردهنده یا سوءاستفاده‌ی مکرر رو در پیش بگیره، خود ربات به‌عنوان آخرین راه، مکالمه رو تموم می‌کنه.

▪️این اتفاق فقط وقتی میفته که همه‌ی تلاش‌ها برای ریدایرکت (هدایت مجدد) مکالمه شکست خورده باشه - یا خود کاربر خواسته باشه قطع بشه.

🎉 چت‌جی‌پی‌تی کمپینی بی‌سابقه راه انداخته:

🔹 دسترسی به ChatGPT-5 Pro + Agent Mode (اکانت ۲۰۰ دلاری ≈ ۲۰ میلیون تومنی)
🔹 فقط با ۱ دلار برای یک تیم ۵ نفره!

+ میتونید ایمیل ۵ نفر از دوستانتون هم اد کنید تا از این استفاده کنن

https://chatgpt.com/?promo_campaign=team1dollar#team-pricing

✅ قوی‌ترین مدل + تولید نامحدود تصویر و ویدیو

فقط هنگام پرداخت نیاز به آی‌پی آمریکا و حساب بانکی معتبر خارجی دارید.

✅ روی اکانت اصلی فعال نکنید اکانت جدید بسازید و روی اون فعال کنید و با ایپی ثابت خارجی بهتره ازش استفاده چون احتمال بن شدن اکانت هست.

اKubernetes Instance Calculator توسط LearnKube
کاربرد و هدف

ابزار Interactive برای کمک به تصمیم‌گیری درباره‌ی اندازه و نوع نود مناسب در کلاستر Kubernetes.

تمرکز بر درک این موضوع که چه مقدار از منابع یک VM واقعی در اختیار پادها قرار می‌گیرد، پس از در نظر گرفتن رزروهای kubelet، (روش‌های HA) و منابع سیستمی

https://learnkube.com/kubernetes-instance-calculator

اگه بگم یه زبان برنامه نویسی داریم که حجم کامپایلرش کوچیک تر از 1kb باور میکنی؟

برین‌فاک (BrainFuck) یه زبان برنامه نویسی رمزی هستش که تو سال 1993 توسط آربن مولبر به هدف کوچکترین کامپایلر دنیا نوشته شد.

هدف مولبر رقابت با کامپایر 1024 بایتی زبان FALSE بود و کامپایلر برین‌فاک فقط 296 بایت فضا اشغال میکرد که البته توی نسخه بعدی این فضا به 240 بایت هم کاهش یافت!!

امروزه توی اینترنت اگر بگردید افرادی هستن که حجم کامپایلر این زبان رو با بهینه سازی الگوریتم هاش به 100 بایت هم برسونن! فکرشو بکن این کامپایلر توی ⅕ یه سکتور دیسک ذخیره میشه (یک دهم کیلوبایت)
حالا از بحث فضا که بگذریم میرسیم به خود زبان که کل دستوراتش از هشت کاراکتر ساخته میشه:   + - , . <> [ ] و همونطور که از اسمش مشخصه به شدت دشواره و مغز شما رو هدف قرار میده.

داکیومنت خیلی وحشتناکی هم داره وقتی وارد سایتش میشی انگار رفتی تو دارک وب:

brainfuck.org

| <Farzad Ebrahimi/>

🔴 مدیریت حافظه همیشه یکی از چالش‌های پنهان دنیای برنامه‌نویسیه؛ همون جایی که عملکرد واقعی یک زبان مشخص می‌شه. در Go این موضوع نه‌تنها به بهینه‌سازی سرعت کمک می‌کنه، بلکه کلید اصلی مقیاس‌پذیری و اجرای همزمان هزاران goroutine به‌شمار میاد.

💻 ما در دومین رویداد تک‌وتاک – سلسله رویدادهای تخصصی در حوزه توسعه نرم‌افزار همکاران سیستم – که به‌ صورت #رایگان و #آنلاین برگزار می‌شه، سراغ مبحث مدیریت حافظه در Go می‌ریم:

🔺 ساختار حافظه در برنامه‌ها
🔺 استک در Go (Escape Analysis و Dynamic Sized Stack)
🔺 هیپ در Go (Garbage Collector و Mark & Sweep)


👨🏻‍💻 ارائه‌دهنده: سهند صفی‌زاده | تیم‌لید شرکت همکاران سیستم

📅 پنج‌شنبه ۱۳ شهریورماه | ساعت ۱۰ تا ۱۲

🔴 شرکت در رویداد فقط در صورت ثبت‌نام امکان‌پذیره.

🔗 اطلاعات بیشتر و لینک ثبت‌نام:

تک‌وتاک ۰2 : مدیریت حافظه در Go - همکاران سیستم

Linkedin | Instagram

دیپ‌سیک برگ برنده رو رو کرد ؛ حالا اندازه 400 صفحه میتونی باهاش صحبت‌ کنی!

▪️همین چند وقت پیش کلی بحث شد سر اینکه مدل‌های باز مثل DeepSeek فقط کپی‌کاری می‌کنن و شانسی جلوی Open Ai و آنتروپیک ندارن. ولی الان؟ نسخه جدید DeepSeek V3.1 رسماً معادله رو بهم زد.

▪️این مدل می‌تونه 128 هزار توکن رو یکجا هندل کنه؛ یعنی شما می‌تونید باهاش به اندازه یه کتاب ۳۰۰ تا ۴۰۰ صفحه‌ای گپ بزنین ، رایگان!

ظرفیتش؟ 685 میلیارد پارامتر! برای مقایسه، بعضی از غول‌های فعلی نصف این رو هم ندارن. مهم‌تر اینکه به صورت متن‌باز و از طریق API در دسترس توسعه‌دهنده‌هاست

Mini Floating Panel Extension Adds Sought-After Features
https://www.omgubuntu.co.uk/2025/08/mini-floating-panel-gnome-extension-update-indicators-scrolling

این ریپو واقعاً مثل یه گنج پنهانه که خیلی‌ها به راحتی از کنارش رد می‌شن، بدون اینکه بدونن چه ارزش بزرگی پشتشه. اینجا بیش از ۳۰۰ تا Case Study از بیشتر از ۸۰ تا شرکت پیشرو دنیا جمع‌آوری شده؛ شرکت‌هایی مثل Netflix، Airbnb و Doordash که هر کدوم تجربۀ واقعی‌شون از ML System Design رو به اشتراک گذاشتن.

اما موضوع فقط جمع کردن تجربه‌ها نیست؛ هر کدوم از این Case Studyها یه دریچه‌ست به دنیای واقعی، جایی که می‌شه دید چطور ML توی دل محصول‌ها و فرآیندها به کار گرفته می‌شه تا کیفیت و کارایی رو چند برابر کنه. این یعنی به جای خوندن تئوری‌های خشک، شما با مثال‌های زنده و
قابل لمس سروکار دارین.

لینک ریپو:
https://github.com/Engineer1999/A-Curated-List-of-ML-System-Design-Case-Studies

<Reza Jafari/>

🤖 علاقه‌مند به دنیای هوش مصنوعی هستی؟

🏖 دنبال می‌کنی که چطور AI داره دنیا رو متحول می‌کنه؟

🍻پس جای درستی اومدی!

🎯 در کانال ما هر روز:

🔍 جدیدترین اخبار و دستاوردهای دنیای AI

🧠 تحلیل‌ تخصصی در حوزه یادگیری ماشین، دیپ لرنینگ و مدل‌های زبانی

💼 بررسی کاربردهای هوش مصنوعی در پزشکی، صنعت، آموزش، امنیت و اقتصاد

🛠 معرفی ابزارها، دوره‌ها و منابع یادگیری

📈 بررسی ترندها و آینده‌ فناوری‌های مرتبط با هوش مصنوعی

🍄همه‌ی این‌ها به زبان ساده، خلاصه و قابل فهم برای همه علاقه‌مندان — از مبتدی تا حرفه‌ای!
👇👇👇👇👇👇

https://t.iss.one/ai_labdon

🔵 عنوان مقاله
D2: A Declarative Diagramming Tool in Go

🟢 خلاصه مقاله:
ا** D2 یک ابزار ترسیمی دکلراتیو نوشته‌شده با Go است که شبیه Mermaid کار می‌کند: به‌جای رسم دستی، ساختار نمودار را با متن توصیف می‌کنید و خروجی تصویری می‌گیرید. به‌تازگی پشتیبانی از خروجی ASCII اضافه شده است؛ بنابراین می‌توانید نمودارها را در محیط‌های متنی مثل ترمینال، READMEهای ساده، ایمیل و بازبینی کد هم قرار دهید. این رویکرد، نگه‌داری و نسخه‌بندی نمودارها در کنار کد را آسان‌تر و استفاده از آن‌ها را در مکان‌های بیشتری ممکن می‌کند.

🟣لینک مقاله:
https://golangweekly.com/link/173083/web

➖➖➖➖➖➖➖➖
👑 @gopher_academy

🔵 عنوان مقاله
From Python to Go: Why We Rewrote Our Ingest Pipeline

🟢 خلاصه مقاله:
شروع کار در Telemetry Harbor با پایتون به‌خاطر سرعت ساخت و آزمایش آسان بود، اما با رشد ترافیک، محدودیت‌های هم‌زمانی و هزینه‌های مقیاس‌پذیری (به‌ویژه در تاخیرهای پُرنوسان) پدیدار شد. تیم برای مسیر داغ دریافت داده—ورود، اعتبارسنجی، نرمال‌سازی، دسته‌بندی و ارسال—به Go مهاجرت کرد تا از هم‌زمانی سبک‌وزن، کارایی بهتر، مصرف حافظه کمتر و استقرار ساده‌تر بهره ببرد. مهاجرت تدریجی و قابل‌کنترل انجام شد: اجرای موازی، آینه‌کردن ترافیک، حفظ پروتکل‌ها و استفاده از همان صف‌ها، سپس فعال‌سازی تدریجی. نتیجه، افزایش توان عبور، کاهش تاخیرهای انتهایی و کاهش مصرف منابع و پیچیدگی عملیاتی بود. پایتون همچنان برای بخش‌های آزمایشی و کنترل مناسب ماند؛ درس اصلی این است که بر اساس ماهیت کار، ابزار مناسب را انتخاب و با اندازه‌گیری و مهاجرت تدریجی، مسیر داغ را به زبان/پشته بهینه منتقل کنید.

🟣لینک مقاله:
https://golangweekly.com/link/173089/web

➖➖➖➖➖➖➖➖
👑 @gopher_academy

کوروش بزرگ

🔥بهترین مدل هوش مصنوعی برای کد نویسی و حال مسائل ریاضی؟!

▪️قطعاً مدل QwQ از شرکت چینی علی‌بابا انتخاب من هست ؛ یک مدل هوش مصنوعی که برای تولید کد و حل مسائل ریاضی بسیار مناسبه ؛ چرا؟! چون ویژگی های زیر رو داره :

• سرعت شگفت‌انگیز در نوشتن کد و حل مسائل.
• آموزش بسیار قوی در بازار هوش مصنوعی
• قابلیت درک تا 13000 توکن در متن
• تا حد زیادی هم رایگانه و راحت میتونی استفاده کنی

🤔نتیجه جواب ها جالب بود با این مدل جدید علی بابا🤔
↙️اینم سایتش
https://chat.qwen.ai/

البته! در این‌جا چند روش مختلف برای محاسبه‌ی دنباله‌ی فیبوناچی در Go (Golang) آورده شده است:

### روش 1: بازگشتی (Recursive) - ساده ولی ناکارآمد

این روش ساده‌ترین پیاده‌سازی است، اما برای اعداد بزرگ بسیار کند است زیرا محاسبات تکراری زیادی انجام می‌دهد.

package main

import "fmt"

// fibonacciRecursive calculates the nth Fibonacci number recursively.
// Note: This is inefficient for large n due to repeated calculations.
func fibonacciRecursive(n int) int {
  if n <= 1 {
    return n
  }
  return fibonacciRecursive(n-1) + fibonacciRecursive(n-2)
}

func main() {
  n := 10
  fmt.Printf("Fibonacci number %d (Recursive): %d\n", n, fibonacciRecursive(n))
}

### روش 2: حلقه (Iterative) - کارآمد

این روش بسیار کارآمدتر است و پیچیدگی زمانی O(n) و پیچیدگی فضایی O(1) دارد.

package main

import "fmt"

// fibonacciIterative calculates the nth Fibonacci number iteratively.
// This is efficient with O(n) time complexity and O(1) space complexity.
func fibonacciIterative(n int) int {
  if n <= 1 {
    return n
  }
  a, b := 0, 1
  for i := 2; i <= n; i++ {
    a, b = b, a+b
  }
  return b
}

func main() {
  n := 10
  fmt.Printf("Fibonacci number %d (Iterative): %d\n", n, fibonacciIterative(n))
}

### روش 3: با استفاده از Memoization - کارآمد و بازگشتی

این روش از یک کَش (cache) برای ذخیره نتایج محاسبات قبلی استفاده می‌کند تا از تکرار محاسبات جلوگیری کند. هم بازگشتی است و هم کارآمد (پیچیدگی زمانی O(n)).

package main

import "fmt"

// fibonacciMemo calculates the nth Fibonacci number using memoization.
// It uses a map to cache previously calculated results for efficiency.
func fibonacciMemo(n int, cache map[int]int) int {
  if n <= 1 {
    return n
  }
  if val, found := cache[n]; found {
    return val
  }
  cache[n] = fibonacciMemo(n-1, cache) + fibonacciMemo(n-2, cache)
  return cache[n]
}

func main() {
  n := 10
  cache := make(map[int]int) // Initialize the cache
  result := fibonacciMemo(n, cache)
  fmt.Printf("Fibonacci number %d (Memoized): %d\n", n, result)
  fmt.Printf("Cache contents: %v\n", cache) // Show cached values
}

### روش 4: تولید دنباله به صورت یک برش (Slice)

اگر به جای یافتن عدد n-ام، می‌خواهید چند عدد اول دنباله را داشته باشید:

package main

import "fmt"

// fibonacciSequence generates a slice containing the first n Fibonacci numbers.
func fibonacciSequence(n int) []int {
  if n <= 0 {
    return []int{}
  } else if n == 1 {
    return []int{0}
  } else if n == 2 {
    return []int{0, 1}
  }

  sequence := make([]int, n)
  sequence[0] = 0
  sequence[1] = 1

  for i := 2; i < n; i++ {
    sequence[i] = sequence[i-1] + sequence[i-2]
  }
  return sequence
}

func main() {
  n := 10
  sequence := fibonacciSequence(n)
  fmt.Printf("First %d Fibonacci numbers: %v\n", n, sequence)
}

هر روش مزایا و معایب خودش را دارد. برای اهداف عمومی، روش حلقه‌ای (Iterative) یا Memoization بهترین انتخاب‌ها هستند.