سلام ، امیدوارم که حالتون خوب باشه
برای رفع نیاز خودم یک داشبورد نوشتم برای مرورگر های کروم و ادج
تصمیم گرفتم منتشرش کنم ، اگر شما هم به کارتون میاد میتونید دانلود و نصب کنید.

دانلود از گیت هاب :
https://github.com/ehsanerfani98/bookina


@DevTwitter | <Ehsan Bavaghar/>

حوصلم سررفت و تیبل تسک‌هام از نوشن رو وصل کردم به یه مدل ساده. تا هنوز کامل جایگزین نشدیم یکم لذت ببریم از سرعت کدزدن با AI

https://github.com/alirezasakhaei/Notion-AI-Integratoin

@DevTwitter | <سخا/>

تمپلیت r1ec honojs رو یسری تغییرات بهش دادم که خیلی تجربتون بهتر شه:
- سیستم بیلد جدید با rollup
- استفاده از تایپ اسکریپت
- آنالیز کامل باندل سایز پس از بیلد
- دیپلویمنت راحت تر

از اینجا میتونید Use this template رو بزنید و شروع کنید:
https://github.com/amirparsadd/r1ec-edge-hono

@DevTwitter | <Amirparsa Baghdadi/>

چند روز پیش که TOON هایپ شد یسری نظرات منفی هم دربارش داده شد یکی از اونها این بود که درسته میزان توکن رو کم می کنه ولی LLM ها روی JSON ها آموزش دیده شده اند پس از JSON میشه بازخورد بهتری گرفت ... ولی برعکس!
تو این ویدیو Theo این دو رو باهم مقایسه میکنه

https://www.youtube.com/watch?v=nTMP_rLZOYM

@DevTwitter | <bancher/>

ابزاری که باید بشناسی: Laravel Boost
اگه با Laravel کار می‌کنی و از AI استفاده می‌کنی، یه مشکل بزرگ داری: AI از پروژه‌ت هیچی نمی‌دونه.
نمی‌دونه دیتابیست چه ساختاری داره. نمی‌دونه مدل‌هات چه روابطی دارن. نمی‌دونه چه Convention هایی داری.
نتیجه؟ کد Generic که باید خودت ازش سر درببری.

ابزار Laravel Boost چیه؟
یه ابزار رسمی از تیم Laravel که با MCP Protocol کار می‌کنه.
به AI دسترسی میده به:
ساختار کامل دیتابیس
تمام مدل‌ها و Relations
لاگ‌ها و خطاها
روت‌ها و کنترلرها
اجرای مستقیم Query

یعنی چی؟
یعنی AI دیگه کور نیست. بلکه:
وقتی باگ داری:
لاگ‌هات رو می‌خونه
کوئری‌های اجرا شده رو می‌بینه
دقیقاً می‌فهمه مشکل کجاست
راه حل مرتبط با ساختار پروژه‌ت میده

وقتی می‌خوای فیچر بنویسی:
مدل‌های موجود و روابطشون رو می‌شناسه
می‌فهمه چه Migration هایی داری
کد رو طبق Convention های پروژه‌ت می‌نویسه
با ساختار موجودت سازگاره

وقتی گیر کردی:
روت‌های موجود رو می‌بینه
کنترلرها رو تحلیل می‌کنه
دقیقاً میگه کدوم قسمت رو باید چطور تغییر بدی
یعنی دیگه نباید Context رو دستی توضیح بدی. AI خودش پروژه رو می‌بینه، می‌فهمه، و کد دقیق تولید می‌کنه.

نصب:
composer require laravel/boost --dev
php artisan boost:install
همین.

اما بذار صادق باشم...
می‌دونم خیلیا هنوز مقاومت دارن:
"هوش مصنوعی جای ما رو می‌گیره" نه. اما تیم‌هایی که با AI کار می‌کنن، جای تیم‌هایی که نمی‌کنن رو می‌گیرن.
"ما بدون AI هم خوب کار می‌کنیم" درسته. اما "خوب" دیگه کافی نیست. باید "سریع" هم باشی.
"وقت ندارم یاد بگیرم" دو خط دستور بالا رو ببین. بیشتر از این وقت نمی‌خواد.
"کیفیت کد خراب میشه" برعکس. وقتی AI کل Context رو می‌بینه، کد بهتری تولید می‌کنه.

حقیقت ساده:
توی 2025، مقاومت در برابر AI مثل مقاومت در برابر Git توی 2005 - 2008 هست.
می‌تونی نپذیری، اما بازار جلو میره. رقیبت داره استفاده می‌کنه. تیم‌های دیگه دارن سریع‌تر کار می‌کنن.

سوال اینه: تو می‌خوای با این جریان همسو بشی یا ازش عقب بمونی؟
لاراول Boost فقط یه ابزاره. اما ابزاری که می‌تونه فاصله بین تو و رقیبت رو کم کنه.
یا زیادش کنه.
انتخاب با توئه.

@DevTwitter | <Ali Abdian/>

کار با Flux‌UI رو خیلی دوست دارم. با استفاده از Tailwind CSS خروجی شیک و ترتمیزی میده. کامپوننت‌های کاربردیه زیادی داره و خوبیشون اینه که برا سناریوهای مختلف نیازی نیست وارد جزئیات بشی.
مثل Livewire جزئی از اکوسیستم لاراول شده ولی متاسفانه پولیه و نسخه رایگانش امکان خاصی نداره.
فک کنم رایگانشو فقط برا اینکه توی استارتر کیت لاراول ازش استفاده کنن ارائه دادن.

پیشنهاد میدم یه نگاهی بهش بندازین.

@DevTwitter | <Vahid Kaargar/>

چه جوری به عنوان یک توسعه دهنده برجسته شناخته بشیم؟

1. آروم برو جلو

تو صنعتی که حرف اول رو سرعت میزنه، اگر یک زبان رو آروم و عمیق یاد بگیری بهتر از اینه که چند تا زبان رو تو مدت کوتاه یاد بگیری

وقتی آروم یاد میگیری، دانشت عمیق میشه و وقتی کسی بهت میگه یک todo بنویس، خشکت نیمزنه، بعد از مدتی حتی می تونی پایه یک برنامه بزرگ رو بنویسی

2. همه چیز رو بلد نیستی

برنامه نویس های تازه کار، صحبت از هر تکنولوزی بشه راجبش حرف میزنن و میگن بلدن اما تو عمل اصلا موفق نیستن، اما برنامه نویس های سینیور اگه تکنولوزی بلد نباشن میگن بلد نیستم ولی می تونم تو دوهفته یاد بگیرم

و می تونم برنامه رو بنویسم، و واقعا می نویسن.

https://www.youtube.com/watch?si=6vwnwANW_DkG8obc&v=pn4jYe5ao0Y&feature=youtu.be

@DevTwitter | <Yusof Sadat Fakhr/>

امروز می‌خوام اولین پروژه‌ی React خودم رو با شما به اشتراک بذارم؛
یه چت‌بات کوچیک اما خیلی دوست‌داشتنی برای خودم که با React و JavaScript ساختم.
هرچند ساده‌ست، ولی برای من کلی حس خوب داشت چون اولین تجربه‌م با React بود و حسابی چیزای جدید یاد گرفتم.
قراره کم‌کم امکانات بیشتری بهش اضافه کنم و بهترش کنم.

اگر دوست داشتید نگاهش کنید یا پیشنهادی داشتید، ممنون می‌شم باهام به اشتراک بذارید:
GitHub: https://github.com/kurooshsarvandi/chatbot

این فقط شروع راهه و خیلی برام هیجان‌انگیزه!

@DevTwitter | <Kuroosh Sarvandi/>

#دراز_نیوز

دلیل اختلال جهانی ایکس و ChatGPT چه بود؟ کلودفلر مشکل خود را توضیح داد

روز گذشته بخش بزرگی از اینترنت جهان به‌دلیل مشکلات کلودفلر با اختلال مواجه شد. از دسترس خارج‌شدن ChatGPT، شبکه اجتماعی ایکس و حتی سایت Downdetector کاربران زیادی را سردرگم کرد. اکنون کلودفلر این حادثه را کاملاً شرح داده است.

«متیو پرینس»، هم‌بنیان‌گذار و مدیرعامل کلودفلر، در یک پست وبلاگی جزئیات فنی حادثه روز گذشته را منتشر کرده است. برخلاف شایعات اولیه مبنی‌بر حمله سایبری، دلیل اصلی این اختلال یک خطای داخلی در سیستم مدیریت بات کلودفلر بود که منجر به پرشدن حافظه و از کارافتادن سیستم‌های پردازش ترافیک شد. او می‌گوید این حادثه نه یک حمله سایبری بود، نه مشکل DNS و نه یک حمله DDoS؛ بلکه تغییری در سیستم مجوزهای پایگاه داده باعث بروز این بحران شد.

مدیرعامل کلودفلر توضیح داد: «مدل یادگیری ماشینی که پشت سیستم مدیریت بات قرار دارد، به‌طور مداوم یک فایل پیکربندی را برای شناسایی درخواست‌های خودکار به‌روزرسانی می‌کند. اما یک تغییر در رفتار درخواست‌های پایگاه داده ClickHouse باعث شد تعداد زیادی ردیف‌های تکراری در فایل ایجاد شود.» این فایل به سرعت رشد کرد و از محدودیت حافظه فراتر رفت و سیستم اصلی پراکسی از کار افتاد. هوش مصنوعی مولد مقصر نبود و اختلال صرفاً ناشی از تغییر در مجوزهای دیتابیس بود.

@DevTwitter | <Digiato/>

گوگل در مقاله جدیدش دربارهٔ Generative UI توضیح داده که چطور با کمک Gemini 3 Pro می‌تونه رابط‌های کاربری رو به‌صورت خودکار بسازه. این سیستم فقط یک مدل زبانی نیست؛ سه بخش مهم داره که کیفیت نتیجه رو چند برابر می‌کنه:

1.LLM تنها نیست.
مورد Generative UI با اتصال مدل به چند ابزار مهم مثل وب‌سرچ، تولید تصویر، دیتابیس‌ها و APIها خروجی خیلی واقعی‌تر می‌سازه.

2.System Instructions قلب ماجراست.
مدل با یک سری دستورهای دقیق هدایت میشه:
ساختار UI، قوانین HTML/CSS/JS، مثال‌ها، محدودیت‌ها، و چطور از ابزارها استفاده کنه.

3.Post-Processing کیفیت رو تضمین می‌کنه.
خروجی مدل خامه یه لایه‌ی پردازشگر بعدش تگ‌های اشتباه، مشکلات امنیتی، ساختار UI و نمایش مرورگر رو اصلاح می‌کنه.

4.نتیجه؟
مدل فقط توضیح متنی نمی‌ده؛
رابط کاربری واقعی، قابل اجرا و قابل تعامل می‌سازه

5.کل سیستم سه ستون داره:
- دسترسی به ابزارها
- دستورالعمل‌های دقیق
- اصلاح خروجی مدل

این سه‌تا کنار هم باعث میشن AI بتونه مثل یک Front-End Developer خودکار رفتار کنه.


لینک مقاله
https://generativeui.github.io/static/pdfs/paper.pdf

@DevTwitter | <Neurogenix/>

1- دو تا ایجنت بساز که اولیش داده های فروش رو بخونه و تحلیل کنه و بعد ایجنت دومی یه پاراگراف مختصر درباره ش بنویسه
2- خروجی ایجنت اول باید بره به ایجنت دوم
3- توی تیمز یا اسلک هم خروجی منتشر بشه...

با Microsoft Agent Framework میتونید انجام بدین...
کدش:
https://github.com/SaM-92/AI-Agent-Framework-Tutorial-Sales-Report-Automation

@DevTwitter | <Sam92/>

یه نفر رفته system prompt‌های پشت‌پردهٔ کلی ابزار و چت‌بات معروف رو از طریق یه leak بزرگ پیدا کرده و همشو منتشر کرده!
الان یک ریپو تو گیت‌هاب هست که عملاً تبدیل شده به آرشیوی از مغزِ واقعی ابزارهای هوش مصنوعی — از Cursor و Devin گرفته تا Claude، Replit، Perplexity و ده‌ها ابزار دیگه.
اگه می‌خواید ببینید این ابزارها پشت صحنه چه قوانین، چه نقش‌ها و چه پرامپت‌هایی دارن، این ریپو واقعاً مثل گنج می‌مونه.
حتی می‌تونید برای طراحی agent یا پرامپت‌هاتون ازش ایده بگیرید.

https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools

@DevTwitter | <Hanieh Khalesi/>

کدام بهتر است ؟ GraphQL یا Rest ؟

سال‌ها REST استاندارد اصلی ارتباط با API بود اما با ظهور GraphQL قواعد بازی تغییر کرده است
این انتخاب فقط سلیقه‌ای نیست یک تصمیم معماری است که روی سرعت، حجم داده و تجربه‌ی توسعه تأثیر میزاره

چالش‌های REST که GraphQL حل می‌کند
Over-Fetching
در REST معمولاً داده‌های اضافی برمی‌گردند. GraphQL اجازه می‌دهد فقط همان فیلدهای موردنیاز را با حجم کمتر دریافت کنیم و سرعت بیشتر
Under-Fetching
در REST برای یک کامپوننت پیچیده باید چندین درخواست ارسال شود. GraphQL همه‌ی داده‌ها را در یک Query واحد برمی‌گرداند
رفت و برگشت کمتر و منطق ساده تر
چه زمانی از کدام استفاده کنیم؟

- رست: پروژه‌های کوچک و ساده
- گراف: اپلیکیشن‌های پیچیده و موبایل یا زمانی که چند تیم داده‌ها را مصرف می‌کنند


@DevTwitter | <Mojtaba Vahedi/>

سایت laramap.dev
پلتفرمی برای پیدا کردن برنامه نویسان Laravel در سرتاسر دنیا.
ثبت نام کنید و میاید روی نقشه.
خداروشکر فعلا ایران توی نقشه هست

@DevTwitter | <Sepehr Mohseni/>

چیز هایی که فارغ التحصیلان کامپیوتر دیر یاد می گیرند؟

۱. هوش مصنوعی

چت جیپیتی و کو پایلت همه جا هستند. استفاده ازشون خیلی راحت و سریعه. اما اگه هر مشکلی رو هوش مصنوعی حل کنه، هیچ وقت یاد نمیگیری خودت مشکل رو حل کنی.

۲. دانشگاه به تو دروغ گفته

۴ سال رو با یادگرفتن انواع الگوریتم ها و تئوری ها گذروندی.
اما هیچ کس به تو یاد نداده کدی که ۵ نفر مختلف نوشتن رو اصلاح کنی.
یا وقتی ساعت ۳ صبح مشکل پیش بیاد، کد رو debug کنی.

۳. شبکه سازی

ما فکر می کنیم کد خوب باعث استخدام میشه. یا بهترین شغل ها تو لینکدین هست. اما اشتباهه.
بهترین شغل ها از معرفی کردن پیدا میشه.
و تو اگه شبکه سازی نمی کنی راه خیلی سخت رو در پیش گرفتی

youtube.com/watch?si=e0ZP1QQi-glsanse&v=ZrVIyCAJHNE&feature=youtu.be

@DevTwitter | <ِYusof Sadaf Fakhr/>

از Android به Flutter؛ پلی که همیشه جایش خالی بود
سال‌ها روی Android کار کرده بودم و عادت داشتم هرچه لازم دارم را مستقیم از بخش Native بگیرم.
وقتی وارد Flutter شدم، دوباره همان نیاز جلویم قرار گرفت؛
و این‌بار Platform Channel دقیقاً همان پلی بود که دنبالش می‌گشتم
راهی ساده، امن و قابل‌اعتماد برای ارتباط بین Flutter و دنیای Native.
برای اینکه این مسیر برای دیگران هم روشن‌تر باشد،
یک نمونه‌ی جمع‌وجور آماده کردم که ارتباط Flutter - Android را خیلی شفاف و قدم‌به‌قدم نشان می‌دهد.

https://github.com/arminmehraeen/Flutter-Channel

@DevTwitter | <Armin Mehraein/>

PHP 8.5 Released!

In this new release, we have:
– URI Extension
– Pipe Operator
– Clone With
– A new #[\NoDiscard] attribute
– Closures and first-class callables in constant expressions
– Persistent cURL share handles

https://www.php.net/releases/8.5/en.php

@DevTwitter

یه چیز جالب/ترسناک که امروز دیدم

- تشخیص حالت Incognito / Private
- ردیابی حتی بعد از پاک کردن کش و کوکی‌ها
- شناسایی چند پنجره همزمان
- کار کردن حتی کنار Anti-Tracking ها

یه پروژه هست به اسم supercookie که نشون می‌ده حتی اگه تو حالت Incognito باشید هم می‌تونن فقط از روی favicon شما رو ردیابی کنن
مرورگر فاوآیکون رو یه‌جوری کش می‌کنه که می‌شه ازش به‌عنوان یک شناسه پایدار استفاده کرد

لینک پروژه:
https://github.com/jonasstrehle/supercookie/

@DevTwitter | <Mahdi AmirAbdollahi/>

یک منبع داکر روی گیت‌هاب آماده کردم که همه چیزای مهم رو شامل میشه:

cheat sheet – Docker | Docker Compose

sample: Django، FastAPI، Node.js، Nginx، PostgreSQL، Redis

advanced topic : security, monitoring, networking, Prometheus, private registry, Grafana

این ریپو برای افرادی مناسبه که تازه می‌خوان داکر رو یاد بگیرن یا دولوپرهایی که می‌خوان سریع پروژه‌هاشون رو بیارن بالا.

https://github.com/sajadnezamabadi/docker-cheat-sheet

@DevTwitter | <Sajad NezamAbadi/>

کاهش هزینه سیستم‌های هوش مصنوعی با Semantic Caching

با رشد مدل‌های زبانی بزرگ و پیشرفته، هزینه و زمان پاسخ‌دهی هم به شدت افزایش پیدا کرده. مدل‌هایی مثل GPT-5 یا Claude برای کارهای پیچیده فوق‌العاده‌اند، ولی استفاده از اون‌ها هم پرهزینه و هم کند محسوب می‌شه. از طرف دیگه، AI Agentها واقعاً «توکن‌خور» هستن؛ یعنی برای انجام یک کار معمولاً چندین مرحله طی می‌کنن: تحقیق، برنامه‌ریزی، عمل و بازتاب و تکرار. همین باعث می‌شه چندین بار با مدل تماس بگیرن و در نتیجه هزینه و تأخیر افزایش پیدا کنه و متن‌های طولانی‌تر تولید بشه. برای مثال، یه بنچمارک اخیر از TheAgentCompany در ۲۰۲۵ نشون داده اجرای کامل یک Agent گاهی تا ۶.۸ دلار هزینه داره.

یکی از مشکلات اصلی در دنیای واقعی، تکراری بودن سوال‌هاست، مخصوصاً توی پشتیبانی مشتری. کاربران دائماً سوال‌های مشابهی می‌پرسن: مثل «چطور پولم رو پس بگیرم؟» یا «شرایط بازگشت وجه چیه؟» و Agent مجبور می‌شه هر بار پاسخ رو از صفر تولید کنه. نتیجه‌ش افزایش هزینه، طولانی شدن زمان پاسخ و فشار بیشتر روی سیستم‌های RAG و زیرساخت‌هاست.

در نگاه اول، ممکنه فکر کنیم کش کلاسیک کفایت می‌کنه. ایده‌ی کش ساده اینه که اگر یک سوال قبلاً پاسخ داده شده، دوباره سراغ مدل نریم. ولی مشکل اینجاست که کش سنتی دنبال Exact Match یا تطابق دقیق متنه. سوال‌هایی که از نظر معنی یکی هستن ولی عبارت‌هاشون فرق می‌کنه، مثل: «می‌خوام پولم رو پس بگیرم»، «چطور می‌تونم درخواست بازگشت وجه بدم؟» و «سیاست بازگشت پولتون چیه؟»، همه Cache Miss می‌شن و کش عملاً استفاده نمی‌شه.

اینجاست که Semantic Caching وارد می‌شه. به جای تطابق کلمه‌به‌کلمه، کش به معنی و مفهوم جمله نگاه می‌کنه. مزیت اصلی‌ش اینه که Recall و Hit Rate بالاتره و احتمال استفاده از کش و صرفه‌جویی خیلی بیشتر می‌شه. البته چالشش هم اینه که گاهی ممکنه جواب بی‌ربط بده یا همون «False Positive» رخ بده.

روش کار Semantic Caching ساده است ولی هوشمندانه: ابتدا سوال کاربر به Embedding یا بردار عددی تبدیل می‌شه. بعد با بردارهای موجود در کش با Semantic Search مقایسه می‌شه. اگر فاصله معنایی کم باشه، پاسخ از کش برگردونده می‌شه؛ در غیر این صورت به RAG یا LLM می‌ریم. در نهایت سوال و پاسخ جدید هم ذخیره می‌شه تا دفعه بعدی قابل استفاده باشه.

پیاده‌سازی Semantic Caching با چالش‌هایی همراهه؛ مثل دقت (Accuracy) که آیا کش جواب درست می‌ده، کارایی (Performance) و میزان Cache Hit، سرعت سرویس‌دهی، آپدیت‌پذیری کش و اینکه آیا می‌تونیم کش رو گرم، تازه‌سازی یا پاکسازی کنیم. همچنین مشاهده‌پذیری (Observability) مهمه تا بتونیم hit rate، latency، صرفه‌جویی هزینه و کیفیت کش رو بسنجیم.

معیارهای اصلی سنجش کش شامل Cache Hit Rate هست که نشون می‌ده چند درصد درخواست‌ها از کش پاسخ داده می‌شن و Precision/Recall/F1 Score که کیفیت و دقت پاسخ‌ها رو مشخص می‌کنه. برای بهبود دقت و کارایی کش هم می‌تونیم Threshold فاصله رو تنظیم کنیم، Reranker اضافه کنیم مثل Cross-encoder یا LLM-as-a-judge، از Fuzzy Matching برای تایپوها استفاده کنیم و فیلترهای اضافی مثل تشخیص پرسش‌های زمان‌محور (Temporal) یا تشخیص کد (Python، Java و…) اعمال کنیم تا سوالات اشتباه وارد کش نشن.

یه مثال واقعی از این تکنولوژی پروژه waLLMartCache در Walmart هست. اون‌ها با نوآوری‌هایی مثل Load Balancer برای توزیع کش روی چند Node و Dual-tiered Storage که L1 = Vector DB و L2 = In-memory Cache مثل Redis هست، هم سرعت و هم دقت رو بالا بردن. Multi-tenancy هم باعث شده چند تیم یا اپلیکیشن از یک زیرساخت مشترک استفاده کنن. Decision Engine هم شامل تشخیص کد و زمانه و اگر سوال مناسب کش نباشه مستقیماً به LLM یا RAG می‌ره. نتیجه‌ش رسیدن به دقت نزدیک ۹۰٪ بوده.

@DevTwitter | <Reza Jafari/>

هوش مصنوعی بالاخره یاد گرفت "فکر کنه"!

حتی اگه یه خط کدنویسی هم بلد نیستی، این پروژه رو ببین چون آینده‌ی تکنولوژی رو نشون میده.

اینجا هوش مصنوعی دیگه فقط یه ماشین نیست که دستورات رو تکرار کنه؛ بلکه یاد گرفته مثل یه انسان باهوش، قبل از هر کاری مکث کنه، نقشه بکشه و استدلال کنه.

اگه می‌خوای ببینی کامپیوترها چقدر دارن شبیه به مغز انسان می‌شن و چطوری مسائل سخت رو با "منطق" حل می‌کنن، حتماً یه نگاه بهش بنداز!

https://github.com/amirhoseinnaderali-pixel/Reasoning-Is-All-You-Need

@DevTwitter | <Am/>