یه ابزار/ریپوی خیلی کاربردی از مایکروسافت: Microsoft Learn MCP Server
اگه از Claude / Cursor / Copilot / Codex و… استفاده می‌کنید و «hallucination» و یا کدهای غیرقابل‌کامپایل (قدیمی) اذیتتون میکنه، این MCP Server، ایجنتتون رو مستقیم وصل می‌کنه به
آخرین داکیومنت رسمی Microsoft
نمونه‌کدهای Microsoft Learn

نصب سریع، رایگان، و بدون API Key.

https://github.com/microsoftdocs/mcp

@DevTwitter | <Amir Pournasserian/>

بهترین اتفاق سال من میرسه به این که جنرال رو open-source کردن.
یعنی میشه هررکجا بگی نصبش کردی، linux, macos و ....

https://github.com/TheSuperHackers/GeneralsGameCode

@DevTwitter | <Sadegh/>

این برنامه رو خیلی تایم پیش نوشتم،
خیلی ساده با یک فایل yml می‌تونید بات تلگرامی درست کنید که بتونه هر نوع دیتا یا مسیجی رو با توجه به کامند هایی که توی yml تعریف کردین ارسال کنه.

امشب آپدیتش کردم و کاری کردم که plugins بشه بهش اضافه کرد، و کد هم ران کنه

https://github.com/shabane/commodore

@DevTwitter | <Arya Shabane/>

اگه مثل من از obsidian برای جزوه نویسی و یادداشت استفاده می کنید و می خواید یه چارت ساده برای گزارش نویسی کارای روزانتون و یا هرچیزی دیگه داشته باشید یه سر به این ریپو بزنید.

https://github.com/amirow-unknown/obsidian_simplechart

@DevTwitter | <Amir/>

ابزارSnitch پروژه اوپن‌سورس برای دیدن کانکشن‌های شبکه به صورت تمیز و زیبا توی ترمیناله شبیه ss/netstat اما با رابط جذاب و جدول‌های قابل‌خونده بیشتر که نصبش راحت و مفیده برای بررسی سریع اتصالات شبکه روی لینوکس و macOS
لینک گیتهاب:
https://github.com/karol-broda/snitch

@DevTwitter | <Shayan GeeDook/>

این qwen code cli رو امتحان کردید تاحالا؟ بینظیره بنظرم (مخصوصا اگه لینوکس استفاده میکنید ولی اولاتونه و زیاد دستورات رو بلد نیستید، صد برابر عالی تره برای شما)!
برای نصبش باید رو سیستم عاملتون Node.js نصب شده باشه( اگه نبودم دانلود و نصبش راحته و کافیه سرچ کنید)
node -v
npm -v
با این دوتا میتونید چک کنید که نصبه یا نه.
بعد تو ترمینالتون npm install -g @qwen-code/qwen رو تایپ کنید که خودش نصب میکنتش و بعد اینکه تموم شد همونجا qwen رو تایپ کنید و اگه ترمينالتون شبیه عکس زیر شد ینی همه چی اوکیه! اگه تا حالا مدل های زبانی رو توی ترمینالتون استفاده نکردید، حتما یه امتحان کنید که پشیمون نمیشید.

@DevTwitter | <Mohammad Seyfi/>

یه ابزار کوچیک ولی قوی دیدم که واقعاً کارِ پردازش داده برای AI رو ساده می‌کنه:
اسمش CocoIndex یه data transformation framework سریع که روی مدل dataflow programming ساخته شده و برای کسانی که دیگه از ETLهای قدیمی خسته شدن مناسبه.

https://github.com/cocoindex-io/cocoindex

@DevTwitter | <پروفشیونال/>

دیگه نیازی نیست کاربران رو مجبور کنیم مسیرِ طراحی‌شدهٔ ما رو طی کنن.

با Tambo، یک Generative UI SDK برای React، رابط کاربری واقعاً تطبیق‌پذیر می‌شه:
کاربر می‌گه چی می‌خواد و AI، با تکیه بر Zod schemas، دقیقاً همون کامپوننت رو رندر می‌کنه.

https://github.com/tambo-ai/tambo

@DevTwitter | <پروفشیونال/>

https://youtu.be/HfJwezWWu08?t=426
یعنی این تیکه از صحبت های The PrimeTime انقدر دارک بود که دارم ناامید میشم به گیتهاب
اینکه CEO کل سازمان گیتهاب داره با AI میره جلو
حتی پالمر نقش پایین تری داره و این موضوع خیلی عجیبه
یعنی کل گیتهاب داره با هدایت هوش مصنوعی میره جلو؟
شهر عجیبیه

@DevTwitter | <Shayan GeeDook/>

ما حسن و حسین هستیم.

چند ساله بکند کار می‌کنیم، چیزایی که یاد می‌گیریم رو اینجا می‌ذاریم.

نه guru هستیم نه متخصص همه‌چیز—فقط دو نفر که سیستم‌های بزرگ رو دوست دارن.

https://news.1rj.ru/str/+zwjhcfPyLfhmOTc0

دو تا سایت خیلی کاربردی برای JavaScript که همیشه موقع کدنویسی بهشون سر می‌زنم :
سایت DevHints – خلاصه، سریع و مناسب مرور مفاهیم JS
سایت OverAPI – چیت‌شیت‌های تمیز و جمع‌وجور برای JavaScript
اگه فرانت‌اند کار می‌کنی، اینا واقعاً نجات‌دهنده‌ان

https://devhints.io/
https://overapi.com/javanoscript

@DevTwitter | <Sadaf Amininia/>

ارائه Critical Path Analysis: تکنیکی از پروژه منهتن برای دیباگ Latency در Go!

یکی از ارائه های جذاب GopherCon 2025 ارائه Felix Geisendörfer از Datadog بود درباره پروفایلینگ request latency با استفاده از Critical Path Analysis.

این تکنیک جالبه چون اصلاً برای نرم‌افزار طراحی نشده بود. از پروژه منهتن میاد! همون پروژه‌ای که بمب اتمی ساخت. ایده‌ش ساده‌ست: وقتی یه پروژه بزرگ داری با زیرپروژه‌های موازی، کدوم مسیر واقعاً تعیین‌کننده زمان کله؟

حالا Felix این رو آورده روی Go و goroutine ها.

مشکلی که حل می‌کنه اینه که پروفایلینگ سنتی بهت میگه mutex contention داری، ولی نمیگه این چقدر روی latency کاربر تأثیر گذاشته. مثلاً یه پروفایل نشون میده ۴۳۹ ثانیه contention تو ۶۰ ثانیه داشتی. خب این خیلی بده، ولی سوال اصلی اینه: کدوم بخشش واقعاً روی request های کاربر تأثیر گذاشته؟

اینجاست که execution tracer میاد وسط. برخلاف CPU profiling که فقط on-CPU رو نشون میده، execution tracer همه state transition ها رو ثبت می‌کنه: کی goroutine داشت run می‌شد، کی منتظر mutex بود، کی منتظر channel بود، کی scheduling latency داشت. یه تصویر کامل از زندگی goroutine هات.

راه‌حل اینه که از آخر request بری عقب و ببینی کدوم goroutine ها واقعاً سر راه بودن. اگه G1 منتظر G2 و G3 باشه و G3 دیرتر تموم بشه، سریع‌تر کردن G2 هیچ فایده‌ای نداره. این همون critical path هست.

یه کار خفن دیگه که تیم Datadog کرده اینه که overhead اجرای execution tracer رو از ۱۰-۲۰ درصد به ۱-۲ درصد رسوندن. یعنی الان میشه تو production ازش استفاده کرد.

این ارائه خیلی ارزشمنده چون نشون میده پروفایلینگ می‌تونه خیلی دقیق‌تر از چیزی باشه که عادت کردیم. به جای اینکه بگیم mutex contention داریم، بیاید همه جا رو optimize کنیم، می‌تونیم دقیقاً بفهمیم کجا واقعاً مهمه.

آقای Felix امیدواره این کار رو open source کنه.

اگه با Go کار می‌کنید و tail latency براتون مهمه، پیشنهاد می‌کنم این ارائه رو ببینید.

https://www.youtube.com/watch?v=BayZ3k-QkFw

@DevTwitter | <Hasan Nazari/>

یکی از کاربرد های خفن الگوریتم Binary Search میشه فیچر Bisect گیت در ورژن کنترل، در این ویدیو جادی خیلی خفن توضیح و آموزش میده:
https://www.youtube.com/watch?v=V89oD_HgSbE

@DevTwitter | <Max Shahdoost/>

مروری بر مفاهیم Vector Database

در ارائه اخیرم برای شرکت آپ، یک مخزن GitHub طراحی کردم تا اصول و الگوریتم‌های پایه‌ای vector databases را به شکل عملی نشان دهد. هدف این پروژه، آشنایی با حوزه‌های semantic search، vector similarity metrics و سیستم‌های بازیابی مبتنی بر بردار است و در عین حال فرصتی برای یادگیری عملی فراهم می‌کند.

ویژگی‌های کلیدی این repository شامل:
Neural network ساده با TensorFlow برای درک نحوه تولید بردارهای embedding
پیاده‌سازی یک vector database from scratch با cosine similarity برای فهم الگوریتم‌های جستجوی برداری
تحلیل داخلی Milvus internals برای بررسی معماری و بهینه‌سازی‌های عملکردی
نمونه عملی semantic search روی جملات با Milvus، شامل نحوه indexing و query بردارها
سرور MNIST FastAPI با PyTorch که تصویر عدد کاربر را دریافت کرده و نزدیک‌ترین بردارهای برچسب‌دار (nearest neighbor search) را پیش‌بینی می‌کند

این پروژه برای من علاوه بر یک تمرین عملی، فرصتی بود تا دانش خودم در زمینه vector-based retrieval systems را با دیگران به اشتراک بگذارم.

https://github.com/ap-incubator/vector-database

@DevTwitter | <Mohammad Nasr/>

باز هم یه آسیب پذیری جدید و جذاب مثل
log4j , react2shell
آمده که اگر چیزی رو با n8n ساختید آب دستتوت هست بگذارید زمین و برید این آسیب پذیری رو حل کنید
این آسیب پذیری بسیار حساس و مهم با درجه حساسیت بحرانی آمده CVSS 9.9 روی n8n با شماره CVE-2025-68613 هست خیلی خیلی خیلی جدی بگیرید.

https://thehackernews.com/2025/12/critical-n8n-flaw-cvss-99-enables.html

@DevTwitter | <Mohammad Reza Mostamea/>

خواستم برای وبسایت شخصیم سرویس ایمیل برای فرم کانتکت وصل کنم. اولش گفتم بذار nodemailer رو استفاده کنم و بعد دیدم یکم ریسکیه چون ممکنه پسورد ایمیلم جایی لو بره (که باید اونو توی env ها ست میکردم)

با سرویسی به اسم Resend آشنا شدم که خیلی برام جالب بود. کارش اینه ایمیل هایی که از دامنه وریفای شده میاد رو میگیره و میفرسته به ایمیلتون
حالا دامنه وریفای شده چیه؟ مثلا یه سایتی دارید به اسم nafasebra.ir و ایمیلتون تقریبا یه همچین چیزیه:
contact[@]nafasebra.ir یا info[@]nafasebra.ir
میاین توی این سایت دامنه تون رو اضافه میکنین و خب بعد از اون یه دسترسی cloudflare بهش بدین که براتون dns ست کنه

و کار تمومه

حتی کلی فیچر دیگه هم داره که بهتره به بخش doc ش سر بزنین

https://resend.com/

@DevTwitter | <Nafas Ebrahimi/>