https://vivek9patel.github.io
این یارو رسما خله
یه لینوکس آورده بالا با پلیر و همه چی
بعد تماس با ما هم گذاشته رو صفحه
رفتم تو کرومش گوگل کردم
جالب بود واقعا

@DevTwitter | <گوگل‌کُنِ باحقوق/>

اگه دنبال یه ابزار جامعه برای جمع اوری اطلاعات میگردید میتونید از god osint استفاده کنید
https://github.com/lda-0day/God_Osint

@DevTwitter | <lda-0day/>

با وجود رشد هوش مصنوعی، هنوز هیچ پلتفرمی به‌اندازه‌ی وردپرس برای راه‌اندازی سریع وبلاگ بهینه، با سئوی عالی و ابزارهای قدرتمند وجود نداره. یک راهنمای کامل نوشتم که کمکتون می‌کنه در کمترین زمان ممکن یه وبلاگ وردپرسی بهینه (100% core web vital) بسازید:
https://wp-optimize.github.io/

@DevTwitter | <Masih Jahangirl/>

در سیستم های RAG یا سوال-جواب chunking (تکه تکه کردن متن) یکی از حیاتی ترین مراحل هست. و نقش مهمی در دقت بازیابی اطلاعات داره. تعداد زیادی روش برای چانک کردن وجود داره و اینکه چه روشی را انتخاب کنیم سخته . یکی باز بهترین مقاله ها که روشهای مختلف chanking را مقایسه و ارزیابی کرده اینجا معرفی میکنم و کدش هم کامل گذاشتن.
Link: https://research.trychroma.com/evaluating-chunking
Github: https://github.com/brandonstarxel/chunking_evaluation

@DevTwitter | <Mehdi Allahyari/>

یه مدته دارم در مورد MCP و اینا می‌خونم... مخصوصا فلسفه‌ای که با خودش میاره.

این مقاله جالبی بود که با تاریخچه REST مقایسه کرده و دید جالبی داره.

https://twitchard.github.io/posts/2025-03-09-mcp-hypermedia-reborn.html

به نظرم برای کسایی که روی مدل‌های معماری AI دارن کار می‌کنن خوندن این مقاله ارزشش رو داره.

@DevTwitter | <Mehran/>

یک مدل جدید multimodal اومده به اسم SmolDocling که خیلی عالیه! خیلی کوچکه (ultra-compact vision-language model) و فقط با ۲۵۶ میلیون پارامتر دقتش در تبدیل داکیومنت به متن و استخراج اطلاعات واقعا بالاست. از OCR تا تشخیص کد و فرمولها و ... به کار میاد. راحت روی کامپیوتر نصب میشه و سرعتش هم خیلی بالاست. برای انواع کارها از جمله در workflow های agentic خیلی به درد میخوره.
HF: https://huggingface.co/ds4sd/SmolDocling-256M-preview
Paper: https://arxiv.org/pdf/2503.11576

@DevTwitter | <Mehdi Allahyari/>

امروز یه سولوشن خیلی تر تمیز واسه icon پیدا کردم که حیفم اومد به اشتراک نذارم.
اگه سمت فرانت کار می‌کنید حتما با چالش مدیریت آیکن مواجه شدید و احتمالا با icomoon اشنا هستید.
هرچند که icomoon مساله رو تا حدودی حل کرده ولی استفاده ازش چالش های خاص خودشو داره مخصوصا توی پروژه‌ای که تایپ‌اسکریپت باشه.
راه کاری که میخوام معرفی کنم noscriptps هست. می‌تونید از توی لیستش آیکناتونو انتخاب کنید. اسمهاش رو تغییر بدید و پکیج خودتون رو دانلود کنید.
در نهایت یه فایل selection.json و یه فایل icon.d.ts خروجی بگیرید و توی پروژتون ذخیره کنید. واسه استفاده کردن هم کافیه وکیج مناسب پروژتون رو نصب و کانفیگ کنید.

لینک سایت: https://noscriptps.app/
لینک ریپو: https://github.com/aykutkardas/noscriptps.app

@DevTwitter | <Ali Ghorbani/>

ساخت یک پکیج Core برای میکرو فرانت اند

چند وقته که دارم روی یک پکیج Shared Core کار می‌کنم تا مشکل اشتراک‌گذاری کامپوننت‌ها، هوک‌ها، آیکون‌ها و ابزارهای مشترک بین پروژه‌های میکرو فرانت‌اندی که داخل ریپو های مختلف هستن رو حل کنم. بعد از بررسی گزینه‌های مختلف، بهترین راهکار رو استفاده از GitHub Packages دیدم که باعث سریع‌تر شدن فرآیند توسعه و مدیریت ساده‌تر وابستگی‌ها می‌شه(البته استفاده از monorepo هم گزینه خوبیه ولی برای پروژه هایی که داخل یک ریپو قرار دارند البته مشکلات زیادی توی deployment براتون پیش میاد).

ویژگی‌های این پکیج:

* Rollup برای باندلینگ و بهینه‌سازی
* Storybook برای مستندسازی و تست کامپوننت‌ها
* SVGR برای مدیریت و استفاده از آیکون‌های SVG
* CI/CD خودکار با GitHub Actions
* قابلیت multi language support با استفاده از i18n , i18n-next
* انتشار روی GitHub Packages برای استفاده راحت در پروژه‌های مختلف

هر تغییری که با master مرج بشه عملیات ci/cd شروع میشه و مراحل build و release پروژه رو انجام میده به وسیله ی Github Actions

چرا به جای مونو ریپو از GitHub Packages استفاده کردم؟

* استقلال کامل پروژه‌ها: هر پروژه نسخه مخصوص خودش رو داره و به تغییرات سایر پروژه‌ها وابسته نیست.
* فرآیند توسعه سریع‌تر: نیازی به هماهنگ‌سازی کل مونو ریپو نیست، فقط پکیج آپدیت می‌شه.
* پیچیدگی کمتر در CI/CD: فقط پکیج تغییر کرده منتشر می‌شه، نه کل ریپو.
استفاده راحت در پروژه‌های مختلف: به‌سادگی از GitHub Packages نصب می‌شه، بدون تنظیمات اضافه.

برای استفاده از این ریپو میتونید مراحل زیر رو انجام بدین

1- تنظیم env متغیرها در GitHub: داخل فایل publish.yml یکسری متغییر داریم که برای استفاده از github action ضروری هستن و برای ست کردنشون کافیه که متغییری به اسم GT_TOKEN (میتونید داخل فایل publish.yml تغییرش بدید) رو داخل github secrets تعریف کنید
میتونید از این لینک کمک بگیرید:
https://docs.github.com/en/actions/security-for-github-actions/security-guides/using-secrets-in-github-actions

2- کامپوننت ها، ایکون ها، helpers ها و هر انچه ماژول shared دارین رو انتقال بدید به core

3- کافیه تغییراتتون رو push کنید تا عملیات ci/cd استارت بشه و عملیات build و release انجام بشه (گیت هاب اکشن زمانی فعالیت رو اغاز میکنه که تغییراتی رو برنچ master اعمال بشه، میتونید داخل فایل publish.yml تغییرش بدین)

4- تنظیم npmrc برای نصب پکیج: برای نصب پکیج توی پروژه‌های دیگر، باید یک فایل npmrc. در ریشه پروژه قرار بدین. این فایل باید شامل توکن GitHub برای دسترسی به GitHub Packages باشه (میتونید از این لینک کمک بگیرید: https://stackoverflow.com/questions/72412063/personal-access-tokens-for-install-github-npm-packages)

اینو مد نظر داشته باید که پکیج شما همواره به این صورت خواهد بود
@PACKAGE_NAME/{GITHUB_USERNAME}

مثلا برای این ریپو به این صورت هستش
sadegh1379/es-core@


و در اخر کافیه پکیج رو نصب کنید
npm install @sadegh1379/es-core


با این روش، پکیج‌های shared core به راحتی بین پروژه‌ها به اشتراک گذاشته میشن و فرایندهای CI/CD به‌صورت خودکار و بدون نیاز به دخالت دستی انجام میشه.

https://github.com/sadegh1379/es-core

@DevTwitter | <Sadegh Akbari/>
https://github.com/sadegh1379/es-core

این نوروز باستانی، تحول سال و نو شدن روزگار رو به شما قشنگا تبریک میگیم.

امیدوارم این سال جدید براتون پر از موفقیت، حال خوب و البته پول زیاد باشه.

@DevTwitter

کمپانی Nvidia یک دیتاست خیلی بزرگ (بیشتر از ۱۵ میلیون رکورد) که برای فاین تیون کردن مدلهای LLM از جمله برای فارسی میتونید استفاده کنید. خصوصا برای کارهای
- math
- code
- general reasoning
- and instruction following
یک گنج!
HF:

https://huggingface.co/datasets/nvidia/Llama-Nemotron-Post-Training-Dataset-v1

@DevTwitter | <Mehdi Allahyari/>

یک مدل زبان بزرگ سه‌بعدی (3D LLM) به اسم SpatialLM اومده که برای پردازش داده‌های 3D point cloud طراحی شده و خروجی‌های ساختار یافته از درک صحنه‌های 3D تولید می‌کند. این خروجی‌ها شامل عناصری معماری مانند دیوارها، درها، پنجره‌ها همراه با دسته‌بندی‌های معنایی‌شان هستند. این مدل توانایی‌های استدلال فضایی (spatial reasoning) را برای کاربردهایی در رباتیک، ناوبری خودران (autonomous navigation) و دیگر وظایف پیچیده تحلیل صحنه‌های سه‌بعدی بهبود می‌بخشد.
Link: manycore-research.github.io/SpatialLM/‎

@DevTwitter | <Mehdi Allahyari/>

یکی از مهندسین گوگل یک RFC جالب برای کرنل لینوکس اارسال کرده با نام Live Update Orchestrator که برای live patching است.
تمرکز این ویژگی روی زیرساخت‌های ابری است. الان دیگر زمانی نیست که به Uptime بالا افتخار کرد، بلکه یک خط قرمز محسوب می شود!
ابزارهای دیگر مثل kpatch و غیره در دسته بندی in-place قرار دارند اما LUO گوگل اینگونه نیست ولی چرا ویژگی خفنی است؟

چون LUO دارای State Machine و Callback API است که به سایر subsystemهای مثل KVM اجازه مدیریت فرآیند به‌روزرسانی را می‌دهد.

با بهره‌گیری از Kernel Hotplug Operations، وضعیت حافظه را از هسته قدیمی به هسته جدید منتقل می‌کند.
این کار به هسته جدید امکان می‌دهد از جایی که هسته قبلی متوقف شده، ادامه دهد، در حالی که همچنان یک راه‌اندازی مجدد واقعی انجام شده است.

رویکرد LUO به‌ویژه در محیط‌های پیچیده مانند زیرساخت‌های ابری، امکان توسعه (extensible) را فراهم می کند و هماهنگی را تا حد زیادی بالا می‌برد.

https://lore.kernel.org/lkml/20250320024011.2995837-1-pasha.tatashin@soleen.com/

@DevTwitter | <Vahid Nameni/>

همین الان پروژه جدیدمو که تو ی روز درست کردم منتشر کردم، ی ابزاره برای برنامه نویس ها که داکر کامپوز هاشونو با کد بنویسن و سپس تبدیلش کنن به یک فایل داکر کامپوز یا حالا DCaC

https://github.com/amirparsadd/compocompo

@DevTwitter | <AmirParsa Baghdadi/>

یک برنامه نوشتم که خیلی ساده هرکسی خواست یک ربات تگلرام درست کنه که در اعزای هر دستوری کار خاصی بکنه دیگه کد ننویسه
کافیه توی فایل yaml دستور و بعد متن و یا فایل ها رو مشخص کنید. همین
ربات شما آماده‌ست :)

https://github.com/shabane/commodore

@DevTwitter | <Arya Shabane/>

داشتم پروژه Cutie رو بررسی میکردم متوجه شدم همکاری دانشگاه ایلینویز با مرکز تحقیقات آدوبی بوده. جالب بود این Adobe research. دربارش سرچ کردم جای خفنیه.
پروژه Cutie
github.com/hkchengrex/Cutie
مرکز تحقیقات Adobe:
research.adobe.com‎

@DevTwitter | <Amir/>

با تکنیک «آنالیز احساس» یا همون Sentiment Analysis اومدن توهین‌های لینوس تروالدز (خالق لینوکس و گیت) رو طبقه‌بندی کردند :)))
بالاخره یکی هم پیدا شد که یه حرکت فان با AI بزنه :))

https://github.com/corollari/linusrants

@DevTwitter | <Mohammadreza Haghiri/>

ساده ترین سیستم RAG رو توی حدود صد خط کد نوشتم که کاملا لوکال روی سیستم خودتون ران میشه.
استار فراموش نشه

https://github.com/mshojaei77/ollama_rag

@DevTwitter | <Shojaei/>