Ai Casts | Ai for Software

از قشنگ‌ترین دیدگاه‌هایی که این چند ماهه درباره‌ی «نقش هوش مصنوعی در مهندسی نرم‌افزار» دیدم٬ ارائه‌ی Adam Bender هست. نقطه قوتش این نیست که چیز جدیدی درباره‌ی مدل‌ها بگه، بلکه اینه که می‌گه نمی‌شه فقط به سرعت تولید کد نگاه کرد و قضاوت کرد که هوش مصنوعی چقدر داره کمک می‌کنه. باید کل محیط توسعه‌ی نرم‌افزارتون رو به‌عنوان یه سیستم پیچیده ببینید، با همون اصطلاحی که خودش ساخته، "بوم‌شناسی نرم‌افزار" یا software ecology - یعنی مطالعه‌ی کامل مجموعه‌ی انسانی و تکنیکی شرکت که در کنار هم نرم‌افزار رو تولید می‌کنه. این نکته که فرهنگ یه تیم و معماری سیستم‌ش از هم جدا نیستن، دقیقاً همون چیزیه که خیلی از ما هم باهاش دست‌وپنجه نرم می‌کنیم - یه تیم اگه فرهنگ خرابی داشته باشه و بعد هوش مصنوعی رو هم بهش اضافه کنه، نتیجه نه‌فقط بهتر نمی‌شه، بلکه همون ناکارآمدی رو با سرعت بیشتر تکرار می‌کنه. این دقیقاً همون چیزیه که گزارش DORA هم چند بار تو دو سال اخیر گفته: هوش مصنوعی فقط یه تقویت‌کننده‌ست (amplifier)، نه یه راه‌حل. اصول خوب رو تقویت می‌کنه، اصول بد رو هم همینطور. نکته‌ای که برام جالب بود، بحث «لحظه‌ی 10x شدن»ـشه. می‌گه فرق بین سریع‌تر کد تولید کردن و سریع‌تر مهندسی کردن (engineering) از زمین تا آسمونه. بعد یکی‌یکی بخش‌های سیستم رو بررسی می‌کنه: زمان بیلد، بازبینی کد، تست، کنترل نسخه، انتشار نسخه، برگشت به نسخه‌ی قبل - و می‌گه همه‌ی این‌ها برای سرعت انسانی طراحی شدن، و اگه بخوای ده برابر سریع‌تر کد تولید کنی ولی این بخش‌ها رو متناسب باهاش جلو نبری، کل سیستم می‌شکنه. این خیلی شبیه چیزیه که تو هر زیرساخت بزرگی می‌بینیم - یه جای سیستم رو سریع می‌کنی، ولی فشار میره رو جای دیگه‌ای که اصلاً برای اون حجم طراحی نشده بوده و خودش تبدیل به نقطه‌ی شکست می‌شه. اون بحث «کنترل ذهنی روی سیستم» یا همون intellectual control هم خیلی به دلم نشست. می‌گه تقریبا پانزده ساله که ما مهندسین نرم‌افزار این جنگ رو داریم می‌بازیم - سیستم‌ها اونقدر بزرگ شدن که هیچ‌کس نمی‌تونه کامل تو ذهنش معماری‌شون رو نگه داره (یه آزمایش جالب پیشنهاد می‌ده: از تیمت بخواه نقشه‌ی معماری سیستم رو بکشن، ببین چقدر فرق دارن). ولی برخلاف خیلی‌ها که ممکنه فقط منفی نگاه کنن، می‌گه شاید هوش مصنوعی بتونه برعکس عمل کنه و کمک کنه این کنترل رو پس بگیریم - مثلاً یه مدل تعاملی از معماری سیستم که بشه ازش پرسید «اگه ظرفیت (capacity) رو از اینجا به اونجا منتقل کنیم چی می‌شه؟». این برام جالب‌تر از صرف تولید کد بود، چون داره می‌گه ارزش واقعی هوش مصنوعی نه‌فقط نوشتن کد، بلکه فهمیدن سیستم‌های بزرگه. نتیجه‌ای که می‌گیره هم به نظرم درسته: رویه‌ها(practices) تغییر می‌کنن، اصول(principles) می‌مونن. اگه نفهمی چرا تیمت یه جور خاص تست می‌نویسه یا منتشر می‌کنه، نمی‌تونی اون رو درست تغییر بدی. این مسئولیت رو هم می‌اندازه گردن مهندس‌های ارشد، نه فقط مدیریت بالادست - می‌گه شما باید برای کیفیت و طراحی درست حرفتون رو بزنید، چون احتمالاً مدیرتون این کار رو نمی‌کنه. واکنش‌هایی هم که دیدم متفاوت بود - بعضی‌ها همین نگاه رو دقیقاً چیزی می‌دونن که صنعت لازم داشت، بعضی‌ها هم می‌گن خیلی کلی‌گوییست. به نظر من خود ایده ارزشمنده، ولی باید عملیاتیش کرد - یعنی واقعاً بنشینی ببینی تو سیستم خودت کدوم بخش اول می‌شکنه. تجربه شخصی خودم هم در تلاش‌های مختلف برای agentic کردن محیط توسعه همین بوده که در نهایت به این نتیجه رسیدم واقعا اگه یه محیط agentic توسعه بخواد موثر باشه باید حتما جنبه های socio-technology ecosystem رو با هم در نظر بگیری. تعامل اجتماعی-فنی در کنار هم داره باعث توسعه نرم‌افزار میشه و این دو عامل در طی زمان co-evolve میشن و تغییر یکی‌شون دیگری رو هم تحت تاثیر قرار میده. https://www.youtube.com/watch?v=2n41YjR5QfU @gocasts

چند روزه ایجنت کد جدید شیائومی رو امتحان میکنم و در یک کلمه میتونم توصیفش کنم: «تحسین برانگیز» یه پلن رایگان داره که از اینجا میتونید نصبش کنید و استفاده کنید. https://github.com/XiaomiMiMo/MiMo-Code یه نمونه تستی که ازش گرفتم اینجوری بود که پاسخ Codex - ChatGPT 5.5-High و Claude Sonnet 4.6-Max رو باهاش به اشتراک میذاشتم و پاسخ هایی که در جواب اونا بهم داد کیفیت و بلوغی داشت که خوشم اومد ازش. قطعا تست چند روزه نمیتونه ارزیابی کافی ای باشه اما حتما امتحان کردنش میارزه مخصوصا که پلن رایگان هم داره @gocasts

در سومین جلسه دورهمی TechTalk در مورد بازتعریف نقش مهندس نرم افزار در عصر Ai Agents صحبت کردم. امیدوارم که ارائه مورد توجه عزیزان همراه قرار گرفته باشه و مفید بوده باشه. بابت همه کم و کاستی ها عذرخواهی میکنم. موضوع ai agents و نقش اونا در بازتعریف مسئولیت‌های مهندس نرم‌افزار چیزیه که کمتر بهش پرداخته میشه و این موضوع روز به روز اهمیت بیشتری پیدا میکنه و لازمه که براش آماده باشیم. ان شاءالله در آینده بیشتر در موردش صحبت میکنم. با تشکر از امیر عزیز که چنین بستری رو فراهم کردن و تمام دوستان زحمت کش TechTalk | تِک تاک ممنون از AvalAI و GSMPay که اسپانسر این دورهمی بودن تا این جمع بتونه دور هم باشه. @gocasts Ai for Software @aicasts_ir

ایجنت کد Claude Code حالا LSP داره! نسخه 2.0.74 یه قابلیت خفن اضافه کرد: Language Server Protocol چرا مهمه؟ قبلاً Claude برای پیدا کردن تعریف یه تابع باید با grep کل پروژه رو بگرده. حالا با LSP مستقیم میره سر تعریف اصلی. استفاده از grep مثلا ۴۵ ثانیه زمان احتیاج داشت برای پیدا کردن رفرنس ها ولی lsp در ۵۰ میلی ثانیه پاسخ میده! هزینه توکن فقط حدود 500 توکن اضافه میشه به context. ارزشش رو داره وقتی تو یه codebase ناآشنای بزرگ داری کار میکنی. زبان‌های ساپورت شده Go, TypeScript, Python, Rust, Java, C/C++, PHP, Ruby, Kotlin, C# این فیچر خیلی به درد میخوره. دیگه Claude سردرگم نمیشه تو فایل‌ها. https://code.claude.com/docs/en/plugins-reference#lsp-servers 📱 @gocasts Ai for Software 📱 @aicasts_ir

واقعاً لذت بردم از نحوه نوشتن این مقاله. نویسنده یه موضوع نسبتاً پیچیده رو با انیمیشن و visualization های تعاملی طوری توضیح داده که قدم به قدم باهاش جلو میری. از اون مقاله‌هاییه که آدم دلش میخواد کاش همه مطالب فنی اینجوری نوشته میشدن. موضوعش prompt caching توی LLM هاست. اگه با API های Claude یا OpenAI کار کرده باشید، دیدید که cached tokens حدود ۱۰ برابر ارزون‌ترن. ولی سوال اینه: دقیقاً چی داره cache میشه؟ جواب این سوال کمک میکنه بهتر بفهمیم LLM ها از درون چطور کار میکنن. خلاصه‌اش اینه که توی مکانیزم Attention، هر token باید با همه tokenهای قبلی مقایسه بشه تا مدل بفهمه به کدوم‌ها توجه کنه. این مقایسه با ماتریس‌های Q و K انجام میشه و نتیجه نهایی با V ترکیب میشه. نکته کلیدی اینه که K و V مربوط به tokenهای قبلی هیچوقت عوض نمیشن. پروایدرها (مثل OpenAI و Anthropic) این K و V رو برای ۵ تا ۱۰ دقیقه نگه میدارن. اگه request بعدی با همون prefix شروع بشه، دیگه لازم نیست از اول محاسبه بشه. نتیجه‌ش هم میشه تا ۱۰ برابر کاهش هزینه و تا ۸۵ درصد کاهش latency. یه نکته جالب هم داره: OpenAI اتوماتیک cache میکنه با حدود ۵۰ درصد hit rate، ولی Anthropic کنترل رو دست شما میده و ۱۰۰ درصد hit میخوره. برای سیستم‌هایی که latency قابل پیش‌بینی میخوان، این تفاوت مهمه. اینم لینک مقاله https://ngrok.com/blog/prompt-caching 📱 @gocasts Ai for Software 📱 @aicasts_ir

این چند ماه که از claude زیاد استفاده کردم کاملا به یه سطحی رسیده بود که دیگه از vibe coding فراتر رفته بود و خودم اسم‌ش رو گذاشته بودم agent-first development. معتقدم بزودی باید تلاش کنیم یه بازبینی اساسی در روند توسعه هامون داشته باشیم چون سطح کارآمدی توسعه agent-first کاملا متفاوته با agent-assisted. برای agent-first شدن در سطح سازمان و شرکت هایی که سرویس و codebaseهای بزرگ دارن باید از همین امروز کار شروع بشه که انتظار داشت چند سال دیگه بهینگی مد نظر بدست بیاد. ولی برای سرویس های کوچیک و استارت‌آپ ها میشه انتظار داشت که در بازه کوتاه مدت این کارآمدی زودتر خودش رو نشون بده. امروز که گوگل همراه با معرفی Gemini 3 Pro از یه IDE جایگزین cursor رونمایی کرده که اسمش رو گذاشته Antigravity نکته جالبش اینه که همون اول که میخوای نصب‌ش کنی ازت میپرسه که میخوای agent-driven توسعه بدی یا agent-assisted. درسته که recommendationش فعلا روی agent-assisted هست ولی احتمالا بزودی این اولویت‌بندی هم تغییر میکنه.. https://antigravity.google 📱 @gocasts Ai for Software 📱 @aicasts_ir

بین مدل های ai برای برنامه نویسی claude کیفیت بهتری داره از نظر من، و بین ابزارهای coding assistantی که استفاده کردم از نظر ux از همه بیشتر حس بهتری با claude-cli داشتم خیلی ساده ست و developer friendly ❤️ پیشنهاد میکنم حتما pair programming رو باهاش شروع…

بین مدل های ai برای برنامه نویسی claude کیفیت بهتری داره از نظر من، و بین ابزارهای coding assistantی که استفاده کردم از نظر ux از همه بیشتر حس بهتری با claude-cli داشتم خیلی ساده ست و developer friendly ❤️ پیشنهاد میکنم حتما pair programming رو باهاش شروع کنید. نه تنها سرعت و کیفیت کارتون بهتر میشه، بلکه دانش مهندسی نرم افزارتون هم تقویت میشه، و اصلا مجبور میشید دانش مهندسی نرم افزارتون رو تقویت کنید که خروجی بهتری از این ابزارها بگیرید... دیروز claude مدل ۴.۵ش هم منتشر کرد 🔡 https://x.com/claudeai/status/1972706807345725773?t=dXPd03zVf472NZATrLFvLw&s=35 📱 @gocasts Ai for Software 📱 @aicasts_ir

https://x.com/leerob/status/1946323104692945188 https://x.com/mitsuhiko/status/1946326768664625604 @gocasts Ai for Software @aicasts_ir

https://x.com/leerob/status/1946323104692945188 https://x.com/mitsuhiko/status/1946326768664625604 @gocasts Ai for Software @aicasts_ir

سلام به همه دوستان، احتمال خیلی زیاد خبرهای مبنی بر قطع دسترسی به اینترنت بین الملل رو شنیدید، برای اینکه از حال همدیگه بی خبر نمونیم مجبوریم از یه پلتفرم داخلی موقت استفاده کنیم که بتونیم از حال هم با خبر باشیم. بین پلتفرم های داخلی شاید بله از بقیه شون قابل استفاده تر باشه، من اینجا کانال زدم اگه تمایل داشتید عضو بشید https://ble.ir/gocasts چه اومدید و چه نیومدید بدونید خیلی خیلی مخلص تک تکتونم، مواظب خودتون باشید، به امید دیدار همه تون، خیلی زود، در پناه خدا ❤️ یا علی @gocasts

لذت بردم از خوندن این مقاله امروز مقاله‌ای خوندم به اسم «My AI Skeptic Friends Are All Nuts» نوشته‌ی Thomas Ptacek که خودش خیلی برنامه نویس با سابق ای هست، سعی کرده نگاهی صریح و جسورانه داشته باشه به این‌که چرا نادیده گرفتن ابزارهای AI در توسعه نرم‌افزار اشتباهه. نکته‌ش چیه؟ AI قرار نیست خلاقیت رو حذف کنه، ولی واقعاً داره نحوه کدنویسی ما رو متحول می‌کنه. از درک ساختار کد تا اجرای تست‌ها — مدل‌های زبانی بزرگ فراتر از یک دستیار عادی هستن، بلکه شیوه کار کردن و کدنویسی رو متحول میکنن. این مقاله نمی‌گه که هوش مصنوعی قراره برنامه‌نویس‌ها رو جایگزین کنه. بلکه پیام اصلیش خیلی ‌واقع‌بینانه‌تره: برنامه‌نویس‌ها باید هوش مصنوعی رو بپذیرن — نه از ترسِ حذف شدن، بلکه چون می‌تونه اون‌ها رو چند برابر مؤثرتر کنه. نویسنده مقاله منتقد کسانیه که بدون شناخت درست، ابزارهای AI رو دست‌کم می‌گیرن. هوش مصنوعی قرار نیست تفکر خلاق، طراحی معماری، یا حل مسئله‌های عمیق رو جایگزین کنه. و نکته مهم اینه که این موارد همچنان قلب مهندسی نرم‌افزارن. نکته مهم دیگه اینه که AI می‌تونه کارهای تکراری، روتین و وقت‌گیر رو مثل جست‌وجوی داکیومنت‌ها، درک کدهای بزرگ، یا نوشتن تست‌های ساده رو انجام بده. برنامه‌نویسی که از AI به درستی استفاده کنه، ابزار قدرتمندی در دستشه. کسی که نادیده‌ش بگیره، ممکنه عقب بیفته — نه به این دلیل که حذف می‌شه، بلکه چون از بقیه عقب می‌مونه. نکته آخر اینکه بحث «AI برای جایگزین برنامه‌نویس» نیست. بحث «برنامه‌نویسی به کمک AI در برابر برنامه‌نویسی بدون AI» هست. قرار نیست AI جای برنامه نویس رو بگیره. اما برنامه‌نویسی که از AI استفاده می‌کنه، شاید جای کسی که از AI به درستی استفاده نمیکنه رو بگیره. این لینک مقاله اصلی https://fly.io/blog/youre-all-nuts @gocasts Ai for Software @aicasts_ir

MCP آشنایی با چند وقتی هست که شرکت Anthropic سازنده Cluade AI یک استانداردی رو معرفی کرده به اسم Model Context Protocol خیلی خلاصه بخوام بگم MCP یه راه استاندارد برای integration هست که به AI systemها مثل Cluade اجازه بده به external resourceها مثل دیتابیس،…

MCP آشنایی با چند وقتی هست که شرکت Anthropic سازنده Cluade AI یک استانداردی رو معرفی کرده به اسم Model Context Protocol خیلی خلاصه بخوام بگم MCP یه راه استاندارد برای integration هست که به AI systemها مثل Cluade اجازه بده به external resourceها مثل دیتابیس، api و غیره وصل بشن برای استخراج اطلاعات. خودشون اینطوری معرفی کردن که MCP رو چیزی شبیه پورت USB-C ببینید برای اپلیکیشن های ai. همانطور که پورت usb-c روی دستگاه ها یه روش استاندارد وصل کردن اونا به لوازم جانبی هست، MCP هم یه راه استاندارد برای اتصال مدل های ai به منابع و ابزار متفاوت و متنوع هست. ۳ تا کامپوننت اصلی داره: هاست یا همون ai application مثل cluade کلاینت MCP که توسط ai model استفاده میشه تا با منابع خارجی ارتباط بگیره سرور MCP که مسئولیت برقراری ارتباط بین کلاینت MCP و منبع خارجی رو داره مزیت ش چیه؟ به شما اجازه میده که ایجنت ها و workflowهای پیچیده بر روی LLMها بسازید و بین LLMهای مختلف سوییچ کنید. https://modelcontextprotocol.io/introduction @gocasts Ai for Software @aicasts_ir

خب بریم سراغ اولین مقاله ای که درباره الگوهای Generative AI در نرم افزار صحبت می‌کنه یکی از نویسندگان این مقاله Martin Fowler معروفه عنوان مقاله هست Emerging Patterns in Building GenAI Products این مقاله به بررسی الگوها و روش‌های مختلف برای استفاده مؤثر از GenAI در توسعه نرم‌افزار و سایر حوزه‌ها می‌پردازه. این مقاله integrate شدن GenAI، به ویژه مدل‌های زبانی بزرگ (LLM) در workflowها رو برای افزایش بهره‌وری، خلاقیت و حل مسئله بررسی می‌کنه. در تصویر، لیستی از الگوهایی که مقاله به بررسی اونها پرداخته رو میبینید که شرح بیشتر هر کدوم در مقاله ارائه شده. این مقاله تأکید می‌کند که GenAI ابزاری برای تقویت قابلیت‌های انسانی است، نه جایگزینی برای اون، و اهمیت ادغام هوشمندانه و یادگیری مستمر رو برای به حداکثر رساندن پتانسیل‌ش برجسته می‌کنه. @gocasts Ai for Software @aicasts_ir

هوش مصنوعی حوزه های تخصصی خیلی متنوعی داره، سرعت تغییرش هم وحشتناک زیاده، تو Ai Casts سعی میکنیم تمرکزمون حول محور نقش ai برای توسعه software باشه. الگوها و practiceهایی که ai بوجود میاره، در مراحل طراحی، پیاده سازی و استفاده از software تاثیر بسزایی داره و بهتره که سعی کنیم این الگوهارو یاد بگیریم و ازشون استفاده کنیم. یه گروه هم ساخته شده که راحت تر بتونیم با همدیگه در مورد موضوعات مرتبط صحبت کنیم. از طریق این id میتونید عضو گروه بشید. @ai_software_eng کانال AiCasts @aicasts_ir کانال GoCasts @gocasts

Channel created