سی گرام | لینکدونی یک دیزاینر

Dembrandt یه ابزار خفن که با یه دستور، کل دیزاین‌سیستم هر سایتی رو برات درمیاره 👀 کافیه بنویسی dembrandt example.com و تموم. رنگ‌ها، فونت‌ها، اسپیسینگ، رادیوس، سایه‌ها، حالت‌های دکمه، حتی موشن و ترنزیشن‌ها — همه رو تحویلت می‌ده. نکته‌اش اینه که برخلاف ابزارهای دیگه، از روی داکیومنت یا فایل توکن نمی‌خونه؛ یه مرورگر واقعی باز می‌کنه و می‌بینه سایت واقعاً چی داره رندر می‌کنه. یعنی فاصله‌ی بین چیزی که تو فیگما طراحی شده و چیزی که آخر سر آنلاین شده رو نشونت می‌ده. خروجی‌هاش هم متنوعه: JSON، توکن استاندارد W3C، فایل DESIGN.md (که ایجنت‌های AI مستقیم می‌خوننش) و حتی یه برند گاید PDF آماده که بدی دست کلاینت. یه قابلیت باحال دیگه هم داره به اسم drift: یه نسخه رو به‌عنوان مرجع ذخیره می‌کنی، بعد از هر آپدیت دوباره اکسترکت می‌کنی و بهت نمره می‌ده که چقدر از دیزاین‌سیستمت فاصله گرفتی. عملاً دیزاین‌سیستم رو تبدیل می‌کنه به چیزی که خودش خودش رو چک می‌کنه. روی Claude Code، Cursor و Figma Make هم به‌عنوان MCP وصل می‌شه، پس می‌تونی بگی «برند فلان سایت رو دربیار و باهاش این صفحه رو بساز».

اگه برای طراحی رابط کاربر و تجربه کاربر (UI/UX) از هوش مصنوعی کمک می‌گیری، خیلی احتمال داره با یه مشکل تکراری درگیر شده باشی: اسم خیلی از اجزای رابط کاربری رو دقیق نمی‌دونی که بتونی درست توی پرامپت‌ها ازشون استفاده کنی، برای همین یا خروجی‌ها مبهم می‌شن، یا نتیجه‌ی AI با چیزی که تو تو ذهن‌ت داشتی فرق می‌کنه. این دقیقاً همون جاییه که NameThatUI وارد می‌شه و قضیه رو برات راحت‌تر می‌کنه. پلتفرم NameThatUI در اصل یه دیکشنری تصویری برای اجزای رابط کاربره؛ هر چیزی توی UI می‌بینی ولی اسم درست و فنی‌ش رو نمی‌دونی، می‌تونی اینجا پیداش کنی. سازنده‌ی سایت خودش یه طراحه و همین مشکل رو موقع کار با عامل‌های هوشمند داشته: بزرگ‌ترین مانع این بوده که «بدونم این چیزها اسم‌شون چیه» تا بتونم پرامپت دقیق بنویسم. به‌خاطر همین، این ابزار رو ساخته تا هم خودش، هم بقیه‌ی طراح‌ها و دولوپرها راحت‌تر با مدل‌های هوش مصنوعی کار کنن و دقیق‌تر پرامپت بنویسن کار اصلی NameThatUI اینه که به‌عنوان یه مرجع تصویری و متنی، اسم استاندارد و فنی المان‌های مختلف رابط کاربری رو نشونت بده، همراه با نمادها و شناسه‌هایی که تو فریم‌ورک‌ها و استانداردها استفاده می‌شن. مثلاً اگه با محیط macOS کار می‌کنی، می‌تونی ببینی این المان تو AppKit و SwiftUI دقیقاً چه اسمی داره، چه نمادی براش تعریف شده و از چه API یا شناسه‌ای استفاده می‌کنن؛ برای طراحی وب هم می‌تونی معادل HTML یا شناسه‌های مرتبط رو ببینی. این برای وقتی که با عامل‌های کدنویسی (coding agents) کار می‌کنی خیلی مهمه، چون هر چی اسم‌گذاری‌ات دقیق‌تر باشه، خروجی کد تمیزتر و قابل‌استفاده‌تر می‌شه. توی NameThatUI می‌تونی دو جور ازش استفاده کنی: یا خودت بین اجزای رابط کاربری بچرخی و مرورشون کنی، یا اون چیزی که جلو چشم‌ته رو با کلمات خودت—even اگه شلخته و غیر دقیق باشه—توصیف کنی و بذاری سایت حدس بزنه واقعاً با چه المانی طرفی و اسم درست‌ش چیه. ایده اینه که هر جستجو یه جور یادگیری برای سیستم محسوب می‌شه؛ یعنی هر بار کاربرها چیزی رو توصیف می‌کنن و دنبالش می‌گردن، سایت بهتر می‌فهمه دنبال چی هستن و کم‌کم روی همون‌ها هوشمندتر می‌شه. این دیکشنری الان تعداد زیادی المان مختلف رو پوشش می‌ده؛ از اجزای استاندارد رابط کاربری تو macOS (AppKit و SwiftUI) گرفته تا الگوهای رایج طراحی وب. برای هر کدوم، یه اسم ساده و قابل‌فهم، معادل فنی تو فریم‌ورک‌ها و استانداردها و تو خیلی موارد، یه متن آماده‌ی پرامپت برای عامل کدنویسی‌ات در اختیارت می‌ذاره. نتیجه اینه که به جای پرامپت‌های مبهم مثل «یه باکس خوشگل بذار اینجا»، می‌تونی خیلی دقیق بگی مثلاً «یه card با shadow سبک macOS، دکمه‌ی primary، فلان نوع navigation و فلان layout grid» و هوش مصنوعی بفهمه دقیقاً باید چی بسازه. یه نکته‌ی جذاب دیگه اینه که NameThatUI فقط روی خود اجزای رابط کاربری تمرکز نکرده، بلکه یه جور اطلس بصری برای سبک‌ها و استایل‌های مختلف طراحی هم داره. یعنی اگه دنبال مثلاً یه ظاهر نئومورفیک هستی ولی اسم‌ش رو درست نمی‌دونی یا نمی‌دونی معادلش تو ابزارها و استانداردها چیه، می‌تونی با تصاویر و مثال‌ها تو سایت سبک رو پیدا کنی، اسم‌ش رو یاد بگیری و بعد همون رو تو پرامپت‌هات دقیق استفاده کنی. این بخش واقعاً به درد طراح‌ها و دیزاینرهایی می‌خوره که هم با UI کار می‌کنن، هم با هوش مصنوعی و طراحی مولد سروکار دارن. در کل، فلسفه‌ی پشت NameThatUI اینه که واژگان رو تبدیل کنه به یه مهارت کلیدی در طراحی: تا وقتی نتونی چیزی که می‌خوای رو درست نام‌گذاری کنی، نمی‌تونی درست پرامپت بنویسی و از هوش مصنوعی خروجی قابل‌کنترل بگیری. پیام سایت ساده‌ست: «چیزی رو که می‌بینی، با کلمات خودت توصیف کن؛ اسم واقعی‌ش رو یاد بگیر؛ بعد با همون اسم دقیق، ایجنت کدنویسی‌ات رو با دقت پرامپت کن.» برای کسی که با مدل‌های زبانی و ایجنت‌های هوشمند کار می‌کنه، این یعنی یه جهش جدی تو کیفیت تعامل و نتایجی که از AI می‌گیره. اگه خودت هم در کنار ابزارهای طراحی مثل Figma و Sketch یا محیط‌های توسعه‌ی macOS کار می‌کنی و می‌خوای طراحی و کدنویسی رو با کمک هوش مصنوعی جلو ببری، NameThatUI عملاً برات نقش یه دیکشنری تخصصی همیشه‌در‌دسترس رو بازی می‌کنه. هر وقت اسم یه المان یادت نمیاد، سریع می‌تونی پیداش کنی، اسم استانداردش رو ببینی و تو پرامپت‌هات ازش استفاده کنی. این‌طوری هم روی زبان و واژگان طراحی مسلط‌تر می‌شی، هم خروجی‌های هوش مصنوعی‌ات دقیق‌تر، قابل‌اعتمادتر و نزدیک‌تر به چیزی می‌شن که از اول تو ذهن‌ت داشته‌ای. https://namethatui.com/ #طراحی #دیزاین ✈️@mohammad_zammani 📱Mohammad.zammani.offical

۱۲۳۳

🤓اگر می‌خواید یک صفحه وب رو با هوش مصنوعی تحلیل یا خلاصه کنید، بهتره اول لینکش رو به markdown.new بدید. این سرویس محتوای صفحه رو به یک فایل Markdown تمیز و ساختاریافته تبدیل می‌کنه و متن‌های اضافی، کدهای HTML و بخش‌های غیرضروری رو حذف می‌کنه. نتیجه اینه که مدل هوش مصنوعی با داده‌ای مرتب‌تر کار می‌کنه، توکن کمتری مصرف می‌شه و معمولاً خروجی هم دقیق‌تر و باکیفیت‌تر خواهد بود. این سرویس رایگانه و برای استفاده هم نیازی به ثبت‌نام نداره. ✈️@mohammad_zammani 📱Mohammad.zammani.offical

مربوط به ویدئو بالا

☠️ استفاده مجانی از Claude و کلاد کد روی سیستم خودتون! ⚡️ دستورات استفاده شده توی ویدئو + پرامپت سه بعدی: https://t.me/MatinSenPaii/4770 ⭐️ توی این ویدئو: 1- بهتون میگم که Harness چیه و دوتا پروژه با یه پرامپت یکسان که با مدل یکسان ولی Harnessهای متفاوت زدم رو بهتون نشون میدم 2- کلاد رو نصب میکنیم روی سیستم و به روش استفاده‌ی رایگان ازش رو یاد میگیریم 3- با استفاده از 9Router، بهش Mimo رایگان شیائومی رو وصل میکنیم و استفاده می‌کنیم ازش توی Claude Code 4- با استفاده از API از Kimi3(مدل قدرتمند Moonshot که توی بنچمارک‌های فرانت‌اند در حد Fable5 قدرتمند ظاهر شده بود) هم استفاده می‌کنیم 5- با Hermes+Mimo و با Claude+Mimo و با Claude+Kimi، و با یه پرامپت یکسان، یه بازی سه‌بعدی می‌سازیم و خروجی رو مقایسه می‌کنیم ⚠️ پیش‌نیازها و نکات مهم: 1️⃣همه‌ی مراحل ساده‌ست و نیاز به پیش‌نیاز خاصی نداره 📹 تماشا در یوتوب 💰 دونیت

یه مدل جدید پیدا کردم که ادعا مکینه مثل Claude coworkمیمونه رایگانه و تقریبا در سطح هوش بالای اون داره کار میکنه من امتحانش کردم برای من خیلی خوب جواب داد شما هم امتحانش کنین تا پویل0ش نکردن .. پرا میگم امتحان کنین؟ خب چون کلاد پولیه و محدودیت خودش رو داره من تا االان روی این محدودیت نخوردم https://www.kimi.com/products/kimi-work

این ابزار برای مقاله خوندن خیلی مفیده https://www.undermind.ai/ می‌شه یه شبکه از مقاله‌های مرتبط ایجاد کرد و خوند همچنین آپدیت هم می کنه مسیر پژوهش رو 🦊

چند تا دوره خیلی خوب مرتبط با هوش مصنوعی که رایگان هم هستند دوره‌های هوش مصنوعی گوگل از مبتدی تا پیشرفته https://www.skills.google/paths/118 دوره هوش مصنوعی مایکروسافت برای مبتدی‌ها https://microsoft.github.io/AI-For-Beginners/ دوره بررسی مفاهیم و الگوریتم‌های هوش مصنوعی دانشگاه هاروارد https://www.edx.org/learn/artificial-intelligence/harvard-university-cs50-s-introduction-to-artificial-intelligence-with-python دوره پرامپت‌نویسی کورسرا برای چت‌جی‌پی‌تی https://www.coursera.org/learn/prompt-engineering دوره‌های دیپ‌لرنیک مرتبط با پرامپت‌نویسی و هوش مصنوعی https://www.deeplearning.ai/courses/chatgpt-prompt-eng https://www.deeplearning.ai/courses/llmops دوره کلان‌داده و هوش مصنوعی و اخلاق https://www.coursera.org/learn/big-data-ai-ethics دوره اپلیکیشن‌ها و پرامپت‌نویسی https://www.edx.org/learn/computer-programming/edx-ai-applications-and-prompt-engineering دو تای اول خیلی دوره‌های خوبی هستند دید خیلی خوبی می‌دن بقیه بیشتر کاربردی هستند 🦊

اصول پرامپت نویسی از کمپانی Anthropic ( claude ) 🛑

دوره Design Systems 101

دوره Design Systems 101 ؛ یک دوره مقدماتی تا متوسط برای یادگیری طراحی و پیاده‌سازی Design System در محصولات دیجیتال. دوره شامل ۷۲ درس و بیش از ۱۰ ساعت ویدئو آموزشیه و هدفش اینه که به شما یاد بده چجوری یک Design System رو از سمت طراحی و کدنویسی راه‌اندازی کنید: مهم‌ترین سرفصل‌هاش؛ آشنایی با مفهوم Design System و انواع آن کار با Design System در Figma آشنایی با ابزارهای مهندسی و توسعه Design System فرآیندها و متدولوژی‌های کاری (Agile، Workflowها و ...) طراحی و ساخت کامپوننت‌ها پیاده‌سازی Design System با React و انتشار پکیج در NPM همگام‌سازی طراحی و کد مستندسازی و ساخت سایت مرجع (Documentation) مدیریت خلاقیت و خروج از چارچوب سیستم در مواقع لازم پروژه نهایی (Capstone Project) برای ساخت و توسعه یک Design System واقعی مشاهده جزییات بیشتر فایل هاش هم تقدیم شما : میتونید دانلود کنید 👇 https://t.me/+UpQfWlrmJkXm9DgJ

📚 کتاب رایگانِ روانشناسی طراحی محصول این کتاب یه منبع فوق‌العاده‌ست برای درک اینکه آدم‌ها چطور فکر می‌کنن، قضاوت می‌کنن، اعتماد می‌کنن، چیزها رو به خاطر می‌سپارن و تصمیم می‌گیرن. ولی فقط هم به این ختم نمی‌شه؛ Wouter de Bres.، نویسنده کتاب، خیلی قشنگ توضیح داده که مکانیزم‌های رابط‌های کاربری چطور ادراک و رفتار ما رو شکل می‌دن، و جالب‌تر اینکه خودِ تیم و فضای کاری‌تون هم مستقیماً روی خروجی نهایی تأثیر می‌ذاره. چیزی که در این کتاب جالب هست، اینه که نویسنده، فقط به تأثیر روانشناسی روی کاربران اشاره نکرده، بلکه رفته سراغ خودِ طراحان محصول و اینکه اون‌ها چطور تجربه کاربری رو می‌سازن. در واقع هم ذهن کاربر رو براتون باز می‌کنه، هم ذهن خودتون رو بهتون نشون می‌ده. 🟢 لینک مشاهده رایگان: https://productdesignpsychology.com/ + منبع تکمیلی #کتاب #طراحی_رفتار #طراحی_محصول 🫶@SodehDesign 🔘 Sodeh.me 👩🏻‍💻 https://linktr.ee/irSodeh

skills.sh — دایرکتوری متن‌باز Skill برای AI Agentها اگه با Claude Code، Cursor، Windsurf یا هر coding agent دیگه‌ای کار می‌کنی، این سایت بدردت می‌خوره. ایده اصلیش سادست: به جای اینکه هر بار یه prompt طولانی بنویسی تا agent بفهمه چطور با shadcn کار کنه، یا چطور تست بنویسه، یا چطور ویدیو generate کنه — یه بار skill نصب می‌کنی: npx skills add shadcn/ui همین. از اون به بعد agent «بلده». 🔗 skills.sh

یه پروژه‌ی جالب دیدم به اسم SurfSense، که بهش می‌گن جایگزین اوپن سورس NotebookLM 📞 اگه از NotebookLM میاید، باید بگم که SurfSense همون کارو می‌کنه؛ صرفا با کنترل کامل دست خودتون. خلاصه بخوام بگم، یه agent تحقیقاتی اوپن‌سورس و با تمرکز روی حریم خصوصیه که شبیه به کار NotebookLM رو انجام میده. 👍 مزایا نسبت به NotebookLM: • اتصال به ۲۵+ منبع: گوگل درایو، Notion، Slack، YouTube، GitHub و افزونه‌ی مرورگر برای ذخیره‌ی هر صفحه‌ای (حتی پشت لاگین) • آزادی انتخاب مدل: ۱۰۰+ مدل از طریق LiteLLM، یا اجرای کاملاً لوکال با Ollama و vLLM • بدون محدودیت داده: هیچ سقفی روی تعداد منبع و نوت‌بوک نیست، و دیتا روی سرور(یا سیستم) خودت می‌مونه • جستجوی بهتر: RAG دومرحله‌ای در برابر سرچ تک‌مرحله‌ای NotebookLM • قابلیت‌های تیمی جالب: به شما رول‌های Owner/Admin/Editor/Viewer میده + چت و کامنت و... • تولید پادکستا بدون محدودیته 😭 معایب: • نصبش هلو برو توی گلو نیست واقعا. رو اعصابه — باید با dependency، API key و فایل‌های Env کلنجار برید • هنوز کاملاً production-ready نیست و در حال توسعه‌ی فعاله • باید خودت میزبانی و نگهداری کنی؛ طبیعتا که راحتی NotebookLM رو نداره #️⃣ جمع‌بندی: صادقانه بگم، NotebookLM همچنان ساده‌تر و آماده‌تره ولی کاملاً بسته‌ست. SurfSense سخت‌تر راه میفته ولی دیتا و انتخاب مدل کاملاً دست خودته. اگه با self-hosting و سرور هم بخواید پیش برید، به درد بخورترینه. 🔗 ریپوی اصلی: github.com/MODSetter/SurfSense آدرس خود وبسایتش برای دانلود مستقیم نرم‌افزار: https://www.surfsense.com/ ✉️ t.me/MatinSenPaii

یکسری Repo خفن و بدردبخور: 1) project-based-learning https://github.com/practical-tutorials/project-based-learning یکی از بهترین ریپو‌ها برای یادگیری با ساختن پروژه واقعی. پر از tutorial و مسیرهای عملی برای زبان‌ها و تکنولوژی‌های مختلف. 2) freeCodeCamp https://github.com/freeCodeCamp/freeCodeCamp اگرچه معرف حضور هست، ولی هنوز یکی از قوی‌ترین ریپوهای آموزشیه. 3) The Odin Project https://github.com/TheOdinProject/curriculum برای یادگیری عمیق وب‌دولوپمنت با پروژه‌های واقعی. 4) OSSU Computer Science https://github.com/ossu/computer-science یک curriculum خیلی خوب برای علوم کامپیوتر از پایه تا پیشرفته. 5) study-path https://github.com/joebew42/study-path کاربردی برای clean code، TDD، refactoring، DDD، architecture و microservices. 6) study-path-software https://github.com/dancourbano/study-path-software مثل ریپوی قبلیه ولی مهندسی‌وارتر 7) se-study-path https://github.com/junaidshad/se-study-path یک learning path مرتب برای software engineering practices. 8) architect-study-path https://github.com/nabqazi/architect-study-path اگر به architecture و design principles علاقه داشته باشی، خوبه. 9) CleanArchitecture https://github.com/ardalis/CleanArchitecture یکی از معروف‌ترین نمونه‌ها برای یادگیری Clean Architecture در عمل. 10) clean-architecture-software-sample-project https://github.com/maarten-vandeperre/clean-architecture-software-sample-project نمونه‌ پروژه برای فهم عملی معماری Clean. 11) agile-refactoring-and-architecture-demo https://github.com/oliynykroman/agile-refactoring-and-architecture-demo برای refactoring، TDD و code quality خیلی آموزشی و مفیده. 12) clean-code https://github.com/shift-elevate/clean-code بیشتر مثال‌محور و مناسب یادگیری refactor کردن کد. 13) professional-programming https://github.com/charlax/professional-programming مجموعه‌ای از منابع قوی برای بهتر شدن به عنوان software engineer. 14) software-engineering-principles-and-pratices https://github.com/Rajendran2201/Software-Engineering-Principles-and-Pratices برای مرور مفاهیم پایه و اصول مهندسی نرم‌افزار. 15) build-your-own-x https://github.com/codecrafters-io/build-your-own-x یکی از خفن‌ترین ریپوها برای یادگیری عمیق. می‌گه چطور چیزهایی مثل shell، database، compiler، interpreter، browser و git را از صفر بسازی. 16) The Algorithms https://github.com/TheAlgorithms/TheAlgorithms مرجع خیلی خوب برای دیدن پیاده‌سازی الگوریتم‌ها در زبان‌های مختلف. 17) public-apis https://github.com/public-apis/public-apis برای ساخت پروژه‌های تمرینی با APIهای واقعی. 18) awesome https://github.com/sindresorhus/awesome کیلو کیلو ریپوی بدردبخور و خفن 19) awesome-roadmaps https://github.com/liuchong/awesome-roadmaps مجموعه‌ای از roadmapها در موضوعات مختلف. 20) developer-roadmap https://github.com/kamranahmedse/developer-roadmap برای فهم مسیرهای یادگیری هر حوزه. 21) Coding Interview University https://github.com/jwasham/coding-interview-university یک مسیر کامل برای یادگیری و آماده‌شدن برای مصاحبه‌های نرم‌افزاری. 22) Tech Interview Handbook https://github.com/yangshun/tech-interview-handbook مجموعه‌ای کاربردی برای سوالات کدنویسی، مصاحبه رفتاری و سیستم‌دیزاین. 23) System Design Primer https://github.com/donnemartin/system-design-primer یکی از معروف‌ترین منابع برای یادگیری سیستم‌دیزاین. 24) LeetCode Patterns https://github.com/SeanPrashad/leetcode-patterns آموزش الگوهای مهم حل مسئله ‌ 25) Free Programming Books https://github.com/EbookFoundation/free-programming-books آرشیو بزرگی از کتاب‌های رایگان برنامه‌نویسی و علوم کامپیوتر. 26) 30 Seconds of Code https://github.com/30-seconds/30-seconds-of-code قطعه‌کدهای کوتاه و مفید برای یادگیری سریع و مرور مفاهیم. #Technical_knowledge @AbasiEhsan