.NET Internals

کلاد از دوم آگوست (۱۱ مرداد) شروع کرده به خروجی مدل ها برچسب زدن یعنی هرچی که کلاد تولید میکنه از متن تا کد تا عکس .... یه watermark پنهان اضافه میکنه و اینجوری پلتفرم ها میتونن بفهمنن که این خروجی AI بوده یا نه. اصل قضیه برای قبول کردن قوانین اروپا بوده ولی اینگاری گفته برای همه کشورها فعال میشه! https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content

تا امروز بیشتر از هوش مصنوعی خواسته‌ایم درباره دنیا برایمان حرف بزند. اما اگر مرحله بعد این باشد که بتواند قبل از انجام یک کار، نتیجه‌اش را در ذهن خودش امتحان کند چه؟ New Scientist در شماره این هفته که امروز منتشر شده همین سؤال را برده روی جلد: AI’S NEXT LEAP What happens when AI starts to experience the real world? ⸻ New Scientist مجله مدیریتی نیست؛ یکی از معتبرترین نشریات علمی دنیاست. این گزارش هم اساساً یک مطلب علمی درباره آینده هوش مصنوعی است. ولی برای من بخش جذابش جای دیگری بود: اگر AI از «جواب‌دادن» به سمت فهمیدن پیامدِ عمل حرکت کند، نقشش در شرکت‌ها هم عوض می‌شود. دیگر فقط نمی‌پرسیم: «چه چیزی برایم بنویسی؟» کم‌کم می‌پرسیم: «اگر این تصمیم را بگیرم، احتمالاً بعدش چه می‌شود؟» ⸻ مقاله با یک مثال خیلی ساده شروع می‌شود: یک لیوان را از روی میز بیندازید. ChatGPT می‌تواند برایتان درباره گرانش، مسیر سقوط و شکستن شیشه توضیح مفصل بدهد. اما یک بچه سه‌ساله فقط می‌گوید: می‌افته، می‌شکنه، آب می‌ریزه همه‌جا. و اتفاقاً نکته همین‌جاست. ⸻ بچه سه‌ساله شاید فرمول گرانش نداند، ولی یک چیز مهم دارد: می‌تواند حدس بزند اگر کاری انجام دهد، بعدش چه اتفاقی می‌افتد. مدل‌های زبانی امروز بیشتر از متن یاد گرفته‌اند که جهان چگونه توصیف می‌شود. اما World Model قرار است چیزی بیشتر یاد بگیرد: خودِ رفتار جهان را. ⸻ خیلی ساده اگر بخواهم بگویم: AI امروز بیشتر می‌پرسد: «درباره این موضوع چه می‌دانم؟» World Model قرار است بتواند بپرسد: «اگر این کار را انجام بدهم، بعدش چه می‌شود؟» این تفاوت کوچکی نیست. ⸻ یعنی AI قبل از عمل، چند آینده ممکن را درون خودش امتحان کند. حرکت A را انجام بدهم چه می‌شود؟ B چطور؟ اگر شرایط عوض شد چه؟ بعد از بین آن‌ها یک مسیر انتخاب کند. نوعی آزمون و خطا در ذهن، قبل از آزمون و خطا در واقعیت. ⸻ برای همین بخش مهمی از هیجان فعلی درباره World Models مربوط به ربات‌هاست. مثلاً رباتی که می‌خواهد چیزی را جابه‌جا کند، لباس تا کند یا در انبار کار کند، لازم نیست همه اشتباهات را واقعاً انجام دهد. می‌تواند اول نتیجه حرکت‌های مختلف را «تصور» کند و بعد اقدام کند. ⸻ حالا از اینجا به بعد، مقاله را کمی از زاویه مدیریت نگاه کنیم. تا امروز بیشتر بحث سازمان‌ها این بوده: AI چه چیزی برای من بنویسد؟ چه چیزی خلاصه کند؟ چه گزارشی تولید کند؟ ولی نسل بعدی احتمالاً سؤال دیگری می‌سازد: AI قبل از تصمیم من، چه سناریوهایی را می‌تواند امتحان کند؟ ⸻ مثلاً در کسب‌وکار: اگر قیمت را تغییر بدهم چه می‌شود؟ اگر این شعبه را ببندم چه؟ اگر موجودی انبار را کم کنم؟ اگر این مسیر لجستیکی مختل شود؟ اگر مشتری این پیشنهاد را نپذیرد، حرکت بعدی چیست؟ AI از «تولیدکننده جواب» کم‌کم می‌تواند به شبیه‌ساز پیامد تصمیم‌ها نزدیک شود. ⸻ برای استراتژی هم جذاب‌تر می‌شود. مدیر معمولاً فقط یک پیش‌بینی نمی‌خواهد. می‌خواهد بداند: اگر دنیا این‌طور شد چه کنم؟ اگر برعکس شد چه؟ اگر اتفاقی افتاد که در برنامه من نبود چه؟ World Models دقیقاً به ایده فکرکردن در چند آینده ممکن نزدیک می‌شوند. نه اینکه آینده را قطعی پیش‌بینی کنند؛ بلکه بتوانند پیامد چند مسیر را قبل از اقدام بررسی کنند. ⸻ البته خود مقاله خیلی محتاط است. هنوز معلوم نیست World Models واقعاً ما را به AGI برسانند. چون هوش انسانی فقط پیش‌بینی فیزیک نیست. ما می‌فهمیم چه چیزی را نمی‌دانیم، ذهن دیگران را حدس می‌زنیم، فرضیه می‌سازیم و بسته به موقعیت، مدل ذهنی‌مان را عوض می‌کنیم. AI هنوز در خیلی از این‌ها مشکل دارد. ⸻ شاید برای مدیران، نکته مهم مقاله همین باشد: موج اول AI بیشتر درباره تولید بود. متن، تصویر، کد، گزارش… موج بعدی ممکن است بیشتر درباره پیش‌بینی پیامد، شبیه‌سازی و عمل باشد. یعنی حرکت از: «برایم توضیح بده چه می‌شود» به: «قبل از اینکه کاری کنم، چند بار در ذهنت امتحانش کن.» ⸻ و شاید تیتر New Scientist به همین دلیل خوب انتخاب شده: AI’S NEXT LEAP جهش بعدی AI شاید این نباشد که بیشتر بداند یا بهتر حرف بزند. شاید این باشد که بتواند کمی شبیه ما فکر کند: اگر این کار را بکنم… بعدش چه می‌شود؟ برای کسب‌وکار، این تفاوت بین یک ابزار تولید محتوا و چیزی بسیار نزدیک‌تر به یک همکار برای تصمیم‌گیری است.

بعضی کارها سخت نیستند؛ فقط پایان مشخصی ندارند. جلسه ها ادامه پیدا می‌کند و پایان باز دارند. گزارش بارها ویرایش می‌شود و تصمیمی که می‌شد امروز گرفت، هفته بعد همچنان «در حال بررسی» است. ———— ستون Bartleby  در یادداشت تازه‌اش در اکونومیست این هفته از یکی از…

بعضی کارها سخت نیستند؛ فقط پایان مشخصی ندارند. جلسه ها ادامه پیدا می‌کند و پایان باز دارند. گزارش بارها ویرایش می‌شود و تصمیمی که می‌شد امروز گرفت، هفته بعد همچنان «در حال بررسی» است. ———— ستون Bartleby  در یادداشت تازه‌اش در اکونومیست این هفته از یکی از بدنام‌ترین چیزهای محیط کار دفاع کرده: ددلاین عنوان یادداشت هم بامزه است: دوستِ اهمال‌کارها، دشمنِ پرحرف‌ها و ضرورتِ مدیران ———— اولین فایده ددلاین روشن است: نمی‌گذارد کار را تا ابد عقب بیندازیم. در یک پژوهشی که داوران کم‌اهمال‌کار به‌طور متوسط در ۲۶ روز رأی خود را نوشتند؛ داوران اهمال‌کارتردر ۸۳ روز انجام دادند. اختلاف، بیشتر از دو ماه بود؛ نه به‌خاطر سخت‌تر بودن کار، بلکه به‌خاطر نحوه مواجهه با زمان. ———— نکته جالب این است که حتی تعیین یک تاریخ ساده هم می‌تواند آدم‌ها را به حرکت بیندازد. در پژوهشی درباره یادآوری معاینه دندان‌پزشکی، افرادی که تاریخ مشخصی برای اقدام داشتند، بیشتر از کسانی واکنش نشان دادند که فقط یک یادآوری کلی دریافت کرده بودند. گاهی آدم‌ها به انگیزه بیشتر نیاز ندارند؛ به یک "تا این تاریخ" نیاز دارند. ———— اما ددلاین فقط برای تنبل‌ها نیست. گاهی کار به‌دلیل کمال‌گرایی، تحلیل بیشتر و حرف‌زدن‌های بی‌پایان تمام نمی‌شود. اریک اشمیت، مدیرعامل سابق گوگل، فرمول تصمیم‌گیری خوب را این‌طور خلاصه کرده بود: اختلاف‌نظر + ددلاین اختلاف‌نظر کمک می‌کند مسئله را درست بررسی کنیم؛ ددلاین نمی‌گذارد بررسی، جای تصمیم را بگیرد. ———— از یک جایی به بعد، زمان بیشتر الزاماً کیفیت بیشتری نمی‌سازد. فقط جمله‌ها دوباره جابه‌جا می‌شوند، اسلایدها رنگ عوض می‌کنند و همان بحث‌ها با واژه‌های تازه تکرار می‌شوند. ددلاین می‌گوید: این کار دیگر قرار نیست کامل‌تر شود؛ قرار است تمام شود. ———— ددلاین یک کار مهم دیگر هم می‌کند: به سازمان ریتم می‌دهد. وقتی یک واحد بداند چه زمانی باید کارش را تحویل دهد، واحد بعدی هم می‌فهمد چه زمانی باید شروع کند. پژوهش ثبت اختراع نشان داده بود فعالیت شرکت‌ها در پایان ماه، فصل و سال مالی بیشتر می‌شود. سازمان‌ها فقط با ساختار هماهنگ نمی‌شوند؛ با تقویم مشترک هم هماهنگ می‌شوند. ———— البته ددلاین می‌تواند خراب‌کاری هم بکند. اگر غیرواقعی یا نمایشی باشد، کار را عجولانه می‌کند، اختیار افراد را کم می‌کند و کیفیت را پایین می‌آورد. در همان پژوهش ثبت اختراع، پرونده‌هایی که نزدیک پایان ماه ارسال شده بودند، بیشتر نقص مدرک داشتند. ———— پس دفاع یادداشت از هر نوع ددلاینی نیست. ددلاین خوب باید: روشن باشد، واقع‌بینانه باشد، و معلوم کند برای تحویل چه کیفیتی کافی است. نه اینکه مدیر سه هفته سکوت کند و روز آخر بپرسد: "پس چرا هنوز آماده نشده؟" ———— شاید مهم‌ترین کار ددلاین این نباشد که آدم‌ها را سریع‌تر کند. کار مهم‌ترش این است که میان «هنوز می‌شود بهترش کرد» و «وقت تصمیم‌گرفتن است» یک خط بکشد. بعضی کارها به زمان بیشتر نیاز ندارند؛ به اجازه تمام‌شدن نیاز دارند.

توی شرکت یه قانون هست به نام No Hello! هدف اینه در چت‌های کاری فقط «سلام» یا «Hi» نفرستید و منتظر پاسخ نمانید. به‌جای آن، همان پیام اول را همراه با سؤال یا درخواست و کمی توضیح بفرستید تا طرف مقابل هر زمان فرصت داشت بتواند مستقیم جواب بدهد. این کار رفت‌وبرگشت‌های اضافی را کم می‌کند، زمان هر دو نفر را حفظ می‌کند و ارتباط را مؤثرتر می‌کند. یه سایت هم هست براش https://nohello.net/en/ نسخه فارسیش هم گذاشتن https://nohello.net/fa/ خودم به شخصه خیلی مفید میدونم اینکارو دلیلی نداره یه سلام بدی و انتظار داشته باشی اول طرف جواب بده بعد تازه کارتو بگی (البته تو محیط کاری).

سلام و درود به همه. امروز هم یه فیچر جدید و یه ویدیو جدید. 🧶 همیشه لازم نیست برای مدیریت Permissionها چندین فیلد در دیتابیس داشته باشیم یا ساختار پیچیده‌ای طراحی کنیم. یک راهکار ساده و بهینه، استفاده از Bitmasking است. در این روش، هر Permission معادل یک بیت در یک عدد در نظر گرفته می‌شود. به این ترتیب می‌توان تعداد زیادی دسترسی را تنها در یک فیلد ذخیره کرد و با استفاده از Bitwise Operations به‌سادگی بررسی کرد که آیا یک Permission خاص فعال است یا خیر. ❤️ مثل همیشه مشتی هستید و فیدبک میدید و همچنین راه حل های خودتون رو هم میگید. خیلی کمک کننده هست برای جامعه ی برنامه نویسی. مدت ویدیو: 26 دقیقه لینک ویدیو https://youtu.be/m97Ny2b_2cA

اینجا تجربه واقعی خودم رو از استفاده از Fable 5 گفتم، خیلی عجیب بود برام که این مدل چقد خوبه، مگه میشه مگه داریم! اگر شما هم از Fable 5 استفاده کردید تجربتون رو بگید. https://youtu.be/EIENYkfVNQE

❤️ برای سال سوم گرفتمش! خیلی برام ارزشمنده چون امسال خیلی سخت بود که تمدید بشه میریم برای ی سال دیگه💪

🧶 ما داریم خروجی ماشینی رو متر میکنیم، نه فهم انسانی رو. توی این محتوی صوتی سعی کردم این مطالب رو پوشش بدم. 🔸 بدهی درک مطلب (Comprehension Debt) چیست؟ 🔸 تفاوت بدهی فنی و بدهی درک مطلب 🔸 چرا بدهی درک مطلب خطرناک‌تر است؟ 🔸 داستان تیم دانشجویی و شکست پروژه 🔸 از واگذاری کدنویسی تا واگذاری تفکر 🔸 مطالعه Anthropic؛ آیا AI واقعاً بهره‌وری را افزایش می‌دهد؟ 🔸 چرا مهندسان درک عمیق‌تری از سیستم ندارند؟ 🔸 تله KPIها و معیارهای اشتباه سازمان‌ها 🔸 چرا مدیران متوجه این مشکل نمی‌شوند؟ 🔸 هوش مصنوعی چگونه Code Review را سخت‌تر کرده است؟ 🔸 چرا تست‌های خودکار کافی نیستند؟ 🔸 محدودیت Specها و مستندسازی دقیق 🔸 امضای کدی که نمی‌فهمیم 🔸 مسئولیت مهندس نرم‌افزار در عصر AI ❤️ مشتی هستید، اگه دوست داشتید برای بقیه دوستان هم بفرستید. اسم کانال هم گفتن بزارید ته پست ها. @iCodeNext

New HTTP method: QUERY به احتمال زیاد تو پیاده سازی Api جستجو موقعی که تعداد زیادی پارامتر داشته باشید یه سری مشکلات برخورد میکنید مثلا طول Url موقعی که زیاد باشه وب سرور خطا میده 414 Request-URI Too Large البته میشه کانفیگ کرد و خوب بر خلاف میل باطنی بعضی وقتا تصمیم میگیریم با اینکه باید GET باشه ولی مجبورم از POST استفاده کنیم که توی بادی ریکوست بدیم بره:) حالا این متد QUERY اومده برای همین دلیل! بد نیست یه نگاهی به داکیمنتش کنید https://www.rfc-editor.org/rfc/rfc10008.html?

#HttpStatusCode #fun

راه حل موفقیت!

امروز تو شرکت داشتم با یکی از بچه ها درمورد نظریه پنجره شکسته صحبت میکردیم. ChatGPT: Broken Window Theory (نظریه پنجره شکسته) در برنامه‌نویسی یعنی: اگر یک مشکل کوچک، کد بد یا باگ جزئی را نادیده بگیریم، کم‌کم افراد بیشتری هم بی‌نظمی را عادی می‌بینند و کیفیت کل پروژه افت می‌کند. مثال: * یک فایل پر از کامنت‌های قدیمی و بی‌استفاده است. * یک تابع اسم نامناسبی دارد. * چند خط کد تکراری وجود دارد. اگر این موارد اصلاح نشوند، برنامه‌نویس‌های بعدی هم با خیال راحت کدهای نامرتب بیشتری اضافه می‌کنند. بعد از مدتی پروژه پر از «بدهی فنی» (Technical Debt) می‌شود و نگهداری آن سخت خواهد شد. 🔹 اسم این نظریه از یک مثال شهری آمده: اگر پنجره یک ساختمان شکسته باشد و تعمیر نشود، افراد تصور می‌کنند کسی به آنجا اهمیت نمی‌دهد و خرابکاری‌های بیشتری رخ می‌دهد. پیام اصلی برای برنامه‌نویس‌ها: > مشکلات کوچک را زود برطرف کن؛ نگذار کد نامرتب و خراب به حالت عادی تبدیل شود. به همین دلیل تیم‌های حرفه‌ای معمولاً: * باگ‌های کوچک را سریع رفع می‌کنند. * کد را مرتب و خوانا نگه می‌دارند. * قبل از Merge شدن، Code Review انجام می‌دهند. * تست‌ها را خراب رها نمی‌کنند. خلاصه: یک «پنجره شکسته» در کد، اگر تعمیر نشود، می‌تواند کل پروژه را به‌تدریج به هم بریزد. 🚪🔧💻 --------------- کوتاهش اینه که باید حس مسولیت پذیری داشته باشید اگر میبینید کدی خرابه یا یه جایی درست نیست ازش رد نشید و بگید این کد رو من نزدم با لید خودتون درمیون بذارید و حلش کنید یا حداقل دلیلشو بپرسید.

اگر شما هم مثه من دنبال صرفه جویی در توکن ها هستید پیشنهاد میکنم اینو ببینید خودم ازشون استفاده میکنم و بین ۶۰ تا ۹۰٪ کمتر توکن خرج میشه! (اره واقعیه!) برای همه ابزار ها کار میکنه مثه claude code یا github copilot. https://youtu.be/UMRUu7pjdug?is=PxqHwy_lkW3JmUW8

کلاد مدل های Mythos 5 و Fable 5 رو غیرفعال کرده چون دولت آمریکا گفته غیر از آمریکایی نباید ازش استفاده کنن، اونم گفته کلا برشون میدارم! حیف شد از Fable استفاده نکردم تو این چند روز! به نظرتون دلیلش چیه؟ لینک: https://www.anthropic.com/news/fable-mythos-access

کلاد یه مدل جدید معرفی کرده به نام: Fable 5 عملاً قوی‌ترین مدل عمومی کلاد تا الان محسوب میشه؛ مخصوصاً برای کدنویسی سنگین، کارهای چندمرحله‌ای و پروژه‌های طولانی که باید مدت زیادی روی یه مسئله تمرکز کنه. همچنین کانتکست ۱ میلیون توکن داره. اگر Opus 4.8 یه مهندس ارشد خیلی خوب بود، Fable 5 بیشتر شبیه یه تیم مهندسی کوچیکه که روی کارهای بلندمدت و پیچیده عملکرد بهتری داره. ولی 2 برابر Opus گرونتره و فعلا ازش استفاده نکردم اینجا کسی از کلاد کد استفاده میکنه؟ چند روز پیش دیدم GapGpt تو ایران خوب داره کار میکنه و مدل ها رو ساپورت میکنه

بالاخره کسی پیدا شد که از داشتن باگ خوشحال بشه!😁

Claude Code vs Github Copilot اگر دوس داری بدونی چه تفاوتی با هم دارن، یه مقایسه عملی کردم تو این ویدیو، من خودم تازیگیا از کلاد کد استفاده میکنم بیشتر ولی بد نیست ببینید. https://youtu.be/CiFNsF1iHa4?si=11vK3cJy5UTQBpHR

باز هم از این دست خبرا که برای یک سری ها ترسناکه و برای یک سری ها جذابه. اونایی که دارن خودشون رو اداپت می کنن خوشحالن. اونایی که هنوز دارن مثل 5 سال پیش مهندسی می کنن ترسیدن. پ.ن : عزیزانی که کرسر و کدکس و chatgpt و ... رو فقط استفاده می کنند و فکر می کنن در امان هستند، بدانند که در دسته سومی هستند که توهم اداپت شدن رو دران و از همه اوضاعشون خراب تره.