Sadra Codes

یکی اومده یه دسکتاپ لینوکس به اسم Starling رو با استفاده از Calude وایب‌کد کرده! تقریبا ۶ ماه طول کشیده و از Swift استفاده کرده. 👉 https://starling.build/ ❇ @lnxpylnxpy

این دوره استاد شریفی زارچی به عزیزان علاقه مند پیشنهاد میشه. https://lnkd.in/p/dnuUStJW

چیت‌شیت واژه‌های پرکاربردی که در زمینه LLMها می‌شنویم! 🚀 🔹 توکن (Token) — واحدی که مدل متن رو بهش تقسیم می‌کنه. 🔹 کانتکست (Context) — اطلاعاتی که مدل برای تولید پاسخ در اختیار داره. 🔹 پنجره کانتکست (Context Window) — حداکثر مقدار اطلاعاتی که مدل می‌تونه همزمان پردازش کنه. 🔹 پرامپت (Prompt) — دستور و اطلاعاتی که به مدل می‌دیم. (پرامپت دستوریه که به مدل می‌دیم، اما کانتکست اطلاعات و شرایطیه که مدل برای فهمیدن اون دستور و تولید پاسخ در اختیار داره.) 🔹 استنتاج (Inference) — فرایند اجرای مدل برای تولید پاسخ. 🔹 پارامترها / وزن‌ها (Parameters / Weights) — اعداد و وزن‌هایی که رفتار و توانایی مدل رو شکل می‌دن. (شوخ طبعی، لحن متن و..) 🔹 فاین‌تیون (Fine-tuning) — آموزش دوباره مدل برای یک کاربرد یا رفتار خاص. 🔹 بردار نهفته (Embedding) — تبدیل داده، معمولاً متن، به یک بردار عددی برای مقایسه و جست‌وجوی معنایی. 🔹 تولید تقویت‌شده با بازیابی (RAG) — پیدا کردن اطلاعات مرتبط از یک منبع خارجی و دادن اون به مدل هنگام پاسخ‌دهی. 🔹 پایگاه داده بُرداری (Vector Database) — دیتابیسی برای ذخیره و جست‌وجوی Embeddingها. 🔹 توهم (Hallucination) — وقتی مدل اطلاعات اشتباه یا ساختگی تولید می‌کنه. 🔹 دما (Temperature) — میزان تصادفی بودن خروجی مدل. 🔹 معیارسنجی / ارزیابی (Benchmark / Eval) — تست و اندازه‌گیری عملکرد مدل. 🔹 تأخیر (Latency) — مدت زمانی که مدل برای پاسخ دادن نیاز داره. 🔹 فراخوانی ابزار (Tool Calling) — توانایی مدل برای استفاده از ابزارهایی مثل API و دیتابیس. 🔹 عامل هوشمند (Agent) — سیستمی که می‌تونه هدف رو دنبال کنه، تصمیم بگیره و از ابزارها استفاده کنه. 🔹 پروتکل زمینه مدل (MCP) — استانداردی برای اتصال مدل‌ها و Agentها به ابزارها و منابع خارجی. 🔹 چندوجهی (Multimodal) — مدلی که علاوه بر متن، تصویر، صدا یا ویدیو رو هم پردازش می‌کنه. 🔹 بدون نمونه / چندنمونه‌ای (Zero-shot / Few-shot) — انجام کار بدون مثال / با چند مثال. 🔹 خروجی ساختاریافته (Structured Output) — تولید خروجی با ساختار مشخص، مثلاً JSON. 🔹 کوانتیزه‌سازی (Quantization) — کاهش دقت عددی مدل برای کم کردن مصرف حافظه و افزایش سرعت. ❇️ @lnxpylnxpy

یه ابزار خیلی جالب برای کسایی که با Claude Code کار می‌کنن! ایده‌ش ساده ولی خفنه؛ یه کتاب یا مستندات فنی رو بهش می‌دی و برات تبدیلش می‌کنه به یه اسکیل قابل استفاده واسه ایجنت؛ شامل chapterها، frameworkها، decision ruleها، anti-patternها و cheatsheet. بعد…

یه ابزار خیلی جالب برای کسایی که با Claude Code کار می‌کنن! ایده‌ش ساده ولی خفنه؛ یه کتاب یا مستندات فنی رو بهش می‌دی و برات تبدیلش می‌کنه به یه اسکیل قابل استفاده واسه ایجنت؛ شامل chapterها، frameworkها، decision ruleها، anti-patternها و cheatsheet. بعد موقع کار، Agent فقط بخش مرتبط رو لود می‌کنه و بر اساس محتوای واقعی کتاب جواب می‌ده. Repo: https://github.com/virgiliojr94/book-to-skill ❇️ @lnxpylnxpy

اگه اپل قرار بود ماشین طراحی کنه. ❇️ @lnxpylnxpy

قبلا وقتی می‌گفتن فلان عکس یا ویدئو توسط هوش‌مصنوعی ساخته شده، به دید ما یه اثر ارزشمند، خاص و جذاب بود! موقع تماشای اون اثر، کنجکاوانه کنکاش می‌کردیم و باور چیزی که می‌دیدم واسمون ناممکن بود. دور نیست زمانی که همین دید رو نسبت به آثاری که توسط انسان‌ها ساخته میشه داشته باشیم. :) ❇️ @lnxpylnxpy

ترمینال لیکوئید گلس! این رفیقمون اومده یه Wayland Compositor قابل شخصی‌سازی ساخته که کانفیگ و Window Management اون رو می‌شه با تایپ‌اسکریپت نوشت و طراحی کرد! ریپازیتوری: https://github.com/bea4dev/ShojiWM‌ ❇️ @lnxpylnxpy

llm-for-humans-book.pdf

خیلی وقتا وقتی از یه مدل زبانی جواب ضعیف می‌گیریم، سریع می‌گیم این مدل خوب نیست، در حالی که مشکل می‌تونه از Prompt باشه. مدل نمی‌تونه چیزی از ذهن ما بخونه؛ فقط بر اساس دستور، context و اطلاعاتی که بهش می‌دیم پاسخ می‌ده. وقتی Prompt مبهمه، مدل فضای زیادی برای حدس زدن داره و احتمال جواب کلی یا اشتباه بیشتر می‌شه. مثلاً فرق داره بگیم "این کد رو بهینه کن" یا بگیم "این تابع Python رو از نظر time complexity و مصرف حافظه بررسی کن، بدون اینکه API یا خروجی فعلی تغییر کنه". اینجاست که Prompt Engineering اهمیت پیدا می‌کنه. یعنی بلد باشیم مسئله رو دقیق به مدل منتقل کنیم، نه اینکه صرفا پرامپت‌های طولانی بنویسیم. در نهایت، یک Prompt خوب باید مشخص کنه چه کاری باید انجام بشه، context چیه، چه محدودیت‌هایی وجود داره و خروجی مطلوب چه شکلیه. هرچی این موارد شفاف‌تر باشن، فضای حدس زدن مدل کمتر، احتمال رسیدن به خروجی درست بیشتر و گاها هزینه هم کمتر میشه. ❇️ @lnxpylnxpy

📚 یه منبع خوب برای یادگیری دنیای LLMها! اگه دنبال یه منبع نسبتاً جامع و در عین حال ساده برای آشنایی با تکنولوژی‌های کاربردی چند سال اخیر حوزه‌ی AI هستین، LLMs for Humans می‌تونه گزینه‌ی خیلی خوبی باشه. این کتاب بیشتر برای دولوپرها، تولیدکننده‌های محتوا و کسایی نوشته شده که به هر شکلی با محصولات AI-Powered سروکار دارن. از موضوعاتی مثل RAG، Agentها، Multimodalها، Context Engineering و کلی مفهوم دیگه صحبت می‌کنه که احتمالاً موقع کار با LLMها، چه به‌عنوان دولوپر و چه حتی کاربر، زیاد بهشون برمی‌خورین. نکته‌ی خوبش اینه که سعی کرده مفاهیم رو تا جای ممکن ساده و کاربردی توضیح بده؛ یعنی بیشتر روی چیزهایی تمرکز می‌کنه که واقعاً توی پروداکشن به کارتون میان. یکی از دوستان زحمت کشیده و کتابی با عنوان «مدل‌های زبانی به زبان آدمیزاد» منتشر کرده که سرفصل‌هاش خیلی نزدیک به همین کتابه. نمی‌دونم ترجمه‌ی مستقیمه یا بر اساس همین محتوا نوشته شده، ولی چیزی که دیدم، نسبتاً به‌روزه. 📎 فایل PDF فارسی رو هم همراه همین پست براتون گذاشتم. ❇️ @lnxpylnxpy

دنیای عجیبی شده.. تلگرام از اپ‌استور حذف میشه، بجاش بله به اپ‌استور اضافه میشه. :) ❇️ @lnxpylnxpy

کانسپت کیبورد با کی‌کپ طرح سنتی ایرانی! :) ❇️ @lnxpylnxpy

یکبار برای همیشه؛ هوش‌مصنوعی، جای شما رو نمی‌گیره؛ اما کسی که بلده با یک ذهن خلاق و با تجربه از هوش‌مصنوعی درست استفاده کنه، شاید. تمام! این جمله کلیشه‌ای "هوش‌مصنوعی جای برنامه‌نویسا رو می‌گیره" یه ایراد اساسی داره. چون فرض می‌کنه کاری که یه برنامه‌نویس…

این روزها هر جا صحبت از توسعه وب میشه، همه دنبال ابزارهای ترند و به روز هستیم اما یکی از بزرگ‌ترین نقاط قوت Django دقیقاً اینه که دنبال ترند روز نمی‌ره. به نظرم چیزی که Django رو از خیلی از فریمورک‌های امروزی متمایز می‌کنه، کامل بودنشه. از همان ابتدا تقریباً هر چیزی که برای ساخت یک محصول واقعی لازم دارید رو در اختیارتون می‌‌ذاره؛ از سیستم احراز هویت و پنل ادمین گرفته تا ORM، مایگریت دیتابیس و کلی قابلیت دیگه. یعنی به‌جای اینکه ساعت‌ها وقتتون رو صرف انتخاب و کنار هم چیدن ده‌ها پکیج مختلف کنید، می‌تونید تمرکزتون رو روی خود محصول بذارید. فکر می‌کنم یکی از دلایلی که Django بعد از این همه سال هنوز زنده مونده، همین پایدارش باشه. شاید هر هفته تیتر اخبار نباشه و مثل بعضی ابزارهای جدید سر و صدا نکنه، اما اگه یه محصول واقعی با دید تجاری بلندمدت بسازید، تازه ارزش این ثبات رو درک می‌کنید. اینکه بعد از چند سال هنوز بتونید پروژه رو بدون دردسر نگهداری کنید، مستندات خوبی داشته باشین و با هر آپدیت نگران داون شدن چیزی نباشین، از هر قابلیت هیجان‌انگیز جدیدی مهم‌تره. به نظرم این روزها بیش از حد درگیر تکنولوژی‌های جدید شدیم و گاهی فراموش می‌کنیم که هدف اصلی، ساختن محصول است، نه امتحان کردن هر ابزار تازه‌ای که معرفی ‌یا ترند میشه. برای من، Django یکی از اون ابزارهایی بوده و هست که شاید همیشه ترند نباشه، اما اگر قرار باشد دوباره یک محصول جدی بسازم، هنوز هم یکی از اولین انتخاب ها خواهد بود. ❇️ @lnxpylnxpy

2022 vs 2026 ❇️ @lnxpylnxpy

یکبار برای همیشه؛ هوش‌مصنوعی، جای شما رو نمی‌گیره؛ اما کسی که بلده با یک ذهن خلاق و با تجربه از هوش‌مصنوعی درست استفاده کنه، شاید. تمام! این جمله کلیشه‌ای "هوش‌مصنوعی جای برنامه‌نویسا رو می‌گیره" یه ایراد اساسی داره. چون فرض می‌کنه کاری که یه برنامه‌نویس انجام میده صرفا فقط کد نوشتنه! چند سال پیش برنامه‌نویس خودش خط به خط کد می‌نوشت و پروژه رو جلو می‌برد. امروز هم پروژه رو جلو می‌بره، فقط یه تفاوت داره؛ به جای اینکه مستقیم با کیبورد کار رو جلو ببره، داره یه Agent رو هدایت می‌کنه که بخش زیادی از کدنویسی رو انجام میده. در واقع نقش برنامه‌نویس از «تایپیست کد» داره تبدیل میشه به «هدایت‌کننده سیستم». وقتی ماشین اختراع شد، خیلی‌ها فکر می‌کردن دوران اسب دیگه به سر اومده. ولی واقعیت این بود که مردم اسب رو برای جابه‌جایی نمی‌خواستن؛ جابه‌جایی یه نیاز بود و اسب فقط ابزارش بود. بعد از ماشین، نیاز از بین نرفت، فقط ابزار بهتر شد. ✅ امروز هم شرکت‌ها دنبال «کد» نیستن. دنبال حل مسئله‌ان. کد فقط ابزاره. آگهی‌ها اینطوری شدن: برام مهم نیس چی بلدی چی کد میزنی.. بلدی از AI استفاده کنی؟ اگه آره، لیت‌کد کار کردی؟ بیا این چندتا الگوریتم رو حل کن ببینم چیکار می‌کنی. اگه فردا هوش مصنوعی بتونه ۹۰ درصد کد رو بنویسه، هنوز یکی باید مشخص کنه دقیقاً چی باید ساخته بشه، چرا باید ساخته بشه، چه معماری‌ای مناسبه، چه Trade-offهایی وجود داره، امنیت، مقیاس‌پذیری، تجربه کاربر و صدها تصمیم دیگه چطور مدیریت بشن. ✅ به عقیده من، هرچی AI قوی‌تر میشه، ارزش کسی که سؤال درست رو می‌پرسه و تصمیم درست رو می‌گیره بیشتر میشه! (خلاصه بخوام بگم: تک‌لیدها و CTOهای عزیز، جاتون امنه به شرطی که خودتون رو به‌روز نگه دارید.) یه نکته جالب هم اینه که قبلاً برای ساختن یه محصول شاید به ۱۰ تا برنامه‌نویس نیاز بود. حالا شاید همون محصول با ۳ نفر ساخته بشه. بعضیا اینو تهدید می‌بینن، ولی همین یعنی هزینه ساخت نرم‌افزار کمتر شده و آدم‌های بیشتری می‌تونن ایده‌هاشون رو تبدیل به محصول کنن. وقتی ساختن ارزون‌تر بشه، تعداد محصولاتی که ساخته میشن هم بیشتر میشه و در نتیجه مسائل بیشتری برای حل کردن به وجود میاد. چالش‌ها و فرصت‌ها بیشتری پدید میاد. به نظرم آینده برنامه‌نویسی، آینده حذف برنامه‌نویس نیست؛ آینده تغییر نقش برنامه‌نویسه. همون‌طور که امروز کسی مهارت رانندگی با کالسکه رو یاد نمی‌گیره، ولی رانندگی هنوز یه مهارته، فردا هم شاید کسی ساعت‌ها کد Boilerplate ننویسه، اما هدایت کردن هوش مصنوعی و تبدیل ایده به یک محصول واقعی، خودش تبدیل به مهم‌ترین مهارت این صنعت میشه. ❇️ @lnxpylnxpy