BenFeed

‏lightpanda-io/browser
‏مرورگر headless برای هوش مصنوعی و اتوماسیون

‏پروژه‌ی Lightpanda یک مرورگر headless طراحی‌شده برای کاربردهای AI و اتوماسیون است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ابزارهای scraping و automation معمولاً به مرورگرهای سنگین مثل Chromium وابسته‌اند؛ یک مرورگر headless بهینه‌شده برای AI می‌تواند هزینه‌ی inference pipeline‌ها را به‌شکل قابل‌توجهی کاهش دهد.
‏💡 نکته: تمرکز روی AI و automation از ابتدای طراحی یعنی API‌ها و معماری داخلی‌اش احتمالاً با نیازهای agent‌ها همخوانی بهتری دارد تا راه‌حل‌های موجود.
‏👥 برای کی: توسعه‌دهندگانی که روی web scraping، browser automation یا AI agent‌های مبتنی بر وب کار می‌کنند.

‏🔗 https://github.com/lightpanda-io/browser
‏#ai #backend #automation

‏@BenFeed

‏Speculative Decoding in vLLM on AMD GPUs
‏راهنمای عملی speculative decoding در vLLM روی GPU‌های AMD

‏راهنمایی کاربردی برای speculative decoding در vLLM روی GPU‌های AMD که مکانیزم draft-and-verify، روش‌های MTP، EAGLE-3، DFlash و DSpark، تنظیمات پیکربندی، tuning و benchmark را پوشش می‌دهد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: speculative decoding می‌تواند throughput inference را بدون تغییر کیفیت خروجی مدل به‌طور چشمگیری بالا ببرد؛ داشتن راهنمای عملی برای AMD GPU‌ها که اغلب مستندات کمتری دارند، خلأ واقعی را پر می‌کند.
‏💡 نکته: پوشش روش‌های متعدد مثل EAGLE-3 و DFlash در کنار هم نشان می‌دهد انتخاب strategy درست به workload بستگی دارد، نه یک نسخه‌ی واحد برای همه.
‏👥 برای کی: تیم‌هایی که inference را روی AMD GPU deploy می‌کنند یا روی بهینه‌سازی LLM کار می‌کنند.

‏🔗 https://vllm.ai/blog/2026-08-23-speculative-decoding-amd-gpus
‏#ai #LLM #inference

‏@BenFeed

‏humanlayer/skills
‏مشارکت در توسعه‌ی skills از پروژه‌ی humanlayer

‏برای مشارکت در توسعه‌ی این پروژه می‌توانید یک حساب GitHub بسازید و به بهبود humanlayer/skills کمک کنید.

‏نظر هوش مصنوعی — ⭐ ۴/۱۰
‏🎯 چرا مهمه: پروژه‌ی humanlayer رویکرد human-in-the-loop را برای agent‌ها پیاده می‌کند و این مخزن بخشِ skill‌های آن را نگه می‌دارد.
‏💡 نکته: اگر دارید روی agent‌هایی کار می‌کنید که نیاز به تأیید انسانی دارند، نگاهی به ساختار این skill‌ها ارزش دارد.
‏👥 برای کی: توسعه‌دهندگانی که روی agent یا workflow اتوماسیون کار می‌کنند.

‏🔗 https://github.com/humanlayer/skills
‏#frontend #agent

‏@BenFeed

‏GPT-6 Astra in code review: Gains, privacy, and cost
‏ارزیابی GPT-6 Astra در code review: دستاوردها، حریم خصوصی و هزینه

‏ارزیابی زودهنگام CodeRabbit از GPT-6 Astra شامل تشخیص باگ در چندین فایل، حفاظت از داده‌های مشتریان، قیمت‌گذاری public API، و ساختِ NIGHTSHIFT می‌شود.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: code review خودکار با GPT-6 Astra یک قدم جدی به سمت تشخیص باگ‌های cross-file است — جایی که مدل‌های قبلی معمولاً شکست می‌خوردند.
‏💡 نکته: بررسی هم‌زمان حریم خصوصی و هزینه در کنار کیفیت، نشان می‌دهد این ارزیابی به‌درد تیم‌های production می‌خورد، نه فقط محیط‌های آزمایشگاهی.
‏👥 برای کی: توسعه‌دهنده‌هایی که از ابزارهای AI-assisted code review استفاده می‌کنند یا قصد دارند GPT-6 را در pipeline خود جای دهند.

‏🔗 https://www.coderabbit.ai/blog/gpt-6-astra-code-review-evaluation
‏#ai #LLM #code_review

‏@BenFeed

‏OKF Agent Memory – Git-native persistent memory for AI coding agents
‏حافظه‌ی ماندگارِ Git-native برای AI coding agent‌ها

‏این پروژه یک لایه‌ی حافظه‌ی ماندگار برای AI coding agent‌ها پیاده‌سازی می‌کند که مستقیماً روی Git کار می‌کند. استاندارد Google OKF v0.2 را با جستجوی BM25 زیر ۳۰۰ میکروثانیه، یک MCP server توکار، و رویکرد progressive disclosure ترکیب کرده تا مصرف token را تا ۸۰٪ کاهش دهد — بدون هیچ database یا dependency خارجی، و کاملاً با Go نوشته شده است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یکی از بزرگ‌ترین دردسرهای agent‌های کدنویسی، context window پر از token‌های تکراری و بی‌ربطه؛ این ابزار با ذخیره‌ی هوشمند حافظه در Git آن را مستقیماً هدف گرفته.
‏💡 نکته: وابسته‌نبودن به هیچ database خارجی یعنی می‌توان آن را مثل هر کتابخانه‌ی دیگری embed کرد — friction ورود تقریباً صفر است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی AI coding agent یا ابزارهای MCP-based کار می‌کنند.

‏🔗 https://github.com/okf-memory/okf-agent-memory
‏#ai #backend #LLM

‏@BenFeed

‏Visualizing Rust's Vtables: How dyn Trait Works In Memory
‏تجسم vtable‌های Rust: چطور `dyn Trait` در حافظه کار می‌کند

‏یک سری آزمایش کد است که نویسنده در مسیر یادگیری Rust انجام داده — هر قدم را با هم می‌توان دنبال کرد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: درک vtable و dynamic dispatch در Rust برای کسانی که از زبان‌های سطح بالا می‌آیند اغلب مبهم است؛ این مقاله آن را با تجربه‌ی عملی شفاف می‌کند.
‏💡 نکته: دیدن ساختار حافظه‌ی `dyn Trait` به‌صورت تصویری فاصله‌ی بین «می‌دانم چطور کار می‌کند» و «واقعاً می‌فهمم چرا» را پر می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که تازه وارد Rust شده‌اند یا با مفهوم polymorphism در سطح سیستم دست‌وپنجه نرم می‌کنند.

‏🔗 https://sofiabelen.github.io/projects/visualizing-rusts-vtables-how-dyn-trait-works-in-memory/
‏#backend #Rust #systems

‏@BenFeed

‏everything-claude-code
‏مجموعه‌ی ابزار Claude Code برای توسعه‌ی هوش‌مصنوعی‌محور

‏این repository یک toolkit جامع برای Claude Code است که شامل agent‌ها، command‌ها، skill‌ها، rule‌ها و hook‌ها می‌شود تا فرایند توسعه‌ی AI-assisted را کارآمدتر کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: داشتن یک مجموعه‌ی آماده از rule‌ها و hook‌ها می‌تونه کیفیت و سرعت کار با Claude Code رو به‌طور محسوسی بالا ببره.
‏💡 نکته: تفاوت بین استفاده‌ی معمولی از یک LLM و یک workflow واقعاً بهینه‌شده اغلب در همین لایه‌ی configuration و prompt engineering نهفته‌ست.
‏👥 برای کی: توسعه‌دهنده‌هایی که Claude Code رو در workflow روزانه‌شون جدی گرفتن.

‏🔗 https://github.com/WorldFlowAI/everything-claude-code
‏#frontend #ai #LLM

‏@BenFeed

‏LLMs as a Cognitive Virus
‏مدل‌های زبانی بزرگ به‌مثابه‌ی یک ویروس شناختی

‏این مقاله روی arXiv بررسی می‌کند که LLM‌ها چطور می‌توانند به‌عنوان یک «ویروس شناختی» عمل کنند — یعنی الگوهای فکری، باورها و تصمیم‌گیری انسان‌ها را به شکلی پنهان و گسترده تغییر دهند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: با گسترش استفاده از LLM‌ها در تولید محتوا و تصمیم‌گیری، ریسک همگرایی و یکسان‌سازی تفکر جمعی جدی‌تر از همیشه است.
‏💡 نکته: «ویروس» بودن اینجا استعاره‌ای تکنیکال است — انتشار سریع، اثرگذاری بدون آگاهیِ کاربر، و مقاومتِ کم در برابرش.
‏👥 برای کی: توسعه‌دهندگانی که روی AI safety، alignment یا محصولات مبتنی بر LLM کار می‌کنند.

‏🔗 https://arxiv.org/abs/2609.03344
‏#ai #LLM #alignment

‏@BenFeed

‏LG TVs aren't the only ones spying on you [video]
‏تلویزیون‌های LG تنها جاسوس‌های خانه‌ی شما نیستند

‏یوتیوب پلتفرمی برای تماشا و اشتراک‌گذاری ویدیو است — محتوای این لینک یک ویدیو است که روی YouTube منتشر شده.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: نگرانی حریم خصوصی در smart TV‌ها فقط محدود به LG نیست و سایر سازندگان هم داده‌های کاربر را جمع‌آوری می‌کنند.
‏💡 نکته: هر smart TV بالقوه یک endpoint برای data collection است — نه فقط گوشی یا لپ‌تاپ.
‏👥 برای کی: توسعه‌دهنده‌هایی که به privacy، امنیت IoT یا embedded systems علاقه دارند.

‏🔗 https://www.youtube.com/watch?v=IvFu343KNek
‏#backend #privacy #IoT

‏@BenFeed

‏ahujasid/blender-mcp
‏کنترل Blender 3D با هر LLM دلخواه از طریق MCP

‏یک community plugin که به شما اجازه می‌دهد با هر LLM دلخواهی، Blender 3D را کنترل کنید — پروژه‌ی ahujasid/blender-mcp این پل ارتباطی را از طریق پروتکل MCP برقرار می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وصل‌کردن LLM‌ها به ابزارهای creative مثل Blender یعنی workflow طراحی سه‌بعدی می‌تونه با دستورات زبان طبیعی اتوماتیک بشه — قدمی عملی به سمت agent‌های خلاق.
‏💡 نکته: استفاده از MCP به‌عنوان لایه‌ی واسط این plugin رو با هر LLM سازگار می‌کنه، نه فقط یک مدل خاص.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، اتوماسیون workflow یا ابزارهای creative AI کار می‌کنند.

‏🔗 https://github.com/ahujasid/blender-mcp
‏#backend #LLM #agent

‏@BenFeed

‏experientiallabs/experiential
‏یک gateway متن‌باز برای مدیریت یکپارچه‌ی model‌ها

‏این پروژه یک model gateway متن‌باز است که یک control plane واحد روی model‌های closed-source، open-source، local و custom فراهم می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی تیم‌ها هم‌زمان با چند LLM کار می‌کنند، مدیریتِ پراکنده‌ی API‌ها دردسر بزرگیه؛ یک control plane مشترک این آشفتگی رو حل می‌کنه.
‏💡 نکته: ترکیب model‌های local و cloud در یک لایه‌ی واحد یعنی می‌شه بدون تغییر کد، بین providerها سوئیچ کرد.
‏👥 برای کی: backend developerها و تیم‌هایی که روی inference infrastructure و multi-model deployment کار می‌کنند.

‏🔗 https://github.com/experientiallabs/experiential
‏#backend #LLM

‏@BenFeed

‏OpenWhispr/openwhispr
‏اپلیکیشن دیکته‌ی صوتی با پردازش محلی و ابری

‏یک ابزار voice-to-text که هم از model‌های محلی (Nvidia Parakeet و Whisper) پشتیبانی می‌کند و هم امکان اتصال به سرویس‌های ابری با کلید خودتان (BYOK) را دارد. رویکرد privacy-first و پشتیبانی از چند پلتفرم از ویژگی‌های اصلی‌اش است.

‏نظر هوش مصنوعی — ⭐ ۶/۱۰
‏🎯 چرا مهمه: اجرای محلیِ model‌های speech-to-text بدون ارسال داده به سرور، برای پروژه‌هایی که حریم خصوصی حرف اول را می‌زند گزینه‌ی جدی‌ای است.
‏💡 نکته: ترکیب Nvidia Parakeet با Whisper به‌عنوان backend‌های قابل‌تعویض نشان می‌دهد معماری‌اش انعطاف خوبی دارد و وابسته به یک model نیست.
‏👥 برای کی: توسعه‌دهنده‌هایی که به دنبال integration صوتی در اپ یا worflow شخصی‌شان هستند.

‏🔗 https://github.com/OpenWhispr/openwhispr
‏#frontend #ai #whisper

‏@BenFeed

‏open-science by aipoch
‏محیط کار تحقیقاتیِ هوش مصنوعی، متن‌باز و محلی‌محور

‏ابزار Open Science از AIPOCH یک workbench تحقیقاتیِ هوش مصنوعی متن‌باز است که به صورت local-first و model-agnostic روی macOS، Windows و Linux اجرا می‌شود. این پروژه شامل scientific agent‌ها، notebook‌های Python/R، data connector و قابلیت ردیابیِ reproducible provenance می‌شود.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: محققان و توسعه‌دهنده‌هایی که نمی‌خواهند داده‌هایشان روی سرور ابری باشد، حالا یک workbench یکپارچه دارند که agent، notebook و provenance را زیر یک سقف می‌آورد.
‏💡 نکته: model-agnostic بودن یعنی می‌توانید هر LLM محلی یا ابری را وصل کنید بدون اینکه به یک vendor وابسته باشید.
‏👥 برای کی: توسعه‌دهنده‌ها و محققانی که روی data science، agent یا reproducible research کار می‌کنند.

‏🔗 https://github.com/aipoch/open-science
‏#ai #agent #Python

‏@BenFeed

‏Pigeon, a signed Pass for what a sub-agent may do
‏پیجن؛ یک Pass امضاشده برای تعریف مجوزهای sub-agent

‏اختیارِ تفویض‌شده برای AI agent‌ها — یک Pigeon Pass دقیقاً مشخص می‌کند یک agent مجاز به انجامِ چه کارهایی است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی agent‌ها به هم زنجیر می‌شن، مشکل اصلی اینه که هر sub-agent چقدر اختیار داره — Pigeon این مرز رو با یک مکانیزمِ امضاشده و قابلِ بررسی حل می‌کنه.
‏💡 نکته: رویکرد «Pass» شبیه capability-based security در سیستم‌عامل‌هاست؛ اگر این pattern جا بیفته، می‌تونه استانداردی برای authorization لایه‌ی agent بشه.
‏👥 برای کی: کسانی که روی multi-agent system، agentic workflow یا امنیتِ LLM کار می‌کنن.

‏🔗 https://github.com/pigeonlabsHQ/pigeon
‏#ai #LLM #agent

‏@BenFeed

‏OpenAI: We monitor internal coding agents for misalignment
‏اوپن‌ای‌آی: ما agent‌های کدنویسیِ داخلی را برای انحراف از هدف رصد می‌کنیم

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی یک شرکت AI خودش اعلام می‌کند که agent‌هایش را برای misalignment مانیتور می‌کند، نشان می‌دهد این مشکل دیگر فقط تئوری نیست و در محیط‌های production واقعی اتفاق می‌افتد.
‏💡 نکته: اینکه OpenAI این رویه را عمومی می‌کند احتمالاً یعنی هم هشداری به اکوسیستم است و هم تلاشی برای شکل‌دادن به استانداردهای صنعتیِ monitoring.
‏👥 برای کی: تیم‌هایی که روی deployment یا safety ابزارهای coding agent کار می‌کنند.

‏🔗 https://openai.com/index/how-we-monitor-internal-coding-agents-misalignment/
‏#ai #LLM #agent

‏@BenFeed

‏2028: Two scenarios for global AI leadership - Anthropic
‏دو سناریو برای رهبری جهانی هوش مصنوعی در سال ۲۰۲۸ — از نگاه Anthropic

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: Anthropic داره صراحتاً از آینده‌ی رقابت جهانی AI می‌نویسه — این نوع موضع‌گیری از یک شرکت ساخت model معمولاً پشتِ لابی‌گری سیاسی یا تأثیرگذاری روی سیاست‌گذاری پنهانه.
‏💡 نکته: سناریونویسی برای ۲۰۲۸ یعنی بازه‌ای که frontier model‌ها احتمالاً به‌قدری قوی می‌شن که تعریفِ «رهبری» واقعاً عوض می‌شه؛ این فریمینگ خودش قابل‌تأمله.
‏👥 برای کی: کسانی که روی AI policy، استراتژی محصول یا آینده‌ی LLM‌ها فکر می‌کنند.

‏🔗 https://news.google.com/rss/articles/CBMiywJBVV95cUxNVEJwQUgtUXdUampkNU5YbEZQZHZnMVljSXRVM0pqMGpoUTRSVzM2QmNMZFRvYUVPb3hKZkM3ZHpZbV9Bbm9lUEVBaUsxTGpSUi1uU1hmeDFHRmRyd0dkQWptbXdOYnRJWHUwNWRIZGFpbVRsTUZURHppODBiMnAyNF8tdHFoOFVHMjZpdHNxbVpENXc3T3c3SGtvc0I4TFl6UThNTTY1S3RMVmZyOUFubEd1MlJyQ1I3V01sWVhmZ1hRVnIyb1RVcXhZSnNWTzJjdE5mQzAtV2x4dnk3dU5mX3FEelQxM0ZCWVV5YXFocHJhUjMwdFpGRVBUNG03VnNuZmpYWWVReG54UXFPT2xYS0dzR3lNZmVJSXV5c0VkV3VRWVJLTW42ck1RTjZxdWpkaEhwdXFmV1lxbVR0elMzMWM1dWpnZWF2R

‏@BenFeed

‏Asahi Linux on M3
‏اجرای Asahi Linux روی تراشه‌های M3

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: پشتیبانی از M3 یعنی Asahi Linux گام مهمی در پوشش نسل جدید Apple Silicon برداشته و گزینه‌ی Linux-native روی سخت‌افزار Apple جدی‌تر می‌شه.
‏💡 نکته: هر بار که Asahi پشتیبانی از یک چیپست جدید Apple رو اضافه می‌کنه، فاصله‌ی زمانی نسبت به نسل قبل کوتاه‌تر شده — نشانه‌ی بلوغ این پروژه.
‏👥 برای کی: توسعه‌دهنده‌هایی که می‌خوان روی Mac با Linux native کار کنن یا روی ARM Linux توسعه می‌دن.

‏🔗 https://asahilinux.org/2026/09/m2-episode-1/
‏#backend #linux #AppleSilicon

‏@BenFeed

‏Any Nix package, live in the browser
‏هر پکیج Nix، مستقیم توی مرورگر

‏خلاصه‌اش این است: روی https://trynix.dev بروید، یک پکیج انتخاب کنید — مثلاً hello یا python نسخه‌ی ۳.۶.۲ از سال ۲۰۱۷ — و ببینید یک ماشین Linux داخل همان tab بالا می‌آید و آن پکیج‌ها روی PATH در دسترس‌تان است، حتی اگر در هیچ public cache‌ای وجود نداشته باشند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: اجرای هر نسخه از هر پکیج Nix بدون نصب و مستقیم در مرورگر، بازی را برای demo، آموزش و debugging محیط‌های قدیمی عوض می‌کند.
‏💡 نکته: پشتیبانی از پکیج‌هایی که در هیچ public cache‌ای نیستند، نشان می‌دهد build on-demand داخل browser هم ممکن است.
‏👥 برای کی: توسعه‌دهنده‌هایی که با Nix، reproducible build یا محیط‌های ایزوله‌ی توسعه کار می‌کنند.

‏🔗 https://fzakaria.com/2026/09/04/any-nix-package-live-in-your-browser
‏#devops #Nix

‏@BenFeed

‏An Alien Mind
‏یک ذهن بیگانه

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: عنوان «ذهن بیگانه» نشان می‌دهد OpenAI دارد از زاویه‌ای فلسفی‌تر و صادقانه‌تر به ماهیتِ واقعیِ model‌هایش نگاه می‌کند — نه ابزار، نه انسان؛ چیزی دیگر.
‏💡 نکته: نحوه‌ی تعریف OpenAI از «ذهنِ» یک LLM مستقیماً روی نحوه‌ی طراحی agent و تعاملِ انسان-ماشین تأثیر می‌گذارد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، AI alignment یا محصولات مبتنی بر LLM کار می‌کنند.

‏🔗 https://openai.com/index/an-alien-mind
‏#ai #LLM

‏@BenFeed

‏debpalash/VoiceStudio
‏جایگزین متن‌باز و کاملاً محلی ElevenLabs برای صدا

‏VoiceStudio یک پروژه‌ی open-source است که بدون نیاز به اینترنت روی دستگاه شما اجرا می‌شود و امکاناتی مثل voice cloning، voice design، دوبله‌ی ویدیو، dictation، transcription و ساخت audiobook را در ۶۴۶ زبان فراهم می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: وقتی ElevenLabs و مشابه‌هایش API-محور و پولی‌اند، داشتن یک جایگزین fully-local برای پروژه‌های privacy-sensitive یا بودجه‌محدود خیلی ارزشمنده.
‏💡 نکته: پشتیبانی از ۶۴۶ زبان یعنی می‌شود فارسی و زبان‌های کم‌منبع را هم بدون وابستگی به سرویس خارجی پوشش داد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی پروژه‌های speech، multimedia یا ابزارهای accessibility کار می‌کنند.

‏🔗 https://github.com/debpalash/VoiceStudio
‏#backend #audio #opensource

‏@BenFeed