DevTwitter | توییت برنامه نویسی

میخواستم ببینم با بودجه ۳۰ دلار میشه یه مدل TTS فارسی فاین‌تیون کرد یا نه.

آخرش رسیدم به Kokoro و با حدود ۲۰ ساعت دیتای فارسی فاین‌تیونش کردم. نتیجه برای این مقدار دیتا خوب شد.

آوا ۸۲ میلیون پارامتر داره، کمتر از ۴۰۰ مگابایته و توی ویدئو هم سرعت اجرای اون رو میبینید
این فاین تیون داخل دو استیج انجام شد. مرحله اول ۱۰ ساعت دیتای کلین شده از Mana TTS و مرحله دوم حدود ۱۹ ساعت ( ۱۰ ساعت تکرار)

استیج دوم ترینینگ با L40S انجام شد که ۱۰۷ دقیقه طول کشید و ۴.۶۱ دلار هزینه داشت.

مجموعا با smoke test و ترین اصلی چیزی حدود 30.90$ هزینه خورد

هنوز خیلی خیلی کار داره برای بهتر شدن لحن صحبت اش و برخی تلفظ هاش و این ورژن بیشتر آزمایش بود، اما به هر حال داخل hugging face به همراه راهنمای کامل اجرا گذاشتم میتونید خودتون تست کنید

لایسنس اش هم apache 2 هست مثل خود kokoro
https://huggingface.co/xmanii/Ava-82M

@DevTwitter | <Mani/>

بها یک اکستنشن برای گنوم لینوکسه که به شما قابلیت اینو میده که توی نوار بالای لینوکستون قیمت لحظه ای طلا و ارزهای معروف رو داشته باشید، کاملا قابل شخصی سازیه

اولین اکستنشن فارسی توی این زمینه هست برای GNOME

گیتهاب:
https://github.com/the6fallenangel/gnome-baha

لینک مستقیم :
https://extensions.gnome.org/extension/10550/baha

@DevTwitter | <Alireza Mohammadi/>

بچه ها اگر دارید فرانت اند یاد میگیرید و نیاز به تحلیل کد بقیه دارید یا میخواید نکات مختلف یاد بگیرید و پروژه بزنید
این ریپو رو از دست ندید، هم یک readme قوی داره
هم کد خوبی زده
هم برای پروژه های اولیه فرانت اند عالیه

https://x.com/MisaghMomeniB/status/2081837984295387277?s=20

@DevTwitter | <Misagh Momeni Bashusqeh/>

توسعه ربات تلگرام بدون اینترنت!

توی این مدتی که با قطعی اینترنت مواجه بودیم، توسعه پروژه‌ای به اسم Simula رو شروع کردم.

سیمولا یک پلتفرم توسعه ربات تلگرام به‌صورت کاملا لوکال هست؛ یعنی بدون نیاز به سرور، بدون SSL و بدون دردسرهای همیشگی، می‌تونید ربات‌های تلگرام رو توسعه بدید.

کار Simula اینه که کلاینت و سرور تلگرام رو شبیه‌سازی می‌کنه. یعنی تمام قابلیت‌های Telegram Bot API داخل این محیط در دسترسه و بدون هیچ وابستگی‌ای به تلگرام کار می‌کنه.

داخل Simula می‌تونید:
- ربات بسازید
- توکن دریافت کنید
- وبهوک تنظیم کنید
- و با هر زبان یا لایبرری‌ای که دوست دارید رباتتون رو توسعه بدید

حتی قابلیت‌های پرمیوم تلگرام که معمولا در دسترس همه نیستن، داخل این محیط برای تست قابل استفاده هستن. بخش‌هایی مثل Stars هم در Simula شبیه‌سازی شدن، بدون نیاز به پرداخت هزینه.

به‌طور خلاصه، به‌جای اینکه رباتتون رو مستقیم روی تلگرام توسعه بدید، می‌تونید اول داخل Simula به‌صورت کامل پیاده‌سازی و تستش کنید، و بعد در نهایت روی سرور واقعی با توکن اصلی تلگرام اجراش کنید.

https://github.com/laraXgram/Simula

@DevTwitter | <Amirhossein/>

این اسکریپت هر ۱ دقیقه ترب رو کرال میکنه، اگر محصول جدید اضافه بشه یا قیمتش کاهش پیدا کنه روی تگرام و بله(طبق کانفیگ) نوتیفیکشن میفرسته

https://gist.github.com/mthri/0bc961ae4c0da065c34da263ed594301

@DevTwitter | <Amir Motahari/>

اگر نمی‌خواهید برای شروع کار با AI هزینه کنید این ریپو برای شماست مجموعه‌ای از بهترین ابزارها، مدل‌ها و پروژه‌های رایگان و متن‌باز هوش مصنوعی که همگی به‌صورت دسته‌بندی‌شده در یک مخزن قرار گرفته‌اند

https://github.com/alvinreal/awesome-opensource-ai

@DevTwitter | <Davinchi/>

طراحی سیستم‌های چند ایجنتی برای پروژه‌های واقعی معمولاً با یک ایده جذاب شروع میشه: شبیه‌سازی ساختار تیم‌های انسانی.

یک زنجیره که در اون ایجنت اول سیگنال‌ها رو شناسایی می‌کنه، ایجنت دوم منبع مشکل رو پیدا می‌کنه، ایجنت سوم علت اصلی رو تشخیص میده و ایجنت چهارم راهکار ارائه میده.
اما این معماری در پروداکشن معمولاً شکست می‌خوره. چرا و چطور باید اصلاحش کرد؟

۱. افت کیفیت تحلیل در جابه‌جایی بین ایجنت‌ها
وقتی تحلیل و استدلال بین چند ایجنت تقسیم میشه، کانتکست آسیب می‌بینه. مثلاً ایجنت سوم مشکل پوشش بیمه رو پیدا می‌کنه اما ایجنت چهارم پیشنهاد میده بازاریاب‌های بیشتری به منطقه بفرستیم!

راه حل: یک مالک واحد برای استدلال
یک ایجنت اصلی داشته باشید که کل کانتکست و تصمیم‌گیری نهایی رو مدیریت می‌کنه. ایجنت‌های فرعی فقط برای کارهای اجرایی مشخص فراخوانی میشن و داده برمی‌گردونن، نه تصمیم.

۲. استفاده از LLM برای کارهای قطعی (Deterministic)
سپردن تحلیل‌های آماری یا گشتن دنبال آنومالی‌ها در دیتابیس به LLM فقط نویز و هالوژنیشن ایجاد می‌کنه.

راه حل: جدا کردن پایپ‌لاین‌های قطعی
شناسایی سیگنال‌ها رو با کدهای معمول و معیارهای آماری مشخص انجام بدید و خروجی رو در یک صف قرار بدید. وظیفه ایجنت «کشف» سیگنال نیست، بلکه «بررسی» سیگنال‌های دریافت‌شده است.

۳. جستجوی بدون چارچوب در دیتابیس
اگر ایجنت بدون محدودیت در جدول‌ها بگرده، ارتباطات اشتباه بین داده‌ها می‌سازه و فرض‌های نامربوط مطرح می‌کنه.

راه حل: گراف دانش به عنوان لایه کنترلی
گراف دانش رو فقط یک پایگاه داده RAG ندونید؛ بلکه از اون به عنوان لایه کنترل مسیر حرکت ایجنت استفاده کنید. هر ارتباط در گراف، یک فرضیه معتبر بیزینسی تعریف می‌کنه که ایجنت مجازه اون رو ارزیابی کنه.

نتیجه این تغییرات: حذف کامل انحراف کانتکست و کاهش زمان تحلیل‌های چندهفته‌ای به چند دقیقه.
منبع:
Youtube: https://youtube.com/watch?v=u6jJcIFDLE4

@DevTwitter | <Mehdi Allahyari/>

پلتفرم اتوماسیون n8n یک آسیب‌پذیری با شدت بالا را وصله کرد که به یک ویرایشگر احراز هویت‌شده‌ی گردش‌کار (authenticated workflow editor) اجازه می‌داد دستورات سیستم‌عامل را روی سرور میزبان اجرا کند.
این نقص که با شناسه GHSA-gv7g-jm28-cr3m ردیابی می‌شود، توسط شرکت امنیتی Security Joes کشف شد و امتیاز CVSS 4.0 برابر با ۸.۷ دریافت کرده است.

نسخه‌های آسیب‌پذیر شامل بازه‌های کمتر از ۲.۳۱.۵ و بین ۲.۳۲.۰ تا ۲.۳۲.۱ می‌شوند و نسخه‌های ۲.۳۱.۵ و ۲.۳۲.۱ حاوی اصلاحیه هستند.
بهره‌برداری از این آسیب‌پذیری تنها به یک حساب کاربری معتبر با دسترسی ایجاد یا ویرایش گردش‌کار نیاز دارد و می‌تواند منجر به اجرای دستورات با سطح دسترسی فرآیند n8n شود.

@DevTwitter | <Teegra/>

مدل 2.8 تریلیون پارامتری Kimi K3 با 1.6~ ترابایت حجم به صورت open-weight در Hugging Face برای دانلود قرار گرفت.

https://huggingface.co/moonshotai/Kimi-K3

رقیب جدی open source برای مدل های frontier مثل GPT 5.6 و Claude Fable 5!

@DevTwitter | <Max Shahdoost/>

اگه پایتون کار هستید، قطعا uv package manager بدردتون میخوره! با Rust نوشته شده و سرعت خیلی بالایی داره برعکس python venv که ساختش برای خودم یک 10 دقیقه ای طول میکشه. و حتی بدون فعال کردنش در محیط فقط با ساختنش میتونید اجراش کنید: uv run example.py

و برای نصب پکیج هم: uv pip install
کار کردن باهاش راحته و سریع

@DevTwitter | <Zeth/>

کدهای پایه (Boilerplate) بک‌اند خودمون رو متن‌باز منتشر کردیم! یک ساختار Production-Ready با Django REST Framework برای استارت سریع پروژه‌ها.
احراز هویت (JWT) ،سیستم تیکتینگ و مالی ، اتصال به MinIO/S3، کاملاً داکرایز شده
گیت‌هاب: https://github.com/t4b4rz1n/BaseDjangoApi

@DevTwitter | <Alireza Rezaie/>

چطور می‌شود بدون نوشتن ده‌ها پرامپت، عملکرد AI Agent را در ایمیل مارکتینگ چند برابر کرد؟

پاسخ داخل این ریپوی رایگان است.

به‌جای اینکه هر بار از صفر برای Agent پرامپت بنویسید، این پروژه مجموعه‌ای از Marketing Skills آماده را در اختیارش قرار می‌دهد.

فقط برای ایمیل مارکتینگ، Agent می‌تواند:

- ایمیل‌های Cold Outreach بنویسد
- و Follow-up Sequence بسازد
- و Welcome Email طراحی کند
- و Subject Lineهای قوی پیشنهاد دهد
- نرخ Open و Reply را بهبود دهد
- ایمیل‌های Onboarding تولید کند
- کمپین‌های Re-engagement طراحی کند
- سناریوهای جلوگیری از Churn بنویسد
- لحن برند را در تمام ایمیل‌ها حفظ کند
- کمپین‌های ایمیلی را بر اساس اطلاعات محصول و مخاطب شخصی‌سازی کند

این ریپو با Claude Code، Codex، Cursor، Windsurf و سایر AI Agentهای سازگار با Agent Skills کار می‌کند.

https://github.com/coreyhaines31/marketingskills

@DevTwitter | <Pedram/>

یک ریپوی متن‌باز که فرآیند Crawl کردن وب را برای پروژه‌های مبتنی بر LLM ساده‌تر می‌کند
به‌جای اینکه فقط HTML خام صفحات را استخراج کند، محتوای وب را به داده‌ای تمیز و ساختاریافته تبدیل می‌کند که مستقیماً در RAG و AI Agentها قابل استفاده است

https://github.com/unclecode/crawl4ai

@DevTwitter | <Davinchi/>

اکثر پیاده‌سازی‌های Text-to-SQL وقتی به پروداکشن می‌رسند شکست می‌خورند.

دادن اسکیمای دیتابیس به LLM در دموها جذاب است، اما در سیستم‌های واقعی با سه مشکل مواجه می‌شود:
- محاسبه اشتباه متریک‌های بیزینسی
- کوئری زدن روی جدول‌های قدیمی و منسوخ‌شده
- تعاریف مبهم و ایجاد گزارش‌های نادرست

در جدیدترین مقاله‌ام، دلایل شکست روش‌های ساده و نحوه ساخت یک Agentic Data Stack حاکمیت‌یافته در سه لایه را بررسی کرده‌ام:

۱. لایه‌ی Semantic: ایجنت‌ها به جای دیتابیس خام باید با لایه‌های سمانتیک (مثل dbt و Cube) کار کنند.
۲. پایش فعال و CI: استفاده از Data Contractها برای جلوگیری از ناهماهنگی اسکیما.
۳. اسکیل های ماجولار/modular skills ایجنت: ساختار چندمرحله‌ای برای جستجوی متادیتا، فراخوانی API و اعتبارسنجی خروجی.

متن کامل مقاله:
https://mlnotes.substack.com/p/beyond-text-to-sql-building-a-governed

@DevTwitter | <Mehdi Allahyari/>

یک نفر اومده کل استک دستیار هوش مصنوعی رو از صفر با زبان Zig از نو ساخته و اسمشو گذاشته NullClaw.

حالا اعداد و ارقامش رو ببینید تا مغزتون سوت بکشه:

حجم فایل باینری کلاً ۶۷۸ کیلوبایته،
حدود ۱ مگابایت رم مصرف می‌کنه
و زیر ۲ میلی‌ثانیه بالا میاد!
بدون ران‌تایم، بدون ماشین مجازی، بدون هیچ فریم‌ورک و بدون Garbage Collector.
فقط و فقط زیگ خالص!

چرا این موضوع این‌قدر غول و مهمه؟
یه مقایسه بکنیم:
- پروژه OpenClaw واسه اجرا به یه مک‌مینی ۵۹۹ دلاری و بالای ۱ گیگابایت رم نیاز داره.
- پروژه NanoBot به بالای ۱۰۰ مگابایت رم و پایتون نیازمنده.
- پروژه PicoClaw هم ۱۰ مگابایت رم و Go می‌خواد.

اما NullClaw راحت روی یه برد ۵ دلاری با فقط ۱ مگابایت رم اجرا میشه! دقیقاً همون قابلیت‌ها، ولی فقط با ۰.۱٪ مصرف منابع!

باورتون میشه تو همین ۶۷۸ کیلوبایت چه چیزایی جا داده؟
- بیش از ۲۲ ارائه‌دهنده هوش مصنوعی (مثل OpenAI، Anthropic، Ollama، DeepSeek، Groq و...)
- ۱۳ تا کانال چت (تلگرام، دیسکورد، اسلک، واتس‌اپ، iMessage و حتی IRC!)
- بیش از ۱۸ ابزار توکار (Built-in)
- جستجوی حافظه ترکیبی (برداری + کلیدواژه‌ای)
- محیط ایزوله (سندباکس) چندلایه (Landlock، Firejail، Docker)
- پشتیبانی مستقیم از قطعات سخت‌افزاری مثل آردوینو، رزبری پای و STM32
- پشتیبانی از MCP، زیرعامل‌ها (Subagents)، استریمینگ، صوت و خلاصه کل پشته (Full Stack) معماری‌ش هم فوق‌العاده‌ست؛

هر زیرسیستم یه رابط قابل تعویضه. یعنی واسه تغییر ارائه‌دهنده‌ها، کانال‌ها، ابزارها یا حافظه، فقط کافیه فایل تنظیمات (Config) رو دستکاری کنید، بدون اینکه لازم باشه دست به کد بزنید!
از نظر امنیت هم کلیدهای API به‌صورت پیش‌فرض با الگوریتم ChaCha20-Poly1305 رمزنگاری میشن. ۲,۷۳۸ تا تست داره، حدود ۴۵,۰۰۰ خط کد تمیز Zig هستش و صفر وابستگی فراتر از libc داره!
صد در صد رایگان و متن‌باز (Open Source)

https://github.com/nullclaw/nullclaw

@DevTwitter | <بوکانت/>

نقشه راه PHP 9.0؛ تغییراتی که می‌تواند بزرگ‌ترین آپدیت تاریخ PHP باشد!

عضو تیم PHP Internals (هالی/Holly) پیشنهادات و نقشه راه فوق‌العاده‌ای برای PHP 9.0 ارائه داده که ۵ قابلیت کلیدی آن توجه همه توسعه‌دهندگان را جلب کرده است:


۱. متدهای افزوده Extension Methods

امکان اضافه کردن متدهای اختصاصی به کلاس‌های داخلی PHP، کتابخانه‌ها و حتی Native Typeها (مثل string و int). مثل Macroها در لاراول یا Extensionها در C#


۲. ساختار Structs (برای DTOها)

یک ساختار داده‌ای ساده، Immutable و سبک بدون پیچیدگی‌های مرجع (Reference) در کلاس‌های عادی، عالی برای ساخت DTOها.


۳. مدیریت انکپسولیشن با Modules

قابلیت export کردن دقیق کلاس‌های عمومی پکیج و مخفی نگه‌داشتن کدهای داخلی (Internal)، بدون نیاز به کامنت‌های internal.


۴. مفهوم Surfaces (تفکیک scope متدها)

امکان دسته‌بندی و ایمپورت مجزای متدهای عمومی (مثلاً دسترسی به متدهای مخصوص تست، فقط در زمان اجرای تست‌ها).


۵. ژنریک‌ها (Generics) با Runtime Check

پشتیبانی واقعی از Generics با بررسی تایپ‌ها در زمان اجرا (Runtime)، نه فقط در حد ابزارهای تحلیل استاتیک مثل PHPStan.

https://www.youtube.com/watch?v=JXAFiPWXirM

@DevTwitter | <Ali Baghernia/>

یک افزونه پیدا کردم برای نکست‌کلود که بجای داشبورد نکست‌کلود اجازه میده که یک محیط میزکار داشته باشید که خیلی باحاله و از تقویم شمسی هم پشتیبانی می‌کنه.

https://apps.nextcloud.com/apps/desktop_workspace

اینکه می‌ذاره چندتا برنامه رو همزمان اجرا کنی به نظرم خوبه :)

@DevTwitter | <Sohrab Behdani/>

کجا از LLM/AI استفاده نکنیم؟ دیدنش خالی از لطف نیست.

https://www.youtube.com/watch?v=_ZqSFVi6UDY

@DevTwitter | <Max Shahdoost/>

شرکت چینی Moonshot AI فردا (۲۷ جولای) وزن‌های کامل مدل جدیدش Kimi K3 رو منتشر می‌کنه؛ یه مدل ۲.۸ تریلیون پارامتری که حجم فایلش به ۱.۴ ترابایت می‌رسه.

این یعنی بزرگ‌ترین مدل open-weight تو کل تاریخ AI، آزاد و قابل دانلود برای همه.

سوال اینجاست: وقتی قوی‌ترین مدل‌های دنیا آزادانه در دسترس همه باشن، بازار مدل‌های closed (مثل GPT یا Claude) چه مزیتی بهش می‌مونه؟

https://venturebeat.com/technology/chinas-moonshot-ai-releases-kimi-k3-the-largest-open-source-model-ever-rivaling-top-u-s-systems

https://techtimes.com/articles/321499/20260724/kimi-k3-open-weights-drop-july-27-near-frontier-coding-undisclosed-hallucination-risk.htm

@DevTwitter | <^mad/>

براساس داده‌های تله‌متری بیش از 22 هزار توسعه‌دهنده در 4 هزار تیم در faros:

تعداد باگ‌ها حدود ۵۴٪ افزایش یافته.
نسبت Incident به Pull Request بیش از ۳ برابر شده.
زمان Review به شکل قابل توجهی افزایش پیدا کرده.
حدود ۳۱٪ Pull Requestهای بیشتری بدون Review انسانی Merge میشه

این گزارش نشون میده که هنوز جامعه مهندسی نرم افزار به بلوغ استفاده از ابزارهای هوش مصنوعی نرسیده و تا حالا بیشتر به سرعت توسعه و خروجی محصول از کد توجه شده تا امنیت و code review.

https://faros.ai/research/ai-acceleration-whiplash

@DevTwitter | <Ramin Farajpour Cami/>