DevTwitter | توییت برنامه نویسی

ایجنت شخصی با بیش از ۲۰۰ هزار استار!
یکی از ویروسی‌ترین پروژه‌ها که به عنوان جایگزین متن‌باز دستیارهای مرورگر، به صورت خودکار فرم‌ها رو پر می‌کنه، وب‌گردی می‌کنه و کارهای اداری-دیجیتالی رو برات ردیف می‌کنه.

https://github.com/openclaw/openclaw

@DevTwitter | <کدنویس اسطوره‌ای/>

قول بده از این ابزار سواستفاده نکنی
آدرس هر سایتی رو وارد کن و فونت‌هاشو دانلود کن!
https://typecatch.com
برای تست و بررسی اولیه فونت خوبه.

@DevTwitter | <ʀ≡ᴢᴀ/>

چندوقت بود زیاد با مارک‌داون سروکار داشتم و
هر ادیتوری یه مشکلی داشت - یکی RTL رو درست ساپورت نمی‌کرد،
یکی اصلاً پیش‌نمایش نداشت، و از همه بدتر توی بیشترشون
نمی‌شد روی خودِ پیش‌نمایش ویرایش کرد. پس این رو زدم:
markdowneditor.ir

بازش می‌کنی و می‌نویسی. نه ثبت‌نام، نه اکانت، نه نصب.
هیچ بک‌اندی نداره - سندت توی localStorage همون مرورگر
ذخیره می‌شه و هیچی آپلود نمی‌شه. کاملاً هم اوپن‌سورسه.

چیزایی که داره:
• پیش‌نمایش زنده - و برعکس بقیه، خودِ پیش‌نمایش هم قابل
ویرایشه؛ متن رو انتخاب می‌کنی، تولبار فرمت‌دهی میاد و
مثل Word با دکمه فرمت می‌دی - لازم نیست سینتکس
مارک‌داون رو بلد باشی
- هایلایت سینتکس برای ۴۰+ زبان برنامه‌نویسی
- دیاگرام Mermaid و فرمول LaTeX
- جدول با تنظیم چینش ستون‌ها، چک‌لیست، فوت‌نوت، reference link و بلاک‌های تاشو
- سرچ و جایگزینی (Ctrl+F)
- خروجی Markdown / PDF / HTML و کپی در سه فرمت
- حالت مطالعه، تم تیره و روشن
- پشتیبانی کامل RTL برای فارسی و عربی

لینک گیت‌هاب:
github.com/vahidaskari/md-editor

@DevTwitter | <Vahid/>

یک پروژه متن‌باز جالب برای برنامه‌نویس‌هایی که از هوش مصنوعی استفاده می‌کنند
پروژه Orca به شما اجازه می‌دهد چند عامل هوش مصنوعی مانند Claude Code، Codex و Gemini را به‌صورت همزمان روی یک پروژه اجرا کنید و خروجی آن‌ها را در یک محیط مدیریت و مقایسه کنید

@DevTwitter | <Davinchi/>

بولد سافت‌ور یه پروژه متن‌باز ساخته به اسم «میت».

وقتی یک دستیار هوشمند مقدار زیادی کد می‌نویسه، بررسی همه تغییرات خیلی سخت و وقت‌گیره. میت تغییرات اضافی و کم‌اهمیت رو کنار می‌زنه و فقط بخش‌های مهم رو نشون می‌ده؛ یعنی چیزهایی مثل منطق کار، روش اجرا و تصمیم‌های اصلی.

درواقع کمک می‌کنه به‌جای خوندن چند هزار خط تغییر، فقط بفهمی واقعاً چه چیزی عوض شده و آیا تصمیم درستی بوده یا نه.

https://nimaaksoy.com/radar/meat

@DevTwitter | <Nima/>

این پروژه روانی رو ببینید! اجرای مدلهای حجیم روی ۴ گیگ رم کارت گرافیک!

https://github.com/lyogavin/airllm

@DevTwitter | <بوکانت/>

شرکت Liquid AI مدل LFM2.5-2.6B رو معرفی کرده که دقیقاً برای اجرای ایجنت‌های هوش مصنوعی روی خود دستگاه (On-Device) طراحی شده.

اجرای محلی ایجنت‌ها یعنی حذف هزینه توکن، کاهش تاخیر به حداقل و حفظ کامل حریم خصوصی. این مدل ۲.۶ میلیارد پارامتری با اینکه خیلی کوچیکه، توانایی برنامه‌ریزی و فراخوانی ابزارها رو داره.

چند نکته مهم درباره این مدل:

• سرعت خروجی روی گوشی همراه به ۳۰ توکن در ثانیه می‌رسه (زیر ۲.۵ گیگ رم) و روی تراشه‌های اپل تا ۲۲۰ توکن در ثانیه‌ست.
• پنجره کانتکست ۱۲۸K داره و برای ورودی‌های بلند ایجنت‌ها آماده شده.
• پایپ‌لاین آموزش ۴ مرحله‌ای جالبی داره: ترکیب SFT، مدل‌های معلم متخصص، تقطیر دانش چندحوزه‌ای (MOPD) و Agentic RL با الگوریتم GRPO داخل محیط‌های واقعی ایجنت مثل OpenClaw.
• در بنچمارک‌های پیروی از دستورات و استفاده از ابزار، مدل‌های بزرگتر مثل Gemma 4 (5B/8B) و Qwen3.5-4B رو شکست داده.
• از روز اول هم در llama.cpp (فرمت GGUF)، کتابخانه MLX، فریم‌ورک‌های vLLM و SGLang پشتیبانی میشه.
• سازگاری کامل با فریم‌ورک‌های ایجنت مثل Hermes Agent، OpenClaw و Pi

متن کامل مقاله و لینک چک‌پوینت‌ها:
https://liquid.ai/blog/lfm2-5-2-6b

@DevTwitter | <Mehdi Allahyari/>

اگه پرووایدر antigravity روی 9router و هارنس hermes بهتون ارور 429: resource exhaustion میده چارش اینجاس:
https://github.com/decolua/9router/issues/2964#issuecomment-5161082471

توضیح کوتاه اینکه روی هرمس یه فایل هست به اسم SOUL.md که همون توضیحات اولیه مدل هست که رو هر پرامپت ارسال میشه، داخلش برین و این لاین رو:
You are Hermes Agent, an intelligent AI assistant created by Nous Research.
تغییر بدین به این لاین:
You are Hermes Agent, an intelligent AI assistant.
و مشکل حل میشه.

@DevTwitter | <Soheil/>

#کوته_نیوز

«بله» رفته تو اپ‌استور و ادعا کرده که end-to-end داره.

@DevTwitter

حافظه دائمی کدبیس برای ایجنت های هوش مصنوعی.
با پروتکل MCP به کرسر یا کلاود متصل میشه و یک گراف حافظه دائمی از معماری و تصمیمات کدنویسی شما می‌سازه. دیگه لازم نیست توی هر سشن دوباره توضیح بدی فلان ماژول چطوری کار می‌کنه!

https://github.com/DeusData/codebase-memory-mcp

@DevTwitter | <کدنویس اسطوره‌ای/>

اگر دنبال یک ابزار رایگان برای کار با مدل‌های هوش مصنوعی هستید MonkeyCode فعلاً هر روز ۳۰ میلیون توکن رایگان می‌ده و بدون نیاز به کارت بانکی می‌تونید از DeepSeek V4 Flash و Qwen-3.5 Plus استفاده کنید
monkeycode-ai.net

@DevTwitter | <Davinchi/>

اگه حس می‌کنید متن‌هایی که AI بهتون میده زیادی بوی AI میده، این اسکیل رو نصب کنید.

برای وقتاییه که خروجی مدل تمیزه، ولی زیادی صیقلی، بی‌روح، و شبیه همون متن‌های LinkedIn/ChatGPTیه که از سه کیلومتری معلومه AI نوشته.

کافیه لینک زیر رو توی چت به مدل بدید و بگید نصبش کن:

https://github.com/soheilmomeniii/no-slop

بعد از اون، خروجی‌ها کمتر شبیه «محتوای تولیدشده توسط هوش مصنوعی» میشه و بیشتر شبیه متنی که یک آدم واقعی نوشته

@DevTwitter | <farzanzare.base.eth/>

دوره جدید استنفورد با موضوع ایجنت‌های خود بهبود دهنده (Self-Improving AI Agents) دست روی یکی از بنیادی‌ترین تغییرات پارادایم هوش مصنوعی گذاشته.

تا الان تمرکز اصلی صنعت روی بزرگ‌تر کردن مدل‌ها در مرحله پیش‌آموزش (Pre-training) بود. اما مدرسین دوره که از اساتید استنفورد و محققان سابق DeepMind و Anthropic هستن، نشون میدن که این مسیر به تنهایی دیگه جوابگو نیست و آینده دست ایجنت‌هایی هست که می‌تونن خودشون رو اصلاح کنن.

سه محور اصلی که این تحول روی اون‌ها شکل می‌گیره:

۱. پردازش در زمان استنتاج (Test-time Compute): به جای پاسخ لحظه‌ای، ایجنت فرصت تفکر، جستجو در فضای حل مسئله و بررسی راه‌حل‌های مختلف رو پیدا می‌کنه.

۲. بازخورد قابل راستی‌آزمایی (Verifiable Feedback): استفاده از محیط‌های واقعی مثل کامپایلرها، اجرای کد و تست‌های نرم‌افزاری تا ایجنت خروجی خودش رو ارزیابی کنه نه اینکه فقط متن تولید کنه.

۳. حلقه‌های خوداصلاحی (Self-Correction & Reflection): طراحی pipelineهایی که ایجنت بتونه دلیل شکست در یک کار رو تحلیل کنه و در تلاش بعدی بدون نیاز به انسان، خطاش رو برطرف کنه.

در واقع شیفت اصلی از «مدل‌های ایستا» به سمت «سیستم‌های پویای یادگیرنده» است.
Youtube: https://youtube.com/watch?v=6YnLB0XbTnI

@DevTwitter | <Mehdi Allahyari/>

بزرگ‌ترین مشکل تست پروژه اینه که معمولاً بعضی سناریوها از یادت میرن؛ همون‌هایی که بعداً تبدیل به باگ میشن.

برای حل همین مشکل، یه Prompt متن‌باز منتشر کردم که سورس پروژه رو تحلیل می‌کنه و بی‌نهایت سناریوی تست فارسی و انگلیسی در قالب ( عمل + انتظار ) با استایل چک لیست داخل یک فایل HTML تولید می‌کنه. کافیه مرحله‌به‌مرحله تست‌ها رو اجرا کنی و ببینی آیا نتیجه‌ی مورد انتظار رخ می‌ده یا نه.

https://github.com/sobhanrajabi31/test-scenario-prompts

@DevTwitter | <sr31x/>

https://github.com/StarTrail-org/PixelRAG

برای اسکریپت کردن (خزیدن و جمع‌آوری اطلاعات) وب‌سایت‌ها با هوش مصنوعی این پیکسل‌رگ داره بازی رو عوض می‌کنه
میاد وب‌سایت رو می‌کرده از هر صفحه اسکرین‌شات میگیره و با مدل‌های بزرگ زبانی که بهش متصل میشه، ساختار سایت را کامل در میاره

@DevTwitter | <مسعود کاویانی/>

#کدبوک

راهنمایی جامع برای ورود به دنیای برنامه‌نویسی کامپیوترهای کوانتومی:

- آشنایی با مفاهیم پایه محاسبات کوانتومی و کیوبیت‌ها
- آموزش طراحی و پیاده‌سازی الگوریتم‌های کوانتومی
- کار با فریم‌ورک‌های برنامه‌نویسی کوانتومی و مثال‌های عملی
- مناسب برای برنامه‌نویس‌هایی که می‌خوان وارد دنیای Quantum Computing بشن


* فایل PDF این کتاب رو میتونید از کانال DevBooks که لینکش توی بیو هست دانلود کنید.

@DevTwitter

نه تنها تو کشور ما چیزی به اسم SLA وجود نداره، بلکه اپراتور‌ها ضرر و زیان زمان قطعی اینترنت رو هم با ضریب زدن روی اینترنت از مردم میگیرن.

من هر ماه 90 گیگ اینترنت برای خونه می‌گرفتم، بسته‌ی 90 گیگ رو که حذف کردن، باید 50 گیگ بگیرم، و این ماه تقریبا 6 بار (‌300 گیگ) گرفتم تا الان و امروز دوباره تموم شد.

اینترنت همراه هم که چون همه جا ثابت دارم، معمولا ده گیگ برام کفایت می‌کنه، تا الان چهار تا بسته‌ی ده گیگ گرفتم.

@DevTwitter

وقتی در PHP متغیرها را تغییر می‌دهید، احتمالاً به آنچه در پشت صحنه (Zend Engine) رخ می‌دهد فکر نمی‌کنید.

اما واقعیت این است: zval جادو نمی‌کند.

PHP چطور مدیریت می‌کند که یک متغیر ناگهان از string به array تغییر وضعیت بدهد بدون اینکه حافظه منفجر شود؟

در مقاله جدیدم، ساختار zval را از دیدِ معماری حافظه بررسی کردم:
-مدیریت نوع (Type) و مقدار (Value) در ساختار ۶۴ بیتی
-نقش Refcount در مدیریت منابع
-چطور با Copy-on-Write، عملیات‌ حافظه را در حد امکان به تعویق می‌اندازیم

لینک مقاله

@DevTwitter | <Afshin Akrami/>

یکی از خبرهای جذاب این روزا منتشر شدن PGSimCity بود؛ پروژه‌ای که مفاهیم داخلی PostgreSQL رو به یک شهر سه‌بعدی تعاملی تبدیل کرده تا یادگیری اجزا داخلی شهودی‌تر و ساده‌تر بشه.

اگر دوست دارین بدونین Postgresql دقیقا چطور کار میکنه از دستش ندین.

https://nikolays.github.io/PGSimCity/

@DevTwitter | <Fateme/>

اگه پروژه‌های بزرگ رو با claude, code و ... دولوپ میکنه واقعا توصیه میکنم از graphify استفاده کنید که البته این روز‌ها خیلیم ترند شده کارش هم اینه که knowledge graph از پروژه شما میساز تا دقیق بفهمه چی به چی وصله و خب ساخت اولیه‌ش هزینه زیادی داره ولی خب برای پروژه بزرگ کمک میکنه بعدا کمتر توکن مصرف کنید.
وقتی graphify یک پروژه را میخونه، برای هر چیزی که پیدا میکنه یدونه نود میسازه شامل هر تابع، هر کلاس و ...
مشکل اینه که یک چیز واحد ممکنه چندبار پیدا بشه یه تابع خفن داره بنام deduplicate_entities که وظیفه‌ش حذف این تکراری‌هاس و خب ۵ مرحله داره.
۱. نرمال سازی که میاد همه چیزو به حروف کوچیک تبدیل میکنه و فاصله‌های اضافی رو حذف میکنه
۲. پیدا کردن شبیه‌ها با الگوریتم‌های MinHash و Jaro-Winkler
۳. گروه‌بندی، نودهایی که شبیه بودن حالا تو یه گروه قرار میگیرن
۴. از هرگروه یکی بعنوان برنده انتخاب میشه
۵. حذف یال‌هایی که به نودهای بازنده وصل بودن
https://github.com/Graphify-Labs/graphify

@DevTwitter | <عمو پویا پروانه/>