DevTwitter | توییت برنامه نویسی

عجیب اما واقعی!

داریم وارد دوره‌ای می‌شیم که حتی " خود متن" هم شناسنامه خواهد داشت و شما text رو فاقد سند نخواهی دونست.

خبرای امروز میگن Anthropic روی خروجی مدل‌های جدید Claude یک Watermark نامرئی قرار میده، یعنی متنی که Claude تولید می‌کنه، حتی بعد از Copy کردن یا بعضی تغییرات جزئی، می‌تونه همچنان به‌عنوان محتوای AI قابل شناسایی باشه.

نکته جالب اینه که Watermark متنی لزوما یه کاراکتر مخفی نیست که با Ctrl+A پیداش کنید. می‌تونه به‌صورت یک الگوی آماری داخل انتخاب کلمات و Tokenها قرار بگیره؛ یعنی امضا بخشی از خود متن باشه.

و به نظرم این اتفاق هم خیلی خوبه، هم می‌تونه خیلی بد باشه.

سمت خوبش واضحه: (داداشیا این روی کد هم اعمال خواهد شد در آینده 99% ک البته همین حالا هم مشخصه ولی خب...)

تشخیص Spam و محتوای انبوه AI راحت‌تر میشه، شناسایی محتوای جعلی بهتر میشه و حتی شرکت‌های AI می‌تونن بفهمن چه دیتایی قبلا توسط مدل‌های دیگه تولید شده. و بنظرم دیگه مدل ها رو روی متن هایی ک خود AI تولید کرده Train نمیکنن.

ولی سمت عجیب داستان از جایی شروع میشه که سوال کنیم:

این Watermark دقیقا چه چیزی رو مشخص می‌کنه؟

فقط اینکه "این متن توسط AI ساخته شده"؟

یا در آینده می‌تونه مشخص کنه توسط کدوم Model، کدوم سرویس، چه زمانی و حتی تحت چه Session یا Accountی تولید شده؟

این تفاوت خیلی مهمه.

چون دقیق از وقتی ک Watermark رو اختراع کرد بشر برای صدها سال Watermark روی کاغذ، اسکناس و اسناد به ما می‌گفت یک چیز "از کجا آمده".

حالا داریم همین مفهوم رو وارد زبان می‌کنیم.

و حالا

فرض کنید Claude یک متن برام نوشته، من نصفش رو پاک کردم، چند پاراگراف اضافه کردم، ساختارش رو عوض کردم و ایده‌های خودم رو واردش کردم.

این متن دیگه متعلق به کیه؟

من؟
Claude؟
یا یه همکاری بین انسان و ماشین؟
به نظرم در آینده دعوا فقط سر این نیست که "این متن رو AI نوشته یا انسان؟"
دعوا سر مفهوم جدیدی به اسم "Provenance" یا منشا محتواست.

من برای محتواهام همیشه از AI کمک میگیرم. اصلا مگر میشه ازش کمک نگرفت وقتی با همچین توانایی سر و کار داریم.

از grok گرفته ک اخیرا مدلش داره راضیم میکنه و متن ها بهتری ارائه میده تا GPT و Kimi و Qwen و البته میکسی از همه اینها.

بنظرم

من با Watermark مخالف نیستم، اتفاقا اینترنت آینده احتمالا شدیدا بهش نیاز داره.

ولی چیزی که برام مهم‌تره اینکه Watermark چه اطلاعاتی قراره با خودش ببره و بیاره، چه کسی می‌تونه اون رو بخونه و چه کسی کنترل و دستگاه و کلید تشخیصش رو داره. این هاست ک مشخصا باید صحبت بشه درموردش.

اساسا فکر میکنم محتواهای AI دوران طلایی خواهند داشت و بعدش ب گوشه انداخته خواهند شد، چون فقط ارزش چیزی ک ذهن خلق کرده بیشتر خواهد بود. شاید هم اینطور نباشه.

https://x.com/i/trending/2086917643093827879

@DevTwitter | <Kaveh/>

یک برنامه عالی برای ویندوز که باهاش میتونید به راحتی هرچیزی که میاد روی صفحه دسکتاپ رو به صورت آنی به زبان دلخواهتون ترجمه کنه .

https://github.com/killkimno/mort

مخصوصا اگر گیمر هستی میتونی باهاش زیرنویس و منوی بازی ها رو فارسی کنی و اینجوری کامل داستان اون بازی رو بفهمی و پیش بری



@DevTwitter | <AminiYT/>

خب این یکی دیگه خیلی جالبه

یه نفر توی استرالیا به هوش مصنوعی گفت توی یه باشگاه ورزشی براش جا بگیره.

اما ابزار OpenClaw کل سیستم رزرو باشگاه رو هک کرد، یه نفر دیگه رو از لیست انتظار انداخت بیرون به جاش ایشون رو گذاشت توی سیستم.

@DevTwitter | <Behrad Javed/>

#میم_شبانگاهی

@DevTwitter

freedium
با این سایت میتونید مقالات پولی این منابع رو رایگان بخونید:
Medium
NYT
WaPo
Bloomberg
Reuters
Economist
Financial Times

https://freedium-mirror.cfd

@DevTwitter | <Meisam/>

اگر favicon سایت شما هم در نتایج جستجو نمایش داده نمی‌شود، این یک مشکل عمومی بوده و سایت‌های زیادی هم اکنون با مشکل عدم نمایش favicon در سرپ مواجه هستند.

سند راهنمای نمایش favicon در نتایج جستجوی گوگل:
https://developers.google.com/search/docs/appearance/favicon-in-search

@DevTwitter | <Alireza Naji/>

کلاودفلر از ابزار جدیدی به اسم Cloudflare Wallets رونمایی کرد؛ یک کیف‌پول برنامه‌پذیر که قرار است مشکل پرداخت و احراز هویت ایجنت‌های هوش مصنوعی را در وب حل کند.

تا الان ایجنت‌ها برای استفاده از یک API یا ابزار جدید، درگیر فرم‌های ثبت‌نام و کارت اعتباری سنتی می‌شدند. حالا با کیف‌پول‌های مجازی، پرداخت‌های خرد و پروتکل x402، ایجنت‌ها می‌توانند با بودجه‌ای محدود و مشخص، خدمات مختلف را به‌طور خودکار بررسی و خریداری کنند.

این اقدام گام مهمی به سمت عبور از اشتراک‌های ماهانه SaaS و شکل‌گیری اقتصاد مستقل ایجنت‌ها در وب است.
مقاله کامل وبلاگ کلاودفلر:
https://blog.cloudflare.com/wallets/

@DevTwitter | <Mehdi Allahyari/>

چرا هنوز خیلی از توسعه‌دهنده‌ها موقع شروع پروژه از TypeScript فرار می‌کنند و ترجیح می‌دن فقط با JavaScript خالص کد بزنن؟

توی اوایل کار، من هم فکر می‌کردم TS فقط سرعت کدنویسی رو کم می‌کنه، کلی ارور الکی به خاطر تایپ‌ها میده و وقت آدم رو تلف می‌کنه اما وقتی پروژه بزرگ‌تر شد و با باگ‌های عجیبِ undefined is not a function مواجه شدم، دیدم منطق پشتش چقدر حیاتیشه.

سوییچ کردن به TypeScript همه‌چیز رو تغییر داد:

۱. کشف باگ‌ها قبل از اجرا : دیگه لازم نیست حتماً پروژه رو اجرا کنی تا بفهمی فیلد یک API اشتباه اسم‌گذاری شده؛ ادیتور همون لحظه جلوی خطات رو می‌گیره.

۲. خود تایپ‌ها بهترین داکیومنت هستند: وقتی بعد از چند ماه برمی‌گردی سراغ یک کامپوننت، دقیقا می‌دونی چه Props یا دیتایی ورودی و خروجی می‌گیره و گیج نمی‌شی.

۳. ری‌فکتور کردن بدون ترس: می‌تونی اسم یک متغیر یا ساختار یک دیتای بزرگ رو تغییر بدی و مطمئن باشی اگر جایی از پروژه خراب بشه، خود TS تمام نقطه‌های شکست رو بهت نشون میده.

استفاده از TypeScript فقط اضافه کردن یک ابزار جدید نیست، یک بیمه‌نامه برای آینده و پایداری پروژه‌ست.

@DevTwitter | <Hossein Naseran/>

متا برگشته به انتشار مدل های اوپن سورس( open weight )

مدل جدید Muse Glimmer با 30 میلیارد پارامتر و معماری dense منتشر شده که برای کارای لوکال ایجنتیک خیلی خوبه.

با ۱۸ گیگ رم/vram میتونید توسط unsloth اجرا اش کنید.

لایسنس این مدل هم apache 2 هست، لینک gguf اش پایین

متا گفته فلسفه شرکت اش تو بخش هوش مصنوعی دسترسی همگانی به super intelligence هست و به زودی قراره قوی ترین مدل خودشون Muse spark 1.2 هم اوپن سورس کنن.

لینک دانلود gguf از هاگینگ فیس
https://huggingface.co/unsloth/Muse-Glimmer-30B-GGUF

@DevTwitter | <Mani/>

احتمالا کلیت اینکه وقتی یه ریکوئست زده میشه، از DNS و TCP تا رسیدن به سرور و گرفتن ریسپانس چه اتفاقی میفته رو میدونین. ولی اگه دوست داشتین این پروسه رو با دیتیل بیشتری بدونین به نظرم این رو حتما چک کنین:

https://200ms.thenodebook.com/

@DevTwitter | <Omid Nikrah/>

اگه مشکل ریجن هنگام نصب کردن antigravity دارید، از دوتا ریپوی زیر استفاده کنید. بنده خداها مشکل یک ایران رو با پچرهاشون حل کرده‌اند:

https://github.com/kakajan/antigravity-patch

https://github.com/AvenCores/open-antigravity-patcher

@DevTwitter | <Amin/>

#میم_شبانگاهی

System design: liskov Substitution Principal

@DevTwitter

با این ابزار می‌تونید دیزاین سیستمِ هر سایتی رو بگیرید.
https://dembrandt.com

@DevTwitter | <Ayub/>

اگه دنبال یه لایبرری برای portal و تلپورت کامپوننت توی svelte میخوایین
تانل رو یه چک بکنید, لایبرری جدیدی که برای این کار نوشتیم

از هرجایی داخل اپ به هرجایی که میخواییم کامپوننتون رو تلپورت کنید استفاده کنید
Powered by "bridge-kit"
https://github.com/bridge-kit/svelte-tunnel

@DevTwitter | <Mosi/>

یه ریپو جالب برای مدیریت چند AI Coding Agent به‌صورت همزمان Agent Orchestrator
بهت اجازه می‌ده Agentهایی مثل Claude Code، Codex، Cursor و چندین ابزار دیگه رو کنار هم اجرا و مدیریت کنی
هر Agent روی Worktree جدا کار می‌کنه و سیستم می‌تونه اجرای تسک‌ها، تست، Review، CI و اصلاح خطاها رو مدیریت کنه
در واقع به‌جای اینکه خودت چندین Agent رو دستی مدیریت کنی یه لایه Orchestration بالای سرشون قرار می‌گیره

https://github.com/Untrivial-ai/agent-orchestrator

@DevTwitter | <Davinchi/>

#کوته_نیوز

سیتنا/ مدیرعامل مخابرت: فیبرنوری قراره تا یک گیگابیت بر ثانیه بهتون سرعت بده، مشترکین عادی هم بین 500 تا 600 مگابیت سرعت میگیرن.


@DevTwitter

تیم لاراول یه کار عجیب کرده، اپلیکیشنت با AI هم‌صحبت می‌شه.
دو ابزار جدیدش رو ببین: Laravel Boost + Laravel MCP

تا همین چند وقت پیش، مشکل اصلی کدنویسی با ایجنت‌های AI این بود که ایجنت هیچی از اپ واقعی شما نمی‌دونست. اسم ستون‌ها رو حدس می‌زد، روت‌هایی پیشنهاد می‌داد که اصلا وجود نداشتن، پکیج‌هایی رو معرفی می‌کرد که با composer.json شما سازگار نبود و...
هر حدس اشتباه، یعنی چند دقیقه وقت تلف‌شده و کلی باگ ناشناخته که ممکن بود پروداکشن رو بترکونه.

بوست این سمت ماجرا رو حل کرد. یه پکیج که به ایجنت AI اجازه می‌ده مستقیم داخل اپ شما سرک بکشه، اسکیمای دیتابیس رو ببینه، روی دیتابیس کوئری بزنه (فقط خواندنی)، روت‌ها و کامندهای Artisan رو لیست کنه و لاگ‌ها رو بخونه.
علاوه بر این، بیش از هفده‌هزار مستندات نسخه‌به‌نسخه‌ی لاراول (از جمله Livewire، Inertia، Filament) رو به‌صورت وکتورایز‌شده در اختیارش می‌ذاره تا کمتر توهم بزنه.

خب، تا این‌جا لاراول به AI کمک کرده اپ شما رو بهتر بفهمه. اما نیمه‌ی دوم ماجرا جالب‌تره.

لاراول MCP دقیقا برعکس این کار رو می‌کنه. اپ شما رو تبدیل می‌کنه به یه سرور که خود ابزارهای AI بهش وصل می‌شن. با چند خط کد، می‌تونید تولزی تعریف کنید که کلود، کرسر یا هر کلاینت سازگار با MCP بتونه صداشون بزنه. لیست سفارش‌های اخیر رو بگیره، فاکتور بسازه، کاربر رو با ایمیل پیدا کنه.

یعنی اپلیکیشن لاراولی شما دیگه خودش شده یکی از بازیگرهای اصلی گفت‌وگو با AI.
فریم‌ورک داره می‌گه: AI بخشی از استک شماست، نه یه افزونه‌ی جانبی.

@DevTwitter | <Ehsan Rezaei/>

فرض کن یک AI Agent بسازی که هم‌زمان روی تلگرام، دیسکورد و Slack جواب بده، فایل‌های شرکتت رو بخونه و حتی ابزار اجرا کنه — بدون اینکه همه‌چیز رو از صفر بنویسی.

ابزار AstrBot دقیقاً برای همین ساخته شده.

مثلاً می‌تونی یک ربات پشتیبانی بسازی که:
به پیام مشتری جواب بده، اطلاعات رو از Knowledge Base پیدا کنه، از GPT/Claude/Gemini/DeepSeek استفاده کنه و داخل Telegram یا Discord فعال باشه.

قابلیت‌های مهم:

- پشتیبانی از چندین LLM
- Agent + MCP + Skills
- RAG و Knowledge Base
- اتصال به Telegram, Discord, Slack و…
- اجرای ایزوله Code/Shell با Agent Sandbox
- Web UI و Chat UI
- بیش از 1000 پلاگین
- پشتیبانی از مدل‌های Local مثل Ollama
- متن‌باز و قابل Self-host

پروژه:
https://github.com/AstrBotDevs/AstrBot

@DevTwitter | <Pedram/>

اگه از هوش مصنوعی استفاده نمی‌کنی، خیلی عقبی. و اگه فقط بهش پرامپت می‌دی، تازه شدی مثل بقیه!
امروز همه این کار رو می‌کنن. پرامپت‌نویسی دیگه مزیت رقابتی نیست، شده حداقل لازم.

اینجاست که چیزی مثل MCP وارد بازی می‌شه. MCP یا Model Context Protocol، یه استاندارد برای وصل کردن AI به ابزارها، دیتابیس‌ها، فایل‌ها و سرویس‌های دیگه‌ست.

فرقش با پرامپت دادن خیلی زیاده. با پرامپت می‌گی "این کد رو بررسی کن."
با MCP می‌تونی به AI دسترسی مستقیم به ابزارهای مختلف بدی.

مثلا کرسر رو به فیگما وصل کنی، بهش بگی اون دیزاین رو برات به HTML تبدیل کنه! همین.

دیگه AI فقط چت‌بات نیست. داره تبدیل می‌شه به Agent. و به نظرم تفاوت بزرگ کاربران AI در آینده همین‌جاست.

یه عده هنوز دنبال بهترین پرامپت می‌گردن، یه عده دارن AI رو به سیستم‌ها وصل می‌کنن.
دسته دوم، خیلی سریع‌تر پیش می‌رن.

پرامپت‌نویسی هنوز مهمه. اما آینده مال Context + Tools + Agents ـه.

@DevTwitter | <Ehsan Rezaei/>

یه سیستم پیشنهاد آهنگ ساختم و حین کار یه چیز جالب درباره‌ی cosine similarity فهمیدم که کاش زودتر می‌دونستم

کارم ساده بود بر اساس ویژگی‌های صوتی و متن آهنگ آهنگ‌های مشابه رو با cosine similarity پیشنهاد بدم اول نتایج خوب به نظر می‌رسیدن تا اینکه دیدم هر آهنگ با همه‌ی آهنگ‌های دیگه حدود ۹۸٪ شباهت داره! یعنی مدل عملا هیچی تشخیص نمی‌داد و تفاوتی بین آهنگا قائل نمی‌شد
اول فکر کردم مشکل از تعداد ویژگی‌هاست ۲۳ تا ویژگی پس رفتم سراغ PCA برای کم کردن ابعاد نتیجه؟ به‌جای بهتر شدن بدتر شد

بعد فهمیدم اصلا مشکل ابعاد نبود مشکل این بود که با MinMaxScaler همه‌ی ویژگی‌ها غیرمنفی شده بودن پس همه‌ی بردارها تو یه ربع مثبت از فضا گیر افتاده بودن زاویه‌ی بین بردارها همیشه مصنوعا کوچیک می‌موند PCA هم که اصلا نمی‌تونه این رو حل کنه، چون فقط رو واریانس کار می‌کنه نه علامت مقادیر

وقتی StandardScaler امتحان کردم مشکل حل شد چون دیگه دیتا ها در یک ربع گیر نبودن و شامل اعداد منفی و مثبت می‌شدن

http://Github.com/ali-reza-rn/content-based-music-recommender

@DevTwitter | <Alireza Rn/>