بحث اینکه هوش مصنوعی جای برنامه نویس هارو بگیره دیگه داره تکراری میشه
ولی بذارین یه نکته مهمی رو باهاتون در میون بذارم
هوش مصنوعی یا همون عامل های هوش مصنوعی توسعه دهنده که یه نمونه اش cursor هست وقتی پروژه کوچیک باشه و Monolithic بله واقعا قدر ان و یکم شک به دل آدم میندازن که نکنه اینا واقعا آینده توسعه نرم افزار رو دست بگیرن؟
اما کافیه پروژه یکم مقیاس پیدا کنه مثلا تبدیل بشه به client-server یا از Monolithic تبدیل بشه به Microservice اون موقع اس که واقعا AI کم میاره بد هم کم میاره.
و بزرگترین چالشش به یاداوردن و حفظ توالی عملیات ها و اهداف پروژه و نحوه کارکرد و تعامل ماژول ها و اجزا و همینطور تعیین استراتژی های فنی هست.
کاری که فقط از پس یه انسان متخصص برمیاد نه یک یا حتی چند عامل.
شاید حتی بگین که الان این محدودیت رو داره و در آینده ممکنه برطرف بشه ولی در جواب باید بگم به همین سادگیا نیست چون این محدودیت ها بیشتر جنبه سخت افزاری دارن تا الگوریتمیک و یا نرم افزاری که شرکت های هوش مصنوعی صرفا با اپدیت های نرم افزاری بتونن این محدودیت هارو رفع کنن.
چالشی که حالا حالا ها پابرجاس.

واسه همینه که واسه توسعه دهنده ها ضروریه که مهارت های سطح بالا رو یاد بگیرن و از یه کارگر (که صرفا کد مینوسه) تبدیل بشن به یه مهندس ناظر که استراتژی هارو تعیین میکنه سیستم رو طراحی میکنه و الگور های طراحی و معماری هارو مشخص میکنه و بر اساس اون عامل های توسعه دهنده رو هدایت میکنه.

@DevTwitter | <mohammad hashemi/>

چرا GitOps در دنیای امروز جایگزین مستقیم kubectl شده است
در گذشته، برای اعمال تغییرات روی Kubernetes، معمول‌ترین کار اجرای مستقیم دستورات kubectl apply بود.
ساده، سریع و بدون پیچیدگی خاص.
اما با بزرگ‌تر شدن تیم‌ها و پیچیده‌تر شدن محیط‌ها، همین سادگی تبدیل به یک نقطه‌ضعف شد.
چرا؟ چون:
- هیچ‌کس نمی‌دانست آخرین تغییر توسط چه کسی اعمال شده.
- تنظیمات محیط Production و Staging با هم متفاوت بودند.
- امکان بررسی یا بازگشت به وضعیت قبلی وجود نداشت.
- خطای انسانی در اجرای دستی تغییرات به‌راحتی باعث بروز مشکل می‌شد.
اینجا بود که GitOps متولد شد.
حالا GitOps روشی‌ست که در آن کل وضعیت سیستم (شامل تنظیمات، منابع، policyها و ...) به شکل فایل‌های YAML در یک مخزن Git ذخیره می‌شود.
هر تغییری در سیستم، تنها از طریق commit در Git اتفاق می‌افتد.
و ابزارهایی مثل ArgoCD یا Flux این تغییرات را به‌صورت خودکار روی خوشه Kubernetes اعمال می‌کنند.
- یعنی Git تبدیل می‌شود به منبع حقیقت (single source of truth)
- هر تغییر قابل رهگیری، بررسی و بازگردانی (rollback) است
- می‌توان با review و approval گروهی، جلوی خطاها را گرفت
- از CI/CD pipeline به‌طور طبیعی پشتیبانی می‌شود
در واقع GitOps نه‌تنها امنیت و شفافیت را بالا می‌برد، بلکه مسیر توسعه تا استقرار را به‌شکل کاملاً خودکار و قابل پیش‌بینی درمی‌آورد.
یکی از محبوب‌ترین ابزارهای اجرای GitOps در Kubernetes، ArgoCD است.
این ابزار به‌صورت مداوم وضعیت مخزن Git را با خوشه مقایسه می‌کند و اگر مغایرتی ببیند، آن را اصلاح می‌کند یا هشدار می‌دهد.
این یعنی دیگر نیازی نیست دستی چیزی را deploy یا patch کنید؛ Git خودش حرف آخر را می‌زند.
جمع‌بندی:
در دنیایی که تغییرات سریع، محیط‌ها متنوع و تیم‌ها پراکنده‌اند، دیگر اجرای دستی kubectl کفایت نمی‌کند.
مدیریت تغییرات باید سیستماتیک، قابل پیگیری و مبتنی بر Git باشد.
GitOps دقیقاً پاسخ این نیاز است.

@DevTwitter | <Vahid Aghazadeh/>

اگر تو GenAI کار می‌کنید، ویدیو‌های صفحه یوتیوب AI Engineer رو به هیچ عنوان از دست ندید، از صد تا کلاس درس بیشتر مطلب برای یادگیری داره.

https://www.youtube.com/@aiDotEngineer/videos

@DevTwitter | <Reza Jafari/>

فست‌پنل، یکی از کنترل پنل‌های رایگان برای مدیریت وب‌سرورهای لینوکسیه که نسبتا رابط کاربری خوبی داره.
این پنل امکانات لازم برای میزبانی وردپرس، لاراول و php رو فراهم کرده.
برای شروع میشه اونو روی یه VPS با یک هسته پردازنده و یک گیگ رم نصب کرد!
https://fastpanel.direct

@DevTwitter | <Yaser Shahi/>

توی قطار بیکار بودم دوباره و آزمایش با Agent Communication Protocol:

یه Agent درست کردم با Agno که دسترسی داره به Yahoo Finance
یه Agent با LangGraph درست کردم که دادم به PickleMemory با MCP که دیروز درست کرده بودم

بعدش الان Agent دومی می تونه با ACP با Agent اولی حرف بزنه!

@DevTwitter | <Von Datawarehausen/>

سلام
من ی این ریپو درست کردم و کد های fine tune  مختلف برای image segmentation  کنار هم گذاشتم ک کسی بخواد راحت
ی تسک image segmentation  رو فان تیون کنه برای تسک مدنظرش
https://github.com/m15kh/Image_Segmentation

@DevTwitter | <Mohammad/>

غزل یک کتابخانه شعر فارسی و برنامه‌ای رایگان و متن‌بازه. غزل به زبان ++C و با استفاده از چارچوب Qt نوشته شده. غزل از پایگاه داده گنجور بهره می‌بره. این برنامه قابلیت سرچ قوی‌ای داره و میتونه توی ردیف و قافیه هم سرچ کنه. غزل توی ویندوز، مک و اکثر توزیع‌های لینوکس اجرا میشه

https://github.com/abroshan39/ghazal

@DevTwitter | <Aboutaleb Roshan/>

یکی از بهترین روشای خوب کد نوشتن دیدن کد خوبه

توی این لینک میتونید پروژه های اپن سورس لاراول که ارزش خوندن دارن را ببینید:

https://saasykit.com/blog/learn-laravel-by-exploring-open-source-projects

@DevTwitter | <Ali Baghenia/>

#به_سوی_گا

اینقدر اوضاع اینترنت خرابه که نمیشه کار کرد.

میخوام یه پیج فروشگاه جوراب برای برنامه‌نویسا بزنم جوراب بفروشم.

دیگه برنامه‌نویسی جواب نمیده.

@DevTwitter

به همین راحتی توی لاراول از سرعت کوئری‌ها تست بگیرید وپرفورمنس اپتون رو بهتر کنید

@DevTwitter

کتابخانه مبدل تاریخ، به زبان C نوشته شده و می‌تونه تقویم‌های شمسی، میلادی، هجری، عبری و جولین رو به همدیگه تبدیل کنه. این کتابخانه از 2 نوع تقویم فارسی (نجومی و الگوریتمی) پشتیبانی می‌کنه. نسخه الگوریتمی بر اساس الگوریتم پیشنهادی احمد بیرشک هست.

https://github.com/abroshan39/dateconv

@DevTwitter | <Aboutaleb Roshan/>

رفقا اگر دنبال نیروی کار هستید، از کارآموز تا سینیور برام جاب تایتل رو بفرستید تا توی چنل قرار بدم، خیلیا تعدیل شدن و نیاز به کار دارن.

اینطوری بفرستید
Mid-Level golang Developer - Tehran
یا
Java Developer - Remote


در صورتی که موقعیتتون به شکل همکاریه، قرار نیست پول بدید و موارد این‌چنینی، وقت بقیه رو نگیرید و پیام ندید.

کسایی که دنبال کار میگردن پیام ندن لطفا که ما بتونیم همه‌ی پیام ها رو بخونیم.
بعد از چند روز لیست جاب تایتل‌ها رو قرار میدیم تو چنل تا اگر نیاز داشتید بهم معرفی بشید.

@dvtwi

دوتا کورس عالی از دانشگاه برکلی راجع به ایجنت ها ارائه شده. دوره اول فاندیمنتال و مباحث اصلی را توضیح میده و دوره دوم دوره پیشرفته راجع به ایجنت ها هست. تمام اسلایدها و ویدیوها و مقالات هم موجوده. و موضوعات مهم و اساسی را پوشش میده.
لینک دوره اول:
https://rdi.berkeley.edu/llm-agents/f24
لینک دوره پیشرفته:
https://rdi.berkeley.edu/adv-llm-agents/sp25

@DevTwitter | <Mehdi Allahyari/>

به کمک ThinkSound می‌تونید برای ویدیوهای خودتون صدا تولید کنید!
رایگان و اوپن سورس هستش.

پ.ن: من تست کردم، اگر پرامپت خوبی نزنید و اگر ویدیو از قبل صدا روش باشه خروجی خوبی نمی‌ده.

Demo:
https://huggingface.co/spaces/FunAudioLLM/ThinkSound

Github:
https://github.com/FunAudioLLM/ThinkSound

@DevTwitter | <Diego Jr/>

نصف بیشتر بچه‌هایی که پیام دادن خودشون دنبال کار هستن و این باعث شده دیدن پیام‌ها برای من خیلی سخت‌تر بشه.

این نشون میده پیامی که نوشتم رو کامل نخوندن.

همین ریزبینی‌ها هست که نشون میده آدما چقدر توی کارشون دقیق و حرفه‌این.

این که این نکته مهمه، واسه اینه که همین اخلاق و رفتار توی یادگرفتن و توی خوندن داکیومنت‌ها اتفاق میوفته. اصلی‌ترین، مهم‌ترین و تاثیرگذار‌ترین نکات رو نمی‌خونن و همیشه به این فکر می‌کنن که اونی که سینیور شده، یا اونی که از من کمتر وقت گذاشته و بیشتر بلده، واسه چیه.

نکات کم اهمیت، میتونه تاثیرات بزرگی بذاره، بیشتر دقت کنید.

الان در دوره ای هستیم که دیگه دانش کالای اختصاصی و لوکس نیست!
الان میتونی با یک نیم ترابایت فضا (کمتر از نصف حجم لبتاب معمولی) یک مدل زبانی خفن مثل دیپ سیک چینی رو روی لبتابت نصب کنی و همه دانش بشری رو بی نیاز حتی از اینترنت داشته باشی و ازش سوال کنی!
https://github.com/deepseek-ai/DeepSeek-V3

@DevTwitter | <Propaganda/>

#کوته_نیوز

پطروس‌های وطنی انگشت کردن تو سوراخ نت بلکه یه وقت آسیبی نبینیم

@DevTwitter

این ویدیو یوتیوب خیلی مفیده. پروژه‌های یادگیری ماشین رو در ۵ سطح مختلف دسته‌بندی می‌کنه و توضیح می‌ده که برای هر موقعیت شغلی، تا چه سطحی از مهارت و پروژه در رزومه‌تون لازمه.

کل ویدیو ۱۰ دقیقه‌ست، اما دید خیلی خوبی بهتون می‌ده. پیشنهاد می‌کنم از دستش ندید!

https://www.youtube.com/watch?v=Bx4BYXOE9SQ

@DevTwitter | <Reza Jafari/>

یکی از مهم ترین راه های یادگیری ماشین لرنینگ میتونه این باشه که بقیه چجوری انجامش میدن :) اینم یه آرشیو بی نظیر از ۵۰۰ تا پروژه و جزوه ماشین لرنینگ

https://github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code?tab=readme-ov-file

@DevTwitter | <داداش ناتنی ملاصدرا/>

یکی از مهارت‌های مهم برای توسعه‌دهنده‌ها و مهندسان نرم‌افزار، اینه که بتونن مفاهیم فنی پیچیده رو به زبانی ساده و قابل‌درک برای افراد غیرفنی (مانند مدیر محصول، سرمایه‌گذار یا حتی مشتری) توضیح بدن.
در این مقاله از System Design Codex، تکنیک‌ها و توصیه‌هایی برای برقراری ارتباط مؤثر درباره‌ی موضوعات فنی ارائه شده — از اهمیت درک مخاطب گرفته تا استفاده از استعاره‌ها و اجتناب از اصطلاحات پیچیده.
https://newsletter.systemdesigncodex.com/p/how-to-talk-technical-stuff-with

@DevTwitter | <Mahmoud Barzegar/>