اهمیت مهندسی اجنت ها در دنیایی که مهندسی اجنت ها از اجزای اصلی مهندسی نرم افزار است :

👉 @ai_python ✍️

این پست در تاریخ 2 ژانویه 2026 برای اولین بار توسط LangChain منتشر شد.


https://www.linkedin.com/pulse/agent-engineering-new-discipline-langchain-27pzc/

👉 @ai_python ✍️

انواع منابع پردازشی موجود در Azure Machine Learning :

👉 @ai_python ✍️

1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation.

2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run scripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a script.

3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads.

4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace.

5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.

هدف فیلتر بان

👉 @ai_python ✍️

https://youtu.be/TpccDxGGMnk?si=xnSDY54oxVTRrgmy

این ویدیو برای افرادی که قصد دارن در آینده در اکوسیستم مایکروسافت، سرویس های هوش مصنوعی ارائه بدن، بسیار مهم هست. ( یا در حال حاضر ارائه می دن)


👉 @ai_python ✍️

مواردی که پوشش داده شده :
💬 Agent Factory

💭 Model Router

💬 Microsof Defender for AI Services

https://youtu.be/a0byEIaDi8U?si=7f91KCQJucqzVUuj

👉 @ai_python ✍️

اعلام همکاری ان ویدیا و داکلینگ در CES در 7 ژانویه 2026

کلمه Docling رو در کانال سرچ کنید، مطالب زیادی دربارش داریم.

این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) می‌پردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستم‌های هوش مصنوعی غیرقابل‌پیش‌بینی به ابزارهای تجاری قابل‌اطمینان معرفی می‌کند. نویسنده با تأکید بر چرخه‌ی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح می‌دهد که برخلاف نرم‌افزارهای سنتی، عامل‌های هوشمند به دلیل ماهیت تطبیق‌پذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.

👉 @navidcasts 🎓

این نوشتار با ترکیب مهارت‌های تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه می‌دهد تا تیم‌ها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالش‌هایی نظیر ورودی‌های پیش‌بینی‌نشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمال‌گرایی پیش از عرضه، بلکه در توسعه‌ی سیستماتیک و سریع بر اساس داده‌های واقعی نهفته است.

استانداردی که شاید به زودی جایگزین ابزارهایی مثل PortKey بشه (قبلن بارها درباره Portkey و کاربرد آن در چانال صحبت کردیم)

👉 @ai_python ✍️

https://youtu.be/b-BzeHF6WLA?si=VWVgI22OF3yT-Fyk

مدل GPT-5.3-Codex :

👉 @ai_python ✍️

https://openai.com/de-DE/index/introducing-gpt-5-3-codex/

رودمپ DevOps برای سال 2026 :

👉 @ai_python ✍️

https://youtu.be/h-xaWRGBxC4?si=xL0QeDUIVGua_Jf2

FYI

👉 @ai_python ✍️

https://x.com/IntCyberDigest/status/2010063149702287577