بزرگ‌ترین اشتباهی که برنامه‌نویس‌های تازه‌کار می‌کنن، کم کد زدن نیست.
زیاد یاد گرفتنه.
هر روز یک دوره جدید.
هر روز یک تکنولوژی جدید.
هر روز یک ویدیو با عنوان:
“این مهارت رو یاد نگیری عقب می‌مونی!”
و نتیجه؟
۶ ماه می‌گذره.
۱۰ دوره دیدی.
۵۰۰ ساعت آموزش دیدی.
اما هنوز یک پروژه واقعی نداری.
حقیقتی که خیلی‌ها دوست ندارن بشنون:
بازار کار به تعداد دوره‌هایی که گذروندی پول نمی‌ده.
به مسئله‌هایی که می‌تونی حل کنی پول می‌ده.
من رزومه‌هایی دیدم که ۳۰ مدرک داشتن.
ولی حتی یک پروژه کامل داخلشون نبود.
از اون طرف افرادی رو دیدم که فقط ۲ یا ۳ تکنولوژی بلد بودن.
اما پروژه ساخته بودن.
و دقیقاً همون‌ها استخدام شدن.
اگر امروز دوباره از صفر شروع می‌کردم:
کمتر آموزش می‌دیدم.
بیشتر می‌ساختم.

@DevTwitter | <Arsham Hajeb/>

مدل‌های رایگان گران قیمت

مدل‌هایی مثل Llama 4، Gemma 4، DeepSeek V3 و Qwen 3 در ظاهر «رایگان» و متن‌باز هستن، اما این رایگان بودن فقط تا وقتی معنی داره که داخل یک نوت‌بوک یا محیط تستی ازشون استفاده کنی. به محض اینکه وارد فضای واقعی و پروداکشن بشی، هزینه‌ها شروع می‌شن و عملاً اون چیزی که رایگان به نظر می‌رسه تبدیل به یک زیرساخت گران و پیچیده می‌شه. دلیلش هم اینه که هزینه اصلی این مدل‌ها نه خود مدل، بلکه اجرای پایدار، سریع و مقیاس‌پذیر اون‌هاست.

مدل‌های کوچک‌تر که بین ۸ تا ۳۰ میلیارد پارامتر دارن، معمولاً روی سیستم‌های شخصی با ۲۴ تا ۴۸ گیگ VRAM اجرا می‌شن و بیشتر برای تست، یادگیری و ساخت نمونه اولیه مناسب هستن. اما وقتی وارد مدل‌های متوسط مثل ۷۰ میلیارد پارامتر می‌شی، فقط برای نگه‌داشتن وزن مدل به ۷۰ تا ۱۴۰ گیگ VRAM نیاز داری و دیگه یک کارت گرافیک معمولی جواب نمی‌ده؛ در نتیجه باید سراغ سرورهای ابری بری که هزینه‌شون ماهانه به چند هزار دلار می‌رسه.

در سطح بالاتر، مدل‌های بزرگ MoE مثل Llama 4 Maverick با ۴۰۰ میلیارد پارامتر، Qwen 3 با ۲۳۵ میلیارد یا DeepSeek V3 با ۶۷۱ میلیارد پارامتر قرار دارن که برای اجرا به صدها گیگ حافظه تجمیعی نیاز دارن. حتی با کوانتیزه‌سازی هم هنوز به زیرساخت چند GPU قدرتمند مثل H100 یا H200 احتیاج داری و اگر بخوای کانتکست طولانی هم پشتیبانی کنی، مصرف حافظه (KV cache) عملاً هزینه و نیاز سخت‌افزاری رو تا نزدیک دو برابر بالا می‌بره.

اگر این سیستم‌ها رو بخوای ۲۴ ساعته اجرا کنی، هزینه ماهانه بسته به سطح مدل از حدود چند هزار دلار برای مدل‌های کوچک شروع می‌شه و تا نزدیک صد هزار دلار برای مدل‌های خیلی بزرگ می‌رسه. این فقط هزینه خام اجرای مدل هست و هنوز هزینه‌های جانبی مثل مهندسی زیرساخت، مدیریت سروینگ (مثل vLLM و batching)، سیستم‌های مانیتورینگ و ارزیابی، فاین‌تیونینگ، ذخیره‌سازی داده و حتی تیمی که این سیستم رو نگه‌داری می‌کنه حساب نشده.

به همین دلیل در عمل، خیلی از تیم‌ها بعد از بررسی هزینه‌ها به این نتیجه می‌رسن که استفاده از APIهای آماده مثل OpenAI یا Anthropic به‌صرفه‌تر از راه‌اندازی و نگه‌داری زیرساخت GPU اختصاصی است، چون اون‌ها همه این پیچیدگی‌ها و هزینه‌های پنهان رو در قالب یک قیمت ساده به ازای هر توکن مدیریت می‌کنن.

@DevTwitter | <Reza Jafari/>

یکی از بهترین پادکست‌هایی هست که میتونین در مورد پیشرفت شغلی در شرکتی که کار میکنید گوش بدید.

https://www.youtube.com/watch?v=8JQUjpBf3Ig

@DevTwitter | <سهیل/>

با ظهور Agent های هوش مصنوعی مثل Claude Code و Codex، بنظرم یک سؤال جدی‌تر از همیشه مطرح میشه:

آیا هنوز به فریمورک‌هایی مثل Laravel نیاز داریم؟

یکی از دلایل اصلی شکل‌گیری فریمورک‌ها، ساده‌تر کردن توسعه و حذف پیچیدگی‌های تکراریه.
اما اگر یک AI Agent بتونه همین کار را با PHP خام انجام بده و هم‌زمان مواردی مثل امنیت، design pattern ها و best practice ها را هم رعایت کند و تازه، احتمالا خودش قرار تنها کسی باشه که قرار روی پروژه توسعه بده، آیا هنوز استفاده از فریمورک‌ها منطقیه؟

اگر این مسیر را در نظر بگیریم، شاید برخی مزیت‌ها این‌طور باشند:
- کاهش وابستگی به abstraction های اضافی
- سبک‌تر شدن پروژه‌ها
- احتمالاً بهبود performance

اما در مقابل:
- امنیت و جلوگیری از خطاهای انسانی
- استانداردسازی در تیم‌های بزرگ
- نگهداری بلندمدت سیستم
- همکاری تیمی و onboarding ساده‌تر

شاید سؤال اصلی این نباشد که «فریمورک‌ها حذف میشن یا نه»، بلکه این باشه که:
در آینده، فریمورک‌ها چه نقشی در کنار AI ایفا خواهند کرد؟

@DevTwitter | <Amirreza Sharifi/>

دیتای متروی تهران (Tehran Metro Data) چیه؟

دسترسی به یک دیتابیس دقیق، ساختاریافته و آماده از خطوط و ایستگاه‌های متروی تهران، همیشه یکی از دغدغه‌های برنامه‌نویس‌ها و توسعه‌دهنده‌ها بوده. برای همین ما ریپازیتوری «Tehran Metro Data» رو منتشر کردیم.
این پروژه یک دیتاست استاندارد از شبکه متروی تهران هست؛ یعنی شما رو از جستجوی پراکنده، جمع‌آوری دستی یا اسکرپ کردن اطلاعات برای پروژه‌هاتون کاملاً بی‌نیاز می‌کنه.
این دیتا بدون نیاز به هیچ پیش‌پردازشی، مستقیماً برای ساخت اپلیکیشن‌های مسیریابی، بات‌ها یا تحلیل داده قابل استفاده است. مهم‌تر از همه اینکه اطلاعات به شکلی مرتب شده که به‌راحتی و بدون دردسر Data Cleaning، توی کد ایمپورت بشه.

https://github.com/mostafa-kheibary/tehran-metro-data


@DevTwitter | <تهلاگ/>

به جای اینکه امشب هم توی چرخ‌دنده‌های یوتیوب گم بشی و زمانت هدر بره...
این ۱۱ تا دوره رایگان رو دریاب تا کلود (Claude) رو کاملاً استاد بشی.

یه نکته : اصلاً ماراتن راه ننداز و همه‌ رو پشت‌سرهم نبین! توی هر نشست، فقط یک سطح رو جلو ببرو قبل از اینکه بری سراغ سطح بعدی، حتماً چیزایی که یاد گرفتی رو به‌صورت عملی تمرین کن.

سطح اول: مفاهیم پایه (زمان مورد نیاز: ۲۰ دقیقه)

دریافت مدرک کلود:
claude101.com

آموزش کلود برای مبتدی‌ها:
https://ruben.substack.com/p/claude-for-dummies

هوش مصنوعی به زبان (خیلی) ساده:
https://ruben.substack.com/p/s?r=5m7l8v

نقشه راه یادگیری کلود:
https://ruben.substack.com/p/claude-roadmap

سطح دوم: فرآیندهای کاری واقعی (زمان مورد نیاز: ۵۵ دقیقه)

کار تیمی با همکار کلود (Claude Cowork):
claude-co.work

مدیریت کلود برای تیم‌ها:
how-claude.team

ساخت اسلاید و پرزنت با کلود:
how-to-gamma.ai

شخصی‌سازی فرآیندها با مهارت‌های کلود (Claude Skills):
claude-skills.free

سطح سوم: ترفندهای حرفه‌ای (زمان مورد نیاز: ۴۵ دقیقه)

اتصال کلود به بقیه ابزارها (Connectors):
https://ruben.substack.com/p/claude-connectors

چطور به محدودیت‌های پیام کلود برنخوریم؟
https://ruben.substack.com/p/how-to-stop-hitting-claude-usage

انتقال کامل بافت و اطلاعات شخصی به کلود:
https://ruben.substack.com/p/youre-just-a-text-file

اشتباهات رایج در استفاده از کلود در محل کار:
https://ruben.substack.com/p/how-to-use-your-personal-ai-at-work


@DevTwitter | <Hamed Heydarian/>

یه ریپو دیدم حدس هایی در مورد معماری مدل mythos. حدس و گمان ها در مورد recurrent depth هاست و اینکه دیگه اون ریزنینگ در سطح توکن رخ نمی‌ده. با توجه به ریزالت‌های trm، hrm و آخرین آپدیت ریزالتایی hrm-text1b که sota هم هست بعید نیست

https://github.com/kyegomez/OpenMythos

@DevTwitter | <KHAN/>

همونطور که میدونید GPT 5.5 همچین خوب فرانت اند نمیزنه UI دیزاینش خوب نیست
که تخصص منم نیست من بیشتر بک اند و دواپس حالیمه تا فرانت

یه SKILL آماده کردم که صرفا UX/UX قابل قبول بزنه

خودم ازش استفاده می‌کنم دست کم از نظر UX بنظرم خوبه

بررسی کنید، tweak کنید و بازخورد بدید

لینک ریپو:
https://github.com/blackestwhite/interface-design-sense

@DevTwitter | <Mahdi Akbari/>

اگر خدای نکرده از پلاگین جت انجین استفاده میکنین زودتر اپدیت کنین که وضع خرابه

https://patchstack.com/database/wordpress/plugin/jet-engine/vulnerability/wordpress-jetengine-plugin-3-8-10-php-object-injection-vulnerability

@DevTwitter | <Mohsen Ghiasi/>

Coolify
برای آپلود پروژه‌های جدیدمون روی سرور، به عنوان یک فرانت‌اند دولوپر که خیلی درگیر مفاهیم پیچیده DevOps نیستم و از طرفی به خاطر تحریم‌ها نمی‌تونیم از سرویس‌هایی مثل Vercel استفاده کنیم، با Coolify آشنا شدم.
تجربه واقعاً جالبی بود؛ هم نصبش ساده بود، هم مدیریت و آپدیت پروژه‌ها. کافیه آخرین commit رو بگیره، پروژه Next.js رو build کنه و deploy انجام بشه. عملاً خیلی از کارهایی که قبلاً دستی انجام می‌دادم رو راحت‌تر کرده.
پ.ن: تا قبل از این، پروژه‌ها رو با یه اسکریپت از روی سیستم روی سرور sync می‌کردم :)
رایگان و متن‌بازه، با Docker به‌صورت خودکار روی لینوکس نصب می‌شه، تنظیمات Proxy و Pathها رو خیلی راحت می‌تونی مدیریت کنی و در کل سرعت راه‌اندازی پروژه‌ها رو بیشتر می‌کنه. از همه مهم‌تر اینکه دیگه لازم نیست درگیر تنظیمات عجیب‌وغریب PM2 و Cluster Mode بشی.
تا الان تجربه خوبی باهاش داشتم.

https://coolify.io/

@DevTwitter | <Mohammad Sajad Shekhian/>

بالاخره اولین پکیج Laravel خودم رو روی Packagist منتشر کردم

اسم پکیج:
gohari/repository-pattern
این پکیج کمک می‌کنه توی پروژه‌های Laravel خیلی سریع‌تر Repository و Interface مربوط به Modelها رو بسازیم و ساختار کدمون تمیزتر و قابل نگهداری‌تر بشه.
نصبش هم خیلی ساده‌ست:
composer require gohari/repository-pattern
بعدش با یه Artisan command می‌تونی Repository بسازی:
php artisan repository:make User --model=User
برای من این فقط یه پکیج ساده نیست؛ یه قدم کوچیک ولی مهم بود برای اینکه بیشتر وارد فضای Open Source بشم و چیزهایی که توی پروژه‌های واقعی استفاده می‌کنم رو قابل استفاده برای بقیه هم بکنم.
لینک پکیج:
https://packagist.org/packages/gohari/repository-pattern

@DevTwitter | <Mohammadreza Gohari/>

لینک دریافت 6 ماه رایگان Claude Max:
https://claude.com/contact-sales/claude-for-oss…
ظاهراً اولویت با کساییه که GitHub فعال یا پروژه Open Source دارن

@DevTwitter | <Shayan GeeDook/>

این بازی روی threejs ساخته شده و با مرورگر اجرا شده

این بازی تازگی ها خیلی ازش ویدیو اومده بیرون و داستان یه پستچی هست ک نامه هاش رو میخواد تحویل بده.


https://messenger.abeto.co/

@DevTwitter | <Kaveh/>

#کوته_نیوز

اسپیس‌ایکس کرسر رو به قیمت 60 میلیارد دلار خرید :)))


@DevTwitter

این وب‌سایت به خوبی تجربه من رو بیان می‌کنه و مطمئنم خیلی‌های دیگه هم تو استفاده از کلاد و دردسرهاش به این موضوعات برخوردن. من بعد از سوییچ کردن روی Codex از OpenAI واقعاً تجربه بهتری داشتم. ساعت‌های طولانی روی یه پروژه کار کردم، output تمیزتر گرفتم و فلو بهتری داشتم. پلاگین‌های Codex رو کاستوم برای کار خودم ساختم (از طریق skill creator) و در کل تجربه خیلی بهتری با مدل‌های GPT داشتم (خصوصاً ۵.۴ و ۵.۵).

درسته این مدل‌ها در UI دیزاین ضعف زیادی دارن ولی واقعاً مدل جدید GPT خیلی انعطاف‌پذیری بیشتری داره، در انجام تسک‌های طولانی‌مدت خیلی بهتر عمل می‌کنه و compaction خیلی خوبی داره. Codex حتی ساعت‌ها بعد از موندن داخل یک چت، هنوز هم با همون دقت و سرعت output میده و گیج نمی‌زنه.

متأسفانه Anthropic سابقه دستکاری نتایج رو داشته، روی بنچ‌مارک‌ها تقلب زیادی می‌کرده و حتی در هنگام کار ممکنه مدلی که استفاده می‌کنه رو عوض کنه (بدون اینکه بهتون اطلاع بده). توصیه من این هست اگر کار دیزاین می‌کنید یه مدل چینی برای انجام اون تسک‌های دیزاین داشته باشید (چه کیمی باشه چه glm) و بقیه کارها رو بسپارید به Codex.

ترجیحا هم memory ای که به تمام چت هاتون دسترسی داره رو خاموش کنید.

https://clawd.rip/

@DevTwitter | <E Gurl/>

مایکروسافت Copilot Cowork رو عرضه عمومی کرد.

با این سرویس مشابه Claude Cowork می‌تونین تسک‌های مختلف و طولانی براش تعریف کنین، به سرویس‌های مختلف وصل‌ش کنین و دسترسی بهش بدین و اتوماسیون کامل انجام بدین:

@DevTwitter | <Farokh/>

فاندرهای کمپانی cursor در عرض چهار سال از عمر شرکت، هر کدوم حدود ۲.۷ میلیارد دلار و ۵۰ تا کارمند اولشون، هرکدوم بین ۲۰ تا ۵۰۰ میلیون دلار از فروش کمپانی بهشون میرسه.

@DevTwitter | <Mehdi Allahyari/>

یکی دیگه از اشتباهات رایج توی مصاحبه های بک اند اینه که طرف سریع میره سمت حل مسئله، بدون اینکه اول مسئله رو درست تعریف و یا درک کنه.

مثلا سوال میشه: «سیستم رو طوری طراحی کن که بتونه درخواست های زیاد رو هندل کنه»
و اون شخص سریع شروع می کنه به گفتن : ردیس، کافکا، میکروسرویس، لود بالانسر و ...
در حالی که مثلا هنوز نپرسیده که :
حجم ترافیک چقدره؟
الان read سنگین تره یا write؟
ما واسمون latency مهم تره یا consistency
الان bottleneck کجاست؟

"نتیجه این میشه که راه حل از مسئله جلو میزنه"

پس یادمون باشه که توی مصاحبه های بک اند، چیزی که بیشتر از تکنولوژی مهمه اینه که چقدر می تونی مسئله رو به شکل درست بشکنی و فرضیات رو شفاف کنی.
در واقع اول باید بفهمی اصلا مشکل کجاست.

@DevTwitter | <Meysam Naviddost/>