بعد از چند روز توسعه و تست، اولین نسخه DevObin را منتشر کردم.
ابزار DevObin یک ابزار متن‌باز برای مهندسی پرامپت است که به AI Coding Agentها کمک می‌کند پروژه را بهتر درک کنند.
به‌جای اینکه فقط یک درخواست ساده برای هوش مصنوعی ارسال شود، DevObin فایل‌های پروژه را بررسی می‌کند، ساختار و Context کد را استخراج می‌کند و سپس پرامپت کاربر را به یک پرامپت دقیق‌تر، کامل‌تر و متناسب با همان پروژه تبدیل می‌کند.
در نتیجه، مدل‌های هوش مصنوعی با اطلاعات بیشتری تصمیم می‌گیرند و پاسخ‌های مرتبط‌تر و دقیق‌تری ارائه می‌دهند.
قابلیت‌های فعلی:
- خواندن و تحلیل فایل‌های پروژه
- استخراج Context واقعی کد
- تولید پرامپت بهینه برای AI Coding Agents
- رابط خط فرمان (CLI)
این تازه اولین نسخه DevObin است و در روزهای آینده قابلیت‌های بیشتری به آن اضافه خواهم کرد تا به یک دستیار هوشمند برای توسعه نرم‌افزار تبدیل شود.

GitHub:
https://github.com/mobinhasanghasemi/devobin
PyPI:
https://pypi.org/project/devobin/

@DevTwitter | <mobin/>

فایربیس یه حرکت قشنگ زده!
روش Firebase Phone Number Verification (Firebase PNV) یک روش سریع‌تر و امن‌تر برای تأیید شماره تلفن (OTP) است.
برخلاف روش تأیید با SMS که کاربر باید یک کد ارسال‌شده در پیامک را دریافت و وارد کند، Firebase PNV شماره تلفنی که روی سیم‌کارت دستگاه ثبت شده را مستقیماً از اپراتور متصل دریافت می‌کند

یعنی روند کار این شکلی است:
روش قدیمی (SMS OTP) :
کاربر شماره موبایل را وارد می‌کند.
سرویس Firebase یک پیامک با کد (مثلاً 123456) می‌فرستد.
کاربر کد را وارد می‌کند.
شماره تأیید می‌شود.

مشکلات:
- پیامک ممکن است دیر برسد یا نرسد.
- هزینه ارسال SMS دارد.
- امکان سوءاستفاده (Spam، تقلب، حملات OTP) وجود دارد.

روش Firebase PNV :
کاربر روی دکمه‌ی "Verify Phone Number" می‌زند.
سرویس Firebase با اپراتور موبایل ارتباط برقرار می‌کند.
اپراتور شماره سیم‌کارت موجود در گوشی را تأیید می‌کند.
شماره بدون وارد کردن کد تأیید می‌شود.

مزایا:
- سریع‌تر (بدون انتظار برای SMS)
- تجربه کاربری بهتر
- کاهش هزینه پیامک
- کمتر در معرض حملات مربوط به OTP

اما چند نکته مهم:
- این روش نیاز به پشتیبانی اپراتور موبایل دارد.
- معمولاً برای همه کشورها و همه سیم‌کارت‌ها فعال نیست.
- بیشتر برای اپلیکیشن‌های موبایل (Android/iOS) طراحی شده، نه وب.

ویدئوی معرفی:
https://www.youtube.com/watch?v=A8zq0xfXlvY&pp=0gcJCZkLAYcqIYzv

@DevTwitter | <Ali Amoori/>

استخدام برنامه‌نویس Laravel (دورکاری)

سطح: Mid-Level / Senior

برای توسعه و نگهداری یک پروژه مبتنی بر PHP Laravel، به دنبال یک برنامه‌نویس Laravel با تجربه، مسئولیت‌پذیر و مسلط به توسعه بک‌اند هستیم.

مهارت‌های مورد نیاز

- تسلط به PHP و Laravel
- تسلط به طراحی و توسعه REST API
- آشنایی با MySQL، PostgreSQL و MongoDB
- تسلط به Git
- آشنایی با Design Patternها و اصول SOLID
- تجربه کار با Queue، Cache و Redis
- توانایی تحلیل، دیباگ و بهینه‌سازی کدهای موجود

مزیت محسوب می‌شود

- تجربه کار با Docker
- آشنایی با CI/CD
- تجربه توسعه پروژه‌های با ترافیک یا مقیاس متوسط به بالا

شرایط همکاری

- همکاری به‌صورت پروژه‌ای و ریموت
- دستمزد توافقی (متناسب با تجربه و توانمندی)

* شرط مهم: محل سکونت متقاضی باید تهران یا کرج باشد، زیرا حداقل یک جلسه حضوری در هفته برگزار می‌شود.

در صورت تمایل، لطفاً رزومه‌ی خود را به @dvtwi ارسال نمایید

مهلت ارسال رزومه تا 1405/05/03

@DevTwitter

#کوته_نیوز

پلتفرم Huggingface هک شد. یه ایجنت AI درش گذاشت.
یک دیتاست خراب آپلود کرده و با اجرای کدش تونسته به مدارک داخلی و باقی دیتاست‌ها دسترسی پیدا کنه.

دست‌خوش

@DevTwitter

یه ابزار نوشتم که کل کدهای پروژه رو توی یه فایل مارک‌داون مرتب می‌کنه تا راحت بدی به هوش مصنوعی و تحلیل کنه، بدون نیاز به نصب هیچ چیز اضافه‌ای. خوشحال می‌شم تست کنید و نظرتون رو بگین:

https://ahm-id.github.io/RepoDoc

https://github.com/AHM-ID/RepoDoc

@DevTwitter | <AHM_ID/>

یه مدت بود دلم می‌خواست پروژه‌ای بسازم که فقط رفع نیاز نباشه، بلکه یک نمونه‌ی کاربردی و پروداکشن‌ردی از MVI و Clean Architecture در دنیای مدرن اندروید باشه.
برای همین Nimbus Weather متولد شد.
یه اپ آب‌وهوا با Jetpack Compose که داده‌هاش رو همزمان از دو دیتاسورس مجزا (آب‌وهوا و تصاویر) می‌گیره و ترکیب می‌کنه، با یه لایه گلس‌مورفیسم کاملاً دستی و پیاده‌سازی‌شده با Canvas.
حیفم اومد این تجربه رو پیش خودم نگه دارم، برای همین سورسش رو اوپن‌سورس کردم تا به سهم خودم به مسیر یادگیری دوستان کمک کرده باشم.
تمام چالش‌های فنی و تصمیمات معماری‌اش رو هم توی یک مقاله مدیوم کامل باز کردم که دعوتتون می‌کنم بخونیدش.
مشتاقانه منتظر فیدبک‌های قشنگتون در گیت‌هاب و مدیوم هستم!

GitHub: https://github.com/MrNouri/NimbusWeather

Medium: https://medium.com/@nouri.softeng/building-nimbus-weather-a-clean-architecture-mvi-case-study-in-jetpack-compose-0ba973dae087

@DevTwitter | <Nouri/>

یکی از چالش‌هایی که اخیرا با آن روبه‌رو بودم، مدیریت و همگام‌سازی فایل‌ها و فولدرهای مختلف یک پروژه روی یک یا چند سرور بود.

گاهی باید فایل‌ها از سیستم local به سرور منتقل شوند و گاهی برعکس، فایل‌های سرور دانلود یا به‌روزرسانی شوند. روند معمول این کار معمولا با ابزارهایی مثل WinSCP یا Termius انجام می‌شود؛ یعنی رفتن به مسیرهای مختلف سرور و آپلود، دانلود یا جایگزینی دستی فایل‌ها.

این موضوع وقتی پیچیده‌تر می‌شود که بخواهیم AI Agentها را هم وارد جریان توسعه کنیم. اگر Agent قرار باشد فایل‌ها را بخواند، ویرایش کند یا بر اساس آن‌ها تصمیم بگیرد، خیلی زود با مشکلاتی مثل مدیریت نسخه‌ها، پراکندگی فایل‌ها و کنترل تغییرات روبه‌رو می‌شویم.

ایده اصلی ساده است: فایل‌های مهم پروژه را روی سیستم local داشته باشید، تغییرات را بررسی کنید و فقط وقتی از نتیجه مطمئن شدید، sync را انجام دهید.

این ابزار برای ساده‌تر کردن مدیریت پروژه‌ها روی چندین سرور طراحی شده و قرار است روی ویندوز، لینوکس و مک قابل استفاده باشد.

https://github.com/hamidrg20001379/sync-gui-public

@DevTwitter | <Hamid Reza/>

اگر تو چت‌بات‌ها مشکل بهم ریختگی متن فارسی دارید، این اکستنشن به کار شما میاد.

اکستنشن ai-rtl-resolver مشکل متن‌های فارسی رو توی چت‌بات‌ها حل می‌کنه و با فونت زیبای وزیرمتن بهتون نمایش میده.

حالا تو نسخه‌ی 5.1 از kimi , duck ai هم پشتیبانی می‌کنه.

پلتفرم‌های پشتیبانی شده:
Gemeni
Claude
ChatGPT
Perplexity
Zai
Gemeni Notebook
Duck Ai
Kimi
DeepSeek
Qwen Ai

هیچ دیتایی جمع نمی‌کنه و سبکه، کاملا هم اوپن سورسه
برای کروم:
https://chromewebstore.google.com/detail/ai-rtl-resolver/fajdcnieohikiogbngkfedbpfoniobcc

برای فایرفاکس موبایل و دسکتاپ:
https://addons.mozilla.org/en-US/firefox/addon/ai-rtl-resolver/

گیت‌هاب:
https://github.com/miladniroee/ai-rtl-resolver


@DevTwitter | <Ladoya/>

🚨 کمتر از ۴۸ ساعت تا شروع دوره متوسط فرانت‌اند باقی مونده و فقط ۳ تا صندلی پر نشده!

🔥 یه کد تخفیف ۴۰ درصدی گذاشتم ولی اینجا براتون نمیذارم.

۱. وارد سایت https://learnwithhamed.vercel.app شو.
۲. کلید F12 رو بزن.
۳. روی Console بزن.
۴. کد تخفیف رو پیدا کن و برام بفرست تا تخفیف ویژه رو دریافت کنی!

🤖 تو این دوره یاد میگیری چطور اصولی از Claude و ChatGPT یا ابزارهای دیگه استفاده کنی تا تبدیل به یه توسعه‌دهنده حرفه‌ای و مدرن بشی.

💬 ارتباط مستقیم و ثبت‌نام: @hamedkhanaki_dev

یکی از تفاوت‌های بین برنامه‌نویسی سنتی و الگوریتم‌های یادگیری تقویتی اینه که توی برنامه‌نویسی، ما به سیستم می‌گیم چطور تصمیم بگیره اما توی RL، فقط نتیجه‌ی تصمیم‌ها رو بهش نشون می‌دیم و خودش یاد می‌گیره بهترین تصمیم چیه‌.

همین تفاوت توی پارادایم یادگیری، RL رو از خیلی از روش‌های رایج Machine Learning متمایز می‌کنه. یکی از اولین الگوریتم‌هایی که این مفهوم رو به شکل عملی نشون می‌ده، Q-Learning هست. چیزی که Q-Learning رو جالب می‌کنه، سادگی ایده‌شه.

میشه گفت که Agent هیچ درکی از محیط نداره، مدل محیط رو هم نمی‌شناسه و حتی نمی‌دونه رسیدن به هدف چه مراحلی داره. فقط با آزمون و خطا، دریافت Reward و ذخیره‌ی تجربه‌ها، کم‌کم یاد می‌گیره که در هر State، کدوم Action در بلندمدت بیشترین ارزش رو داره.

نکته‌ی جالب اینجاست که Q-Learning هیچ آینده‌ای رو پیش‌بینی نمی‌کنه؛ بلکه تخمینی از ارزش تصمیم‌ها می‌سازه. به همین دلیل هم اسمش از Q-Value (Quality Value) گرفته شده؛ عددی که کیفیت هر Action رو در یک State مشخص می‌کنه.

البته این الگوریتم هم محدودیت‌های خودش رو داره. با بزرگ شدن فضای Stateها، نگه‌داشتن Q-Table عملاً غیرممکن می‌شه و دقیقاً از همین نقطه‌ست که روش‌هایی مثل Deep Q-Network (DQN) وارد بازی می‌شن و به جای جدول، از شبکه‌های عصبی برای تقریب Q-Value استفاده می‌کنن.

برای اینکه این مفاهیم رو بهتر درک کنم، حدود یک سال پیش، یه پروژه مسیریابی ساده با Q-Learning پیاده‌سازی کردم. اگر دوست داشتید، می‌تونید پروژه رو اینجا ببینید:

GitHub:
https://github.com/naseridev/notch

@DevTwitter | <Nima Naseri/>

فرایند کابل کشی فیبرنوری داره دوباره شروع میشه تو شهر های مختلف و میتونید به شرکت های مختلف که تو محلتون پوشش دارن درخواست سرویس بدین

اگه دنبال خرید مودم فیبر نوری هستید و نمی‌دونید از کجا شروع کنید، این ویدیو می‌تونه خیلی کمکتون کنه

لینک ویدیو: https://youtu.be/tbX3vbb-AlU

توی ویدیو یه شیت کامل معرفی شده که شامل:
لیست تمام مودم‌های موجود در بازار ایران
مشخصات و امکانات هر مودم
لینک ترب و آخرین قیمت‌ها
همه چیز یه‌جا جمع‌آوری شده تا راحت‌تر بتونید مقایسه کنید و بهترین انتخاب رو داشته باشید.

@DevTwitter | <Kaveh/>

این پروژه به اسم اوپن‌کدکس دقیقاً یه پروکسی محلی هست که بهت اجازه می‌ده از مدل‌های مختلف هوش مصنوعی (مثل کلود، گروک، کیمی، جمینی و مدل‌های محلی) مستقیماً داخل ابزار (کدکس) اوپن‌ای‌آی استفاده کنی. منوی انتخاب مدل هم خیلی خوب کار می‌کنه.
لینک گیت‌هاب پروژه برای کسایی که می‌خوان تست کنن:
https://github.com/lidge-jun/opencodex

فقط توجه کن که این پروژه غیررسمی هست و ارتباطی با شرکت اوپن‌ای‌آی یا شرکت‌های دیگه نداره.

@DevTwitter | <Navid Taheri/>

اگر دنبال ساخت Agentهای AI برای نقش‌های مختلف هستید این ریپو می‌تواند برایتان مفید باشد
برای توسعه‌دهنده، طراح، مارکتر، مدیر محصول، QA و چند نقش دیگر Agent های آماده دارد و می‌تواند نقطه شروع خوبی برای ساخت ورک‌فلوهای ai باشد

https://github.com/msitarzewski/agency-agents/

@DevTwitter | <Davinchi/>

خیلی دیگه احمقانه است که توی کد ، تایپو داشته باشید
این کوفتی رو نصب کنید خواهشا

https://marketplace.visualstudio.com/items?itemName=streetsidesoftware.code-spell-checker


@DevTwitter | <Arash Hatami/>

اگر از AI توقع «طراحی در سطح اپل» دارید، فقط پرامپت بهتر کافی نیست؛ باید اصولی را بشناسید که پشت تصمیم‌های طراحی‌اند.
یک skill متن‌باز به نام apple-design منتشر شده که ۱۷ اصل را از WWDC جمع‌آوری کرده: از پاسخ‌گویی و حرکت طبیعی تا تایپوگرافی، متریال، سادگی و دسترس‌پذیری.
نکتهٔ مهم این است که کنار توضیح‌ها، الگوها و نمونه‌کد هم دارد؛ بنابراین برای Codex یا Claude فقط یک رفرنس ظاهری نیست و می‌تواند به تصمیم‌های قابل‌اجرا در رابط تبدیل شود.
طبق توضیح پروژه، با یک دستور روی Codex یا Claude نصب می‌شود و برای استفاده محدودیتی ندارد.
لینک پروژه:
http://github.com/emilkowalski/skills/tree/main/skills/apple-design

@DevTwitter | <Bahram Ghorbani/>

ساخت یک LLM از صفر!

اگر می‌خواهید بدانید واقعاً در دل مدل‌های زبانی چه می‌گذرد، این ویدیو فوق‌العاده است. طرف، از مفاهیم پایه مثل شبکه‌های عصبی و توکنایزیشن شروع می‌کند و تا معماری ترنسفورمرها پیش می‌رود. نکته جذاب اینجاست که همه چیز با کد واقعی و از صفر پیاده‌سازی شده است.

در این ویدیو به این مباحث کلیدی پرداخته شده است:
- درک عمیق چت‌بات‌ها و نحوه کارکرد آن‌ها
- بررسی شبکه‌های عصبی (Neural Networks)
- نحوه عملکرد توکنایزیشن و Embeddingها
- تشریح معماری ترنسفورمرها (Transformers)
- ارائه کانتکست تاریخی و تکامل این تکنولوژی

این ویدیو برای کسانی که می‌خواهند از سطح تئوری فراتر بروند و پیاده‌سازی واقعی یک ایجنت یا مدل زبانی را ببینند، عالی است.

کد پروژه:
https://github.com/w3cj/how-llms-work

لینک ویدیو:
https://youtube.com/watch?v=YmLp8qe87A0


@DevTwitter | <Mehdi Allahyari/>

ابزاری که به شما می‌گه چه مدل‌هایی رویِ سخت‌افزارِ شما اجرا می‌شه.
https://github.com/Andyyyy64/whichllm

@DevTwitter | <Ayub/>

دوره جامع پایتون: مقدماتی تا پیشرفته

🗓شروع دوره: 10 مرداد

🎁 تخفیف ویژه برای دانشجویان، فرصتی بی‌نظیر برای شما!

🔥 آموزشی که شما را به برنامه‌نویس حرفه‌ای تبدیل می‌کند و در بازار کار به شما رقابت‌پذیری بیشتری می‌دهد. همچنین برای اپلای‌های شغلی و تحصیلی شما را برتر می‌کند و به راه‌اندازی استارت‌آپ‌های شگفت‌انگیز کمک می‌کند.

⏰ 140 ساعت آموزش مجازی، با بیش از 25 پروژه و مینی‌پروژه برای تسلط کامل!

🌟 سرفصل‌های دوره شامل:

💻 تسلط بر کدنویسی پایتون
💻 علوم داده با پایتون
💻 محاسبات علمی با پایتون
💻 یادگیری ماشین با پایتون
💻 طراحی بازی و اپلیکیشن با پایتون
💻 ساخت بلاک‌چین و ارز دیجیتال با پایتون
💻 هک و امنیت با پایتون
💻 طراحی سایت با پایتون

🎁 همراه با هدایای ویژه، از جمله پکیج کسب درآمد از پایتون!

همین حالا شروع کنید و بهترین نسخه خود را با ما کشف کنید! 💥🚀🔥

🌟 به دوستان خود نیز اطلاع دهید تا این فرصت را از دست ندهند! 🌟

👨‍🏫برگزارکننده: شرکت آتی پژوهش امیرکبیر
@kargah2018

👩‍🎓جهت ثبت نام و کسب اطلاعات بیشتر
@apa_admin12