پروژه Mailflare به‌عنوان جایگزین Gmail مبتنی بر Cloudflare معرفی شده.

این ابزار امکان راه‌اندازی ایمیل با دامنه اختصاصی نامحدود رو فراهم می‌کنه.

https://github.com/hieunc229/mailflare

@DevTwitter | <Reza/>

شاید برات جالب باشه بدونی سال ۹۸، یکی از بچه‌های مهندسی مکانیک توی خوابگاه احمدی‌روشن دانشگاه شریف، کانال تلگرامی‌ای رو ساخت که الان، بعد از ۷ سال، بزرگ‌ترین کانال اقتصادی به زبان فارسیه و یکی از قوی‌ترین گروه‌های مشاوره‌ی اقتصادی کشور پشت این کاناله!

اسم کانالش رو هم گذاشت 👈 شریف

از رویاهات کوتاه نیا! ♥️

اکثر ستاپ‌هارو تست کردم بهترین چیزی که به نیازم می‌خورد mermaid بود ولی سایت خودش پولیه و نمیشه agent خودتو ببری.
ایده‌ای که زدم یه پلاگین نوشتم برای live mermaid editing و برای obsidian چندتا پلاگین هست که میتونی با agent خودت کار کنی. همون شد که میخواستم
https://community.obsidian.md/plugins/mermaid-relay

اول باید obsidian رو نصب کنید که رایگانه (خیلی ابزار خوبیه برای مدیریت نوت و markdown). بعد یکی از این پلاگین‌های چت با agent مثل Claudian یا Copilot رو نصب می‌کنید، و بعد پلاگین من Mermaid Relay.
همزمان که دیاگرام می‌کشید میتونید با agent خودتون چت کنید و براتون ادیت انجام میده.

اینکه میتونم ai خودمو استفاده کنم باعث شد همه چیزش رایگان تموم شه و پول سرویس دیگه‌ای ندم. حتی میشه opencode و مدل‌های مجانی‌ای که داره رو استفاده کرد و دیگه واقعا یه قرون هم تو این پروسه خرج نشه =)

@DevTwitter | <Arman/>

یکی از مهندسان ارشد AWS در این ویدیوی جدید تجربیات عملی تیم‌های آمازون را در استفاده از ایجنت‌های کدنویسی بررسی کرده؛ جایی که بهره‌وری از ۱۰ تا ۲۰ درصد به ۴٫۵ تا ۱۰ برابر رسیده است.

تفاوت اصلی نه در ابزار، بلکه در پنج عادت کاری تیم‌های پیشتاز است:

۱. دست کشیدن از کدنویسی دستی: ایجنت‌ها بیش از ۹۸٪ کد را می‌نویسند و تمرکز مهندسان روی معماری و تصمیم‌گیری است.
۲. تغذیه ایجنت به‌جای نظارت لحظه‌ای: ارائه تسک‌های مشخص و معیارهای سنجش خودکار تا ایجنت بتواند ساعت‌ها مستقل کار و خوداصلاحی کند.
۳. اولویت شفاف‌سازی نیازمندی‌ها (Spec-first): چکش‌کاری سند طراحی فنی بسیار کم‌هزینه‌تر از اصلاح کدهای اشتباه است.
۴. انتقال تست‌ها به محیط محلی (Shift-Left): استفاده از سرویس‌های شبیه‌ساز محلی (Mock) برای حلقه‌های بازخورد سریع به ایجنت.
۵. سرمایه‌گذاری روی کانتکست و ابزارها: توسعه سرورهای MCP اختصاصی و بهینه‌سازی مداوم فایل‌های راهنما (steering).

ویدیو:
https://youtube.com/watch?v=pqlWNihgdjI

@DevTwitter | <Mehdi Allahyari/>

اگر قرار باشد فقط یک ویژگی را از Claude-Mem انتخاب کنم، برای من «حافظه‌ی خودکار» است.

این ابزار بدون اینکه هر بار مجبور باشید به ایجنت بگویید «این را به خاطر بسپار»، پرامپ‌ها، تغییرات، ابزارهای استفاده‌شده و اتفاقات مهم حین کار را مشاهده می‌کند، آن‌ها را به خلاصه‌های مفید تبدیل می‌کند و در جلسات بعدی، زمینه‌ی مرتبط را دوباره در اختیار ایجنت می‌گذارد.

تفاوت مهمش با بسیاری از سیستم‌های Memory همین‌جاست: حافظه قرار نیست چیزی باشد که شما دستی مدیریت کنید؛ خودش در جریان کار شکل می‌گیرد.

البته این قابلیت خودکار به یک پیش‌نیاز مهم وابسته است: ایجنت باید از Hookهای مناسب در چرخه‌ی اجرای خود پشتیبانی کند. بنابراین نمی‌توان انتظار داشت Claude-Mem با هر Agent یا Extensionی دقیقاً همین تجربه را ارائه دهد.

به‌عبارت ساده، Claude-Mem بیشتر از اینکه یک «محل ذخیره‌ی Memory» باشد، یک لایه‌ی حافظه‌ی خودکار برای Agent است.

https://github.com/thedotmack/claude-mem

@DevTwitter | <کدنویس اسطوره‌ای/>

یکی از جالب‌ترین افزونه‌هایی که می‌توانید به ایجنت AI خود اضافه کنید، «Ponytail» است؛ افزونه‌ای که یک ایده‌ی ساده اما مهم دارد:

قبل از اینکه هوش مصنوعی شروع به کدنویسی کند، اول از خودش می‌پرسد: «اصلاً لازم است این کد را بنویسم؟»

فرایند کار تقریباً این‌طور است:

۱. آیا اصلاً به این قابلیت نیاز داریم؟
۲. آیا چیزی مشابه از قبل در پروژه وجود دارد؟
۳. آیا کتابخانه‌ی استاندارد می‌تواند کار را انجام دهد؟
۴. آیا خود پلتفرم این قابلیت را دارد؟
۵. آیا وابستگی موجود پروژه می‌تواند آن را انجام دهد؟
۶. آیا می‌شود با یک خط کد حلش کرد؟
۷. فقط اگر هیچ‌کدام جواب نداد، کد جدید نوشته شود.

نتیجه چیست؟

کد کمتر، وابستگی کمتر، توکن کمتر و احتمال کمتری برای پیچیده‌کردن بی‌دلیل پروژه.

طبق بنچمارک خود پروژه، Ponytail در ۱۲ وظیفه‌ی واقعی برنامه‌نویسی، به‌طور میانگین ۵۴٪ خطوط کد کمتر، ۲۲٪ توکن کمتر، ۲۰٪ هزینه کمتر و ۲۷٪ زمان اجرای کمتر ثبت کرده است.

نکته‌ی جذاب‌تر این است که این افزونه خودش را به «کد کمتر به هر قیمتی» محدود نمی‌کند؛ مواردی مثل امنیت، اعتبارسنجی، جلوگیری از از دست رفتن داده و دسترسی‌پذیری همچنان حفظ می‌شوند.

یعنی به‌جای اینکه به عامل بگوییم «بیشتر کدنویسی کن»، به آن یاد می‌دهیم:

اول فکر کن؛ شاید اصلاً نیازی به کد جدید نباشد.

https://github.com/DietrichGebert/ponytail

@DevTwitter | <کدنویس اسطوره‌ای/>

یه منبع خوب برای آیکون‌های انیمیشنی پیدا کردم.

https://lucide-animated.com/

@DevTwitter | <Reza/>

یک سری ایمیج ها روی Dockerhub نیستن و گاهی زجر آوره که هم مجبور باشیم برای اون ریپازیتوری یه تانلی، پراکسی ای چیزی ست کنیم، هم برای ghcr و ...
من اواخر دارم از ایمیج‌های images.cleanstart.com بیشتر استفاده میکنم و واقعا مشکلم رو حل کردن و روی dockerhub هم هست و دیگه نیاز نیست منت ghcr رو بکشم که تحریممون کرده :)

https://images.cleanstart.com/

@DevTwitter | <Soroush Moosapour/>

نسخه بدون سانسور GLM

OrcaRouter بدون سانسور مدل GLM-5.3-Flash را با دقت FP8 منتشر کرد. در این نسخه نرخ امتناع مدل به شدت کاهش یافته و ساختار alignment آن تغییر کرده است. این وزن‌ها برای پژوهش‌های امنیت AI در دسترس قرار دارند.

Weights on Hugging Face: https://huggingface.co/orcarouter/GLM-5.3-Flash-Uncensored-FP8
API (official weight): https://orcarouter.ai/models/z-ai/glm-5.3-flash

@DevTwitter | <Mti/>

بیشتر از ۱۲ ترابایت اطلاعات شرکت Valve توی اینترنت لو رفته.

گفته می‌شه این فایل‌ها شامل نسخه‌های داخلی بازی‌های کلاسیک مثل نسخه بتای Portal 2 و فایل‌های دیده نشده از بازی Half-Life 2: Episode 3 هست.

جالب اینجاست که این اتفاق به خاطر هک شدن نبوده، بلکه یه نقطه دسترسی عمومی به سرورهای قدیمی Valve باز مونده بوده.

این اشتباه باعث شده آرشیوکارها بتونن محتوای پلتفرم Steam رو که بین سال‌های ۲۰۰۳ تا ۲۰۱۳ منتشر شده بود، استخراج کنن.

@DevTwitter | <Behrad Javed/>

وسط یه سشن طولانی بدون دلیل واقعی مدل رو عوض نکنید.

تعویض مدل رایگان نیست.

تو اکثر سیستم‌های اینفرنس، کش پرامپت به مدل و ارائه‌دهنده‌ی خاص گره خورده. وقتی سشن رو از مدل A به مدل B منتقل می‌کنید، مدل جدید نمی‌تونه از کش مدل قبلی استفاده کنه.

باید کل ورودی رو دوباره پردازش کنه:

→ دستورالعمل‌های سیستمی
→ تاریخچه‌ی مکالمه
→ مهارت‌ها و حافظه
→ تعریف ابزارها
→ فایل‌ها و کانتکست بازیابی‌شده
→ تمام توکن‌هایی که تو سشن جمع شده

این کار سه هزینه‌ی فوری داره:

۱. هزینه‌ی توکن بالاتر
ممکنه قبلاً برای پردازش اون کانتکست پول داده باشید. مدل جدید باید پیش پردازش خودش رو انجام بده، پس عملاً دوباره برای ورودی هزینه می‌پردازید.

۲. تأخیر بیشتر
پیش پردازش کانتکست طولانی معمولاً همون چیزیه که اولین توکن رو دیر می‌ده. عوض کردن مدل می‌تونه یه سشن گرم رو دوباره به استارت سرد تبدیل کنه.

۳. رفتار کمتر پایدار
مدل‌های مختلف همون دستورالعمل‌ها رو جور دیگه تفسیر می‌کنن. تعویض مداوم می‌تونه لحن، انتخاب ابزار، سبک استدلال و پیوستگی کار رو تغییر بده.

رویکرد بهتر:

- یه مدل اصلی برای کل سشن انتخاب کنید
- مدل دیگه رو فقط برای ساب‌تسک‌های جدا استفاده کنید
- به مدل‌های تخصصی کانتکست کوچک و هدفمند بدید
- فقط وقتی عوض کنید که بهبود کیفیت واقعاً هزینه رو توجیه کنه
- وقتی هدف کاملاً عوض شد، سشن جدید شروع کنید

روتینگ مدل ارزشمنده ولی پریدن تصادفی بین مدل‌ها گرونه.

@DevTwitter | <بوکانت/>

اگر تو ایران زندگی می‌کنید، خروجی گرفتن از اکانت گوگلتون رو جدی بگیرید

takeout.google.com

* قرار نیست اطلاعاتش رو جایی ایمپورت کنید، اگر تحریم در این حد پیش‌بره، دیگه عملا نمیتونیم زندگی دیجیتال داشته باشیم، چون سرویس‌های دیگه هم یکی یکی ما رو بن می‌کنن. ولی شاید یه ایمیلی، تصویری، نوت یا حتی دیتای تقویم باشه که بهش نیاز زیادی دارید، اونموقع به کارتون میاد.


@DevTwitter

یه قابلیت جدید به Claude اضافه شده که Agentها رو یک قدم به انجام واقعی کارها روی وب نزدیک‌تر می‌کنه.

در حالت Cowork، مرورگر داخلی Claude می‌تونه به سایت‌ها سر بزنه و بعضی کارها رو به‌جای شما انجام بده؛ مثلاً صفحه‌ای رو باز کنه، فرم پر کنه، فایل دانلود کنه یا اطلاعات موردنیاز رو از سایت‌ها جمع‌آوری کنه.

کاربردهای مهم:
- باز کردن و بررسی صفحات وب
- پر کردن فرم‌ها
- دانلود فایل‌ها
- جمع‌آوری و استخراج داده از سایت‌ها
- انجام وظایف چندمرحله‌ای توسط Agent

یک محدودیت مهم هم داره: Claude به تب‌های شخصی و لاگین‌شده شما دسترسی مستقیم نداره؛ بنابراین برای سایت‌هایی که نیاز به احراز هویت دارن، باید دسترسی یا اطلاعات لازم رو جداگانه در اختیارش بذارید.

توضیحات رسمی:
https://claude.com/blog/cowork-built-in-browser/

@DevTwitter | <Bahram Ghorbani/>

می‌خواستم قدرت کدنویسی GLM 5.3-flash رو امتحان کنم، برای همین یه موزیک پلیر CLI با Rust نوشتم. اسمش رو گذاشتم Gamma.

کوچیکه، سریعه و دقیقاً همون کاری رو می‌کنه که باید بکنه. ویژوالایزر داره، queue داره و همینطور فیلتر و جستجوی سریع هم داره.

تجربه‌ام با GLM 5.3-flash توی این پروژه نسبتاً خوب بود.

https://github.com/naseridev/gamma

@DevTwitter | <Nima Naseri/>

نمودار معماری کدتو بساز

Archify که نمودارهای معماری، workflow، sequence و data-flow را به‌طور خودکار از کد تولید می‌کنه. خروجیش HTML عه که برای documentation و verification بسیار مفیده

https://github.com/tt-a1i/archify

@DevTwitter | <Mti/>

بالاخره بعد از سالیان سال به نظر میرسه کم‌کم داریم از شر فلو مسخره OTP ایمیل خلاص میشیم :))

کروم داره روی یه Email Verification API کار میکنه که مرورگر خودش تایید ایمیل رو از email provider میگیره و کل داستان کد گرفتن از ایمیل و برگشتن به سایت رو حذف میکنه دیگه

https://github.com/WICG/email-verification

https://developer.chrome.com/blog/email-verification-august-2026

@DevTwitter | <Omid Nikrah/>

وقتی AI به ابزارهای واقعی پژوهش علمی مجهز می‌شه، دیگه فقط یک مدل زبانی نیست.

پروژه Scientific Agent Skills مجموعه‌ای Open Source با بیش از ۱۶۰ مهارت علمی و تحقیقاتی برای AI Agentهاست که می‌تونه ابزارهایی مثل Claude Code، Codex، Cursor و Antigravity رو وارد Workflowهای تخصصی پژوهشی کنه.

۱۰ حوزه مهمی که پوشش می‌ده:

1- Genomics و Bioinformatics
تحلیل ژن، Sequence و داده‌های زیستی

2- Drug Discovery
طراحی و بررسی مولکول‌ها و فرایندهای کشف دارو

3- Computational Chemistry
تحلیل ساختارهای شیمیایی و مدل‌سازی مولکولی

4- Scientific Literature
جستجو، بررسی و تحلیل مقالات و منابع علمی

5- Machine Learning & Deep Learning
استفاده از ML و مدل‌های پیشرفته در تحقیقات علمی

6- Statistical Analysis
تحلیل آماری و بررسی داده‌های پژوهشی

7- Protein Engineering
تحلیل ساختار، Sequence و طراحی پروتئین

8- GIS & Remote Sensing
پردازش داده‌های جغرافیایی و تصاویر ماهواره‌ای

9- Physics & Astronomy
ابزارهای محاسباتی برای فیزیک و تحلیل داده‌های نجومی

10- Research Workflows
ساخت فرایندهای چندمرحله‌ای برای تحقیق، تحلیل داده و انجام وظایف علمی با AI Agentها

در واقع این Repository یک کتابخانه از Skillهای تخصصیه که می‌تونه فاصله بین «از AI سؤال پرسیدن» و «استفاده از AI در یک Workflow علمی واقعی» رو کمتر کنه.

لینک پروژه:
https://github.com/K-Dense-AI/scientific-agent-skills

@DevTwitter | <Pedram/>

اگه برای Claude Code، Codex یا Warp از Skillهای مختلف استفاده می‌کنید، این ابزار کمک می‌کنه بفهمید کدوم Skillها واقعاً خوب کار می‌کنن و کجا نیاز به اصلاح دارن.

ابزار Skill Doctor مکالمات قبلی Agent رو بررسی می‌کنه و عملکردش رو از نظر بهره‌وری، کیفیت کد و میزان استفاده از Skillها امتیازدهی می‌کنه. بعد هم الگوهای تکرارشونده‌ای که باعث خطا یا عملکرد ضعیف شدن رو پیدا می‌کنه.

در نهایت یک گزارش می‌گیرید که شامل:
- امتیاز عملکرد Agent و Skillها
- شناسایی نقاط ضعف و مشکلات تکراری
- بررسی کیفیت و بهره‌وری
- پیشنهادهای مشخص برای بهبود Skillها
- حتی پیشنهاد تغییرات آماده برای فایل‌های Skill
این ابزار از Claude Code، Codex و Warp پشتیبانی می‌کنه و هدفش اینه که Agentها براساس تجربه واقعی کارهای قبلی، به‌مرور بهتر تنظیم بشن.
سایت:
https://warp.dev/skill-doctor

@DevTwitter | <Bahram Ghorbani/>

کاملا رایگان در دو ثانیه سه تا ویدیو ۵ ثانیه ای با هوش مصنوعی بساز در لحظه

https://app.arcads.ai/instant-hooks

@DevTwitter | <Reza/>

مخزن GitNexus: کل codebase رو توی مرورگر به knowledge graph تبدیل کن

این ابزار یه Zero-Server Code Intelligence Engine هست که کامل توی browser اجرا میشه. کافیه یه repo از GitHub یا GitLab یا حتی یه ZIP رو بندازی داخلش، بعد یه گراف تعاملی از ساختار کد میگیری و یه Graph RAG Agent هم روش سوار شده تا بتونی ازش سوال بپرسی.

برای دولوپری که داره با Cursor یا Claude Code روی یه codebase ناآشنا کار میکنه خیلی به درد می‌خوره. بدون اینکه سرور یا indexing سنگین راه بندازی، میتونی dependencyها، جریان داده و ارتباط بین ماژولها رو ببینی و agent هم همون گراف رو برای جواب دادن استفاده می‌کنه.

اگر پروژه خیلی بزرگ باشه، پردازش اولیه‌ش توی مرورگر ممکنه کمی طول بکشه، ولی برای گشت‌زنی سریع توی یه repo جدید ارزش امتحان داره.

لینک GitHub: https://github.com/abhigyanpatwari/GitNexus

@DevTwitter | <Diego Jr/>