احتمالا میدونین که LangChain ابزارهای لازم برای کار با LLM رو فراهم می‌کنه، ولی LangGraph منطق و جریان اجرای Agent رو مدیریت می‌کنه.

چند سؤال رایج در مورد این ۲ فریمورک

آیا LangGraph جای LangChain رو می‌گیره؟

نه. این دو رقیب مستقیم نیستن. حتی می‌تونی داخل یک Graph از Componentهای LangChain استفاده کنی.

برای یک RAG ساده کدوم بهتره؟

معمولاً LangChain کافی و ساده‌تره.

برای Multi-Agent یا Agentهای پیچیده چی؟

در این موقعیت LangGraph مناسب‌تره، چون State، Loop، Branching و کنترل اجرای Workflow رو بهتر مدیریت می‌کنه.

پس LangChain قدیمی شده؟

نه. نقش‌شون متفاوت‌تر شده. LangChain بیشتر در لایه‌ی LLM Components/Integrations کار می‌کنه و LangGraph در لایه‌ی Agent Orchestration/Control Flow کاربرد داره.

برای Production باید حتماً از LangChain استفاده کنیم؟

نه. اینا Framework هستن، نه الزام. اگر Workflow ساده باشه، گاهی استفاده مستقیم از APIهای مدل و چند ابزار سبک، ساده‌تر و کم‌هزینه‌تره.
@silicon_brain | از هوش مصنوعی عقب نمانید

مدل GPT-6.1 Sol رو با هزینه خیلی کمتر

شرکت OpenAI مدل GPT-6.1 Sol رو معرفی کرده که هدفش اینه تقریباً به سطح مدل پرچم‌دار Astra نزدیک بشه، ولی با هزینه خیلی پایین‌تر. این مدل مخصوصاً توی Coding، تحلیل Document و کارهای چندمرحله‌ای پیشرفت کرده.

عملکرد

تسک Coding: عملکرد مشابه Astra با هزینه حدود $0.65 به‌ازای هر Task در مقابل $3.92 برای Astra

تسک Computer Use: فقط حدود ۲ امتیاز پایین‌تر از Astra، ولی با حدود یک‌هفتم هزینه
تسک Science/Terminal : حدود $5.47 برای هر Task در مقابل $23.80
تسک Cached Input: فقط $0.10 به‌ازای هر میلیون Token

نکته مهم‌تر Caching هست، یعنی وقتی بخش‌هایی از Prompt مرتب تکرار می‌شن، لازم نیست هر بار هزینه کاملشون رو بدی. طبق این اطلاعات، Cached Input نسبت به قیمت معمول 95٪ ارزان‌تر شده.

در نتیجه Sol بیشتر برای جایی جذابه که تعداد زیادی AI Task داری و می‌خوای بین Performance، Latency و Cost تعادل بهتری ایجاد کنی.

@silicon_brain | از هوش مصنوعی عقب نمانید‏

گوگل DeepMind از Gemini 4 Argon رونمایی کرد

مدل Gemini 4 Argon، قدرتمندترین مدلشون تا الان، ولی فعلاً دسترسی عمومی بهش وجود نداره و فقط از طریق Fairwind Program در اختیار متخصصان تأییدشده‌ی Cybersecurity و بعضی سازمان‌های مورداعتماد قرار گرفته.

مهم‌ترین ویژگی این مدل، 1 Million Output Tokens هست. مدل‌های قبلی Gemini حداکثر حدود 64K Token خروجی می‌دادن، اما Argon می‌تونه تا یک میلیون Token در یک Response تولید کنه یعنی برای کارهای خیلی طولانی و چندمرحله‌ای مثل Codebase Migration، تحلیل Legal Documentهای بزرگ و Security Audit طراحی شده.

از قابلیت‌های دیگه‌ش هم می‌شه به پیدا کردن، بررسی و Patch کردن تهدیدات نرم‌افزاری به‌صورت خودکار انجام کارهای واقعی Software Engineering با 20 زبان برنامه‌نویسی و پردازش End-to-End کارهای Legal، Financial و Enterprise اشاره کرد.

قیمت گذاری

قیمتش هم از $2 به‌ازای هر یک میلیون Input Token و $10 برای یک میلیون Output Token شروع می‌شه، البته برای استفاده عمومی فعلاً باید منتظر بمونیم.
بلاگ گوگل

@silicon_brain | از هوش مصنوعی عقب نمانید‏

اگه دقت کرده باشین، این روزها توی سوشال مدیا یه نوع محتوا خیلی ترند شده:

سؤال‌های مصاحبه برای انواع پوزیشن‌های شغلی

جالبه که تا چند سال پیش، این حجم از محتوا درباره‌ی Interview Questions رو کمتر می‌دیدیم اون هم در شرایطی که پوزیشن‌های برنامه‌نویسی و حوزه‌ی Tech اتفاقاً خیلی داغ‌تر بودن.

به نظرم یکی از دلایل اصلیش وضعیت بد فعلی Job Market و فشاریه که به متخصص‌های این حوزه وارد شده. خیلی‌ها حتی با داشتن مهارت و تجربه مناسب، بعد از چندین مرحله مصاحبه در نهایت استخدام نمی‌شن.

طبیعیه که وقتی این اتفاق زیاد تکرار می‌شه، تقاضا برای محتوایی مثل «سؤالات مصاحبه»، «چطور برای مصاحبه آماده بشیم؟» و «چطور Technical Interview رو پاس کنیم؟» هم بیشتر بشه و در نتیجه تولید این نوع محتوا در یوتوب و اینستا بیش از اندازه بشه

ولی الان مشکل فراتر از توانایی‌های فردیه: مشکل خود بازار کاره.

@silicon_brain | از هوش مصنوعی عقب نمانید‏

‏Anthropic برای Claude Code یک سیستم جدید به اسم Mod اضافه کرده که باهاش می‌تونی Pluginهای کوچیک TypeScript بنویسی و مستقیماً وارد Agent Loop بشن، رفتار Claude رو تغییر بدن یا حتی Custom UI بسازن. یه جورایی مثل Browser Extension هستش ولی برای AI Coding Tool.


چند نمونه جالبش هم از قبل آماده شده: Blast Radius قبل از اجرای Commandهای خطرناک مثل rm -rf یا git reset --hard نشون می‌ده چه چیزهایی تحت تأثیر قرار می‌گیرن و تأیید می‌گیره، همینطور Token Weather میزان مصرف Context Window رو نشون می‌ده و Replay Theater تمام تغییرات فایل‌ها توسط Claude رو ضبط می‌کنه تا بتونی با /replay تغییرات رو یکی‌یکی بررسی کنی.

ساختن Mod هم فقط با یک فایل TypeScript و چند تا Hook انجام می‌شه و حتی می‌تونی از خود Claude بخوای برات بسازتش. نصبش هم از طریق /plugin در CLI یا Desktop App انجام می‌شه.

فقط یه نکته مهم اینه که Modها دسترسی کامل به سیستم دارن، درست مثل خود Claude Code پس فقط از Sourceهایی نصبشون کنین که بهشون اعتماد داری.

لینک

@silicon_brain | از هوش مصنوعی عقب نمانید‏

What is the Jev Architecture?

@silicon_brain | از هوش مصنوعی عقب نمانید

‏Perplexity هم وارد دنیای Decision Modelها شد

مدل جدید ‏Perplexity با اسم pplx-decider-v1-27b، شروع رقابت این شرکت با مدل های تصمیم گیر دیگه مثل Laya و Jev هست.

از نظر فنی، این مدل یک Fine-tuned Qwen3.8-27B هستش و حدود 26B Parameters داره. Perplexity لایه Language Generation رو با یک Decision Readout جایگزین کرده که تا 255 گزینه رو می‌تونه بررسی کنه. خروجی هم شامل Probability Distribution هست، یعنی سیستم می‌فهمه یک تصمیم با چه میزان Confidence گرفته شده. برای Calibration هم یک Temperature جداگانه روی مدل تنظیم شده.

جالب‌تر اینکه Perplexity مدل رو با 11 Benchmark مقایسه کرده و امتیاز کلی 85.71٪ برای pplx-decider در مقابل 74.76٪ برای Qwen3.8-27B پایه گزارش کرده. در همون جدول، امتیاز Jev برابر 84.51٪ بوده؛ البته این اعداد توسط خود Perplexity و در شرایطی که لزوماً کاملاً یکسان نیستند به‌دست اومدن، پس نباید صرفاً از این جدول نتیجه گرفت که یکی قطعاً بهتره.

نکته مهم اینه که Perplexity برخلاف Jev، Weights رو Open-source کرده؛ بنابراین می‌شه مدل رو Self-host کرد. البته با حدود 26B پارامتر و نیاز اعلام‌شده به تقریباً 49GB GPU Memory، این مدل در دسته مدل‌های Local سبک مثل Laya قرار نمی‌گیره و برای اجرای Local به سخت‌افزار نسبتاً قدرتمندی نیاز داره.

به‌نظر میاد Decision Modelها دارن کم‌کم به یک بخش مستقل از AI Stack تبدیل می‌شن و از این به بعد این فرمونو پیش خواهیم رفت:
Rules → Decision Models → LLMs

@silicon_brain | از هوش مصنوعی عقب نمانید

‏Imajev یه پروژه جالب توی خانواده Decision Modelهاست که ایده‌ی Jev رو یک قدم جلوتر می‌بره: به‌جای اینکه فقط Text + State بگیره، می‌تونه Image + State + Text رو با هم بررسی کنه و در نهایت به‌جای تولید متن، بین گزینه‌هایی که خودت تعریف کردی احتمال بده.

فنی

از نظر معماری، Imajev روی مدل‌های Qwen3.5 در سه سایز 2B، 4B و 9B ساخته شده و با LoRA به یک Decision Readout مجهز شده. برای هر گزینه یک کد مشخص در نظر گرفته میشه و مدل با یک Forward Pass احتمال گزینه‌ها رو محاسبه می‌کنه بنابراین برخلاف LLMهای معمولی، لازم نیست جواب رو Token به Token تولید کنه. یک گزینه‌ی unknown هم به‌صورت First-class داخل مدل وجود داره تا وقتی Evidence کافی نیست، مدل مجبور به حدس زدن نباشه.

قسمت جذاب‌ترش Multimodal Decision Making هستش، مثلاً می‌تونی اطلاعات یک محصول رو به مدل بدی و همراهش عکس محصول رو بفرستی و بپرسی «کدوم فیلد این رکورد با عکس تناقض داره؟». این یعنی میشه ازش برای Quality Control، بررسی محصول و سند و خیلی چیزای دیگه استفاده کرد.

اگر مدل برای یک تصمیم 0.95 Confidence داره، سیستم میتونه با اطمینان بیشتری Action انجام بده و اگر Confidence پایین بود، تصمیم رو به یک LLM قوی‌تر یا انسان منتقل کنه. در Benchmark خود پروژه، مدل 4B در بعضی تست‌ها حدود 84٪ Accuracy گرفته و در Image JevBench هم رتبه اول گزارش شده. البته این نتایج توسط سازندگان/benchmarkها گزارش شده و برای انتخاب Production بهتره روی Dataset خودت هم تست بشه.

@silicon_brain | از هوش مصنوعی عقب نمانید

این از وضعیت مملکت
اون از وضعیت جهانی مارکت IT
یه دغدغه شخصی کوچولو هم داشته باشی
دیگه چیزی ازت نمیمونه برنامه‌نویس بدبخت😂

پروژه Routapse کمک می‌کنه هر نیاز رو به LLM مناسب ارجاع بدی

این پروژه رو بعد از معرفی مدل‌های Decider مثل Jev و Laya شروع کردم و الان به صورت اوپن‌سورس تو گیتهاب در دسترسه.

ایده اصلی

با مدل‌هایی مثل Jev و Laya به عنوان Decider Model می‌شه قبل از ارسال درخواست به LLM اصلی، درخواست رو تحلیل و کلاس‌بندی کرد و باعث کاهش هزینه بشه
یعنی می‌تونیم برای هر Request سیگنال‌ها و Classificationهای مختلفی داشته باشیم؛ مثلاً:
▫️ نوع درخواست
▫️ میزان پیچیدگی
▫️ حساسیت داده
▫️درخواست با کدوم Agent پردازش بشه

نسبت به نیازت می‌تونی هم در سطح Decider و هم در سطح LLM انتخاب کنی که مدل Local (مثل Ollama) باشه یا مدل کلاد (OpenAI، Claude، Gemini و ...). یعنی کاملاً کنترل داری که داده‌های حساس فقط روی مدل محلی بمونن و بقیه برن کلاد.

معماری و دسترسی

سرویس هم به صورت API (کاملاً سازگار با OpenAI SDK) و هم به صورت GUI در دسترسه. از طریق رابط گرافیکی می‌تونی روترها رو با زبان طبیعی تعریف کنی، تست کنی و لاگ‌ها رو ببینی.

در مور کاربردهای خفن پروژه در ادامه میگم...
گیتهاب
لطفا با ⭐️ گیتهاب از این پروژه اوپن سورس حمایت کنین

همانطور که تو ویدیو پست قبلی مشخصه، می‌تونی سناریوهای خیلی متنوع کاربردی با Routapse بسازی و حتی تو پروداکت های مختلف ازش استفاده کنی.
چند تا مثال کاربردی:

Cost Optimization (کاهش هزینه هوشمند)

پرامپت‌های ساده و روزمره (سلام، FAQ، جستجوی ساده) برن سراغ مدل‌های کوچک و ارزون (یا حتی بدون فراخوانی مدل جواب داده بشن). فقط پرامپت‌های پیچیده و سنگین برن سراغ مدل‌های قوی و گرون. نتیجه؟ هزینه توکن خیلی کمتر می‌شه بدون اینکه کیفیت کلی سیستم افت کنه.

Multi-Agent Specialist

دسته‌بندی‌های مختلفی تعریف کنی:
اگر نیاز به کدنویسی بود: مدل Coder
اگر نیاز به نوشتن داستان یا محتوا بود: مدل Writer
اگر نیاز به تحقیق و تحلیل بود:مدل Researcher
اگر نیاز به بررسی حقوقی بود: مدل Legal
روتر خودش تشخیص می‌ده و پرامپت رو با System Prompt مخصوص همون Agent صدا می‌زنه.

Support Triage با Escalate

تیکت‌های پشتیبانی رو اول از نظر اضطرار و churn risk امتیاز می‌ده. اگر مشتری عصبانی یا در خطر از دست رفتن باشه، مستقیم به اپراتور انسانی یا مدل خیلی قوی escalate می‌شه. در غیر این صورت با مدل ارزون‌تر هندل می‌شه.

Local-First برای داده‌های حساس

هر درخواستی که شامل اطلاعات محرمانه یا PII باشه، فقط روی مدل محلی (Ollama) اجرا می‌شه. بقیه درخواست‌ها می‌تونن برن کلاد. حریم خصوصی حفظ می‌شه و همزمان از قدرت مدل‌های ابری هم استفاده می‌کنی.

Guardrail قبل از پرداخت هزینه

درخواست‌های نامناسب، اسپم یا خارج از حوزه رو قبل از اینکه هیچ LLMی صدا زده بشه، با پاسخ ثابت رد یا هدایت می‌کنه. هم هزینه صرفه‌جویی می‌شه هم کنترل بیشتری داری.

و کلی سناریو دیگه که میتونین با این پروژه بسازین و تو پروژه های مختلف خودتون استفاده کنین
گیتهاب

The guy who gave up on programming in 2023 :)

احتمالاً نسل بعدی اپلیکیشن‌ها دیگه لزوماً روی سایت‌ها و اپلیکیشن‌های مستقل ساخته نمی‌شن، بلکه داخل پلتفرم‌های AI مثل ChatGPT شکل می‌گیرن.

تصور کنین به‌جای اینکه برای هر کاری برید سراغ یک سایت یا اپلیکیشن جدا، همون‌جا داخل ChatGPT درخواستتون رو مطرح کنید و سرویس موردنظر رو دریافت کنید.

مثلاً:

◽️برای فردا یک بلیت هواپیما به تهران پیدا کن و سرویس‌های بلیط‌دهی از داخل پلتفرم AI کارشون رو انجام بدن.
▫️این محصول رو با بهترین قیمت برام پیدا کن و سفارش بده
فروشگاه‌ها و سرویس‌های پرداخت پشت صحنه این پلتفرم وارد عمل میشن

چطور اینکار انجام میشه؟ به نظرم از طریق توسعه سرویس MCP برای بیزینس‌ها

تو این شرایط، شاید مسئله برای خیلی از بیزینس‌ها دیگه این نباشه که چطور کاربر رو به سایت خودمون بیاریم؟
بلکه این باشه که چطور کاری کنیم AI سرویس ما رو به کاربر پیشنهاد بده و از طرف اون اجراش کنه؟

و این می‌تونه بازی رو برای خیلی از کسب‌وکارهای فعلی کاملاً عوض کنه.

@silicon_brain | از هوش مصنوعی عقب نمانید

به نظرتون تو این شرایط اگه یه مشکلی فنی، حقوقی یا هر مشکل دیگه پیش بیاد، مسئول بررسی و رفع مشکل کیه؟

مثلاً اگه یه سرویس از طریق یک AI Platform یا Agent در اختیار کاربر قرار گرفته و تراکنش یا درخواست با خطا مواجه بشه، سرویس‌دهنده باید مشکل رو بررسی کنه؟ پلتفرم واسط؟ یا خود AI Agent یا چی؟!
آیا باید یه استاندار جدید تعریف بشه؟

میتونه موضوع ریسرچ باشه :)

به متن‌های ChatGPT یک Watermark اضافه شده!

شرکت OpenAI قابلیتی به اسم textGrain معرفی کرده که داخل متن تولیدشده توسط ChatGPT و Codex یک Invisible Watermark قرار می‌ده. شبیه یک Digital Fingerprint که با تغییرات خیلی ظریف در انتخاب کلمات، یک الگوی آماری مخفی ایجاد می‌کنه

کاربر چیزی نمی‌بینه یا حس نمی‌کنه، ولی یک Detector می‌تونه تشخیص بده که متن احتمالاً توسط OpenAI تولید شده.

این Watermark اطلاعاتی درباره کاربر، حساب کربری یا پرامپ نمی‌ده و فقط منشأ احتمالی متن رو مشخص می‌کنه. در حوزه اروپا این قابلیت به‌صورت خودکار فعال می‌شه، ولی در API خارج از اروپا فعلاً به‌صورت Opt-in ارائه می‌شه و Detector هم فعلاً فقط در اختیار محقق ها و سازمان‌های تأییدشده است.

البته یک محدودیت مهم داره: اگر حدود ۲۵٪ کلمات متن تغییر کنه، Detection Rate به حدود ۱۷٪ می‌رسه و برای متن‌های کوتاه یا ترجمه‌شده هم تشخیص سخت‌تره. با این حال، این قابلیت می‌تونه مسیر رو برای اعتبار سنجی محتوای AI در محصولاتی که برای بازار اروپا ساخته می‌شن جدی‌تر کنه.
لینک
@silicon_brain | از هوش مصنوعی عقب نمانید

به‌صورت کلی، ۳ جا بهتره از AI استفاده نکنید

وقتی هنوز مسئله رو درست نفهمیدید

چون ممکنه AI یه جواب منطقی بده که اصلاً مشکل اصلی رو حل نکنه.

وقتی اطلاعات کافی نداره

چون ممکنه با داده‌های ناقص، تحلیل قانع‌کننده ولی اشتباه ارائه بده.

وقتی هزینه اشتباه بالاست

مثل تصمیم‌های مالی، امنیتی یا شغلی چون خروجی AI همیشه نیاز به بررسی مستقل داره.

@silicon_brain | از هوش مصنوعی عقب نمانید

مستندات فارسی پروژه Routapse اضافه شد و میتونین بخونید:
مستندات فارسی پروژه | گیتهاب | پست تلگرام

پروژه Routapse یک مسیریاب (router) متن‌باز برای مدل‌های زبانی بزرگ (LLM) است. یک مدل مسیریاب کوچک (Laya یا Jev) هر پرامپت را می‌خواند و تصمیم می‌گیرد آن را کجا بفرستد: کدام LLM، کدام ایجنت تخصصی، یا حتی پاسخ مستقیم بدون فراخوانی هیچ مدلی. مدل‌ها می‌توانند محلی (Ollama) یا ابری (OpenAI، Claude، Gemini و هر سرور سازگار با OpenAI) باشند.
پروژه هم به صورت API و هم با GUI قابل استفاده است.

@silicon_brain | از هوش مصنوعی عقب نمانید

پایتون 3.15 با تغییرات مهم!

نسخه Python 3.15.0 در ۹ اکتبر ۲۰۲۶ منتشر شده و چند قابلیت مهم در زمینه‌ی import، ساختار داده‌ها، Performance و ابزارهای Debugging اضافه کرده. این‌ها مهم‌ترین تغییرات فنی این نسخه‌اند.

بارگذاری ماژول در زمان نیاز - Lazy Imports

قبلاً با import، ماژول بلافاصله بارگذاری می‌شد اما حالا می‌تونیم با کلمه‌ی lazy بارگذاری رو تا زمان استفاده از ماژول به تأخیر بندازیم. این قابلیت می‌تونه Startup Time اپلیکیشن‌های بزرگ رو کاهش بده.

lazy import json

print("Application started")

data = json.loads('{"name": "Python"}')

در این مثال، json هنگام استفاده از json.loads() بارگذاری می‌شه، نه در لحظه‌ی اجرای دستور import.

دیکشنری غیرقابل‌تغییر - frozendict

نوع داده‌ی جدید frozendict یک Mapping غیرقابل‌تغییره یعنی بعد از ساخت، نمی‌تونیم کلید یا مقدارش رو تغییر بدیم. اگر تمام کلیدها و مقادیر Hashable باشن، خود این ساختار هم قابل Hash شدن خواهد بود.

data = frozendict({"name": "Python", "version": 3.15})

# data["version"] = 3.16  # TypeError

این قابلیت برای نگهداری Configurationها و داده‌هایی که نباید تصادفی تغییر کنن، مفیده.

متد Unpacking در Comprehension

حالا می‌تونیم از * و ** برای باز کردن Iterableها و دیکشنری‌ها مستقیماً داخل Comprehension استفاده کنیم.

lists = [[1, 2], [3, 4], [5]]

flat = [*items for items in lists]
# [1, 2, 3, 4, 5]

این Syntax جایگزین مختصر‌تری برای بعضی Nested Comprehensionها و استفاده از itertools.chain() محسوب می‌شه.

فرمت UTF-8 به‌عنوان Encoding پیش‌فرض

از این نسخه، Encoding پیش‌فرض عملیات متنی مستقل از تنظیمات سیستم، UTF-8 خواهد بود در نتیجه احتمال بروز مشکلات Encoding بین سیستم‌عامل‌های مختلف کمتر می‌شه.

with open("data.txt", encoding="utf-8") as file:
    text = file.read()

نوشتن صریح encoding="utf-8" همچنان برای سازگاری و خوانایی کد توصیه می‌شه.

بهبود JIT Compiler و Performance

کامپایلر آزمایشی JIT در Python 3.15 پیشرفت قابل‌توجهی داشته. طبق Benchmarkهای رسمی، بهبود میانگین هندسی Performance آن نسبت به Interpreter استاندارد، روی Linux با معماری x86-64 حدود ۷ تا ۸ درصد گزارش شده.
نکته‌ی مهم: این عدد به نسخه‌ی JIT و Benchmarkها مربوطه به معنی سریع‌تر شدن ۸ درصدی تمام برنامه‌های پایتون نیست. JIT هم همچنان قابلیتی آزمایشی و وابسته به نحوه‌ی Build کردن Python محسوب می‌شه.

ابزار جدید Profiling با نام Tachyon

ماژول جدید profiling.sampling ابزار Tachyon رو برای تحلیل Performance معرفی کرده ابزاری که با Sampling از Stack Traceها کمک می‌کنه بفهمیم زمان اجرای برنامه صرف کدوم بخش‌ها می‌شه، بدون اینکه لازم باشه کد رو تغییر بدیم.
این قابلیت برای بررسی Bottleneckها در سرویس‌های در حال اجرا و Production کاربردیه.

بهبود Error Messageها

پایتون حالا در بعضی خطاهای AttributeError پیشنهادهای دقیق‌تری ارائه می‌ده؛ مثلاً اگر به‌جای append() از متد اشتباه push() استفاده کنیم، پیغام خطا می‌تونه متد درست یعنی append رو پیشنهاد بده. این تغییر کوچک، Debugging رو ساده‌تر می‌کنه.

نکته مهم:

برای پروژه‌های واقعی، قبل از مهاجرت به 3.15 باید سازگاری Dependencyها و کتابخانه‌های Third-party رو بررسی کرد به‌خصوص پروژه‌هایی که به C Extensions یا ابزارهای ML وابسته‌ هستن.
@silicon_brain | از هوش مصنوعی عقب نمانید

تو جهان آینده اعتبار مهم‌ترین فاکتور موفقیت هر انسان یا کسب‌و‌کار خواهد بود.

با پدیدار شدن محتوا‌های غیر واقعی که هر روز بیشتر هم میشه دومین ریسک‌ ۲ سال آینده تشخیص اطلاعات واقعی هست. (طبق منابع علمی)

پیشرفت تکنولوژی با اینکه ارتباطات رو بیشتر کرده ولی دایره‌ی اعتماد رو به شدت کاهش میده، در نهایت میشه گفت بهترین سرویس‌های آینده بر پایه اعتبار خواهد بود و اینو همه‌مون باید جدی بگیریم.

@silicon_brain | از هوش مصنوعی عقب نمانید

آنتروپیک و قابلیت هماهنگی تا ۱۰۰۰ Agent در یک اجرا!

آنتروپیک میگه:

فرض کن از یه AI بخوای یه Codebase با ۱۱۶ هزار خط کد رو برای پیدا کردن باگ بررسی کنه شاید فقط ۲۷ تا Bug پیدا کنه. حالا همین کار رو به ۱۰۰۰ تا Agent موازی بسپری طبق نتایج اعلام‌شده، این سیستم تونسته در هر اجرا به‌طور مداوم ۶۶ تا از ۷۰ باگ رو پیدا کنه!

چطوری کار می‌کنه؟

یه Lead Agent اول کار رو برنامه‌ریزی می‌کنه، به چند فاز تقسیم می‌کنه و وظایف رو بین گروهی از Worker Agentها پخش می‌کنه. Agentها به‌صورت موازی کار می‌کنن و در نهایت نتایجشون با هم ترکیب می‌شه

کاربردها

▫️بررسی هم‌زمان صدها Document
▫️پیدا کردن Bug در Codebaseهای بزرگ
▫️انجام Taskهایی که از ظرفیت یه Context Window بزرگ‌ترن
برای فعال‌کردنش، باید در Agent Config مقدار multiagent type: multiagent_20261001 رو تنظیم کنی. در Claude Code هم می‌تونی با دستور زیر انجام بدی

/claude-api managed-agents-onboard bug-hunter

اجرای تعداد زیادی Agent می‌تونه مصرف Token رو به‌شدت بالا ببره، بهتره اول با تعداد کم شروع کنی و بعد مقیاس رو افزایش بدی.
@silicon_brain | از هوش مصنوعی عقب نمانید