هوش مصنوعی - رضا شکرزاد

07 November 2026 17:30

⏳ تیپ #43

مهلت‌ها، تلاش دوباره و فراخوانی تکرارپذیر ابزار
هر فراخوانی ابزار در ایجنت باید یک مهلت مشخص داشته باشد، وگرنه یک درخواست معلق کل حلقه‌ی استدلال را قفل می‌کند. اما تلاش دوباره‌ی کورکورانه می‌تواند از تلاش نکردن خطرناک‌تر باشد: اگر ابزار کارش را انجام داده باشد و فقط پاسخ گم شده باشد، درخواست دوم همان عملیات را دوباره اجرا می‌کند. راه‌حل این است که هر ابزار را با یک کلید یکتای سمت کلاینت تکرارپذیر کنید تا سرور درخواست تکراری را تشخیص بدهد و همان نتیجه‌ی قبلی را برگرداند 🔁، و بعد فقط روی timeout و خطاهای 429 و 5xx با backoff نمایی و jitter دوباره تلاش کنید.

Timeouts, retries, and idempotent tool calls
Every tool call your agent makes needs a hard deadline, because one hung HTTP request can stall the entire reasoning loop. But blind retrying is often worse than no retrying: if the tool already ran and only the response was lost, a second call can charge the card twice. The fix is to make each tool idempotent with a client-generated idempotency key, so the server recognizes the duplicate and replays the original result 🔁, and to retry only on timeouts, 429s, and 5xx with exponential backoff plus jitter.

@dslanders

هوش مصنوعی - رضا شکرزاد

06 November 2026 17:30

🙋 تیپ #42

به‌جای حدس زدن، یک سؤال روشن‌کننده بپرسید
وقتی درخواست کاربر مبهم است، ارزان‌ترین راه یک پرسش کوتاه است، نه یک حدس مطمئن‌نما. ایجنت‌هایی که خودشان جای جزئیات خالی را پر می‌کنند، پاسخ‌هایی باورپذیر اما غلط می‌سازند و کاربر تازه بعد از خراب شدن کار متوجه می‌شود. به ایجنت یاد بدهید وقتی یک فیلد ضروری مثل تاریخ، حساب یا دامنه‌ی کار مشخص نیست، بایستد و بپرسد ❓ و بعد با جواب کاربر ادامه دهد.

Ask a Clarifying Question Instead of Guessing
When a request is ambiguous, the cheapest fix is one short question, not a confident guess. Agents that fill in missing details on their own produce plausible but wrong actions, and the user only finds out after the damage is done. Give the agent a required-slots checklist and let it stop and ask ❓ before calling any tool, then resume once the answer arrives.

@dslanders

هوش مصنوعی - رضا شکرزاد

05 November 2026 17:30

🔐 تیپ #41

کمترین دسترسی لازم برای ابزارها و کلیدهای API
به هر ابزاری که در اختیار ایجنت می‌گذارید، کلیدی بدهید که فقط همان یک کار را انجام دهد و بس. مثلاً ابزار ارسال ایمیل باید کلیدی داشته باشد که تن‌ها اجازهٔ ارسال دارد، نه خواندن صندوق ورودی و نه حذف پیام‌ها؛ این‌طور اگر تزریق پرامپت ایجنت را منحرف کند، فقط یک در 🔑 باز می‌شود نه کل ساختمان. تا جای ممکن از توکن‌های کوتاه‌مدت و مخصوص هر تسک استفاده کنید و هر فراخوانی را لاگ بگیرید تا پیش از گسترده‌تر کردن دسترسی، بدانید واقعاً کدام scope مصرف می‌شود.

Least privilege for agent tools and API keys
Give every agent tool its own credential, scoped to exactly the actions that tool performs and nothing else. A send-email tool should hold a key that can only send, never read the inbox or delete messages, so a prompt injection that hijacks the agent inherits a key that opens one door 🔑 instead of the whole building. Prefer short-lived, per-task tokens over long-lived org-wide keys, and log every call so you can see which scopes are actually used before you widen anything.

@dslanders

هوش مصنوعی - رضا شکرزاد

04 November 2026 17:31

🧪 تیپ #40

مجموعهٔ تست طلایی، ترمزی برای پسرفت‌های خاموش ایجنت
وقتی ایجنت چندمرحله‌ای دارید، یک تغییر کوچک در پرامپت سیستم یا توضیح ابزار می‌تواند بی‌سروصدا رفتاری را خراب کند که هفتهٔ پیش درست کار می‌کرد. راه‌حل این است که مجموعه‌ای ثابت از ۲۰ تا ۵۰ وظیفهٔ واقعی با پاسخ درست را نگه دارید و بعد از هر تغییر دوباره اجرا کنید. نرخ قبولی این مجموعه معیار 🥇 شماست: اگر تغییری آن را پایین بیاورد، آن تغییر منتشر نمی‌شود.

Golden test sets: catching agent regressions
A golden test set is a frozen batch of real tasks with known-good outcomes that you re-run before every prompt, model, or tool change. Agents are non-deterministic and multi-step, so a one-line tweak to a system prompt can silently break something that worked last week. Keep 20 to 50 cases pulled from real failures and edge cases, then treat the pass rate as your 🥇 standard: if a change lowers it, the change does not ship.

@dslanders

هوش مصنوعی - رضا شکرزاد

03 November 2026 17:30

⚖️ تیپ #39

داوری با مدل زبانی و دام‌هایی که باید بشناسید
سپردن نمره‌دهی خروجی یک ایجنت به مدل زبانی دیگر، ارزان‌ترین راه ساختن حلقه ارزیابی است، اما داور هم سوگیری‌های خودش را با خودش می‌آورد. مدل معمولاً پاسخی را که اول می‌بیند ترجیح می‌دهد، به جواب‌های طولانی‌تر نمره بالاتر می‌دهد و بی‌سروصدا متنی را می‌پسندد که شبیه نوشته خودش است ⚖️. راه‌حل ساده است: جای گزینه‌ها را عوض کنید و میانگین بگیرید، با روبریک یا پاسخ مرجع نمره بدهید، و یک مجموعه کوچک برچسب‌خورده انسانی نگه دارید تا مطمئن شوید نمره‌های داور واقعاً همان چیزی را می‌سنجند که برایتان مهم است.

LLM-as-judge: three biases to design around
Handing grading to another model is the cheapest way to build an eval loop, but the judge brings its own biases into the room. It tends to favor whichever answer it sees first, rewards longer responses, and quietly prefers text that resembles its own ⚖️. Swap the order of the candidates and average the scores, grade against a rubric or reference answer, and keep a small human-labeled set to confirm the judge's scores track what you actually care about.

@dslanders

هوش مصنوعی - رضا شکرزاد

02 November 2026 17:30

🔁 تیپ #38

حلقهٔ خواندن، ویرایش و تست در ایجنت‌های کدنویس
یک ایجنت کدنویس به‌ندرت کد را در یک قدم درست می‌نویسد. کارش یک حلقه است: فایل‌های مرتبط را می‌خواند، یک ویرایش کوچک انجام می‌دهد، تست را اجرا می‌کند و خروجی خطا را به تلاش بعدی برمی‌گرداند. نکتهٔ اصلی این است که هر ویرایش را آن‌قدر کوچک نگه دارید که یک تست قرمز دقیقاً بگوید چه چیزی شکسته است 🔁.

Coding agents: the read, edit, test loop
Coding agents almost never get code right in one shot. They work in a loop: read the relevant files, make one small edit, run the tests, then feed the failure output back into the next attempt. The whole trick is keeping each edit small enough that a red test tells you exactly what broke 🔁.

@dslanders

هوش مصنوعی - رضا شکرزاد

01 November 2026 17:30

🖥️ تیپ #37

به ایجنت مرورگر نقشه بدهید، نه فقط پیکسل
بیشتر شکست‌های ایجنت‌های کامپیوتری از ضعف مدل نیست، از این است که مجبورشان می‌کنیم مختصات پیکسلی حدس بزنند. کافی است هر عنصر قابل کلیک را با یک شماره برچسب بزنید و درخت دسترس‌پذیری (accessibility tree) را در اختیار ایجنت بگذارید تا به‌جای «کلیک روی (۴۱۲، ۲۳۳)» بگوید «کلیک روی عنصر ۱۷» 🖱️. همین تغییر کوچک، عملیات شکننده را به اقدامی قابل‌آزمون و قابل‌ردیابی تبدیل می‌کند.

Give computer-use agents a map, not just pixels
Most computer-use agents fail not because the model is weak, but because you asked it to guess pixel coordinates. Label every interactive element with a numbered mark and hand the agent the accessibility tree, so it answers "click element 17" instead of "click (412, 233)" 🖱️. That single change turns a flaky coordinate guess into an action you can log, assert on, and debug after the UI shifts.

@dslanders

هوش مصنوعی - رضا شکرزاد

31 October 2026 17:30

📦 تیپ #36

محیط ایزوله برای کد ایجنت: نه شبکه، نه راز، نه هاست
هرگز نگذارید ایجنت کدی را که خودش نوشته، در همان پروسه و همان کانتینر و با همان دسترسی‌های خودش اجرا کند. محیط اجرا باید یک سندباکس یک‌بارمصرف باشد: شبکه بسته به‌صورت پیش‌فرض، فایل‌سیستم فقط‌خواندنی، کاربر غیر root، قابلیت‌های اضافی لینوکس حذف‌شده و سقف مشخص برای CPU، حافظه و زمان؛ این‌طوری یک حلقه بی‌پایان یا دستوری که از راه تزریق پرامپت جا خوش کرده، داخل همان جعبه 🔒 می‌ماند و به هاست نمی‌رسد. برای کد واقعاً غیرقابل‌اعتماد سراغ مرزهای قوی‌تر مثل gVisor یا میکروVM بروید و کلیدهای API را بیرون از سندباکس نگه دارید و فقط از طریق پروکسی خروجی تزریق کنید.

Sandbox agent code: no network, no secrets, no host
Never let an agent execute the code it just wrote inside the same process, container, or credential scope as the agent itself. Give it a disposable sandbox instead: no network by default, read-only root filesystem, non-root user, dropped Linux capabilities, and hard CPU, memory, and wall-clock limits, so a runaway loop or a prompt-injected payload dies inside the box 🔒 instead of on your host. For genuinely untrusted code, use a stronger boundary than a plain container, such as gVisor or a Firecracker microVM, and keep every secret outside the sandbox, injected only at the egress proxy.

@dslanders

هوش مصنوعی - رضا شکرزاد

30 October 2026 17:30

🗄️ تیپ #35

حافظهٔ بلندمدت: تصمیم‌ها را نگه دارید، رونوشت خام را دور بریزید
بیشتر agentها حافظه را مثل یک دفتر ثبت بی‌پایان می‌بینند و همین باعث می‌شود پنجرهٔ زمینه پر از نویز شود. راه‌حل این است که برای حافظه سیاست نوشتن تعریف کنید: فقط واقعیت‌های تصمیم‌ساز مثل ترجیحات کاربر، محدودیت‌ها و نتیجهٔ کارهای تمام‌شده ذخیره شوند و بقیه به 🗑️ بروند. با امتیازدهی به اهمیت و تازگی هر خاطره، می‌توانید آستانه‌ای تعیین کنید که زیر آن، فراموشی خودکار اتفاق بیفتد.

Long-term memory: keep decisions, forget raw transcripts
Most agents treat memory as an append-only log, then wonder why retrieval gets worse every week. Give the agent an explicit write policy instead: keep distilled, decision-relevant facts (user preferences, constraints, outcomes of finished tasks) and let raw conversation turns expire. Score each candidate memory on importance and recency, and send anything under the threshold straight to the 🗑️. The context window stays small, cheap, and mostly signal.

@dslanders

هوش مصنوعی - رضا شکرزاد

29 October 2026 17:30

🧭 تیپ #34

بازیابی پویا: ایجنت خودش تصمیم می‌گیرد چه زمانی جست‌وجو کند
در روش کلاسیک، هر پرسش کاربر یک جست‌وجوی اجباری در پایگاه دانش را فعال می‌کند، حتی وقتی مدل خودش پاسخ را می‌داند. در رویکرد ایجنتی، بازیابی به یک ابزار در اختیار ایجنت تبدیل می‌شود و خودش تشخیص می‌دهد چه زمانی جست‌وجو لازم است، چه عبارتی بنویسد و آیا نتایج برگشته کافی هستند یا نه 🧭. نتیجه‌اش این است که توکن و زمان کمتری هدر می‌رود و در عوض ایجنت می‌تواند چند مرحله جست‌وجو را زنجیره کند و پرس‌وجوی ناموفق را اصلاح کند.

Agentic RAG: Let the Agent Decide When to Retrieve
Classic RAG runs retrieval on every single turn, whether or not the model actually needs it. Agentic RAG hands retrieval to the model as a tool and lets it decide when to search, what query to write, and whether the results are good enough 🧭. The payoff is concrete: fewer wasted tokens and less latency on questions the model can already answer, plus the ability to rewrite a query, chain several searches, or fall back to another source when the first pass comes back empty.

@dslanders

هوش مصنوعی - رضا شکرزاد

28 October 2026 17:30

🥇 تیپ #33

بازرتبه‌بندی: بهترین قطعه‌ها را اول بیاور
جست‌وجوی برداری سریع است، اما در تشخیص تفاوت‌های ظریف ضعیف عمل می‌کند؛ چون پرسش و متن را جداگانه کدگذاری می‌کند، فهرست نتایج اولیه فقط تقریبی درست است. راه‌حل این است که ۵۰ تا ۱۰۰ قطعه‌ی کاندید را بگیرید و با یک مدل بازرتبه‌بند که پرسش و قطعه را هم‌زمان می‌خواند دوباره امتیازدهی کنید. 🥇 بعد فقط ۳ تا ۵ قطعه‌ی برتر را به مدل زبانی بدهید: کیفیت پاسخ بالا می‌رود و هزینه هم کنترل‌شده می‌ماند.

Reranking: put the best chunks first
Vector search is fast but blunt: it embeds the query and each chunk separately, so your top-k list is only roughly right. The fix is a two-stage funnel: pull 50 to 100 candidates from the vector store, then rescore each one against the query with a cross-encoder that reads both together. 🥇 Keep only the best 3 to 5 chunks for the prompt. The reranker is slower per pair, but you only run it on a short list, so answer quality jumps while latency stays reasonable.

@dslanders

هوش مصنوعی - رضا شکرزاد

27 October 2026 17:31

🧩 تیپ #32

جستجوی ترکیبی: کلیدواژه به‌علاوهٔ بردار
بازیابی صرفاً برداری معنا را خوب می‌گیرد، اما کد خطا، شناسهٔ سفارش یا نام دقیق محصول را از دست می‌دهد؛ جستجوی کلیدواژه‌ای هم دقیقاً برعکس عمل می‌کند. کافی است هر دو بازیابی را موازی اجرا کنید و فهرست‌های رتبه‌بندی‌شده را با روش RRF ادغام کنید 🔀، یعنی امتیاز هر سند برابر مجموع ۱ تقسیم بر (۶۰ به‌علاوهٔ رتبهٔ آن در هر فهرست) باشد. بعد از ادغام، ۵۰ سند برتر را با یک مدل رتبه‌بندی مجدد امتیازدهی کنید؛ در عمل همین یک تغییر بیشتر خطاهای بازیابی ایجنت را حل می‌کند تا عوض کردن مدل embedding.

Hybrid search: fuse keywords with embeddings
Vector search is great at meaning but blind to exact tokens like error codes, SKUs, or product names, while keyword search nails those and misses paraphrases. Run both retrievals in parallel and merge the ranked lists with Reciprocal Rank Fusion, where each document scores the sum of 1/(60 + its rank) in each list 🔀. Then rerank the fused top 50 with a cross-encoder. In practice this one change fixes more agent retrieval failures than swapping in a bigger embedding model.

@dslanders

هوش مصنوعی - رضا شکرزاد

26 October 2026 17:30

✂️ تیپ #31

قطعه‌بندی اسناد در RAG: اندازه و هم‌پوشانی را جدی بگیرید
کیفیت بازیابی در سامانه‌های RAG بیش از هر چیز به نحوه تکه‌تکه کردن اسناد بستگی دارد، ولی بسیاری از تیم‌ها همان مقدار پیش‌فرض کتابخانه را رها می‌کنند. یک نقطه شروع معقول، قطعه‌هایی در حدود ۲۰۰ تا ۵۰۰ توکن با ۱۰ تا ۲۰ درصد هم‌پوشانی است تا جمله‌ای که روی مرز دو قطعه می‌افتد، دست‌کم در یک قطعه کامل باقی بماند 🧩. قطعه‌های خیلی کوچک معنای ناقص می‌دهند و قطعه‌های خیلی بزرگ متن بی‌ربط را وارد پرامپت می‌کنند. به‌جای حدس زدن، دو سه تنظیم مختلف را روی یک مجموعه ارزیابی کوچک امتحان کنید.

Chunk Size and Overlap: The RAG Knobs Nobody Tunes
Chunking is the highest-leverage knob in a RAG pipeline, yet most teams leave it at whatever the default splitter gave them. A solid starting point is roughly 200 to 500 tokens per chunk with 10 to 20 percent overlap, so a sentence that falls on a boundary still lands whole in at least one chunk 🧩. Go smaller and each embedding turns noisy; go bigger and the retriever drags irrelevant text into the prompt. Then stop guessing: run two or three configurations against a small eval set and pick the winner.

@dslanders

هوش مصنوعی - رضا شکرزاد

25 October 2026 17:30

🗄️ تیپ #30

ذخیره‌سازی موقت پرامپت‌ها و نتیجهٔ ابزارها
بخش زیادی از هزینه و تأخیر یک ایجنت از تکرار بی‌فایده می‌آید: هر نوبت همان system prompt، همان تعریف ابزارها و همان اسناد بازیابی‌شده دوباره فرستاده می‌شوند. اگر بخش‌های ثابت را ابتدای پرامپت بگذارید و فقط پیام تازهٔ کاربر یا خروجی ابزار را به انت‌ها اضافه کنید، سرویس‌دهنده می‌تواند آن پیشوند را از کش بخواند و هزینهٔ توکن‌ها را چند برابر کم کند. همین منطق را به ابزارها هم ببرید: کلید کش را از نام ابزار و آرگومان‌هایش بسازید و نتیجهٔ فراخوانی‌های قطعی و فقط‌خواندنی را دوباره استفاده کنید ♻️، اما برای ابزارهایی که عارضهٔ جانبی دارند یا داده‌شان سریع عوض می‌شود کش را کنار بگذارید. کشی که هیچ‌وقت باطل نمی‌شود، در واقع یک باگ است که تأخیرش کم شده.

Cache the prompt prefix and your tool results
Most of an agent's cost and latency hides in the same prefix being re-sent every turn: system prompt, tool schemas, retrieved docs. Put everything stable at the front, add a cache breakpoint, and keep only the new user turn or tool output at the end so the provider can reuse that prefix at a fraction of the price. Then apply the same idea to tools: hash the tool name plus its arguments as the cache key and reuse results for deterministic, read-only calls ♻️, while skipping the cache for anything with side effects or fast-changing data. A cache you never invalidate is just a bug with good latency.

@dslanders

هوش مصنوعی - رضا شکرزاد

24 October 2026 18:30

👣 تیپ #29

ردیابی؛ ببینید ایجنت کجای مسیر اشتباه کرد
وقتی یک ایجنت چندمرحله‌ای شکست می‌خورد، بدون ردیابی هیچ راهی ندارید بفهمید مشکل از کدام فراخوانی مدل یا کدام ابزار بوده است. ردیابی هر فراخوانی مدل، هر tool call و هر بازیابی را در قالب یک اسپن با ورودی، خروجی، تأخیر، تعداد توکن و خطا ثبت می‌کند 🔍 و اسپن‌ها را تودرتو می‌چیند تا کل مسیر اجرا قابل بازپخش باشد. آن را از همان روز اول با OpenTelemetry یا ردیاب داخلی فریم‌ورک‌تان فعال کنید، چون trace تن‌ها سندی است که نشان می‌دهد ایجنت چرا چنین تصمیمی گرفت، نه فقط این‌که در نهایت چه گفت.

Tracing: Seeing Every Step Your Agent Takes
An agent that breaks on step seven looks exactly like one that breaks on step one unless you record the path it took. Tracing wraps every model call, tool call, and retrieval in a span that carries its inputs, outputs, latency, token counts, and errors, nested so the whole run can be replayed. Turn it on from day one with OpenTelemetry or your framework's built-in tracer 🔍, because a trace is the only artifact that shows why the agent made a decision, not just what it finally said.

@dslanders

هوش مصنوعی - رضا شکرزاد

07 November 2026 07:19

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💳 خبر ۱: حالا می‌شود حساب بانکی و کارت اعتباری را به Claude وصل کرد و از او موجودی، خرج‌ها و تراکنش‌ها را پرسید؛ اتصال هم امن است.

🔗 خبر ۲: Cursor کاری تازه دارد: فقط توضیح می‌دهی چه اپی می‌خواهی، خودش می‌سازد، امنش می‌کند و با یک لینک قابل اشتراک منتشرش می‌کند.

🤖 خبر ۳: Perplexity عامل‌های هوش مصنوعی مخصوص کار راه انداخته که کارهای تکراری را خودکار انجام می‌دهند؛ گزینه‌ای فراتر از چت‌بات برای تیم‌ها.

🌍 خبر ۴: NVIDIA چهار مدل باز Cosmos 3 منتشر کرد که دنیای مجازی و صحنه‌های رانندگی را شبیه‌سازی می‌کنند و توسعه‌دهنده‌ها می‌توانند امتحانشان کنند.

🔬 خبر ۵: Anthropic توضیح داده پژوهشگرها چطور از Claude برای کشف‌های علمی استفاده می‌کنند و نمونه‌های واقعی از سریع‌تر شدن کار آزمایشگاه آورده است.

@dslanders

هوش مصنوعی - رضا شکرزاد

06 November 2026 05:30

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💾 خبر ۱: یک دستیار بقای آفلاین ساخته شده که مدل زبانی محلی و دانش‌نامهٔ Kiwix را از روی فلش‌مموری اجرا می‌کند و بدون هیچ اینترنتی به شما جواب می‌دهد.

🔍 خبر ۲: ابزار Pangram Image 1.0 تصویرها و ویدیوهای ساخته‌شده با هوش مصنوعی را تشخیص می‌دهد و با نقشهٔ حرارتی دقیقاً نشان می‌دهد کدام بخش‌ها مصنوعی هستند.

✂️ خبر ۳: پژوهشگرها می‌گویند مدل‌های پیشرفته با متن‌های خیلی کوتاه‌تر هم همان دقت را حفظ می‌کنند، پس می‌شود حجم دستورها را کم کرد بدون افت کیفیت.

🛡️ خبر ۴: OpenAI یک سیستم خودکار ساخته که در یک اجرا ۹۴۸ آسیب‌پذیری لینوکس را پیدا کرد، از آن‌ها سوءاستفاده کرد و وصله‌شان کرد تا تعمیر امنیتی سریع‌تر شود.

🤖 خبر ۵: Tencent مدل متن‌باز و چندرسانه‌ای Hy4 را معرفی کرد که تصویر را هم می‌فهمد و قرار است وزن‌هایش به‌زودی عمومی منتشر شود.

@dslanders

هوش مصنوعی - رضا شکرزاد

05 November 2026 06:25

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💰 خبر ۱: کم کردن سطح استدلال مدل‌های هوش مصنوعی هزینه‌ی API را خیلی بیشتر از آنکه کیفیت پاسخ را پایین بیاورد کاهش می‌دهد، پس اول تنظیمات کم را امتحان کنید.

🔌 خبر ۲: API تازه‌ی Notebook در Gemini به برنامه‌نویسان اجازه می‌دهد نوت‌بوک‌ها و منابع را با کد بسازند و مدیریت کنند تا کارهای پژوهشی و اسناد خودکار شود.

🎞️ خبر ۳: OpenAI تولید گیف متحرک را به تصویرساز ChatGPT اضافه کرده تا کاربران بدون ابزار ویرایش جداگانه، ویدیوهای کوتاه و تکراری بسازند.

🎬 خبر ۴: Kino AI یک مدیر رسانه و ویرایشگر ویدیوی تازه ساخته که با عامل‌های هوش مصنوعی کمک می‌کند سازندگان فیلم‌های خام را مرتب و ویدیو را تدوین کنند.

🔒 خبر ۵: Google Gemini تاریخچه‌ی چت ذخیره‌شده‌ی کاربران اشتراکی را بدون راهی برای لغو، برای آموزش مدل به کار می‌برد؛ پس آنجا گفت‌وگوهای حساس نکنید.

@dslanders

هوش مصنوعی - رضا شکرزاد

04 November 2026 07:03

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🪙 خبر ۱: Octomind یک ابزار متن‌باز برای کدنویسی با هوش مصنوعی است که مصرف توکن را کم می‌کند، پس می‌توانید عامل‌ها را بیشتر و ارزان‌تر اجرا کنید.

🧵 خبر ۲: Claude از Anthropic حالا در نسخه آزمایشی از «رشته پیام» پشتیبانی می‌کند؛ یعنی عامل هوش مصنوعی به‌جای فرستادن کل تاریخچه گفتگو، فقط پیام‌های تازه را می‌فرستد و هزینه پایین می‌آید.

📋 خبر ۳: OpenAI بنچمارک LifeVal را ساخته که هوش مصنوعی را در کارهای روزمره واقعی مثل بودجه‌بندی خانه و نگهداری کودک می‌سنجد و نشان می‌دهد دستیارها کجا هنوز کم می‌آورند.

🧭 خبر ۴: یکی از متخصصان در مقاله‌ای مفصل روند کاری روزانه‌اش با هوش مصنوعی را شرح داده و عادت‌های عملی و قابل کپی برای برنامه روزانه شما ارائه می‌کند.

⚠️ خبر ۵: Postman پنهانی افزونه‌های هوش مصنوعی نصب می‌کند و می‌خواهد داده‌های API شما را به اشتراک بگذارد؛ پیش از به‌روزرسانی، تنظیماتش را بررسی کنید.

@dslanders

هوش مصنوعی - رضا شکرزاد

03 November 2026 06:54

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🧬 خبر ۱: OpenAI مدل استدلالی GPT-Rosalind-6 را برای زیست‌شناسی و کشف دارو ساخته و حالا پژوهشگران می‌توانند از طریق API از آن استفاده کنند.

🛠️ خبر ۲: ابزار dsh-superagent یک بستهٔ عامل کدنویسی برای DeepSeek Harness است که GitHub را رصد می‌کند، خودش کار جدید می‌سازد و جلسه‌های کاری را اجرا می‌کند.

🎓 خبر ۳: مدل آموزشی &Tutor با تمرین روی یک دانش‌آموز شبیه‌سازی‌شده آموزش دیده تا مثل معلم بهتر جواب بدهد و از طریق API قابل استفاده است.

📐 خبر ۴: Claude Opus 5.5 می‌تواند نقشه‌های معماری در حد دریافت مجوز ساختمان بکشد؛ نشانه‌ای از ورود جدی هوش مصنوعی به کارهای حرفه‌ای طراحی.

🌐 خبر ۵: Google اعلام کرده از یک کنترل مشترک در فایل robots.txt پشتیبانی می‌کند که با یک خط سیاست، ترجیح هر سایت برای آموزش هوش مصنوعی را مشخص می‌کند.

@dslanders

هوش مصنوعی - رضا شکرزاد

02 November 2026 05:30

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🧑‍💻 خبر ۱: یک مقاله استدلال می‌کند هوش مصنوعی حالا کد بیشتری می‌نویسد، اما طراحی و بررسی کل سیستم هنوز کار مهندس انسانی است.

📊 خبر ۲: تحلیلی هزینه هوش مصنوعی فریم‌ورک‌های محبوب JavaScript را حساب می‌کند تا توسعه‌دهنده بین سرعت و مصرف مدل تعادل برقرار کند.

🕵️ خبر ۳: گزارشی هشدار می‌دهد ایجنت هوش مصنوعی Muse در واقع شبکه نظارت تجاری است که خود را دستیار معرفی می‌کند و نگرانی حریم خصوصی ساخته.

📚 خبر ۴: ویکی‌های هواداری که هوش مصنوعی می‌سازد پر از خطا شده‌اند؛ پس بهتر است خواننده اطلاعات و داستان بازی‌ها را قبل از باور کردن بررسی کند.

🎮 خبر ۵: پژوهشگران گروه‌هایی از ایجنت‌های هوش مصنوعی را در Minecraft بازی دادند، اما آن‌ها نتوانستند تمدنی بسازند و در بوروکراسی گیر کردند.

@dslanders

هوش مصنوعی - رضا شکرزاد

01 November 2026 05:30

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💧 خبر ۱: یک تحلیل تازه می‌گوید واترمارک کردن متن‌های نوشته‌شده با هوش مصنوعی می‌تواند کیفیت نوشته را پایین بیاورد؛ پس باید بین فایده تشخیص و افت کیفیت تعادل برقرار کرد.

🎨 خبر ۲: یک سازنده، مدل هوش مصنوعی را با هنر «دمو‌سین» آموزش داده است؛ حالا هر کسی می‌تواند تصویرهای گرافیک کامپیوتری رترو و قدیمی تولید کند.

🧠 خبر ۳: پژوهش مایکروسافت می‌گوید استفاده زیاد از هوش مصنوعی می‌تواند قدرت تفکر نقاد را ضعیف کند؛ کاربران باید جواب‌ها را خودشان بررسی کنند و همراه چت‌بات فکر کنند.

🦠 خبر ۴: محققان امنیتی بدافزاری پیدا کرده‌اند که با مدل‌های زبانی بزرگ قربانی‌ها را بر اساس ارزش مالی رتبه‌بندی می‌کند و حمله‌ها را هدفمندتر می‌سازد.

🔒 خبر ۵: یک گزارش تازه توضیح می‌دهد مهاجمان چطور حساب‌های ChatGPT را در دست گرفته‌اند و چه قدم‌های مشخصی برای قفل کردن ورود و امن‌سازی حساب لازم است.

@dslanders

هوش مصنوعی - رضا شکرزاد

31 October 2026 05:30

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

⚠️ خبر ۱: پژوهش تازه می‌گوید مدل GLM 5.3 می‌تواند از روی توضیح آپدیت‌های امنیتی منتشرشده Firefox، قبل از اینکه کاربران نصبشان کنند اکسپلویت واقعی بسازد و فاصله بین وصله و حمله را کوتاه کند.

🎬 خبر ۲: Pika مدل ویدیوسازی H3 Flex را معرفی کرد که تا ۱۲ تصویر مرجع می‌گیرد، پنج ترک صوتی جداگانه می‌سازد و خروجی را تا کیفیت 4K رندر می‌کند.

🎙️ خبر ۳: مدل گفتارسازی Drama 3 از Fish Audio که وزن‌هایش عمومی است، حالا صدر هر دو جدول رتبه‌بندی میدان گفتار Artificial Analysis را در اختیار دارد.

🐞 خبر ۴: مهندسان Meta سیستمی به نام Just-in-Time Testing را با کمک مدل زبانی در مقیاس بزرگ راه انداختند تا باگ‌ها پیش از انتشار کد پیدا شوند و پایداری سرویس‌های تولیدی بالا برود.

⚙️ خبر ۵: یک تحلیل تازه استدلال می‌کند هوش مصنوعی جای مهندسان قابلیت اطمینان سایت را نمی‌گیرد، بلکه با خودکارکردن کارهای عیب‌یابی، مهارت اصلی آن‌ها را کم‌رنگ می‌کند.

@dslanders

هوش مصنوعی - رضا شکرزاد

30 October 2026 07:29

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🎙️ خبر ۱: شرکت NVIDIA مدل باز Nemotron 3.5 Transcribe را معرفی کرده که صدا را به چند زبان رونویسی و ترجمه می‌کند، گوینده‌ها را از هم جدا می‌کند و با دستور دادن قابل تنظیم است.

🔁 خبر ۲: GitHub قابلیت خودکارسازی Copilot را طوری به‌روز کرده که از نتیجه کارهای واقعی یاد بگیرد؛ یعنی عامل‌های کدنویسی به‌جای تکرار اشتباه، روش کارشان را خودشان بهتر می‌کنند.

💬 خبر ۳: کاربران اشتراک Pro در آمریکا می‌توانند از طریق iMessage به دستیار Dot شرکت OpenAI پیام بدهند و بدون باز کردن هیچ اپی، دستور و عکس و پیام صوتی بفرستند.

🔍 خبر ۴: یک گزارش توضیح می‌دهد آمارهایی که چت‌بات‌ها نقل می‌کنند از کجا می‌آید، چطور «آمارهای زامبی» در اینترنت پخش می‌شوند و چطور می‌شود درستی‌شان را بررسی کرد.

🌱 خبر ۵: گوگل مدل Gemini 4 Carbon را معرفی کرده که در فهرست هوش Artificial Analysis رتبه اول را گرفته و در عین حال از مدل‌های قبلی کم‌مصرف‌تر و انرژی‌کارآمدتر است.

@dslanders

هوش مصنوعی - رضا شکرزاد

29 October 2026 06:06

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

📱 خبر ۱: شرکت Liquid AI مدل‌های LFM3 را معرفی کرد؛ مدل‌هایی باز و سبک برای متن، تصویر، صدا و تصمیم‌گیری که از ۲ میلیارد پارامتر شروع می‌شوند و مستقیم روی گوشی و لپ‌تاپ اجرا می‌شوند، بدون نیاز به اینترنت.

🎮 خبر ۲: گوگل Genie 4 را رونمایی کرد؛ ابزاری که محیط‌های تعاملی و واقع‌گرایانه با صدای هماهنگ می‌سازد و سازنده‌ها می‌توانند با یک دستور متنی، صحنه را همان لحظه تغییر دهند.

💻 خبر ۳: آپدیت اکتبر Visual Studio دو قابلیت مهم اضافه کرد: مقایسه مستقیم کامیت‌ها برای دیدن تغییرات کد، و یک Copilot Chat تازه که کار برنامه‌نویسی و رفع تداخل‌ها را سریع‌تر می‌کند.

⚖️ خبر ۴: بعد از اینکه Harvey نیم میلیارد دلار برای هوش مصنوعی حقوقی جذب کرد، یک برنامه‌نویس نسخه‌ای مشابه را رایگان و متن‌باز منتشر کرد تا پژوهش و تنظیم اسناد حقوقی بدون هزینه ممکن شود.

🍳 خبر ۵: نیویورک تایمز قابلیت‌های هوش مصنوعی را به اپلیکیشن آشپزی‌اش اضافه کرد، اما این تصمیم با واکنش منفی کاربرانی روبه‌رو شد که ورود هوش مصنوعی به ابزارهای روزمره را نمی‌پسندند.

@dslanders

هوش مصنوعی - رضا شکرزاد

28 October 2026 05:55

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🤖 خبر ۱: OpenAI مدل GPT-6.1 Terra را منتشر کرد؛ سریع‌تر و ارزان‌تر است و در دیدن تصویر، کار با کامپیوتر و نوشتن روزمره بهتر عمل می‌کند.

☁️ خبر ۲: Cloudflare Computer v0.7.0 به عامل‌های هوش مصنوعی اجازه می‌دهد بعد از خرابی یا به‌روزرسانی، کارشان را ادامه دهند و برای تأیید انسان توقف کنند.

🆘 خبر ۳: Survival LLM یک دستیار هوش مصنوعی آفلاین و یک کتابخانه اضطراری است که کاملاً روی کامپیوتر خودتان و بدون نیاز به اینترنت کار می‌کند.

🌿 خبر ۴: Fern از Mirendil تا ۱۰ میلیون توکن (واحد متن) را می‌پذیرد و برای کارهایی که هوش مصنوعی انجام می‌دهد و متن زیادی می‌خواهند مناسب است.

🧹 خبر ۵: ویکی‌پدیا متن‌هایی را که هوش مصنوعی می‌نویسد پاک می‌کند و نشان می‌دهد کاربران چطور نوشته‌های ماشینیِ نامطمئن را پیدا و حذف می‌کنند.

@dslanders

هوش مصنوعی - رضا شکرزاد

27 October 2026 06:13

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🧰 خبر ۱: Hob یک اپلیکیشن رایگان و متن‌باز دسکتاپ است که یک همکار هوش مصنوعی را کامل روی کامپیوتر خودتان اجرا می‌کند، بدون اشتراک ابری.

🖱️ خبر ۲: عامل‌های Cursor حالا می‌توانند اپ‌های دسکتاپ مثل شبیه‌ساز iOS را کنترل کنند، تا توسعه‌دهنده‌ها تست ویژگی‌های جدید را خودکار کنند.

💸 خبر ۳: پرسیدن سؤال به زبان‌های غیرانگلیسی گران‌تر تمام می‌شود، چون سیستم تقسیم متن، جمله فارسی را به تکه‌های بیشتری می‌شکند و هزینه بالا می‌رود.

🍎 خبر ۴: مدل ۲۰ میلیارد پارامتری Apple روی خود گوشی فقط ۲ گیگابایت حافظه می‌گیرد، چون بیشتر وزن‌های مدل در حافظه فلش می‌ماند.

🌙 خبر ۵: مدل Kimi K3.1 Pro از Moonshot در آزمون مستقل Artificial Analysis نمره ۵۵ گرفت و جلوتر از رقبا ایستاد؛ وزن‌هایش ۴ نوامبر عمومی می‌شود.

@dslanders

هوش مصنوعی - رضا شکرزاد

26 October 2026 06:16

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

💸 خبر ۱: قیمت مدل‌های زبانی OpenAI و Anthropic در چند ماه تا ۸۰ درصد پایین آمده؛ استفاده از هوش مصنوعی ارزان‌تر شده، ولی این پرسش را جدی کرده که شرکت‌ها با این قیمت‌ها چطور دوام می‌آورند.

🛡️ خبر ۲: گروهی به نام Gheist با توکن‌های دزدیده‌شده GitHub به مخزن‌های کد نفوذ کرده و با ساخت workflowهای مخفی اطلاعات حساس را بیرون می‌کشد؛ بهتر است دسترسی‌های CI پروژه‌تان را بازبینی کنید.

🩺 خبر ۳: یک مدل کوچک ۱۰ ساله در تشخیص سرطان پوست از مدل‌های زبانی بزرگ جلو زده؛ نشان می‌دهد مدل تخصصی و کوچک در پزشکی می‌تواند از هوش مصنوعی عمومی بهتر عمل کند.

🎓 خبر ۴: یک استاد ریاضی دانشگاه برکلی می‌گوید با وجود هوش مصنوعی تصحیح تکلیف دیگر فایده‌ای ندارد و معلم‌ها باید فکر کنند فهم واقعی دانشجو را چطور بسنجند.

📷 خبر ۵: برنده یک مسابقه عکاسی Nikon عنوانش را از دست داد، چون دانشمندان نشانه‌های ساخت تصویر با هوش مصنوعی را در کارش دیدند؛ نشان می‌دهد تشخیص تصویر AI هنوز سخت است.

@dslanders

هوش مصنوعی - رضا شکرزاد

25 October 2026 05:44

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🔒 خبر ۱: کاربران متوجه شدند Claude Code آدرس ایمیلشان را به درخواست‌های اینترنتی که به بیرون می‌فرستد اضافه می‌کند؛ چیزی که نگرانی درباره حریم خصوصی برنامه‌نویس‌ها را بالا برده است.

📐 خبر ۲: یک پایگاه جمعی راه افتاده که هر کسی می‌تواند خطاهای نوشته‌های ریاضی OpenAI را گزارش و اصلاح کند، تا کسانی که از این حل‌ها یاد می‌گیرند جواب درست‌تری ببینند.

🚩 خبر ۳: یک مقاله پژوهشی درباره Z-Library که با کمک هوش مصنوعی نوشته شده، به مطلبی از TorrentFreak ارجاع داده که اصلاً وجود ندارد؛ نمونه‌ای روشن از ارجاع‌های ساختگی در تحقیق.

💬 خبر ۴: یک مقاله توضیحی نشان می‌دهد چرا متن‌های ساخته‌شده با هوش مصنوعی اغلب گیج‌کننده‌اند و چطور می‌توان با درخواست دقیق‌تر، پاسخ روشن‌تر و خواناتر گرفت.

🛠️ خبر ۵: شرکت JetBrains ابزار تازه‌ای به نام ThinkRail برای برنامه‌نویس‌ها معرفی کرده که یک گزینه دیگر برای ساختن و مدیریت کردن جریان کار کدنویسی است.

@dslanders

هوش مصنوعی - رضا شکرزاد

24 October 2026 06:57

مهم‌ترین‌های ۲۴ ساعت اخیر هوش مصنوعی

🔐 خبر ۱: 1Password قابلیت تازه‌ای ساخته که به ایجنت‌های هوش مصنوعی اجازه می‌دهد با دسترسی محدود و تعریف‌شده وارد سایت‌ها شوند، بدون اینکه رمز اصلی شما در اختیارشان باشد.

🏷️ خبر ۲: Anthropic روی خروجی متنی Claude یک واترمارک نامرئی شبیه SynthID می‌گذارد تا شرط شفافیت قانون هوش مصنوعی اروپا را رعایت کند؛ یعنی متن‌های تولیدشده قابل شناسایی می‌شوند.

🎬 خبر ۳: NVIDIA ابزار JCA را معرفی کرده که از یک توضیح متنی، ویدیویی با حرکت سه‌بعدی هماهنگ کاراکترها می‌سازد و ساختن انیمیشن و ریگ را بسیار ساده‌تر می‌کند.

🩺 خبر ۴: ظاهراً یک سیستم هوش مصنوعی جدید بیماری‌ها را بیش از دو برابر پزشکان درست تشخیص می‌دهد؛ خبری که می‌تواند به غربالگری زودتر و ارزان‌تر منجر شود.

🌍 خبر ۵: یک درخواست یکسان به هوش مصنوعی اگر در تگزاس اجرا شود تا ۸٫۵ برابر بیشتر از سوئد دی‌اکسید کربن تولید می‌کند؛ پس محل اجرای مدل‌ها مهم است.

@dslanders