پرش به محتوای اصلی

موضوع

تجربه توسعه‌دهندگان

۳٬۶۴۱ مقاله منتشر شده

جلوگیری از تداخل نویزی کدهای AI در تغییرات diff
آموزش کاربردی

۳ معیار سخت‌گیرانه برای جلوگیری از ایجاد نویز در خروجی‌های کدنویس‌های AI

کدهای تمیز در عصر هوش مصنوعی نیازمند محدودیت‌های سخت‌گیرانه در محدوده، دایرکتوری و اندازهٔ کامیت‌ها هستند. تفکیک پاک‌سازی‌های مکانیکی از تغییرات منطقی، مانع از ایجاد «دیف‌های…

۸ دقیقه خواندن
تست Brilliant.design: ساخت نمونه‌کار واقعی از فیگما تا طراحی و کد هوشمند با AI
آموزش کاربردی

عامل‌های هوش مصنوعی چگونه عناصر گرافیکی را به‌صورت زنده تغییر می‌دهند؟

پلتفرم Brilliant.design با ادغام پروتکل MCP به عامل‌های هوش مصنوعی اجازه می‌دهد به‌جای تولید تصاویر ایستا، عناصر طراحی را به‌صورت زنده شناسایی و تغییر دهند. این رویکرد باعث ایجاد…

۲۴ دقیقه خواندن
ساخت افزونه پیش‌پردازش محلی برای Claude Code پس از ۳۵۰۰+ تست — درخواست بازخورد
آموزش کاربردیتأییدنشده · منبع منفرد

پلاگین Chamnan هزینهٔ توکن‌های Claude Code را با لایه‌ی پیش‌پردازش محلی کاهش داد

ابزار جدیدی به نام Chamnan با ایجاد یک لایه محلی برای پاک‌سازی و بودجه‌بندی داده‌ها، از نشت اطلاعات حساس و اتلاف توکن در Claude Code جلوگیری می‌کند. این افزونه با پردازش داده‌ها…

۲ دقیقه خواندن
محیط ایزوله VM برای اجرای Claude Code و Codex در GitHub trailofbits/coop
آموزش کاربردی

ابزار coop محیط‌های ایزوله برای اجرای امن عامل‌های کدنویس ایجاد می‌کند

شرکت Trail of Bits ابزار coop را معرفی کرد؛ یک رابط خط فرمان مبتنی بر Rust که عامل‌های هوش مصنوعی را در ماشین‌های مجازی یک‌بارمصرف اجرا می‌کند. این سیستم مانع از دسترسی مستقیم…

۱ دقیقه خواندن
استاندارد حافظه اپیزودیک چندمدلی؛ موتور SQLite محلی برای ابزارهای کدنویسی هوش مصنوعی بدون وابستگی به ابر.
آموزش کاربردی

Engrim هزینهٔ توکن‌های حافظه در عامل‌های هوش مصنوعی را ۹۹٪ کاهش داد

موتور حافظهٔ Engrim با جایگزینی پنجره‌های متنی حجیم با یک سیستم حافظهٔ اپیزودیک محلی، هزینه‌های توکن را به شدت کاهش می‌دهد. این ابزار اجازه می‌دهد وضعیت پروژه بین عامل‌های مختلف…

۶ دقیقه خواندن
پرسش از HN: چگونه فایل‌های مهارت‌های خود را مدیریت می‌کنید؟
آموزش کاربردیتأییدنشده · منبع منفرد

واحدهای مهارت در برابر فایل‌های حجیم برای مهار زوال عملکرد عامل‌ها

برنامه‌نویسان برای جلوگیری از فراموشی دستورالعمل‌ها در عامل‌های هوش مصنوعی، از فایل‌های حجیم به سمت «واحدهای مهارت» کوچک و قابل انتقال حرکت می‌کنند. این رویکرد با جایگزینی…

۴ دقیقه خواندن۱
زن جوانی با موهای بلند مشکی که به شکل دم اسبی بسته شده، از نمای پشت سر.
آموزش کاربردی

Ponytail با فلسفهٔ کدنویسی حداقلی جلوی پیچیدگی بیش از حد عامل‌های هوش مصنوعی را

پلاگین Ponytail با اجبار عامل‌های کدنویس به استفاده از کتابخانه‌های استاندارد و الگوهای موجود، از تولید کدهای حجیم و غیرضروری جلوگیری می‌کند. این ابزار با اولویت دادن به…

۲ دقیقه خواندن
طراحی ابزارهایی که عامل واقعاً بتواند فراخوانی کند
آموزش کاربردی

۵ قانون طراحی ابزار برای جلوگیری از شکست عامل‌های هوش مصنوعی در مقیاس واقعی

بررسی دلایل شکست طرح‌های ابزاری در محیط عملیاتی و ارائه راهکارهایی برای افزایش قابلیت اطمینان عامل‌ها. این راهنما بر جایگزینی قوانین متنی با محدودیت‌های ساختاری برای تضمین امنیت و…

۶ دقیقه خواندن۲
لوگوی سازمان D2 با عنوان «سازمان غیرانتفاعی»

Hack Club: انتقال مالکیت D2 به ساختار غیرانتفاعی برای توسعهٔ هوشمند

پروژه D2 پس از تعطیلی شرکت مادر، به یک نهاد غیرانتفاعی تحت حمایت Hack Club تبدیل شد. این ابزار اکنون برای تسریع رشد ویژگی‌ها و بهبود عملکرد، تقریباً به‌طور کامل توسط هوش مصنوعی…

۴ دقیقه خواندن۱
تصویر: سیستم QA سخت‌گیر در حال بررسی کد با خطای قرمز و تأییدیه سبز پس از اصلاح
آموزش کاربردی

درون گردش‌کار متن‌باز محمد صالح برای حذف تاییدات صوری کد

محمد صالح، توسعه‌دهنده مستقل، گردش‌کاری متن‌باز را منتشر کرد که مدل‌های زبانی را از حالت «راضی‌کننده» به مهندسان سخت‌گیر QA تبدیل می‌کند. این سامانه با استفاده از گیت‌های اجباری و…

۳ دقیقه خواندن۱
پژوهشگر کارآموز خودکار اوپن‌ای‌ای در حال تحلیل داده‌ها روی صفحه نمایشگر

عامل‌های OpenAI چگونه حجم کارهای پژوهشی را به ۳.۱ برابر رساندند؟

OpenAI با دستیابی به هدف ساخت «کارآموز پژوهشی خودکار»، حجم عملیات داخلی خود را به شدت افزایش داده است. اکنون در سازمان پژوهشی این شرکت، هر یک روز کاری انسان با بیش از سه روز تلاشِ…

۶ دقیقه خواندن۱