30345
توییت های برنامه نویسی و طراحی وب :) @dvtwi Hashtags: devtwitter.t.me/5 DevBooks Channel: https://t.me/+AYbOl75CLNYxY2U0 Github: https://github.com/DevTwitter X: https://x.com/devtwittir
دوستان، یه طرح جذاب براتون آماده کردیم 🎁
از این به بعد می‌تونید با دعوت دوستاتون به کانال،(@AITools_Mag)
بدون پرداخت هزینه از ما یک اکانت هوش مصنوعی هدیه بگیرید 🤖✨
کافیه لینک دعوتتون رو از ربات دریافت کنید، دوستاتون رو دعوت کنید،
⏳ توجه: این فرصت فقط برای مدت محدودی فعاله و ممکنه دوباره تکرار نشه!
پس فرصت رو از دست ندید و همین حالا شروع کنید. 👇
این فرصت جذاب رو از دست ندین
ورود به ربات
عضویت در کانال : @AITools_Mag
اکثر پیاده‌سازی‌های Text-to-SQL وقتی به پروداکشن می‌رسند شکست می‌خورند.
دادن اسکیمای دیتابیس به LLM در دموها جذاب است، اما در سیستم‌های واقعی با سه مشکل مواجه می‌شود:
- محاسبه اشتباه متریک‌های بیزینسی
- کوئری زدن روی جدول‌های قدیمی و منسوخ‌شده
- تعاریف مبهم و ایجاد گزارش‌های نادرست
در جدیدترین مقاله‌ام، دلایل شکست روش‌های ساده و نحوه ساخت یک Agentic Data Stack حاکمیت‌یافته در سه لایه را بررسی کرده‌ام:
۱. لایه‌ی Semantic: ایجنت‌ها به جای دیتابیس خام باید با لایه‌های سمانتیک (مثل dbt و Cube) کار کنند.
۲. پایش فعال و CI: استفاده از Data Contractها برای جلوگیری از ناهماهنگی اسکیما.
۳. اسکیل های ماجولار/modular skills ایجنت: ساختار چندمرحله‌ای برای جستجوی متادیتا، فراخوانی API و اعتبارسنجی خروجی.
متن کامل مقاله:
https://mlnotes.substack.com/p/beyond-text-to-sql-building-a-governed
@DevTwitter | <Mehdi Allahyari/>
نقشه راه PHP 9.0؛ تغییراتی که می‌تواند بزرگ‌ترین آپدیت تاریخ PHP باشد!
عضو تیم PHP Internals (هالی/Holly) پیشنهادات و نقشه راه فوق‌العاده‌ای برای PHP 9.0 ارائه داده که ۵ قابلیت کلیدی آن توجه همه توسعه‌دهندگان را جلب کرده است:
۱. متدهای افزوده Extension Methods
امکان اضافه کردن متدهای اختصاصی به کلاس‌های داخلی PHP، کتابخانه‌ها و حتی Native Typeها (مثل string و int). مثل Macroها در لاراول یا Extensionها در C#
۲. ساختار Structs (برای DTOها)
یک ساختار داده‌ای ساده، Immutable و سبک بدون پیچیدگی‌های مرجع (Reference) در کلاس‌های عادی، عالی برای ساخت DTOها.
۳. مدیریت انکپسولیشن با Modules
قابلیت export کردن دقیق کلاس‌های عمومی پکیج و مخفی نگه‌داشتن کدهای داخلی (Internal)، بدون نیاز به کامنت‌های internal.
۴. مفهوم Surfaces (تفکیک scope متدها)
امکان دسته‌بندی و ایمپورت مجزای متدهای عمومی (مثلاً دسترسی به متدهای مخصوص تست، فقط در زمان اجرای تست‌ها).
۵. ژنریک‌ها (Generics) با Runtime Check
پشتیبانی واقعی از Generics با بررسی تایپ‌ها در زمان اجرا (Runtime)، نه فقط در حد ابزارهای تحلیل استاتیک مثل PHPStan.
https://www.youtube.com/watch?v=JXAFiPWXirM
@DevTwitter | <Ali Baghernia/>
کجا از LLM/AI استفاده نکنیم؟ دیدنش خالی از لطف نیست.
https://www.youtube.com/watch?v=_ZqSFVi6UDY
@DevTwitter | <Max Shahdoost/>
براساس داده‌های تله‌متری بیش از 22 هزار توسعه‌دهنده در 4 هزار تیم در faros:
تعداد باگ‌ها حدود ۵۴٪ افزایش یافته.
نسبت Incident به Pull Request بیش از ۳ برابر شده.
زمان Review به شکل قابل توجهی افزایش پیدا کرده.
حدود ۳۱٪ Pull Requestهای بیشتری بدون Review انسانی Merge میشه
این گزارش نشون میده که هنوز جامعه مهندسی نرم افزار به بلوغ استفاده از ابزارهای هوش مصنوعی نرسیده و تا حالا بیشتر به سرعت توسعه و خروجی محصول از کد توجه شده تا امنیت و code review.
https://faros.ai/research/ai-acceleration-whiplash
@DevTwitter | <Ramin Farajpour Cami/>
چرا واسه اشتراک‌هایی هوش مصنوعی ماهانه چند میلیون پول بدی وقتی میشه سالانه‌شو با چند صد هزار تومن خرید؟
جمینای پرو ۱۸ ماهه ۴۰۰ تومن کانوا پرو ۱ ساله ۵۰۰ تومن اونم رو اکانت شخصی خودتون 😐
اشتراک‌های هوش مصنوعی، بازی‌های انلاین، پرمیوم تلگرام و خیلی چیزای دیگه ارزون‌تر از همه‌جا!👇
@birdirch
@birdirch
@birdirch
تحلیل استاتیک یک نمونه بدافزار بات‌نت Mirai برای معماری ARMv6
در این گزارش، نمونه iran.armv6l از خانواده Mirai بررسی شده است؛ بات‌نتی که سال‌ها دستگاه‌های IoT مانند روترها، دوربین‌های IP و DVR/NVR را هدف حملات DDoS قرار داده است.
تغییر رمز عبور پیش‌فرض و غیرفعال‌سازی Telnet همچنان از مؤثرترین اقدامات دفاعی در برابر این تهدید است.
گزارش کامل:
https://threatlab.ir/reports/8ffe2f14-e9b2-4569-8699-dbcbe431642b/
هنوز هم فعال می باشد :
https://threatlab.ir/threat-feed/?tab=iran
@DevTwitter | <Ramin Farajpour Cami/>
چند وقتیه که به جای Postman از Bruno استفاده می‌کنم و واقعاً ازش راضی‌ام.
بیشتر از همه این موضوع برام جذاب بود که Collectionها داخل خود Repository پروژه ذخیره میشن. یعنی مثل کدهای پروژه Commit میشن، تغییراتشون داخل Git قابل مشاهده است و اگر یکی از اعضای تیم Request جدیدی اضافه یا ویرایش کنه، دقیقاً میشه دید چه چیزی تغییر کرده؛ بدون نیاز به Export و Import کردن Collectionها.
چند نکته دیگه که به چشمم اومد:
سبک و سریع‌تر از Postman اجرا میشه.
کاملاً آفلاین و Open Source هست.
از Environment، Variables، Authentication، GraphQL و gRPC هم پشتیبانی می‌کنه
@DevTwitter | <Mohammad Amiri/>
برای سئو لازم نیست همیشه سراغ ابزارهای گران مثل Semrush و Ahrefs بروی.
ابزار OpenSEO یک ابزار متن‌باز و سبک برای تحقیق و مدیریت سئو است که می‌توانی رایگان شروعش کنی.
با نسخه رایگانش می‌توانی:
کلمات کلیدی جدید پیدا کنی
حجم جستجو، سختی و CPC را بررسی کنی
نتایج واقعی گوگل و صفحات رتبه‌گرفته را ببینی
کلمات مهم را ذخیره و دسته‌بندی کنی
رتبه سایت را در موبایل و دسکتاپ پیگیری کنی
دامنه رقبا و ترافیک ارگانیک آن‌ها را تحلیل کنی
کلمات و صفحات پربازدید رقبا را پیدا کنی
بک‌لینک‌ها و دامنه‌های لینک‌دهنده را بررسی کنی
مشکلات فنی سایت را با Site Audit پیدا کنی
تا ۵۰ صفحه را در هر Crawl رایگان بررسی کنی
حضور برند در ChatGPT و Google AI Overview را بسنجی
یکی از جذاب‌ترین قابلیت‌هایش، اتصال به AI Agentها از طریق MCP است؛ یعنی می‌توانی بخشی از کارهای تحقیق سئو را به عامل‌های هوش مصنوعی بسپاری.
همچنین می‌توانی OpenSEO را با Docker روی سیستم خودت Self-host کنی و کنترل کامل‌تری روی داده‌ها و هزینه‌ها داشته باشی.
https://github.com/every-app/open-seo
@DevTwitter | <Pedram/>
اگه برنامه‌نویسید و دوست دارید زبان انگلیسی‌تون رو هم برای کار و فضای برنامه‌نویسی تقویت کنید، این کلاس‌ها می‌تونه براتون مناسب باشه .
برای دیدن اطلاعات کلاس‌ها، زمان‌بندی و جزئیات بیشتر، چنلشون رو چک کنید 👇
✅ آزمون تعیین سطح هم رایگان هست.
@Learnobit
مدل متن‌باز Ling-2.6-1T از Inclusion AI رونمایی شد
یک LLM یک تریلیون پارامتری که برای کدنویسی توسعه ایجنت های هوش مصنوعی و تعامل با ابزارهای مختلف طراحی شده است
https://huggingface.co/inclusionAI/Ling-2.6-1T
@DevTwitter | <Davinchi/>
مشکلی که همیشه با appimage ها توی لینوکس دارم اینه که آپدیتش دردسره. اکثرا باید برم و پکیج کامل رو از سایت های مختلف دانلود کنم.
ظاهرا پکیج منیجر تحت ترمینال zap این مشکلات رو حل کرده.
+ لینک:
https://zap.srev.in
@DevTwitter | <Yaser Shahi/>
میدونستین بایت‌دنس (همونا که تیک‌تاک رو ساختن) هم یه ادیتور AI دارن به اسم **Trae**؟
یه IDE کامل بر پایه VS Code که هم کدت رو هوشمند کامل می‌کنه، هم Builder Mode و SOLO Mode داره که می‌تونه کل فیچر رو خودش برنامه‌ریزی کنه، کد بزنه و حتی تست کنه.
مدل‌های قوی مثل Claude و GPT رو هم ساپورت می‌کنه و خیلی از قابلیت‌هاش رایگان یا خیلی ارزونه.
تست کردین ؟
حالت Visual هم داره عین cursor
https://www.trae.ai/
@DevTwitter | <Ali/>
پایپ‌لاین دوایجنتی جدیدم برای ساخت دیتاست پزشکی ساختاریافته آماده‌ست.
- ایجنت اول: گرفتن شرح‌حال بیمار در ۵ مرحله
- ایجنت دوم: تبدیل به JSON بالینی کامل با تشخیص افتراقی، دارو و care plan
کاربرد: آموزش مدل‌های پزشکی + تحقیق است.
https://github.com/Ho3seinTork/Dataset-Generator-Doctor-Agent
@DevTwitter | <Diss Obedience/>
اسکیل جدید برای ai ها و هرمس مخصوص مستری nginx می تونه خیلی از مشکلات شبکه و ... رو براتون حل کنه
https://github.com/peditx/nginx-mastery
@DevTwitter | <PeDram PeDitX/>
یک ریپوی متن‌باز که فرآیند Crawl کردن وب را برای پروژه‌های مبتنی بر LLM ساده‌تر می‌کند
به‌جای اینکه فقط HTML خام صفحات را استخراج کند، محتوای وب را به داده‌ای تمیز و ساختاریافته تبدیل می‌کند که مستقیماً در RAG و AI Agentها قابل استفاده است
https://github.com/unclecode/crawl4ai
@DevTwitter | <Davinchi/>
یک نفر اومده کل استک دستیار هوش مصنوعی رو از صفر با زبان Zig از نو ساخته و اسمشو گذاشته NullClaw.
حالا اعداد و ارقامش رو ببینید تا مغزتون سوت بکشه:
حجم فایل باینری کلاً ۶۷۸ کیلوبایته،
حدود ۱ مگابایت رم مصرف می‌کنه
و زیر ۲ میلی‌ثانیه بالا میاد!
بدون ران‌تایم، بدون ماشین مجازی، بدون هیچ فریم‌ورک و بدون Garbage Collector.
فقط و فقط زیگ خالص!
چرا این موضوع این‌قدر غول و مهمه؟
یه مقایسه بکنیم:
- پروژه OpenClaw واسه اجرا به یه مک‌مینی ۵۹۹ دلاری و بالای ۱ گیگابایت رم نیاز داره.
- پروژه NanoBot به بالای ۱۰۰ مگابایت رم و پایتون نیازمنده.
- پروژه PicoClaw هم ۱۰ مگابایت رم و Go می‌خواد.
اما NullClaw راحت روی یه برد ۵ دلاری با فقط ۱ مگابایت رم اجرا میشه! دقیقاً همون قابلیت‌ها، ولی فقط با ۰.۱٪ مصرف منابع!
باورتون میشه تو همین ۶۷۸ کیلوبایت چه چیزایی جا داده؟
- بیش از ۲۲ ارائه‌دهنده هوش مصنوعی (مثل OpenAI، Anthropic، Ollama، DeepSeek، Groq و...)
- ۱۳ تا کانال چت (تلگرام، دیسکورد، اسلک، واتس‌اپ، iMessage و حتی IRC!)
- بیش از ۱۸ ابزار توکار (Built-in)
- جستجوی حافظه ترکیبی (برداری + کلیدواژه‌ای)
- محیط ایزوله (سندباکس) چندلایه (Landlock، Firejail، Docker)
- پشتیبانی مستقیم از قطعات سخت‌افزاری مثل آردوینو، رزبری پای و STM32
- پشتیبانی از MCP، زیرعامل‌ها (Subagents)، استریمینگ، صوت و خلاصه کل پشته (Full Stack) معماری‌ش هم فوق‌العاده‌ست؛
هر زیرسیستم یه رابط قابل تعویضه. یعنی واسه تغییر ارائه‌دهنده‌ها، کانال‌ها، ابزارها یا حافظه، فقط کافیه فایل تنظیمات (Config) رو دستکاری کنید، بدون اینکه لازم باشه دست به کد بزنید!
از نظر امنیت هم کلیدهای API به‌صورت پیش‌فرض با الگوریتم ChaCha20-Poly1305 رمزنگاری میشن. ۲,۷۳۸ تا تست داره، حدود ۴۵,۰۰۰ خط کد تمیز Zig هستش و صفر وابستگی فراتر از libc داره!
صد در صد رایگان و متن‌باز (Open Source)
https://github.com/nullclaw/nullclaw
@DevTwitter | <بوکانت/>
یک افزونه پیدا کردم برای نکست‌کلود که بجای داشبورد نکست‌کلود اجازه میده که یک محیط میزکار داشته باشید که خیلی باحاله و از تقویم شمسی هم پشتیبانی می‌کنه.
https://apps.nextcloud.com/apps/desktop_workspace
اینکه می‌ذاره چندتا برنامه رو همزمان اجرا کنی به نظرم خوبه :)
@DevTwitter | <Sohrab Behdani/>
شرکت چینی Moonshot AI فردا (۲۷ جولای) وزن‌های کامل مدل جدیدش Kimi K3 رو منتشر می‌کنه؛ یه مدل ۲.۸ تریلیون پارامتری که حجم فایلش به ۱.۴ ترابایت می‌رسه.
این یعنی بزرگ‌ترین مدل open-weight تو کل تاریخ AI، آزاد و قابل دانلود برای همه.
سوال اینجاست: وقتی قوی‌ترین مدل‌های دنیا آزادانه در دسترس همه باشن، بازار مدل‌های closed (مثل GPT یا Claude) چه مزیتی بهش می‌مونه؟
https://venturebeat.com/technology/chinas-moonshot-ai-releases-kimi-k3-the-largest-open-source-model-ever-rivaling-top-u-s-systems
https://techtimes.com/articles/321499/20260724/kimi-k3-open-weights-drop-july-27-near-frontier-coding-undisclosed-hallucination-risk.htm
@DevTwitter | <^mad/>
#کدنمک
اگه روت نشد کاری رو انجام بدی Sudo بزن روت میشه :)))))))
@DevTwitter | <روز بعد/>
چگونه با کمک AI کد فوق‌العاده سریع بنویسیم؟
چند روز پیش مقاله‌ای خواندنی از Yoshifumi Kawai درباره نوشتن کدهای سی‌شارپ High Performance در عصر هوش مصنوعی دیدم که نکات بسیار ارزشمندی داشت.
ایده اصلی مقاله این است که هنگام بهینه‌سازی کد با BenchmarkDotNet، بررسی زمان اجرا (Mean) و میزان حافظه اشغال‌شده (Allocated) به تنهایی کافی نیست. اگر اطلاعات دقیق‌تری مثل خروجی Assembly کدهای JIT یا داده‌های مربوط به Branch Prediction را در اختیار مدل‌های هوش مصنوعی قرار دهیم، می‌تواند با تحلیل رفتار کد در سطح سخت‌افزار، بهینه‌سازی‌های غیربدیهی و بسیار عمیقی پیشنهاد دهند.
علاوه بر جنبه‌های فنی بنچمارک، این مقاله نکات ارزشمندی برای کارهای غیر از Performance هم دارد که نشان می‌دهد چطور می‌توان با هوش مصنوعی به‌صورت قابل اعتماد و برای محیط‌های واقعی (Production) کار کرد.
نکات کلیدی مقاله:
تغذیه هوش مصنوعی با کدهای اسمبلی: با فعال‌سازی ابزارهایی مثل DisassemblyDiagnoser و BranchMispredictions، هوش مصنوعی می‌تواند کدهای اسمبلی تولیدشده توسط JIT را بخواند و گلوگاه‌های پنهان (مثل Bounds Checks یا حلقه‌های اضافی) را شناسایی کند.
عبور از مرز خستگی انسان: معمولاً توسعه‌دهندگان پس از رسیدن به یک بهینه‌سازی اولیه (مثل یک SIMD ساده) کار را تمام‌شده می‌دانند، چرا که بررسی خط‌به‌خط کدهای اسمبلی کاری زمان‌بر و خسته‌کننده است. اما برای هوش مصنوعی هزینه بررسی کدهای ماشین صفر است؛ بنابراین می‌تواند بدون خستگی، چندین مرحله بهینه‌سازی پیچیده را پشت سر هم ادامه دهد.
حلقه‌های بهینه‌سازی تدریجی: در یک بنچمارک برای محاسبه مجموع عناصر یک آرایه، مدل هوش مصنوعی با تحلیل مرحله‌به‌مرحله دستورات ماشین، توانست یک حلقه ساده for (با زمان ۲۱۱ نانوثانیه) را به یک پیاده‌سازی فوق‌العاده سریع با Vector512 (با زمان ۱۸ نانوثانیه) تبدیل کند.
کاربرد در پروژه‌های واقعی: نویسنده همین روش را برای بهینه‌سازی نوشتن اعداد صحیح در کتابخانه معروف MessagePack سی‌شارپ به کار برده و به بهبودهای چشم‌گیری رسیده است.
نقش حیاتی توسعه‌دهنده: هوش مصنوعی جایگزین دانش تخصصی نمی‌شود. هدایت درست مدل‌ها مستلزم داشتن درک عمیق از زبان C# و رفتار Runtime است؛ علاوه بر این، توسعه‌دهنده باید کدهای پیشنهادی هوش مصنوعی را خط‌به‌خط بخواند، کاملاً درک کند و صحت عملکرد آن‌ها را بسنجد تا کد نهایی امن، درست و آماده برای Production باشد.
اگر در حوزه .NET، بهینه‌سازی سطوح پایین یا به‌طور کلی مهندسی نرم‌افزار به کمک هوش مصنوعی فعالیت می‌کنید، مطالعه این مقاله را حتماً پیشنهاد می‌کنم!
https://neuecc.medium.com/how-to-write-the-fastest-code-with-benchmarkdotnet-in-c-in-the-ai-era-6a585e634488
@DevTwitter | <Ashkan Nourzadeh/>
خبر بد برای ویندوزهای کرک شده با KMS
مایکروسافت می‌خواهد تراشه‌های TPM را در مادربردها برای بررسی اصالت سیستم عامل ایجاد کند.
این تراشه بررسی خواهد کرد که آیا سرور فعال‌سازی معتبر است یا خیر و آیا روی سخت‌افزار قابل اعتماد کار می‌کند یا خیر. این بررسی اجباری خواهد شد!
@DevTwitter | <Bahram Ghorbani/>
اگه ADHD دارید یا موقع خوندن متن‌های طولانی، مقاله‌ها و مستندات فنی تمرکزتون به‌هم می‌ریزه، «Focus Friendly» می‌تونه به کارتون بیاد.
این افزونه رایگان و متن‌باز Codex، اطلاعات سنگین رو به بخش‌های کوتاه و قابل‌فهم تبدیل می‌کنه: اول نکته اصلی، بعد یک مثال ساده و در آخر فقط قدم بعدی. برای مطالعه، تحقیق، یادگیری برنامه‌نویسی و جلو بردن پروژه‌ها هم کاربردیه.
جزئیات مهم حذف نمی‌شن؛ اطلاعات فقط طوری مرتب میشن که وسط حجم زیاد متن گم نشیم، راحت‌تر موضوع رو بفهمیم و شروع کردن سخت نباشه.
پروژه رو ببینید و اگه مفید بود براتون، با بقیه هم به اشتراک بذارید:
https://github.com/yappologistic/focus-friendly
@DevTwitter | <E Gurl/>
یه ابزار متن‌باز برای مستندسازی پروژه‌های برنامه‌نویسی پیدا کردم.
باهاش می‌تونید داکیومنت پروژه رو راحت‌تر بنویسید و خروجی PDF یا HTML بگیرید.
GitHub:
https://github.com/Aria-Hosseini/Doc-Builder
دمو:
https://aria-hosseini.github.io/Doc-Builder
@DevTwitter | <Sadra Majidi/>
این پروژه رایگان کاری را انجام می‌دهد که معمولاً باید برایش ماهی ۳۰ تا ۲۰۰ دلار به ابزارهای مدیریت شبکه‌های اجتماعی پول بدهید!
پروژه AutoSocial یک داشبورد متن‌باز است که کل فرایند انتشار محتوای ویدیویی را روی کامپیوتر خودتان مدیریت می‌کند؛ بدون اینکه اکانت‌هایتان را به سرویس‌های شخص ثالث بسپارید.
قابلیت‌های مهم:
- انتشار خودکار در TikTok، Instagram و YouTube
- مدیریت همزمان چند اکانت و چند برند
- زمان‌بندی هوشمند پست‌ها با Cron یا ساعت مشخص
- صف جداگانه برای هر اکانت و هر پلتفرم
- دانلود ویدیو با yt-dlp
- پردازش و شخصی‌سازی ویدیو با FFmpeg (مثل افزودن لوگو و تغییرات برای تولید نسخه‌های متفاوت)
- ذخیره سشن‌های ورود و استفاده مجدد از آن‌ها
- اجرای کامل به‌صورت Local؛ یعنی کنترل کامل روی داده‌ها و حریم خصوصی
اگر تولیدکننده محتوا، Indie Hacker یا در حال ساخت یک محصول AI هستید، این ریپو می‌تواند ساعت‌ها از کارهای تکراری شما را حذف کند.
GitHub:
https://github.com/Katzca/AutoSocial
@DevTwitter | <Pedram/>
یه Spotify Downloader خفن و رایگان که میتونی با کیفیت اصلی اسپاتیفای موزیک‌ها رو دانلود کنی و حالشو ببری.
بسیار سبک و پورتابل و سریع.
https://github.com/sunnypatell/sunnify-spotify-downloader
@DevTwitter | <Saeid/>
کلاهبردارها هر روز از روش‌های تازه‌ای استفاده می‌کنند؛ از پیامک‌های جعلی تا سوءاستفاده از هوش مصنوعی و اطلاعات شخصی.
در کانال «نوشدارو» یاد می‌گیرید نشانه‌های خطر را زودتر بشناسید و از خودتان و خانواده‌تان بهتر مراقبت کنید. ❤️
@NooshDaroo_web
@NooshDaroo_web
آینده توسعه نرم‌افزار فقط Vibe Coding نیست.
ایجنت باید Skill داشته باشد؛ بداند کی اجرا کند، چه چیزی را چک کند، کجا متوقف شود و چطور نتیجه را تست کند.
و MCP Agent Skills Hub را ساختم:
اسکیل‌های متن‌باز استانداردشده + Skillهای شخصی من در SEO/AEO/GEO/SSR.
https://github.com/tmolavi/mcp-agent-skills-hub
@DevTwitter | <taghi molavi/>
قبل از اینکه برای API مدل‌های هوش مصنوعی هزینه کنی، این ریپو رو ببین؛ ممکنه بخش بزرگی از پروژه‌ات رو رایگان جلو ببری
اگه توسعه‌دهنده‌ای و برای ساخت محصول، بات، ابزار هوش مصنوعی یا MVP دنبال API رایگان مدل‌های زبانی می‌گردی، این ریپو رو حتماً ذخیره کن.
یک فهرست کاربردی و مرتب از سرویس‌هایی مثل OpenRouter، Google AI Studio، Groq، Cerebras، Mistral، Hugging Face، Cohere، GitHub Models و چندین ارائه‌دهنده دیگه؛ همراه با مدل‌های قابل استفاده، محدودیت درخواست‌ها، اعتبار رایگان و شرایط هر سرویس.
کاربردش چیه؟
میتونی بدون هزینه اولیه، چند مدل مختلف رو تست کنی، کیفیت و سرعتشون رو مقایسه کنی، پروتوتایپ بسازی، چت‌بات راه بندازی، ابزارهای تولید محتوا یا کدنویسی توسعه بدی و قبل از پرداخت هزینه، بهترین API رو برای پروژه‌ات انتخاب کنی.
برای هر کسی که می‌خواد سریع‌تر و کم‌هزینه‌تر وارد ساخت محصولات AI بشه، واقعاً یک گنج محسوب میشه
https://github.com/cheahjs/free-llm-api-resources
@DevTwitter | <Pedram/>
ابزار litellm ، به برنامه نویسان این قابلیت رو میده که کد را فقط یک بار با فرمت OpenAI بنویسند و هر زمان خواستند مدل و پرووایدر را عوض کنند! (مثلاً از GPT-4o به Claude 4.5 یا Groq Llama3.1 و 100+ LLMs دیگه ) فقط کافی است اسم مدل را تغییر بدهید.
بدون تغییر کد یا دردسر فرمت پیام‌ها، بدون یادگیری API جدید هر شرکت.
اگر بیشتر از یک مدل LLM (حتی محلی + cloud) استفاده می‌کنید، LiteLLM زمان، پول و دردسر رو خیلی کم می‌کنه.
https://github.com/xPOURY4/litellm
@DevTwitter | <POURYA/>