WorkOS یه پلتفرم آماده‌ست که بهت کمک می‌کنه قابلیت‌های سازمانی مثل SSO، SCIM، Audit Logs و مدیریت کاربران رو خیلی سریع به اپلیکیشنت اضافه کنی. به جای اینکه ماه‌ها وقت بذاری روی پیاده‌سازی این ویژگی‌ها، با چند خط کد و SDK های آماده می‌تونی شروع کنی. این ابزار از زبان‌های مختلفی مثل Node.js، Python، PHP، Go و جاوا پشتیبانی می‌کنه و یه پنل مدیریتی شیک هم برای IT Admin های مشتریانت داره. در نهایت WorkOS کمک می‌کنه که درهای بازار Enterprise برای محصولت باز بشه بدون اینکه تیمت از مسیر اصلی خارج بشه.

آزمایشگاه هوش مصنوعی چینی DeepSeek دو مدل جدید پیش‌نمایش به نام‌های V4-Pro و V4-Flash معرفی کرده که هر دو از معماری Mixture of Experts با پنجره کانتکست یک میلیون توکن بهره می‌برن. V4-Pro با ۱.۶ تریلیون پارامتر کلی، بزرگ‌ترین مدل open-weights تاریخ به حساب میاد. نکته جالب‌تر قیمت‌گذاریه: V4-Flash با ۰.۱۴ دلار به ازای هر میلیون توکن ورودی، ارزون‌تر از GPT-5.4 Nano اوپن‌ای‌آی‌ه و V4-Pro هم با ۱.۷۴ دلار، از همه مدل‌های بزرگ فرانتیر مقرون‌به‌صرفه‌تره. این مدل‌ها با لایسنس MIT منتشر شدن و می‌شه از طری

۱۵ هفته پیشsimonwillison.net

Chevere Workflow یه پکیج PHP‌ه که بهت اجازه می‌ده فرآیندهای چندمرحله‌ای رو به‌صورت declarative تعریف کنی و وابستگی‌های بین جاب‌ها رو مشخص کنی. موتور خودش گراف وابستگی رو می‌سازه و جاب‌های مستقل رو به‌صورت موازی اجرا می‌کنه. پشتیبانی اول‌درجه از لاراول هم داره و یه افزونه VS Code برای نمایش بصری گراف جریان کار ارائه می‌ده. برای فرآیندهایی مثل ثبت‌نام کاربر که چند مرحله وابسته و مستقل دارن، ایده‌آله.

۱۵ هفته پیشlaravel-news.com

اوپن‌ای‌آی یه آپدیت جالب برای اپ دسکتاپ Codex منتشر کرده که مهم‌ترین بخشش یه ویژگی کاملاً بازیگوشانه‌ست: حیوانات خانگی انیمیتدِ پیکسل‌آرت که روی صفحه به‌عنوان overlay نشون داده می‌شن و حتی وقتی Codex مینیمایز باشه هم حضور دارن. علاوه بر این، Codex حالا می‌تونه تنظیمات ابزارهای دیگه‌ای مثل Claude Code رو به‌صورت خودکار شناسایی و ایمپورت کنه. یه دیکشنری صوتی هم اضافه شده که بهت اجازه می‌ده اختصارات و عبارات خاص خودت رو ثبت کنی تا دیکته صوتی دقیق‌تر بشه.

۱۵ هفته پیشtestingcatalog.com

نیک نیسی از WorkOS تعریف می‌کنه که چطور دو ابزار هوش مصنوعی ساخت، ولی بعد از مدتی متوجه شد هیچ راهی برای سنجش کیفیت خروجی‌شون نداره. راه‌حلش نوشتن یه سیستم ارزیابی (eval) بود؛ چیزی فراتر از تست‌های معمولی. تست‌های سنتی برای رفتار قطعی طراحی شدن، ولی LLMها هر بار خروجی متفاوتی می‌دن و باید با نرخ موفقیت سنجیده بشن، نه pass/fail ساده. این مقاله داستان ساختن دو سیستم eval کاملاً متفاوت برای دو مشکل متفاوته که یه درس مشترک داشتن.

۱۵ هفته پیشworkos.com

یه آزمایشگاه واقعی با ترافیک مختلط نشون داد که یه پول مشترک vLLM برای همه نوع درخواست، گزینه بدی‌ه. بهترین نتیجه با پروفایل class-aware-router به دست اومد که اولین توکن، ریتم تولید توکن، و ایزولاسیون کلاینت‌های کند رو با هم بهینه می‌کنه. توصیه اصلی اینه که قبل از هر تغییری در کرنل‌ها، لاین‌های ترافیکی رو از هم جدا کنی. ترافیک تعاملی باید روی یه پول کوچیک‌تر با بودجه توکن محدودتر بمونه، و کارهای سنگین‌تر مثل long-context و batch به یه پول جداگانه منتقل بشن.

Replit در ۱۸ ماه گذشته رشد باورنکردنی داشته و از ۲.۸ میلیون دلار درآمد سالانه به مسیر یک میلیارد دلار رسیده. مدیرعامل Replit، امجد مصعب، می‌گه شرکت برخلاف رقیبش Cursor که با حاشیه سود منفی ۲۳ درصد کار می‌کنه، بیش از یک سال است که حاشیه سود مثبت داره. او فروش شرکت رو رد نمی‌کنه اما تأکید می‌کنه که هدف اصلیشون موندن به عنوان یه شرکت مستقله. درگیری با اپل بر سر اپ استور هم یکی از داغ‌ترین بخش‌های این مصاحبه‌ست.

۱۵ هفته پیشtechcrunch.com

محققان مایکروسافت روشی ارائه دادن به اسم «Synthetic Computers at Scale» که توش محیط‌های کامپیوتری واقع‌گرایانه با ساختار پوشه‌بندی و فایل‌های محتوامحور شبیه‌سازی می‌شه. روی هر کامپیوتر مصنوعی، یک ایجنت هوش مصنوعی وظایف بلندمدت تعریف می‌کنه و ایجنت دیگه‌ای اون‌ها رو انجام می‌ده — کاری که معادل حدود یک ماه کار انسانیه. این روش می‌تونه پایه‌ای برای یادگیری تقویتی و خودبهبودی ایجنت‌های هوش مصنوعی در سناریوهای کاری واقعی باشه.

۱۵ هفته پیشarxiv.org

سه سال پیش یه نویسنده‌ی فناوری پیش‌بینی کرد که پرامپت‌نویسی یه چیز موقتیه و با بهتر شدن مدل‌های هوش مصنوعی از بین می‌ره. حالا خودش قبول می‌کنه که اون پیش‌بینی نه کاملاً درست بود، نه کاملاً غلط. بخشی از پرامپت‌نویسی قدیمی — مثل ترفندهای «قدم‌به‌قدم فکر کن» — واقعاً منسوخ شده؛ ولی نسخه‌ی جدید و جدی‌تری جاشو گرفته. امروز پرامپت‌نویسی یعنی مدیریت context، طراحی ابزار، و ساختن سیستم‌های قابل‌اعتماد برای عامل‌های هوش مصنوعی که تو محیط‌های واقعی کار می‌کنن.

۱۵ هفته پیشyiblet.com

گیت‌هاب از ۲۰۰۸ تا حالا روابط بین ریپوها رو عمیقاً مدل نکرده. در حالی که امروز وابستگی‌ها از طریق فایل manifest مدیریت می‌شن، نه fork، ابزارهای forge هنوز این رابطه رو جدی نمی‌گیرن. نویسنده لیستی از ویژگی‌هایی می‌ده که یه forge واقعاً به نگه‌دارندگان پروژه‌های اوپن‌سورس کمک می‌کنه؛ از تست downstream گرفته تا فید اطلاع‌رسانی برای وابستگان. اینا دقیقاً چیزاییه که نه کلاینت‌ها می‌تونن حلشون کنن، نه هیچ‌کدوم از رقبای GitHub در حال ساختنشون هستن.

کدنویسی اجنتیک و رویکرد «توسعه مبتنی بر اسپک» (SDD) داره به‌عنوان آینده‌ی برنامه‌نویسی معرفی می‌شه؛ جایی که انسان فقط نقش «هماهنگ‌کننده» داره و AI کدها رو می‌نویسه. اما شواهد نشون می‌ده که استفاده‌ی مداوم از این ابزارها داره مهارت‌های فنی و تفکر انتقادی توسعه‌دهنده‌ها رو به شکل محسوسی فرسایش می‌ده. طعنه‌ی اصلی اینجاست: همون مهارت‌هایی که برای نظارت درست روی AI لازمه، دقیقاً همون‌هایی‌ان که با استفاده از AI از بین می‌رن. این چرخه‌ی معیوب حتی مدیران ارشد مهندسی در شرکت‌هایی مثل LinkedIn رو نگران ک

۱۵ هفته پیشlarsfaye.com

متا یه پلتفرم یکپارچه هوش مصنوعی ساخته که به‌طور خودکار مشکلات عملکردی زیرساخت رو پیدا و رفع می‌کنه. این سیستم با ترکیب ابزارهای استانداردشده (MCP Tools) و مهارت‌های تخصصی (Skills)، دانش مهندسان ارشد رو به قابلیت‌های قابل‌استفاده برای مدل‌های زبانی تبدیل می‌کنه. نتیجه؟ صدها مگاوات برق بازیابی‌شده و کاهش زمان بررسی دستی از حدود ۱۰ ساعت به ۳۰ دقیقه. این پلتفرم هم برای شناسایی پسرفت‌های عملکردی (Defense) و هم برای پیاده‌سازی بهینه‌سازی‌های پیشگیرانه (Offense) استفاده می‌شه.

۱۵ هفته پیشengineering.fb.com

وقتی به AI می‌گی یه فیچر بساز، همه‌چیز خوب به نظر می‌رسه — تا یادت بیاد یه edge case مهم رو فراموش کردی، یا ببینی از offset pagination به جای cursor استفاده کرده. این چرخه‌ی بی‌پایان «درست کن، اشتباه جدید، دوباره درست کن» همون چیزیه که نویسنده بهش می‌گه AI Psychosis. راه‌حل پیشنهادیش اینه که قبل از کدنویسی، اسپک‌های دقیق به فرمت YAML بنویسی — رویکردی که بهش «Specsmaxxing» می‌گه. برای این کار هم یه ابزار اوپن‌سورس به اسم Acai.sh ساخته که کمک می‌کنه اسپک بنویسی، کد بسازی، بررسی کنی و ایتریت کنی.

۱۵ هفته پیشacai.sh

یه آزمایش جالب نشون داد که وقتی یه مدل هوش مصنوعی پیشرفته نقش «هاب» یا مدیر رو برای هماهنگی مدل‌های دیگه می‌گیره، نه‌تنها چهار برابر گرون‌تره، بلکه نتیجه‌اش هم بدتره. در مقابل، یه ساختار بازاری ساده که مدل‌ها با هم رقابت می‌کنن، هم ارزون‌تر بود هم کیفیت بهتری داشت. این آزمایش روی ۱۵ تسک دست‌ساز در حوزه کدنویسی، استدلال و سنتز انجام شد و نشون داد هر توپولوژی برای نوع خاصی از مسئله بهتره. مدل‌های هوش مصنوعی برخلاف انسان‌ها، در تخمین توانایی‌های خودشون ضعیفن ولی تنوعشون در یه بازار رقابتی می‌تونه ا

۱۵ هفته پیشstrangeloopcanon.com

Cognizant اعلام کرده که قراره شرکت Astreya رو بخره؛ یه ارائه‌دهنده خدمات مدیریت‌شده IT با تخصص عمیق در زیرساخت هوش مصنوعی و دیتاسنتر. Astreya با پلتفرم اختصاصی AI OpsHub خودش و سابقه ۲۵ ساله، الان سرویس‌دهنده ۶ تا از ۷ غول بزرگ تکنولوژی (Magnificent Seven) هست. این خرید به Cognizant کمک می‌کنه تو دوره‌ای که هزینه‌های زیرساخت AI به ۶.۷ تریلیون دلار می‌رسه، جایگاه قوی‌تری داشته باشه. انتظار می‌ره معامله تا پایان سه‌ماهه دوم ۲۰۲۶ نهایی بشه.

۱۵ هفته پیشnews.cognizant.com

Agent Skills یه پروژه‌ست که سعی می‌کنه رفتار ایجنت‌های کدنویس هوش مصنوعی رو به سطح یه مهندس ارشد برسونه. مشکل اینه که این ایجنت‌ها به‌صورت پیش‌فرض مستقیم می‌رن سراغ نوشتن کد، بدون اینکه اسپک بنویسن، تست بزنن یا اصلاً scope کار رو مشخص کنن. این پروژه با تعریف «اسکیل» به‌شکل فایل‌های مارک‌داون گردشی، ایجنت رو مجبور می‌کنه همون مراحلی رو طی کنه که یه مهندس باتجربه طی می‌کنه. پروژه با بیش از ۲۶ هزار ستاره، نشون می‌ده که این دغدغه برای خیلی‌ها آشناست.

۱۵ هفته پیشaddyosmani.com

بایت‌دنس، شرکت سازنده‌ی تیک‌تاک، یه واحد داخلی به اسم Anew Labs داره که روی کشف دارو با هوش مصنوعی کار می‌کنه. این واحد اولین داروی طراحی‌شده توسط هوش مصنوعی‌اش رو در یه کنفرانس بزرگ ایمونولوژی در بوستون معرفی کرد؛ یه مولکول کوچیک که پروتئین IL-17 رو هدف می‌گیره و مرتبط با بیماری‌های خودایمنی مثل پسوریازیس و آرتریت روماتوئیده. این تیم همچنین مدل AnewOmni رو منتشر کرده که ادعا می‌کنه اولین فریم‌ورک جنریتیو‌ایه که می‌تونه مولکول‌های کاربردی رو در همه‌ی مقیاس‌های مولکولی طراحی کنه.

۱۵ هفته پیشthenextweb.com

در NAB Show 2026 بیش از ۵۸ هزار متخصص حوزه رسانه و سرگرمی جمع شدن و AI سراسر نمایشگاه رو پر کرده بود. اما یه شکاف بزرگ وجود داشت: همه درباره ساختن AI حرف می‌زدن، ولی هیچ‌کس از «اجرا کردن» و «مانیتور کردن» اون حرفی نمی‌زد. New Relic یکی از معدود شرکت‌هایی بود که روی observability برای AI تمرکز داشت. هزینه‌ی یه قطعی بزرگ برای نیمی از شرکت‌های رسانه‌ای الان بیش از ۲ میلیون دلار در ساعته، و اضافه کردن لایه‌ی AI بدون دید کامل، این هزینه رو بالاتر هم می‌بره.

۱۵ هفته پیشnewrelic.com

لورین هوکشتاین، پژوهشگر قابلیت اطمینان سیستم‌ها، در یه پست جالب می‌گه که LLMها شاید بهره‌وری توسعه نرم‌افزار رو متحول کرده باشن، ولی هنوز نشونه‌ای از بهبود قابلیت اطمینان سیستم‌ها دیده نمیشه. دو رویداد اخیر — قطعی آنتروپیک و پست CTO گیت‌هاب — این ادعا رو به خوبی نشون میدن. هوش مصنوعی خودش بیشتر از اینکه حلال مشکل اشباع سیستم‌ها باشه، عامل ایجادشه. گیت‌هاب و آنتروپیک هر دو قربانی رشد انفجاری تقاضایی شدن که خودشون ایجاد کردن.

استفاده از هوش مصنوعی در تیم‌های توسعه نرم‌افزار فقط به پرامپت‌نویسی ختم نمی‌شه؛ اصل مهم‌تر اینه که AI هر چیزی که در تیم وجود داره — چه خوب، چه بد — رو تقویت می‌کنه. اگه فرایندهای بررسی کد و استانداردهای مستندسازی داشته باشی، سرعت و کیفیت هر دو بالا می‌ره. ولی اگه بدون اینا وارد بشی، AI فقط بی‌نظمی‌ات رو سریع‌تر می‌کنه. این مقاله به تیم‌لیدها کمک می‌کنه بدونن AI باید چه کدی بنویسه، چه چیزی رو خودشون بنویسن، و چطور واقعاً بسنجن که این سرعت ارزش داره یا نه.

۱۵ هفته پیشfrontendmasters.com