در این اپیزود از سری «Ship AI with Laravel»، بهجای پیادهسازی دستی semantic search با embeddings و pgvector، اسناد مستقیماً به سرویس هوش مصنوعی آپلود میشن و ابزار FileSearch از SDK کار جستجو رو انجام میده. یه دستور Artisan ساخته میشه که یک vector store به اسم «SupportAI Knowledge Base» میسازه و پنج سند مارکداون رو درش آپلود میکنه. ایجنت ساپورت هم FileSearch رو در کنار ابزار KnowledgeSearch قبلی داره تا بسته به نوع سوال، از هر کدوم استفاده کنه. نکته مهم اینه که FileSearch توکنبر هست و نیا
هاروی یک بنچمارک متنباز به اسم LAB معرفی کرده که برای ارزیابی عاملهای هوش مصنوعی در حوزه حقوق طراحی شده. این بنچمارک شامل بیش از ۱۲۰۰ تسک حقوقی در ۲۴ حوزه تخصصی است و با بیش از ۷۵ هزار معیار نوشتهشده توسط متخصصان ارزیابی میشه. هدف اصلی اینه که مشخص بشه عاملهای هوش مصنوعی کجا میتونن کار حقوقی واقعی رو به تنهایی، جزئی، یا اصلاً انجام بدن. این ابزار به شرکتهای حقوقی کمک میکنه بفهمن سرمایهگذاریشون روی هوش مصنوعی چقدر ارزش داره.
تیم ServiceNow در حین مهاجرت موتور استنتاج PipelineRL از vLLM V0 به V1، با ناهماهنگی جدی در logprobها و معیارهای آموزشی مثل KL، clip rate و reward مواجه شد. بررسیها نشون داد که چهار مشکل اصلی باعث این اختلاف بودن: نحوه برگشت logprob، تنظیمات پیشفرض متفاوت V1، رفتار بهروزرسانی وزنها در حین اجرا، و دقت fp32 در لایه آخر مدل. تیم با برطرف کردن این مشکلات، پیش از هر تغییری در تابع هدف RL، ابتدا تطابق کامل backend را تأیید کرد. این رویکرد درس مهمی برای هر سیستم RL آنلاین داره که logprobهای rollout
Logto یه زیرساخت احراز هویت مدرن و متنباز هست که پیادهسازی OIDC، OAuth 2.1 و SAML رو برای تیمهای توسعهدهنده خیلی سادهتر میکنه. این ابزار از multi-tenancy، enterprise SSO، و RBAC پشتیبانی میکنه و SDK برای بیش از ۳۰ فریمورک مختلف داره. Logto هم بهصورت ابری (کاملاً managed) و هم self-hosted در دسترسه و حتی برای معماریهای مبتنی بر هوش مصنوعی و پروتکل MCP هم آمادهست. بهعنوان جایگزین متنباز Auth0، Cognito و Firebase Auth معرفی میشه.
مدلهای زبانی بزرگ (LLM) دیگه برای همهچیز گزینه ایدهآل نیستن. SLMها یا مدلهای زبانی کوچک، با پارامترهای کمتر (معمولاً ۱ تا ۷ میلیارد)، سریعتر، ارزونتر و حریمخصوصیمحورتر هستن و برای کارهای تکراری و تخصصی بهمراتب بهتر عمل میکنن. این مدلها میتونن روی دستگاههای لوکال یا محیطهای آفلاین هم اجرا بشن و نیازی به ارسال داده به ابر عمومی ندارن. گارتنر پیشبینی میکنه تا ۲۰۲۷، استفاده سازمانها از SLMها سه برابر بیشتر از LLMها میشه.
پکیج web-audio-api یه پیادهسازی کامل و پرتابل از Web Audio API برای Node.js هست که بدون هیچ وابستگی nativeای کار میکنه. با این کتابخونه میشه صدا رو سمت سرور تولید کرد، توی CI بدون اسپیکر رندر گرفت، و حتی از ترمینال اسکریپتهای صوتی نوشت. کتابخونههایی مثل Tone.js هم بدون هیچ تغییری توی Node کار میکنن. هم خروجی آنلاین به اسپیکر و هم رندر آفلاین به بافر پشتیبانی میشه.
Bagisto Next.js Commerce یه فریمورک اپنسورس برای ساخت فروشگاههای آنلاین هدلسه که روی Next.js سوار شده و از GraphQL API بگیستو تغذیه میکنه. این پروژه با استفاده از لایهبندی کشینگ و ISR، امتیاز ۱۰۰ از ۱۰۰ در Core Web Vitals رو به صورت مداوم حفظ میکنه. پشتیبانی از انواع محصول، چرخه خرید کامل، احراز هویت با NextAuth.js و بهینهسازی SEO از جمله قابلیتهای اصلیشه. استقرار روی Vercel یا Netlify با یه دستور ممکنه و پروژه تحت لایسنس MIT کاملاً رایگانه.
چرن احساسی یعنی کاربر هنوز قراردادش فعاله، ولی از نظر ذهنی و احساسی از محصول جدا شده. خطرناکترین بخش اینه که داشبوردها همهچیز رو سبز نشون میدن، اما مشتری داره آروم آروم دنبال جایگزین میگرده. ریشههای اصلی این مشکل: آنبوردینگ ضعیف، اصطکاک در فرآیندها، و شکافهای یکپارچهسازی هستن. برای تشخیص این چرن باید روی فلوهای اصلی به تفکیک کوهورت نظارت کنی، میزان پذیرش فیچرها رو دنبال کنی، و حتی به سکوت کاربرها (نبود فیدبک) بهعنوان یک هشدار نگاه کنی. راهحلها هم حول محور کاهش زمان رسیدن به ارزش، ریآن
مت گارمن، مدیرعامل AWS، معتقده که ترس از «SaaSpocalypse» و نابودی صنعت SaaS بهخاطر هوش مصنوعی اغراقآمیزه. به گفتهی اون، هوش مصنوعی در واقع یه فرصت بزرگ برای ساختن نرمافزارهای بهتره، نه عاملی برای از بین بردن اونا. AWS هم همین دیدگاه رو با بازطراحی گستردهی Amazon Quick، یه دستیار هوشمند دسکتاپ، عملی کرده که کارهای روزانهی کارمندها رو از طریق متصل کردن اپها و دادههای مختلف آسونتر میکنه. گارمن تأکید میکنه که بازار نرمافزار شخصی طی ۳۰ سال گذشته تغییر چندانی نکرده و الان وقتشه که با AI کا
ابزارهای هوش مصنوعی میتونن کد کارکردی تولید کنن، ولی در سیستمهای IoT این کافی نیست. این کدها اغلب بدون آگاهی از معماری کلی سیستم، محدودیتهای سختافزاری یا قراردادهای تیمی نوشته میشن و بدهی فنی سنگینی به جا میذارن. چهار مکانیزم اصلی این مشکل عبارتند از: تکرار الگوهای منسوخ، راهحلهای موضعی بدون دید معماری، دوپلیکیشن منطق، و نادیده گرفتن محدودیتهای سختافزاری. برای کنترل این چالش، تیمهای توسعه باید نظارت انسانی جدیتری بر کد تولیدی هوش مصنوعی داشته باشن و بخشهای حیاتی پروژه رو بهصراحت ا
ScreenURL یه سرویس APIمحوره که با یه درخواست ساده، از هر URL عمومی اسکرینشات میگیره. رندر زیر ۲ ثانیه، پشتیبانی از PNG و JPEG، و امکان کپچر full-page تا رزولوشن 4K از ویژگیهای اصلیشه. پلن رایگان ماهی ۱۰۰ اسکرینشات میده و نیازی به کارت اعتباری نداره. برای پیشنمایش لینکها، تست خودکار، مانیتورینگ سایت و مستندسازی بهکار میاد.
یه مفهوم جدید به اسم «تسلیم شناختی» از دل یه پژوهش دانشگاه وارتون بیرون اومده که برای مهندسان نرمافزار خیلی حیاتیه. تفاوتش با «بارگذاری شناختی» اینه که در بارگذاری، ابزار کار رو انجام میده ولی تو قضاوت نهایی رو داری؛ در تسلیم شناختی اما خروجی AI مستقیم تبدیل به نظر تو میشه، بدون اینکه اصلاً دیدگاه مستقلی شکل داده باشی. پژوهشگرها روی ۱۳۷۲ شرکتکننده نشون دادن که ۷۳٪ پاسخهای اشتباه AI رو بدون تردید قبول میکنن. این پدیده باعث انباشت «بدهی درک» در کدبیس میشه؛ جایی که هیچکس نمیتونه سیستم رو
تا همین اواخر، مدلهای اوپنویت مثل Llama و DeepSeek یک فرض پیشپاافتاده توی دنیای هوش مصنوعی بودن — ابزارهایی که هر کسی میتونست روی سختافزار خودش اجرا کنه و بهعنوان فشار قیمتی روی لبهای بزرگ عمل میکردن. اما این وضعیت داره تغییر میکنه؛ Meta مدلهای جدیدش رو اصلاً منتشر نمیکنه، Alibaba و Kimi هم مجوزهای محدودکنندهتری گذاشتن. اگه این روند ادامه پیدا کنه، بازار AI میتونه به یه الیگوپولی واقعی با چند شرکت تبدیل بشه که قدرت قیمتگذاری عظیمی دارن. این یعنی همه اون ارزش اضافهای که الان کاربره
تیم مهندسی داخلی New Relic قبلاً مجبور بود تلمتری ایجنتهای هوش مصنوعیشون رو بهصورت دستی و با کدنویسی سفارشی دنبال کنه؛ کاری که هم زمانبر بود و هم خطاپذیر. با پذیرش AIM یا همون AI Monitoring پلتفرم New Relic، این فرایند بهکلی تغییر کرد و تیم تونست با یه تغییر کوچیک در کانفیگ Python agent، به متریکهای آمادهی مصرف توکن، زمان پاسخ و نرخ خطا دسترسی داشته باشه. این ابزار بهشون کمک میکنه هم هزینههای مدلهای مختلف رو کنترل کنن و هم عملکرد ایجنتها رو در محیطهای staging و production بهصورت مدا
Laravel Shopper یه پنل مدیریت فروشگاهی متنباز و هدلسه که روی TALL Stack ساخته شده. بهجای اینکه یه استور آماده بهت بده، فقط روی بکآفیس تمرکز داره — مدیریت محصولات، سفارشها، مشتریها، تخفیفها و تیم. فرانتاندش کاملاً آزاده و میتونی با React، Vue، Svelte یا حتی Blade بسازیش. یه اینتگریشن Stripe آماده هم داره و با Laravel Boost از AI coding tools هم پشتیبانی میکنه.
نسخهی ۵.۲۷.۰ از Laravel Installer پشتیبانی از محیطهای AI Agent رو اضافه کرده. وقتی دستور laravel new تشخیص بده داره توی یه ایجنت اجرا میشه، پرامپتهای تعاملی رو حذف میکنه و بهجاشون یه خط JSON ساختاریافته به stdout میفرسته. این JSON شامل اطلاعات موفقیت یا شکست عملیات، مسیر پروژه، و در صورت خطا، پیام خطا و لاگ کامل هست. شناسایی محیط ایجنت کاملاً خودکاره و نیازی به تنظیمات اضافی نیست.
هوش مصنوعی در حوزههای مختلف نرمافزاری موفق بوده چون با APIهای تمیز و قراردادهای مشخص کار میکنه، اما زیستشناسی و کشف دارو چنین ساختاری ندارن. هر مرحله از کشف دارو — از پیدا کردن هدف درمانی تا طراحی مولکول تا کارآزمایی بالینی — پر از ابهام، فرضیههای احتمالاتی و وابستگیهای پنهانه. این «مشکل API فازی» اصلیترین دلیلیه که ML در داروسازی خیلی سختتر از بقیه حوزههاست. با این حال، ایدههای جدیدی مثل «سلول مجازی» و مدلهای مقیاسپذیر دارن این حوزه رو از نو هیجانزده میکنن.
GPT-5.5 با یه افزایش قیمت ۲ برابری نسبت به GPT-5.4 معرفی شد؛ توکنهای ورودی از ۲.۵ به ۵ دلار و خروجی از ۱۵ به ۳۰ دلار در میلیون رسیدن. OpenRouter با بررسی کاربرانی که از 5.4 به 5.5 مهاجرت کردن، فهمید هزینههای واقعی بین ۴۹ تا ۹۲ درصد بیشتر شده. مدل جدید برای پرامپتهای بلند (بالای ۱۰ هزار توکن) خروجی کمتری تولید میکنه که یهکم از تأثیر گرانی کم میکنه، ولی برای پرامپتهای کوتاهتر این مزیت وجود نداره و حتی خروجی بیشتری هم میده.
Anthropic داره روی یه ابزار جدید به اسم Orbit کار میکنه که قراره بهصورت پیشفعال برای کاربران Claude Cowork بریفینگ و بینشهای کاری تولید کنه. Orbit به ابزارهایی مثل Gmail، Slack، GitHub، Calendar، Drive و Figma وصل میشه و بر اساس اونها اطلاعات شخصیسازیشده ارائه میده. این ویژگی هنوز رسماً معرفی نشده، اما رد پاش توی کدهای اخیر Claude پیداست و احتمالاً در رویداد توسعهدهندگان Anthropic رونمایی بشه.
وقتی درآمد شرکتهای بزرگ هوش مصنوعی اعلام میشه، همه روی عدد کل تمرکز میکنن — ولی سوال اصلی اینه که این درآمد از کجا میاد. OpenAI حدود ۷۵٪ درآمدش رو از اشتراکهای مصرفی میگیره، در حالی که Anthropic حدود ۸۰٪ درآمدش از مشتریان سازمانیه. این تفاوت ساختاری به این معنیه که در زمان فشار اقتصادی، این دو شرکت رفتار کاملاً متفاوتی خواهند داشت. تاریخ بازار SaaS نشون داده که درآمد مصرفی در بحران خیلی سریعتر از بین میره، و بازار هوش مصنوعی احتمالاً این تفاوت رو با شدت بیشتری تجربه میکنه.