جستجوی دودویی (Binary Search) یه الگوریتم کلاسیک و سریعه، ولی آیا می‌شه ازش هم سریع‌تر رفت؟ نویسنده این مقاله با ترکیب جستجوی چهارتایی (Quaternary Search) و دستورالعمل‌های SIMD پردازنده، الگوریتمی به اسم SIMD Quad ساخته که روی آرایه‌های مرتب‌شده از اعداد ۱۶ بیتی کار می‌کنه. بنچمارک‌ها نشون می‌دن این الگوریتم در تمام سناریوها سریع‌تر از جستجوی دودویی استانداردیه و روی پردازنده‌های Intel گاهی بیش از دو برابر سرعت داره. ایده اصلی اینه که پردازنده‌های مدرن ظرفیت پردازش موازی دارن که الگوریتم‌های کلا

Laravel Schema Sentinel یه پکیج لاراول‌ه که وقتی دیتابیس واقعی‌ات از migration‌هات فاصله می‌گیره (schema drift)، سریع بهت خبر می‌ده. این ابزار یه shadow database از migration‌ها می‌سازه، اون رو با دیتابیس زنده مقایسه می‌کنه و حتی می‌تونه یه migration اصلاحی هم برات تولید کنه. قابلیت‌هایی مثل مقایسه cross-environment، داشبورد بصری Livewire و جلوگیری خودکار از اجرای migrate در صورت وجود drift از ویژگی‌های جالب این پکیجن. لاراول ۱۱ تا ۱۳ رو پشتیبانی می‌کنه.

۱۵ هفته پیشlaravel-news.com

Honker یه افزونه SQLite هست که امکانات NOTIFY/LISTEN شبیه به Postgres رو به SQLite اضافه می‌کنه. با این ابزار می‌شه صف کار، پاب‌ساب دائمی، و استریم رویدادها رو مستقیم توی همون فایل .db داشت، بدون نیاز به Redis، Celery یا هیچ برنامه واسطه‌ای. عملیات‌های بیزینسی و صف پیام‌ها توی یه تراکنش اتفاق می‌افتن، یعنی اگه rollback بشه، هر دو باهم برمی‌گردن. Honker از طریق یه افزونه قابل بارگذاری SQLite کار می‌کنه و برای Python، Node.js، Go، Ruby، Rust، Bun و Elixir باینینگ داره.

Route Binding یکی از قابلیت‌های لاراوله که خیلی راحت ازش استفاده می‌کنیم، ولی کمتر پیش میاد بدونیم دقیقاً پشت صحنه چی می‌گذره. وقتی یه مسیر مثل /users/{user} تعریف می‌کنی و User $user رو در کنترلر type-hint می‌زنی، لاراول به‌صورت خودکار مدل رو برات می‌آره. این اتفاق نه توی کنترلر، بلکه خیلی زودتر و در لایه‌ی میان‌افزار SubstituteBindings رخ میده. این مقاله کل مسیر از URI خام تا تحویل مدل به کنترلر رو مرحله‌به‌مرحله توضیح میده و نشون میده explicit binding و implicit binding هر کدوم چه مسیری رو طی

۱۵ هفته پیشwendelladriel.com

اگه توی Laravel Forge از SQLite استفاده می‌کنی و zero-downtime deployment داری، احتمالاً با یه مشکل جدی روبرویی: هر بار که دیپلوی می‌کنی، کل دیتابیست پاک میشه! دلیلش اینه که Forge هر ریلیز رو توی یه پوشه جداگانه می‌ریزه و یه symlink رو جابه‌جا می‌کنه. چون فایل database.sqlite داخل پوشه ریلیز قرار داره، با هر دیپلوی از دسترس خارج میشه. راه‌حل اینه که فایل دیتابیس رو به داخل storage/ منتقل کنی؛ چون این پوشه از قبل به‌عنوان shared path توسط Forge مدیریت میشه و بین ریلیزها پایدار می‌مونه.

۱۵ هفته پیشlaracraft.tech

وقتی چند پروسه تست به‌صورت موازی اجرا می‌شن و همه می‌خوان از یه دیتابیس مشترک استفاده کنن، کارها خراب می‌شه. یه راه‌حل ساده با file lock می‌شه این تداخل رو از بین برد. یه کلاس PHP کوچیک با flock می‌تونه دسترسی به دیتابیس رو ترتیب‌بندی کنه تا هر پروسه نوبتی وارد بشه. این روش مخصوصاً برای feature testهایی که واقعاً با دیتابیس کار می‌کنن خیلی به درد می‌خوره.

۱۵ هفته پیشrias.be

وقتی کاربر یه سبد خرید با چند آیتم ارسال می‌کنه، اعتبارسنجی هر product_id با Rule::exists به‌صورت پیش‌فرض باعث N+1 کوئری می‌شه؛ یعنی برای هر آیتم یه SELECT جداگانه اجرا می‌شه. لاراول یه راه‌حل تمیز داره: داده‌های موردنیاز رو قبل از اجرای rules() در متد prepareForValidation() با یه کوئری واحد prefetch کن و بعد هر آیتم رو در حافظه چک کن. اینطوری هم N+1 حذف می‌شه و هم پیغام خطا دقیقاً روی همون فیلد خاص (مثلاً items.2.product_id) نشون داده می‌شه.

۱۵ هفته پیشdaryllegion.com

مدل‌های پاداش فرآیندی (PRM) در حوزه‌هایی مثل ریاضیات خوب عمل می‌کنن، ولی وقتی نوبت به تحلیل داده‌های پویا می‌رسه، دچار مشکل جدی می‌شن؛ نه خطاهای خاموش رو تشخیص می‌دن و نه بین اکتشاف ضروری و شکست واقعی فرق می‌ذارن. محققان با معرفی DataPRM این شکاف رو پر کردن؛ یه مدل پاداش تولیدی آگاه از محیط که به‌صورت فعال با محیط اجرا تعامل می‌کنه تا خطاهای پنهان رو کشف کنه. نتایج نشون می‌ده که DataPRM با فقط ۴ میلیارد پارامتر، عملکرد مدل‌های پایین‌دستی رو تا ۱۱ درصد روی بنچمارک‌های تخصصی بهبود می‌ده.

۱۵ هفته پیشarxiv.org

در فصل اول ۲۰۲۶، گوگل کلود با رشد ۶۳ درصدی نسبت به سال قبل، از AWS با ۲۸٪ و Azure با ۴۰٪ پیشی گرفت. دلیل اصلی این برتری اینه که گوگل هم مدل‌های هوش مصنوعی (جمینای) و هم تراشه‌های اختصاصی (TPU) رو خودش داره و نیازی به پرداخت حق لایسنس به OpenAI یا Anthropic نداره. سه غول بزرگ ابری در مجموع ۱۱۲ میلیارد دلار در زیرساخت هزینه کردن و برای تأمین مالی این رقابت، گوگل و آمازون به انتشار اوراق قرضه روی آوردن. هر کسی که لایه مدل رو در اختیار داره، سریع‌ترین رشد رو داره.

بازار اینفرنس هوش مصنوعی با سرعت عجیبی داره تخصصی می‌شه؛ دقیقاً همون اتفاقی که یه‌روزی برای دیتابیس‌ها افتاد. درآمد مراکز داده NVIDIA از ۳.۶ میلیارد دلار در پایان ۲۰۲۲ به ۶۲.۳ میلیارد دلار در اوایل ۲۰۲۵ رسیده — یعنی ۱۷ برابر رشد از زمان لانچ ChatGPT. حالا بار کاری‌های مختلف مثل تصویر، ویدیو، صدا، اجرای روی دستگاه، و پردازش دسته‌ای، هرکدام زیرساخت و معماری مختص خودشون رو می‌طلبن. این تکه‌تکه‌شدن بازار ۱۰۰ میلیارد دلاری می‌تونه بازیگران بزرگی مثل Oracle، MongoDB و Snowflake برای AI تولید کنه.

۱۶ هفته پیشtomtunguz.com

بهینه‌سازی هزینه‌های ابری دیگه فقط یه دغدغه‌ی عملیاتی نیست؛ به یه قابلیت استراتژیک تبدیل شده که مستقیم روی عملکرد و رشد سازمان تأثیر می‌ذاره. حالا با ورود بارهای کاری هوش مصنوعی، این ماجرا پیچیده‌تر هم شده چون مصرف منابع در پروژه‌های AI غیرقابل پیش‌بینی‌تره و هزینه‌ها می‌تونن ناگهانی اوج بگیرن. اما اصول پایه‌ای بهینه‌سازی هنوز برقرارن: دید کامل به مصرف منابع، سیاست‌های کنترلی، سایزبندی درست، و بازبینی مستمر. هدف نهایی هم نه صرفاً کاهش هزینه، بلکه اطمینان از اینه که سرمایه‌گذاری‌های ابری و AI ارزش واقعی تولید می‌کنن.

تا حالا همه‌چیز در دنیای داده این‌طوری بود: یه سوال داری، یه کوئری می‌زنی، جواب می‌گیری. اما مشکل اینجاست که مهم‌ترین بینش‌ها اون‌هایی‌ان که اصلاً نمی‌دونستی باید بپرسی. نویسنده معتقده آینده داده دیگه «Pull» نیست، یعنی رفتن دنبال اطلاعات؛ بلکه «Push» هست، یعنی سیستم خودش قبل از اینکه بپرسی، بهت می‌گه چی مهمه. این تغییر پارادایم در سه سطح اتفاق می‌افته: هشدارهای هوشمند، گزارش‌های صبحگاهی خودکار، و یه فید اکتشافی مثل اینستاگرام ولی برای داده‌های کسب‌وکار.

۱۶ هفته پیشopinionatedintelligence.substack.com

یه سوال جالب مطرحه: اگه یه ایجنت هوش مصنوعی با ابزارهای جستجوی ساده داشته باشیم، آیا می‌تونه جای سیستم‌های پیچیده سرچ رو بگیره؟ آزمایش‌های انجام‌شده روی دیتاست Amazon ESCI نشون می‌ده که یه ایجنت ساده با GPT-4o-mini و ترکیب BM25 و امبدینگ، کیفیت نتایج رو از 0.289 به 0.453 رسونده. جالب‌تر اینکه بدون هیچ فاین‌تیونینگی روی داده‌ها این نتیجه به دست اومده. البته این رویکرد برای سناریوهایی که ایجنت خودش اطلاعات لازم رو نداره (مثل MSMarco) کار نمی‌کنه و اونجا همچنان سیستم‌های سنتی سرچ حرف اول رو می‌زنن.

۱۶ هفته پیشsoftwaredoug.com

تیم Harper یه بایندینگ کاملاً جدید برای RocksDB در Node.js ساخته به اسم rocksdb-js که از صفر نوشته شده و همه چیزی که از یه بایندینگ حرفه‌ای انتظار داری رو داره: پشتیبانی کامل از تراکنش، ایتریتورهای lazy، TypeScript، و باینری آماده برای همه پلتفرم‌های اصلی. این کتابخانه زیر لایسنس Apache 2.0 منتشر شده و قلب Harper 5.0 به حساب میاد. هدف اینه که یه ابزار مستقل و عمومی برای کل اکوسیستم Node.js باشه.

۱۶ هفته پیشharper.fast

SurveyJS یه مجموعه کتابخونه جاوااسکریپتیه که بهت اجازه می‌ده فرم و نظرسنجی رو مستقیماً توی اپ خودت بسازی و داده‌ها رو هم روی سرور خودت نگه داری. برخلاف سرویس‌های SaaS معروف، هیچ محدودیتی برای تعداد فرم، پاسخ، یا کاربر نداره. این ابزار برای فریم‌ورک‌های React، Angular، Vue 3 و Vanilla JS در دسترسه و لایسنس MIT داره. با یه بار خرید لایسنس، می‌تونی از تمام امکانات پیشرفته‌اش برای همیشه استفاده کنی.

۱۶ هفته پیشsurveyjs.io

مدل‌های زبانی بزرگ برای کار کردن به جداول عظیمی از وکتورهای پرابعاد نیاز دارن — چیزهایی مثل KV cache، امبدینگ‌ها و کلیدهای اتنشن. TurboQuant یه روش فشرده‌سازی ریاضی‌محوره که هر مختصه از این وکتورها رو به ۲ تا ۴ بیت تبدیل می‌کنه، بدون اینکه به آموزش یا کالیبراسیون نیاز داشته باشه. ایده اصلی اینه که یه چرخش تصادفی روی وکتور ورودی اعمال می‌شه تا توزیع مختصه‌ها قابل پیش‌بینی بشه، بعد یه کتاب کد بهینه برای اون توزیع طراحی می‌شه که روی همه ورودی‌ها کار می‌کنه. نتیجه: فشرده‌سازی با کمترین افت ممکن و بدون سربار حافظه‌ای اضافه.

۱۶ هفته پیشarkaung.github.io

یه مشکل رایج در اپلیکیشن‌های واقعی اینه که همه چیز کار می‌کنه، ولی سرعت اون‌طوری که باید نیست. معمولاً ریشه این مشکل توی کوئری‌های پایگاه داده‌ست؛ ایندکس نداره، یا یه aggregation سنگین داره بدون اطلاع اجرا می‌شه. این مقاله یه سیستم مانیتورینگ سبک برای لاراول و MongoDB می‌سازه که کوئری‌های کند رو به‌صورت خودکار شناسایی و لاگ می‌کنه. با ترکیب یه Middleware سفارشی و یه MongoDB Command Subscriber، می‌شه دقیقاً فهمید کدوم کوئری چقدر طول کشیده و چرا.

۱۶ هفته پیشlaravel-news.com

LLPhant یه کتابخانه PHP‌ه که ساخت اپلیکیشن‌های هوش مصنوعی مولد رو برای توسعه‌دهنده‌های PHP ممکن می‌کنه. این پروژه با الهام از LangChain و LLamaIndex ساخته شده و یه رابط یکپارچه برای کار با مدل‌های مختلف مثل OpenAI، Anthropic Claude، Mistral و Ollama فراهم می‌کنه. علاوه بر چت و تولید متن، از RAG، امبدینگ، پایگاه‌های داده برداری و Function Calling هم پشتیبانی می‌کنه.

۱۶ هفته پیشlaravel-news.com

وقتی یه ایجنت هوش مصنوعی به پایگاه دانش واقعی دسترسی نداشته باشه، جواب‌ها رو از پیش خودش می‌سازه — و این خطرناکه. تو این قسمت از سری «Ship AI with Laravel»، یه knowledge base قابل جستجو با معنا به ایجنت اضافه می‌شه. با استفاده از pgvector و مدل‌های embedding، متن‌ها به وکتور تبدیل می‌شن و جستجوی معنایی ممکن می‌شه. حالا حتی اگه کاربر با کلمات کاملاً متفاوتی سوال بپرسه، ایجنت جواب درست رو از مستندات واقعی پیدا می‌کنه.

۱۶ هفته پیشlaravel-news.com

tablecn یه کامپوننت جدول داده‌محور بر پایه shadcn/ui هست که با Next.js ساخته شده و قابلیت‌های سورت، فیلتر و صفحه‌بندی رو کامل سمت سرور مدیریت می‌کنه. این پروژه با استفاده از TanStack Table، Drizzle ORM، PlanetScale و Zod به یه راه‌حل آماده و قابل تنظیم برای نمایش داده‌های جدولی تبدیل شده. فیلترگذاری پیشرفته شبیه Notion و Airtable، منوی فیلتر شبیه Linear و نوار اکشن روی انتخاب ردیف از جمله امکانات برجسته‌شن. برای راه‌اندازی هم می‌شه از Docker یا یه دیتابیس PostgreSQL موجود استفاده کرد.

۱۶ هفته پیشgithub.com