LaDiR یه فریم‌ورک جدیده که مدل‌های دیفیوژن رو با LLMها ترکیب می‌کنه تا استدلال متنی رو بهتر کنه. مشکل اصلی اینه که مدل‌های زبانی اتورگرسیو نمی‌تونن توکن‌های قبلی رو بازبینی کنن و این محدودیت کیفیت استدلال رو پایین میاره. LaDiR با استفاده از یه VAE فضای پنهان می‌سازه و بعد یه مدل دیفیوژن روی اون اجرا می‌کنه تا مراحل استدلال رو تکرار و اصلاح کنه. نتایج روی بنچمارک‌های ریاضی و برنامه‌ریزی نشون می‌ده که این روش از روش‌های اتورگرسیو و دیفیوژن‌محور قبلی بهتره.

۲۰ هفته پیشmachinelearning.apple.com

پروژه Zig یکی از سخت‌گیرانه‌ترین سیاست‌های ضد هوش مصنوعی رو در دنیای اپن‌سورس داره و استفاده از LLMها رو در ایشوها، پول‌ریکوئست‌ها و حتی کامنت‌های باگ‌تراکر کاملاً ممنوع کرده. Loris Cro از بنیاد Zig توضیح می‌ده که هدف اصلی بررسی PR، رشد مشارکت‌کننده‌هاست، نه صرفاً مرج کردن کد. به این دلیل، اگه پشت یه PR یه LLM باشه نه یه انسان، وقتی که تیم Zig صرف بررسیش می‌کنه عملاً هدر رفته. از طرف دیگه، Bun که با Zig نوشته شده و حالا متعلق به Anthropic هست، اعلام کرده که بهبودهای عملکردی اخیرش رو به‌خاطر همین

۲۰ هفته پیشsimonwillison.net

Trellis یه لایه‌ی مدیریت پروژه برای ابزارهای AI کدنویسیه که به جای اینکه همه چیز رو توی یه فایل بزرگ مثل CLAUDE.md بریزی، اطلاعات رو به‌صورت ماژولار و هوشمند سازمان می‌ده. این ابزار از Claude Code، Cursor، Codex، OpenCode، Pi Agent و بقیه پلتفرم‌ها پشتیبانی می‌کنه. Trellis یه دایرکتوری .trellis/ توی ریپازیتوریت می‌سازه و اطلاعات مربوط به استانداردها، تسک‌ها، workflow و حافظه‌ی جلسه رو جدا از هم نگه می‌داره تا هر agent فقط همون چیزی رو لود کنه که نیاز داره. هم برای توسعه‌دهنده‌های انفرادی کار می‌

۲۰ هفته پیشgithub.com

Command Code یه ایجنت کدنویسی هوش مصنوعیه که با مدل اختصاصی taste-1 کار می‌کنه و از هر بار که کدش رو قبول یا رد می‌کنی، یاد می‌گیره. برخلاف ابزارهای معمول AI که هر بار باید از اول توضیح بدی چه سبکی رو ترجیح می‌دی، Command Code سلیقه کدنویسیت رو به‌صورت خودکار می‌سازه و نگه می‌داره. این ابزار CLI-محور از پروژه‌های فول‌استک گرفته تا نوشتن تست و ریفکتور رو پشتیبانی می‌کنه و قابلیت اشتراک‌گذاری سلیقه بین تیم رو هم داره. تازه ۵ میلیون دلار سرمایه جذب کرده و بیش از ۲ هزار توسعه‌دهنده ازش استفاده می‌کن

۲۰ هفته پیشcommandcode.ai

Davia یه ابزار اوپن‌سورسه که به ایجنت‌های کدنویسی هوش مصنوعی اجازه می‌ده مستندات تعاملی برای کدبیس شما تولید کنن. این مستندات شامل ویژوالیزیشن‌های گرافیکی و وایت‌بردهای قابل ویرایش هستن که هم توی IDE و هم روی یه پلتفرم شبیه Notion قابل استفاده‌ان. Davia با ایجنت‌های معروفی مثل Cursor، GitHub Copilot، Windsurf، Claude Code و Augment کار می‌کنه. با دستور davia push هم می‌شه مستندات رو با تیم به اشتراک گذاشت و به‌صورت real-time روی اون‌ها همکاری کرد.

۲۰ هفته پیشgithub.com

مدیران ارشد فناوری اطلاعات حالا دارن همون ابزارهایی که برای متحول کردن بقیه سازمان به‌کار می‌برن رو روی خود بخش IT هم پیاده می‌کنن. از ساختن دوقلوهای دیجیتال برای نقش‌های کاری با Gemini Gems گرفته تا استفاده از Claude Code برای سرعت بخشیدن به توسعه نرم‌افزار، CIOها دارن فشار «بیشتر انجام بده با کمتر بودجه» رو با هوش مصنوعی جواب می‌دن. کارشناسان تأکید دارن که اتوماسیون بدون بازطراحی فرآیند کافی نیست و باید ابتدا کارهای ساده‌تر رو اتوماتیک کرد و بعد سراغ چالش‌های پیچیده‌تر رفت.

۲۰ هفته پیشcio.com

باگهرد یه ابزار بصری برای جمع‌آوری فیدبک روی وب‌سایته که کار مشتری‌ها رو خیلی ساده می‌کنه. مشتری فقط روی هر قسمت از سایت کلیک می‌کنه، کامنتش رو می‌ذاره و باگهرد به‌صورت خودکار اسکرین‌شات، مشخصات مرورگر، سایز صفحه و اطلاعات دستگاه رو ضبط می‌کنه. هر فیدبک تبدیل به یه تسک قابل‌پیگیری روی یه بورد کانبان می‌شه و با ابزارهایی مثل Jira، Asana، Slack و GitHub هم ادغام می‌شه. مشتری‌ها اصلاً نیازی به ساخت اکانت ندارن و همه‌چیز خیلی سریع شروع می‌شه.

۲۰ هفته پیشpartners.bugherd.com

کنت سی. دادز، مدرس شناخته‌شده‌ی توسعه وب، می‌گه که هوش مصنوعی داره آروم‌آروم کارهای پیاده‌سازی نرم‌افزار رو می‌بلعه. اما یه چیز هست که تا آخرین لحظه ارزشش می‌مونه: قضاوت. نه اینکه «چی بسازیم»، بلکه اینکه «چی باید ساخته بشه». این همون چیزیه که به نظرش مهندسی محصول (Product Engineering) رو از مهندسی نرم‌افزار سنتی جدا می‌کنه. وقتی هزینه‌ی پیاده‌سازی کاهش پیدا می‌کنه، انتخاب هدف درست اهمیت بیشتری پیدا می‌کنه، نه کمتر.

۲۰ هفته پیشepicproduct.engineer

Matt Pocock مجموعه‌ای از اسکیل‌های کوچک و ترکیب‌پذیر برای کار با AI Agentهای کدنویسی منتشر کرده که برخلاف رویکردهای سنگین مثل GSD یا BMAD، کنترل رو در دست خود توسعه‌دهنده نگه می‌داره. این اسکیل‌ها مشکلات رایجی مثل سوءتفاهم با ایجنت، کدبیس پیچیده، و تست‌نویسی ضعیف رو هدف گرفتن. هر اسکیل روی یه مشکل خاص تمرکز داره و با هر مدلی کار می‌کنه.

۲۰ هفته پیشgithub.com

خیلی از مهندسا یه جایی از مسیر شغلیشون با این سوال روبه‌رو می‌شن که آیا بن مدیریت برن یا همون مسیر IC رو ادامه بدن. ولی یه گزینه سوم هم وجود داره که کمتر بهش پرداخته می‌شه: نقش Tech Lead Manager یا TLM. این نقش ترکیبی از مدیریت تیم، رهبری فنی و کدنویسیه و اگه درست باهاش کنار بیای، می‌تونه هم رضایت‌بخش باشه هم تاثیرگذار. تو این مقاله نکات مهمی درباره اینکه این نقش برای چه کسی مناسبه و چطور می‌شه توش موفق بود مطرح شده.

ویل لارسون، نویسنده و مدیر ارشد مهندسی، توضیح می‌ده چرا در شرایط مختلف رشد سریع (هایپرگروث)، تصمیم‌های متفاوتی برای ساختار تیم مدیریتی می‌گیره. در مرحله زودهنگام هایپرگروث، گسترش اختیارات یه لیدر موجود منطقیه، چون شرکت روی یه مشکل خاص تمرکز داره. اما در مرحله دیرهنگام، شرکت باید همه‌چیز رو همزمان حل کنه و اضافه کردن لیدر جدید ضروری می‌شه. این تمایز در دوران هوش مصنوعی هم کاملاً صدق می‌کنه؛ تیم‌های کوچک با AI می‌تونن مرحله اول رو سریع طی کنن، ولی مرحله دوم هنوز چالش‌برانگیزه.

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.

۲۰ هفته پیشopinionatedintelligence.substack.com

وایبینگ با ابزارهای هوش مصنوعی پدیده جدیدی نیست؛ همان «من آخر هفته این رو ساختم» قدیمیه، فقط با لباس جدید. مشکل اصلی اینه که وقتی سریع کد تولید می‌کنیم، باید به همون سرعت هم نتیجه رو بررسی کنیم. اگه حلقه Observe-Orient-Decide-Act درست بسته نشه، فقط یه انبار از کدهای تأیید‌نشده داریم. راه‌حل اینه که از همون اول یه هارنس قابل اعتماد بسازیم تا بتونیم چرخه رو پایدار نگه داریم.

۲۰ هفته پیشarchitecture-weekly.com

خیلی‌ها فکر می‌کنن اول باید استراتژی بچینی، بعد بری سراغ اجرا. ولی واقعیت محصول‌سازی اینطور نیست. استراتژی و اجرا دائماً با هم در گفتگون و هر کدوم دیگری رو تغییر می‌ده. یه عبارت جالب این رابطه رو خوب توصیف می‌کنه: «باله‌ای پیچیده شده در خشونت». باله همون ظرافت و جهت‌گیری استراتژیکه، و خشونت همون سرعت و قدرت اجراست. هنر اصلی اینه که هر دو رو همزمان نگه داری.

اپ‌های Simply (Piano، Guitar، Sing، Draw) یه فریم‌ورک مشترک دارن که کاربر رو قبل از دیدن صفحه پرداخت کاملاً درگیر می‌کنه. اونا با نمایش زنده تکنولوژی‌شون، مثل تشخیص نت یا تحلیل صدا، تردید کاربر رو از بین می‌برن. طراحی فانل اونا به شکلیه که کاربر قبل از پرداخت، احساس می‌کنه پیشرفت واقعی داشته. جالب‌تر اینه که فانل وبشون با فانل اپشون فرق داره و در وب به فروش و ایجاد اعتماد بیشتر تکیه می‌کنن.

تیم Nielsen Norman Group با مطالعه رفتار کاربران واقعی در تعامل با چت‌بات‌های هوش مصنوعی سایت‌های مختلف، ۱۰ اصل کاربردی برای طراحی بهتر این ابزارها ارائه داده. بر اساس این تحقیق، تصمیم‌های کوچک در طراحی تأثیر بزرگی دارن — از اینکه چت‌بات چطور خودش رو معرفی می‌کنه گرفته تا اینکه آیا بین صفحات سایت دنبال کاربر می‌ره یا نه. مشکلاتی مثل داشتن چند چت‌بات موازی، پیام‌های خوش‌آمدگویی مبهم، و ناپدید شدن چت‌بات بین صفحات از رایج‌ترین اشتباهاتی‌ان که تجربه کاربری رو خراب می‌کنن. رعایت این اصول باعث می‌شه کاربرا نه‌تنها یه‌بار از چت‌بات استفاده کنن، بلکه بارها بهش برگردن.

۲۰ هفته پیشnngroup.com

هوش مصنوعی عالیه در ساختن چیزها؛ لندینگ پیج، پروتوتایپ، فیچر — همه رو می‌سازه. ولی اگه بپرسی «نرخ فعال‌سازی کاربران رو ۱۵٪ بالا ببر»، جوابی که می‌گیری سطحیه و به دردبخور نیست. مشکل اینه که تیم‌های محصول از اول هم outcome مشخصی نداشتن؛ AI فقط این خلأ رو آشکارتر کرده. تیم‌هایی که قبل از AI هم می‌دونستن دنبال چه نتیجه‌ای هستن، حالا ده برابر سریع‌تر به اون نتیجه می‌رسن.

۲۰ هفته پیشjeffgothelf.com

پاول سامسونوف در این مقاله به یه تناقض جالب در رویکرد طراحی Claude اشاره می‌کنه: سازمان‌ها دارن سعی می‌کنن با تحویل سریع‌تر خروجی‌ها، جای تفکر و معناسازی واقعی رو بگیرن. به زبان ساده‌تر، Claude Design یه راه‌حل «ساعتی» برای یه مشکل «تقویمی» محسوب می‌شه — مشکل‌هایی که اصلاً با سرعت بیشتر حل نمی‌شن. در نهایت این کاربرها هستن که بهای این اشتباه رو می‌دن.

۲۰ هفته پیشproductpicnic.beehiiv.com

خیلی از شرکت‌ها با یه محصول کوچیک و متمرکز وارد بازار می‌شن، ولی هیچ‌وقت به یه جایگاه واقعی در زنجیره ارزش نمی‌رسن. تفاوت بین «وج» (ابزار ورود به بازار) و «کنترل پوینت» (جایگاهی که بقیه باید از اون رد بشن) همین‌جاست. مثال Mint در مقابل Plaid نشون می‌ده که یه محصول زیبا لزوماً قدرت ساختاری نمی‌آره. تو دنیایی که هوش مصنوعی چرخه کپی‌سازی رو تند کرده، این سوال که «ما چی رو کنترل می‌کنیم؟» مهم‌تر از همیشه‌ست.

هوش مصنوعی یه ابزار جادویی برای حل مشکلات سازمانی نیست — بلکه دقیقاً همون جاهایی که همیشه ضعف داشتیم رو بیشتر نمایان می‌کنه. مستندات ناقص، ارتباطات مبهم، و اهدافی که هیچ‌وقت درست تعریف نشدن؛ اینا مشکلات فنی نیستن، بلکه شکست‌های ارتباطی‌ان. تیم‌هایی که از قبل روی شفافیت و مستندسازی کار کردن، با AI بیشتر پیش می‌رن — و اونایی که این کارها رو به تعویق انداختن، حالا سریع‌تر از همیشه با عواقبش روبرو می‌شن.

۲۰ هفته پیشbettyjunod.com