بریم سراغ لینوکس و این دفعه دستور grep
وظیفه این دستور جست و جوی پترنهای متنی در فایلهاست.

grep [options] "<pattern>" <file(s)>

grep -i "error" log.txt
# case-insensitive search

grep -v "debug" log.txt
# Shows all lines except those containing debug

grep -r "error" <dir path>
# search error in one dir

grep -c "error" log.txt
# count number of matching

grep -w "cat" animals.txt
# matches cat but not something like catch

چند نکته
در صورت یافتن پترن کل اون خط رو بر میگردونه
تو این مثالها از یه متن معمولی استفاده شده ولی از Regex یا همون عبارت باقاعده هم میشه استفاده کرد.
خیلی با ( | ) پایپ استفاده میشه در واقع خروجی یه دستور بهش داده میشه و روی آن فیلتر انجام میده

ls /etc | grep resol
# output resolv.conf

یکی از مشکلات ما توی دانلود پکیج یا ایمیج های توی داکر یا پایتون هستن
تحریم یا SSL ارور و کندی و هزارتا مشکل دیگه
یکی از راه حل ها استفاده از سرورهای Mirror هستش
یه Mirror برای دانلود پکیج های پایتونی runflare هستش با استفاده از این سرور میتونین سرعت دانلود پکیج ها توی پایتون ( در ایران مخصوصا ) خیلی زیاد کنین
برای استفاده به شکل زیر عمل کنین

pip install -i https://mirror-pypi.runflare.com/simple/ <package name>

برای استفاده از ایمیج های داکر هم ریجستری Mirror آروان خیلی خوبه کافیه آدرس زیر رو قبل از اسم
docker.arvancloud.ir/
کافیه اسم ایمیج بیارین

docker pull docker.arvancloud.ir/kibana:latest

توی داکر کامپوز هم جوابه

services:  
    kibana:    
        image: docker.arvancloud.ir/kibana:7.17.24

🎯 چند ماه پیش، یه تیم چینی به اسم Manus یه AI Agent فوق‌العاده معرفی کرد که سر و صدای زیادی به پا کرد. خیلی‌ها مشتاق بودن تستش کنن، اما مشکل اینجا بود که برای ساخت اکانت، نیاز به کد دعوت (invite code) داشتید.
(اگه با این پلفترم آشنا نیستین اینجا رو ببینید)

من تونستم بدون کد دعوت وارد بشم و تصمیم گرفتم تجربه‌م رو اینجا باهاتون به اشتراک بذارم.این به خاطر نصب و استفاده از app گوشیش به صورت زودهنگام یا یه باگ احتمالیه که هنوز رفع نشده و شاید بعداً جلوی اون رو بگیرن هست ، پس تا فرصت هست استفاده کنین. مراحل ساخت اکانت بدون کد دعوت:

✅ مراحل ساخت اکانت Manus بدون Invite Code:

1️⃣ وارد سایت Manus بشید و روی "Get Started" کلیک کنید.
2️⃣ با جیمیل خودتون Sign in کنید.
🔴 اینجا ارور می‌گیرید که Invite Code نیاز دارید. نگران نباشید!

3️⃣ برید به Google Play Store و اپلیکیشن Manus رو نصب کنید.
4️⃣ اپ رو باز کنید و با همون جیمیل وارد بشید.
✅ به طرز عجیبی، این بار بدون نیاز به Invite Code وارد می‌شید!

5️⃣ حالا می‌تونید برگردید به سایت و از نسخه وب هم استفاده کنید. چون اکانتتون فعال شده، این بار لاگین موفق خواهد بود.

👀 این روش برای من جواب داد و چند نفر دیگه هم تستش کردن و تاییدش کردن. اگه شما هم علاقه‌مندید AI Agent خفن Manus رو تجربه کنید، این فرصت رو از دست ندید!

#Manus #AI_Agent #AI
📡 @ImanCodingCorner

خبری از OpenAI: معرفی GPT-4.1!

امروز (25 فروردین 1404)، OpenAI از مدل جدید به نام GPT-4.1، رونمایی کرد! 🚀 این مدل یه ارتقاء بزرگ نسبت به GPT-4o در تمام ابعاد محسوب میشه و بهبودهای چشمگیری در چند حوزه کلیدی داره:

1️⃣ 💻 کدنویسی: GPT-4.1 در تولید و ویرایش کد، به‌خصوص کدنویسی فرانت‌اند، خیلی بهتر و قابل‌اعتمادتر شده. امتیازاتش تو بنچمارک‌های کدنویسی واقعاً چشمگیره! مثلاً تو معیار Aider بیش از ۲ برابر بهتر از GPT-4o عمل کرده!

2️⃣ 🎯 پیروی دقیق از دستورات(Instruction): این مدل دستورات شما رو خیلی بهتر درک می‌کنه و دقیقاً همون چیزی رو که می‌خواید، تحویل میده. نیاز به تکرار و اصلاح دستور کمتر میشه.

3️⃣ 📚 درک متن‌های طولانی: مهم‌ترین ویژگی شاید همین باشه! GPT-4.1 از یک context متنی ۱ میلیون توکنی پشتیبانی می‌کنه در مقایسه با ۱۲۸ هزار توکن GPT-4o. این یعنی می‌تونه حجم عظیمی از اطلاعات و اسناد طولانی رو تحلیل کنه و ادعا کردن که دقتش هم خیلی افت نمیکنه

نکات مهم دیگه:

* 🧠 دانش به‌روز: اطلاعاتش تا ژوئن ۲۰۲۴ آپدیت شده.
* 💰 ارزان‌تر: استفاده از GPT-4.1 به طور متوسط ۲۶٪ ارزون‌تر از GPT-4o هست!
* 👨‍👩‍👧‍👦 خانواده جدید:
* 🚀 مدل GPT-4.1 mini: یه مدل کوچیک‌تر ولی فوق‌العاده کارآمد که تو خیلی موارد حتی از GPT-4o بهتره و ۸۳٪ ارزون‌تر!
* 🔬 مدل GPT-4.1 nano: یه مدل خیلی کوچیک و سریع، با همون پنجره ۱ میلیون توکنی و ارزون ترین مدل این خانواده

* ❓ در پلتفرم ChatGPT چطور؟
مدل GPT-4.1 مستقیماً به عنوان یه گزینه در ChatGPT قابل انتخاب نیست و صرفا در API در دسترس خواهد بود.
همچنین به صورت پیش‌نمایش در GitHub Copilot موجوده.(که همین الان برای پلن پولی و رایگان در دسترس هست)

به عنوان نکات تکمیلی باید گفت که مدل GPT-4.1 یک مولتی مدال هست که در درک تصویر، حل مسئله تصویری ریاضی، درک عمیق‌تر از نمودارها و دیاگرام‌ها و OCR هم بهتر از مدل GPT4o هست.
همچنین این مدل در برخی از موارد از GPT4.5 هم بهتر عمل کرده
مدل GPT-4.1، همان مدل ناشناسی هستش که در برخی پلتفرم‌ها مثل openrouter به اسم Quasar عرضه شده بود (اون زمان برای تست رایگان بود :) )

توضیحات بیشتر راجع به این مدل رو میتونین در مقاله و لایو ویدیویی مشاهده کنین

#OpenAI #GPT4_1 #LLM

📢 چندتا خبر جذاب از دنیای هوش مصنوعی امروز داریم 👇

🔸 پلتفرم Qwen از Alibaba Cloud
اگه با Qwen آشنا نیستین، بدونین که مجموعه‌ای از مدل‌های LLM و چندوجهی (multimodal) هست که توسط علی‌بابا کلود (یک شرکت چینی) توسعه داده شده. این مدل‌ها توی تسک‌های مختلف مثل NLP، بینایی کامپیوتر، کدنویسی و استدلال ریاضی واقعاً خوب عمل می‌کنن. از مهم ترین ویژگی های این پلتفرم میشه به
✅ تنوع مدل‌ها از نظر تعداد پارامتر برای نیازهای مختلف از قبیل مدل های استدلالی ، مولتی مدل، تولید ویدیو و ...
✅ مدل‌های open-weight (در هاگنیگ فیس)
✅ دارای context length بالا
✅ پلتفرم رایگان و پایدار و سریع
اشاره کرد.کل مقدمه بالا برای این بود که بگم
📱 امروز نسخه اندرویدی اپ Qwen منتشر شد! تحریم نیست، نصبش راحته و برای کارهای دم‌دستی، سوالای سریع و تولید محتوا خیلی کاربردیه.
آدرس پلتفرم


🔸 خبر از OpenAI
چندتا آپدیت مهم برای پلن رایگان ChatGPT:
1. ویژگی Deep Research (البته به گفته خودشون ورژن light weight یا همون نسخه‌ی سبک) برای همه در دسترس شده.
2. مدل o4-mini در قسمت Reasoning ، جایگزین o3-mini شده (برای کاربرهای رایگان هم).
3. ویژگی Image Library اضافه شده: تمام تصاویری که تولید می‌کنی توی یه گالری قابل دیدنه و نگهداری می‌شن.
4. تولید تصویر از طریق API هم در دسترس قرار گرفته! 👨‍💻🖼️

🔚 دنیای AI داره با سرعت پیش میره، اینا فقط بخشی از بروزرسانی‌های امروز بودن.
🔁 اگه به دردت خورد، حتماً با بقیه به اشتراک بذار.

#AI #LLM

📌 شاید بشه نقطه‌ی تمایز اصلی بین یک مدل زبانی ساده و یک Agent هوشمند رو در استفاده از انواع ابزارهای خارجی دونست.

یکی از قوی‌ترین ابزارهایی که می‌تونه یه LLM رو به سطح جدیدی برسونه جست‌وجو در اینترنت هست و Tavily AI رو میشه به عنوان یکی از بهترین سرویس دهنده در این حوزه نام برد. این ابزار یک موتور جست‌وجوی تخصصی برای مدل‌های زبانی بزرگه که به‌طور خاص برای استفاده در سازوکارهای AI Agentها و سیستم‌های RAG طراحی شده.


🔍ابزار Tavily چیه و چرا باید بشناسیمش؟

سرویس Tavily Search API با تمرکز بر مدل‌های زبانی و Agentهای هوشمند توسعه داده شده. این ابزار کمک می‌کنه مدل‌های زبانی، اطلاعات به‌روز و دقیق رو از وب دریافت کنن — بدون نویز و بدون سوگیری.

ویژگی‌های کلیدی Tavily:
🎯 مناسب برای AI : طراحی‌شده مخصوص مدل‌های زبانی و‌Agentها
⚙️ قابل تنظیم : امکان مدیریت دامنه‌ها و عمق جست‌وجو
🕒 بلادرنگ : دریافت داده‌های جدید و معتبر از اینترنت به همراه رفرنس
🧩 یکپارچه : پکیج مخصوص پایتون و جاوا اسکریپت و پشتیبانی در بیشترهای فریمورک های Ai Agent

📣 اگر در حال ساختن یک Agent هوشمند هستی یا از LangChain / LlamaIndex استفاده می‌کنی، Tavily یه ابزار بی‌نظیره که قدرت مدل‌هات رو چند برابر می‌کنه.

یه پلن رایگان داره که 1000 اعتبار تو ماه بهت میده ، بسته به سرچی که انجام میدین بین یک یا چندتا اعتبار از شما کم میشه
برای دیدن قابلیت های بیشتر و APIهای این شرکت به این آدرس برین

🎯 فرقی نداره تو کدوم شاخه‌ای از علوم کامپیوتر فعالی
📊 دانشمند یا مهندس داده‌ای؟ 🤖 تو حوزه‌ی هوش مصنوعی کار می‌کنی؟ 👨‍💻 مهندس نرم افزاری، فرانت‌اند یا بک‌اندی؟
🛠 فرقی نمی‌کنه؛ داکر یکی از اون ابزارهاییه که باید بلد باشی.

🧠 شاید با ظهور مدل‌های زبانی بزرگ (LLM) دیگه کمتر سراغ چیت‌شیت‌ها بریم،
ولی یه نگاه به چیت‌شیت داکر می‌تونه خیلی مفید باشه —
بفهمی چی بلدی، چی رو باید یاد بگیری(هر چند که این چیت شیت بخش کوچیکی از داکر هست.)

⏳ هر روزی یادگیری دیرتر داکر دردسرهای بیشتر.
🔥 پس از همین امروز شروع کن به یادگیریش

پس از گذشت دو سال از ظهور مدل‌های بزرگ زبانی، ترند فعلی این حوزه شاید Agentها باشند. همین‌طور که OpenAI هم استراتژی خودش برای سال 2025 رو بر توسعه و تمرکز بیشتر روی سیستم‌های مبتنی بر Agentها اعلام کرده. اما یه نکته مهم اینجا دونستن تفاوت بین Workflow و Agent هست. تو چند پست بعدی قراره به مفاهیم مربوط به Agentها، Workflowها و همچنین Design Patternهای معروف این حوزه بپردازم.

ولی قبلش بهتره تفاوت این دو تا رو بگیم

✨ در واقع Workflowها سیستم‌هایی هستن که توشون مدل‌های زبانی(LLM)ها و ابزارها از طریق مسیرهای از پیش تعریف‌شده کد‌نویسی و هماهنگ می‌شن.
✨ اما Agentها سیستم‌هایی هستن که توشون LLMها به صورت پویا فرآیندها و استفاده از ابزارها رو خودشون هدایت و مدیریت می‌کنن و روی نحوه انجام وظایفشون کنترل دارن.

این پست و پست‌های بعدی بر اساس مقاله‌ی "Building Effective Agents" از آنتروپیک نوشته شده.

بریم سراغ یه دیزاین ساده ولی کاربردی از workflowها

🔥 زنجیره‌سازی پرامپت‌ها (Prompt Chaining) چیه؟

فرض کن یه کار پیچیده داری که نمی‌شه تو یه مرحله حلش کرد. راه‌حل چیه؟ اون رو به چند مرحله کوچیک‌تر تقسیم کن! 😎

توی زنجیره‌سازی پرامپت‌ها، هر بار که LLM یا همون مدل زبانی یه خروجی می‌ده، اون خروجی می‌شه ورودی مرحله بعد. اینجوری مرحله به مرحله جلو می‌ری تا به جواب نهایی برسی.

مثلاً برای خلاصه‌سازی یه مقاله علمی، اول ساختارش رو استخراج می‌کنی، بعد هر بخش رو جداگانه خلاصه می‌کنی، و در نهایت یه جمع‌بندی نهایی از همه‌ی بخش‌ها می‌سازی.

✅ نکته باحال‌تر: می‌تونی وسط کار، بررسی (Gate) و شرط بذاری که مطمئن شی هر مرحله درست انجام شده. مثلاً بگی: «اگه خروجی مرحله قبل ناقص بود، دوباره اجرا کن!» یا «اگه نتیجه شد A اینکارو بکن اگه شد B یه کار دیگه»

📌 کی استفاده کنیم؟
وقتی کاری داری که می‌تونی قشنگ به چند زیرکار مشخص بشکونیش. این روش باعث می‌شه هم سرعت بهتر بشه، هم دقت نهایی بالاتر بره.

🔁 دومین Workflow که بررسی می‌کنیم: Parallelization (موازی‌سازی)

با موازی‌سازی،LLMها می‌تونن به طور همزمان روی یک وظیفه کار کنند و در نهایت خروجی‌هایشان به عنوان پاسخ نهایی تجمیع شود. 🚀

• 🧩 بخش‌بندی: شکستن یه کار بزرگ به زیروظایف مستقل که می‌تونن هم‌زمان اجرا بشن
• 🗳️ رأی‌گیری: چند بار یه وظیفه رو اجرا می‌کنی تا خروجی‌های مختلف بگیری، بعد بهترین رو انتخاب می‌کنی

🤔 چه زمانی از این روش استفاده کنیم؟
وقتی:

✅ شکستن یک وظیفه به زیروظایف مستقل که به صورت موازی اجرا می‌شوند.
✅ اجرای چندین بار یک وظیفه برای دستیابی به خروجی‌های متنوع.

📚 مقاله معروف Chain-of-Tree هم از همین ایده استفاده می‌کنه.

💼 یه مثال:
فرض کن یه فروشگاه آنلاین داری و می‌خوای با LLMها به کامنت‌های مشتری‌ها جواب بدی:

• 🤖 یه مدل تشخیص می‌ده لحن کامنت چیه (مثبت/منفی/خنثی)
• 🔍 یه مدل دیگه می‌فهمه مشکل دقیق مشتری چیه
• 💬 یه مدل دیگه هم جواب مناسب رو پیشنهاد می‌ده

در نهایت، این خروجی‌ها رو با هم ترکیب می‌کنی
همچنین می‌تونی چندتا خروجی تولید کنی و با رأی‌گیری یا نظر انسانی، بهترین رو بفرستی. 🎯

من تجربه کار با GPUهای مختلف از A100 و A6000 تا RTX4090 و و حتی مدل‌های پایین‌تر مث 3050 رو داشتم و انواع مدل‌ها از Deepseek v3 تا Gemma 1b رو هم با روش‌های مختلف سرو کردم
ولی هیچی برام هیجان انگیز‌تر از سرو مدل روی گوشی همراهم نبود.
دیشب گوگل خیلی چیزا رو معرفی کرد ولی بیشتر از همه مدل‌های Gemma 3n که مخصوص موبایل‌ و دیوایس‌های سبک بود، برام جذابیت داشت.
مولتی مدال ، فوق العاده خوب در فارسی(نسبت به سایز) و در تشخیص تصویر.
البته که که خیلیم سریع نیست.
یسری تست گرفتم که در ادامه باهم ببینیم.

و اگه دوست داشتین راجع استفاده از این مدل‌ها یه پست بذارم با ریکشن هاتون نشون بدین😁

اخیرا گوگل تحت عنوان پلن دانشجویان ویژگی‌های Gimini Pro رو برای 15 ماه رایگان کرده.
برای دریافت ابتدا با آی پی آمریکا (با استفاده از VPN) وارد لینک بشین و صبر کنین عملیات انجام بشه
در صورت فعال نشدن از این لینک وارد بشین و گزینه دریافت رو بزنین
ویژگی‌های نسخه پرو هم شامل موارد زیر هست:
دسترسی بیشتر به مدل پیشرفته ۲.۵ Pro، قابلیت Deep Research و تولید ویدیو با Veo 2
ابزار فیلم‌سازی هوش مصنوعی با Veo 2 برای ساخت صحنه‌ها و داستان‌های سینمایی
محدودیت‌های کمتر برای تبدیل تصویر به ویدیو با Veo 2
دستیار تحقیق و نویسندگی با ۵ برابر Audio Overview بیشتر، دفترچه‌ها و امکانات دیگر در NotebookLM
استفاده مستقیم از Gemini در Gmail، Docs، Vids و غیره
2 ترابایت فضای کلی برای Photos، Drive و Gmail

خب بریم سراغ راهنمای نصب Gemma 3n برای یدیوایس‌های اندروید:

فایل APK اپلیکیشن Edge Gallery رو از گیت‌هاب دانلود کنید:

https://github.com/google-ai-edge/gallery/releases/tag/1.0.3

برای دانلود مدل دو راه وجود داره یا از داخل نرم افزار مدل رو دانلود کنید یا
یکی از فایل‌های .task رو از سایت Hugging Face دانلود کنید:

https://huggingface.co/collections/google/gemma-3n-preview-682ca41097a31e5ac804d57b

فایل .task رو با زدن دکمه + در پایین سمت راست، داخل اپلیکیشن Edge Gallery وارد کنید.

همچنین می‌تونید مستقیما از داخل برنامه عکس بگیرید و با مدل گفتگو کنید.

🔁 ادامه‌ی بحث Workflowها: معرفی Routing
در این روش، یک ورودی ابتدا طبقه‌بندی میشه و بعدش به یک زنجیره یا مسیر مشخص که از قبل تعیین شده، هدایت می‌شه. این workflow به ما امکان رو می‌ده تا زمینه‌ها را از هم تفکیک کنیم و برای هر نوع ورودی، پرامپت‌های تخصصی‌تری طراحی کنیم. در نبود این ساختار، اگر بخوایم مدل و پرامپت را برای یک نوع خاص از ورودی‌ها بهینه کنیم، ممکنه که این بهینه‌سازی باعث افت کیفیت پاسخ‌ها برای سایر انواع ورودی بشه
📌 چه زمانی از Routing استفاده کنیم؟
در واقع Routing گزینه‌ی مناسبی برای وظایف پیچیده‌ای هست که در اون ورودی‌ها به دسته‌های مشخص و متمایزی تقسیم می‌شن. در این حالت، اگر بتوان ورودی را با دقت کافی طبقه‌بندی کرد—چه با استفاده از یک LLM یا یک مدل/الگوریتم سنتی‌تر—می‌توان برای هر دسته، به صورت جداگانه زنجیره‌ی مناسب را اجرا کرد و عملکرد مدل را بهینه نگه داشت.

به‌طور کلی، برای پیاده‌سازی Routing معمولاً از مدلی استفاده می‌شود که توانایی تولید خروجی ساختارمند (Structured Output) را داشته باشد.این ویژگی به ما این امکان را می‌دهد که فرمت خروجی مدل را طوری طراحی کنیم که خروجی‌اش را در قالب یک فایل JSON با ساختار دلخواه ارائه بده.به طور مثال شما از مدل میخواین بپرسین که این تسکی که کاربر به عنوان ورودی تعریف کرده سخته یا آسون و نیاز به توضیح ندارین صرفا میخواین یه json دریافت کنین که به شکل زیر باشه

{
"is_complex":true/false,
"explanation": "this task is complex/simple because of …"
}

این ویژگی تو بسیاری از مدل‌های بروز و تجاری از جمله مدل‌های شرکت OpenAi،Anthropic ،Google و xAi وجود داره و شما باید صرفا نوع Json خروجی رو برای مدل تعریف کنین، برای آشنایی بیشتر توصیه میکنم به این لینک سر بزنین.

🎯ژول (Jules) دستیار توسعه نرم افزار گوگل به صورت رایگان معرفی شد.
چند وقت پیش بود که OpenAi یک عامل کدنویسی به نام Codex برای کدنویسی به صورت اتوماتیک معرفی کرد که البته رایگان نبود حالا گوگل به ورژن رایگان و مشابه اون به نام Jules رو به صورت بتا معرفی کرده
این عامل یک دستیار کدنویسی Agentic و asynchronous و تحت وب هست که برپایه مدل قدرتمند Gemini 2.5 Pro، به‌صورت مستقیم به GitHub متصل می‌شه و کل پروژه رو در ماشین مجازی Google Cloud کلون می‌کنه تا کاملاً پروژه رو بفهمه و کارهای پیچیده‌تری مثل

🔧 رفع باگ(Bug Fixing)
✨ توسعه فیچر جدید(Feature Development)
🧼 بازآرایی کد(Code Refactoring)
🔁 مدیریت وابستگی(Dependency Management)
🧪 تولید تست(Test Generation)
رو به صورت موازی و مستقل انجام بده!

در نهایت هم از تغییرات ، pull request و changelog تولید می‌کنه و پس از تأیید نهایی توسط توسعه‌دهنده‌ اون رو در گیت هابش قرار میده
ماهیت ناهمزمان(asynchronous) اون به توسعه‌دهندگان این امکان رو می‌ده تا چند وظیفه به صورت همزمان به این Agent محول بشه.
برای آشنایی بیشتر با این ویژگی جدید می تونین این ویدیو رو نگاه کنین.