مقاله‌های رسمی

نقدر و بررسی Ox Alpha؛ مدلی که حالا معلوم شد GLM-5.3-Flash بوده

چند روزی Ox Alpha رو از طریق opencode امتحان کردم و اولین چیزی که حس کردم، سرعتشه؛ به شدت کندتر از بقیه مدل‌هایی که استفاده کردم جواب می‌ده. تست عددی خاصی نگرفتم، فقط بر اساس همون چیزی که موقع کار باهاش اتفاق می‌افتاد می‌گم، ولی حدسم اینه که این کندی به درجه‌ی reasoning بالایی که روش گذاشته شده و این‌که فقط یک مقدار کم پارامتر اکتیو داره برمی‌گرده. با همه‌ی این‌ها، از نظر من هنوز کلاد و چت‌جی‌پی‌تی چندین پله بالاتر از این مدل توی کد زدن هستن.

Ox Alpha اصلاً چیه؟

اگه تا حالا اسمش به گوشت نخورده، Ox Alpha یه مدل ناشناسه که بیستم آگوست روی OpenRouter، opencode، Cline و پورتال Nous Research به صورت رایگان ظاهر شد؛ بدون این‌که هیچ شرکتی اسمش رو پای اون گذاشته باشه. کانتکست ویندوش تا یک میلیون توکن می‌رسه، هم متن قبول می‌کنه هم تصویر و ویدیو، و ادعای zero data retention هم داره؛ هرچند این ادعا بین خود OpenRouter و opencode یکسان بیان نشده و بهتره روش زیاد حساب نکنی اگه داری روی کد یا دیتای حساس کار می‌کنی.

هویت مدل: بازی حدس‌زدن که بالاخره تموم شد

بازی حدس زدن راجع به این‌که پشت Ox Alpha کیه، بالاخره تموم شد. گوگل، شیائومی، دیپ‌سیک و MAI مایکروسافت همه یه‌جایی توی این حدس‌زدن‌ها مطرح شدن، ولی امروز خود Z.ai (همون Zhipu) رسماً تأیید کرد که Ox Alpha چیزی نیست جز GLM-5.3-Flash؛ اولین مدل native چندوجهی از خانواده‌ی GLM-5. تا قبل از تأیید رسمی، توسعه‌دهنده‌ها با مقایسه‌ی توکنایزر و انکودر ویدیو به همین نتیجه رسیده بودن، ولی حالا دیگه حدس نیست. طبق گفته‌ی خود Z.ai، این مدل ۳۲۰ میلیارد پارامتر کل داره ولی فقط ۱۸ میلیارد پارامترش روی هر توکن فعال می‌شه (یعنی معماری MoE)، تحت لایسنس MIT منتشر شده، و قراره حدود ۰.۱۵ دلار برای هر میلیون توکن ورودی قیمت بخوره؛ یعنی چیزی حدود یک‌دهم قیمت مدل‌های هم‌رده‌اش. همون شبی که خبر تأیید منتشر شد، وزن‌های مدل هم عمومی شدن.

بنچمارک‌های رسمی چی می‌گن؟

راجع به عملکرد هم عددها یک‌دست نیستن. یه تست ده‌تایی از بنچمارک DeepSWE نشون داد Ox Alpha با ۸۰ درصد، از Claude Fable 5 با ۶۵ درصد و از GPT-5.6 Sol با ۵۲ درصد جلوتره؛ ولی وقتی همین بنچمارک رو با ۱۱۳ تسک کامل اجرا کردن، عدد Ox Alpha به حدود ۶۳ درصد رسید که تقریباً هم‌سطح GPT-5.6 Sol شد، نه اون فاصله‌ی چشمگیر اول. توی Kingbench هم با ۸۷.۵ درصد، پشت سر GLM-5.3 با ۹۱.۲۵ درصد قرار گرفت ولی جلوتر از Opus 4.8 که ۸۰ درصد گرفته. یه بنچمارک خصوصی دیگه هم هست که نتیجه‌ی کاملاً متفاوتی داده و این مدل رو در حد مدل‌های دو نسل قبل، مثل Kimi 2.6، رده‌بندی کرده. یعنی بستگی داره چه نوع تسکی بهش بدی؛ ظاهراً روی کارهای فرانت‌اند و طراحی UI به‌طور خاص قوی‌تر عمل می‌کنه تا روی منطق خالص کد.

به هیچ عنوان نمی‌تونم به این بنچمارک‌ها اعتماد کنم، چون واقعاً چیزی که من دیدم با هایپی که توی اینترنت هست روی این مدل متفاوته. شاید من اشتباه استفاده می‌کنم ازش.

تجربه‌ی کاربرها

همین ناهماهنگی رو توی تجربه‌ی کاربرها هم می‌بینی. بعضی‌ها گفتن روی opencode مدام تایم‌اوت می‌گیره و عملاً غیرقابل استفاده می‌شه، ولی همون مدل روی Hermes Agent بدون مشکل کار کرده. بعضی هم از اجراهای چند ساعته برای یه مقایسه‌ی ساده گلایه کردن؛ که با همون کندی‌ای که خودم حس کردم هم‌خونی داره. از چندین نفر پرسیدم و مثل این‌که اون‌ها هم عملاً نمی‌تونستن استفاده کنن ازش. من استفاده کردم، ولی چیز Wow‌ای برای من به‌شخصه نبود.

ضعف‌های مدل (تجربه‌ی خودم)

یه نکته‌ی دیگه که موقع کار باهاش برام مهم بود: توی نوشتن محتوای فارسی اصلاً خوب عمل نمی‌کنه. اگه دنبال یه مدل برای تولید متن فارسی روون می‌گردی، فعلاً این گزینه‌ی خوبی نیست.

این مدل به شدت کند عمل می‌کنه، در حدی که قبل از این، کندترین مدلی که دیده بودم Nemotron از Nvidia بود که با اومدن این مدل جاشو گرفت برای من (نموترون رو از چند پروایدر تست کردم و همه‌شون همون‌قدر کند بودن).

من نمی‌دونم این جریانِ این‌که این مدل روی تسک‌های UI به‌شدت خوب عمل می‌کنه از کجا میاد؛ حقیقتاً فکر نمی‌کنم چیز خاصی باشه، چون شخصاً بررسیش کردم.

یه چیز جالب دیگه هم توی تست‌هام دیدم: وقتی به چت‌جی‌پی‌تی و کلاد یه دستور می‌دی که یک کاری رو انجام بده و بعد در حالی که روی یه پروژه‌ی دیگه‌ای دوباره بهش می‌گی همون کار قبلی رو روی این پروژه انجام بده، هر دو متوجه می‌شن که کانتکست فرق داره و مال یک پروژه‌ی دیگه‌ست و می‌پرسن منظورت همین پروژه‌ی فعلیه یا اون یکی قبلی که تأیید کنی؛ ولی Ox Alpha بدون هیچ سؤالی مستقیم می‌ره سراغ پروژه‌ی قبلی، تا وقتی که خودم absolute path رو بهش بدم. این‌جور جاهاست که فرق بین «قوی بودن توی بنچمارک» و «فهمیدن context واقعی کار تو» خودش رو نشون می‌ده.

به نظرم بنچمارک‌ها زیادم حقیقت رو، حداقل در استفاده‌ی واقعی از مدل‌ها، نمی‌گن.

دیگه استدلال به تنهایی ملاک نیست

یه چیزی هم که این روزها بیشتر و بیشتر حس می‌کنم اینه که دیگه صرفاً «قدرت استدلال» ملاک اصلی انتخاب نیست. فاصله‌ی بین مدل‌های بالای بازار داره کم می‌شه و کم‌کم همه‌شون توی این بخش خوب یا خیلی خوب هستن؛ چیزی که واقعاً فرق ایجاد می‌کنه بیشتر سرعت، قیمت، و همون درک درست از context کاره تا صرفاً یه عدد بالاتر توی بنچمارک استدلال.

نظر خودم راجع به استفاده از GLM-5.3-Flash

رک بگم: نه. در صورتی که مدل رایگان نباشه (با این سرعت) یا این‌که مثلاً پولی بشه ولی بسیار ارزون باشه (در حد همون Spark 1.2 یا حالا یکم بالاتر) یا شاید در سطح DeepSeek Flash، من به‌شخصه از این مدل، با این‌که واقعاً قدرت بالایی داره، استفاده نمی‌کنم؛ به چند دلیل:

استدلال رو می‌سپارم به مدلی که بهش اعتماد دارم، مثل Claude یا GPT، دلیلش هم اینه که برای من ثابت شده‌ن.
اون حجم از استدلالی که مدل‌های سریع‌تر یا حتی رایگان نمی‌تونن انجام بدن رو معمولاً خودم راجبش فکر می‌کنم و با چندین AI مشورت می‌کنم، نه این‌که فقط به یک مدل بسپارمش.

جمع‌بندی

حالا که هویتش مشخص شده و وزن‌هاش هم منتشر شدن، دیگه اون بهانه‌ی «نمی‌دونیم دیتامون کجا می‌ره» با همون شدت قبل معنا نداره، ولی همچنان بهتره قبل از استفاده‌ی جدی، مستندات رسمی Z.ai راجع به نگهداری دیتا رو خودت بخونی. تجربه‌ی خودت با این مدل چی بوده؟ همون چیزی که بنچمارک‌های رسمی می‌گن رو حس کردی یا مثل من فکر می‌کنی هنوز رقابت خاصی بین این و مدل‌های OpenAI و Anthropic، حداقل در رده‌های بالا، نیست؟

اوپن‌ای‌آی قیمت GPT-5.6 Sol رو بیش از ۲۰ درصد کاهش داد

اوپن‌ای‌آی بیست‌ویکم آگوست اعلام کرد که قیمت API مدل پرچمدارش، GPT-5.6 Sol، رو برای سه ماه آینده بیش از ۲۰ درصد کاهش می‌ده. این اولین باریه که از زمان عرضه‌ی Sol، قیمتش تغییر کرده؛ چیزی که فاصله‌ی محسوسی با کاهش قیمت مدل‌های پایین‌تر خانواده‌ی GPT-5.6 (Terra و Luna) که یه ماه پیش اتفاق افتاده بود، داره.

اعداد دقیق

قیمت ورودی کوتاه‌context از ۵ دلار به ۴ دلار به ازای هر میلیون توکن کاهش پیدا کرده (۲۰ درصد)، و قیمت خروجی از ۳۰ دلار به ۲۰ دلار به ازای هر میلیون توکن رسیده (تقریباً ۳۳ درصد). این نرخ‌های جدید تا حداقل ۲۱ نوامبر تضمین شدن. این کاهش قیمت هم رو API معمولی (pay-as-you-go) اعمال می‌شه، هم رو credit های ChatGPT Work و Codex؛ ولی قیمت اشتراک‌های مصرفی Pro، Plus، و Business بدون تغییر باقی می‌مونن.

سومین کاهش قیمت تو یه ماه

این اتفاق تنها نیست؛ سی‌ام جولای، اوپن‌ای‌آی قیمت دو مدل دیگه‌ی همین خانواده رو کاهش داده بود: GPT-5.6 Terra ۲۰ درصد ارزون شد (به ۲ دلار ورودی و ۱۲ دلار خروجی)، و GPT-5.6 Luna با ۸۰ درصد کاهش، به ۰.۲ دلار ورودی و ۱.۲ دلار خروجی رسید. اون موقع، Sol عمداً دست‌نخورده باقی مونده بود؛ استراتژی اوپن‌ای‌آی این بود که رده‌های پایین‌تر رو برای مصرف حجم‌بالا ارزون کنه و قیمت پرچمدار رو ثابت نگه داره. حالا با این حرکت جدید، هر سه‌تای این مدل‌ها ظرف کمتر از یه ماه، قیمتشون کاهش پیدا کرده.

مقایسه با آنتروپیک: حالا ارزون‌تر از Opus 5

نکته‌ای که بیشتر گزارش‌ها روش تمرکز کردن، مقایسه‌ی مستقیم با قیمت‌گذاری آنتروپیکه. قبل از این کاهش، Sol با ۵ دلار ورودی و ۳۰ دلار خروجی، از نظر قیمت خروجی از Claude Opus 5 (۵ دلار ورودی، ۲۵ دلار خروجی) گرون‌تر بود. بعد از این کاهش، Sol با ۴ دلار ورودی و ۲۰ دلار خروجی، حالا از هر دو نظر از Opus 5 ارزون‌تره. برای مقایسه، Claude Fable 5 (پرچمدار بالاتر آنتروپیک) با ۱۰ دلار ورودی و ۵۰ دلار خروجی قیمت‌گذاری شده که همچنان گرون‌تر از Sol باقی می‌مونه.

چرا این اتفاق الان افتاده

طبق گزارش چند رسانه، این کاهش قیمت مستقیماً واکنشی به فشار رقابتی از سمت آنتروپیک و لب‌های چینی مثل دیپ‌سیک و Moonshot AI (سازنده‌ی Kimi) توصیف شده؛ رقبایی که قیمت‌های API سازمانی رو به‌طور محسوس پایین‌تر از اوپن‌ای‌آی نگه داشتن. یه اتفاق دیگه که تو همین بازه‌ی زمانی رخ داد، ظهور یه مدل ناشناس به اسم بود؛ یه مدل رایگان که تو بنچمارک‌های کدنویسی از GPT-5.6 و Claude Fable 5 هم بهتر عمل کرده. طبق تحلیل چند منبع، وقتی یه مدل رایگان و بدون‌نام می‌تونه تو رتبه‌بندی کدنویسی از مدل‌های پولی سبقت بگیره، ارزش درک‌شده‌ی مدل‌های گرون‌تر افت می‌کنه، و سریع‌ترین اهرم برای دفاع از این ارزش، همون لیست قیمته.

Mojo کاملاً متن‌باز شد: کامپایلر و toolchain زیر لایسنس Apache 2.0

هجدهم آگوست، تو کنفرانس ModCon 2026 تو سان‌فرانسیسکو، شرکت Modular اعلام کرد که زبون برنامه‌نویسی Mojo حالا کاملاً متن‌بازه؛ نه فقط کتابخونه‌ی استاندارد (که قبلاً باز شده بود)، بلکه خود کامپایلر و کل toolchain هم زیر لایسنس Apache 2.0 (با LLVM exceptions) منتشر شدن. این اتفاق فقط یه هفته بعد از رسیدن Mojo به نسخه‌ی ۱.۰ (دوازدهم آگوست) و حدود سه هفته بعد از تکمیل خرید Modular توسط Qualcomm (با رقمی حدود ۳.۹ میلیارد دلار) رخ داد.

چرا این موضوع مهمه: بخشی که تا الان بسته بود

Mojo رو Chris Lattner (خالق LLVM، Clang، MLIR، و Swift) ساخته، و هدفش یه زبون عمومی‌یه که بتونه هم‌زمان GPU، شتاب‌دهنده‌های هوش مصنوعی، و سخت‌افزارهای متنوع دیگه رو با یه سینتکس شبیه پایتون هدف بگیره. طبق گزارش‌ها، Mojo از سال ۲۰۲۳ به‌صورت عمومی و با ورودی کامیونیتی توسعه پیدا کرده، ولی خود کامپایلر (بخشی که کد Mojo رو به کد ماشین مخصوص هر سخت‌افزار تبدیل می‌کنه) تا همین چند روز پیش بسته بود.

مسیر باز شدن Mojo مرحله‌به‌مرحله بوده: بخش‌های اصلی کتابخونه‌ی استاندارد سال ۲۰۲۴ زیر Apache 2.0 منتشر شدن، ژانویه‌ی امسال کل کتابخونه‌ی استاندارد باز شد، و حالا با این اعلامیه، کامپایلر، ابزارها، و هرچی که برای ساختن کامل زبون از صفر لازمه هم به این جمع اضافه شده. طبق گفته‌ی خود Modular، این یعنی از الان می‌تونی هم کامپایلر رو تغییر بدی، هم کد کتابخونه رو، و کل test suite رو مستقیم اجرا کنی.

چرا این لایسنس خاص انتخاب شده

Modular صراحتاً Apache 2.0 با LLVM exceptions رو «استاندارد طلایی» برای زبون‌ها و کامپایلرها توصیف کرده؛ همون لایسنسی که LLVM، Clang، و Swift هم زیرش منتشر شدن. نکته‌ی مهم LLVM exception اینه که برنامه‌هایی که با Mojo نوشته و کامپایل می‌شن، مجبور نیستن زیر Apache یا هر لایسنس متن‌باز دیگه‌ای منتشر بشن؛ یعنی می‌تونی از Mojo برای ساختن نرم‌افزار کاملاً proprietary هم استفاده کنی.

یه نکته‌ی فنی مهم اینه که فعلاً مشارکت مستقیم (pull request) رو خود کامپایلر پذیرفته نمی‌شه؛ Modular گفته قصد داره تا پایان سال ۲۰۲۶ این مسیر رو هم باز کنه. یعنی الان می‌تونی کد رو بخونی، fork کنی، و از سورس بسازیش، ولی نمی‌تونی مستقیم تغییری رو خود کامپایلر merge کنی.

چی به Laravel 13.26 اضافه شده؟

هجدهم آگوست، Laravel 13.26 منتشر شد. تمرکز اصلی این نسخه رو دیسک‌های read-through برای مهاجرت تنبل بین storage ها، debounce کردن listener های صف، و یه راه ساده برای reroute کردن کل یه صف بدون دست زدن به کد job ها گذاشته.

دیسک‌های Read-Through: مهاجرت تنبل بین storage ها

یه درایور جدید به اسم read-through دو تا دیسک موجود رو با هم ترکیب می‌کنه. خوندن ابتدا از دیسک اصلی چک می‌شه و اگه پیدا نشد، به دیسک fallback برمی‌گرده؛ در همون لحظه، فایل رو هم رو دیسک اصلی کپی می‌کنه (promote). یعنی دیسک اصلی به‌مرور و فقط با فایل‌هایی که واقعاً درخواست شدن پر می‌شه:

'assets' => [
    'driver' => 'primary',
    'primary' => 'r2',
    'fallback' => 'legacy-s3',
],

نوشتن، حذف، و لیست کردن پوشه‌ها فقط رو دیسک اصلی انجام می‌شن. یه گزینه‌ی copy => false هم هست که فایل رو از fallback سرو می‌کنه بدون این‌که چیزی رو promote کنه؛ مناسب محیط‌های development که به فایل‌های production اشاره می‌کنن. اگه promotion به هر دلیلی fail بشه، به‌صورت پیش‌فرض این خطا بلعیده می‌شه تا یه خوندن ساده خراب نشه؛ برای دیدن این خطاها، گزینه‌ی throw_on_promotion_failure => true رو فعال کن.

این قابلیت دقیقاً برای سناریوهایی طراحی شده که می‌خوای از یه storage قدیمی به یه storage جدید (مثلاً از S3 به Cloudflare R2) کوچ کنی، بدون این‌که مجبور بشی همه‌ی فایل‌ها رو یک‌جا منتقل کنی.

Debounce کردن Listener های صف

Attribute ای به اسم #[DebounceFor] که تو Laravel 13.6 برای job های صف معرفی شده بود، حالا رو listener های event صف هم کار می‌کنه. وقتی یه event پشت‌سرهم چند بار fire بشه، فقط آخرین dispatch تو همون بازه‌ی زمانی، واقعاً listener رو اجرا می‌کنه:

use Illuminate\Contracts\Queue\ShouldQueue;
use Illuminate\Queue\Attributes\DebounceFor;

#[DebounceFor(30, maxWait: 120)]
class UpdateProductSearchIndex implements ShouldQueue
{
    public function debounceId(ProductUpdated $event): string
    {
        return (string) $event->product->getKey();
    }

    public function handle(ProductUpdated $event): void
    {
        // فقط یه بار، با آخرین وضعیت، ایندکس رو آپدیت می‌کنه
    }
}

ورژن جدید راست - Rust 1.98.0 منتشر شد: متدهای جبری برای اعشاری‌ها و جایگزین رسمی برای crate معروف itoa

تیم Rust، بیستم آگوست، نسخه‌ی 1.98.0 رو منتشر کرد. ویژگی اصلی این نسخه، متدهای جدید «جبری» (algebraic) برای انواع اعشاری‌ه که امکان بهینه‌سازی‌های تهاجمی‌تر روی محاسبات ریاضی رو فراهم می‌کنه؛ در کنار چند تا API پایدارشده‌ی دیگه که مستقیم رو کد روزمره تأثیر می‌ذارن.

متدهای جبری: چیزی شبیه `-ffast-math`

انواع f32 و f64 حالا متدهای جدیدی برای جمع، تفریق، ضرب، تقسیم، و باقی‌مونده دارن که با پیشوند «algebraic» شناخته می‌شن (مثل algebraic_add). این متدها به کامپایلر اجازه می‌دن از خاصیت‌های جبری اعداد حقیقی برای بهینه‌سازی استفاده کنه، حتی اگه این خاصیت‌ها به‌خاطر محدودیت‌های نمایش اعشاری (floating-point) دقیقاً برقرار نباشن.

نکته‌ی مهم اینه که مجموعه‌ی دقیق این بهینه‌سازی‌ها مشخص نشده، ولی می‌تونه شبیه چیزی باشه که با فلگ -ffast-math تو زبون‌ها و کامپایلرهای دیگه می‌بینی. مثلاً جمع اعشاری معمولی associative نیست؛ یعنی a + b + c + d باید دقیقاً به همون ترتیب چپ‌به‌راستی که parse شده محاسبه بشه: ((a + b) + c) + d. متدهای algebraic این محدودیت رو کنار می‌ذارن و به کامپایلر اجازه می‌دن ترتیب محاسبه رو برای سرعت بیشتر عوض کنه.

طبق بحث‌های جامعه (از جمله رو Lobsters)، این بهینه‌سازی محدود به عبارت‌های ریاضی طولانی نمی‌شه؛ حلقه‌هایی که یه مقدار رو به‌صورت تجمعی جمع می‌زنن (مثل total += item تو یه loop) هم می‌تونن از این متدها سود ببرن، چون کامپایلر می‌تونه loop رو vectorize کنه؛ چیزی که با عملگرهای معمولی += (به‌خاطر قوانین سخت‌گیرانه‌ی IEEE 754) امکان‌پذیر نبود.

جایگزین رسمی برای crate معروف itoa

Rust 1.98 بالاخره سریال‌سازی عدد صحیح رو استاندارد کرده؛ با یه متد format_into و یه نوع جدید به اسم NumBuffer. طبق بنچمارک‌های منتشرشده، عملکرد این پیاده‌سازی جدید هم‌سطح crate قدیمی و پرکاربرد itoa است؛ یعنی خیلی از پروژه‌هایی که تا الان برای تبدیل سریع عدد به رشته به این crate خارجی وابسته بودن، حالا می‌تونن مستقیم از کتابخونه‌ی استاندارد استفاده کنن.

ورژن 1.27 زبان Go منتشر شد: متدهای generic، JSON v2، و رمزنگاری پسا-کوانتومی

تیم Go، شش ماه بعد از Go 1.26، نسخه‌ی جدید زبان یعنی Go 1.27 رو منتشر کرد. طبق قول همیشگی سازگاری Go 1، تقریباً همه‌ی برنامه‌های موجود بدون تغییر کامپایل و اجرا می‌شن. این نسخه تغییرات قابل‌توجهی تو زبان، toolchain، runtime، و کتابخونه‌ی استاندارد داره.

بزرگ‌ترین تغییر زبانی: متدهای Generic

قبل از Go 1.27، اگه می‌خواستی یه متد generic روی یه نوع خاص داشته باشی، مجبور بودی برای هر نوع جدا یه متد بنویسی. مثلاً math/rand/v2.Rand قبلاً باید متدهای جدا برای Int32N، Int64N، IntN و بقیه‌ی انواع صحیح می‌داشت. حالا با Go 1.27، خود متدها می‌تونن type parameter مستقل داشته باشن:

// حالا فقط یه متد generic برای همه‌ی انواع صحیح کافیه
func (r *Rand) N[Int intType](n Int) Int

این یعنی قابلیت‌های generic می‌تونن مستقیم تو namespace یه نوع خاص زندگی کنن، بدون نیاز به تعریف یه تابع generic جدا تو سطح package.

دو تا تغییر زبانی دیگه هم اومده: تو composite literal های struct، حالا کلید می‌تونه هر field selector معتبری باشه (یعنی می‌شه مستقیم به فیلدهای تودرتو یا embedded دسترسی داشت)، و function type inference هم گسترش پیدا کرده تا هر جایی که یه تابع generic به یه نوع تابع تطبیق‌شده assign یا تبدیل می‌شه، کار کنه.

encoding/json/v2: نسل جدید JSON

یکی از بزرگ‌ترین تغییرات کتابخونه‌ی استاندارد، اومدن encoding/json/v2 و encoding/json/jsontext به‌عنوان پکیج‌های جدیده. نکته‌ی مهم اینه که خود پکیج قدیمی encoding/json هم از این به بعد زیر پوستش از پیاده‌سازی v2 استفاده می‌کنه؛ یعنی اکثر تیم‌ها لازم نیست import path شون رو عوض کنن، ولی رفتار زیرینش تغییر کرده.

v2 چند تا پیش‌فرض سخت‌گیرانه‌تر داره: UTF-8 نامعتبر تو رشته‌ها حالا رد می‌شه، و کلیدهای تکراری تو یه JSON object هم رد می‌شن. این نکته مهمه اگه کدبیست تا الان (عمدی یا غیرعمدی) این‌جور داده‌های ناقص رو تحمل می‌کرده؛ حتی اگه مستقیم سراغ API جدید نری، متن پیام خطاها ممکنه عوض شده باشه، چون v1 حالا از داخل v2 قدرت می‌گیره.

کرسر اوریجین(Cursor Origin) وارد بتا شد: رقیب مستقیم گیت‌هاب برای عصر Agent ها

کرسر (Cursor)، هفدهم آگوست، محصول جدیدش Origin رو به‌صورت early beta برای همه‌ی کاربران پولی منتشر کرد؛ یه پلتفرم کامل کدهاستینگ که ریپازیتوری، pull request، بررسی کد، و sync با گیت‌هاب رو مستقیم داخل خود Cursor میاره. این اولین انتشار بزرگ محصول کرسر بعد از تکمیل خرید ۶۰ میلیارد دلاری این شرکت توسط SpaceX است؛ کرسر الان زیر بخش SpaceXAI فعالیت می‌کنه.

چی هست دقیقاً

طبق changelog رسمی کرسر، Origin با «ضروریات» شروع کرده: ریپازیتوری، pull request، مرور کد، و sync با گیت‌هاب. هر ریپازیتوری تو Origin یه URL به شکل cursor.com/codebase/{owner}/{repo} داره. نکته‌ی مهم اینه که گیت‌هاب مجبور نیست کنار گذاشته بشه؛ ریپازیتوری‌های گیت‌هاب می‌تونن مستقیم به Origin sync بشن، در حالی که گیت‌هاب همچنان «منبع حقیقت» (source of truth) باقی می‌مونه. کامنت‌ها و reaction های PR هم بین دو پلتفرم ظرف چند ثانیه دوطرفه سینک می‌شن.

سه تا integration هم همون روز اول در دسترس بودن: Vercel (برای preview deployment خودکار روی هر PR)، Depot، و Buildkite (هر دو برای اجرای workflow های موجود GitHub Actions بدون تغییر).

چرا این محصول ساخته شده

استدلال کرسر پشت Origin اینه: «کد داره سریع‌تر از هر زیرساختی که براش ساخته شده حرکت می‌کنه.» این جمله مستقیم به این واقعیت اشاره داره که تو دنیای امروز، بخش زیادی از PR ها و commit ها دیگه توسط انسان باز نمی‌شن، بلکه توسط agent ها تولید می‌شن؛ و کرسر معتقده زیرساخت‌های موجود (مثل گیت‌هاب) برای این حجم و سرعت طراحی نشدن. هدف Origin اینه که ریپازیتوری، agent های کدنویسی، و فرآیند review رو تو یه محیط واحد نگه داره، به‌جای این‌که کاربر بین چند تا ابزار جدا سوییچ کنه.

زمان‌بندی عجیب: هم‌زمان با قطعی گیت‌هاب

یه نکته‌ی جالب (و به‌شدت بحث‌برانگیز تو کامیونیتی) اینه که دقیقاً هم‌زمان با انتشار Origin، گیت‌هاب دچار یه قطعی جهانی به مدت حدود ۶ تا ۸ ساعت شد (بسته به منبع، بین ۶ ساعت و ۴۲ دقیقه تا ۷ ساعت و ۴۷ دقیقه گزارش شده)؛ هفتمین incident گیت‌هاب تو پونزده روز اخیر. طبق گزارش‌ها، این هم‌زمانی صرفاً یه تصادف بوده، نه یه برنامه‌ریزی عمدی، ولی جامعه‌ی توسعه‌دهنده‌ها سریع ازش به‌عنوان یه meme استفاده کردن.

وسپ - Wasp: فریمورک full-stack ای که با یه فایل تنظیمات، بک‌اند رو براتون می‌سازه

اگه هر بار که یه پروژه‌ی full-stack جدید شروع می‌کنی، خودت رو تو یه چرخه‌ی تکراری می‌بینی (نصب و تنظیم auth، وصل کردن Prisma، نوشتن API routes برای هر عملیات ساده‌ی CRUD، تنظیم ارسال ایمیل، پیکربندی deploy)، Wasp دقیقاً برای حذف همین تکرار طراحی شده. این فریمورک، به‌جای این‌که یه کتابخونه‌ی دیگه به استکت اضافه کنه، یه لایه‌ی تنظیمات سطح‌بالا رو می‌ذاره که کل اپلیکیشن (فرانت‌اند، بک‌اند، دیتابیس، حتی deploy) رو از یه نقطه توصیف می‌کنه.

ایده‌ی اصلی: Web Application Specification

اسم کامل Wasp مخفف Web Application Specification است، و همین اسم فلسفه‌ی طراحیش رو نشون می‌ده. به‌جای این‌که مستقیم کد بک‌اند بنویسی، یه فایل تنظیمات (main.wasp) داری که با یه زبون اختصاصی (DSL) توصیف می‌کنه اپت چه چیزهایی داره: چه route هایی، چه صفحاتی، چه نوع auth ای، چه entity هایی تو دیتابیس. کامپایلر خود Wasp این توصیف رو می‌گیره و کد واقعی React، Node.js، و Prisma رو ازش تولید می‌کنه.

app MyApp {
  wasp: { version: "^0.16.0" },
  title: "My App",
  auth: {
    userEntity: User,
    methods: { email: {} },
    onAuthFailedRedirectTo: "/login"
  }
}

route DashboardRoute { path: "/dashboard", to: DashboardPage }
page DashboardPage {
  authRequired: true,
  component: import { DashboardPage } from "@src/DashboardPage"
}

query getTasks {
  fn: import { getTasks } from "@src/queries.js",
  entities: [Task]
}

entity Task {=psl
  id          Int     @id @default(autoincrement())
  description String
  isDone      Boolean @default(false)
  user        User    @relation(fields: [userId], references: [id])
  userId      Int
psl=}

با همین چند خط، Wasp خودش auth کامل (با redirect خودکار برای صفحات محافظت‌شده)، مدل دیتابیس، و زیرساخت لازم برای query رو می‌سازه؛ چیزی که دستی نوشتنش معمولاً چند صد خط کد می‌طلبه.

RPC به‌جای REST API دستی

داگوود - Dogwood: زبان متن‌باز AWS برای کنترل agent هایی که «حافظه» دارن ولی checkpoint هاشون ندارن

یه سناریوی هشداردهنده رو تصور کن: یه agent رو مسئول پردازش خودکار پرداخت به vendor ها کردی. یه روز یه فاکتور می‌رسه، agent هم تراکنش رو خودکار انجام می‌ده. همه‌چیز عالی پیش می‌ره تا صبحی که می‌بینی حساب بانکیت overdraft شده؛ وقتی دقیق‌تر نگاه می‌کنی، می‌بینی به vendor هایی پرداخت شده که اصلاً فاکتوری ثبت نکرده بودن، یا بعضی وقت‌ها اصلاً چیزی تحویل نداده بودن. AWS ششم آگوست، Dogwood رو دقیقاً برای جلوگیری از همین نوع خطا منتشر کرد؛ یه زبان متن‌باز برای نوشتن قوانین authorization که می‌تونن به تاریخچه‌ی کارهای قبلی agent هم توجه کنن.

مشکلی که Dogwood حلش می‌کنه

مشکل اصلی، به قول Marc Brooker (نایب‌رئیس و مهندس برجسته‌ی AWS)، یه ناهماهنگی بنیادیه: agent ها همه‌ی کارهایی که تا الان انجام دادن رو به یاد می‌سپارن، ولی checkpoint ای که هر اقدام جدید رو تأیید می‌کنه، هیچی از قبل به یاد نداره. هر تصمیم authorization فقط بر اساس همون یه درخواست لحظه‌ای گرفته می‌شه، بدون در نظر گرفتن این‌که قبلش چه اتفاقی افتاده.

قوانینی مثل «قبل از پرداخت، حتماً باید فاکتور ثبت شده باشه»، «سقف مصرف روزانه‌ی agent فلان مبلغه»، یا «قبل از این مرحله‌ی مهم، حتماً باید یه انسان تأیید کنه»، رو کاغذ ساده به نظر می‌رسن، ولی طبق گفته‌ی Brooker، تو زبان‌های authorization موجود، تمیز و دقیق قابل‌بیان نیستن؛ چون این زبان‌ها اصولاً stateless طراحی شدن.

رابطه‌ش با Cedar

AWS از قبل یه زبان authorization به اسم Cedar داره که سال ۲۰۲۳ متن‌بازش کرد؛ زبانی که طبق توصیف خود Brooker «قابل‌تحلیل» طراحی شده، یعنی می‌شه قبل از اجرا، دقیقاً اثبات کرد که یه مجموعه قانون چه چیزی رو مجاز می‌کنه و چه چیزی رو نه. Cedar تصمیمات point-in-time رو خیلی خوب مدیریت می‌کنه؛ هر درخواست بر اساس شایستگی‌های خودش، سریع و با قابلیت اثبات، بررسی می‌شه.

Dogwood این زبان رو گسترش می‌ده، نه جایگزینش می‌کنه؛ کاملاً backward-compatible با Cedار است و نیازی به migration نداره. چیزی که Dogwood اضافه می‌کنه، شرط‌های زمانی (temporal) است: الگوهایی مثل ترتیب workflow، دروازه‌ی تأیید انسانی، تطبیق آرگومان‌ها، چک کردن تازگی داده، و محدودیت جمعی رو چند تا درخواست هم‌زمان.

کِلا پاترول - Claw Patrol: فایروال متن‌باز Deno برای کنترل agent های هوش مصنوعی

دینو‌ (Deno) (همون شرکتی که Ryan Dahl، خالق Node.js، رهبریش می‌کنه) یه ابزار جدید متن‌باز منتشر کرده به اسم Claw Patrol؛ یه فایروال امنیتی که بین agent های هوش مصنوعی و زیرساخت واقعی (دیتابیس، Kubernetes، سرورها) می‌شینه و دقیقاً کنترل می‌کنه که هر agent چه کاری مجازه انجام بده.

داستان از کجا شروع شد

Deno برای سرویس هاستینگش (Deno Deploy)، از agent های مبتنی بر مدل‌هایی مثل Claude Opus برای رسیدگی خودکار به incident های production استفاده می‌کنه؛ agent هایی که به PostgreSQL، Kubernetes، ClickHouse، AWS، گیت‌هاب، و Slack دسترسی write دارن. این agent ها تونستن بخش قابل‌توجهی از incident هایی که قبلاً نیاز به دخالت انسان داشتن رو خودکار حل کنن. ولی همین سطح از دسترسی، یه ریسک فاجعه‌بار هم به همراه داره: اگه یه agent قربانی prompt injection بشه یا رفتار غیرمنتظره‌ای نشون بده، همون دسترسی می‌تونه به فاجعه تبدیل بشه.

طبق صحبت‌های Ryan Dahl تو کنفرانس AI Engineer، فلسفه‌ی پشت Claw Patrol اینه: agent رو باید مثل یه نرم‌افزار کاملاً نامعتمد در نظر گرفت، مهم نیست مدل زیرینش چقدر «همسو» به نظر برسه. راه‌حل‌های موجود (ACL، ابزارهای MCP، LLM gateway، HTTP proxy، credential vault، sandbox کردن پروسه) هر کدوم یه‌جای کار می‌لنگن، مخصوصاً وقتی پای پروتکل‌های غیر-HTTP مثل PostgreSQL یا spawn کردن subprocess وسط بیاد.

چطور کار می‌کنه

Claw Patrol یه gateway است که ترافیک agent رو از طریق تونل WireGuard یا Tailscale می‌گیره، TLS رو terminate می‌کنه، و بعد پروتکل داخلی رو parse می‌کنه؛ نه فقط HTTP، بلکه SQL، Kubernetes API، و SSH هم پشتیبانی می‌شن. برای هر پروتکل، gateway یه سری «fact» سطح-wire استخراج می‌کنه: برای Postgres/ClickHouse، فعل SQL و اسم جدول؛ برای Kubernetes، resource/verb/namespace؛ برای HTTP، method/path/header/body.

این fact ها بعد در برابر قوانینی که با HCL (همون زبون تنظیمات HashiCorp) نوشتی، سنجیده می‌شن:

rule "k8s-no-secrets" {
  endpoint  = k8s-prod
  condition = "k8s.resource == 'secrets'"
  verdict   = "deny"
  reason    = "Secret values must not leave the cluster via the agent"
}

گراک بات (Grok Bot) معرفی شد: تیمی از agent های همیشه‌فعال از SpaceXAI

یازدهم آگوست، SpaceXAI (همون شرکتی که قبلاً با اسم xAI می‌شناختیمش) محصول جدیدش رو معرفی کرد: Grok Bot؛ یه سیستم از agent های هوش مصنوعی همیشه‌فعال که می‌تونن مستقیم وارد اپ‌ها و سایت‌های مختلف بشن و کارها رو به‌صورت end-to-end انجام بدن، بدون این‌که نیاز به نظارت مداوم کاربر داشته باشن. این محصول اولین نتیجه‌ی همکاری عمیق SpaceXAI با Cursor است، بعد از این‌که SpaceX خرید Cursor رو نهایی کرد.

چیه دقیقاً

طبق اعلامیه‌ی رسمی خود شرکت، Grok Bot «هم‌تیمی‌های هوش مصنوعی‌ای هستن که می‌شه کار واقعی بهشون سپرد». تفاوت اصلیش با یه چت‌بات معمولی، رفتارش بعد از پایان یه مکالمه‌ست: چت‌بات‌های معمولی معمولاً بعد از یه پاسخ یا یه درخواست متوقف می‌شن، ولی Grok Bot می‌تونه پشت صحنه به کارش ادامه بده و وقتی کارش تموم شد، برگرده و نتیجه رو تحویل بده.

هر Bot یه کامپیوتر مجازی اختصاصی تو کلاود داره؛ یعنی حتی وقتی کاربر آفلاینه، کار متوقف نمی‌شه. این agent ها می‌تونن به همون شکلی که یه انسان وارد می‌شه (login کردن دستی، نه فقط از طریق API) به ابزارها و سایت‌های مختلف وارد بشن؛ حتی سایت‌هایی که هیچ API یا اتصال رسمی هوش مصنوعی (مثل MCP) ندارن. همین ویژگی می‌تونه برای اتوماسیون کارها رو سیستم‌های قدیمی و ابزارهای معمول شرکتی مفید باشه.

قابلیت‌های کلیدی

یادگیری از نمونه: Grok Bot می‌تونه یه فرآیند کاری رو از روی یه نمایش (demonstration) یاد بگیره و بعداً همون فرآیند رو تکرار کنه.

حافظه و شخصی‌سازی: هر Bot مکالمات قبلی رو به خاطر می‌سپاره، ترجیحات کاربر رو یاد می‌گیره، و هرچی بیشتر باهاش کار کنی، دقیق‌تر عمل می‌کنه.

هماهنگی بین چند Bot: چند تا Bot می‌تونن context و اطلاعات رو با هم به اشتراک بذارن. یکی از تسترهای early-access (Matt Shumer) قبل از انتشار، یه سناریو رو امتحان کرده بود: یه Bot محقق و یه Bot نویسنده ساخته، بعد یه Bot «رئیس دفتر» (Chief of Staff) درست کرده و بهش دستور داده که اون دو تا رو رو یه پروژه هماهنگ کنه؛ طبق گفته‌ی خودش، این هماهنگی بهتر از انتظارش کار کرده.

انتخاب خودکار مدل: برخلاف خیلی از ابزارهای agent که کاربر یا توسعه‌دهنده باید مدل زیرینش رو انتخاب کنه، Grok Bot این تصمیم رو خودش پشت صحنه می‌گیره؛ کاربر اصلاً مدل خاصی رو انتخاب نمی‌کنه.

فریمورک Meteor: فریمورکی که قول داد فرانت‌اند و بک‌اند رو یکی کنه

قبل از این‌که Next.js و Nuxt و بقیه‌ی meta-framework های امروزی به‌وجود بیان، یه پروژه به اسم Meteor (سال ۲۰۱۲) یه ایده‌ی جسورانه رو دنبال می‌کرد: چرا باید فرانت‌اند و بک‌اند رو با دو تا زبون و دو تا مدل ذهنی جدا بنویسیم، وقتی جاوااسکریپت می‌تونه هر دو طرف رو پوشش بده؟ Meteor یکی از اولین فریمورک‌های full-stack جاوااسکریپتی بود که این ایده رو جدی گرفت و هنوز هم، با این‌که دیگه اسم پرطرفداری نیست، تو بعضی حوزه‌ها (خصوصاً اپلیکیشن‌های real-time) استفاده می‌شه.

ایده‌ی اصلی: یه codebase، دو تا محیط اجرا

تو Meteor، همون فایل جاوااسکریپت می‌تونه هم رو سرور اجرا بشه، هم رو کلاینت؛ فریمورک با یه سیستم build خودش تشخیص می‌ده کدوم بخش کجا باید اجرا بشه. برای این کار از پوشه‌های خاص استفاده می‌کنه:

imports/
  ui/          # کامپوننت‌های React یا Blaze (فقط کلاینت)
  api/         # منطق مشترک و تعریف Collection ها
server/
  main.js      # فقط رو سرور اجرا می‌شه
client/
  main.js      # فقط رو کلاینت اجرا می‌شه

کدی که تو پوشه‌ی server باشه، هیچ‌وقت به مرورگر فرستاده نمی‌شه (نه حتی خودش، نه secret هایی که توش استفاده شده)، و کدی که تو client باشه فقط رو مرورگر اجرا می‌شه. کدی که بیرون از این پوشه‌ها (مثلاً تو imports) باشه، رو هر دو طرف اجرا می‌شه؛ همین قابلیت اشتراک کد بین سرور و کلاینتِ که یکی از اصلی‌ترین وعده‌های Meteor بود.

DDP و reactivity در سطح شبکه

نکته‌ای که Meteor رو واقعاً متفاوت می‌کنه، پروتکل اختصاصیش به اسم DDP (Distributed Data Protocol) است. به‌جای مدل معمول request-response که تو اکثر اپ‌های وب می‌بینی، Meteor یه اتصال WebSocket دائمی بین کلاینت و سرور برقرار می‌کنه و داده رو به‌صورت reactive سینک می‌کنه:

// تعریف یه Collection (شبیه یه جدول/کالکشن دیتابیس)
import { Mongo } from 'meteor/mongo';
export const Tasks = new Mongo.Collection('tasks');

// سمت کلاینت: subscribe به یه دسته از داده
Meteor.subscribe('tasks.all');

// تو یه کامپوننت React، این query خودش reactive است
const tasks = useTracker(() => Tasks.find({}).fetch());

پکیج @cloudflare/ci: موتور CI/CD کلادفلر که برای دوران agent ها ساخته شده

کلادفلر چهارم آگوست، به‌عنوان بخشی از یه اعلامیه‌ی بزرگ‌تر به اسم «Agent Development Lifecycle» (ADLC)، یه ابزار CI/CD جدید و بومی خودشون رو معرفی کرد: @cloudflare/ci. این ابزار رو Cloudflare Workflows و Sandbox می‌سازن، و هدفش اجرای pipeline های CI/CD در مقیاس میلیون‌ها ریپازیتوریه؛ با یه ویژگی خاص که کمتر ابزار CI/CD دیگه‌ای داره: توانایی self-heal کردن و spawn کردن agent برای کارهای پیچیده‌تر.

چرا کلادفلر این ابزار رو ساخته

استدلال کلادفلر پشت این انتشار جالبه. طبق پست رسمی وبلاگشون، مدل قدیمی «چرخه‌ی توسعه‌ی نرم‌افزار» (SDLC) که از دهه‌ی ۱۹۷۰ باهاش کار می‌کنیم، فرض می‌کنه سرعت پیاده‌سازی (implement) کندترین و گرون‌ترین مرحله‌ست. ولی هوش مصنوعی دقیقاً همین مرحله رو ارزون و سریع کرده، و همین باعث شده بقیه‌ی مراحل (تست، دیپلوی، نگهداری) زیر فشار قرار بگیرن؛ چیزی که کلادفلر ازش با عنوان «slop» (سیل کد بی‌کیفیت) یاد می‌کنه.

راه‌حل پیشنهادی کلادفلر اینه که به‌جای این‌که فقط agent ها رو برای نوشتن کد به کار بگیریم و بقیه‌ی مراحل رو همچنان دستی نگه داریم، باید کل چرخه رو برای اجرا توسط agent بازطراحی کنیم؛ چیزی که بهش می‌گن ADLC (Agent Development Lifecycle). @cloudflare/ci اولین قطعه‌ی این پازله.

چطور کار می‌کنه

@cloudflare/ci رو Cloudflare Workers ساخته شده و pipeline های CI/CD رو به‌صورت یه Workflow تعریف می‌کنه، نه یه فایل YAML خطی. این یعنی pipeline می‌تونه به‌صورت پویا (dynamic) تعریف بشه، مراحل رو موازی اجرا کنه، و حتی خودش agent یا Workflow دیگه‌ای رو spawn کنه:

import { CIWorkflow } from '@cloudflare/ci'

const deps = await ci.runner({
  name: 'install',
  command: 'bun install --frozen-lockfile',
  cache: { inputs: ['package.json', 'bun.lock'] },
});

await Promise.all([
  deps.runner({ name: 'lint', command: 'bun run lint' }),
  deps.runner({ name: 'test', command: 'bun run test' }),
  deps.runner({ name: 'typecheck', command: 'bun run typecheck' }),
  deps.runner({ name: 'build', command: 'bun run build' }),
]);

await deps.runner({
  name: 'deploy',
  command: 'bun wrangler deploy',
  cloudflareCredentials: {
    accountId: this.env.CLOUDFLARE_DEPLOY_ACCOUNT_ID,
  },
});

NET. 11 Preview 7 منتشر شد: چی جدیده

مایکروسافت یازدهم آگوست، هفتمین preview از .NET 11 رو منتشر کرد؛ آخرین ایستگاه‌های preview قبل از نسخه‌ی نهایی که قراره نوامبر ۲۰۲۶ به‌عنوان یه نسخه‌ی Standard Term Support (STS) عرضه بشه. این preview تغییرات قابل‌توجهی تو کتابخونه‌ها، runtime، SDK، سی‌شارپ، ASP.NET Core، MAUI، Entity Framework Core، اف‌شارپ، و Windows Forms داره.

کتابخونه‌ها

چند تا اضافه‌ی جالب تو این بخش هست: پشتیبانی از نوع‌های اعشاری IEEE 754 و یه نوع generic برای اعداد مختلط (Complex<T>)، که برای کارهای علمی و محاسباتی مفیده. علاوه بر این، فشرده‌سازی HTTP request (نه فقط response که قبلاً بود) و کنترل قابل‌تنظیم برای eviction اتصالات HTTP هم اضافه شده. تو حوزه‌ی شبکه، API های جدیدی برای resolve کردن رکوردهای DNS اومده، و تو حوزه‌ی فایل، پشتیبانی از رمز عبور برای فایل‌های ZIP و چند تا API جدید برای ساخت، استخراج، و متادیتای ZIP هم اضافه شده.

Runtime

تمرکز اصلی رو بهبود Runtime Async بوده؛ با بهینه‌سازی‌های جدید تو tiering و tail-await که مستقیم به سرعت اجرای متدهای async کمک می‌کنه. یه نکته‌ی فنی جالب دیگه اینه که CoreCLR روی WebAssembly حالا کل test suite کتابخونه‌ها رو پاس می‌کنه؛ یعنی بلوغ اجرای .NET رو خود Wasm داره جدی‌تر می‌شه. بهبودهایی هم تو JIT، code generation، NativeAOT، و ابزارهای diagnostic اومده.

SDK

اینجا چند تا تغییر عملی برای کار روزمره هست:

NativeAOT حالا به‌صورت پیش‌فرض تو دستور dotnet فعاله؛ یه قدم بزرگ به سمت این‌که compile کردن به native code استاندارد بشه، نه یه گزینه‌ی جانبی.
MSBuild server به‌صورت پیش‌فرض فعاله؛ که یعنی build های بعدی معمولاً سریع‌تر انجام می‌شن چون از یه پروسه‌ی از قبل بالا استفاده می‌کنن.
dotnet test چند تا قابلیت جدید گرفته: فلگ‌های سطح-اجرا مثل --timeout و --maximum-failed-tests، پشتیبانی از پروژه‌های Microsoft.Build.Traversal، بهبود گزارش‌گیری رو Microsoft.Testing.Platform، و پشتیبانی از دستگاه و محیط MAUI.
اپ‌های file-based (همون قابلیت جدید اجرای مستقیم فایل‌های بدون پروژه) حالا دستور و رفع چند باگ up-to-date-check رو هم دارن.

اومنی‌روت (OmniRoute) vs 9Router: کدوم گیت‌وی رایگان برای مدیریت چند AI Provider بهتره؟

هر دوی این ابزارها یه مشکل مشترک رو حل می‌کنن: خسته شدن از rate limit و جابه‌جایی دستی بین چند تا provider مدل زبانی. هر دو هم متن‌باز، رایگان، و زیر لایسنس MIT هستن، و هر دو یه endpoint سازگار با OpenAI رو رو localhost:20128/v1 بالا میارن (که خودش نشون می‌ده این دو تا از یه فضای مشترک الهام گرفتن یا حتی به هم مرتبطن). ولی از نظر دامنه‌ی قابلیت و بلوغ، تفاوت‌های واقعی دارن.

معرفی کوتاه هر کدوم

9Router رو یه توسعه‌دهنده به اسم decolua ساخته و تمرکزش دقیقاً رو یه مسئله‌ست: صرفه‌جویی توکن و جلوگیری از قطعی کار به‌خاطر rate limit، از طریق fallback سه‌لایه (اشتراک → API ارزون → provider رایگان). طبق آمار گیت‌هاب، این پروژه به بیش از ۲۰ هزار ستاره رسیده (منابع مختلف بین ۲۱۸۰۰ تا ۲۴۸۰۰ ستاره گزارش کردن، چون این عدد مدام در حال تغییره) و حدود ۳۶۰۰ فورک داره.

OmniRoute دامنه‌ی گسترده‌تری رو هدف گرفته؛ علاوه بر همون routing و fallback، خودش رو به‌عنوان یه پلتفرم کامل‌تر معرفی می‌کنه که MCP server، پروتکل A2A، حافظه‌ی مکالمه، و guardrail هم توش هست. طبق آمار خود پروژه، از فوریه‌ی ۲۰۲۶ شروع شده و الان حدود ۲۰ هزار ستاره و ۲۸۰۰ فورک داره؛ یعنی تقریباً هم‌سایز 9Router ولی با تاریخچه‌ی کوتاه‌تر و سرعت رشد بالاتر.

مقایسه‌ی مستقیم

ویژگی	OmniRoute	9Router
تعداد provider	۳۳۹	۴۰ تا ۶۰+ (بسته به منبع)
استراتژی‌های routing	۱۷ تا	fallback سه‌لایه (تعداد استراتژی محدودتر)
فشرده‌سازی توکن	RTK + Caveman، ادعای ۱۵ تا ۹۵٪	RTK Token Saver، ادعای ۲۰ تا ۴۰٪ (بعضی منابع جدیدتر تا ۶۵٪ با Caveman)
سرور MCP داخلی	بله، بیش از ۱۰۰ ابزار	خیر
پروتکل A2A	بله	خیر
حافظه‌ی مکالمه	بله (FTS5 + vector)

اومنی‌روت (OmniRoute): گیت‌وی متن‌باز برای ۳۳۹ مدل زبانی

اگه از چند تا ابزار agentic (Claude Code، Cursor، Codex، Cline) هم‌زمان استفاده می‌کنی و خسته شدی از این‌که هر کدوم rate limit جدا داره، یا هر وقت quota یکی تموم می‌شه مجبوری دستی سوییچ کنی، OmniRoute دقیقاً برای همین مشکل ساخته شده. این یه AI gateway متن‌باز و local-first است که همه‌ی provider های مختلف (اوپن‌ای‌آی، آنتروپیک، گوگل، دیپ‌سیک و خیلی‌های دیگه) رو پشت یه endpoint واحد و سازگار با API اوپن‌ای‌آی جمع می‌کنه.

چیه دقیقاً و چطور کار می‌کنه

به‌جای این‌که هر ابزار کدنویسیت رو جدا به هر provider وصل کنی، فقط یه بار base URL ابزارت (مثلاً Claude Code یا Cursor) رو به یه آدرس local (پیش‌فرض localhost:20128/v1) اشاره می‌دی. OmniRoute پشت این آدرس، درخواست رو می‌گیره، بر اساس قوانین routing که خودت تعریف کردی (یا حالت auto) تصمیم می‌گیره کدوم provider جواب بده، و پاسخ رو به فرمتی که ابزارت انتظار داره (چه فرمت OpenAI، چه Claude، چه Gemini) برمی‌گردونه.

نصبش هم ساده‌ست:

npm install -g omniroute
omniroute

بعد از اجرا، هم API و هم یه داشبورد وب رو همون پورت ۲۰۱۲۸ بالا میان.

عدد و رقم‌های پروژه

طبق آمار رسمی خود پروژه، OmniRoute از ۱۳ فوریه‌ی ۲۰۲۶ (کمتر از چهار ماه پیش) شروع به کار کرده و در همین مدت کوتاه به بیش از ۲۰ هزار ستاره‌ی گیت‌هاب، حدود ۲۸۰۰ فورک، و مشارکت بیش از ۳۵۰ توسعه‌دهنده رسیده؛ با ۲۷۱ نسخه‌ی منتشرشده و بیش از ۴۰۰۰ pull request مرج‌شده. کل پروژه زیر لایسنس MIT هست، یعنی کاملاً متن‌باز و بدون محدودیت استفاده‌ی تجاری.

قابلیت‌های اصلی

Auto-fallback چندلایه: اگه یه provider به rate limit بخوره یا quota ش تموم بشه، OmniRoute تو چند میلی‌ثانیه، بدون این‌که کارت متوقف بشه، به provider بعدی سوییچ می‌کنه. این fallback سه‌لایه‌ست (سطح provider، سطح connection/کلید، سطح مدل)، یعنی یه کلید API خراب کل provider رو از کار نمی‌ندازه.

۱۷ استراتژی routing: از «اول رایگان‌ها رو مصرف کن» گرفته تا «همیشه ارزون‌ترین گزینه» یا «بار رو بین چند کلید پخش کن»، می‌شه دقیقاً مشخص کرد اولویت routing بر چه اساسی باشه.

مقاله‌های رسمی

نقدر و بررسی Ox Alpha؛ مدلی که حالا معلوم شد GLM-5.3-Flash بوده

Ox Alpha اصلاً چیه؟

هویت مدل: بازی حدس‌زدن که بالاخره تموم شد

بنچمارک‌های رسمی چی می‌گن؟

تجربه‌ی کاربرها

ضعف‌های مدل (تجربه‌ی خودم)

دیگه استدلال به تنهایی ملاک نیست

نظر خودم راجع به استفاده از GLM-5.3-Flash

جمع‌بندی

اوپن‌ای‌آی قیمت GPT-5.6 Sol رو بیش از ۲۰ درصد کاهش داد

اعداد دقیق

سومین کاهش قیمت تو یه ماه

مقایسه با آنتروپیک: حالا ارزون‌تر از Opus 5

چرا این اتفاق الان افتاده

Mojo کاملاً متن‌باز شد: کامپایلر و toolchain زیر لایسنس Apache 2.0

چرا این موضوع مهمه: بخشی که تا الان بسته بود

چرا این لایسنس خاص انتخاب شده

چی به Laravel 13.26 اضافه شده؟

دیسک‌های Read-Through: مهاجرت تنبل بین storage ها

Debounce کردن Listener های صف

ورژن جدید راست - Rust 1.98.0 منتشر شد: متدهای جبری برای اعشاری‌ها و جایگزین رسمی برای crate معروف itoa

متدهای جبری: چیزی شبیه -ffast-math

جایگزین رسمی برای crate معروف itoa

ورژن 1.27 زبان Go منتشر شد: متدهای generic، JSON v2، و رمزنگاری پسا-کوانتومی

بزرگ‌ترین تغییر زبانی: متدهای Generic

encoding/json/v2: نسل جدید JSON

کرسر اوریجین(Cursor Origin) وارد بتا شد: رقیب مستقیم گیت‌هاب برای عصر Agent ها

چی هست دقیقاً

چرا این محصول ساخته شده

زمان‌بندی عجیب: هم‌زمان با قطعی گیت‌هاب

وسپ - Wasp: فریمورک full-stack ای که با یه فایل تنظیمات، بک‌اند رو براتون می‌سازه

ایده‌ی اصلی: Web Application Specification

RPC به‌جای REST API دستی

داگوود - Dogwood: زبان متن‌باز AWS برای کنترل agent هایی که «حافظه» دارن ولی checkpoint هاشون ندارن

مشکلی که Dogwood حلش می‌کنه

رابطه‌ش با Cedar

کِلا پاترول - Claw Patrol: فایروال متن‌باز Deno برای کنترل agent های هوش مصنوعی

داستان از کجا شروع شد

چطور کار می‌کنه

گراک بات (Grok Bot) معرفی شد: تیمی از agent های همیشه‌فعال از SpaceXAI

چیه دقیقاً

قابلیت‌های کلیدی

فریمورک Meteor: فریمورکی که قول داد فرانت‌اند و بک‌اند رو یکی کنه

ایده‌ی اصلی: یه codebase، دو تا محیط اجرا

DDP و reactivity در سطح شبکه

پکیج @cloudflare/ci: موتور CI/CD کلادفلر که برای دوران agent ها ساخته شده

چرا کلادفلر این ابزار رو ساخته

چطور کار می‌کنه

NET. 11 Preview 7 منتشر شد: چی جدیده

کتابخونه‌ها

Runtime

SDK

اومنی‌روت (OmniRoute) vs 9Router: کدوم گیت‌وی رایگان برای مدیریت چند AI Provider بهتره؟

معرفی کوتاه هر کدوم

مقایسه‌ی مستقیم

اومنی‌روت (OmniRoute): گیت‌وی متن‌باز برای ۳۳۹ مدل زبانی

چیه دقیقاً و چطور کار می‌کنه

عدد و رقم‌های پروژه

قابلیت‌های اصلی

مقاله‌های رسمی

نقدر و بررسی Ox Alpha؛ مدلی که حالا معلوم شد GLM-5.3-Flash بوده

Ox Alpha اصلاً چیه؟

هویت مدل: بازی حدس‌زدن که بالاخره تموم شد

بنچمارک‌های رسمی چی می‌گن؟

تجربه‌ی کاربرها

ضعف‌های مدل (تجربه‌ی خودم)

دیگه استدلال به تنهایی ملاک نیست

نظر خودم راجع به استفاده از GLM-5.3-Flash

جمع‌بندی

اوپن‌ای‌آی قیمت GPT-5.6 Sol رو بیش از ۲۰ درصد کاهش داد

اعداد دقیق

سومین کاهش قیمت تو یه ماه

مقایسه با آنتروپیک: حالا ارزون‌تر از Opus 5

چرا این اتفاق الان افتاده

Mojo کاملاً متن‌باز شد: کامپایلر و toolchain زیر لایسنس Apache 2.0

چرا این موضوع مهمه: بخشی که تا الان بسته بود

چرا این لایسنس خاص انتخاب شده

چی به Laravel 13.26 اضافه شده؟

دیسک‌های Read-Through: مهاجرت تنبل بین storage ها

متدهای جبری: چیزی شبیه `-ffast-math`

متدهای جبری: چیزی شبیه `-ffast-math`

`Queue::forward()`: مسیردهی مجدد صف از یه نقطه

تضمین رسمی رفتار `ManuallyDrop<Box<_>>`