بلاگ

Hermes Agent روی مینی‌پی‌سی من اجرا می‌شه، مک من رو می‌گردونه و کارهای دور و بر وبلاگ و یوتیوب و مالیاتم رو انجام می‌ده، تا وقتم رو بذارم روی بخش‌هایی که واقعاً به من نیاز دارن. اینجا می‌گم چطور کار می‌کنه.

Opus 5 بیست‌وچهارم ژوئیه به‌عنوان مدل پیش‌فرض جدید Anthropic عرضه شد. جدول benchmark با نصف هزینه، فقط یه گِرد کردن رقم با Fable 5 فاصله داره. ولی چیزی که واقعاً روزت رو عوض می‌کنه آروم‌تره: حالا thinking به‌صورت پیش‌فرض روشنه، و این چند تا فرضی که از زمان 4.8 با خودت حمل می‌کردی رو به‌هم می‌ریزه.

یه endpoint عمومی توی سه روز دو بار قطع شد، و هر دو بار همون fix پنج‌دقیقه‌ای جواب داد: پاک کردن یه رکورد AAAA یتیم. باگ واقعی یه رکورد ownership توی DNS بود که هیچ‌وقت نمی‌تونه خودش رو صاحب بشه، دقیقاً روی apex یه zone دلگیت‌شده.

همون instance type، نصف تراکم pod. بالا بردن max pods روی یه کلاستر EKS زنده یعنی: یه launch template که node group هیچ‌وقت نمی‌تونه بگیردش، یه تنظیم CNI که باید اول بشینه، و یه Terraform plan پر از تغییرهایی که هیچ‌کس سفارش نداده بود.

می‌خواستم بفهمم بین Sonnet 5 و Sonnet 4.6 از نظر معماری چی عوض شده. Anthropic چیزی نمیگه. برای همین system card صد و چهل و شش صفحه‌ای رو خوندم و در نهایت یه راهنمای ساده از همه benchmarkهاش نوشتم.

هر view که به cache دست می‌زد 500 برمی‌گردوند، ولی health check سبز بود. مقصر یه Service به اسم redis بود و enableServiceLinks؛ یه پیش‌فرض قدیمی Kubernetes از دوران Docker که متغیرهای محیطی‌ای تزریق می‌کنه که هیچ‌وقت نخواستی.

Databricks یه Meta-Harness به اسم Omnigent رو open source کرد که هر agent harness رو پشت یه API واحد با policy، session و state مشترک جمع می‌کنه. اگه قبلاً یه سرویس stateful روی Kubernetes deploy کردی، مسیر self-hosting این ابزار خیلی کوتاه‌تر از چیزیه که فکرش رو بکنی.

هر operator یه setup ساده‌تر قول می‌ده. ارزش واقعیش وقتی معلوم می‌شه که یه replica control file‌ش رو گم کرده یا یه certificate سه هفته دیگه expire می‌شه. این چیزیه که StackGres و Strimzi برای ما در اجرای PostgreSQL و Kafka روی Kubernetes عوض کرد.

یه CI pipeline سبز در حالی که gateway زنده 404 برمی‌گردونه، یه test failure نیست. یه شکاف reload خاموشه. اینجا pattern checksum چند-release ای هست که توی helmfile این مشکل رو حل می‌کنه.

یه pipeline ساختم که RSS Feed بلاگمو می‌خونه و بدون اینکه دست بزنم، carousel های اطلاعاتی توی اینستاگرام پست می‌کنه. چیز جالب اتوماسیون نیست؛ اینه که چطور agent ها ساختنش و چی شکستن.

دولت، Fable 5 و Mythos 5 رو هفتاد و دو ساعت بعد از لانچ به خاطر یه ادعای jailbreak خاموش کرد. اگه روی API های بسته هوش مصنوعی می‌سازی، این هفته باید نگرانت کنه.

هفته گذشته بیش از ۲۵ مدل open-weight در همه مودالیتی‌ها منتشر شد. اینجا می‌بینیم هر کدوم چیکار می‌کنن، کدوما واقعاً قابل استقرارن، و این هفته برای تیم‌های زیرساختی چه معنایی داره.

ابزارهای کدنویسی هوش مصنوعی فقط سریع‌تر کد نمی‌نویسن. اونا به مراتب فعالیت Git، pipeline run و سربار context بیشتری نسبت به انسان‌ها تولید می‌کنن. اعلامیه‌های Transcend 2026 گیت‌لب بالاخره این مشکل رو جدی می‌گیره.

سال‌ها توصیه روشن بود: یه حوزه انتخاب کن، عمیق برو، جایگزین‌ناپذیر بشو. بعد ایجنت‌های هوش مصنوعی اومدن و آروم قواعد رو از نو نوشتن.

ایجنت هوش مصنوعی خودآموز Nous Research در یه محیط پروداکشن-محور روی EKS. ECR خصوصی،، IRSA، مدیریت API Key به عنوان Secret، و یه Helm Chart سفارشی که از روی manifest خام ساختیم.

Transit Gateway همون default ای‌ه که همه سمتش می‌رن. برای چندتا VPC تو یه ریجن، Peering به‌طور چشمگیری ارزون‌تره — و اینم محاسبه‌اش.

یه داشبورد Full-Stack برای Proxmox با Vibe Coding و Claude Code ساختم: ۱۱ هزار خط کد، ۱۲۳ تست، ۱۴ کامیت. این تجربه بهم یاد داد که توی مهندسی نرم‌افزار واقعاً چی مهمه.

آیا تلاش کرده‌اید یک Namespace در Kubernetes را حذف کنید و دیده‌اید که به‌طور مداوم در وضعیت Terminating گیر کرده است؟ عامل اصلی معمولاً finalizers هستند — فیلدهای خاص metadata که تا تکمیل عملیات پاک‌سازی، از حذف منبع جلوگیری می‌کنند.

بررسی تابع templatefile() در Terraform و مزایای آن نسبت به قالب‌بندی Jinja2 برای جریان‌های کاری infrastructure-as-code. چرا رویکرد مینیمالیستی Terraform به قالب‌بندی عمدی و سودمند است.

چگونه Operators در Kubernetes وظایف عملیاتی پیچیده را در محیط‌های کانتینری خودکار می‌کنند و چالش‌های ناشی از مدیریت microservices در مقیاس بزرگ را برطرف می‌سازند.

انتقال به WebGPU برای هوش مصنوعی و محاسبات GPU نمایانگر یک تغییر محوری در نحوه تجربه فناوری هوش مصنوعی است — دموکراتیزه کردن دسترسی به قابلیت‌های پیشرفته.

چگونه عملیات یادگیری ماشین (MLOps) توسعه هوش مصنوعی را با ساده‌سازی ایجاد و استقرار مدل در مقایسه با رویکردهای سنتی مبتنی بر ابر متحول می‌کند.