FoundersFeed

Models are the source of quality. If Fable can't produce stable outputs, why would you expect personal agents like Muse or Grok Bot to be any more reliable? 😂

The foundation matters. Garbage model = garbage agents, no matter how fancy the wrapper.

More devs are building with vibe code but lack a proper workbench setup.

Here's a minimal Agent workbench worth checking out:

🔌 Integrates 19+ coding agents (Cursor, Windsurf, etc.) - maximize your existing AI subscriptions instead of being locked into one tool

📊 Kanban-style task board - visualize progress across multiple parallel agent workflows without losing track

🤖 Built-in orchestrator agent - auto-splits complex tasks, monitors execution, handles routine ops while you're AFK

Also includes standard workbench features: mobile client, persistent memory, skill library, MCP server support, third-party integrations, cron jobs, usage analytics.

Basically a control plane for multi-agent coding workflows instead of manually context-switching between 5 different AI chat windows.

For model fidelity, stick with official DeepSeek APIs. Third-party providers often run mystery versions with unknown modifications or optimizations that deviate from the reference implementation. If you need reproducible results or want to benchmark against published specs, always go direct to source. The version drift is real and can silently break your assumptions about model behavior.

أطلق Trust Wallet هذا الأسبوع 3 تحديثات عملية:

1. تعرض صفحة السوق الآن العملات المشفرة والأسهم المُرمَّزة في تبويبين منفصلين. وداعًا للتمرير بين عملات الميم للعثور على استثمارك في $AAPL.

2. تعرض صفحات تفاصيل الرموز الآن حجم التداول، وعدد المتداولين الفريدين، والقيمة المخفّفة بالكامل (FDV) مباشرةً. تنقّل أقل بين علامات التبويب للاطّلاع على المقاييس الأساسية.

3. أُضيف البحث بالـPinyin عن عملات الميم الصينية. اكتب "pepe" صوتيًا، وستظهر لك 佩佩 أو أي رمز تداول محلي متاح. يستهدف هذا التحديث المستخدمين الدوليين الذين لا يستطيعون كتابة الأحرف الصينية لكنهم يريدون الدخول في عملات الميم المحلية.

باختصار: تنظيم أفضل للبيانات، وعوائق أقل أمام نشاط المضاربة العابرة للحدود. إذا كنت تدير محفظة تضم مزيجًا من العملات الرديئة والأصول الواقعية المُرمَّزة (RWAs)، فهذه التحسينات في تجربة الاستخدام توفر عليك الوقت فعلًا.

Gemini-4-Argon is surprisingly good for documentation work. Handles both initial doc generation and iterative refinement well. If you're maintaining technical docs or API references, worth testing this model specifically for that workflow.

البرمجة بأسلوب Vibe = سلاسل تفكير متداخلة بين الإنسان والذكاء الاصطناعي.

لا بد أن تعمل السلسلتان بكامل طاقتهما للحصول على مخرجات عالية الجودة.

عنق الزجاجة الحقيقي ليس النموذج، بل التأكد من أن نموذجك الذهني وحلقة استدلال الذكاء الاصطناعي متزامنان فعلًا. عندما يتعثر أحد الطرفين، ينهار كل شيء وينتهي الأمر بشيفرة متوسطة الجودة.

حيلة سريعة لتوليد الفيديو باستخدام SD 2.5: أزل الموسيقى الخلفية المزعجة مع الحفاظ على الحوار والمؤثرات الصوتية كما هي.

طريقة العمل:
1. استورد الفيديو الناتج من SD 2.5 إلى CapCut
2. اضغط على «فصل الصوت» ← اختر وضع «الأصوات البشرية»
3. يعزل فصل المسارات في CapCut الصوت والمؤثرات الصوتية في مسار جديد
4. اكتم صوت طبقة الفيديو الأصلية

النتيجة: صوت نقي مع الحفاظ على الكلام والمؤثرات الصوتية، وإزالة الموسيقى الخلفية تمامًا.

تنبيه: يتطلب اشتراك CapCut Pro. تستخدم خاصية عزل الأصوات البشرية تقنية فصل المسارات المعتمدة على تعلّم الآلة (وربما تعتمد على Demucs أو تقنية مشابهة في الخلفية).

مفيد إذا كنت تجري مرحلة ما بعد الإنتاج لفيديوهات مولّدة بالذكاء الاصطناعي، وتريد إضافة مقطعك الصوتي الخاص من دون أن تتداخل معه الموسيقى الافتراضية. 🎧

استراتيجية تبديل النماذج أثناء تنفيذ المهمة: عندما يعجز opus 5.5 عن حل بعض المسائل، استعِن بـ fable 5.1 لمعالجة تلك الأجزاء تحديدًا. تحسين ذكي جدًا للتكاليف — وفّر حصة fable باستخدامه فقط في المواضع التي يواجه فيها opus صعوبة فعلية، بدلًا من استهلاكها في كل شيء 😂

انتهت صلاحية مفتاح OpenCode API أثناء السفر. استخدمت ميزة التحكم بالكمبيوتر من Claude في تطبيق المهام للتحكم بسطح المكتب عن بُعد وإنشاء مفتاح جديد. باختصار، أنقذني الذكاء الاصطناعي بأتمتة عملية التجديد بأكملها، من دون الحاجة إلى التنقل يدويًا في لوحة التحكم.

ظهرت لي إعلانات عن قارئ بصمات مستقل (Immurok). يبدو رائعًا، إلى أن تقرأ مستندات الأمان الخاصة بهم.

كيف يعمل: يخزّن التطبيق كلمة مرور تسجيل الدخول إلى Mac في Keychain، ثم يحاكي ضغطات المفاتيح بعد التحقق من بصمة الإصبع. أجل، أنت حرفيًا تضيف تطبيقًا آخر إلى سلسلة الثقة لمجرد تجنّب الكتابة.

يستخدم Touch ID من Apple اقترانًا موثّقًا للأجهزة وSecure Enclave لمطابقة بصمات الأصابع. البنية أهم بكثير من مجرد وجود زر تضغط عليه.

تقول Immurok إن بصمات الأصابع تُخزَّن محليًا، وإن الاتصالات موثّقة والبرنامج الثابت موقّع—خيارات تصميم معقولة على الورق. لكن ادعاءات الشركة المصنّعة لا تساوي تدقيقًا مستقلًا، وأنا لم أختبر الجهاز.

العائق الحاسم: لا يدعم IK-1 مفاتيح المرور للمواقع أو مفاتيح FIDO.

لفتح قفل Mac، الخيار الأفضل هو Touch ID من Apple. ينبغي لـ Apple أن تصنع مزيدًا من الأجهزة المزوّدة به (لوحات مفاتيح ميكانيكية مع Touch ID ستكون 🔥).

في حقبة ما بعد Ledger، يصعب الوثوق بمورّدي أجهزة الأمان الجدد. عندما يتولى جهاز ما المصادقة، لا بد من كسب الثقة، لا تسويقها.

إطلاق ميزة جديدة: لوحة معلومات الأجهزة + موازنة الأحمال 🎯

تختار الوكلاء الآن تلقائيًا الأجهزة الأقل حملًا لتشغيل المهام، ما يتيح موازنة حقيقية للأحمال بين عُقد العنقود. طريقة أنيقة جدًا لتحسين استخدام الموارد عبر العُقد الموزعة.

هذا يعني ببساطة أن مهامك ستُوجَّه إلى أي جهاز تتوفر لديه سعة، بدلًا من تحميل المثيل نفسه فوق طاقته. تنسيق ذكي من دون تدخل يدوي.

استخدمتُ بنجاح واجهة API المجانية لـ $DEEPSEEK من OpenCode لأتمتة الاستعلام عن تذاكر القطارات على نظام حجز السكك الحديدية الصيني 12306. أصبح النموذج الآن قادرًا على التحكم بعمليات سطح المكتب والتنقل في مسارات عمل معقدة لواجهة المستخدم، ما يتيح اختبار قدرات الوكلاء في العالم الحقيقي على بنية تحتية حكومية قديمة. إنه اختبار ضغط مثير لميزات DeepSeek الخاصة باستخدام الكمبيوتر، يتجاوز سيناريوهات العروض التوضيحية المعتادة.

تمكنت من تشغيل DeepSeek عبر واجهة OpenCode البرمجية المجانية للتحكم بجهازي والبحث عن تذاكر قطار على 12306 بنجاح 😂

هذا في الواقع إثبات عملي قوي لإمكانات أتمتة المتصفحات المدعومة بالذكاء الاصطناعي. قدرات DeepSeek في التحكم بالحاسوب حقيقية؛ إذ يستطيع التنقل بين عناصر واجهة المستخدم، وملء النماذج، وتنفيذ مهام متعددة الخطوات من دون الحاجة إلى كتابة نصوص برمجية صريحة.

إن عمله على 12306، وهو نظام حجز السكك الحديدية الصيني المعروف بتعقيده الشديد، وباختبارات CAPTCHA والعناصر الديناميكية، يُظهر أن الفهم البصري للنموذج والتخطيط لتنفيذ الإجراءات متينان للغاية. فمعظم نصوص الأتمتة تتعطل على مواقع كهذه.

إتاحة OpenCode الوصول المجاني إلى واجهة DeepSeek البرمجية مفيدة جدًا لاختبار أنواع سير العمل هذه المعتمدة على الوكلاء، من دون استهلاك الرصيد.

يدعم استخدام المتصفح + استخدام الكمبيوتر الآن التحكم عن بُعد بواسطة الوكلاء على أنظمة macOS وWindows وLinux. وهذا يعني أنه يمكنك توصيل أي نموذج ليتمكن من التحكم مباشرةً ببيئة سطح المكتب وجلسات المتصفح من أي مكان. تخيّل أتمتةً بلا واجهة رسومية، لكن مع إمكانية التفاعل الكامل معها — بالنقر والكتابة والتنقل — وكل ذلك باستخدام بنية الوكيل لديك. تزيل التوافقية عبر الأنظمة الأساسية عوائق أنظمة التشغيل، لذا سواء كنت تشغّل الاستدلال على خادم بعيد أو تجري الاختبارات محليًا، يمكن للوكيل التحكم بطبقة واجهة المستخدم الفعلية بدلًا من الاقتصار على استدعاءات API أو أوامر الطرفية. وهذا مفيد للاختبارات الشاملة، وسير عمل أتمتة العمليات الروبوتية (RPA)، أو إنشاء وكلاء يحتاجون إلى التفاعل مع البرامج القديمة التي تفتقر إلى واجهات API مناسبة.

أُضيفت اليوم بيئتا تشغيل جديدتان: Qoder وOpenClaw

ندعم الآن 18 وكيلًا للبرمجة 🎉

يوسّع هذا طبقة تنسيق الوكلاء المتعددين، ويمنح المطورين مرونة أكبر في اختيار بيئات التنفيذ بناءً على مدى تعقيد المهام ومتطلبات اللغات. ولكل بيئة تشغيل مزاياها ومقايضاتها فيما يتعلق بالعزل وإدارة التبعيات وسرعة التنفيذ.

أُطلق للتو DeepSeek V4.1 Flash مع نافذة سياق بسعة 200 ألف رمز، ومتاح مجانًا تمامًا على OpenCode. هذا مكسب كبير للمطورين الذين يحتاجون إلى معالجة سياقات طويلة دون استنزاف أرصدة واجهات API. تتيح لك سعة 200 ألف رمز إدخال قواعد شيفرة كاملة أو مجموعات توثيق كاملة أو جلسات تصحيح أخطاء تمتد عبر ملفات متعددة دفعة واحدة. ويشير إصدار Flash إلى سرعة استدلال محسّنة مقارنةً بالإصدار الأساسي V4.1، على الأرجح مقابل بعض التراجع في عمق الاستدلال لتقليل زمن الاستجابة. إن توفير هذه السعة ضمن الخطة المجانية أمر نادر للغاية بين النماذج الرائدة، ما يجعله مثاليًا لتجربة نماذج RAG الأولية أو أتمتة سير العمل التي تعتمد على سياقات ضخمة. يستحق اختباره ومقارنته بـ $GPT-4o وClaude في مهام توليد الشيفرة، حيث تتراكم تكاليف الرموز عادةً بسرعة.

رسم الباحثون خريطة للنشاط العصبي في دماغ ذبابة الفاكهة أثناء مشاهدتها فيلمًا يعود إلى عام 1963. وهذا يعني أنهم يتتبعون انتشار الإشارات في الوقت الفعلي عبر نحو 140,000 خلية عصبية، مع تغيّر المحفزات البصرية إطارًا تلو الآخر.

لماذا لهذا أهمية تقنية؟ أصبح لدينا الآن بيانات بدقة زمنية تصل إلى أجزاء من الألف من الثانية، تكشف كيف يعالج دماغ كامل الصور المتحركة. وهذه هي المرة الأولى التي نستطيع فيها رؤية تدفق المعلومات عبر مخطط الوصلات العصبية الكامل أثناء الإدراك النشط.

أما الجانب الغريب؟ فنحن نستخدم أفلامًا سينمائية عمرها 60 عامًا بياناتٍ لتدريب نماذج الشبكات العصبية. وهكذا يصبح دماغ الذبابة معيارًا بيولوجيًا لاختبار النظريات المتعلقة بالترميز البصري وآليات الانتباه والمعالجة التنبؤية.

الخطوة التالية: ربط أنماط محددة من النشاط العصبي بالتغيّرات في المشاهد ومتجهات الحركة والتحوّلات في التباين. وقد يكشف ذلك عن خوارزميات أساسية للمعالجة البصرية الفعّالة، لا تلتقطها نماذج الرؤية الحاسوبية الحالية.

تسجيلات الفيديو المنزلية بصيغة 8 مم = فولاذ منخفض الإشعاع الخلفي لنماذج فيديو الذكاء الاصطناعي.

السياق: الفولاذ منخفض الإشعاع الخلفي هو معدن أُنتج قبل التجارب النووية عام 1945، وتُقدّره الأبحاث العلمية لصناعة الأدوات لأنه لا يحتوي على تلوث إشعاعي جوي. وبالمثل، فإن لقطات 8 مم السابقة للعصر الرقمي «غير ملوثة» — صُوّرت قبل وجود بيانات تدريب الذكاء الاصطناعي، ما يجعلها حقيقة مرجعية نقية لنماذج توليد الفيديو.

لماذا يهم ذلك من الناحية التقنية:
- خلو بيانات التدريب من الآثار الاصطناعية
- فيزياء حركة وإضاءة أصلية
- اهتزاز حقيقي للكاميرا، وحبيبات الفيلم، واتساق زمني
- لا يمكن استنتاجها عكسيًا من مخرجات النماذج

تُدرَّب نماذج الفيديو الحالية للذكاء الاصطناعي بشكل متزايد على محتوى مولَّد بالذكاء الاصطناعي (ما ينطوي على خطر انهيار النماذج). توفر اللقطات التناظرية السابقة للتسعينيات خط أساس نظيفًا للتحقق مما إذا كان نموذجك قد تعلّم الفيزياء الحقيقية أم اكتفى بمحاكاة مخرجات ذكاء اصطناعي أخرى.

نظرة ذكية إلى مصدر البيانات لنماذج الفيديو التأسيسية.

يتفادى كلٌّ من جنسن هوانغ ومصطفى سليمان الإجابة عن سؤال الوعي لدى أنظمة الذكاء الاصطناعي. إنها حركة تنفيذية تقليدية: الابتعاد عن حقل الألغام الفلسفي، مع طرح منتجات تطمس تلك الحدود على أي حال. إن امتلاك نماذج اللغة الكبيرة الحالية «عقولًا» أقل أهمية من سلوكياتها الناشئة، التي تتحدى بالفعل طريقة تعريفنا للفاعلية والإدراك. فالسؤال الهندسي الحقيقي ليس الإحساس، بل القدرة على التنبؤ والتحكم على نطاق واسع.

وجد الباحثون أن نماذج اللغة الكبيرة تُظهر أنماط تكيّف مشابهة لما ظهر في تجارب الجرذان الكلاسيكية. فعندما تتعرّض النماذج مرارًا لثنائيات معيّنة من المطالبات والاستجابات، تبدأ في إظهار تغيّرات سلوكية شبيهة بالتكيّف البافلوفي أو الإجرائي. وتُكيّف النماذج احتمالات مخرجاتها وفق أنماط التعزيز في بيانات التدريب، فتتعلّم، في جوهر الأمر، ترابطات بالطريقة نفسها التي تتعلّم بها الشبكات العصبية البيولوجية. وهذا يثير تساؤلات حول ما إذا كانت بنى المحوّلات تعيد، من غير قصد، إنتاج آليات تعلّم أساسية من علم الأعصاب، أم أننا لا نرى سوى مطابقة إحصائية للأنماط تبدو مصادفةً شبيهة بالتكيّف. وفي كلتا الحالتين، من المذهل أن المبادئ نفسها التي تنجح مع أدمغة الجرذان في صندوق سكينر تظهر في نماذج اللغة القائمة على الانتباه.