المدونة
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
Speculative Decoding للمحترف: سرّع Inference 2.4× بدون فقد جودة
دليل تنفيذي للمحترف لتفعيل Speculative Decoding في vLLM 0.6.3 على Llama 3.1 70B بنموذج draft من 1B، بيرفع throughput من 38 لـ 91 token/sec على H100 (2.39×) مع نفس output احتمالياً، بـ acceptance rate 73.4% مقاسة على 1,200 طلب عربي.
Speculative Decoding للمحترف: ضاعف سرعة Llama 70B بـ 2.7× بدون فقدان كلمة
دليل تنفيذي للمحترف لتفعيل Speculative Decoding على vLLM يرفع throughput Llama 70B من 87 لـ 234 token/s على H100، مع رياضيات rejection sampling، 4 trade-offs خفية، ومتى تكون speculation مضيعة وقت.
Tree Shaking للمحترف: شيل 340KB من Bundle بدون ما تلمس الكود
لو bundle الإنتاج بتاعك 892KB رغم إن المستخدم بيستعمل 3 شاشات بس، المشكلة مش في المكتبات — هي في إن Webpack مش قادر يثبت إن باقي الكود "آمن للحذف". المقال للمحترف بيشرح ESM static analysis، sideEffects flag، و Pure Annotations بأمثلة لـ Webpack 5 و Rollup و esbuild، مع أرقام مقاسة من إنتاج Next.js 14 وقياس قبل/بعد لمتجر فعلي.
LLM-as-a-Judge للمحترف: Eval Pipeline يمسك Regression قبل الإنتاج
دليل تنفيذي للمحترف لبناء Eval Pipeline بـ LLM-as-a-Judge في 47 سطر Python، بيمسك الـ regression في 12 دقيقة بدل 4 أيام، بـ Spearman correlation 0.87 مع تقييم البشر، وتكلفة $1.40 لكل run على 200 sample.
KEDA للمحترف: Autoscale Kubernetes حسب Kafka Lag بدل CPU في 18 سطر YAML
لو HPA بيـ scale خدمتك على CPU وعندك Kafka consumer بيتراكم عنده 180 ألف رسالة لأن CPU واقف عند 35%، الـ HPA مش هيتحرك. KEDA بيوصّل decision الـ scaling بمصدر الحدث الفعلي. مقال للمحترف بمثال محل البيتزا للمبتدئ، شرح علمي للـ external metrics من توثيق Kubernetes 1.32 و CNCF، ScaledObject YAML شغّال على EKS 1.30، أرقام مقاسة من فريق بـ 22 microservice (lag من 184K لـ 320، فاتورة EC2 نزلت 41%)، 4 trade-offs خفية، ومتى KEDA يكون قرار غلط.
Goroutines Pipelines في Go للمحترف: عالج 1.4 مليون Event/ثانية بدون Leaks
لو خدمة log ingestion بتاعتك بـ goroutines بتاكل 92% CPU وذاكرتها بتنمو 280MB كل ساعة لحد ما تقع، المشكلة مش في Go runtime — فيه goroutines مش بتموت أبداً. Pipeline Pattern بـ context cancellation و buffered channels بيخلّيك تعالج 1.4 مليون event/ثانية على 8 cores، بدون leaks، مع graceful shutdown في 200ms. مقال للمحترف بتعريف من ورقة Hoare 1978 (CSP)، 3 patterns شغّالة على Go 1.23، أرقام مقاسة من ingestion service بـ 14 مليار event/شهر، و4 trade-offs خفية.
JavaScript Proxy للمحترف: راقب أي قراءة أو كتابة على object بـ 12 سطر
لو dashboard React عندك بيرجّع state غلط بعد 4 تعديلات ومحدّش عارف مين عدّله، Proxy في JavaScript بيخلّيك تمسك أي قراءة أو كتابة على object بدون لمس الكود الأصلي. مقال للمحترف بمثال السكرتير للمبتدئ، تعريف من ECMAScript 2024 Spec قسم 10.5، كود شغّال على Node.js 22 و Chrome 131، 4 استخدامات إنتاجية بأرقام مقاسة، 4 trade-offs خفية، ومتى Proxy يبقى اختيار غلط.
Event Loop في JavaScript للمحترف: ليه setTimeout(0) بيتأخر و Promise بتسبقه
كتبت setTimeout(fn, 0) ولقيت Promise.resolve().then() بتنفذ قبله؟ ده مش bug، ده Microtask Queue شغّال صح. مقال للمحترف بمثال طابور الكاشير للمبتدئ، تعريف من HTML Living Standard قسم 8.1.7، كود JavaScript شغّال على V8، أرقام مقاسة (Microtask 0.3ms vs setTimeout 4ms minimum)، 4 trade-offs خفية، ومتى الاعتماد على ترتيب الـ Event Loop يبقى اختيار غلط.
103 Early Hints للمحترف: ابعت preload للمتصفح قبل الـ HTML بـ 320ms
لو موقعك العربي بياخد 2.4 ثانية قبل LCP رغم HTTP/2 و preload جوّا الـ head، انت بتفقد round-trip كامل لمّا المتصفح يستنّى الـ HTML الأول قبل ما يبدأ يحمّل CSS و fonts. 103 Early Hints بيرسل preload hints قبل ما الـ origin يجاوب بـ 200 OK، وبيخفّض LCP من 2.4 ثانية لـ 0.9 ثانية على workload e-commerce حقيقي. مقال للمحترف بمثال موظف الاستقبال للمبتدئ، شرح علمي من RFC 8297، إعداد NGINX 1.25 + Node.js شغّال، أرقام مقاسة من 38K زيارة/يوم، 4 trade-offs خفية، ومتى Early Hints بيكون مضيعة وقت.
Contextual Retrieval للمحترف: قلّل فشل الاسترجاع 67% قبل Reranker
لو شغّلت Reranker على RAG عربي عندك ولسه precision@5 واقفة عند 71%، المشكلة مش في الـ reranker. المشكلة إن الـ chunk اللي صح أصلاً مش بين الـ top-20 اللي وصلت للـ reranker. Contextual Retrieval من Anthropic بيحقن سياق كل chunk قبل الـ embedding، فينزّل failed retrievals 35% بـ embeddings لوحدها، و49% بإضافة BM25، و67% لما تضيفلهم reranker. مقال للمحترف بمثال موظف الأرشيف، شرح علمي من Anthropic Research (Sept 2024) و Lewis 2020، كود Python في 34 سطر شغّال على anthropic SDK 0.49+ مع prompt caching، أرقام مقاسة على corpus عربي 11,400 chunk من تذاكر دعم fintech، 4 trade-offs خفية في التكلفة والـ latency والـ index size، ومتى الـ Contextual Retrieval overhead بدون فايدة.