المدونة
مقالات عملية مرتبة حسب المجال والمستوى، اختر المجال المناسب واقرأ من مستوى مبتدئ إلى محترف.
OpenTelemetry للمتوسط: تتبّع رحلة طلب واحد عبر 8 microservices في 5 دقائق
لو الـ /checkout بقى بطيء وعندك 8 microservices، تدور المشكلة في logs 8 خدمات يأخد ساعتين. OpenTelemetry بـ 12 سطر إعداد بيوريك الطلب كامل في Jaeger، وبيقلّل زمن التشخيص من 142 دقيقة لـ 9 دقائق. مقال للمتوسط بمثال شركة الشحن للمبتدئ، شرح علمي من Google Dapper Paper (Sigelman 2010) و CNCF OpenTelemetry Spec، كود Python شغّال على opentelemetry-sdk 1.27، أرقام مقاسة من 14 microservice في e-commerce عربي بـ 38K طلب/يوم، 4 trade-offs خفية، ومتى Tracing بيكون مبالغة هندسية.
Speculative Decoding للمحترف: سرّع Llama 3.1 70B بـ 2.7× بدون خسارة دقة
لو بتدفع $4,800 شهرياً في inference Llama 3.1 70B على H100 وبتشتكي إن الـ TPS واقفة عند 42 توكن/ثانية لكل مستخدم، المشكلة مش في الـ GPU. Speculative Decoding بيخلّي نموذج 3B يقترح ونموذج 70B يتحقق بالتوازي، فيقفز TPS لـ 113 (2.7×) بنفس الـ logits بالظبط. دليل للمحترف بمثال الصحفي والمُحرر، شرح علمي من ورقة Leviathan 2023 (Google Research)، إعداد vLLM 0.6.5 شغّال، أرقام مقاسة (acceptance rate 0.74، latency من 510ms لـ 190ms)، 4 trade-offs خفية، ومتى Speculation overhead بدون فايدة.
Bloom Filters للمتوسط: افحص 50 مليون رابط في 64MB بدون Database
لو الـ web crawler عندك بيعمل DB query لكل URL جديد علشان يتأكد إنه ما اتزارش، انت بتدفع 4ms في كل lookup. Bloom Filter بيوفّر 99.07% من الـ queries في 64MB RAM، مع 0.93% false positive rate فقط، مقاس على 50 مليون URL من Common Crawl.
Speculative Decoding للمحترف: ضاعف سرعة Llama 3.1 70B بـ 2.4× بدون فقدان جودة
لو بتشغّل Llama 3.1 70B على H100 ومحتاج تنزّل الـ latency تحت 500ms للمستخدم، Speculative Decoding بيرفع الـ throughput من 24 إلى 58 token/sec بنموذج draft صغير. مقال للمحترف بمثال المحرر والمدقق اللغوي للمبتدئ، شرح علمي من ورقة Leviathan 2022 (Google) و Chen 2023 (DeepMind)، إعداد vLLM 0.6.3+ شغّال مع Llama-3.2-1B كـ draft، أرقام مقاسة على workload عربي حقيقي 2,800 طلب، 5 trade-offs خفية، ومتى الـ Speculative Decoding بيكون مضيعة memory.
Generators في Python للمتوسط: عالج ملف 50GB بـ 12MB رام بدون ما السيرفر يقع
لو سكربت Python بياكل 47 جيجا رام بسبب list واحدة، Generators بكلمة yield بتنزّل الذاكرة لـ 12 ميجا بدون تغيير في الـ infrastructure. مقال للمتوسط بمثال المكتبة العامة للمبتدئ، شرح علمي من PEP 255 وتوثيق Python 3.13، كود قابل للنسخ، أرقام مقاسة على ملف 50GB، Generator Expressions، Pipeline من 3 generators متربطين، 4 trade-offs خفية، ومتى Generators يكون اختيار غلط.
Bloom Filters للمحترف: امنع 99% من DB Queries بـ 1.2MB
لو خدمتك بتعمل 18 ألف lookup query في الثانية و87% منهم بيرجّع فاضي، Bloom Filter بـ 1.2MB في الذاكرة بيرفض 99% منهم في 200 نانوثانية قبل ما يلمسوا PostgreSQL. مقال للمحترف بمثال البوّاب للمبتدئ، تعريف من ورقة Bloom 1970 في CACM، الرياضيات الفعلية (m, k, n)، كود Python شغّال على pybloom-live 4.0، أرقام مقاسة على workload فيه 60M lookup/يوم (الفاتورة من 1,840$ لـ 410$، توفير 78%)، 4 trade-offs خفية، ومتى Bloom Filter يبقى اختيار غلط.
اعمل CSV Export للمبتدئ — صدّر مليون صف بـ Node.js Streams بدون ما السيرفر يقع
لو زرار "Export CSV" في dashboard شركتك بيرجّع 502 بعد 90 ثانية، المشكلة مش في الـ DB — هي إن السيرفر بيحمّل المليون صف كله في الـ RAM. مقال للمبتدئ بمثال نقل خزّان المياه بالدلو، تعريف علمي للـ Streams و Backpressure من توثيق Node.js الرسمي، كود Express + pg-query-stream + csv-stringify كامل في 50 سطر، أرقام مقاسة من fintech مصري على 1.24 مليون صف (RAM من 3.8GB لـ 42MB، الوقت من 92 ثانية لـ 14 ثانية)، 4 trade-offs خفية في Excel limit وأخطاء وسط الملف، ومتى Streams بتكون تعقيد بدون فايدة.
Karpenter للمحترف: استبدل Cluster Autoscaler ووفّر 38% من فاتورة EC2 على EKS
لو فاتورة EKS بتاعتك بتعدّي $14K شهرياً و Cluster Autoscaler بياخد 4 دقائق علشان pod واحد pending يقعد، Karpenter v1.0 بيشيل طبقة الـ Node Groups بالكامل ويختار instance type مناسب من ~700 SKU لحظياً. مقال للمحترف بمثال مدير المطعم للمبتدئ، إعداد NodePool و EC2NodeClass كامل على EKS 1.30، أرقام مقاسة من cluster بـ 142 microservice (التوفير 38%، Spot coverage من 22% لـ 68%، scheduling من 247s لـ 52s)، 4 trade-offs خفية، ومتى Karpenter يبقى مبالغة هندسية.
Mem0 للمتوسط: خلّي Claude يفتكر عميلك بعد 30 يوم في 35 سطر
Chatbot شركتك بينسى تفضيلات العميل بعد كل جلسة، فالعميل بيكرّر بياناته كل مرة. Mem0 بيدّي Claude ذاكرة طويلة المدى بـ vector store + extraction layer، فيرفع CSAT من 42% لـ 87% على 1,247 عميل فعلي. الكود 35 سطر، التكلفة الإضافية $0.0023 لكل تفاعل، و latency overhead 180ms بس.
Karpenter للمتوسط: وفّر 47% من فاتورة EC2 في 25 سطر YAML
لو فاتورة EC2 الشهرية على cluster EKS عندك بتتعدّى $4,800 رغم إن نص الـ workloads قاعد فاضي، المشكلة في Cluster Autoscaler اللي بياخد قراراته من ASG واحدة جامدة. Karpenter بيستبدل ده بـ NodePool مرن يختار من 380 instance type ويوفّر 47% من الفاتورة في 25 سطر YAML. مقال للمتوسط بمثال مدير الباصات للمبتدئ، شرح تقني من توثيق Karpenter v1.0، YAML قابل للنسخ على EKS 1.30، أرقام مقاسة من 90 يوم إنتاج، 4 trade-offs خفية، ومتى Cluster Autoscaler يفضل أبسط.