مقالات ودروس مجانية تساعدك في رحلتك التعليمية — من أساسيات البرمجة إلى أحدث التقنيات.
cron بيشتغل صامت وبيفشل أصمت. لو الـ backup فشل أو السيرفر كان مطفي وقت التشغيل، مفيش حد بيدري. systemd timers بيحل ده في 8 أسطر config مع logs مركزية في journald و Persistent=true لتعويض المهام الفاتت. مقال للمبتدئ بمثال صديق الميه، شرح علمي من توثيق systemd الرسمي، service + timer كاملين شغّالين على Ubuntu 22.04، أرقام من فريق 6 مهندسين على 22 سيرفر (الكشف من 4.6 يوم لـ 38 ثانية)، 4 trade-offs خفية، ومتى cron يفضل خيار أذكى.
لو فريقك بيكرّر نفس 8 سطور التحقق من JWT في 14 endpoint، انت بتدفع ضريبة DRY مرتين. Python Decorators بـ @ واحد بيخلّي السطور دي تتكتب في مكان واحد، وكل endpoint بيحطها قبله بسطر. مقال للمتوسط بمثال حارس المبنى للمبتدئ، شرح علمي من PEP 318، 4 decorators شغّالة (@timer, @retry, @cache, @auth) على Python 3.12 و FastAPI 0.110، أرقام مقاسة من خدمة fintech عربية (1,840 سطر مكرر → 230 سطر)، 4 trade-offs خفية، ومتى Decorator بيكون اختيار غلط.
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.
لو بتنسخ بيانات من SQLite بإيدك وتلصقها في Claude كل مرة، Model Context Protocol بيخلّي Claude يفتح الـ DB ويستعلم مباشرةً. مقال للمتوسط بمثال موظفي المكتب وتعريفين علميين من توثيق Anthropic و JSON-RPC 2.0، سيرفر Python كامل في 80 سطر شغّال على mcp-sdk 1.2 و aiosqlite 0.20، خطوات تركيب على Claude Desktop، أرقام مقاسة على 200 استعلام (دقة اختيار الـ tool 96.5%، متوسط latency 1.4 ثانية)، 4 trade-offs خفية، ومتى MCP بيكون مبالغة هندسية.
لو محتاج Claude يصنّف تذاكر دعم بفئات شركتك أو يستخرج بيانات بصيغة محددة، fine-tuning مش الحل الأول. Few-Shot Learning بـ 5 أمثلة في الـ prompt بيرفع الدقة من 46.8% لـ 92.4% بدون أي تدريب. مقال للمبتدئ بمثال تعليم الطفل كلمة "شكراً"، شرح علمي من ورقة GPT-3 (Brown 2020)، كود Python في 28 سطر شغّال على anthropic SDK 0.49+ و Claude Sonnet 4.6، أرقام مقاسة على 600 تذكرة دعم عربية حقيقية، 4 trade-offs خفية بتظهر في الإنتاج، ومتى Few-Shot يبقى مضيعة tokens.
لو تطبيق الـ React عندك بياكل 1.4GB RAM بعد ساعة شغل وفي 12 ألف Detached DOM node في الـ heap snapshot، المشكلة في Map عادي ماسك references لـ objects ما عادتش محتاجة. مقال للمتوسط بمثال أوراق المكتبة للمبتدئ، تعريف من ECMAScript 2024 Spec قسم 24.3، كود JavaScript شغّال، أرقام مقاسة من dashboard React (1.42GB → 187MB، توفير 86%)، 4 trade-offs خفية، ومتى WeakMap بيبقى اختيار غلط.
لو شفت stale closure في React review أو كتبت debounce بدون ما تفهم ليه الـ timer بيفضل محفوظ، انت بتستخدم Closures من غير ما تعرفها. مقال للمتوسط بمثال الدفتر الشخصي للموظف للمبتدئ، تعريف علمي من ECMAScript 2024 Spec قسم 9.4، 4 استخدامات واقعية بكود قابل للنسخ (event handlers, debounce, module pattern, React hooks)، قياس فعلي يقارن Closure بـ Class على مليون instance (138MB vs 96MB)، الفخ الشائع لـ memory leak، 4 trade-offs خفية، ومتى تتجنب Closures.
صندوق بحث live بيبعت طلب fetch مع كل حرف بيهدر 80% من ضغط الـ Backend على نتائج فات وقتها. شرح للمتوسط بمثال حارس باب السينما للمبتدئ، تعريف من DOM Standard، كود React hook شغّال، أرقام مقاسة (5 طلبات → 1، توفير 80%)، Pattern الـ timeout، 4 trade-offs خفية، ومتى AbortController يبقى اختيار غلط.
لو شركتك بتقعد 4 ساعات يومياً تكتب بيانات 200 فاتورة في Excel، Claude Vision API بيستخرج 12 حقل (المبلغ، الضريبة، التاريخ، البائع) من فاتورة عربية ممسوحة ضوئياً في 3.7 ثانية بدقة 96.4% على عيّنة 1,200 فاتورة فعلية. مقال للمبتدئ بمثال المحاسب الجديد vs المحاسب الخبير، شرح علمي للفرق بين OCR التقليدي والـ multimodal LLM، كود Python في 25 سطر شغّال على anthropic SDK 0.49+ و Claude Sonnet 4.6، مقارنة كاملة مع Tesseract (61.2% دقة، $0 تكلفة)، 4 trade-offs خفية في التكلفة والـ latency والـ privacy، ومتى Vision API بيكون اختيار غلط.
لو RAG بتاعك بيرجّع نتائج صحيحة سيمانتيكياً بس مش الأنسب للسؤال، المشكلة في الـ bi-encoder. Reranking مع cross-encoder بيخلّي precision@5 يقفز من 64% لـ 91% على workload عربي. مقال للمتوسط بمثال أمين المكتبة للمبتدئ، شرح علمي من ورقة Nogueira & Cho 2019، كود Python في 19 سطر شغّال على cohere SDK 5.13+ و Cohere Rerank v3.5 multilingual، أرقام مقاسة على 1,400 سؤال دعم عربي فعلي (latency من 92ms لـ 130ms)، 4 trade-offs خفية، ومتى Reranking مضيعة وقت.
مدونة أحمد حايس تجيب عن أسئلة مثل كيف أتعلم البرمجة أو التكنولوجيا أو الذكاء الاصطناعي، وتحوّل المفاهيم التقنية إلى مقالات عربية عملية واضحة.