Channel
@pytorch_howsam
On this record: Topic · Growth · Engagement · Posts · Citations · Telegram's recommendations · Cite this entry
3,597subscribers
+109 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of 3,162–10,000.
| Telegram ID | -1001238258732 |
|---|---|
| Type | Channel |
| Username | @pytorch_howsam |
| Created | Between 1 March 2018 and 31 July 2021 — estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 6 August 2026 |
| Last confirmed live | 17 September 2026 |
| Measurements held | 15 |
| Confirmed unchanged | 1 time, most recently 17 September 2026 |
| On Telegram | t.me/pytorch_howsam |
Technology — a classification, not a measurement. An on-box language model (Qwen3.6-35B-A3B-FP8, prompt version 1) read this channel’s own recent posts on 14 September 2026 and assigned it the closest of 31 fixed categories, at 87% confidence. This is a model’s judgement about what the channel is likely to be about, not a fact this register measured the way a subscriber count or a view count is measured — it can be revised on a later pass, and it carries no weight anywhere else on this page. How this classification works, and why it has no browse page of its own yet.
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 17 Sept 2026, 20:18 | 3,597 | +10 |
| 13 Sept 2026, 14:02 | 3,587 | +5 |
| 9 Sept 2026, 23:15 | 3,582 | +5 |
| 5 Sept 2026, 02:38 | 3,577 | -3 |
| 1 Sept 2026, 09:18 | 3,580 | +4 |
| 29 Aug 2026, 12:15 | 3,576 | +1 |
| 26 Aug 2026, 02:25 | 3,575 | +21 |
| 23 Aug 2026, 02:27 | 3,554 | +19 |
| 19 Aug 2026, 19:27 | 3,535 | +18 |
| 16 Aug 2026, 08:57 | 3,517 | +10 |
| 12 Aug 2026, 09:47 | 3,507 | +9 |
| 8 Aug 2026, 23:01 | 3,498 | +9 |
| 6 Aug 2026, 08:01 | 3,489 | +1 |
| 6 Aug 2026, 05:20 | 3,488 | no change |
| 6 Aug 2026, 05:19 | 3,488 | first reading |
19 posts held, back to 21 July 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 3 pages of Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 19 posts for this entry, the most recent from 5 August 2026. An engagement rate over an empty window would be a number about nothing.
۴. مهندسی لوپ (Loop Engineering) — سیستم خودمختار توی حالت عادی ما باید مدام پرامپت بزنیم و منتظر جواب بمونیم. اما توی این لایه، ایجنت خودش روی یک حلقه افتاده و انقدر کار رو تکرار میکنه تا به هدف برسه. چالش اصلی این لایه اینه که شرط توقف واقعی براش بذاریم تا وسط کار گیر نکنه یا اشتباهی فکر نکنه کارش تموم شده. مثال: بهش بگی «کل باگهای این پروژه نرمافزاری رو برطرف کن». ایجنت خودش کد مینویسه، تست میکنه، باگ جدید …
تا الان به این فکر کردی که یک ایجنت کدنویس از صفر چطوری ساخته میشه؟ ایجنتی که مثل کلاد کد یا کدکس برات کد بزنه، اجرا بگیره، به فایلهای سیستمت دسترسی داشته باشه، لوپ، تولز، هارنس، صفبندی و ... وبسایت decodingai درحال آمادهسازی چنین کورسی هست. یک ایجنت کدنویس آماده کردن که همین الان میشه ازش استفاده کرد. کورسشون متنی و البته سنگین هست! تا الان دو جلسه ازش منتشر شده و من جلسه اولش رو به زور و زحمت فراوان (به خاطر وق…
۳. مهندسی هارنس (Harness Engineering) — کدهای دورِ مدل این لایه شامل مواردیه که دور مدل قرار میگیره تا بتونه ابزارها رو به کار بگیره، خطاهاش رو تست کنه و خروجی رو بسنجه. پرامپت فقط یک حرف زدنه، اما هارنس اون حرف رو توی دنیای واقعی اجرا و اعتبارسنجی میکنه. مثال: از ایجنت میخوای یک کد پایتون بنویسه. مدل کد رو تولید میکنه، اما لایه هارنس خودش کد رو اجرا میکنه؛ اگه کد خطا داد، متن خطا رو برمیگردونه به مدل تا اصلا…
۲. مهندسی کانتکست (Context Engineering) — مدیریت حافظه حافظه و حافظه کوتاهمدت مدل (Context Window) محدوده. اگه همه چتهای قبلی یا یه فایل ۱۰۰ صفحهای رو یکجا بریزیم جلوش، گیج میشه یا بیدقت جواب میده. کار این لایه اینه که اطلاعات اضافی رو حذف کنه و فقط چیزهای واجب رو بده به مدل. مثال: وقتی از یک PDF طولانی درباره سوابق کاریت سوال میپرسی، سیستم کل فایل رو به مدل نمیده؛ اول میگرده و فقط اون ۲ صفحهای که مربوط …
۱. مهندسی پرامپت (Prompt Engineering) — پیام به مدل این سادهترین لایهست. یعنی اینکه چطور متنِ درخواستمون رو تنظیم کنیم تا مدل بهترین جواب رو بده؛ مثلاً بهش نقش بدیم، فرمت خروجی رو مشخص کنیم یا چند تا مثال بذاریم. مثال: به جای اینکه فقط بگی «یه دستور پخت بده»، میگی: «تو یک آشپز حرفهای هستی، دستور پخت قرمهسبزی رو دقیقاً در قالب یک لیست ۳ مرحلهای برام بنویس.»
حتماً شنیدین که میگن «خودِ مدل زبانی فقط یه هسته پردازشیه و اصل کار، کدهاییه که دورش میزنیم». میخوام درباره ۴ لایه مهندسی که دور مدل کشیده میشه توضیح بدم. این 4 لایه موارد زیر هستن: - Prompt Engineering - Context Engineering - Harness Engineering - Loop Engineering هرقدر از لایه اول به سمت لایه چهارم میریم، سیستم خودکارتر و بزرگتر میشه. در پستهای جداگانه درباره هریک از این لایهها به زبانی ساده همراه با مث…
کلیک: ملاقات با شایان اویسقرن دانشمند جوان ایرانی که جایزه جهانی آباکوس رو بُرده. این مدال هر چهار سال یکبار به دانشمندان زیر ۴۰ سال در حوزه علوم رایانه اعطا میشود و اویس قرن بهپاس دستاوردهایش در نظریه الگوریتمها موفق به دریافت آن شد. او که در حل مساله «فروشنده دورهگرد» و نظریه «نمونهگیری تصادفی» دستاوردهای بینظیری دارد، توانست رکوردی ۴۰ ساله را بشکند. https://youtu.be/O_T_P6o6sRc
Signed Ali Farajnia
Google Flow Music's New Model Lyria 3.5 Lyria 3.5 is here مدل لیریا 3.5 گوگل که برای ساخت موزیک هست، هم آمد ... https://www.flowmusic.app/
Signed Ali Farajnia
کتاب راهنمای AI Agents و MCP هر دو کتاب رایگان هستن. هنوز دقیق نخوندم، اما یک نگاه مختصر بهشون انداختم و دو سه صفحه اول MCP رو خوندم. متن بسیار کم و شکلهای بسیار زیاد داره. کتاب راهنماست. به نظرم کتابهای ساده و مفیدی به نظر میان. آپدیت: دیشب mcp رو خوندم. خوبه. ساده و فانتزی گفته. یک عالمه پروژه هم گذاشته.
ریپوی محبوب book-to-skill برای تبدیل کتاب به یک Skill ایجنت یک نفر در X این ریپو رو معرفی کرده بود: ایده این ریپو جالب book-to-skill کتابها را به Skillهای Claude تبدیل میکند بهجای اینکه کل کتاب بهعنوان کانتکست بارگذاری شود فقط فصل مرتبط در زمان نیاز استفاده میشود. هم توکن کمتری مصرف میشود و هم پاسخها به محتوای واقعی کتاب نزدیکتر هستند لینک
آزمون n8n این فایل PDF شامل 20 سوال از بخشهای مختلف n8n هست. ماجرای این آزمون چی هست؟ چند وقت پیش، قرار شد برای شرکت داتین کلاس n8n برگزار کنیم. این سوالهای پیشآزمون دوره هست؛ برای اینکه کسانی که قبلا کار کردن و مطالب دوره براشون تکراری هست، دیگه در دوره شرکت نکنن. سوالها رو با کلاد ساختم. البته، این اولین خروجیش نیست. اما، طی چند رفت و برگشت و یک ساعت زمان گذاشتن، 80% رضایت من رو جلب کرد. چون ملاحظه خاصی ندا…
پاداش ۱۰۰ درصدی شارژ: اولین شارژ ۵ دلاری خود را انجام دهید و ۵ دلار پاداش اضافه دریافت کنید! پاداش در بخش API هم جالبه، به نظرم برای کسب و کارهای خورد میتونه خوب باشه. بعد از اینکه حساب خودتون رو ۵ دلار شارژ کردید، یک کوپن (کوپن هدیه) ۵ دلاری دریافت می کنید، که مجموع شارژ میشه ۱۰ دلار. این پیشنهاد تنها یکبار قابل استفاده است. با رسیدن مجموع شارژ به ۱۰ دلار، سطح ۱ (Tier1) برای تجربه کاربری بهتر برای شما فعال میش…
Signed Ali Farajnia
Showing the 12 most recent of 19 posts we hold for @pytorch_howsam. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republished by
Channels on the register that have forwarded this channel's posts into their own feed.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Named by 2 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
The reverse of the list above, and a different kind of signal. This does not require this channel to have ever been asked about directly — each row below is a channel we DID ask Telegram about, whose Telegram-generated list happened to include this one. A channel can appear here with an empty list above it, because being named by someone else’s query is independent of having been queried itself.
This channel appears in 13 seed channels' Telegram-generated recommendation lists in total. Each is Telegram’s list for THAT channel, not this one — see how this is measured.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 17 September 2026 — this entry's latest reading, not the date you are reading this.
“AI Agents | Howsam” (@pytorch_howsam), 3,597 subscribers as measured 17 September 2026. Telegram Register, tgregister.com/channel/pytorch_howsam.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.