Humanize all Persian copy across the site

Rewrite the FA strings sitewide in natural, human Persian (English unchanged),
removing translation calques like «معمار راهکار», «هوش مصنوعی تولیدی»,
«موارد کاربری», «چرخه‌های هیجان», «استقرار در تولید», «محیط تولید».

Covers: hero, services, pipeline, stack, expertise, portfolio, blog, contact
(Index), nav/meta/footer (_Layout), the /blog list + per-post FA titles
(BlogIndexModel, PostModel). Also removed two stray English em-dashes in the
blog excerpts.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

Pages/Blog/Index.cshtml

@@ -11,7 +11,7 @@
       <h1 class="@(fa ? "font-fa" : "")" style="font-size:clamp(2rem,4vw,2.75rem)">
         @(fa ? "یادداشت‌های مهندسی" : "Engineering notes")
       </h1>
-      <p class="lede mt-4">@(fa ? "یافته‌ها از پروژه‌های واقعی. نه ترجمه‌ی مقاله، نه فهرست هیجان." : "Findings from real engagements. Not translated articles, not hype lists.")</p>
+      <p class="lede mt-4">@(fa ? "درس‌هایی از پروژه‌های واقعی. نه ترجمه‌ی مقاله، نه شعار توخالی." : "Findings from real engagements. Not translated articles, not hype lists.")</p>
     </div>
 
     <div class="border-b border-zinc-200">

Pages/Blog/Index.cshtml.cs

@@ -10,19 +10,19 @@ public class BlogIndexModel : BasePageModel
     {
         var fa = IsFa;
         Posts = fa ? new BlogPost[]{
-            new("rag-eval-framework","LLM","چارچوب ارزیابی RAG که در تولید کار می‌کند","چرا BLEU و ROUGE برای RAG ناکافی‌اند، و معیارهایی که در پروژه‌های واقعی تصمیم می‌سازند.",8),
-            new("agentic-n8n-patterns","Automation","الگوهای عامل‌محور با n8n برای سازمان","چگونه n8n را با LangGraph ترکیب کنیم تا گردش‌کارهای قابل ممیزی بسازیم.",11),
-            new("vertex-cost-control","Google Stack","کنترل هزینه روی Vertex AI در مقیاس بالا","سه ضدالگو که در ۸۰٪ پروژه‌های Vertex می‌بینم، و چگونه ۶۰٪ هزینه را کاهش دادیم.",6),
-            new("k8s-llm-inference","Infra","استنتاج LLM روی Kubernetes با تأخیر زیر ۵۰ میلی‌ثانیه","الگوی استقرار با KEDA، GPU sharing، و request hedging برای سرویس‌دهی پایدار.",14),
-            new("flutter-on-device-ai","Mobile","هوش مصنوعی on-device در Flutter","استفاده از Gemini Nano و LiteRT برای استنتاج آفلاین در اپلیکیشن‌های موبایل.",9),
-            new("enterprise-ai-roadmap","Strategy","نقشه راه هوش مصنوعی سازمانی در ۹۰ روز","چارچوبی که برای CTOها می‌سازم — از کشف موارد کاربری تا اولین استقرار تولید.",7),
+            new("rag-eval-framework","LLM","چارچوب ارزیابی RAG که در عمل جواب می‌دهد","چرا BLEU و ROUGE برای RAG کافی نیستند، و معیارهایی که واقعاً به تصمیم کمک می‌کنند.",8),
+            new("agentic-n8n-patterns","Automation","الگوهای عامل‌محور با n8n برای سازمان","چطور n8n را با LangGraph ترکیب کنیم تا گردش‌کارهای خودکار و قابل‌ردیابی بسازیم.",11),
+            new("vertex-cost-control","Google Stack","کنترل هزینه روی Vertex AI در مقیاس بالا","سه اشتباه رایج که در بیشتر پروژه‌های Vertex می‌بینم، و اینکه چطور ۶۰٪ هزینه را کم کردیم.",6),
+            new("k8s-llm-inference","Infra","اجرای LLM روی Kubernetes با تأخیر زیر ۵۰ میلی‌ثانیه","الگوی استقرار با KEDA، اشتراک GPU و request hedging برای سرویس‌دهی پایدار.",14),
+            new("flutter-on-device-ai","Mobile","هوش مصنوعی روی دستگاه در Flutter","استفاده از Gemini Nano و LiteRT برای پردازش آفلاین در اپ‌های موبایل.",9),
+            new("enterprise-ai-roadmap","Strategy","نقشه‌ی راه هوش مصنوعی سازمانی در ۹۰ روز","چارچوبی که برای مدیران فنی می‌چینم؛ از پیدا کردن بهترین ایده تا اولین اجرای واقعی.",7),
         } : new BlogPost[]{
             new("rag-eval-framework","LLM","A RAG evaluation framework that holds up in production","Why BLEU and ROUGE fall short for RAG, and the metrics that actually drive decisions in real projects.",8),
             new("agentic-n8n-patterns","Automation","Agentic patterns with n8n for the enterprise","How to combine n8n with LangGraph to build auditable, debuggable autonomous workflows.",11),
-            new("vertex-cost-control","Google Stack","Vertex AI cost control at scale","Three anti-patterns I see in 80% of Vertex projects — and how we cut 60% of monthly spend.",6),
+            new("vertex-cost-control","Google Stack","Vertex AI cost control at scale","Three anti-patterns I see in 80% of Vertex projects, and how we cut 60% of monthly spend.",6),
             new("k8s-llm-inference","Infra","Sub-50ms LLM inference on Kubernetes","Deployment pattern with KEDA, GPU sharing, and request hedging for stable serving.",14),
             new("flutter-on-device-ai","Mobile","On-device AI in Flutter","Using Gemini Nano and LiteRT for offline inference inside mobile apps.",9),
-            new("enterprise-ai-roadmap","Strategy","A 90-day enterprise AI roadmap","The framework I build for CTOs — from use-case discovery to first production deployment.",7),
+            new("enterprise-ai-roadmap","Strategy","A 90-day enterprise AI roadmap","The framework I build for CTOs, from use-case discovery to first production deployment.",7),
         };
     }
 }

Pages/Blog/Post.cshtml.cs

@@ -17,12 +17,12 @@ public class PostModel(ContentService content) : BasePageModel
     // Default bodies (Markdown-lite, rendered server-side)
     private static readonly Dictionary<string, (string Cat, string TitleEn, string TitleFa, int RT, string Body)> _defaults = new()
     {
-        ["rag-eval-framework"]    = ("LLM",          "A RAG evaluation framework that holds up in production",     "چارچوب ارزیابی RAG که در تولید کار می‌کند",    8,  DefaultBodies.RagEval),
+        ["rag-eval-framework"]    = ("LLM",          "A RAG evaluation framework that holds up in production",     "چارچوب ارزیابی RAG که در عمل جواب می‌دهد",    8,  DefaultBodies.RagEval),
         ["agentic-n8n-patterns"]  = ("Automation",   "Agentic patterns with n8n for the enterprise",               "الگوهای عامل‌محور با n8n برای سازمان",          11, DefaultBodies.N8nPatterns),
         ["vertex-cost-control"]   = ("Google Stack", "Vertex AI cost control at scale",                            "کنترل هزینه روی Vertex AI در مقیاس بالا",       6,  DefaultBodies.VertexCost),
-        ["k8s-llm-inference"]     = ("Infra",        "Sub-50ms LLM inference on Kubernetes",                       "استنتاج LLM روی Kubernetes با تأخیر زیر ۵۰ ms",14, DefaultBodies.K8sInference),
-        ["flutter-on-device-ai"]  = ("Mobile",       "On-device AI in Flutter",                                    "هوش مصنوعی on-device در Flutter",               9,  DefaultBodies.FlutterAI),
-        ["enterprise-ai-roadmap"] = ("Strategy",     "A 90-day enterprise AI roadmap",                             "نقشه راه هوش مصنوعی سازمانی در ۹۰ روز",        7,  DefaultBodies.EnterpriseRoadmap),
+        ["k8s-llm-inference"]     = ("Infra",        "Sub-50ms LLM inference on Kubernetes",                       "اجرای LLM روی Kubernetes با تأخیر زیر ۵۰ میلی‌ثانیه",14, DefaultBodies.K8sInference),
+        ["flutter-on-device-ai"]  = ("Mobile",       "On-device AI in Flutter",                                    "هوش مصنوعی روی دستگاه در Flutter",               9,  DefaultBodies.FlutterAI),
+        ["enterprise-ai-roadmap"] = ("Strategy",     "A 90-day enterprise AI roadmap",                             "نقشه‌ی راه هوش مصنوعی سازمانی در ۹۰ روز",        7,  DefaultBodies.EnterpriseRoadmap),
     };
 
     public void OnGet()