قیمت دلار انقدر نوسان داره که رستورانا هم مثل صرافی‌ها قیمت رو آنلاین نشون میدن.

نیم ساعت دیرتر سفارش بدی ممکنه ساندویچ بندری ۲۰ تومن گرون تر شده باشه.

@ITSecurityComputer

یه ابزار بامزه برای ساخت QR کد که شبیه QR کد معمولی نیست

لینک رو وارد می‌کنی و یه درخت سه‌بعدی از خود کد رشد می‌کنه.

از بالا همون QR قابل اسکنه و کاملاً تو مرورگر کار می‌کنه.

https://tree.icqr.com

@ITSecurityComputer

استاندارد T568B در شبکه 100Mbps

در ارتباط 100BASE-TX چهار پین برای انتقال دیتا استفاده می‌شوند و در PoE زوج‌های آزاد می‌توانند برای انتقال برق به‌کار بروند:

🟢 DATA: پین‌های 1، 2، 3 و 6
🔵 PoE (+): پین‌های 4 و 5
🔴 PoE (−): پین‌های 7 و 8
#شبکه #کابل_شبکه #کابل_لن #سوکت_شبکه #سوکت_RJ45


@ITSecurityComputer

رفقای عزیز چنلو بوست کنیم ایموجی های پریمویم باز کنیم 😍👇
https://t.me/boost/ITSecurityComputer

در این تصویر یک نمونه از ساختار شبکه یک شرکت را مشاهده می‌کنید؛ جایی که کامپیوترها، تلفن‌های تحت شبکه، دوربین‌های مداربسته، اینترنت و سیستم دزدگیر همگی از طریق تجهیزات داخل رک به یکدیگر متصل شده‌اند.
🗄️ در قلب شبکه معمولاً تجهیزاتی مانند: 🔹 پچ پنل
🔹 سوئیچ شبکه
🔹 روتر
🔹 مودم اینترنت
🔹 NVR دوربین‌ها
🔹 UPS و PDU

قرار می‌گیرند و ارتباط تمام تجهیزات را مدیریت می‌کنند.

⚠️ نکته مهم: این دیاگرام فقط یک نمونه ساده‌شده از شبکه یک شرکت است. در عمل، طراحی شبکه به عوامل مختلفی مثل تعداد کاربران، تعداد شعب، نیازهای امنیتی، تلفن VoIP، دوربین‌ها، سرورها و بودجه پروژه بستگی دارد.
ممکن است یک شرکت کوچک تنها یک سوئیچ و روتر داشته باشد، در حالی که یک سازمان بزرگ از چندین رک، VLAN، سرور، فایروال و لینک‌های ارتباطی متعدد استفاده کند.

🎯 هدف از این تصویر، آشنایی با مسیر کلی ارتباط تجهیزات در یک شبکه واقعی است؛ از رک و تجهیزات مرکزی تا نودهای کار...

@ITSecurityComputer

ربات گدا دیده بودین تا حالا ؟):
@ITSecurityComputer

میزان موفقیت رسیدن به قله اونقدر زیاده که حتی با کاهش دما هم بازم هر روز برق میره
برق که میره اب قطع میشه نت هم قطع میشه.
یعنی دراصل در روز دو ساعت یا بیشتر نه اب داریم نه برق نه نت !

گاز هم بزودی انلاک میشه

یه ورک‌شاپ یه‌ساعته که نشون می‌ده چطور Grok 4.6 رو داخل Cursor اجرا کنی و یه تیم از Grok Bots بسازی که کارها رو به‌جای تو انجام بدن.

- کاهش مصرف توکن
- ساخت Agentها
- حل مشکل فراموشی مدل
- یه پیاده‌سازی عملی کامل

سیو کنید که در زمان مناسب حتما ببینید، یه ساعت که می‌تونه دیدت به AI Agentها رو کاملاً عوض کنه.

@ITSecurityComputer

🔴 وزیر نیرو : خبر خوش برای ملت شریف ایران، قطعی های برق برنامه ریزی شده برق تموم شد.
+همین امروز برداشتن دروغ گو

@ITSecurityComputer

مهندسی معکوس Prompt | قسمت اول

چطور از روی یک خروجی، Prompt پشتش رو حدس بزنیم؟ تا حالا یک خروجی فوق‌العاده از ChatGPT، Midjourney، Nano Banana یا هر مدل دیگه‌ای دیدی و با خودت گفتی پرامپتش چی بوده که همچین چیزی ساخته؟ اینجا دقیقاً وارد دنیای Prompt Reverse Engineering می‌شیم.

اما یک نکته مهم قرار نیست Prompt اصلی رو با جادو پیدا کنیم ما از روی خروجی، ویژگی‌های مهمی که احتمالاً در Prompt وجود داشته رو شناسایی می‌کنیم و بعد یک Prompt جدید می‌سازیم که بتونه نتیجه‌ای مشابه ایجاد کنه.

قدم اول: خروجی رو تکه‌تکه کن
بزرگ‌ترین اشتباه اینه که یک تصویر یا متن رو یک‌جا نگاه کنیم و بگیم خب، پرامپتش رو بنویس اول باید خروجی رو به اجزای مختلف تقسیم کنیم.
مثلاً برای یک تصویر:

Subject
سوژه اصلی چیه؟

Environment
کجا قرار داره؟

Style
چه سبک بصری‌ای داره؟

Lighting
نور از کجاست و چه حالتی داره؟

Composition
سوژه کجای کادره؟

Camera
زاویه دوربین، فاصله، عمق میدان و نوع لنز چطوره؟

Color
رنگ‌ها گرم هستن یا سرد؟ کنتراست چطوره؟

Atmosphere
فضا چه حسی داره؟

یک مثال ساده فرض کن این تصویر رو داریم یک زن با لباس مشکی، کنار پنجره یک اتاق تاریک ایستاده؛ نور گرم غروب از پنجره وارد شده و بخش کوچکی از صورتش رو روشن کرده. به‌جای اینکه مستقیم بنویسیم پرامپت این عکس رو بنویس. اول مشاهداتمون رو استخراج می‌کنیم:

Subject:
Woman wearing black dress

Environment:
Dark minimalist interior, large window

Lighting:
Warm sunset light, side lighting

Composition:
Subject positioned near the window, cinematic framing

Mood:
Melancholic, intimate, contemplative

Style:
Cinematic realistic photography

حالا این اطلاعات رو تبدیل می‌کنیم به یک Prompt:

Cinematic realistic portrait of a woman wearing a black dress, standing beside a large window in a dark minimalist interior, warm sunset light entering from the side and illuminating part of her face, intimate composition, shallow depth of field, soft shadows, muted colors, melancholic and contemplative atmosphere, natural skin texture, high dynamic range

این یعنی Reverse Engineering. ما از:

Output → Observation → Components → Prompt

رسیدیم. اما یک نکته خیلی مهم هر چیزی که در خروجی می‌بینی الزاماً داخل Prompt نبوده. مثلاً اگر تصویر سینمایی شده، ممکنه Prompt شامل کلمه "cinematic" بوده باشه... اما ممکنه اصلاً این کلمه وجود نداشته باشه و مدل خودش از ترکیب بقیه دستورها به این نتیجه رسیده باشه. پس همیشه بین این دو تفاوت بذار:

What we see ≠ What was written

چیزی که می‌بینیم Evidence هست، نه لزوماً متن اصلی Prompt.

وقتی یک خروجی خوب دیدی، قبل از نوشتن Prompt از خودت این ۷ سؤال رو بپرس:

چی می‌بینم؟
سوژه اصلی چیه؟
چه محیطی داره؟
چه سبک و حسی داره؟
نور چطوره؟
ترکیب‌بندی چطوره؟
چه جزئیاتی باعث شده این خروجی خاص بشه؟
بعد جواب‌ها رو تبدیل کن به Prompt.

@ITSecurityComputer

🔴 پزشکیان : از ما که گذشت کاری نمیتونیم بکنیم ، لطفا جوونا لطفا بیان کشورو بسازن.

+ببخشید میشه بفرمایید حالا که از شما گذشته چرا رئیس جمهور هستین ؟

@ITSecurityComputer

مهندسی معکوس Prompt | قسمت دوم

از روی یک متن حرفه‌ای، Prompt پشتش رو پیدا کنیم در قسمت قبل یاد گرفتیم چطور از روی یک خروجی تصویری، اجزای احتمالی Prompt رو استخراج کنیم. حالا همین تکنیک رو برای متن هم استفاده می‌کنیم. فرض کن یک متن حرفه‌ای می‌بینی و با خودت می‌گی چطور AI تونسته همچین متنی بنویسه؟ به‌جای اینکه فقط بگی پرامپتش رو بده، اول باید متن رو کالبدشکافی کنیم.

قدم اول: لحن متن رو پیدا کن ببین متن چه شخصیتی داره:

رسمی یا خودمانی؟
تخصصی یا ساده؟
هیجانی یا خنثی؟
دوستانه یا جدی؟
تبلیغاتی یا آموزشی؟

مثلاً اگر متن روان، خودمانی و کوتاهه، احتمالاً Prompt چیزی شبیه این بوده:

Use a friendly and conversational tone.
Keep the language simple and easy to understand.
Avoid overly formal wording.

قدم دوم: ساختار رو پیدا کن به خود محتوا نگاه نکن؛ به ساختارش نگاه ک مثلاً:

Hook → توضیح → مثال → نکته مهم → CTA

پس احتمالاً Prompt هم ساختار خروجی رو مشخص کرده:

Structure the response as:
1. A strong opening hook
2. A short explanation
3. A practical example
4. One important takeaway
5. A short call to action

دو Prompt ممکنه درباره یک موضوع باشن، اما به خاطر تفاوت در ساختار خروجی کاملاً متفاوتی بدن.

قدم سوم: هدف متن رو پیدا کن از خودت بپرس این متن دقیقاً می‌خواد چه کاری انجام بده؟

آموزش بده
بفروشه
اطلاع‌رسانی کنه
سرگرم کنه
متقاعد کنه

مثلاً اگر متن آموزشی و مناسب تلگرامه:

Write an educational post designed for Telegram.
Make it useful, concise and engaging.

قدم چهارم: Context رو پیدا کن گاهی کیفیت متن فقط به دستور اصلی مربوط نیست؛ Context هم نقش بزرگی داره. مثلاً AI ممکنه بدونه مخاطب افراد مبتدی هستند. یا این متن برای کانال تلگرام نوشته می‌شود. پس باید از خودمون بپرسیم چه اطلاعاتی احتمالاً قبل از دستور اصلی در اختیار مدل بوده؟

قدم پنجم: محدودیت‌ها رو پیدا کن متن خوب معمولاً فقط نمیگه چه چیزی بنویس؛ بلکه مشخص می‌کنه چه چیزی ننویس. مثلاً:

کلمات پیچیده استفاده نکن
مقدمه طولانی ننویس
اطلاعات ساختگی اضافه نکن
بیش از حد رسمی نباش

ممکنه Prompt شامل چنین محدودیت‌هایی بوده باشه:

Avoid:
- overly formal language
- unnecessary explanations
- generic introductions
- unsupported claims

 حالا همه‌چیز رو کنار هم بذاریم فرض کن متن این ویژگی‌ها رو داره:

لحن: خودمانی
مخاطب: مبتدی
هدف: آموزش
ساختار: Hook → Explanation → Example → Tip
فرمت: مناسب تلگرام
محدودیت: کوتاه و بدون لحن کتابی

حالا یک Prompt احتمالی:

Write a practical educational post for Telegram.

Audience:
Beginners with little technical knowledge.

Tone:
Friendly, conversational and easy to understand.
Avoid overly formal or academic language.

Structure:
1. Start with a strong hook.
2. Explain the concept simply.
3. Give a practical example.
4. End with one useful takeaway.

Style:
Short paragraphs, clear formatting and natural Persian.

Avoid:
Generic introductions, unnecessary details and overly complex terminology.

دقت کن ما ادعا نمی‌کنیم این Prompt اصلی بوده. ما یک Prompt می‌سازیم که بتواند ویژگی‌های مشاهده‌شده در خروجی را بازسازی کند. تکنیک حرفه‌ای:

Output → Hypothesis → Test

خروجی رو تحلیل کن

↓

ویژگی‌های احتمالی Prompt رو حدس بزن

↓

پرامپت بازسازی‌شده رو بنویس

↓

دوباره خروجی بگیر

↓

با متن اصلی مقایسه کن

↓

پرامپت رو اصلاح کن

یعنی:

Observe → Hypothesize → Generate → Compare → Refine

@ITSecurityComputer