🛠 معرفی ابزار: ⁦FreeLLMAPI⁩

اگه با هوش مصنوعی کار می‌کنی و همیشه سرِ پول‌دادن به ⁦OpenAI⁩ و ⁦Anthropic⁩ گیر کردی، این ابزار دقیقاً برای توئه.

ماجرا چیه؟
تقریباً همه‌ی شرکت‌های بزرگ ⁦AI⁩ یه «پلنِ رایگان» دارن — مثلاً ماهی چند میلیون توکن مجانی. هر کدوم به‌تنهایی یه اسباب‌بازیه و زود تموم می‌شه. ولی ⁦FreeLLMAPI⁩ پلنِ رایگانِ ۱۶ تا ارائه‌دهنده (⁦Google⁩، ⁦Groq⁩، ⁦Mistral⁩، ⁦Cerebras⁩، ⁦OpenRouter⁩، ⁦Cloudflare⁩، ⁦GitHub Models⁩ و…) رو روی هم می‌چینه و در عمل بهت حدود ۱.۷ میلیارد توکن در ماه می‌ده — همه مجانی.

چطوری کار می‌کنه؟
این ابزار همه‌ی این سرویس‌ها رو پشت یه آدرسِ واحد که با ⁦OpenAI⁩ سازگاره جمع می‌کنه. یعنی توی هر برنامه یا کدی که با ⁦OpenAI⁩ کار می‌کنه، فقط کافیه ⁦base⁩_⁦url⁩ رو عوض کنی — دیگه لازم نیست ۱۶ تا ⁦SDK⁩ و ۱۶ تا کلید مختلف رو جدا مدیریت کنی.

یه روترِ هوشمند داخلش هست که خودش بهترین مدلِ در دسترس رو انتخاب می‌کنه، و اگه یکی به سقفِ مصرف رسید یا خطا داد، خودکار می‌ره سراغ بعدی. کلیدهات هم رمزنگاری‌شده (⁦AES-256⁩) ذخیره می‌شن.

چرا برای ما مهمه؟
چون مانعِ اصلیِ خیلی از ما پرداخت با کارت ایرانیه، نه دسترسی. این ابزار متن‌باز (⁦MIT⁩) و رایگانه، رو سرور خودت با یه دستور ⁦Docker⁩ بالا میاد، و کلیدهات پیش خودت می‌مونن.

⚠️ صادقانه بگم، محدودیت هم داره:
— مدل‌های سطح‌بالا (مثل ⁦GPT-5⁩ یا ⁦Claude Opus⁩) توش نیست؛ سقفش مدل‌هایی مثل ⁦Llama 3.3⁩ و ⁦Gemini 2.5 Pro⁩ و ⁦Qwen3⁩ ـه. برای کارهای خیلی سنگین باید ⁦API⁩ پولی بخری.
— هر چی به آخر روز نزدیک‌تر می‌شی، مدل‌های قوی‌ترش سهمیه‌شون تموم می‌شه و کیفیت میاد پایین (نیمه‌شب ⁦UTC⁩ ریست می‌شه).
— خودِ سازنده می‌گه این برای آزمایش و یادگیریه، نه محصولِ نهایی.

راه‌اندازیش هم یه دستوره (⁦Docker⁩ لازمه):
‏⁦curl -fsSL https⁩://⁦freellmapi.co/install.sh⁩ | ⁦bash⁩

برای آزمایش و یادگیری، یه ابزار عالیه. 🔥

تشخیص عکس‌های ⁦AI⁩ دیگه اونقدرا راحت نیست.

ابزارهای جدید تولید تصویر تو شبیه‌سازی نور طبیعی، بافت پوست و جزئیات لباس انقدر پیشرفت کردن که فقط نگاه کردن به دست‌ها یا صورت کافی نیست.

یه تست عملی: یه عکس رو تو سایت ⁦Undetectable.ai⁩ بررسی کردم — سیستم اعلام کرد احتمالاً با ⁦AI⁩ ساخته شده و فقط ۷٪ شانس واقعی بودن بهش داد. البته این عدد قطعی نیست.

یه چیز که باید بدونی: دیتکتورهای ⁦AI⁩ خطا دارن. ویرایش عکس، اسکرین‌شات گرفتن، یا فشرده‌سازی توی تلگرام و واتس‌اپ می‌تونه محاسبات این ابزارها رو دور بزنه و گیجشون کنه.

اگه می‌خوای خودت عکس‌های مشکوک رو چک کنی، ۵ ابزار هستن که بدردت می‌خورن:

۱. سایت ⁦Undetectable.ai⁩ — عکس رو آپلود می‌کنی و درصد احتمال واقعی یا فیک بودن رو نشون میده.
۲. سایت ⁦Hive Moderation⁩ — سریع عکس رو با مدل‌های تولید ⁦AI⁩ تطبیق میده و مشخص می‌کنه چقدر احتمال داره ساختگی باشه.

داستان «مدل‌های چینی از آمریکایی‌ها پیشی گرفتن» این روزا همه جا پخش شده. بخشی ازش واقعیه، بخشی هم کمی اغراق‌آمیزه.

در حجم استفاده؟ آره، کاملاً درسته. مدل‌های چینی مثل ⁦DeepSeek⁩، ⁦Qwen⁩ و ⁦GLM⁩ دارن حجم ⁦Token⁩ عظیمی رو روی پلتفرم‌هایی مثل ⁦OpenRouter⁩ جذب می‌کنن. قیمت پایین‌شون باعث شده توی کدنویسی و کارهای ⁦agentic⁩ حسابی بترکونن. این یه تغییر واقعیه.

در برتری فناوری و عملکرد مطلق؟ هنوز نه. مدل‌های بسته غربی مثل سری ⁦Claude⁩ و ⁦GPT-5.5⁩ توی بنچمارک‌های کلی و ترجیح انسانی کمی جلوترن.

در مورد ⁦GLM-5.2⁩ هم — که الان قوی‌ترین مدل ⁦open-weights⁩ دنیاست — وزن‌هاش واقعاً بازه و لایسنس ⁦MIT⁩ داره، که ارزشمنده. ولی هزینه اجرا و ⁦Fine-tuning⁩ در مقیاس بزرگ هنوز بالاست. پس ادعای «کاملاً باز و ارزون» یکم اغراق‌آمیزه.

چین با تمرکز روی کارایی و ⁦Open Source⁩ فشار زیادی آورده. غربی‌ها دیگه غیرقابل رقابت نیستن، اما در «بهترین مطلق» هنوز کمی جلوترن — و فاصله داره سریع کم می‌شه.

در بلندمدت به نظرتون کی برنده می‌شه؟ 🤖

خیلی از مغازه‌دارها، پیمانکارها و فریلنسرهای ایرانی هیچ نرم‌افزار حسابداری ندارن — نه به خاطر گرونی، بلکه چون حتی نرم‌افزارهای ساده هم برای اونا پیچیده‌ست. این ربات تلگرامی یه دفترچه مالی صوتی/متنی هوشمنده: کاربر می‌فرسته «امروز ۴ میلیون از محمد گرفتم بابت نصب کولر» و ربات این رو دسته‌بندی، ثبت، و در پایان ماه خلاصه‌اش می‌کنه.

قابلیت‌های اصلی: ثبت درآمد/هزینه با زبان طبیعی فارسی، یادآوری بدهی‌های دریافتنی («فلانی هنوز ۲ میلیون بدهکاره»)، گزارش ماهانه ⁦PDF⁩، و هشدار مالیاتی ساده برای مشمولان سامانه مودیان. هیچ اکسل و فرم پیچیده‌ای نیست — همه چیز چت.

مشتری هدف: پیمانکاران ساختمانی، آرایشگاه‌ها، تعمیرکارها، فریلنسرهای طراح — یعنی اون دسته‌ای که الان همه چیز رو توی دفترچه کاغذی یا ذهنشون نگه می‌دارن. اشتراک ماهانه ۵۰ تا ۱۵۰ هزار تومان — قیمتی که به راحتی توجیه می‌شه.

برای مهندس‌ها، ⁦PM⁩‌ها و دیزاینرهایی که موسم ارزیابی عملکردشونه.

هر سه‌ماه باید ⁦self-review⁩ بنویسی ولی یادداشت‌هات یه آشغالدونیِ پراکنده‌ست — پیام‌های ⁦Slack⁩، اسم پروژه‌ها، عددهایی که یادته ولی منظمشون نکردی. این پرامپت همه اینا رو می‌گیره و تبدیل می‌کنه به بولت‌های ساختاریافته با فرمول ⁦XYZ⁩؛ یعنی: «به [⁦X⁩] رسیدم، که با [⁦Y⁩] اندازه‌گیری شد، از طریق [⁦Z⁩]».

خروجی دسته‌بندی‌شده‌ست (تأثیر فنی، رهبری تیم، بهبود فرایند و...)، جاهایی که عدد نداری مشخص می‌کنه و می‌گه کجا پیداش کنی، و یه خلاصه ۲-۳ جمله‌ای هم می‌نویسه که می‌تونی اول ارزیابیت بذاریش.

هر چی بیشتر بریزی توش — حتی پروژه‌هایی که نشد ارائه بشن — بهتر کار می‌کنه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior career coach and performance writing specialist with 15+ years helping professionals at [YOUR COMPANY TYPE: tech startup / Fortune 500 / consulting firm / agency] document their impact for annual and quarterly reviews.

I need to transform rough notes about my work accomplishments into polished performance review bullet points using the XYZ formula: "Accomplished [X] as measured by [Y] by doing [Z]."

My context:
- Role: [YOUR JOB TITLE]
- Review period: [QUARTER/YEAR, e.g., Q2 2026]
- My rough notes (paste everything — half-finished thoughts, numbers, project names, outcomes):
[PASTE YOUR ROUGH NOTES HERE]

Your task:
1. Extract every distinct accomplishment from my notes
2. For each accomplishment, write an XYZ-formula bullet point:
   - X = the result or outcome (be specific and quantified when possible)
   - Y = the metric or evidence that proves it (numbers, percentages, dollar amounts, time savings, user counts)
   - Z = the specific action or method I took
3. Flag any accomplishments where I am missing quantifiable impact — suggest what number I should try to find
4. Group bullets into 3-4 themes (e.g., Technical Impact, Team Leadership, Business Results, Process Improvement)
5. Write an executive summary (2-3 sentences) capturing my overall contribution for the period

Constraints:
- Each bullet must start with a strong action verb
- No bullet longer than 2 lines
- If I do not have a metric, write "~[estimated X]%" and flag it for me to verify
- Tone: confident, specific, not self-aggrandizing

Output format:
## Executive Summary
[2-3 sentences]

## [Theme 1]
- [XYZ bullet]
- [XYZ bullet]

## [Theme 2]
...

## Missing Metrics (verify before submitting)
- [Accomplishment]: What number would strengthen this? Suggested: [metric to find]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

ده روز از اختلال چهار بانک گذشته و هنوز معلوم نشده حمله سایبری دقیقاً از کجا اومده.

یه عضو کمیسیون اقتصادی مجلس که جلسه‌ای با وزیر اقتصاد، بانک مرکزی و مدیران عامل چهار بانک داشته، گفته حتی تعویض سخت‌افزار هم مشکل رو حل نکرده. برآوردشون اینه که دو هفته دیگه اوضاع کامل درست بشه.

ریشه ماجرا اینه که حمله به زیرساخت شرکت خدمات انفورماتیک خورده — همون شرکتی که هسته خدماتی این چهار بانک رو می‌چرخونه و ارائه‌دهنده شتاب و شاپرک هم هست. بانک مرکزی ۴۶ درصد سهامشو داره و سه تا از همین بانک‌های مشکل‌دار هم توش سهامدارن.

چند تا نکته مهم:

سامانه‌های بین‌بانکی سالم موندن و الان ازشون برای خدمات پایه استفاده می‌شه.

برخلاف حمله به بانک سپه توی جنگ ۱۲ روزه، این‌بار نشت اطلاعاتی نداشتیم.

بانک توسعه صادرات مشکلش حل شده. بانک تجارت هم با یه سولوشن اختصاصی بیشتر خدماتش رو راه انداخته. ولی دو بانک دیگه به سامانه هور وابسته‌ن و هنوز درگیرن.

بانک صادرات هم گفته تا آخر هفته همه خدمات به‌جز چک رو راه می‌اندازه.

یه چیزی هم که مطرح شد: زیرساخت سخت‌افزاری بانکی ایران روی مین‌فریم‌های ⁦IBM⁩ آمریکاست، که به گفته این نماینده ریسک قابل توجهی داره. 🔴

دو شرکت چینی هوش مصنوعی، ⁦Zhipu⁩ و ⁦MiniMax⁩، تو بورس هنگ‌کنگ ۲۳ درصد رشد کردن.

پشت این جهش دو تا عامل اصلی هست: حمایت‌های دولت پکن و تقاضای جهانی رو به رشد برای ⁦LLM.⁩ سرمایه‌گذارایی که نگران تحریم‌ها بودن، حالا می‌بینن این شرکت‌ها تونستن اون موانع رو رد کنن و اعتمادشون رو جلب کردن.

پکن با سیاست‌های تشویقی، عملاً شرایط صعود تاریخی ⁦AI⁩ رو فراهم کرده. بورس هنگ‌کنگ هم طبق این تحلیل، فقط اولین ایستگاه توی این مسیره، نه مقصد نهایی.

موازنه قدرت تو بازار تکنولوژی شرق داره تغییر می‌کنه. ⚡

ترامپ دیروز (۲۲ ژوئن ۲۰۲۶) دو دستور اجرایی درباره‌ی فناوری کوانتومی امضا کرد. هدفشون اینه که آمریکا تو کامپیوترهای کوانتومی، سنسورها و شبکه‌های کوانتومی پیشرو جهان بشه و امنیت ملیش رو هم تقویت کنه.

اولین دستور وزارتخونه‌های فدرال — از انرژی گرفته تا دفاع و بازرگانی — رو مأمور کرده که استراتژی ملی کوانتومی رو به‌روز کنن. هدف مشخصه: ساخت اولین کامپیوتر کوانتومی قدرتمند و کاربردی، هم پژوهشی هم تجاری، تا سال ۲۰۲۸. ⚡

دستور دوم روی امنیت ملی تمرکز داره — حفاظت از تحقیقات کوانتومی آمریکا در برابر جاسوسی کشورهای رقیب (به‌خصوص چین)، گسترش تیم‌های ضدجاسوسی کوانتومی، و سرعت‌بخشیدن به مهاجرت به ⁦post-quantum cryptography⁩؛ یعنی رمزنگاری‌هایی که کامپیوترهای کوانتومی هم نمی‌تونن اونا رو بشکنن.

توی ⁦Grok Build⁩ یه قابلیت جدید اومده به اسم /⁦goal⁩ که ایده‌اش ساده‌ست: یه هدف می‌دی، بقیه‌اش با خودشه.

یه تسک پیچیده بهش می‌سپاری، خودش برنامه‌ریزی می‌کنه، با چند تا ایجنت اجراش می‌کنه و چکش می‌کنه، و تا وقتی که کامل و تست‌شده نشه ادامه می‌ده.

چند دور ایجنت‌های مختلف روی همون هدف کار می‌کنن — یکی پیاده‌سازی می‌کنه، یکی تأیید می‌کنه، و این چرخه تا نتیجه درست در نیاد می‌چرخه.

برای تسک‌هایی که طولانی‌ان و جزئیات زیاد دارن، این طراحی می‌تونه خیلی کاربردی باشه. 🤖

وقتی ۳۰ دقیقه به جلسه مونده و هنوز هیچی درباره طرف مقابل نمی‌دونی — این ⁦Prompt⁩ دقیقاً برای همین لحظه‌ست.

اسم شرکت‌کننده‌ها، هدف جلسه، و هر اطلاعات زمینه‌ای که داری رو بهش می‌دی؛ در عوض یه سند آماده‌سازی ساختاریافته می‌گیری که شامل ⁦briefings⁩، ⁦talking points⁩، و سوال‌های هدفمند هست. کل سند رو می‌شه تو ۲ دقیقه خوند و آماده وارد جلسه شد.

برای موقعیت‌هایی مثل اولین جلسه با یه مشتری ناشناس، یه ۱:۱ ناخواسته با مدیر ارشد، یا یه بررسی بودجه با ریسک بالاتر از معمول.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as an expert executive briefing analyst who specializes in rapid meeting preparation.

I have an upcoming meeting with the following details:
- Meeting type: [ONE-ON-ONE / TEAM MEETING / CLIENT CALL / SALES CALL / PERFORMANCE REVIEW / NEGOTIATION / BOARD PRESENTATION / OTHER]
- Meeting title/purpose: [DESCRIBE THE STATED PURPOSE, E.G. "Q3 budget review" OR "first call with new enterprise prospect"]
- Attendees and their roles: [LIST NAME AND ROLE, E.G. "Sarah Chen, VP of Engineering; Marcus Lee, CTO; me (Product Manager)"]
- My relationship to the attendees: [E.G. "I manage Sarah, Marcus is my skip-level" OR "First time meeting, they are a potential client"]
- Key context I have: [PASTE ANY RELEVANT BACKGROUND — past emails, notes, LinkedIn bio, company website snippet, or prior meeting notes. If none, write "None."]
- My goal for this meeting: [WHAT DO I WANT TO ACHIEVE? E.G. "Get sign-off on the Q3 roadmap" OR "Understand their pain points and qualify them"]
- Time available to prepare: 5 minutes

Produce a structured meeting prep document with exactly these sections:

**1. 60-Second Situation Briefing**
A crisp 3-4 sentence summary of who I'm meeting, what matters to them professionally, and what the meeting is really about beyond the stated purpose. Write it as if briefing a busy executive who has zero context.

**2. My Objective (Stated vs Real)**
Two bullets: the stated objective of the meeting, and the real underlying objective — what I actually need to walk away with.

**3. What They Care About**
3-5 bullet points on what attendees are most focused on right now, based on their roles and context provided.

**4. My Three Talking Points**
The three most important points I need to make, each in one sentence. Lead with the point most likely to resonate with their priorities.

**5. Five Questions to Ask**
Five open-ended questions that reveal what I need to know and signal I've done my homework. Label each: [uncover pain] [build rapport] [qualify] [advance] etc.

**6. Likely Objections and Responses**
Two or three objections I might face, each with a one-sentence direct response.

**7. One Thing to Avoid**
One specific behavior, topic, or mistake that would derail this meeting given the context.

Constraints: Write concisely — every section must be skimmable in under 30 seconds. Do not use generic advice that could apply to any meeting; everything must be specific to the context I provided. Do not pad.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

تجربه فروش تصاویر ⁦stock⁩ رو تو دو پلتفرم ⁦Adobe Stock⁩ و ⁦Freepik⁩ مقایسه کردم — نتیجه جالبه.

‏⁦Adobe Stock⁩ در تایید تصاویر خیلی سخت‌گیره، ولی وقتی یه تصویر تاییدیه ⁦Adobe⁩ رو بگیره، دیگه کارت باهاشه و نگرانی نداری.

‏⁦Freepik⁩ داستانش فرقه — حتی تصاویری که قبلاً تایید شدن هم ممکنه بعداً پاک بشن. مقدار پرداختی هم که معلومه چه فرقی با هم دارن. 👇

ابزار ⁦Cowork⁩ شرکت ⁦Anthropic⁩ داره به موبایل میاد.

تا حالا برای استفاده از ⁦Cowork⁩ باید پشت کامپیوتر می‌نشستی، ولی به زودی می‌تونی مستقیم از گوشیت وظایف رو شروع کنی، هدایتشون کنی و وضعیتشون رو از هر جایی چک کنی — چه از گوشی، چه از مرورگر، چه از دسکتاپ.

یه نکته مهم هم اینه که کارها حتی بعد از بستن اپ هم در پس‌زمینه ادامه پیدا می‌کنن. دیگه نیازی نیست صفحه رو باز نگه داری.

برای اونایی که با ⁦Cowork⁩ آشنا نیستن: این ابزار ⁦agentic⁩ شرکت ⁦Anthropic⁩ هست که برای کارهای دانش‌محور ساخته شده — تحقیق، نوشتن گزارش، سازماندهی فایل، بهینه‌سازی تقویم و اینجور کارها. حالا همین قابلیت‌ها داره روی موبایل هم میاد. ⚡

به نظر می‌رسه ⁦Claude⁩ داره آروم آروم از یه چت‌بات ساده فاصله می‌گیره و بیشتر شبیه یه همکار واقعی می‌شه که همه‌جا همراهته.

نرم‌افزارهای ⁦Open Source⁩ که زیرساخت اینترنت روشون بنا شده — از مرورگرها تا سرورها — اغلب توسط تیم‌های خیلی کوچیکی نگهداری می‌شن. طبق داده‌هایی که ⁦OpenAI⁩ منتشر کرده، ۹۴ درصد پروژه‌های ⁦Open Source⁩ پرکاربرد کمتر از ۱۰ توسعه‌دهنده دارن که مسئول بیش از ۹۰ درصد کدشون هستن. اینا همون آدم‌هایی هستن که امنیت نرم‌افزارهای پرکاربرد روزمره عملاً بهشون گره خورده.

‏⁦OpenAI⁩ یه برنامه‌ی جدید به اسم ⁦Patch the Planet⁩ راه‌اندازی کرده تا این شکاف رو ببنده. ایده ساده‌ست: مدل ⁦GPT-5.5-Cyber⁩ کدبیس‌های ⁦Open Source⁩ رو با سرعتی اسکن می‌کنه که هیچ تیم انسانی نمی‌تونه بهش برسه، ولی هر یافته‌ای قبل از رسیدن به نگهدارنده‌ی پروژه توسط یه مهندس امنیتی از شرکت ⁦Trail of Bits⁩ بررسی می‌شه. این مرحله‌ی بررسی انسانی عمدیه — جلوی اینو می‌گیره که ⁦AI⁩ یه انبوه از هشدارهای اشتباه بده و تیم‌های کم‌منبع رو زیر آوار دفن کنه.

نتایج اولیه قابل توجهه. در یه اسپرینت ۵ روزه روی ۱۹ پروژه، صدها مشکل احتمالی شناسایی شد و ده‌ها اصلاحیه (⁦patch⁩) وارد کدبیس‌ها شد. یه کشف هم بود که حتی توی صنعت امنیت تأمل‌برانگیزه: یه آسیب‌پذیری ۲۳ ساله در هسته‌ی سیستم‌عامل ⁦OpenBSD⁩ پیدا شد — سیستم‌عاملی که توی زیرساخت‌های شبکه‌ای حیاتی استفاده می‌شه — که از سال ۲۰۰۳ ناشناخته مونده بود. مشکلاتی هم توی ⁦V8⁩ انجین ⁦Chrome⁩، ⁦WebKit⁩ سافاری و ⁦Firefox⁩ پیدا شد. بیش از ۳۰ پروژه‌ی معروف از جمله ⁦cURL⁩، ⁦Python⁩ و ⁦Go⁩ در این برنامه شرکت کردن.

در کنار ⁦Patch the Planet⁩، مدل ⁦GPT-5.5-Cyber⁩ هم که تا الان فقط برای متخصصان امنیتی تأییدشده در دسترس بود، به صورت کامل عرضه شد. این مدل روی معیار ⁦CyberGym⁩ امتیاز ۸۵.۶ درصد گرفته، در مقابل ۸۱.۸ درصد برای نسخه‌ی عمومی ⁦GPT-5.5.⁩ یه برنامه‌ی مشارکت تجاری هم معرفی شد که ⁦Cisco⁩، ⁦CrowdStrike⁩، ⁦IBM⁩ و چند شرکت دیگه بهش پیوستن تا قابلیت‌های این مدل رو مستقیم توی ابزارهای امنیتی سازمانیشون ادغام کنن، نه از طریق رابط خود ⁦OpenAI.⁩

پیام‌رسان‌های داخلی تا وقتی اینترنت قطع بود خوب کار می‌کردن — برگشت اینترنت حال‌شون رو گرفت.

داده‌های خرداد نشون می‌ده که درست بعد از اتصال نسبی اینترنت، ۲۷٪ از گروه‌های پیام‌رسان‌های بومی کامل تعطیل شدن. فعالیت گروه‌ها به‌طور میانگین ۲۴٪ کم شد و در بله این عدد به ۸۱٪ رسید. حجم کل محتوا در بله، ایتا، روبیکا و سروش‌پلاس ۱۰.۵٪ ریخت. تعداد کانال‌های فعال ۱۳٪ کاهش پیدا کرد و تولید محتواشون ۴۲٪ افت کرد — بیشترین ریزش در بله و سروش‌پلاس. البته ایتا و روبیکا استثنا بودن و روند افزایشی داشتن.

برای مقایسه: همون قطعی سه‌ماهه باعث شده بود تولید محتوا در گروه‌های بله ۵۰۳٪ بپره، چون جای دیگه‌ای نمونده بود. با برگشت اینترنت، آمار گروه‌های فعال دقیقاً برگشته به همون عدد اسفند.

از این آمارها یه چیز مشخصه: کسب‌وکارها کانالشون رو پاک نکردن — نگهش داشتن به‌عنوان بک‌آپ برای قطعی بعدی. تعداد کانال‌های فعال در خرداد ۲۰٪ بیشتر از اسفند شده، ولی محتوا نمی‌ذارن.

بدون قطع اینترنت، این پیام‌رسان‌ها نمی‌تونن کاربرهای فعال رو نگه دارن. هم آمار می‌گه، هم رفتار مردم. 👇

گزارش سالانه‌ای که اوراکل برای سال مالی ۲۰۲۶ منتشر کرد، یه جمله داره که آدم رو وادار می‌کنه دوباره بخونه: «استقرار فناوری‌های ⁦AI⁩ در عملیات‌هامون منجر به کاهش نیروی کار شده — و ممکنه بشه.»

این صادقانه‌ترین اعترافیه که تاکنون یه شرکت بزرگ تکنولوژی در یه گزارش رسمی درباره رابطه‌ی مستقیم ⁦AI⁩ و تعدیل نیرو کرده. چون بیشتر شرکت‌ها وقتی نیرو کم می‌کنن، می‌گن «بازساختاردهی» یا «بهبود بهره‌وری» — نه این‌که مستقیم ⁦AI⁩ رو دلیل بیارن.

عدد هم کوچیک نیست. بین مه ۲۰۲۵ و مه ۲۰۲۶، اوراکل حدود ۲۱٬۰۰۰ نفر رو از کار اخراج کرد. تعداد کارمنداش از حدود ۱۶۲٬۰۰۰ به ۱۴۱٬۰۰۰ رسید — یعنی ۱۳ درصد کل نیروی جهانیش رفت.

بیشترین ضربه رو تیم فروش و بازاریابی خورد؛ از ۳۱٬۰۰۰ به ۲۵٬۰۰۰ رسیدن — کاهش ۱۹ درصدی. این یعنی اوراکل داره روی این شرط‌بندی می‌کنه که ⁦AI⁩ می‌تونه جای بخش قابل توجهی از تیم‌های فروش رو بگیره. واحد تحقیق و توسعه هم از ۵۰٬۰۰۰ به ۴۳٬۰۰۰ رسید — که در نگاه اول عجیبه، ولی ابزارهای ⁦AI⁩ برای نوشتن کد، تست خودکار، و مستندسازی دارن حجم نیروی انسانی مورد نیاز برای نگه‌داری محصولات نرم‌افزاری رو پایین میارن. سرویس‌ها، زیرساخت ابری، و سخت‌افزار هم همه کاهش داشتن. هزینه‌ی این تعدیل‌ها در طول سال مالی ۱.۸۴ میلیارد دلار بود.

یه چیز توی این داستان چشم‌گیره: اوراکل همزمان داره به شدت روی ⁦AI⁩ سرمایه‌گذاری می‌کنه، از جمله اینکه یکی از اعضای بنیان‌گذار پروژه ⁦Stargate⁩ هست که با ⁦OpenAI⁩ و ⁦SoftBank⁩ راه‌اندازی شده و داره ظرفیت دیتاسنترهاش رو با سرعت بالا گسترش می‌ده. یعنی الگو اینه: پول بریز روی زیرساخت ⁦AI⁩، نیروی انسانی رو کم کن.

این الگو بین شرکت‌های نرم‌افزار سازمانی داره تکرار می‌شه — ⁦Salesforce⁩، ⁦IBM⁩، و ⁦SAP⁩ هم هر کدوم با ذکر بهره‌وری ⁦AI⁩ نیرو کم کردن — ولی اوراکل نادره که رابطه‌ی علّی رو این‌قدر صریح در گزارش رسمیش آورده.

اوراکل هشدار داده که با گسترش بیشتر استقرار داخلی ⁦AI⁩ — از پشتیبانی مشتری گرفته تا توسعه‌ی نرم‌افزار — این تعدیل‌ها ادامه دارن.

وقتی از یه ⁦LLM⁩ می‌خوای چیزی بنویسه، یه تنظیم خیلی مهم پشت‌صحنه داره کار می‌کنه که اسمش ⁦Temperature⁩ هست.

خلاصه‌اش اینه که این تنظیم کنترل می‌کنه مدل «چقدر خلاق» باشه. عدد پایین‌تر یعنی جواب‌های قابل‌پیش‌بینی‌تر، عدد بالاتر یعنی جواب‌های متنوع‌تر و گاهی غیرمنتظره.

یه مثال ساده: از مدل می‌پرسی «پایتخت فرانسه کجاست؟»
اگه مقدار ⁦Temperature⁩ صفر باشه، هر بار «پاریس» می‌گیری — همیشه، بدون استثنا.
اگه مقدارش بالا باشه (مثلاً ۱.۵)، گاهی «پاریس»، گاهی با توضیح اضافه، گاهی یه جواب عجیب.

نکته جالبش اینجاست: مدل وقتی داره متن تولید می‌کنه، برای هر ⁦Token⁩ بعدی یه لیست احتمالات داره. این تنظیم اون احتمالات رو جابجا می‌کنه — صفر یعنی «همیشه محتمل‌ترین رو انتخاب کن»، عدد بالا یعنی «گاهی از گزینه‌های کم‌احتمال‌تر هم بزن».

کِی از کدوم استفاده کنی؟

مقدار پایین (حدود ۰ تا ۰.۳): برای کدنویسی، پاسخ‌های فکتوال، ترجمه — هرجایی که می‌خوای جواب دقیق و ثابت باشه.

مقدار بالا (حدود ۰.۷ تا ۱): برای نوشتن خلاقانه، طوفان ذهنی، تولید ایده — هرجایی که تنوع و تازگی مهمه.

یه اشتباه رایج: خیلی‌ها فکر می‌کنن ⁦Temperature⁩ بالا مدل رو «باهوش‌تر» می‌کنه. نه — فقط «خلاق‌تر و کمتر قابل‌پیش‌بینی» می‌کنه. برای مسائل منطقی یا محاسباتی، مقدار پایین خیلی بهتره.

دفعه بعد که داری با یه ⁦API⁩ کار می‌کنی یا از ابزاری استفاده می‌کنی که این تنظیم رو داره، مقدارش رو دستی عوض کن و فرق رو ببین. 🔥

یه قابلیت جدید برای تیم‌هایی که ⁦Slack⁩ استفاده می‌کنن: حالا می‌شه ⁦Claude⁩ رو به عنوان یه عضو تیم اضافه کرد، بهش دسترسی به کانال‌ها و ابزارهای مورد نظر داد، تگش کرد و کارا رو سپرد بهش.

فرقش با قبل اینه که دیگه لازم نیست هر نفر جداگانه با یه چت‌بات حرف بزنه. یه ⁦AI⁩ مشترک توی همون محیط کاری واقعی تیم قرار می‌گیره که برای تیم‌های مهندسی، محصول و پشتیبانی خیلی کاربردی‌تره.

این یه قدم بزرگه به سمت ایجنت‌های ⁦AI⁩ که واقعاً توی جریان کار تیمی جا می‌افتن — نه یه ابزار جانبی که هرکی جداگانه باهاش کار می‌کنه.

فعلاً فقط برای پلن‌های ⁦Team⁩ و ⁦Enterprise⁩ در دسترسه.

💡 پلتفرم وب تبدیل ویدیو به محتوای متنی — ترانسکریپت، زیرنویس و خلاصه فارسی

یه سرویس وب که ویدیوهای فارسی (جلسات، وبینارها، پادکست‌ها، محتوای آموزشی) رو آپلود می‌کنی و در عرض چند دقیقه ترانسکریپت دقیق فارسی، زیرنویس ⁦SRT⁩ و خلاصه ساختاریافته بهت می‌ده. مشکلی که حل می‌کنه: تبدیل صوت فارسی به متن هنوز در ایران یا گرون‌قیمته یا کیفیتش افتضاحه — ابزارهای خارجی هم فارسی رو بد می‌فهمن.

⚙️ چطور کار می‌کنه:
کاربر وارد سایت می‌شه (بدون نصب هیچی)، فایل ویدیو/صوتی رو آپلود می‌کنه یا لینک یوتیوب/آپارات می‌ده. سیستم پشت‌صحنه با ⁦Whisper⁩ متن‌باز (نسخه ⁦Large-v3⁩ که فارسی رو خوب می‌فهمه) روی یه ⁦VPS⁩ خارج از ایران ترانسکریپت می‌کنه، بعد یه مدل کوچیک مثل ⁦Qwen⁩ یا ⁦DeepSeek⁩ خلاصه و تیترهای فصل‌بندی رو تولید می‌کنه. خروجی: یه صفحه که می‌شه توش جستجو کرد + دانلود ⁦TXT⁩ و ⁦SRT.⁩ مثال واقعی: مدرس آنلاین یه وبینار ۹۰ دقیقه‌ای داره — تا حالا ۳ ساعت وقت می‌ذاشت دستی تایپ کنه یا به دانشجوها می‌گفت نت بنویسن. الان فایل رو آپلود می‌کنه، ۸ دقیقه صبر می‌کنه، ترانسکریپت کامل با خلاصه فصل‌بندی‌شده دستشه — مستقیم می‌ذاره توی ⁦LMS⁩ یا کانال تلگرامش.

🎯 بازار هدف:
سه گروه اصلی: ۱) مدرسین و سازندگان محتوای آموزشی (یوتیوبر، معلم آنلاین، مدرس دوره‌های روی ویرگول/فرادرس) که محتوای متنی برای ⁦SEO⁩ و دسترس‌پذیری نیاز دارن. ۲) شرکت‌ها و استارتاپ‌ها که جلسات، وبینارها و پادکست‌های داخلی دارن و می‌خوان آرشیو متنی قابل‌جستجو داشته باشن. ۳) خبرنگارها و محققان که مصاحبه‌های صوتی/تصویری رو باید پیاده کنن. این‌ها حاضرن پول بدن چون الترناتیوشون اینه: ساعت‌ها وقت بذارن یا نیروی انسانی استخدام کنن.

✅ نقاط قوت:
‏• ⁦Whisper⁩ روی فارسی واقعاً خوب کار می‌کنه — بهتر از اکثر ابزارهای ایرانی رقیب
• قالب وب یعنی هیچ نصبی لازم نیست و روی موبایل هم کار می‌کنه
• هیچ وابستگی به ⁦API⁩ پولی خارجی نداره — ⁦Whisper⁩ و مدل خلاصه‌ساز کاملاً ⁦self-hosted⁩
• فایل‌های ویدیویی حجم بالا دارن — کاربر طبیعتاً ترجیح می‌ده از سرویس بخره تا محاسبه‌ی خودش

⚠️ نقاط ضعف و چالش‌ها:
• پردازش ویدیوهای بلند (بالای ۳۰ دقیقه) به ⁦GPU⁩ نیاز داره — ⁦VPS⁩ ارزون کافی نیست و هزینه ⁦infrastructure⁩ بالاست
‏• ⁦Whisper⁩ روی لهجه‌های خاص (ترکی، کردی، لری) یا صدای چند نفر همزمان ضعیف می‌شه
• رقبای احتمالی مثل سرویس‌های ترانسکریپشن دستی که ارزون‌تر کار می‌کنن

💰 درآمدزایی:
مدل کردیت (⁦Prepaid⁩): کاربر کردیت می‌خره، هر دقیقه صوت مثلاً ۵۰۰ تا ۸۰۰ تومان. یه وبینار ۶۰ دقیقه‌ای می‌شه ۳۰ تا ۴۸ هزار تومان — قیمتی که در مقابل ارزش وقت توجیه‌پذیره. پلن سازمانی هم برای شرکت‌هایی که ماهانه بیش از ۱۰ ساعت پردازش دارن: اشتراک ماهانه ۵ تا ۱۰ میلیون تومان. پرداخت از طریق ⁦ZarinPal⁩ ریالی. برای مشتریان خارج از ایران یا شرکت‌هایی که فاکتور ارزی می‌خوان: ⁦USDT⁩ روی کیف پول.

🚀 از کجا شروع کنیم:
۱) یه ⁦VPS⁩ با ⁦GPU⁩ اجاره کن — ⁦Hetzner⁩ یه ⁦A100⁩ اجاره می‌ده، یا از ⁦RunPod/Vast.ai⁩ برای شروع استفاده کن که ساعتی حساب می‌کنن و هزینه اولیه صفره. ⁦Whisper Large-v3⁩ رو روش نصب کن و با یه فایل تست کن کیفیت فارسیش رو ببین. ۲) یه لندینگ ساده با فرم آپلود بساز (⁦PHP⁩ یا ⁦FastAPI⁩ کافیه)، یه صف پردازش (⁦Redis Queue⁩) وصل کن، و ⁦ZarinPal⁩ رو ⁦integrate⁩ کن. بدون هیچ برنامه‌نویسی پیچیده‌ای این ⁦MVP⁩ در یه هفته آماده‌ست. ۳) ۲۰ مدرس آنلاین که می‌شناسی رو پیدا کن، بهشون یه ماه رایگان بده، ببین کجاها خروجی ضعیفه — قبل از هر تبلیغی این ⁦feedback loop⁩ رو کامل کن.

🏗 زیرساخت: ⁦Whisper Large-v3 +⁩ مدل کوچیک متن‌باز (⁦Qwen/DeepSeek⁩) روی ⁦VPS⁩ خارجی با ⁦GPU⁩ (⁦Hetzner/RunPod⁩)، سرور وب روی ⁦ArvanCloud⁩ یا ⁦VPS⁩ ارزان، ⁦ZarinPal⁩ برای پرداخت ریالی — هیچ ⁦API⁩ پولی خارجی لازم نیست.

📍 واقعیت بازار ایران: بله، در تهران امروز کار می‌کنه — اما ⁦GPU VPS⁩ ماهانه ۱۵۰ تا ۳۰۰ دلار هزینه داره که باید از همون ابتدا با درآمد ریالی یا تتر پوشش بدی؛ این سرویس بدون حداقل ۵۰ تا ۱۰۰ کاربر فعال ماهانه سربه‌سر نمی‌شه.

🧭 بزرگ‌ترین ریسک: بزرگ‌ترین ریسک هزینه‌ی ثابت زیرساخت ⁦GPU⁩ قبل از رسیدن به کاربر کافیه — اگه از همون روز اول پول ⁦GPU⁩ بدی و درآمد نداشته باشی، چند ماه دووم نمیاری. راه‌حل: از ⁦RunPod/Vast.ai⁩ با مدل ⁦Pay-per-use⁩ شروع کن تا زمانی که جریان درآمدی ثابت بشه، بعد به ⁦VPS⁩ اختصاصی برو.

مخصوص برنامه‌نویس‌هاست این یکی.

وقتی یه ⁦API⁩ جدید رو یکپارچه می‌کنی، مشکل از اول کار کردنش نیست — مشکل اینه که بعداً می‌فهمی یه ⁦error code⁩ مهم رو ⁦handle⁩ نکردی، ⁦signature⁩ وبهوک رو چک نکردی، یا یه ⁦timeout⁩ داری که نمی‌دونی ⁦payment⁩ پردازش شده یا نه.

این پرامپت قبل از نوشتن هر کدی، یه ⁦spec⁩ کامل یکپارچه‌سازی می‌سازه. خروجیش شش بخش داره: تنظیمات احراز هویت، ترتیب دقیق فراخوانی‌ها، مدیریت خطا به ازای هر ⁦error code⁩، محدودیت نرخ، تأیید امضای ⁦webhook⁩، و یه ⁦checklist⁩ پیش از راه‌اندازی با ۵ ⁦edge case⁩‌ای که بیشترین شانس رو دارن مشکل‌ساز بشن.

برای ⁦API⁩های رایج مثل ⁦Stripe⁩، ⁦Twilio⁩، ⁦Slack⁩ و ⁦GitHub⁩ خروجی خیلی دقیق و ⁦API-specific⁩ میشه. برای ⁦API⁩های کم‌شناخته‌تر، کافیه یه توضیح از مکانیزم احراز هویت و چند ⁦endpoint⁩ کلیدی بدی تا مدل بقیه رو از روی ⁦context⁩ تکمیل کنه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior software engineer with extensive experience integrating third-party APIs into production systems. You specialize in identifying edge cases, failure modes, and the "gotchas" that developers only discover after a painful production incident.

API to integrate: [API NAME, e.g., Stripe Payments, Twilio SMS, Salesforce, SendGrid]
My application: [DESCRIBE YOUR APP IN 1-2 SENTENCES]
What I need to do: [DESCRIBE THE SPECIFIC FUNCTIONALITY, e.g., "Process one-time payments and store customer payment methods for recurring billing"]
Tech stack: [LANGUAGE/FRAMEWORK, e.g., Node.js + Express, Python + Django, Go + Gin]
Known constraints: [ANY KNOWN LIMITS, e.g., "We are on the free tier", "Must be GDPR compliant", or "none"]

Generate a complete API integration spec with the following sections:

1. AUTHENTICATION SETUP
   - How authentication works for this API (API keys, OAuth 2.0, JWT, mTLS, etc.)
   - Where and how to store credentials securely in [TECH STACK]
   - Token refresh logic if required, including expiry handling

2. CORE IMPLEMENTATION PLAN
   - The exact sequence of API calls needed to fulfill [WHAT I NEED TO DO]
   - Required vs. optional parameters for each call
   - The shape of the request payload and what a successful response looks like
   - Any stateful dependencies between calls (e.g., must create customer before charging)

3. ERROR HANDLING MAP
   - The most common error codes this API returns and their root causes
   - Which errors are safe to retry vs. which are fatal and require user action
   - Recommended retry strategy: backoff timing, max attempts, jitter
   - How to surface errors to the user vs. handle silently

4. RATE LIMITS & QUOTAS
   - Request limits per second, minute, and day
   - How to detect when you are approaching limits (headers, error codes)
   - Recommended approach for high-volume usage (queuing, batching, caching)

5. WEBHOOKS & ASYNC EVENTS (if applicable)
   - What events this API delivers via webhook and their payload structure
   - How to verify webhook signatures to prevent spoofing
   - Idempotency: how to handle duplicate webhook deliveries safely

6. PRE-LAUNCH TESTING CHECKLIST
   - How to test this integration in sandbox or test mode without real data
   - The 5 most critical edge cases to validate before going to production
   - What metrics to monitor after launch (latency p95, error rate, success rate)

Constraints:
- Be specific to [API NAME]. Use real endpoint names, real error codes, and real response field names where known.
- Explicitly flag anything that commonly trips up developers integrating this API for the first time.
- If there are known quirks, undocumented behaviors, or common pitfalls with this API, mention them explicitly.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

ببین، یه جمله کوچیک هست که می‌تونه جواب‌های ⁦AI⁩ رو کاملاً متفاوت کنه.

اسمِ این تکنیک ⁦Chain-of-Thought⁩ هست — یعنی به مدل می‌گی قبل از جواب دادن، مرحله‌به‌مرحله فکر کنه.

مشکل اینه که وقتی یه سوال پیچیده می‌پرسی، مدل مستقیم می‌پره سراغ جواب. این خیلی وقت‌ها باعث اشتباه می‌شه — مخصوصاً تو محاسبات، منطق، یا تصمیم‌گیری‌های چند مرحله‌ای.

راه‌حل ساده‌ست. یه جمله به اول یا آخرِ ⁦Prompt⁩ اضافه کن:

«قبل از جواب، فکرت رو مرحله‌به‌مرحله بنویس.»

همین.

مثال ملموس:

بدون تکنیک:
«اگه سه تا محصول دارم و هر هفته ۲۰٪ فروش یکیشون کم بشه، چند هفته طول می‌کشه که موجودیم نصف بشه؟»

مدل یه عدد می‌ده — شاید درست، شاید نه. نمی‌دونی چطور رسید.

با ⁦Chain-of-Thought⁩:
«فکرت رو مرحله‌به‌مرحله بنویس. اگه سه تا محصول دارم و هر هفته ۲۰٪ فروش یکیشون کم بشه، چند هفته طول می‌کشه که موجودیم نصف بشه؟»

اینجا مدل اول فرضیاتش رو می‌نویسه، بعد محاسبه می‌کنه، بعد جواب می‌ده. هم احتمال خطا کمتره، هم می‌تونی ببینی کجا اشتباه کرده.

نکته جالبش اینجاست: روی سوال‌های ساده تاثیر زیادی نداره، ولی هرچی کار پیچیده‌تر باشه، فرقش بیشتره. ⚡

یه جایی که حتماً ازش استفاده کن: وقتی می‌خوای بین دو گزینه تصمیم بگیری، یه ایده رو بررسی کنی، یا یه متن رو آنالیز کنی. بهش بگو اول جوانب رو بشمره، بعد نتیجه بگیره.

امتحانش کن — فرق رو می‌بینی. 🔥

شرکت ⁦LastPass⁩ — اپِ مدیریت رمزعبور که خیلی‌ها ازش استفاده می‌کنن — روز ۲۳ ژوئن اعلام کرد که اطلاعات بخشی از کاربراش دزدیده شده. سیستم‌های خودِ ⁦LastPass⁩ هیچ‌وقت هک نشد؛ حمله از یه ابزار جانبی شروع شد.

مهاجما که خودشون رو «⁦Icarus⁩» می‌نامن، از طریق یه حساب کاربری قدیمی و فراموش‌شده وارد سیستم‌های یه شرکت به اسم ⁦Klue⁩ شدن — یه پلتفرم ⁦SaaS⁩ که ⁦LastPass⁩ ازش برای کارهای بازاریابی استفاده می‌کرد. وقتی داخل شدن، به یه گنج رسیدن: ⁦Token⁩ های ⁦OAuth.⁩

این ⁦Token⁩‌ها یه نوع کلید دیجیتالین که به یه سرویس اجازه می‌دن به سرویس دیگه‌ای دسترسی داشته باشه — بدون نیاز به پسورد. خودِ ⁦Klue⁩ از طریق همین ⁦Token⁩‌ها به ابزارهایی مثل ⁦Salesforce⁩ مشتریاش وصل بود. مهاجما این ⁦Token⁩‌ها رو برداشتن و ازشون برای ورود به چند شرکت هم‌زمان استفاده کردن — از جمله ⁦LastPass⁩، ⁦HackerOne⁩، ⁦Recorded Future⁩ و چند تای دیگه. یه حمله، چند تا قربانی.

از ⁦LastPass⁩ چی دزدیدن؟ اسم، شماره تلفن، ایمیل، آدرس و محتوای تیکت‌های پشتیبانی مشتریا. اون آخری نگران‌کننده‌ست، چون تیکت‌های پشتیبانی ممکنه جزئیاتی داشته باشه که به درد فیشینگ بخوره — مثلاً کسی زنگ بزنه، ادعا کنه از ⁦LastPass⁩ هست و اطلاعاتِ خاص حسابتو بدونه.

گروه ⁦Icarus⁩ از نوعِ باج‌گیرای دیجیتالیه که به‌جای رمزنگاری سیستم‌ها، داده می‌دزده و تهدید می‌کنه که اگه پول نگیره، منتشرش می‌کنه. الان هم تهدید کردن که اطلاعات ⁦LastPass⁩ رو پابلیک می‌کنن.

خبرِ خوب اینه که خزانه‌ی رمزعبورها دست‌نخورده موندن — پسوردهای ذخیره‌شده‌ات امن هستن. ولی اگه کاربر ⁦LastPass⁩ هستی، مراقب ایمیل‌ها یا تماس‌هایی باش که ادعا می‌کنن از این شرکت هستن و ⁦master password⁩ ازت می‌خوان؛ شرکت ⁦LastPass⁩ هیچ‌وقت از این طریق این کارو نمی‌کنه.