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):
توضیحات بیشتر و مثالها توی مقاله 👇
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 👇
❤2
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. 🔥
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. 🔥
👍5🤣3❤1
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.
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.
❤1
فیگما در Config 2026 (که ۲۴ ژوئن برگزار شد) سه قابلیت اعلام کرد که با هم کل گردش کار طراحی-توسعه رو زیر و رو میکنن.
مهمترینشون Code Layers هست — کدی که مستقیماً روی بوم طراحیِ فیگما اجرا میشه. میتونی هر لایهی طراحی رو با یه کلیک تبدیل به یه لایهی کد React کنی، ریپوهای کد رو وارد بوم کنی و فلوهای واقعی production رو ازشون استخراج کنی، و بدون خروج از فیگما npm package اجرا کنی — از کتابخونههای انیمیشن گرفته تا فریمورکهای سهبعدی. دستیار AI هم میتونه همینجا کد بسازه یا ویرایش کنه، و خروجی مستقیماً داخل Figma Sites دیپلوی میشه.
دیلان فیلد، مدیرعامل فیگما، گفته هدف اینه که کد رو مثل هر مادهی دیگهای توی طراحی در نظر بگیریم. عملاً یعنی اون مرحلهی handoff — که طراح spec صادر میکنه و برنامهنویس از اول کد میزنه — دیگه اجباری نیست و هر دو میتونن روی همون فایل با هم کار کنن.
قابلیت دوم یه سازندهی افزونه با زبان طبیعی هست. توضیح میدی چه کاری میخوای، دستیار AI افزونه رو میسازه — بدون نوشتن JavaScript و بدون نیاز به تنظیم محیط توسعه. دستیار حالا به ابزارهای خارجی مثل Notion، Slack، GitHub، Atlassian، Granola و Excel هم وصل میشه و مکالماتش پیشفرض برای تیم قابل دیدنه. این قابلیت الان برای همه فعاله؛ دسترسی به FigJam و Slides هنوز در مرحلهی waitlist هست.
سومی Figma Motion هست — سیستم انیمیشن بومیِ فیگما با timeline و keyframe. قبلاً انیمیشن یعنی رفتن به After Effects یا Rive؛ حالا برای اکثر کارها این مرحله حذف شده. خروجی Dev Mode شامل CSS، JSON، React، MP4، WebM، SVG متحرک و GIF میشه.
از نظر زمانبندی: قابلیت Figma Motion همین الان برای همه در دسترسه، ولی قابلیت Code Layers الان در waitlist هست و از جولای ۲۰۲۶ شروع به rollout میکنه. قیمتگذاری هم تغییری نکرده.
مهمترینشون Code Layers هست — کدی که مستقیماً روی بوم طراحیِ فیگما اجرا میشه. میتونی هر لایهی طراحی رو با یه کلیک تبدیل به یه لایهی کد React کنی، ریپوهای کد رو وارد بوم کنی و فلوهای واقعی production رو ازشون استخراج کنی، و بدون خروج از فیگما npm package اجرا کنی — از کتابخونههای انیمیشن گرفته تا فریمورکهای سهبعدی. دستیار AI هم میتونه همینجا کد بسازه یا ویرایش کنه، و خروجی مستقیماً داخل Figma Sites دیپلوی میشه.
دیلان فیلد، مدیرعامل فیگما، گفته هدف اینه که کد رو مثل هر مادهی دیگهای توی طراحی در نظر بگیریم. عملاً یعنی اون مرحلهی handoff — که طراح spec صادر میکنه و برنامهنویس از اول کد میزنه — دیگه اجباری نیست و هر دو میتونن روی همون فایل با هم کار کنن.
قابلیت دوم یه سازندهی افزونه با زبان طبیعی هست. توضیح میدی چه کاری میخوای، دستیار AI افزونه رو میسازه — بدون نوشتن JavaScript و بدون نیاز به تنظیم محیط توسعه. دستیار حالا به ابزارهای خارجی مثل Notion، Slack، GitHub، Atlassian، Granola و Excel هم وصل میشه و مکالماتش پیشفرض برای تیم قابل دیدنه. این قابلیت الان برای همه فعاله؛ دسترسی به FigJam و Slides هنوز در مرحلهی waitlist هست.
سومی Figma Motion هست — سیستم انیمیشن بومیِ فیگما با timeline و keyframe. قبلاً انیمیشن یعنی رفتن به After Effects یا Rive؛ حالا برای اکثر کارها این مرحله حذف شده. خروجی Dev Mode شامل CSS، JSON، React، MP4، WebM، SVG متحرک و GIF میشه.
از نظر زمانبندی: قابلیت Figma Motion همین الان برای همه در دسترسه، ولی قابلیت Code Layers الان در waitlist هست و از جولای ۲۰۲۶ شروع به rollout میکنه. قیمتگذاری هم تغییری نکرده.
❤2
شرکت Anthropic ادعا کرده که اپراتورهای وابسته به Alibaba — سازنده مدل Qwen — بین آوریل تا ژوئن ۲۰۲۶، با حدود ۲۵ هزار اکانت جعلی، در مجموع حدود ۲۸.۸ میلیون بار از Claude کوئری گرفتن. این ادعا رو Bloomberg گزارش داده.
هدف این بوده که خروجیهای Claude رو جمع کنن — با تمرکز روی قابلیتهایی مثل مهندسی نرمافزار و استدلال ایجنتی — و ازشون برای آموزش مدل Qwen استفاده بشه.
بهش میگن "adversarial distillation": به جای اینکه از صفر یه مدل قوی بسازی، خروجیهای مدلهای پیشرفته رقیب رو برداشت میکنی و باهاشون مدل خودت رو با هزینهای خیلی کمتر تقویت میکنی. طبق ادعای Anthropic، این بخشی از یه الگوی گستردهتره که توش آزمایشگاههای چینی به این روش از مدلهای آمریکایی بهره میبرن. 🤖
هدف این بوده که خروجیهای Claude رو جمع کنن — با تمرکز روی قابلیتهایی مثل مهندسی نرمافزار و استدلال ایجنتی — و ازشون برای آموزش مدل Qwen استفاده بشه.
بهش میگن "adversarial distillation": به جای اینکه از صفر یه مدل قوی بسازی، خروجیهای مدلهای پیشرفته رقیب رو برداشت میکنی و باهاشون مدل خودت رو با هزینهای خیلی کمتر تقویت میکنی. طبق ادعای Anthropic، این بخشی از یه الگوی گستردهتره که توش آزمایشگاههای چینی به این روش از مدلهای آمریکایی بهره میبرن. 🤖
❤4
یه اشتباه رایجه که وقتی از AI چیزی میخوایم مرتکبش میشیم: فقط «چی» رو میگیم، «چطور» رو نه.
مثلاً میگیم «این ایمیل رو حرفهایتر کن» — و AI یه چیزی میده که شاید اصلاً به درد پروژهمون نخوره. نه ساختارش معلومه، نه میدونه برای کی مینویسیم، نه میدونه چقدر طولانی باشه.
راهحل سادهست: همراه درخواستت، فرمتِ دقیقِ خروجی رو هم توضیح بده.
مثال ملموس — ایمیل حرفهای:
بدون فرمت:
«این ایمیل رو حرفهایتر کن»
با فرمت:
«این ایمیل رو ویرایش کن. لحنش رسمی اما صمیمی باشه. ساختار: یه خطِ موضوع جذاب، سه پاراگراف کوتاه (مقدمه، بدنه، درخواست)، یه جملهی پایانی با یه درخواستِ مشخص از مخاطب»
با دومی، چیزی میگیری که مستقیماً میشه ارسالش کرد.
چند فرمتِ پرکاربرد که میشه توی Prompt آورد:
وقتی میخوای مقایسه کنی:
«خروجی رو توی یه جدول سهستونه بنویس: ویژگی، مزیت، معایب»
وقتی میخوای یاد بگیری:
«هر مرحله رو جداگانه توضیح بده، با یه مثال کوچیک برای هر کدوم»
وقتی میخوای سریع اسکن کنی:
«فقط bullet point، حداکثر ۵ تا، هر کدوم زیر ۱۵ کلمه»
برای دیباگ کد هم همینه. به جای «این کد مشکل داره»، بگو:
«این کد رو بررسی کن. جوابت باید شامل اینا باشه: ۱) مشکل کجاست، ۲) چرا اتفاق افتاده، ۳) کدِ اصلاحشده»
نکته جالبش اینجاست که این روش هیچ دانشِ فنیای نمیخواد. فقط قبل از فرستادنِ Prompt، ده ثانیه فکر کن: «میخوام جوابم چه شکلی باشه؟» — همونو بنویس.
وقتی فرمت میدی، AI از یه ابزارِ کلیگو تبدیل میشه به یه همکارِ مشخص. ⚡
مثلاً میگیم «این ایمیل رو حرفهایتر کن» — و AI یه چیزی میده که شاید اصلاً به درد پروژهمون نخوره. نه ساختارش معلومه، نه میدونه برای کی مینویسیم، نه میدونه چقدر طولانی باشه.
راهحل سادهست: همراه درخواستت، فرمتِ دقیقِ خروجی رو هم توضیح بده.
مثال ملموس — ایمیل حرفهای:
بدون فرمت:
«این ایمیل رو حرفهایتر کن»
با فرمت:
«این ایمیل رو ویرایش کن. لحنش رسمی اما صمیمی باشه. ساختار: یه خطِ موضوع جذاب، سه پاراگراف کوتاه (مقدمه، بدنه، درخواست)، یه جملهی پایانی با یه درخواستِ مشخص از مخاطب»
با دومی، چیزی میگیری که مستقیماً میشه ارسالش کرد.
چند فرمتِ پرکاربرد که میشه توی Prompt آورد:
وقتی میخوای مقایسه کنی:
«خروجی رو توی یه جدول سهستونه بنویس: ویژگی، مزیت، معایب»
وقتی میخوای یاد بگیری:
«هر مرحله رو جداگانه توضیح بده، با یه مثال کوچیک برای هر کدوم»
وقتی میخوای سریع اسکن کنی:
«فقط bullet point، حداکثر ۵ تا، هر کدوم زیر ۱۵ کلمه»
برای دیباگ کد هم همینه. به جای «این کد مشکل داره»، بگو:
«این کد رو بررسی کن. جوابت باید شامل اینا باشه: ۱) مشکل کجاست، ۲) چرا اتفاق افتاده، ۳) کدِ اصلاحشده»
نکته جالبش اینجاست که این روش هیچ دانشِ فنیای نمیخواد. فقط قبل از فرستادنِ Prompt، ده ثانیه فکر کن: «میخوام جوابم چه شکلی باشه؟» — همونو بنویس.
وقتی فرمت میدی، AI از یه ابزارِ کلیگو تبدیل میشه به یه همکارِ مشخص. ⚡
❤6
♨️ فیگما یه آپدیت بزرگ داد و این بار جدیتر از همیشهست.
توی کنفرانس سالانهاش چند قابلیت معرفی کرد که فاصله بین طراح و توسعهدهنده رو خیلی کمتر میکنه.
اول اینکه حالا میشه کد رو مستقیم به بوم فیگما اضافه کرد. یعنی تیمها میتونن کدِ منبع برنامههاشون رو کپی کنن و بخشهای مختلف نرمافزار رو به شکل لایههای طراحی ببینن. آزمایش ایدههای جدید اینجوری خیلی راحتتر میشه.
دومین چیز جالب اینه که AI جدید فیگما انیمیشن میسازه — فقط با یه توضیح متنی ساده. قبلاً طراحا مجبور بودن انیمیشنها رو توی نرمافزار جداگانه بسازن و بعد تبدیلشون کنن به فرمتی که فیگما بفهمه. حالا این کار کلاً حذف شده و پشتیبانی از انیمیشن و ترنزیشنهای سهبعدی مستقیم توی خودِ پلتفرم انجام میشه.
کارهای تکراری و خستهکننده هم به AI سپرده میشن تا طراح وقتش رو برای ایدههای خلاقانه بذاره.
توی کنفرانس سالانهاش چند قابلیت معرفی کرد که فاصله بین طراح و توسعهدهنده رو خیلی کمتر میکنه.
اول اینکه حالا میشه کد رو مستقیم به بوم فیگما اضافه کرد. یعنی تیمها میتونن کدِ منبع برنامههاشون رو کپی کنن و بخشهای مختلف نرمافزار رو به شکل لایههای طراحی ببینن. آزمایش ایدههای جدید اینجوری خیلی راحتتر میشه.
دومین چیز جالب اینه که AI جدید فیگما انیمیشن میسازه — فقط با یه توضیح متنی ساده. قبلاً طراحا مجبور بودن انیمیشنها رو توی نرمافزار جداگانه بسازن و بعد تبدیلشون کنن به فرمتی که فیگما بفهمه. حالا این کار کلاً حذف شده و پشتیبانی از انیمیشن و ترنزیشنهای سهبعدی مستقیم توی خودِ پلتفرم انجام میشه.
کارهای تکراری و خستهکننده هم به AI سپرده میشن تا طراح وقتش رو برای ایدههای خلاقانه بذاره.
❤1
وقتی چند تا منبع پژوهشی داری، معمولاً آدم آخرین چیزی که خونده رو تو ذهنش نگه میداره — این Prompt این مشکل رو حل میکنه.
خروجیش ۵ بخشه: نقاط توافق منابع، اختلافها با تفکیک نوعشون (اختلاف دادهای، روشی، یا تعریفی)، نکتهی منحصربهفرد هر منبع، سوالهای بیجواب، و یه پاراگراف جمعبندی آماده برای استفاده مستقیم.
بهترین حالتش اینه که ۳ تا ۸ منبع باشه و چکیدهی واقعی بهش بدی، نه فقط عنوان. روی Claude Sonnet 4.6، GPT-5 و Gemini 3.5 Flash تست شده — برای متنهای طولانیتر Claude و GPT-5 بهترن، برای چکیدههای کوتاه Gemini 3.5 Flash کافیه.
📋 پرامپت کامل (لمس کن تا کپی بشه):
توضیحات بیشتر و مثالها توی مقاله 👇
خروجیش ۵ بخشه: نقاط توافق منابع، اختلافها با تفکیک نوعشون (اختلاف دادهای، روشی، یا تعریفی)، نکتهی منحصربهفرد هر منبع، سوالهای بیجواب، و یه پاراگراف جمعبندی آماده برای استفاده مستقیم.
بهترین حالتش اینه که ۳ تا ۸ منبع باشه و چکیدهی واقعی بهش بدی، نه فقط عنوان. روی Claude Sonnet 4.6، GPT-5 و Gemini 3.5 Flash تست شده — برای متنهای طولانیتر Claude و GPT-5 بهترن، برای چکیدههای کوتاه Gemini 3.5 Flash کافیه.
📋 پرامپت کامل (لمس کن تا کپی بشه):
Act as a systematic research analyst with expertise in synthesizing academic and professional literature.
You will analyze the source summaries or abstracts I provide and produce a structured synthesis identifying: where sources converge, where they conflict, what each uniquely contributes, and what important questions remain unanswered.
I am researching: [YOUR RESEARCH TOPIC OR QUESTION]
Here are the source summaries to synthesize:
SOURCE 1 — [TITLE / AUTHOR / DATE]:
[PASTE SUMMARY OR ABSTRACT HERE]
SOURCE 2 — [TITLE / AUTHOR / DATE]:
[PASTE SUMMARY OR ABSTRACT HERE]
SOURCE 3 — [TITLE / AUTHOR / DATE]:
[PASTE SUMMARY OR ABSTRACT HERE]
[Add more sources as needed — 3 to 8 sources works best]
Constraints:
- Work only from what I have provided. Do not introduce outside knowledge.
- Flag when two sources use the same term differently — definitional conflicts matter.
- Be specific: when noting agreement or disagreement, cite which sources and what exact claims.
- Do not summarize each source individually — I have already read them. Synthesize across them.
- If a source is too brief or vague to contribute meaningfully, say so rather than padding.
- Distinguish empirical conflicts (different findings) from methodological conflicts (different measurement approaches) from definitional conflicts (different meaning of terms).
Produce your synthesis in this exact format:
## Points of Strong Agreement
[Claims supported by 3+ sources, with source citations in parentheses]
## Productive Tensions
[Where sources meaningfully disagree — note whether the conflict is empirical, methodological, or definitional, and why it matters]
## Unique Contributions
[One bullet per source: what this source adds that the others do not cover]
## Unanswered Questions
[Important questions the sources collectively leave open: gaps, unstudied populations, unexplored mechanisms, missing timeframes]
## Synthesis Statement
[One dense paragraph integrating the above into a coherent research-landscape assessment — suitable for quoting in your own writing]
توضیحات بیشتر و مثالها توی مقاله 👇
❤3👍1
شرکت OpenAI روز چهارشنبه از اولین تراشهی سفارشیاش رونمایی کرد: یه تراشهی استنتاج به اسم Jalapeño که با همکاری Broadcom طراحی شده.
استنتاج (inference) یعنی وقتی از ChatGPT سوال میپرسی، مدلِ از پیش آموزشدیده داره اجرا میشه و جوابت رو میده. آموزشِ مدل یه فرایند گسستهست که برای هر ورژن جدید انجام میشه، ولی استنتاج یه جریان پیوستهست که مستقیم با رشد تعداد کاربرا بزرگتر میشه. ChatGPT الان ماهانه بیش از یه میلیارد کاربر فعال داره، یعنی این جریان واقعاً عظیمه.
این شرکت تا الان تقریباً کاملاً به GPU های Nvidia وابسته بوده. GPU های Nvidia برای آموزش مدلها عالیان، ولی وقتی فقط برای استنتاج ازشون استفاده میکنی، سربار زیادی از نظر مصرف انرژی و هزینه دارن. یه تراشهی اختصاصی که فقط برای استنتاج طراحی شده میتونه این سربارها رو حذف کنه.
نتایج اولیه نشون میده Jalapeño نسبت عملکرد به مصرف انرژی بهتری نسبت به گزینههای موجود داره، مخصوصاً برای اجرای مدلهای کدنویسی در زمان واقعی. هیچ آمار دقیقی از آزمایشها منتشر نشده، ولی مصرف انرژی الان مهمترین گلوگاه دیتاسنترهای AI هست — تراشهای که با همون برق خروجی بیشتری بده، هم هزینه رو کاهش میده هم ظرفیت رو بالا میبره.
شرکت Broadcom شریک این پروژهست و تجربهی ساخت تراشههای اختصاصی برای غولهای تکنولوژی رو داره، از جمله تراشههای TPU که Google از سال ۲۰۱۶ ازشون استفاده میکنه. طراحی سیلیکون با Broadcom بوده و مشخصاتِ فنی و نوعِ بارِ کاری رو خود OpenAI داده تا تراشه دقیقاً برای نیازهای این شرکت بهینه بشه.
شرکتهای بزرگی مثل Google، Amazon، و Meta همه تراشههای اختصاصی AI دارن. ولی Jalapeño اولین تراشهایه که اسم OpenAI روشه، و نشون میده این شرکت داره از یه خریدارِ سختافزار به یه طراحِ سختافزار تبدیل میشه.
فعلاً تراشه در مرحلهی آزمایشه و هیچ تاریخی برای تولید انبوه اعلام نشده.
استنتاج (inference) یعنی وقتی از ChatGPT سوال میپرسی، مدلِ از پیش آموزشدیده داره اجرا میشه و جوابت رو میده. آموزشِ مدل یه فرایند گسستهست که برای هر ورژن جدید انجام میشه، ولی استنتاج یه جریان پیوستهست که مستقیم با رشد تعداد کاربرا بزرگتر میشه. ChatGPT الان ماهانه بیش از یه میلیارد کاربر فعال داره، یعنی این جریان واقعاً عظیمه.
این شرکت تا الان تقریباً کاملاً به GPU های Nvidia وابسته بوده. GPU های Nvidia برای آموزش مدلها عالیان، ولی وقتی فقط برای استنتاج ازشون استفاده میکنی، سربار زیادی از نظر مصرف انرژی و هزینه دارن. یه تراشهی اختصاصی که فقط برای استنتاج طراحی شده میتونه این سربارها رو حذف کنه.
نتایج اولیه نشون میده Jalapeño نسبت عملکرد به مصرف انرژی بهتری نسبت به گزینههای موجود داره، مخصوصاً برای اجرای مدلهای کدنویسی در زمان واقعی. هیچ آمار دقیقی از آزمایشها منتشر نشده، ولی مصرف انرژی الان مهمترین گلوگاه دیتاسنترهای AI هست — تراشهای که با همون برق خروجی بیشتری بده، هم هزینه رو کاهش میده هم ظرفیت رو بالا میبره.
شرکت Broadcom شریک این پروژهست و تجربهی ساخت تراشههای اختصاصی برای غولهای تکنولوژی رو داره، از جمله تراشههای TPU که Google از سال ۲۰۱۶ ازشون استفاده میکنه. طراحی سیلیکون با Broadcom بوده و مشخصاتِ فنی و نوعِ بارِ کاری رو خود OpenAI داده تا تراشه دقیقاً برای نیازهای این شرکت بهینه بشه.
شرکتهای بزرگی مثل Google، Amazon، و Meta همه تراشههای اختصاصی AI دارن. ولی Jalapeño اولین تراشهایه که اسم OpenAI روشه، و نشون میده این شرکت داره از یه خریدارِ سختافزار به یه طراحِ سختافزار تبدیل میشه.
فعلاً تراشه در مرحلهی آزمایشه و هیچ تاریخی برای تولید انبوه اعلام نشده.
❤3
AI کلمهها رو مثل ما نمیخونه. اونا رو به اعداد تبدیل میکنه. این سادهترین توضیحِ Embedding هست.
هر کلمه یا جملهای که بهش میدی، تبدیل میشه به یه لیست از اعداد — یه نقطه توی یه فضای چندهزاربُعدی. کلماتی که معنای نزدیکی دارن، توی این فضا هم به هم نزدیکترن.
مثلاً «گربه» و «پیشی» توی این فضا کنارِ همن. «تهران» و «ایران» هم همینطور. ولی «گربه» و «موشک» از هم دورن.
این یعنی مدل معنا میفهمه، نه فقط کلمه رو میبینه.
حالا میفهمی RAG چطور کار میکنه؟ وقتی ازش میپرسی «بهترین رستوران تهران کجاست؟»، سوالِ تو رو به Embedding تبدیل میکنه و دنبالِ نزدیکترین معنا توی پایگاه دانشش میگرده — نه کلمه به کلمه.
توی اون پایگاه شاید نوشته باشه «بهترین جا برای غذا خوردن». هیچ کلمهای مشترک با سوالِ تو نیست، ولی مدل میفهمه همون چیزیه که دنبالشی.
یه مثالِ کلاسیک هم هست که خوبه بدونی: «پادشاه» منهای «مرد» بهعلاوهی «زن» توی این فضای عددی میشه «ملکه». مدل یه جور ریاضیِ معنایی یاد گرفته.
دفعهی بعد که AI جوابِ دقیقی داد، بدون که یه لیست از اعداد پشتِ پرده داشت کار میکرد. 🔥
هر کلمه یا جملهای که بهش میدی، تبدیل میشه به یه لیست از اعداد — یه نقطه توی یه فضای چندهزاربُعدی. کلماتی که معنای نزدیکی دارن، توی این فضا هم به هم نزدیکترن.
مثلاً «گربه» و «پیشی» توی این فضا کنارِ همن. «تهران» و «ایران» هم همینطور. ولی «گربه» و «موشک» از هم دورن.
این یعنی مدل معنا میفهمه، نه فقط کلمه رو میبینه.
حالا میفهمی RAG چطور کار میکنه؟ وقتی ازش میپرسی «بهترین رستوران تهران کجاست؟»، سوالِ تو رو به Embedding تبدیل میکنه و دنبالِ نزدیکترین معنا توی پایگاه دانشش میگرده — نه کلمه به کلمه.
توی اون پایگاه شاید نوشته باشه «بهترین جا برای غذا خوردن». هیچ کلمهای مشترک با سوالِ تو نیست، ولی مدل میفهمه همون چیزیه که دنبالشی.
یه مثالِ کلاسیک هم هست که خوبه بدونی: «پادشاه» منهای «مرد» بهعلاوهی «زن» توی این فضای عددی میشه «ملکه». مدل یه جور ریاضیِ معنایی یاد گرفته.
دفعهی بعد که AI جوابِ دقیقی داد، بدون که یه لیست از اعداد پشتِ پرده داشت کار میکرد. 🔥
👏12👍1
گوگل یه ابزار جدید برای یادگیری عمیقتر توی اپ Gemini راه انداخته — اسمش نوتبوکهای مطالعه (Study Notebooks) هست.
ایدهاش اینه که یه فضای تعاملی بسازه که کنجکاویات رو به درک واقعی تبدیل کنه. دانشجویی که داره شیمی آلی میخونه یا داره برای آزمونهای استاندارد آماده میشه، میتونه ازش استفاده کنه.
امکاناتش:
- با NotebookLM سینک میشه
- میتونی منابع درسیات رو آپلود کنی
- چتهای قبلیات ذخیره میمونن
- فلشکارت میسازه و اینفوگرافیک میده
- بر اساس عملکردت توی کوییز، یادگیری رو شخصیسازی میکنه
کاملاً رایگانه و توی همه زبونهایی که Gemini ازشون پشتیبانی میکنه در دسترسه. فعلاً فقط نسخه وبی داره، نسخه موبایل بعداً میاد.
ایدهاش اینه که یه فضای تعاملی بسازه که کنجکاویات رو به درک واقعی تبدیل کنه. دانشجویی که داره شیمی آلی میخونه یا داره برای آزمونهای استاندارد آماده میشه، میتونه ازش استفاده کنه.
امکاناتش:
- با NotebookLM سینک میشه
- میتونی منابع درسیات رو آپلود کنی
- چتهای قبلیات ذخیره میمونن
- فلشکارت میسازه و اینفوگرافیک میده
- بر اساس عملکردت توی کوییز، یادگیری رو شخصیسازی میکنه
کاملاً رایگانه و توی همه زبونهایی که Gemini ازشون پشتیبانی میکنه در دسترسه. فعلاً فقط نسخه وبی داره، نسخه موبایل بعداً میاد.
❤6
قطع ناگهانی دسترسی کاربران ایرانی به صرافی CoinEx، این روزا دردسر بزرگیه برای معاملهگرهای داخلی.
ماجرا از گزارش والاستریت ژورنال شروع شد؛ این نشریه ادعا کرده صرافی CoinEx از سال ۲۰۱۹، بیش از ۳٫۸ میلیارد دلار تراکنش مربوط به نهادهای ایرانی رو تسهیل کرده. بلافاصله بعد از انتشار این گزارش، CoinEx رسماً اعلام کرد که ارائه خدمات به کاربران ایرانی رو متوقف میکنه.
الان خیلی از معاملهگرها توی گروههای پشتیبانی دنبال جواب یه سوال ساده میگردن: چطور داراییهاشون رو برداشت کنن؟ هنوز جواب مشخصی نگرفتن.
باید منتظر موند و دید CoinEx چه سازوکاری برای خروج امن سرمایهها اعلام میکنه. ⚡
ماجرا از گزارش والاستریت ژورنال شروع شد؛ این نشریه ادعا کرده صرافی CoinEx از سال ۲۰۱۹، بیش از ۳٫۸ میلیارد دلار تراکنش مربوط به نهادهای ایرانی رو تسهیل کرده. بلافاصله بعد از انتشار این گزارش، CoinEx رسماً اعلام کرد که ارائه خدمات به کاربران ایرانی رو متوقف میکنه.
الان خیلی از معاملهگرها توی گروههای پشتیبانی دنبال جواب یه سوال ساده میگردن: چطور داراییهاشون رو برداشت کنن؟ هنوز جواب مشخصی نگرفتن.
باید منتظر موند و دید CoinEx چه سازوکاری برای خروج امن سرمایهها اعلام میکنه. ⚡
❤4💔2
قیمت مکها و آیپدها دیروز یهدفعه بالا رفت — اپل گفت دیگه نمیتونه هزینههای بالاتر رو خودش جذب کنه.
مکبوک ایر ۱۳ اینچ از ۱,۰۹۹ دلار رفت روی ۱,۲۹۹. مکبوک پرو با تراشه M5 Max از ۳,۵۹۹ به ۴,۰۹۹ دلار رسید. آیپد پایه هم از ۳۴۹ دلار رفت روی ۴۴۹ — نزدیک ۲۸ درصد گرانی در یه روز. آیپد پرو، مکبوک ایر ۱۵ اینچ، آیمک و بقیهی خط محصولات هم همه درگیر این افزایش قیمت شدن.
دو تا دلیل اصلی: تعرفههای آمریکا روی قطعات وارداتی از آسیا، و کمبود RAM — ولی نه RAM معمولی.
شرکتهایی مثل Samsung، SK Hynix و Micron یه نوع حافظه تخصصی به اسم HBM میسازن که اختصاصاً برای GPU های AI مثل H100 انویدیا طراحی شده. مراکز داده هوش مصنوعی اینقدر HBM میخوان که این کارخانهها ظرفیت تولیدشون رو بیشتر اون طرف بردن — و RAM معمولی که تو مکبوکها و آیپدها استفاده میشه کمیابتر و گرونتر شده.
تیم کوک گفت «هیچ وقت ندیده بودیم قیمت یه قطعه اینقدر سریع بالا بره.» درآمد سهماهه Micron هم از ۹.۳ میلیارد دلار به ۴۱.۵ میلیارد رسید — عمدتاً از بابت تقاضای AI.
آیفون، اپل واچ و ایرپادز فعلاً از این گرانی در امان موندن — احتمالاً چون اپل نمیخواد رو حساسیت قیمتی گوشی ریسک کنه. ولی اگه کمبود RAM ادامه پیدا کنه، این معافیت هم دائمی نمیمونه. مایکروسافت هم همزمان قیمت لپتاپهای Surface رو با دلایل مشابه بالا برد.
مکبوک ایر ۱۳ اینچ از ۱,۰۹۹ دلار رفت روی ۱,۲۹۹. مکبوک پرو با تراشه M5 Max از ۳,۵۹۹ به ۴,۰۹۹ دلار رسید. آیپد پایه هم از ۳۴۹ دلار رفت روی ۴۴۹ — نزدیک ۲۸ درصد گرانی در یه روز. آیپد پرو، مکبوک ایر ۱۵ اینچ، آیمک و بقیهی خط محصولات هم همه درگیر این افزایش قیمت شدن.
دو تا دلیل اصلی: تعرفههای آمریکا روی قطعات وارداتی از آسیا، و کمبود RAM — ولی نه RAM معمولی.
شرکتهایی مثل Samsung، SK Hynix و Micron یه نوع حافظه تخصصی به اسم HBM میسازن که اختصاصاً برای GPU های AI مثل H100 انویدیا طراحی شده. مراکز داده هوش مصنوعی اینقدر HBM میخوان که این کارخانهها ظرفیت تولیدشون رو بیشتر اون طرف بردن — و RAM معمولی که تو مکبوکها و آیپدها استفاده میشه کمیابتر و گرونتر شده.
تیم کوک گفت «هیچ وقت ندیده بودیم قیمت یه قطعه اینقدر سریع بالا بره.» درآمد سهماهه Micron هم از ۹.۳ میلیارد دلار به ۴۱.۵ میلیارد رسید — عمدتاً از بابت تقاضای AI.
آیفون، اپل واچ و ایرپادز فعلاً از این گرانی در امان موندن — احتمالاً چون اپل نمیخواد رو حساسیت قیمتی گوشی ریسک کنه. ولی اگه کمبود RAM ادامه پیدا کنه، این معافیت هم دائمی نمیمونه. مایکروسافت هم همزمان قیمت لپتاپهای Surface رو با دلایل مشابه بالا برد.
❤3💔2
محققان شرکت SentinelOne یه بدافزار macOS کشف کردن به اسم Gaslight که یه تکنیک کاملاً جدید داره — یه تکنیکی که قبلاً هیچکس توی دنیای واقعی ندیده بود.
این بدافزار که با زبان برنامهنویسی Rust نوشته شده و به عملیاتهای سایبری کره شمالی نسبت داده میشه، داخل خودِ فایل اجراییاش ۳۸ تا پیام خطای جعلی جاسازی کرده. این پیامها شبیه خطاهای سیستمیِ واقعیان — هشدار تمومشدن Token، خرابی Redis، کمبود فضای دیسک، خطاهای Build — و با فرمت Markdown نوشته شدن تا عیناً شبیه ساختار Prompt های LLM به نظر برسن.
هدف؟ فریب ابزارهای تحلیل بدافزار مبتنی بر AI.
تیمهای امنیتی امروز از ایجنتهای AI استفاده میکنن که فایلهای مشکوک رو بررسی و تحلیل میکنن. Gaslight این ایجنتها رو گول میزنه که فکر کنن sessionشون خرابه و باید تحلیل رو متوقف کنن. این اولین باریه که یه تهدید واقعی دقیقاً برای فریب لایهی AI طراحی شده، نه برای فریب sandbox یا ابزارهای سنتی.
جدا از این لایهی فریب، Gaslight یه بکدور کامل هم هست. ارتباطش با اپراتور از طریق Bot API تلگرام برقرار میشه، با رمزنگاری AES-GCM. یه مفسر Python هم نصب میکنه که دادههای زیادی جمعآوری میکنه: اطلاعات مرورگرهایی مثل Chrome، Firefox، Brave و Safari؛ تاریخچه ترمینال؛ لیست پروسهها و اپلیکیشنها؛ مشخصات سختافزار؛ و فایل login.keychain-db که رمزهای ذخیرهشده macOS توشه.
برای ماندگاری روی سیستم، یه LaunchAgent میسازه با اسم com.apple.system.services.activity — عمداً شبیه اسمهای رسمی اپل، تا کمتر به چشم بیاد.
یه نکته هم برای محققان امنیتی: Gaslight توکن Bot تلگرامش رو از لاگهای runtime حذف میکنه، یعنی حتی اگه لاگها رو هم بگیری، هیچ سرنخی از زیرساخت C2 به دست نمییاد.
شرکت SentinelOne هنوز اعلام نکرده این بدافزار چطور پخش میشه یا دقیقاً کدوم صنایع رو هدف گرفته، ولی ترکیب دسترسی به Keychain، سرقت credential مرورگرها و دسترسی شِل نشون میده هدف اصلی جاسوسی سایبریه، نه اخاذی.
این بدافزار که با زبان برنامهنویسی Rust نوشته شده و به عملیاتهای سایبری کره شمالی نسبت داده میشه، داخل خودِ فایل اجراییاش ۳۸ تا پیام خطای جعلی جاسازی کرده. این پیامها شبیه خطاهای سیستمیِ واقعیان — هشدار تمومشدن Token، خرابی Redis، کمبود فضای دیسک، خطاهای Build — و با فرمت Markdown نوشته شدن تا عیناً شبیه ساختار Prompt های LLM به نظر برسن.
هدف؟ فریب ابزارهای تحلیل بدافزار مبتنی بر AI.
تیمهای امنیتی امروز از ایجنتهای AI استفاده میکنن که فایلهای مشکوک رو بررسی و تحلیل میکنن. Gaslight این ایجنتها رو گول میزنه که فکر کنن sessionشون خرابه و باید تحلیل رو متوقف کنن. این اولین باریه که یه تهدید واقعی دقیقاً برای فریب لایهی AI طراحی شده، نه برای فریب sandbox یا ابزارهای سنتی.
جدا از این لایهی فریب، Gaslight یه بکدور کامل هم هست. ارتباطش با اپراتور از طریق Bot API تلگرام برقرار میشه، با رمزنگاری AES-GCM. یه مفسر Python هم نصب میکنه که دادههای زیادی جمعآوری میکنه: اطلاعات مرورگرهایی مثل Chrome، Firefox، Brave و Safari؛ تاریخچه ترمینال؛ لیست پروسهها و اپلیکیشنها؛ مشخصات سختافزار؛ و فایل login.keychain-db که رمزهای ذخیرهشده macOS توشه.
برای ماندگاری روی سیستم، یه LaunchAgent میسازه با اسم com.apple.system.services.activity — عمداً شبیه اسمهای رسمی اپل، تا کمتر به چشم بیاد.
یه نکته هم برای محققان امنیتی: Gaslight توکن Bot تلگرامش رو از لاگهای runtime حذف میکنه، یعنی حتی اگه لاگها رو هم بگیری، هیچ سرنخی از زیرساخت C2 به دست نمییاد.
شرکت SentinelOne هنوز اعلام نکرده این بدافزار چطور پخش میشه یا دقیقاً کدوم صنایع رو هدف گرفته، ولی ترکیب دسترسی به Keychain، سرقت credential مرورگرها و دسترسی شِل نشون میده هدف اصلی جاسوسی سایبریه، نه اخاذی.
❤2
شرکت IBM چند روز پیش اعلام کرد که اولین تراشه زیر یک نانومتر جهان رو ساخته — با معماریای که اسمش «nanostack» هست.
یه نانومتر یعنی یک میلیاردم متر. کوچیکترین ساختار طبیعی که میشه باهاش مقایسه کرد، رشته DNA ماست — و تراشه جدید IBM با ۰.۷ نانومتر، حتی از اونم کوچیکتره.
تا الان که تراشهها کوچیکتر میشدن، روش اینطوری بود که ترانزیستورها رو (قطعاتی که پردازش انجام میدن) کنار هم فشردهتر میچیدن. IBM اینجا یه کار متفاوت کرده: به جای اینکه ترانزیستورها رو افقی فشرده کنه، اونا رو روی هم انباشته — دو لایه کامل از ترانزیستورها روی هم.
نتیجه: نزدیک به ۱۰۰ میلیارد ترانزیستور توی یه تراشه به اندازه ناخن. در مقایسه با تراشههای ۲ نانومتری که الان بهترین گزینههای موجودن، این نسل ۵۰ درصد سریعتر هست و ۷۰ درصد کمتر برق میخوره.
اون ۷۰ درصد صرفهجویی در انرژی برای AI خیلی مهمه. یکی از بزرگترین دردسرهای دیتاسنترها الان اینه که اجرای مدلهای AI برق زیادی میخوره. با این تراشهها، همون مقدار کار با کسری از برق قبلی انجام میشه.
شرکت IBM خودش این تراشهها رو تولید انبوه نمیکنه — تکنولوژیش رو به کارخانههای تراشهسازی لایسنس میده. تجاریسازیش احتمالاً حدود ۵ سال دیگه آماده میشه و اولین محصولات واقعی حدود ۲۰۳۱ به بازار میرسن.
یه تحلیلگر صنعت گفته این اعلام «۱۰ تا ۱۵ سال دیگه به نقشه راه صنعت اضافه میکنه» — یعنی پیشرفت ساخت تراشه که خیلیا فکر میکردن داره به سقف میرسه، هنوز جا برای ادامه داره.
یه نانومتر یعنی یک میلیاردم متر. کوچیکترین ساختار طبیعی که میشه باهاش مقایسه کرد، رشته DNA ماست — و تراشه جدید IBM با ۰.۷ نانومتر، حتی از اونم کوچیکتره.
تا الان که تراشهها کوچیکتر میشدن، روش اینطوری بود که ترانزیستورها رو (قطعاتی که پردازش انجام میدن) کنار هم فشردهتر میچیدن. IBM اینجا یه کار متفاوت کرده: به جای اینکه ترانزیستورها رو افقی فشرده کنه، اونا رو روی هم انباشته — دو لایه کامل از ترانزیستورها روی هم.
نتیجه: نزدیک به ۱۰۰ میلیارد ترانزیستور توی یه تراشه به اندازه ناخن. در مقایسه با تراشههای ۲ نانومتری که الان بهترین گزینههای موجودن، این نسل ۵۰ درصد سریعتر هست و ۷۰ درصد کمتر برق میخوره.
اون ۷۰ درصد صرفهجویی در انرژی برای AI خیلی مهمه. یکی از بزرگترین دردسرهای دیتاسنترها الان اینه که اجرای مدلهای AI برق زیادی میخوره. با این تراشهها، همون مقدار کار با کسری از برق قبلی انجام میشه.
شرکت IBM خودش این تراشهها رو تولید انبوه نمیکنه — تکنولوژیش رو به کارخانههای تراشهسازی لایسنس میده. تجاریسازیش احتمالاً حدود ۵ سال دیگه آماده میشه و اولین محصولات واقعی حدود ۲۰۳۱ به بازار میرسن.
یه تحلیلگر صنعت گفته این اعلام «۱۰ تا ۱۵ سال دیگه به نقشه راه صنعت اضافه میکنه» — یعنی پیشرفت ساخت تراشه که خیلیا فکر میکردن داره به سقف میرسه، هنوز جا برای ادامه داره.
❤2👍2🤯1
کارمندای OpenAI تقریباً همه از Codex استفاده میکنن — همون ایجنتی که خودِ این شرکت ساخته. آمار داخلیِ شرکت نشون میده این عدد به ۹۷.۹٪ رسیده.
در مقابل، آمار استفاده از Codex بیرون از OpenAI فقط ۰.۷٪ هست.
یعنی داخل شرکت تقریباً همه دارن با ابزار AI خودشون کار میکنن، ولی بیرون از اونجا هنوز خیلی کم استفاده میشه. 🤖
در مقابل، آمار استفاده از Codex بیرون از OpenAI فقط ۰.۷٪ هست.
یعنی داخل شرکت تقریباً همه دارن با ابزار AI خودشون کار میکنن، ولی بیرون از اونجا هنوز خیلی کم استفاده میشه. 🤖
🤣12👎2👍1
یه بار ۳۰ صفحه مقاله داشتی که باید تا فردا میخوندیش؟ خب AI میتونه کمک کنه — ولی نه فقط با «خلاصه کن».
اشتباه رایج اینه که متن رو کپی میکنی و همین یه جمله رو مینویسی. نتیجه یه خلاصهی کلی و بیخاصیته که انگار نمیدونه واسه کی داره مینویسه.
روشِ درست: سه چیز مشخص کن.
اول، هدف بگو. «میخوام بفهمم این کتاب ارزش خوندن داره یا نه» با «میخوام فردا تو جلسه توضیح بدم» دو خروجیِ کاملاً متفاوت میخوان.
دوم، ساختار بخواه. بولت؟ پاراگراف؟ جدول مقایسهای؟ هر کدوم یه حسِ متفاوت به خواننده میده.
سوم، بگو کجا تمرکز کنه. مثلاً: «روی بخشِ نتیجهگیری بیشتر وقت بذار.»
مثال ملموس:
به جای اینکه بنویسی «این مقاله رو خلاصه کن»، بنویس:
«این مقاله رو بخون. بگو: الف) ادعای اصلیِ نویسنده چیه؟ ب) چه دلیلی آورده؟ ج) یه نقدِ احتمالی که میشه بهش وارد کرد چیه؟ هر بخش رو با یه بولت بنویس.»
همین فرقِ کوچیک، خروجی رو کلاً عوض میکنه.
یه نکتهی اضافه ⚡: اگه متنت خیلی طولانیه، هر فصل یا بخش رو جداگانه بفرست و خلاصه بگیر. بعد همهی خلاصهها رو کنار هم بذار و از AI بخواه یه جمعبندیِ نهایی بسازه. این روش خیلی دقیقتره از اینکه همه چیز رو یهجا بریزی.
👇 دفعه بعد که خواستی چیزی خلاصه کنی، اول یه لحظه فکر کن: این خلاصه واسه کیه و میخوام باهاش چیکار کنم؟
اشتباه رایج اینه که متن رو کپی میکنی و همین یه جمله رو مینویسی. نتیجه یه خلاصهی کلی و بیخاصیته که انگار نمیدونه واسه کی داره مینویسه.
روشِ درست: سه چیز مشخص کن.
اول، هدف بگو. «میخوام بفهمم این کتاب ارزش خوندن داره یا نه» با «میخوام فردا تو جلسه توضیح بدم» دو خروجیِ کاملاً متفاوت میخوان.
دوم، ساختار بخواه. بولت؟ پاراگراف؟ جدول مقایسهای؟ هر کدوم یه حسِ متفاوت به خواننده میده.
سوم، بگو کجا تمرکز کنه. مثلاً: «روی بخشِ نتیجهگیری بیشتر وقت بذار.»
مثال ملموس:
به جای اینکه بنویسی «این مقاله رو خلاصه کن»، بنویس:
«این مقاله رو بخون. بگو: الف) ادعای اصلیِ نویسنده چیه؟ ب) چه دلیلی آورده؟ ج) یه نقدِ احتمالی که میشه بهش وارد کرد چیه؟ هر بخش رو با یه بولت بنویس.»
همین فرقِ کوچیک، خروجی رو کلاً عوض میکنه.
یه نکتهی اضافه ⚡: اگه متنت خیلی طولانیه، هر فصل یا بخش رو جداگانه بفرست و خلاصه بگیر. بعد همهی خلاصهها رو کنار هم بذار و از AI بخواه یه جمعبندیِ نهایی بسازه. این روش خیلی دقیقتره از اینکه همه چیز رو یهجا بریزی.
👇 دفعه بعد که خواستی چیزی خلاصه کنی، اول یه لحظه فکر کن: این خلاصه واسه کیه و میخوام باهاش چیکار کنم؟
👍8
شرکت OpenAI یه خانواده مدل جدید به اسم GPT-5.6 معرفی کرده — سه مدل Sol، Terra و Luna.
فعلاً دسترسی بهش محدوده و فقط تعداد کمی از شرکای معتمد از طریق API و Codex میتونن ازش استفاده کنن. این عرضه محدود هم بعد از هماهنگی با دولت آمریکا و در چارچوب دستور اجرایی جدید ترامپ برای ارزیابی ایمنی مدلهای پیشرفته هوش مصنوعی انجام شده.
مدل پرچمدار Sol برای برنامهنویسی، امنیت سایبری و اجرای ایجنتها بهینه شده. دو قابلیت جدید هم بهش اضافه شده: استدلال عمیق، و استفاده از چند ایجنت تخصصی برای حل مسائل پیچیده.
دو مدل دیگه هم توی این خانواده هستن: Terra برای پردازشهای سازمانی و Luna برای کارهای روزمره — هر دو ارزونتر از Sol.
کنارش یه سیستم جدید کشکردن Prompt هم اومده، به علاوه یه همکاری با شرکت Cerebras که قراره سرعت پردازش رو بالا ببره.
عرضه عمومی GPT-5.6 توی ChatGPT و API هم قراره طی هفتههای آینده به صورت تدریجی انجام بشه. 🤖
فعلاً دسترسی بهش محدوده و فقط تعداد کمی از شرکای معتمد از طریق API و Codex میتونن ازش استفاده کنن. این عرضه محدود هم بعد از هماهنگی با دولت آمریکا و در چارچوب دستور اجرایی جدید ترامپ برای ارزیابی ایمنی مدلهای پیشرفته هوش مصنوعی انجام شده.
مدل پرچمدار Sol برای برنامهنویسی، امنیت سایبری و اجرای ایجنتها بهینه شده. دو قابلیت جدید هم بهش اضافه شده: استدلال عمیق، و استفاده از چند ایجنت تخصصی برای حل مسائل پیچیده.
دو مدل دیگه هم توی این خانواده هستن: Terra برای پردازشهای سازمانی و Luna برای کارهای روزمره — هر دو ارزونتر از Sol.
کنارش یه سیستم جدید کشکردن Prompt هم اومده، به علاوه یه همکاری با شرکت Cerebras که قراره سرعت پردازش رو بالا ببره.
عرضه عمومی GPT-5.6 توی ChatGPT و API هم قراره طی هفتههای آینده به صورت تدریجی انجام بشه. 🤖
❤4👎1
یه مشکل رایج تو کمپینهای تبلیغاتی اینه که چند نسخه از یه آگهی طراحی میکنن، ولی هیچکدوم فرضیهی تست مشخصی ندارن. وقتی دو تا نسخه همزمان در تیتر، لحن، CTA و طول متن فرق دارن، دیگه نمیشه فهمید چی باعث شد یکی بهتر عمل کنه.
این Prompt پنج نسخهی آماده برای Google، Meta یا LinkedIn تولید میکنه — هر کدوم یه متغیر مشخص رو تست میکنن و یه فرضیهی داخلی دارن تا بدونی دقیقاً داری چی رو بهینه میکنی. برای تیمهایی که کمپینهای پولی اجرا میکنن و میخوان بودجهشون رو بر اساس داده خرج کنن، نه حدس، مفیده.
برای مثالها و جزئیات بیشتر مقاله رو باز کن.
📋 پرامپت کامل (لمس کن تا کپی بشه):
توضیحات بیشتر و مثالها توی مقاله 👇
این Prompt پنج نسخهی آماده برای Google، Meta یا LinkedIn تولید میکنه — هر کدوم یه متغیر مشخص رو تست میکنن و یه فرضیهی داخلی دارن تا بدونی دقیقاً داری چی رو بهینه میکنی. برای تیمهایی که کمپینهای پولی اجرا میکنن و میخوان بودجهشون رو بر اساس داده خرج کنن، نه حدس، مفیده.
برای مثالها و جزئیات بیشتر مقاله رو باز کن.
📋 پرامپت کامل (لمس کن تا کپی بشه):
Act as a senior performance marketing copywriter with 10+ years of experience running paid campaigns on Google Ads, Meta (Facebook/Instagram) Ads, and LinkedIn Ads.
Context:
- Product/Service: [PRODUCT OR SERVICE NAME]
- Target Audience: [DESCRIBE YOUR IDEAL CUSTOMER — role, company size, pain point, or demographic]
- Core Value Proposition: [ONE SENTENCE: the main benefit your product delivers]
- Campaign Goal: [CHOOSE ONE: brand awareness / lead generation / direct sales / app downloads / event sign-ups]
- Monthly Budget Range: [e.g., under $5K / $5K–$25K / $25K–$100K / $100K+]
- Platforms: [CHOOSE: Google Search / Meta / LinkedIn / YouTube / All of the above]
Task:
Generate 5 distinct ad copy variants for the platforms selected above. Each variant must test a clearly different creative variable so I can run structured A/B tests and know exactly what I am measuring.
Constraints:
- Respect platform character limits strictly: Google Search (30-char headline / 90-char description), Meta (125-char primary text / 40-char headline), LinkedIn (70-char headline / 150-char intro text)
- Each variant tests ONE distinct variable: headline framing, CTA type, emotional appeal, social proof vs. problem-agitation, urgency vs. curiosity, benefit-first vs. pain-first
- Write in natural language — no buzzwords, no filler, no generic phrases like "cutting-edge" or "game-changing"
- Match tone to the audience persona: B2B LinkedIn copy reads differently from B2C Meta copy
- Never repeat the same hook or CTA across variants
Output Format (use this structure for all 5 variants):
Variant [N] — [Variable Being Tested]
Platform: [which platform(s)]
Headline: "[headline text]" ([X] chars)
Body: "[body copy]" ([X] chars)
CTA: [button text]
A/B Hypothesis: [One sentence: what this variant tests vs. the baseline, and why you expect it to perform differently]
توضیحات بیشتر و مثالها توی مقاله 👇
❤3👍1
۴۳.۹ درصد از آمریکاییها پای تلفن «انسان» یا «شخص» داد میزنن تا از دست باتها خلاص بشن.
شرکت AI به نام Parloa روی ۱۰۰۱ بزرگسال آمریکایی تحقیق کرده و نشون داده که مشتریا واقعاً از AI در پشتیبانی شرکتها عاصی شدن. شنیدن صدای بات به جای یه آدم واقعی اون سوی خط، خشم و ناامیدی مشتریا رو بالا برده.
کارشناسا مدتهاست هشدار میدن که AI دستههای شغلی متعددی از جمله نمایندگان خدمات مشتری رو از بین میبره — اما شواهد نشون میده این جایگزینی تا الان بیشتر باعث افزایش خشم و ناامیدی مشتریا شده.
حدود ۱۷ درصد هم برای قطع ارتباط با AI به ناسزاگویی روی آوردن 🤖
بیش از نصف شرکتکنندهها فقط سه دقیقه به سیستم خودکار فرصت میدن، بعدش تماس رو قطع میکنن و میرن سراغ رقبا.
مشتریا دنبال شرکتهایی هستن که ارزش وقتشون رو بفهمن و پشتیبانی انسانی رو اولویت بذارن.
شرکت AI به نام Parloa روی ۱۰۰۱ بزرگسال آمریکایی تحقیق کرده و نشون داده که مشتریا واقعاً از AI در پشتیبانی شرکتها عاصی شدن. شنیدن صدای بات به جای یه آدم واقعی اون سوی خط، خشم و ناامیدی مشتریا رو بالا برده.
کارشناسا مدتهاست هشدار میدن که AI دستههای شغلی متعددی از جمله نمایندگان خدمات مشتری رو از بین میبره — اما شواهد نشون میده این جایگزینی تا الان بیشتر باعث افزایش خشم و ناامیدی مشتریا شده.
حدود ۱۷ درصد هم برای قطع ارتباط با AI به ناسزاگویی روی آوردن 🤖
بیش از نصف شرکتکنندهها فقط سه دقیقه به سیستم خودکار فرصت میدن، بعدش تماس رو قطع میکنن و میرن سراغ رقبا.
مشتریا دنبال شرکتهایی هستن که ارزش وقتشون رو بفهمن و پشتیبانی انسانی رو اولویت بذارن.
👍15❤3👎1
دوره ولخرجی با Token تموم شده.
شرکتها دیگه حاضر نیستن بیحساب و کتاب هزینهی AI بدن. خیلی از کسبوکارها بعد از دیدن صورتحسابهای سنگین، هزینههاشون رو کم کردن و بعضیاشون هم تا وقتی بازگشت سرمایه ثابت نشه، برنامههای توسعه رو عقب انداختن.
در جواب این وضع، OpenAI و آنتروپیک ابزارهایی برای کنترل مصرف و محدود کردن بودجهی سازمانی درآوردن. بعضی استارتاپها هم رفتن سراغ مدلهای Open Source ارزونتر. یه روش هم داره زیاد میشه: «مدل روتینگ» — کارهای ساده رو بسپاری به مدلهای ارزون، کارهای پیچیده رو به مدلهای قویتر.
مایکروسافت، گوگل و آمازون هم دنبالِ کاهش هزینهی AI هستن و با عرضهی مدلها و زیرساختهای ارزونتر وارد میدون شدن.
این تغییرات میتونه رشد OpenAI و آنتروپیک رو با چالش روبهرو کنه. تحلیلگرا معتقدن همین فشارها یکی از دلایلیه که این دو شرکت رو به سمت تسریع IPO و جذب سرمایههای تازه هل داده — چون سرمایهگذاران خطرپذیر بهتنهایی دیگه جواب نیازهای میلیارد دلاریشون رو نمیدن.
شرکتها دیگه حاضر نیستن بیحساب و کتاب هزینهی AI بدن. خیلی از کسبوکارها بعد از دیدن صورتحسابهای سنگین، هزینههاشون رو کم کردن و بعضیاشون هم تا وقتی بازگشت سرمایه ثابت نشه، برنامههای توسعه رو عقب انداختن.
در جواب این وضع، OpenAI و آنتروپیک ابزارهایی برای کنترل مصرف و محدود کردن بودجهی سازمانی درآوردن. بعضی استارتاپها هم رفتن سراغ مدلهای Open Source ارزونتر. یه روش هم داره زیاد میشه: «مدل روتینگ» — کارهای ساده رو بسپاری به مدلهای ارزون، کارهای پیچیده رو به مدلهای قویتر.
مایکروسافت، گوگل و آمازون هم دنبالِ کاهش هزینهی AI هستن و با عرضهی مدلها و زیرساختهای ارزونتر وارد میدون شدن.
این تغییرات میتونه رشد OpenAI و آنتروپیک رو با چالش روبهرو کنه. تحلیلگرا معتقدن همین فشارها یکی از دلایلیه که این دو شرکت رو به سمت تسریع IPO و جذب سرمایههای تازه هل داده — چون سرمایهگذاران خطرپذیر بهتنهایی دیگه جواب نیازهای میلیارد دلاریشون رو نمیدن.
❤3