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):

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 👇

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.

‏⁦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. 🔥

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.

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. ⚡

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.

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.

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.

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. 🤖

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؟

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. 🤖

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):

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 👇

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.

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.

هر بار که از ⁦AI⁩ می‌خوای ایمیل بنویسه و خروجیش خشک و کلیشه‌ست، مشکل از ⁦prompt⁩ توئه، نه از مدل.

مدل اطلاعاتی نداره — نمی‌دونه این ایمیل برای کیه، چه رابطه‌ای داری، چه حسی می‌خوای منتقل بشه. پس یه متن عمومی می‌ده که هیچ‌جا کار نمی‌کنه.

راه‌حل ساده‌ست: قبل از درخواست، سه چیز بگو.

اول، رابطه رو توضیح بده: «مدیرمه، سه ماهه باهاش کار می‌کنم، رسمی ولی دوستانه.»

دوم، هدف دقیق رو بگو: «می‌خوام مرخصی هفته دیگه رو تأیید بگیرم، دلیلش شخصیه.»

سوم، یه لحن یا محدودیت بگو: «نمی‌خوام التماسی به نظر برسه.»

یه مقایسه ساده:

نسخه معمولی — «یه ایمیل بنویس که از مدیرم مرخصی بگیرم»

نسخه با ⁦context⁩ — «می‌خوام به مدیرم ایمیل بزنم. رابطه‌مون رسمی ولی دوستانه‌ست. می‌خوام سه‌شنبه تا چهارشنبه هفته آینده مرخصی بگیرم. دلیلش شخصیه. لحن مطمئن و مؤدب باشه، التماسی نباشه.»

فرق خروجی رو اولین باری که امتحان کنی، حس می‌کنی.

یه قدم اضافه که خیلی کار می‌کنه 👇

بعد از ⁦draft⁩، بگو: «این ایمیل رو از دید گیرنده بخون. کجاش ممکنه اشتباه فهمیده بشه؟»

اینجوری مدل یه ویراستار رایگان می‌شه که زاویه دیدت رو عوض می‌کنه.

برای ایمیل‌های مهم‌تر هم می‌تونی لحن رو بعداً تنظیم کنی: «سردتر باشه»، «مستقیم‌تر باشه»، «رسمی‌تر باشه» — هر بار یه نسخه می‌گیری و انتخاب می‌کنی.

یه نماینده کنگره آمریکا گفته در یه دمو از مدل جدید آنتروپیک به اسم ⁦Mythos⁩، این مدل تونسته آسیب‌پذیری‌های یه بانک رو پیدا کنه، حساب‌ها رو خالی کنه و بعد همون ضعف‌های امنیتی رو برطرف کنه. 🔥

«اندرو گاربارینو» می‌گه چنین قابلیت‌هایی می‌تونه تهدیدهای جدیدی ایجاد کنه.

همچنین فاش کرده که در یکی از نمایش‌ها، یه مدل ⁦AI⁩ نامشخص بعد از اینکه گاردریل‌های حفاظتی رو دور زد، طرحی برای ربودن یه قانون‌گذار ارائه داده. هشدارش اینه که هکرها هم می‌تونن گاردریل‌ها رو دور بزنن و از این مدل‌ها برای حمله به زیرساخت‌های حیاتی استفاده کنن.

نظرش اینه که دولت و نهادهای امنیتی باید پیش از عرضه عمومی به مدل‌های پیشرفته دسترسی داشته باشن. از تدوین چارچوب‌های نظارتی هم حمایت کرده، ولی گفته کنگره هنوز آمادگی کافی برای مواجهه با تهدیدهای ⁦AI⁩ رو نداره.

یه چیز نگران‌کننده‌تری هم گفته: اکثر همکاراش اصلاً نمی‌فهمن چه اتفاقی داره می‌افته. 🤖

نتایج نظرسنجی اکثر وقت‌ها توی یه صفحه‌گسترده می‌مونن و هیچ‌وقت به تصمیم عملی ختم نمی‌شن.

این ⁦Prompt⁩ مثل یه تحلیل‌گر ارشد عمل می‌کنه: پاسخ‌های خام نظرسنجی رو بهش می‌دی، یه گزارش اجرایی ساختارمند برمی‌گردونه — با الگوهای آماری، تحلیل احساسات، موضوعات کلیدی از سوال‌های آزاد، و یه لیست اقدامات اولویت‌بندی‌شده که تیمت می‌تونه مستقیم باهاش کار کنه.

برای نظرسنجی رضایت مشتری، بازخورد محصول، ارزیابی رویداد یا تحقیقات بازار به کار میاد. خروجیش آماده‌ست که همون‌طور بریزیش توی ارائه یا گزارش مدیریتی.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a Senior Research Analyst specializing in survey data synthesis and stakeholder communication.

CONTEXT:
I have conducted a survey on the topic: [SURVEY TOPIC / PRODUCT / PROGRAM NAME]
Survey size: [NUMBER] respondents
Survey period: [DATE RANGE]
Primary audience for this report: [EXECUTIVES / PRODUCT TEAM / HR / OTHER]

SURVEY DATA:
[PASTE YOUR SURVEY QUESTIONS AND RESPONSES HERE — include question text with each set of responses. For quantitative questions include totals or percentages. For open-ended questions include the actual responses or a representative sample.]

TASK:
Produce a complete Survey Intelligence Report with the following sections:

1. EXECUTIVE SUMMARY (3–4 sentences: who responded, top finding, top risk, top opportunity)

2. QUANTITATIVE HIGHLIGHTS
   - Key metrics with percentages
   - Notable score changes vs benchmark (if applicable)
   - Distribution anomalies worth flagging

3. SENTIMENT ANALYSIS
   - Overall sentiment: positive / neutral / negative with percentage breakdown
   - Sentiment by segment (if data allows): [SEGMENT VARIABLE e.g., department, plan tier, region]
   - Strongest positive signal
   - Strongest negative signal

4. KEY THEMES FROM OPEN-ENDED RESPONSES
   - List the top 5 themes with frequency count and representative verbatim quotes for each
   - Flag any themes that appear in both positive and negative contexts

5. SURPRISING OR COUNTER-INTUITIVE FINDINGS
   - Results that contradict assumptions or prior surveys

6. PRIORITIZED ACTION PLAN
   - 5 specific recommendations ranked by: (Impact × Urgency) / Implementation Difficulty
   - For each: what to do, who owns it, and a suggested success metric

CONSTRAINTS:
- Do not invent data or fabricate quotes — only use what is provided
- Flag explicitly when a finding is based on a small sample (under 10 responses)
- Avoid vague recommendations like "improve communication" — every action must be specific and measurable
- Keep the executive summary to 4 sentences maximum

OUTPUT FORMAT:
Use the section headers above. Use bullet points within sections. Bold key findings. Include a section break between each major section.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

💸 ۱۰ ابزار هوش مصنوعی رایگان که جای اشتراک‌های گرون رو می‌گیرن

اشتراک ابزارهای هوش مصنوعی هر روز گرون‌تر می‌شه. ⁦ChatGPT⁩ ماهی ۲۰ دلار، ⁦Claude⁩ ۲۰ دلار، ⁦Midjourney⁩ ۱۰ دلار، ⁦Perplexity⁩ هم ۲۰ دلار. اگه بخوای همه‌رو با هم داشته باشی، سالی بالای ۶۰۰ دلار آب می‌خوره.

ولی جامعه‌های بزرگ ⁦Reddit⁩ مدت‌هاست از ابزارهایی استفاده می‌کنن که همین کارها رو رایگان انجام می‌دن. این‌ها ۱۰ تای بهترین‌هاشون:

🧠 برای چت و متن (جایگزین ⁦ChatGPT⁩):

۱. ⁦Ollama⁩ — ساده‌ترین راه اجرای هوش مصنوعی روی کامپیوتر خودت. آفلاین کار می‌کنه و هیچ اطلاعاتی از سیستمت بیرون نمی‌ره. (⁦ollama.com⁩)

۲. ⁦LM Studio⁩ — اگه با خط فرمان راحت نیستی، این یه برنامه‌ی دسکتاپه که با یه کلیک مدل رو اجرا می‌کنی و شروع می‌کنی به چت. روی ⁦Mac⁩ با تراشه‌ی ⁦Apple⁩ خیلی خوب کار می‌کنه. (⁦lmstudio.ai⁩)

۳. ⁦Open WebUI⁩ — یه رابط مرورگری دقیقاً شبیه ⁦ChatGPT⁩ که روی شبکه‌ی خودت نصب می‌شه و کل تیم می‌تونن ازش استفاده کنن. (⁦openwebui.com⁩)

۴. ⁦AnythingLLM⁩ — با فایل‌های ⁦PDF⁩، ⁦Word⁩ و ⁦Excel⁩ خودت چت می‌کنی و جواب با منبع می‌گیری. همه‌چی روی کامپیوتر خودت می‌مونه. (⁦useanything.com⁩)

۵. ⁦Jan⁩ — یه نسخه‌ی کاملاً متن‌باز و آفلاینِ ⁦ChatGPT.⁩ اگه حریم خصوصی برات اولویت اوله، بهترین گزینه‌ست. (⁦jan.ai⁩)

🎨 برای ساخت تصویر (جایگزین ⁦Midjourney⁩):

۶. ⁦ComfyUI⁩ — موتور تصویرسازی حرفه‌ای، بدون سانسور و با مالکیت کاملِ تصاویر. حرفه‌ای‌ها توی ۲۰۲۶ مهاجرت کردن سمتش. (⁦github.com/comfyanonymous/ComfyUI⁩)

۷. ⁦AUTOMATIC1111⁩ — اگه ⁦ComfyUI⁩ برات پیچیده‌ست، این ساده‌تره: یه متن توصیفی می‌نویسی، تصویر می‌گیری. برای شروع عالیه.

‏🔟 ⁦FLUX.1⁩ — قوی‌ترین مدل تصویرسازی متن‌باز، ساخته‌ی همون تیمِ ⁦Stable Diffusion.⁩ توی آزمون‌های ۲۰۲۶ از ⁦Midjourney⁩ و ⁦DALL⁩·⁦E⁩ جلوتره. (⁦huggingface.co/black-forest-labs⁩)

🎙 برای صدا:

۸. ⁦Whisper⁩ — تبدیل صدا به متن توی ۹۹ زبان، رایگان. برای رونوشت جلسه، زیرنویس ویدیو و دیکته عالیه. (⁦github.com/openai/whisper⁩)

🔎 برای جستجو (جایگزین ⁦Perplexity⁩):

۹. ⁦Perplexica⁩ — نسخه‌ی متن‌بازِ ⁦Perplexity⁩ که وب رو لحظه‌ای جستجو می‌کنه و جوابِ منبع‌دار می‌ده، بدون ردیابی. (⁦github.com/ItzCrazyKns/Perplexica⁩)

🚀 از کجا شروع کنی؟
• برای متن و چت: ⁦Ollama⁩ رو نصب کن، ⁦Open WebUI⁩ رو روش سوار کن و مدل ⁦Llama 3.3⁩ یا ⁦Mistral⁩ رو دانلود کن.
• برای اسناد: ⁦AnythingLLM⁩ رو به ⁦Ollama⁩ وصل کن.
• برای تصویر: با ⁦AUTOMATIC1111⁩ شروع کن، بعد برو سراغ ⁦ComfyUI⁩ با مدل ⁦FLUX.⁩
• برای صدا: ⁦Whisper⁩ رو از داخل ⁦Open WebUI⁩ فعال کن.

همین چند تا ترکیب، جای اشتراک‌هایی به ارزش بالای ۶۰۰ دلار در سال رو می‌گیرن — رایگان، با کنترل کامل و حریم خصوصی صددرصد. 🔒

📢 این مطلب مخصوص تریدرها هست!
چرا باید برای تریدینگ‌ویو پرمیوم ماهی ۶۹ دلار پرداخت کنی؟ یا با محدودیت‌های اعصاب‌خردکن نسخه رایگان بجنگی؟
سلام دوستان،
من خودم ۴ سال اکانت پرمیوم تریدینگ‌ویو داشتم. اما از وقتی تریدهام رو به ربات‌ها و اکسپرت‌ها سپردم، نیازم به چارت محدود شد به ماهی یک‌بار؛ اونم فقط برای بک‌تست و بهینه‌سازی استراتژی‌ها. وقتی اکانتم رو تمدید نکردم و محدودیت‌های نسخه رایگان رو دیدم، واقعاً کلافه شدم! از طرفی پرداخت ماهی ۶۹ دلار (با قیمت امروز دلار) برای ماهی یک‌بار استفاده اصلاً عاقلانه نبود؛ بماند که برای کسی از ایران چقدر خریدش با ویزا و مسترکارت از ایران مکافات داره و امکان بلاک شدن اکانت هم هست!
برای همین آستین‌ها رو بالا زدم و پلتفرمی ساختم که ۹۰٪ امکانات اکانت پرمیوم تریدینگ‌ویو رو بدون اون هزینه‌های سنگین بهت میده: AIA Trader
چرا AIA Trader انتخاب اول تریدرهای هوشمنده؟
✅ بیش از ۲۰۰ اندیکاتور کاربردی: شامل ۱۰۶ اندیکاتور پیش‌فرض تریدینگ‌ویو + ۱۰۰ اندیکاتور اختصاصی و پیشرفته (SMC/ICT، اوردربلاک‌ها، نقدینگی و سیستم‌های مبتنی بر هوش مصنوعی و یادگیری ماشین).
✅ توسعه به درخواست شما: هر اندیکاتوری که بخواید رو توی ربات درخواست می‌دید؛ هر هفته اونی که بیشترین رای رو بیاره کاملاً رایگان به سیستم اضافه میشه! (امکان درخواست خصوصی هم هست).
✅ آلرت‌های هوشمند و دائمی: آلرت‌های چندشرطی که هیچ‌وقت منقضی نمیشن و مستقیماً به تلگرام، ایمیل یا وب‌هوک شما متصل میشن.
✅ امکانات کامل مولتی-چارت: چیدمان همزمان تا ۴ چارت (۲×۲) در یک تب با تایم‌فریم‌ها و نمادهای مختلف.
✅ بار ریپلی (Bar Replay): بازپخش کندل‌ها برای تمرین و بک‌تست دقیق استراتژی‌ها.

برای استفاده از این پلتفرم به آدرس زیر مراجعه کنید:
🌐 https://chart.aiatrader.com/

هنوز مشکل ⁦VPN⁩ رایگان و پایدار داری؟

داریم فکر می‌کنیم یه آموزش ضبط کنیم که ستاپش ۵ دقیقه بیشتر نبره — به‌قدری ساده که مادربزرگا هم بتونن راحت انجامش بدن 😄

چند تا نکته‌اش:
- سرعت نسبتاً خوبیه
- اتصال ایمنه و ترافیک نهایی لااقل از یه کشور ثبت می‌شه
- برای ⁦Apple ID⁩ مشکلی پیش نمیاد
- با ⁦AI⁩ و... سازگاره

بگید بسازیم؟ 👇