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؟ 👇

اگه برنامه‌نویس یا ادمین سرور هستی، این خبر رو جدی بگیر.

یه ⁦PoC⁩ عمومی برای ⁦CVE-2026-55200⁩ منتشر شده — باگی بحرانی تو ⁦libssh2⁩ با امتیاز ⁦CVSS 9.2⁩ از ۱۰. ⁦PoC⁩ یا اثبات مفهوم یعنی کدی واقعی که نشون می‌ده چطور می‌شه از این باگ سوءاستفاده کرد، نه فقط یه ادعای روی کاغذ.

کتابخانه‌ی ⁦libssh2⁩ رو احتمالاً هیچ‌وقت مستقیم نصب نکردی، ولی داخل ⁦curl⁩، ⁦Git⁩، ⁦PHP⁩، ⁦backup agent⁩ها و یه عالمه ابزار دیگه نهفته‌ست. همه‌ی نسخه‌ها تا ۱.۱۱.۱ آسیب‌پذیرن.

مشکل اینه که تابعی که بسته‌های ⁦SSH⁩ رو هنگام اتصال پردازش می‌کنه، طول بسته‌ای که از طرف سرور میاد رو چک نمی‌کنه. نتیجه یه ⁦overflow⁩ محاسباتیه — حافظه‌ی کمتری از نیاز تخصیص می‌ده و داده‌ها به جاهایی نوشته می‌شن که نباید. این نوع باگ در شرایط مناسب به اجرای کد از راه دور ختم می‌شه.

خطرناک‌ترین بخشش اینه که قربانی لازم نیست سرور ⁦SSH⁩ داشته باشه. کافیه یه برنامه‌ی روی سیستمش — مثل ⁦curl⁩ — بره سراغ یه هاست مخرب. حمله‌کننده کنترل اون طرف ارتباط رو داره.

هنوز هیچ نسخه‌ی رسمیِ پچ‌شده‌ای از ⁦libssh2⁩ منتشر نشده. فیکس تو کد اصلی هست ولی هنوز به‌عنوان ⁦release⁩ تگ نخورده. دبیان یه نسخه‌ی اصلاح‌شده داره، بقیه‌ی توزیع‌های لینوکس هم دارن جداگانه روش کار می‌کنن.

تا وقتی پچ رسمی بیاد، چک کن کدوم ابزارهات از ⁦libssh2⁩ استفاده می‌کنن — ⁦curl⁩، ⁦PHP SSH extension⁩، و ⁦backup agent⁩ها رایج‌ترین مواردن — و تا جایی که ممکنه اتصالات ⁦SSH⁩ خروجی رو به هاست‌های مطمئن محدود کن.

روبوتاکسی ⁦Zoox⁩ نه فرمون داره، نه پدال — و از هر دو جهت می‌تونه حرکت کنه. شرکت ⁦Amazon⁩ حالا بعد از ۵۰۰,۰۰۰+ سفر، نسخه به‌روزشده‌اش رو معرفی کرد.

تغییرات از بازخورد مسافرای واقعی اومده: کابین راحت‌تره، صفحه لمسی روشن‌تره، پایه شارژ بی‌سیم بهتر شده، داخل ماشین طراحی تازه‌ای داره، و بیرونش هم اصلاح شده تا جلو و عقبش راحت‌تر از هم تشخیص داده بشه.

حالا قراره وارد تولید انبوه بشه. 🤖

وقتی می‌خوای یه چیزی یاد بگیری — نه فقط یه جوابِ سریع بگیری — یه روشِ ساده هست که بیشتر آدم‌ها ازش رد می‌شن.

بیشتر مواقع ⁦AI⁩ رو مثل موتورِ جستجو استفاده می‌کنیم: سوال می‌پرسیم، جواب می‌گیریم، می‌ریم. ولی اگه بخوای یه مفهوم واقعاً توی ذهنت بمونه، باید رویکردت رو عوض کنی.

سه قدم که همه‌چیز رو متفاوت میکنه:

قدم اول — توضیح + تشبیه بخواه
به جای «⁦Async/Await⁩ در ⁦Python⁩ چیه؟» بگو:
‏«⁦Async/Await⁩ رو با یه تشبیه ساده از زندگی روزمره توضیح بده.»
نتیجه: یه تصویرِ ذهنیِ ملموس می‌گیری که می‌مونه، نه تعریفِ خشکی که پنج دقیقه بعد فراموشش می‌کنی.

قدم دوم — بخواه ازت بپرسه
بعد از توضیح بگو: «حالا یه سوال ازم بپرس، ببینیم درست فهمیدم یا نه.»
یادگیری واقعی اینجا شروع می‌شه. به جای اینکه فقط بخونی و فکر کنی فهمیدی، مجبوری جواب بدی — و اینجاست که می‌فهمی کجا دقیقاً گم شدی.

قدم سوم — یه تمرینِ کوچیک بخواه
«یه تمرینِ کوچیک بده که خودم حلش کنم.»
تمرین می‌گیری، حلش می‌کنی، نقدت می‌کنه. این چرخه توی یادگیریِ سنتی ممکنه روزها طول بکشه.

یه مثالِ واقعی 👇

فرض کن می‌خوای ⁦VLOOKUP⁩ توی ⁦Excel⁩ رو یاد بگیری. به جای کپی‌پیستِ فرمول از اینترنت، این رو به ⁦ChatGPT⁩ یا ⁦Claude⁩ بفرستی:

‏«⁦VLOOKUP⁩ رو با یه مثالِ ملموس توضیح بده. بعد یه سوال ازم بپرس ببینیم فهمیدم. بعدش یه تمرینِ کوچیک بده که خودم حلش کنم.»

همین یه ⁦Prompt⁩، یه جلسه‌ی یادگیریِ واقعی می‌سازه. 🤖

اگه داری برای ارتقای شغلیت آماده می‌شی، فهرست کارایی که انجام دادی کافی نیست — مدیرت به یه استدلال ساختاریافته نیاز داره که بتونه باهاش ازت دفاع کنه.

این ⁦Prompt⁩ یه سند کامل ارتقا می‌سازه: خلاصه اجرایی، ترجمه‌ی دستاوردهات به زبان شایستگی‌های سطح بعدی، پاسخ از پیش آماده به اعتراض‌های احتمالی مدیرِ مدیرت، و توضیح اینکه در سطح جدید چه ارزشی اضافه می‌کنی.

اطلاعات خامت رو بهش بده — نیازی به صیقل‌خورده بودن نداره. بعد از گرفتن خروجی، جاهایی که [⁦ADD⁩: ...] داره رو با اعداد و اطلاعات واقعی جایگزین کن، بعد به مدیرت بده. بهتره ۶ تا ۸ هفته قبل از ارزیابی رسمی ازش استفاده کنی — هدف اینه که مکالمه رو زودتر شروع کنی، نه اینکه فرم آخرِ فصل رو باهاش پر کنی.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior career strategist and executive coach specializing in corporate advancement.

Context: I am a [YOUR JOB TITLE] at [COMPANY TYPE, e.g., a 500-person SaaS company] with [X YEARS] in this role. My manager is [MANAGER'S LEVEL, e.g., a VP of Engineering]. The review cycle happens [TIMING, e.g., in Q3]. The promotion I am seeking is to [TARGET TITLE].

Here are my key achievements from the past 12 months:
[PASTE YOUR ACHIEVEMENTS — bullet points, rough notes, or rough descriptions are fine]

Here is the job description or competency framework for the target role:
[PASTE JD OR LEVEL GUIDE — or describe the key expectations if you do not have one]

Task: Write a complete promotion case document I can share with my manager or use in a self-review submission. The document should:
1. Open with a 2-sentence executive summary of why I am ready for this promotion
2. Map each of my key achievements to a specific competency expected at the target level
3. Quantify impact wherever the raw data allows; flag gaps with [ADD: ...]
4. Include a future value section: what I will deliver at the next level that I cannot deliver in my current role
5. Anticipate and pre-empt the 2 most likely objections (e.g., "not enough scope", "too early")

Constraints:
- Write in first person, confident but not arrogant
- Keep the total document under 800 words — managers skim
- Do not invent numbers; flag where I need to add data with [ADD: ...]
- Avoid filler phrases like "passionate about" or "strong communicator"
- Tone should be factual and evidence-led, like a business case, not a cover letter

Output Format:
## Promotion Case: [MY NAME] → [TARGET TITLE]
### Executive Summary (2 sentences)
### Demonstrated Readiness: Key Achievements
[Achievement → Competency mapping, 4-6 bullets with brief explanation of each]
### Business Impact at the Next Level
[2-3 concrete forward-looking statements]
### Addressing Likely Questions
[Q: ... / A: ... format, covering the 2 most likely objections]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

تا حالا شده بخوای ⁦Claude⁩ یا ⁦ChatGPT⁩ مستقیماً با فایل‌هات یا دیتابیستت کار کنه — نه اینکه محتوا رو ⁦copy-paste⁩ کنی بهش؟

این دقیقاً چیزیه که ⁦MCP⁩ حلش کرده.

مخففِ ⁦Model Context Protocol⁩ هست. یه استاندارد باز که تعریف می‌کنه یه ⁦AI⁩ چطور می‌تونه به ابزارها و منابع خارجی وصل بشه. کمپانی ⁦Anthropic⁩ طراحیش کرده، ولی ⁦Open Source⁩ هست و هر کسی می‌تونه ازش استفاده کنه.

قبل از ⁦MCP⁩، اگه می‌خواستی ⁦AI⁩ با ⁦GitHub⁩ یا دیتابیستت کار کنه، باید یه ⁦API⁩ سفارشی می‌نوشتی. هر ابزار، یه پلِ جداگانه می‌خواست.

‏⁦MCP⁩ اومده یه استاندارد مشترک ساخته — مثل ⁦USB⁩ برای لوازم جانبی. وقتی یه ابزار، ⁦MCP Server⁩ داشته باشه، هر ⁦AI⁩ که ⁦MCP Client⁩ باشه می‌تونه باهاش وصل بشه. بدون کدنویسی از صفر.

یه مثالِ ملموس:
فرض کن ⁦Claude⁩ روی لپ‌تاپت بازه. از طریق ⁦MCP⁩ می‌تونه مستقیم فایل‌های پوشه‌ات رو بخونه، تو ⁦GitHub⁩ یه ⁦issue⁩ باز کنه، یا از دیتابیست محلیت داده بکشه — همه از داخل همون مکالمه، بدون ⁦copy-paste.⁩

دو تا قطعه داره:
سرور (⁦MCP Server⁩): ابزاری که می‌خواد خودش رو در دسترس ⁦AI⁩ بذاره، این رو راه می‌ندازه.
مدل ⁦AI⁩ یا (⁦MCP Client⁩): مدلی که می‌تونه با این سرورها حرف بزنه.

الان ابزارهایی مثل ⁦Cursor⁩ و ⁦Claude Desktop⁩ این پروتکل رو پشتیبانی می‌کنن. جامعه‌ی ⁦Open Source⁩ هم صدها ⁦MCP Server⁩ ساخته که می‌تونی مستقیم ازشون استفاده کنی.

تفاوتِ «⁦AI⁩ که باهاش حرف می‌زنی» با «⁦AI⁩ که واقعاً توی کارته» دقیقاً از همین‌جاست. 🔥

یه سوال جدی: اگه یه سیستم ⁦AI⁩ داشتی که همه فایل‌ها، پروژه‌ها و تخصصت رو مثل یه مغز واقعی می‌شناخت، روزت چقدر فرق می‌کرد؟

ظاهراً می‌شه در کمتر از ۸ ساعت به چیزی شبیه به این رسید.

روش کار اینه: ابزار ⁦Codex⁩ رو نصب می‌کنی، بهش منابع داده‌ات رو وصل می‌کنی، و یه ⁦Prompt⁩ خاص رو توی حالت /⁦goal⁩ اجرا می‌کنی. این فرآیند به صورت خودکار یه ⁦Vault⁩ کامل و ساختاریافته توی ⁦Obsidian⁩ می‌سازه که لایه حافظه بادوام می‌شه — هم برای خودت، هم برای ایجنت‌های ⁦AI⁩ که باهاشون کار می‌کنی.

خروجی نهایی یه گزارش متنی ساده نیست؛ یه ساختار پوشه‌بندی‌شده‌ی زنده‌ست که ارتباطات بین آدم‌ها، پروژه‌ها، تصمیمات و اسناد فنی رو به صورت خودکار فرمت‌بندی و لینک‌سازی می‌کنه.

متن کاملِ پرامپت رو در ریپلایِ همین پست گذاشتم 👇
اگه داری مغز دوم می‌سازی، ذخیره‌ش کن و همون رو در ⁦Codex⁩ اجرا کن.

📋 پرامپتِ کامل (کپی کن و در Codex حالت /goal بذار):

/goal Build a mature, source-backed Obsidian vault brain.
Primary Objective: Create a local Obsidian-compatible vault that functions as a durable context layer for LLMs and agents. The output must be a working vault folder, not merely a report. The vault must be source-backed, resumable, validated by scripts, and organized around canonical knowledge rather than raw dumps.
Before doing substantive work, confirm: 1. The current working directory. 2. The intended output root directory. 3. The available source locations and connectors. 4. The connected account/workspace/organization for every external connector.
If no output root is provided, create the compiled vault under the current working directory as: Compiled-Vaults/compiled-vault-brain-YYYY-MM-DD/
Do not write the final vault to an ambiguous location.
Core Memory Architecture: The vault must distinguish between declarative memory, procedural memory, source traces, context packs, and runtime tools/connectors.
Required First Phase: Orientation Do not author the final vault immediately. First inspect available vaults, notes, documents, repos, generated examples, and connected tools.
Produce: Reports/ORIENTATION-REPORT.md
This report must include confirmed working directory, output path, source inventory, connector inventory, account/workspace verification results, initial high-signal entities, proposed ingestion plan, and blockers.
Hard Checkpoint 1: After creating ORIENTATION-REPORT.md, pause and ask the user whether to proceed. Do not begin broad ingestion until the user approves.
Connector Verification Gate: Before ingesting from any external connector, retrieve and document the actual connected account/workspace/organization for each connector and record it in SOURCE-MANIFEST.md.
If a connector is attached to the wrong account, mark it as blocked. Never perform any external actions without explicit user approval.
Required State and Resumption Files: Create and maintain INGESTION-LOG.md and state.json so the process is fully resumable.
Required Compiler Process: Use this repeatable process: parse → thread/group → classify → extract → canonicalize → rehydrate provenance → author → validate links → critic/audit
For large passes, use lighter models for early stages and the strongest model for synthesis and review.
Required Deterministic Machinery: Create a _tools/ folder inside the vault with validation scripts for wikilinks, paths, secrets, source references, and required artifacts. Record results in VALIDATION-REPORT.md.
Redaction Policy: Never copy secrets, API keys, tokens, or credentials into the vault. Prefer summaries and clear provenance.
Required Ingestion Plan: - Ingest existing useful Markdown notes (prioritize people, projects, decisions, procedures, etc.). - For email: Start with a small smoke test, then do broader passes only after user approval.
Hard Checkpoint 2: After the initial smoke pass, show sample notes and ask for approval before continuing.
Required Vault Structure: Include these folders: People/, Companies/, Projects/, Decisions/, Procedures/, Context Packs/, Sources/, _tools/, plus the required manifest and audit files.
Note Format: Use clean Obsidian Markdown with YAML frontmatter, wikilinks, provenance, and clear structure. Do not invent facts.
Validation Hard Gates: The vault is only complete when there are zero broken links, zero placeholder references, zero copied secrets, every note has provenance, and all validation scripts pass.
Execution Rules: Work in phases, always resume by reading the log and state files first. Never make destructive changes or external writes without approval. Pause and ask the user before any broad or sensitive ingestion.

ادامه (2):

Quality Bar: The final vault should be a structured, source-backed operating memory — not a raw data dump. It must help future agents clearly understand the user, their work, relationships, decisions, and procedures.
Completion Rule: Do not mark the goal complete until the vault exists, all validations pass, and the required audit and manifest files confirm every requirement is satisfied.

گوگل همزمان دو ابزار جدید ⁦AI⁩ معرفی کرد که هر دو روی سرعت بالا و قیمت پایین تمرکز دارن.

اول یه مدل تصویرساز جدیده — نسخه‌ای سبک که برای پروژه‌هایی طراحی شده که نیاز به تولید انبوه تصویر دارن. گوگل می‌گه با کمترین تأخیر، تصاویر باکیفیت رو توی ۴ ثانیه می‌سازه. برای نمونه‌سازی سریع و ایده‌پردازی ایده‌آله — و قیمتش هم جذابه: هر هزار تصویر فقط ۰.۰۳۴ دلار.

کنارش، دسترسی به ⁦Gemini Omni Flash⁩ هم گسترش پیدا کرده. این مدل ویدیویی قبلاً توی ⁦Google I/O⁩ معرفی شده بود و حالا با قیمت ۰.۱۰ دلار به ازای هر ثانیه خروجی ویدیو در دسترسه. ⚡

اگه ⁦Newsletter⁩ می‌نویسی و بیشتر وقتت صرف تبدیل یادداشت‌های پراکنده به متن می‌شه — نه خودِ نوشتن — این پرامپت برات مفیده.

بهش می‌دی مخاطبت کیه، لحنت چیه، و یادداشت‌های خامِ هفته چیه — یه شماره کامل برمی‌گردونه: هوک آغازین، تفسیر هر آیتم با «این یعنی چی برات»، و جمع‌بندی. برای هر آیتم یه نکته‌ی عملی اجباریه — مدل نمی‌تونه فقط خبر رو تعریف کنه.

با ۳ تا ۸ آیتم بهترین کار رو می‌کنه. برای توضیح کامل و مثال، مقاله رو باز کن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a professional newsletter editor with 10+ years of experience building engaged email audiences for [YOUR INDUSTRY] newsletters.

Context: I have rough bullet-point notes from this week's most important developments, learnings, and ideas. My newsletter goes to [NUMBER] subscribers who are [DESCRIBE YOUR AUDIENCE — e.g., "senior engineers", "indie founders", "product managers"]. The tone should be [FORMAL/CONVERSATIONAL/WITTY]. My newsletter sections are: [LIST YOUR SECTIONS — e.g., "Opening take, 3 curated links with commentary, one tool of the week, closing thought"].

Task: Transform my bullet notes into a complete, ready-to-send newsletter issue. For each section:
1. Write a sharp opening hook (first sentence must earn the reader's attention without being clickbait)
2. Develop each bullet into a 2-4 sentence commentary that explains WHY this matters to my specific audience — not just what happened
3. Add one concrete "so what" takeaway per item
4. Write a closing paragraph that ties the issue together with a single insight or question that lingers

Constraints:
- Total length: [SHORT: 400 words / MEDIUM: 700 words / LONG: 1000+ words]
- Never use filler phrases: "In today's fast-paced world", "It's no secret that", "The landscape is shifting"
- Each section must have a different structural rhythm — avoid identical paragraph lengths
- The opening hook must NOT begin with "I" or a question
- If I give you fewer than 3 bullets for a section, synthesize one additional relevant point from your knowledge

Output format:
## [ISSUE NUMBER/DATE] — [A THEMATIC TITLE FOR THIS ISSUE]

**Opening:** [2-3 sentences that hook the reader into this issue's theme]

**[SECTION 1 NAME]**
[Content]

**[SECTION 2 NAME]**
[Content]

**[CLOSING SECTION]**
[Ties the issue together]

---
My notes: [PASTE YOUR BULLET NOTES HERE]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

💡 دستیار هوشمند کنکور — پلتفرم تمرین شخصی‌سازی‌شده با ⁦AI⁩ برای داوطلبان

پلتفرم وب‌محوری که نقاط ضعف هر دانش‌آموز کنکوری رو تحلیل می‌کنه، سوال‌های تمرینی متناسب با سرفصل‌های رسمی سنجش تولید می‌کنه و جواب‌های اشتباه رو مرحله‌به‌مرحله توضیح می‌ده. مشکلی که حل می‌کنه: کتاب‌های تمرینی برای همه یکسانن، اما هر کنکوری نقاط ضعف منحصربه‌فرد خودش رو داره و ⁦AI⁩ می‌تونه این شکاف رو پر کنه.

⚙️ چطور کار می‌کنه:
دانش‌آموز وارد سایت می‌شه، درس هدف رو انتخاب می‌کنه (مثلاً فیزیک کنکور تجربی)، یه آزمون تشخیصی ۲۰ سوالی می‌ده. ⁦AI⁩ نقاط ضعف رو شناسایی می‌کنه و بر اساس فصل‌بندی کتاب‌های رسمی، سوال‌های تمرینی با سطح متناسب تولید می‌کنه. مثال واقعی: سارا در فیزیک فصل الکتریسیته ضعیفه — سیستم ۱۲ سوال تالیفی برای سارا می‌سازه، اگه غلط بزنه با نمودار و فرمول توضیح می‌ده، و تا سارا روی الکتریسیته مسلط نشه سراغ مغناطیس نمی‌ره. هر جلسه داده‌ی بیشتری جمع می‌شه و شخصی‌سازی دقیق‌تر می‌شه.

🎯 بازار هدف:
سالانه ۱.۵ میلیون داوطلب کنکور سراسری، بیش از ۳۰۰ هزار نفر کنکور ارشد. خانواده‌ها به‌طور میانگین ۱۰ تا ۵۰ میلیون تومان در سال برای آموزشگاه و منابع کنکور خرج می‌کنن. مشتری اولیه: کنکوری‌های گروه ریاضی و تجربی که ترجیح می‌دن خودآموز باشن یا کنار آموزشگاه، ابزار تمرین اضافه داشته باشن — و به ⁦AI⁩ آشنان.

✅ نقاط قوت:
• بازار با تقاضای اثبات‌شده — ایرانی‌ها برای کنکور پول می‌دن و قیمت‌حساس نیستن
• محتوا کاملاً بومی بر اساس سرفصل‌های رسمی سازمان سنجش — ⁦ChatGPT⁩ عمومی این رو نداره
• مزیت داده‌ی انباشته: هر بار تمرین = داده‌ی بیشتر برای شخصی‌سازی بهتر
• هزینه‌ی عملیاتی پایین با مدل متن‌باز — بدون وابستگی به ⁦API⁩ خارجی پولی

⚠️ نقاط ضعف و چالش‌ها:
• رقیبان قوی دارد: گاج، قلم‌چی، فرادرس و اپ‌های کنکوری مثل آلما — باید روی شخصی‌سازی تمایز بسازی
• کیفیت سوال‌های ریاضی/فیزیک شکننده‌ست — مدل اگه اشتباه توضیح بده اعتماد کاربر از بین می‌ره
• نیاز به یه متخصص آموزشی کنکور برای ویرایش و کنترل کیفیت خروجی‌های اولیه

💰 درآمدزایی:
اشتراک ماهانه ۱۵۰ هزار تومان (معادل یه جلسه آموزشگاه)، سه‌ماهه ۳۸۰ هزار تومان، سالانه ۹۹۰ هزار تومان. پرداخت از طریق ⁦ZarinPal.⁩ هدف واقع‌بینانه سال اول: ۳۰۰ مشترک فعال = ۴۵ میلیون تومان در ماه. با ۱۰۰۰ مشترک (که با یه کانال تلگرامی کنکوری بزرگ شدنیه) درآمد ماهانه ۱۵۰ میلیون تومان می‌شه.

🚀 از کجا شروع کنیم:
۱) ⁦MVP⁩ فقط یه درس بساز: فیزیک کنکور تجربی — با ⁦Qwen2.5-Math⁩ روی یه ⁦VPS 8GB⁩ رم در ⁦Hetzner⁩ آلمان (ماهی ۲۰ یورو). ۲) ۳۰ دانش‌آموز از گروه‌های تلگرامی کنکور دعوت کن به‌صورت رایگان و یه ماه فیدبک بگیر — جاهایی که مدل اشتباه توضیح داده رو ثبت کن و یه مدرس فیزیک برای بررسی خروجی‌ها بیار. ۳) بعد از اصلاحات، اشتراک رو با ⁦ZarinPal⁩ فعال کن و تبلیغ رو از همون کانال‌ها شروع کن — کانال‌های تلگرامی کنکور با ۵۰۰ هزار عضو زیادن و تبلیغ ارزون‌قیمتی دارن.

🏗 زیرساخت: ⁦VPS Hetzner⁩ آلمان (بدون تحریم) با ⁦Qwen2.5-Math⁩ یا ⁦DeepSeek-R1⁩ لوکال، ⁦Next.js⁩ فرانت‌اند، ⁦PostgreSQL⁩ برای ردیابی پیشرفت، ⁦ZarinPal⁩ برای پرداخت ریالی — صفر وابستگی به ⁦API⁩ خارجی پولی.

📍 واقعیت بازار ایران: کاملاً در تهران کار می‌کنه — کاربر فقط یه سایت معمولی می‌بینه، ⁦VPS⁩ در آلمانه ولی این مشکل کاربر نیست، پرداخت ریالیه، ⁦VPN⁩ لازم نیست.

🧭 بزرگ‌ترین ریسک: بزرگ‌ترین ریسک کیفیت محتواست نه فنیه: اگه مدل در یه مسئله‌ی فیزیک اشتباه توضیح بده و یه کاربر در گروه‌های تلگرامی اسکرین‌شات بذاره، می‌تونه کشنده باشه. برای موفقیت حتماً باید از ابتدا یه مدرس کنکور برای کنترل کیفیت داشته باشی و ⁦MVP⁩ رو روی یه درس نگه داری تا کیفیت بالا باشه — گسترش سریع به همه‌ی دروس اشتباه استراتژیکه.

کلود ⁦Fable 5⁩ برگشت — ولی انگار دست‌وپاش رو بستن 🔒

بعد از اون ماجرای محدودشدنش، ⁦Anthropic⁩ مدل ⁦Fable 5⁩ رو دوباره در دسترس گذاشت. ولی خیلی از برنامه‌نویس‌ها می‌گن نسخه‌ی جدید عملاً واسه کار جدی به‌درد نمی‌خوره.

یه گروه بنچمارک به اسم ⁦BridgeMind⁩ نسخه‌ی اولِ جولای رو روی تستِ خودش (⁦BridgeBench⁩) دوباره اجرا کرد، نتیجه‌ها افتِ شدید داشت:
• دیباگ: ۸۶.۲ ← ۲۵.۹
• ری‌فکتور: ۷۳.۶ ← ۳۸.۴
• تستِ توهم: ۷۵.۹ ← ۶۱.۷

ولی نکته‌ی اصلی اینه که خودِ مدل ضعیف‌تر نشده. ⁦Anthropic⁩ یه فیلترِ ایمنیِ خیلی سخت‌گیر گذاشته که تا حس کنه درخواست «خطرناکه»، کارو از ⁦Fable 5⁩ می‌گیره و می‌سپره به ⁦Opus 4.8⁩ — که واسه این کارها ضعیف‌تره. توی تستِ ⁦BridgeMind⁩ از ۱۲ تسکِ ⁦TypeScript⁩ فقط ۳ تاش اصلاً به ⁦Fable 5⁩ رسید، بقیه رفتن رو ⁦Opus⁩ و صفر گرفتن.

بدیش اینجاست که این فیلتر رو کارهای کاملاً معمولی هم گیر می‌ده — همین که کلمه‌هایی مثل ⁦vulnerable⁩ یا ⁦unsafe⁩ یا ⁦hook⁩ تو کدت باشه، یا با ⁦C++⁩ و ⁦Rust⁩ و ⁦Win32⁩ کار کنی، یا دنبالِ کدِ مرده و مسائلِ حافظه بگردی، ممکنه بلاکت کنه. یعنی وسطِ کارِ روزمره‌ی برنامه‌نویسی می‌زنه رو ترمز.

چرا؟ ظاهراً یه محققِ ⁦Amazon⁩ نشون داده بوده که می‌شه محافظ‌های ⁦Fable 5⁩ رو دور زد و مدل رو وادار کرد آسیب‌پذیریِ نرم‌افزاری پیدا کنه و حتی کدِ سوءاستفاده ازش رو بنویسه. بعدش ⁦Anthropic⁩ این فیلترِ جدید رو گذاشت که اون روشِ خاص رو تو بیش از ۹۹٪ مواقع بلاک می‌کنه — ولی هزینه‌ش اینه که کلی درخواستِ بی‌خطر هم قربانی می‌شن. خودشون هم قبول دارن فیلتر زیادی حساسه، ولی می‌گن به‌خاطرِ مسائل قانونی مجبورن.

جمع‌بندی: ⁦Fable 5⁩ «احمق» نشده، ولی اون‌قدر محتاط شده که واسه خیلی از کارهای واقعیِ کدنویسی عملاً از دسترس خارجه.

تو دل یه ابرکامپیوتر غول‌پیکر، بزرگ‌ترین مدل ⁦AI⁩ جهان داره آموزش می‌بینه.

آموزش ⁦Grok 5⁩ روی ⁦COLOSSUS 2⁩ شروع شده — ابرخوشه‌ای که به‌عنوان قدرتمندترین زیرساخت پردازشی دنیا برای توسعه ⁦LLM⁩ شناخته می‌شه.

خیلی‌ها از کند بودن پروسه‌ی توسعه انتقاد کردن. کارشناسا ولی می‌گن این تأخیر ضامن امنیت مطلق و بلوغ تدریجی ⁦AI⁩ هست — یعنی جلوی فروپاشی سیستمی رو می‌گیره.

با تکیه بر ظرفیت پردازشی در مقیاس تریلیون تریلیون، ⁦Grok 5⁩ قراره از مرزهای دقت محاسباتی رد بشه و هوشی واقعی‌تر ارائه بده. 🤖

بعد از هشت سال کشمکش حقوقی، دادگاه عالی اتحادیه اروپا روز پنجشنبه آخرین تجدیدنظر گوگل رو رد کرد و جریمه ۴.۱ میلیارد یوروی ⁦Android⁩ رو نهایی و قطعی کرد.

ماجرا برمی‌گرده به ۲۰۱۸، وقتی کمیسیون اروپایی گفت گوگل از موقعیت غالبش در اکوسیستم ⁦Android⁩ سوءاستفاده کرده. گوگل به سازنده‌های گوشی می‌گفت اگه می‌خوای ⁦Play Store⁩ داشته باشی، باید ⁦Chrome⁩ و ⁦Google Search⁩ رو هم از پیش نصب کنی — بدون انتخاب. اون موقع ⁦Android⁩ بیش از ۸۰٪ بازار موبایل اروپا رو داشت، یعنی عملاً مرورگرها و موتورهای جستجوی رقیب قبل از اینکه کاربر گوشیش رو روشن کنه، حذف شده بودن.

یه دادگاه پایین‌تر در ۲۰۲۲ جریمه رو کمی کاهش داد — از ۴.۳۴ به ۴.۱ میلیارد یورو — ولی حکم ضدرقابتی رو تأیید کرد. گوگل رفت پیش بالاترین دادگاه اتحادیه اروپا و گفت تحلیل حقوقی و اقتصادی دادگاه قبلی اشتباه بوده. این استدلال هم رد شد.

دیگه هیچ مسیری برای اعتراض باقی نمونده. این جریمه یکی از بزرگ‌ترین جریمه‌های ضدانحصاری تاریخه که یه شرکت فناوری گرفته — در کنار جریمه ۲.۴ میلیاردی ⁦Google Shopping⁩ در ۲۰۱۷ و ۱.۴۹ میلیاردی ⁦AdSense⁩ در ۲۰۱۹. روی هم رفته این سه پرونده گوگل رو به بیش از ۸ میلیارد یورو جریمه در اروپا رسوندن.

مهم‌تر از خود جریمه اینه که این حکم پایه‌ی قانونی ⁦Digital Markets Act⁩ (⁦DMA⁩) رو محکم‌تر کرد. ⁦DMA⁩ قانون جدیدتر اتحادیه اروپاست که گوگل الان زیر ذره‌بینشه — از جمله بر سر اینکه آیا نتایج جستجوش رو به نفع سرویس‌های خودش تنظیم می‌کنه یا نه. منطق همین پرونده ⁦Android⁩ مستقیماً وارد این پرونده‌های جدید می‌شه.

گوگل بعد از حکم ۲۰۱۸ قراردادهای ⁦Android⁩ اروپاییش رو اصلاح کرد و به سازنده‌ها گزینه نصب جداگانه هم داد، ولی تا الان موضعی درباره تغییرات بیشتر اعلام نکرده.

باتری‌های منتسب به ⁦iPhone 18 Pro Max⁩ سر و کله‌شون پیدا شد — دو مدل جداگانه: یکی با جای سیم‌کارت فیزیکی، یکی بدون.

اون چیزی که از این تصاویر می‌شه گفت اینه که ظرفیت باتری نسبت به نسل قبل افزایش نسبتاً خوبی داشته. البته اینا هنوز رسمی نیستن و در حد «منتسب» موندن، پس تا تأیید نشدن با یه کم احتیاط بهشون نگاه کنین.

برای برنامه‌نویس‌هایی که از ⁦Claude Code⁩ استفاده می‌کنن، این خبر مهمه.

علی‌بابا از ۱۰ جولای کارمنداش رو از استفاده از ⁦Claude Code⁩ منع کرده. ⁦Claude Code⁩ یه ابزار کدنویسی ⁦AI⁩ هست که ⁦Anthropic⁩ ساخته — همون شرکتی که ⁦Claude⁩ رو داره.

دلیل ممنوعیت اینه که برنامه‌نویس‌ها کشف کردن این ابزار داره مخفیانه اطلاعات کاربر رو جمع‌آوری می‌کنه: ⁦timezone⁩ و تنظیمات شبکه رو چک می‌کنه و یه سری نشانه‌های پنهان توی ⁦Prompt⁩‌هایی که به سرورهای ⁦Anthropic⁩ می‌رن جاسازی می‌کنه. هدف عملی این کار مشخص کردن بود که آیا کاربر از چین یا یه آزمایشگاه ⁦AI⁩ چینی داره استفاده می‌کنه یا نه.

یه کارمند ⁦Anthropic⁩ توی ⁦X⁩ توضیح داد که این یه آزمایشه که از مارس راه افتاده — هدفش جلوگیری از سوءاستفاده‌ی فروشنده‌های غیرمجاز و بلاک کردن «تقطیر مدل» بوده. تقطیر مدل یعنی یه شرکت از خروجی‌های ⁦Claude⁩ برای آموزش مدل خودش استفاده کنه. این ویژگی قراره تو یه آپدیت آینده حذف بشه.

این ماجرا در یه فضای متشنج بین ⁦Anthropic⁩ و صنعت ⁦AI⁩ چین داره اتفاق می‌افته. چند هفته پیش ⁦Anthropic⁩ ادعا کرده بود که اپراتورهایی مرتبط با آزمایشگاه ⁦Qwen⁩ علی‌بابا، بزرگ‌ترین حمله‌ی تقطیر مدل شناخته‌شده رو روی ⁦Claude⁩ اجرا کردن — حدود ۲۵ هزار حساب جعلی و بیش از ۲۸ میلیون تعامل بین آوریل و جون. دولت آمریکا هم ۱۲ جون دسترسی به مدل‌های ⁦Anthropic⁩ رو به دلیل نگرانی‌های امنیت ملی معلق کرده بود که ۱ جولای برگشت.

علی‌بابا هنوز بیانیه‌ی رسمی‌ای نداده. کارمندا تا ۱۰ جولای فرصت دارن ابزارشون رو عوض کنن.

این رویداد احتمالاً بحث درباره‌ی جمع‌آوری پنهان داده در ابزارهای ⁦AI⁩ کدنویسی رو جدی‌تر می‌کنه — شرکت‌ها دارن می‌سنجن که آیا بهره‌وری این ابزارها با ریسک داده‌هایی که بدون اطلاعشون جمع می‌شه می‌ارزه یا نه.

وقتی باید یه مفهوم فنی رو از صفر یاد بگیری، توضیحات عمومی اینترنت برای یه «آدم متوسطِ» فرضی نوشته شدن — نه برای کسی با پیشینه‌ی خاصِ تو.

این ⁦Prompt⁩ با منطبق کردن موضوع جدید روی حوزه‌ای که از قبل بلدی، یه پل آنالوژی دقیق و ساختارمند می‌سازه.

مثلاً یه مدیر محصول با ۸ سال تجربه تو آشپزخانه‌ی رستوران می‌تونه ⁦database indexing⁩ رو کاملاً از طریق سیستم‌های آماده‌سازی آشپزخانه یاد بگیره — همون فهمی که شاید هفته‌ها طول بکشه رو در ۲۰ دقیقه به دست بیاره.

مثال خروجی کامل رو تو مقاله می‌تونی ببینی.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Role: Act as an expert teacher who specializes in explaining unfamiliar concepts through analogies drawn from a subject the learner already understands deeply.

Context: I want to learn a new concept, but generic explanations aren't sticking because they don't connect to anything I already know. I understand [YOUR FAMILIAR DOMAIN] very well (e.g., cooking, basketball, gardening, accounting, parenting, guitar playing). I know almost nothing about [NEW CONCEPT TO LEARN].

Task: Explain [NEW CONCEPT TO LEARN] entirely through analogies and parallels from [YOUR FAMILIAR DOMAIN]. Do not just give one surface-level comparison — build a structured explanation where each major component or mechanism of the new concept maps to something specific and accurate in my familiar domain.

Constraints:
- Every analogy must be technically accurate — do not oversimplify to the point of being wrong
- Explicitly flag where the analogy breaks down or stops working, so I don't walk away with a false mental model
- Use at least 3 distinct sub-concepts or mechanisms within [NEW CONCEPT TO LEARN], each with its own mapped analogy
- Avoid jargon from the new domain until you've built the analogy first — introduce the real term only after the analogy has landed
- End with one integrated "full picture" analogy that ties all the sub-concepts together in a single scenario

Output Format:
1. One-sentence hook connecting the new concept to something in my familiar domain
2. A section per sub-concept: [Familiar domain parallel] → [What it means in the new concept] → [Where the analogy holds / where it breaks]
3. A closing "full picture" analogy scenario
4. A short list of the 3-5 real technical terms I now understand, each with a one-line plain definition

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

برای ⁦iPhone 18 Pro Max⁩ گفته می‌شه ۱۳ تغییر جدید در راهه.

سوال اینه — کسایی که الان ⁦iPhone 15⁩ یا ۱۶ دارن، به نظرتون می‌ارزه آپگرید کنن؟ 🧐

نظرتون رو بنویسین 👇

اپل هنوز ⁦M6⁩ رو نداده بیرون، ولی ظاهراً بازنشستگیش رو هم برنامه‌ریزی کرده! 😂

طبق گزارش‌ها، مک‌بوک پرو ۱۴ اینچی با تراشه ⁦M6⁩ قراره اواخر ۲۰۲۶ بیاد تو بازار — ولی به شش ماه نکشیده، تو نیمه اول ۲۰۲۷ مدل بازطراحی‌شده با ⁦M7⁩ جاشو می‌گیره.

دلیل این عجله؟ ⁦M7⁩ قراره بهینه‌شده برای پردازش‌های ⁦AI⁩ باشه.

پس اگه مک‌بوک ⁦M6⁩ خریدید، تا رسید درِ خونه بدونید قدیمیه! ⚡

منبع: مارک گورمن

⁦#⁩اپل