💡 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

یه بار کد نوشتی، یه خطا گرفتی، کپی کردی تو ⁦ChatGPT⁩ و نوشتی «چرا کار نمی‌کنه؟» — و یه جواب عمومی گرفتی که به دردت نخورد.

مشکل از ⁦AI⁩ نیست. مشکل از اطلاعاتیه که بهش دادی.

وقتی می‌خوای کد دیباگ کنی، ⁦AI⁩ به چهار چیز نیاز داره:

👉 پیام خطای دقیق
همون متن کاملی که کنسول نشون می‌ده رو بزار. نه خلاصه‌اش، نه ترجمه‌اش. «یه خطا می‌ده» اطلاعات نیست.

👉 کد مرتبط، نه کل پروژه
فقط قسمتی که خطا توشه. ۲۰ خط بهتر از ۲۰۰ خط کار می‌کنه — مدل روی چیزی که مهمه تمرکز می‌کنه، نه کل فایل.

👉 انتظار داشتی چی بشه، چی شد
«انتظار داشتم عدد ۱۰ برگرده، ولی ۰ می‌ده» خیلی دقیق‌تره از «کار نمی‌کنه». این یه کلمه تفاوت، جواب ⁦AI⁩ رو کاملاً عوض می‌کنه.

👉 چی قبلاً امتحان کردی
اگه یه راه‌حل رو تست کردی و جواب نداد، بگو. ⁦AI⁩ اون مسیر رو دوباره پیشنهاد نمی‌ده و مستقیم می‌ره سراغ بقیه احتمالات.

یه مثال واقعی:

ضعیف: «این کد کار نمی‌کنه چرا؟» + ۱۵۰ خط کد

قوی: «توی ⁦Python⁩، این تابع باید میانگین یه لیست رو برگردونه. وقتی لیست خالیه ⁦ZeroDivisionError⁩ می‌ده. انتظار داشتم ⁦None⁩ برگرده. ⁦try/except⁩ اضافه کردم ولی همچنان خطا می‌ده:» + ۱۰ خط کد مرتبط

فرق این دو ⁦Prompt⁩، فرق بین یه جواب کلی و یه راه‌حل واقعیه.

دفعه بعد که گیر کردی، قبل از پیست کردن کد، این چهار چیز رو آماده کن. ⚡

قصد خرید ⁦AirPods⁩ داری؟ این تصویر ویژگی‌های مدل‌های مختلف رو کنار هم گذاشته تا راحت‌تر بتونی انتخاب کنی. 👇

این یکی بیشتر برای اونایی که ⁦Microsoft 365⁩ رو توی سازمانشون مدیریت می‌کنن مهمه.

شرکت امنیتی ⁦Huntress⁩ گزارش داده که بین ۱۲ تا ۲۶ ژوئن ۲۰۲۶، یه حمله گسترده به حساب‌های ⁦Microsoft 365⁩ انجام شده — بیش از ۸۱ میلیون تلاش ورود در دو هفته، که در نهایت ۷۸ حساب از ۶۴ سازمان مختلف نقض شد. این عدد ۱۵۵ برابر بیشتر از میانگین معمول این نوع حملاته.

تکنیکی که استفاده کردن مهم‌ترین بخش ماجراست. به‌جای لاگین از مرورگر که ⁦MFA⁩ رو فعال می‌کنه — یعنی همون تأیید دومرحله‌ای که کد روی گوشیت میاد — از یه ⁦endpoint⁩ قدیمی در ⁦Azure CLI⁩ استفاده کردن به اسم ⁦ROPC.⁩ این روش پسورد رو مستقیم می‌فرسته به ⁦Microsoft⁩ بدون اینکه مرحله تأیید هویت دوم اصلاً اجرا بشه. نتیجه: احراز هویت دومرحله‌ای عملاً تبدیل می‌شه به تک‌مرحله‌ای.

این تکنیک فقط وقتی کار می‌کنه که سازمان تنظیمات ⁦Conditional Access⁩ — قوانینی که تعیین می‌کنه چه کسی از کجا وارد بشه — رو نصفه‌نیمه پیاده کرده باشه. مثلاً ⁦MFA⁩ رو فقط برای بعضی اپ‌ها الزامی کرده، نه همه. یا سیاست‌هاشون روی حالت «فقط گزارش» مونده — یعنی تخلف رو ثبت می‌کنن ولی جلوشو نمی‌گیرن.

کل ترافیک حمله از یه بازه ⁦IPv6⁩ متعلق به شرکت ⁦LSHIY LLC⁩ اومده. پسوردها هم از نشت‌های اطلاعاتی قبلی بودن. این تعداد حمله شاید استثنایی به نظر برسه، ولی حساب‌های ⁦Microsoft 365⁩ الان به‌طور میانگین ماهانه حدود ۱۹۶۴ تلاش ورود ناموفق تجربه می‌کنن — یعنی استفاده از پسوردهای دزدیده‌شده قبلی تبدیل به یه واقعیت روزمره شده.

برای جلوگیری، سه کار اولویت داره: ⁦MFA⁩ رو روی همه اپ‌های ابری اجباری کن نه فقط بعضی‌هاشون، احراز هویت‌های قدیمی مثل ⁦ROPC⁩ رو مسدود کن، و ⁦Conditional Access⁩ رو از حالت «فقط گزارش» دربیار. لاگ‌های ورود رو هم برای دسترسی‌های ⁦Azure CLI⁩ از آی‌پی‌های ناشناس — به‌خصوص رنج‌های ⁦IPv6⁩ — زیر نظر داشته باش.

اپل یه پتنت جدید ثبت کرده که اگه عملی بشه، بند سیلیکونی ⁦Apple Watch⁩ رو کاملاً هوشمند می‌کنه.

ایده اینه که سنسورهای سلامتی مستقیماً روی خودِ بند تعبیه بشن — نه فقط توی بدنه ساعت. یعنی علاوه‌بر حسگرهای خودِ ساعت، بند هم داده جمع می‌کنه و می‌فرسته؛ نتیجه‌ش مانیتورینگ دقیق‌تر علائم حیاتیه.

کنار این پتنت، شایعه ریدیزاین بزرگ ⁦Apple Watch⁩ هم داغه — بدنه خیلی باریک‌تر، نمایشگر غول‌پیکر و کاملاً لب‌به‌لب، باتری قوی‌تر، و یه سری قابلیت سلامتی خفن که قراره با ⁦AI⁩ تلفیق بشن. 🔥

فروشندایی که نمونه‌ی اول محصولشون رو از کارخونه گرفتن و فردا باید عکس تبلیغاتی آماده داشته باشن، معمولاً یه هفته وقت و بین ۳۰۰ تا ۸۰۰ دلار هزینه‌ی عکاسی حرفه‌ای لازم دارن.

این ⁦Prompt⁩ اون فرآیند رو می‌بره توی ۵ دقیقه. یه توضیح ساده از محصولت می‌دی — جنس، رنگ، حال‌وهوا — و خروجی یه عکس محصول واقع‌گرایه با نور و ترکیب‌بندی استودیویی، بدون دوربین، استودیو یا عکاس. مناسبه برای تبلیغات اینستاگرام یا صفحه‌ی محصول توی فروشگاه آنلاین.

یه نکته‌ی ظریف توی طراحیش: متن و لوگو رو از خروجی حذف کرده، چون ⁦AI⁩ معمولاً متن رو اشتباه رندر می‌کنه. برندینگ رو بعداً خودت توی پست‌پروداکشن اضافه می‌کنی.

خروجی فقط یه عکس نیست — یه توضیح کوتاه از انتخاب‌های نور و زاویه هم میاد که بتونی یه متغیر رو عوض کنی و دوباره تولید کنی، به جای اینکه از صفر شروع کنی.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a professional product photographer and creative director for e-commerce brands.

Context:
- Product: [DESCRIBE YOUR PRODUCT — e.g. "a matte sage green stainless steel water bottle with a brushed metal cap"]
- Target use: [WHERE THIS IMAGE WILL APPEAR — e.g. "Instagram feed ad", "Amazon main listing image", "website hero banner"]
- Brand aesthetic: [DESCRIBE THE MOOD — e.g. "clean, natural, wellness-focused morning routine" or "bold, energetic, gym culture"]

Task:
Generate a photorealistic product photography image of the product styled for the target use and brand aesthetic described above.

Constraints:
- Do not render any text, logos, or watermarks onto the image — AI-generated text is unreliable and will look broken.
- Keep the product's proportions and materials physically accurate to the description.
- Match lighting to context: soft natural window light for lifestyle/wellness contexts, controlled studio softbox lighting for clean commercial/tech contexts.
- Include shallow depth of field with a blurred, contextually appropriate background (not a plain white void) unless a pure white background is explicitly requested for a marketplace listing.

Output format:
One high-resolution image, followed by 2-3 lines describing the framing, lighting, and background choices made, so I can request specific adjustments.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

یه شکاف قیمتی توی سیستم ⁦Token-based⁩ شرکت‌های ⁦AI⁩ پیدا شده که می‌تونه هزینه پرامپت‌هاتو تا ۳ برابر کاهش بده. ⚡

وقتی کد، لاگ یا مستندات حجیم به ⁦Claude⁩ می‌فرستی، بابت هر کاراکتر ⁦Token⁩ می‌پردازی. ولی تصاویر فرق دارن — هزینه‌شون بر اساس ابعاد پیکسل محاسبه می‌شه، نه محتوا.

یه ابزار به اسم ⁦pxpipe⁩ از همین شکاف استفاده می‌کنه: حدود ۹۲ هزار کاراکتر متن رو می‌شه توی یه تصویر ۱۹۲۸⁦×⁩۱۹۲۸ پیکسلی جا داد — هزینه‌ش معادل ~۴۷۰۰ ⁦Token⁩ هست. همون متن به‌صورت معمولی؟ ۲۵ هزار ⁦Token.⁩ چگالی ۳.۱ برابر بیشتر.

این ابزار به‌عنوان یه ⁦Local Proxy⁩ کار می‌کنه. وسط راه می‌ایسته، بخش‌های حجیم درخواست (تاریخچه چت، خروجی ترمینال، مستندات) رو می‌گیره، به ⁦PNG⁩ تبدیل می‌کنه و مدل به‌جای خوندن، «می‌بینه».

محدودیت‌ها رو هم خوبه بدونی: این روش ⁦Lossy⁩ هست، برای رشته‌های حساس مثل کلیدهای امنیتی ریسک داره، و همه مدل‌ها توی بینایی یکسان نیستن — مثلاً ⁦Opus⁩ تا ۷٪ خطا داره. به همین دلیل ⁦pxpipe⁩ فقط وقتی صرفه‌جویی واقعی داره تبدیل رو انجام می‌ده.

برای تست 👇

‏⁦npx pxpipe-proxy⁩

سرور محلی روی پورت ۴۷۸۲۱ می‌سازه. بعد ⁦Claude⁩ رو به پروکسی وصل کن:

‏⁦ANTHROPIC⁩_⁦BASE⁩_⁦URL⁩=⁦http⁩://127.0.0.1:47821 ⁦claude⁩

از همون آدرس توی مرورگر می‌تونی ببینی چقدر ⁦Token⁩ ذخیره کردی.

آمودی یه ادعای جالب مطرح کرده: «هیچ دلیلی نداره که امروز نتونیم ⁦context⁩ صد میلیون کلمه‌ای بسازیم.»

منظورش اینه که از نظر معماری مدل، این کار الان فنی ممکنه — گیر سمت سخت‌افزار و ⁦inference⁩ هست، نه خودِ معماری مدل.

با تکنیک‌های ⁦extrapolation⁩ مثل ⁦YaRN⁩، ⁦RoPE scaling⁩ و ⁦Ring Attention⁩، مدل‌های ⁦transformer⁩ می‌تونن از طول ⁦context⁩‌ای که روش ⁦train⁩ شدن خیلی فراتر برن. مدلی که روی ۸⁦k⁩ یا ۱۲۸⁦k⁩ توکن آموزش دیده، با این روش‌ها می‌تونه ⁦context⁩‌های به مراتب بزرگ‌تر رو هم مدیریت کنه. ⚡

فرض کن می‌خوای یه ⁦AI⁩ بسازی که از اسنادِ داخلیِ شرکتت جواب بده — قراردادها، گزارش‌های فنی، راهنماهای محصول. مدل‌هایی مثل ⁦GPT⁩ یا ⁦Claude⁩ اینا رو ندیدن و از کجا باید بدونن؟

اینجاست که ⁦RAG⁩ وارد می‌شه.

اسمش مخففِ ⁦Retrieval-Augmented Generation⁩ هست. ایده‌اش ساده‌ست: قبل از اینکه مدل جواب بده، یه سیستمِ جستجو می‌ره توی پایگاه داده‌ات، مرتبط‌ترین تکه‌های متن رو پیدا می‌کنه، و کنارِ سوال به مدل می‌ده. مدل اونا رو می‌خونه، بعد جواب می‌ده.

مثل اینه که قبل از اینکه از یه متخصص بپرسی، یه کتابدار دقیقاً همون صفحه‌هایی رو که بهشون نیاز داری پیدا می‌کنه و جلوش می‌ذاره. متخصص به جای اینکه از حافظه حدس بزنه، از اون منبع می‌خونه — دقیق‌تر و قابل‌اعتمادتر.

چرا این مهمه؟

چون ⁦Fine-tuning⁩ — که یه روشِ دیگه برای اضافه کردنِ دانش به مدل هست — گرونه، زمان‌بره، و هر بار که داده‌هات عوض شد باید دوباره‌اش بکنی. ⁦RAG⁩ اینارو نداره. داده‌ات رو آپدیت کن، مدل همون لحظه جواب‌های درست‌تری می‌ده.

الان اکثرِ ⁦chatbot⁩های شرکتی، ابزارهای جستجو توی مستندات، و سیستم‌های پشتیبانیِ مشتری روی ⁦RAG⁩ ساخته شدن. اگه جایی دیدی که ⁦AI⁩ از ⁦PDF⁩ شرکتی جواب می‌ده، احتمالاً ⁦RAG⁩ زیرش داره کار می‌کنه. ⚡

اگه بودجه‌ات برای ابزارهای پولی ⁦⁦AI⁩⁩ محدوده، یه ترکیب رایگان هست که واقعاً ارزش تست کردن داره: ⁦⁦OpenCode⁩⁩ با ⁦⁦Cloudflare Workers AI.⁩⁩

اول باید توی ⁦⁦Cloudflare⁩⁩ یه ⁦⁦API Token⁩⁩ بسازی. مسیرش اینه: از بخش ⁦⁦AI⁩⁩ → ⁦⁦Workers AI⁩⁩ → ⁦⁦REST API⁩⁩ برو، ⁦⁦Account ID⁩⁩ رو کپی کن و یه ⁦⁦Token⁩⁩ جدید بساز.

بعد داخل ⁦⁦OpenCode⁩⁩، ⁦⁦Provider⁩⁩ رو روی ⁦⁦Cloudflare Workers⁩⁩ تنظیم کن و همون ⁦⁦Account ID⁩⁩ و ⁦⁦Token⁩⁩ رو وارد کن. همین.

مزیت اصلیش اینه که به یه مدل خاص گیر نمی‌کنی. چند مدل مختلف توی ⁦⁦OpenCode⁩⁩ در دسترسه و می‌تونی مستقیم بینشون سوییچ کنی — از ⁦⁦Claude⁩⁩ و ⁦⁦GPT⁩⁩ گرفته تا ⁦⁦Gemini⁩⁩ و بقیه.

خودِ ⁦⁦OpenCode⁩⁩ یه ⁦⁦AI coding agent⁩⁩ متن‌باز هست که هم توی ترمینال، هم دسکتاپ، هم ⁦⁦IDE⁩⁩ کار می‌کنه. نه فقط یه جایگزین ارزون‌تره — توی بعضی سناریوها از ابزارهای پولی هم بهتر عمل می‌کنه.

برای برنامه‌نویس‌هایی که دنبال یه گزینه اقتصادی‌تر و منعطف‌تر هستن، ⁦⁦OpenCode⁩⁩ یکی از بهترین گزینه‌های ⁦⁦open source⁩⁩ در برابرِ ⁦⁦Claude Code⁩⁩ و ⁦⁦Codex⁩⁩ هست. ⚡

دیگه مجبور نیستی پشت لپ‌تاپ بشینی تا ⁦Claude⁩ کارش تموم کنه.

قابلیت جدیدی به اسم ⁦Claude Cowork⁩ داره میاد که به موبایل و وب هم می‌رسه. ایده‌ش اینه که یه تسک رو سرِ میزت بهش بدی، لپ‌تاپ رو ببندی، بری — و ⁦Claude⁩ به کارش ادامه بده. وقتی خواستی، نتیجه رو از گوشیت تحویل می‌گیری.

نسخه بتاش طی چند هفته آینده منتشر می‌شه و اول فقط برای پلن ⁦Max⁩ در دسترسه. بقیه پلن‌ها هم بعداً اضافه می‌شن.

قابلیت ⁦Artifacts⁩ توی ⁦Claude Code⁩ حالا برای پلن‌های ⁦Pro⁩ و ⁦Max⁩ هم فعاله.

کارش اینه که ابزار مورد نظرت رو با زبان ساده توضیح می‌دی، ⁦Claude⁩ کدش رو می‌نویسه و همون لحظه به صورت یه صفحه‌ی زنده روی ⁦claude.ai⁩ منتشرش می‌کنه. بعدم همون‌طور که روی کارت کار می‌کنه، صفحه رو ⁦real-time⁩ آپدیت می‌کنه.

صفحه‌ها ⁦private⁩ هستن (فقط توی اکانت خودته) و کاملاً ⁦self-contained⁩ — یعنی نیازی به هیچ سرویس خارجی ندارن.

عملاً ساختن ابزار شخصی دیگه به دونستن برنامه‌نویسی نیاز نداره. ⚡

یه کار مهم به ⁦AI⁩ می‌دی. جواب می‌گیری. نگاهش می‌کنی، می‌گی «خب، قابل‌قبوله» — و می‌دونی که بهتر از این می‌شد.

مشکل اینه که وقتی اطلاعاتِ کمی می‌دی، مدل جاهای خالی رو با فرض‌های عمومی تکمیل می‌کنه. یه تکنیکِ ساده این رو درست می‌کنه: قبل از شروع، بخواه سوال بپرسه.

نمونه ⁦Prompt⁩ 👇
«می‌خوام یه ایمیلِ فروش بنویسم. قبل از اینکه شروع کنی، سوال‌هایی که جوابشون ایمیل رو بهتر می‌کنه رو ازم بپرس.»

حالا ⁦AI⁩ می‌پرسه: مشتری چه صنعتیه؟ قبلاً باهاش صحبت شده؟ مهم‌ترین دردش چیه؟ تون رسمی باشه یا صمیمی؟

تو جواب می‌دی. بعد ⁦AI⁩ با اطلاعاتِ واقعی می‌نویسه — نه با فرض.

این به یه دلیلِ ساده کار می‌کنه: ⁦LLM⁩ ها وقتی ⁦context⁩ کمه، گرایش دارن «پاسخِ متوسط» بدن — همون چیزی که توی میلیون‌ها متنِ مشابه دیدن. وقتی مجبورشون می‌کنی سوال بپرسن، خودشون رو با موقعیتِ تو تنظیم می‌کنن.

یه کاربردِ غیرمنتظره‌ش هم اینه: وقتی خودت هم هنوز دقیقاً نمی‌دونی چی می‌خوای. سوال‌های ⁦AI⁩ مجبورت می‌کنه فکرت رو مرتب کنی.

برای امتحان همین الان:
«[موضوعِ کارت]. قبل از شروع، ۵ سوالی که جوابشون خروجی رو بهتر می‌کنه رو بپرس.»

همین یه جمله اضافه، خروجی رو از عمومی به دقیق تبدیل می‌کنه. ⚡