برای برنامه‌نویس‌ها:

این ⁦Prompt⁩ به‌جای تست‌هایی که فقط مسیر معمولی رو تایید می‌کنن، کد رو از چهار زاویه بررسی می‌کنه: مسیر عادی، حالت‌های مرزی (صفر، ⁦null⁩، ماکزیمم)، سناریوهای خطا، و ملاحظات یکپارچگی.

برای هر تست یه خط توضیح می‌نویسه که شش ماه دیگه هم بدونی این تست چی رو محافظت می‌کنه. آخرش هم یه لیست صادقانه از ابهاماتی که نتونسته حل کنه میاره — تا به‌جای یه تست غلط با اطمینان کاذب، یه سوال مشخص بهت بده.

برای ⁦pytest⁩، ⁦Jest⁩، ⁦JUnit⁩ و هر فریم‌ورک دیگه‌ای کار می‌کنه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior QA engineer and test architect with deep experience in [LANGUAGE/FRAMEWORK, e.g. "Python with pytest" or "TypeScript with Jest"].

CONTEXT:
Function or feature to test: [PASTE YOUR FUNCTION, CLASS, OR FEATURE DESCRIPTION HERE]
What it's supposed to do: [ONE-SENTENCE DESCRIPTION OF THE INTENDED BEHAVIOR]
Inputs it receives: [LIST THE PARAMETERS/INPUTS AND THEIR EXPECTED TYPES OR RANGES]
Known constraints or business rules: [ANY VALIDATION RULES, RATE LIMITS, OR EDGE CONDITIONS YOU ALREADY KNOW ABOUT]

TASK:
Generate a comprehensive test suite for this function/feature. Cover four distinct categories of tests:
1. Happy path — normal, expected inputs that should succeed
2. Edge cases — boundary values, empty inputs, maximum/minimum values, unusual-but-valid inputs
3. Error scenarios — invalid inputs, malformed data, and how the function should fail (specific exception types, error codes, or return values)
4. Integration considerations — if this function interacts with external systems (database, API, file system), list what should be mocked and why

CONSTRAINTS:
- Use the testing framework and idioms specified in the context — do not default to a generic framework
- Every test must have a descriptive name that states what it verifies, not just "test1", "test2"
- For each test, include a one-line comment explaining WHY that case matters, not just what it checks
- Do not generate redundant tests that check the same logical branch twice under different names
- Flag any case where you're uncertain about the correct expected behavior rather than guessing silently — mark it with a `# VERIFY:` comment

OUTPUT FORMAT:
1. **Test Suite** — complete, runnable test code in the specified framework
2. **Coverage Summary** — a short table listing each test, its category (happy path/edge/error/integration), and what specific risk it catches
3. **Gaps I Couldn't Cover** — a list of scenarios that need clarification from the developer before a test can be written (ambiguous requirements, undocumented behavior, etc.)

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

استارتاپ چینی ⁦StepFun⁩ یه گوشی معرفی کرد که بهش می‌گن «تلفن ایجنتی» — اسمش ⁦StepX Neo⁩ هست و روی یه سیستم‌عامل اختصاصی ⁦AI⁩ به اسم ⁦Step AOS⁩ کار می‌کنه.

فرق اصلیش با گوشی‌های معمولی اینه که یه ایجنت ⁦AI⁩ پشت صحنه همه چیز رو هماهنگ می‌کنه، نه خودِ تو. معماریش ⁦Hybrid⁩ هست — ترکیبی از پردازش روی دستگاه و ابر — که باعث می‌شه حافظه‌اش با تأخیر ۱۵ میلی‌ثانیه بازیابی بشه. عملاً یعنی تفکر آنی.

مثلاً هماهنگی بین ⁦Alipay⁩ و ⁦Meituan⁩ — به‌جای اینکه خودت بین اپ‌ها جابجا بشی، ⁦AI⁩ همه چیز رو پشت صحنه ردیف می‌کنه.

یه سناریوی واقعی‌تر: به‌جای اینکه وارد اپ تاکسی بشی، مقصد بزنی، ماشین بگیری، بعد بری تو اپ بانک پرداخت کنی — فقط بگی «برسونم فرودگاه، از حساب جاری پرداخت کن». گوشی خودش همه مراحل رو بدون اینکه انگشتت به اپی بخوره انجام می‌ده.

ایده‌ی اصلی اینه که رابط کاربری از «کلیک کردن» به «خواستن» تغییر کنه. گوشی از حالت ابزار خارج می‌شه و تبدیل می‌شه به یه منشی شخصی که خودش عملیات رو اجرا می‌کنه — نه فقط جواب سوال بده. 🤖

دیمیس هاسابیس، بنیان‌گذار ⁦DeepMind⁩ و یکی از چهره‌های اصلی پشت ⁦Gemini⁩، یه پیشنهاد جدی رو عمومی کرده: جهان به یه نهاد نظارتی بین‌المللی برای ⁦AI⁩ نیاز داره — و رهبریش هم باید دست آمریکا باشه.

ایده‌ش اینه که این سازمان، شبیه ⁦FINRA⁩ (نهاد نظارت بر صنعت مالی)، قبل از اینکه هر مدل قدرتمند ⁦AI⁩ عرضه بشه، باید اون رو با کمک متخصصان مستقل و جامعه ⁦Open Source⁩ ارزیابی کنه. اگه تأیید نشد، اجازه انتشار نداره. یعنی «تأیید پیش‌از‌انتشار» به جای «انتشار بدون فیلتر».

هاسابیس معتقده الان که داریم به ⁦AGI⁩ نزدیک می‌شیم، مدل‌های ⁦Frontier⁩ بدون نظارت می‌تونن ریسک‌های جدی به بار بیارن — از تهدیدهای بیولوژیک گرفته تا بی‌ثباتی اقتصادی. هدف اینه که «شتاب بی‌رویه» شرکت‌های تکنولوژی یه جایی ترمز داشته باشه.

رهبری آمریکا از نظرش یعنی «استاندارد ایالات متحده» جایگزین «هرج‌ومرج محلی» هر کشور بشه.

این حرف‌ها از کسی میاد که ماه‌هاست پشت درهای بسته با مقامات دولت ترامپ و مسئولان اروپایی در حال رایزنیه — و گفته می‌خواد این نهاد قبل از پایان همین سال راه بیفته. 🤖

‏💡 ⁦CallQA⁩ — سیستم هوشمند کنترل کیفیت مکالماتِ مرکز تماس

یه سرویس وب که ضبط‌های تماسِ مراکز پشتیبانی و فروش رو به‌طور خودکار رونویسی و بر اساسِ معیارهای تعریف‌شده‌ی هر شرکت نمره‌گذاری می‌کنه. الان ⁦QA⁩ مدیران مجبورن دستی به تماس‌ها گوش بدن — این سرویس اون کار رو با پوشش ۱۰۰٪ و ۱۰ برابر سریع‌تر انجام می‌ده. درد واقعی، داده‌ی آماده، بودجه‌ی سازمانی.

⚙️ چطور کار می‌کنه:
مثالِ واقعی: یه شرکتِ بیمه ۴۰ نماینده‌ی فروش دارن که روزانه ۳۰۰ تماس می‌گیرن. مدیر ⁦QA⁩ باید کیفیتِ مکالمات رو بررسی کنه ولی فیزیکاً نمی‌تونه بیشتر از ۱۵-۲۰ تا رو در روز گوش بده — یعنی ۹۵٪ تماس‌ها اصلاً بررسی نمی‌شن. با ⁦CallQA⁩: (۱) شرکت فایل‌های ⁦MP3⁩ رو آپلود می‌کنه یا از طریق ⁦API⁩ به سیستمِ ضبطشون وصل می‌شه؛ (۲) ⁦Whisper⁩ که روی ⁦ArvanCloud⁩ اجرا می‌شه کل مکالمه رو به متنِ فارسی تبدیل می‌کنه؛ (۳) مدیر یه‌بار چک‌لیستِ کیفیتی تعریف می‌کنه: 'سلام و معرفی درست داشت؟'، 'پیشنهادِ بیمه‌نامه رو شفاف توضیح داد؟'، 'لحن محترمانه بود؟'، 'در پایان پیگیری رو تأیید کرد؟'؛ (۴) ⁦DeepSeek⁩ برای هر تماس یه گزارشِ نمره‌دار تولید می‌کنه با نقلِ مستقیم از متن ('در دقیقه‌ی ۳:۲۰ گفت: ...')؛ (۵) داشبوردِ ماهانه بهترین و ضعیف‌ترین اپراتورها رو رنک می‌کنه، الگوهای مشترک مشکلات رو نشون می‌ده، و تماس‌های نمونه‌ی عالی رو برای آموزش علامت‌گذاری می‌کنه. مدیر صبح‌ها به‌جای ۴ ساعت گوش دادن، ۲۰ دقیقه گزارش می‌خونه.

🎯 بازار هدف:
مراکز تماسِ شرکت‌های ایرانی با بیشتر از ۱۵ نماینده: بانک‌ها و موسسات مالی (بانک مرکزی ضبطِ اجباری تماس رو اجرایی کرده — داده هست ولی تحلیل نیست)، شرکت‌های بیمه، فروشگاه‌های آنلاین با تیمِ پشتیبانی، شرکت‌های مخابراتی، کلینیک‌ها و مراکز درمانی خصوصی. مشتریِ اولِ ایده‌آل: شرکتِ بیمه یا بانکِ خصوصیِ متوسط با ۳۰ تا ۱۵۰ نماینده — این‌ها بودجه دارن، ضبطِ تماس دارن، درد واقعی دارن، و ⁦compliance⁩‌شون اجباریه.

✅ نقاط قوت:
‏• ⁦ROI⁩ فوری و محاسبه‌پذیر — اگه یه مدیر ⁦QA⁩ ماهی ۱۵ میلیون حقوق بگیره و ۵۰٪ وقتش صرفِ گوش دادن به تماس بشه، سرویس با قیمتِ ۵-۶ میلیون کاملاً توجیه داره
• کاملاً بدونِ ⁦API⁩ خارجی — ⁦Whisper⁩ و ⁦DeepSeek/Qwen⁩ روی ⁦ArvanCloud⁩ اجرا می‌شن، هیچ داده‌ای ایران رو ترک نمی‌کنه؛ این برای بانک‌ها مزیتِ فروشِ جدی‌ایه
• داده‌ی آماده پیشِ مشتری هست — شرکت‌ها ضبطِ تماس دارن ولی هیچ ابزاری برای تحلیلش ندارن؛ تو ابزار می‌فروشی نه داده
‏• ⁦B2B⁩ با قراردادِ ماهانه — چرخه‌ی فروش طولانی‌تره ولی ⁦churn⁩ پایینه، درآمد پایداره، و یه قرارداد ۵ میلیونی ارزشِ ۱۰۰ مشتری ۵۰ هزارتومانی رو داره

⚠️ نقاط ضعف و چالش‌ها:
• چرخه‌ی فروش به سازمان‌های بزرگ ۳ تا ۶ ماه طول می‌کشه — اگه شبکه‌ی ارتباطی در صنعتِ بانک/بیمه نداری، درِ ورودی سخته
• لهجه و گویش‌های مختلف فارسی (ترکی، کردی، اصفهانی، شیرازی) دقتِ ⁦Whisper⁩ رو پایین می‌آره — باید با مشتری صادقانه محدودیت رو بگی و روی تماس‌های فارسیِ معیار شروع کنی
• نگرانیِ امنیتِ داده در بانک‌ها — بعضی تیم‌های ⁦IT⁩ سرسختن؛ باید گزینه‌ی ⁦on-premise⁩ روی سرورِ خودشون رو هم ارائه بدی که هزینه‌ی پیاده‌سازی رو بالا می‌بره

💰 درآمدزایی:
قیمت‌گذاری بر اساسِ حجمِ دقایق تحلیل‌شده: هر دقیقه‌ی تماس ۱۵۰۰ تومان. شرکتِ ۴۰ نماینده با ۳۰۰ تماسِ روزانه‌ی ۴ دقیقه‌ای = ۱۲۰۰ دقیقه/روز = ۳۶,۰۰۰ دقیقه/ماه = ۵۴ میلیون تومان/ماه. پلنِ سازمانیِ ثابت (کمتر از تعرفه‌ی ⁦per-minute⁩): ۳۵ تا ۴۵ میلیون ماهانه با ⁦SLA.⁩ پرداخت با حواله‌ی بین‌بانکی یا ⁦ZarinPal.⁩ با ۳ مشتری متوسط = ۱۰۰ تا ۱۲۰ میلیون تومان درآمدِ ماهانه‌ی قابلِ پیش‌بینی.

🚀 از کجا شروع کنیم:
قدم اول: بدونِ داشبورد شروع کن — ⁦Whisper⁩ رو روی یه ⁦VPS⁩ ۸⁦GB RAM⁩ نصب کن، یه اسکریپتِ ⁦Python⁩ ساده بنویس که ⁦MP3⁩ بگیره و گزارشِ متنی + نمره تولید کنه، بدِش به یه مدیر ⁦QA⁩ آشنا و بگو ۵۰ تماسِ اخیرشون رو رایگان تحلیل می‌کنی. قدم دوم: اگه گفت 'این دقیقاً همون چیزیه که می‌خواستم' — داشبوردِ وب ساده روی ⁦ArvanCloud⁩ بده بالا با آپلودِ فایل، نمایشِ گزارش، و تعریفِ چک‌لیست؛ همین نسخه رو بهش بفروش. قدم سوم: اون اولین مشتری رو به ⁦case study⁩ تبدیل کن و با ارجاع به اون وارد مذاکره با دو شرکتِ بعدی بشو.

🏗 زیرساخت: ⁦Whisper⁩ (⁦STT⁩ متن‌باز) + ⁦DeepSeek-V3⁩ یا ⁦Qwen3⁩ روی ⁦ArvanCloud GPU⁩؛ سرورِ اپلیکیشن روی ⁦ArvanCloud⁩؛ پرداختِ ریالی با ⁦ZarinPal⁩ یا حواله‌ی مستقیم؛ صفرِ وابستگی به ⁦API⁩ خارجی

📍 واقعیت بازار ایران: کاملاً بدونِ ⁦VPN⁩ کار می‌کنه؛ داده از ایران خارج نمی‌شه؛ تنها ریسکِ فنی هزینه‌ی ⁦GPU⁩ روی ⁦ArvanCloud⁩ برای ⁦infere

این ⁦Prompt⁩ رزومه‌ات رو می‌ذاره کنار یه آگهی استخدام خاص و دقیقاً می‌گه چه کلمات کلیدی، مهارت‌ها، یا نحوه‌ی بیان کم داری — همون چیزایی که ⁦ATS⁩ یا استخدام‌کننده تو اسکن ۲۰ ثانیه‌ای می‌بینه.

بعدش ضعیف‌ترین بولت‌پوینت‌هات رو با فرمول ⁦XYZ⁩ بازنویسی می‌کنه: نتیجه‌ی ملموس، روش اندازه‌گیری، کاری که انجام دادی تا بهش برسی — و هر بار نسخه‌ی قبل و بعد رو کنار هم نشون می‌ده.

عمداً طراحی شده که عدد یا تجربه‌ی جعلی نسازه، فقط تجربه‌ی واقعی‌ات رو بهتر بیان کنه. برای مثال‌های کامل و توضیح ساختار، مقاله رو باز کن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

ROLE
Act as a senior technical recruiter and resume strategist who has reviewed thousands of resumes against job descriptions for hiring decisions, with deep familiarity with how applicant tracking systems (ATS) parse and rank resumes.

CONTEXT
- My current resume (full text, including all bullet points): [PASTE YOUR FULL RESUME TEXT]
- The job description I'm applying to: [PASTE THE FULL JOB POSTING TEXT]
- My target role or title if it differs from what's on my resume: [E.G. "Currently a Marketing Coordinator, applying for Senior Marketing Manager"]
- Years of experience I actually have in the areas this job emphasizes, even if not reflected on my resume yet: [E.G. "3 years leading cross-functional projects, but my resume doesn't call this out explicitly"]

TASK
Compare my resume against the job description and produce:
1. A gap analysis: specific skills, tools, keywords, or qualifications the job description emphasizes that are missing or under-represented on my resume
2. A keyword match assessment: which important terms from the job description appear on my resume versus which do not, since ATS systems often rank on this directly
3. Rewritten versions of my 3 weakest or most generic bullet points, restructured using the XYZ formula ("Accomplished [X] as measured by [Y], by doing [Z]") to better reflect the job's priorities
4. A prioritized action list: what to fix first if I only have 30 minutes before submitting my application, versus what to fix if I have a full evening

CONSTRAINTS
- Do not fabricate experience, metrics, or qualifications I do not have — only rephrase and better surface experience I actually describe in the context I provide
- If a gap is genuinely unfillable (I lack the qualification entirely), say so honestly rather than suggesting a misleading rewrite
- Keep rewritten bullets concise — one to two lines each, not paragraphs
- Flag if my resume's overall structure (not just word choice) is working against me, e.g., burying relevant experience under an unrelated older role

OUTPUT FORMAT
Structure the response in four labeled sections: "Gap Analysis," "Keyword Match Assessment" (as a two-column comparison: present vs. missing), "Rewritten Bullet Points" (original followed by rewrite, for each of the 3), and "Priority Action List" (split into "If you have 30 minutes" and "If you have a full evening").

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

میرا موراتی — که می‌گن اگه سم آلتمن پدرِ ⁦OpenAI⁩ باشه، اون مادرشه — حالا با استارتاپ خودش ⁦Thinking Machines Lab⁩ اولین مدل عمومیش رو معرفی کرده: ⁦Inkling.⁩

مدل یه سیستم ⁦Mixture-of-Experts⁩ با ۹۷۵ میلیارد پارامتر هست که به‌صورت ⁦Open-weight⁩ عرضه شده. یعنی برخلاف ⁦GPT-5⁩، ساختارش باز هست و سازمان‌ها می‌تونن از طریق پلتفرم ⁦Tinker⁩، مدل رو با دانش تخصصی خودشون سفارشی کنن. روی ۴۵ تریلیون ⁦Token⁩ چندرسانه‌ای هم آموزش دیده.

ادعاش اینه که با یه‌سوم ⁦Token⁩‌های رقبا، عملکرد مشابهی در کدنویسی داره. یه ویژگی هم که ازش حرف می‌زنن اینه که به جای حدس زدن، صادقانه «عدم قطعیت» خودش رو اعلام می‌کنه — چیزی که اکثر مدل‌ها ازش طفره می‌رن.

شرکت قبول داره که ⁦Inkling⁩ «قوی‌ترین مدل موجود» نیست، ولی هدفش یه «شالوده منعطف» برای سازمان‌هاییه که می‌خوان مالکِ یه ابزار تخصصی باشن، نه کاربرِ یه ابزار عمومی.

این رویکرد مستقیماً به هشدار ساتیا نادلا جواب می‌ده که گفته بود با مدل‌های بسته، شرکت‌ها دو بار هزینه می‌کنن: یه بار بابت اشتراک، یه بار با واگذاری دانش تجاریشون به این مدل‌های متمرکز.

شرکت ادعا می‌کنه در ۹ ماه مسیری رفته که رقبایش ۵ سال طول کشیده — ببینیم بازار این ادعا رو چقدر جدی می‌گیره. 🤖

عینک ⁦Ray-Ban⁩ متا توی سال ۲۰۲۵ بیشتر از ۷ میلیون دستگاه فروخته — یعنی ۷۶.۱ درصد از کل بازار عینک‌های هوشمند دست متاست. فروشش نسبت به سال قبل بیشتر از سه برابر شده.

عینک نسل دوم (⁦Gen 2⁩) از سپتامبر ۲۰۲۵ با قیمت ۳۷۹ دلار در دسترسه. مهم‌ترین چیز اینه که شبیه یه عینک آفتابی معمولیه — ظاهرش ⁦Ray-Ban⁩ کلاسیکه. فقط یه دوربین داره، تماس هندزفری، دستیار صوتی ⁦AI⁩، و باتری دو برابر نسل اول با قابلیت ضبط ویدیوی ۳⁦K.⁩ هیچ چیزی جلوی دیدت نمیاد.

همین تصمیم مهم‌ترین چیزه. ده سال پیش ⁦Google Glass⁩ شکست خورد چون از آدم‌ها می‌خواست یه چیز کاملاً جدید بپوشن. متا اومد یه عینک که مردم اصلاً می‌خریدن رو یه کم باهوش‌تر کرد — بدون اینکه ظاهرش رو خراب کنه یا توضیح لازم داشته باشه.

گوگل هنوز وارد بازار نشده. محصولش رو با همکاری ⁦Samsung⁩ در ⁦Google I/O 2026⁩ نشون داد — با طراحی ⁦Warby Parker⁩ و ⁦Gentle Monster.⁩ دو نسخه داره: یه نسخه صوتی که پاییز ۲۰۲۶ میاد (رقیب مستقیم ⁦Ray-Ban⁩)، و یه نسخه با نمایشگر داخل لنز که ترجمه زنده، مسیریابی، و اعلان‌ها رو مستقیماً توی دیدت نشون می‌ده.

اینا دو شرط‌بندیِ کاملاً متفاوتن روی یه سوال: عینک هوشمند یعنی چی؟ متا گفت آدم‌ها می‌خوان ⁦AI⁩ رو بشنون، نه ببینن. گوگل داره می‌گه وقتی تکنولوژی لنز به حد کافی برسه، آدم‌ها اطلاعات رو جلوی چشمشون می‌خوان — همون شرط‌بندیِ ⁦Google Glass⁩، فقط با ⁦Gemini⁩ و یه دهه پیشرفت در فناوری نمایشگرهای لنزی.

بازار نیمی از جواب رو داده — عینک صوتی بدون صفحه ثابت کرده که تقاضا وجود داره. بخش دیگه رو باید گوگل توی پاییز ۲۰۲۶ ثابت کنه.

شرکت ⁦OpenAI⁩ رسماً اولین قدمش رو توی دنیای سخت‌افزار برداشت — یه کیبورد کوچیک ۲۳۰ دلاری به اسم ⁦Codex Micro.⁩

این گجت مخصوص کنترل دستیار برنامه‌نویسی ⁦OpenAI⁩ و وایب‌کدینگ هست. شش کلید مات داره با نورپردازی ⁦LED⁩ که وضعیت ایجنت‌ها رو زنده نشون می‌ده. کنارشون یه سری کلید دستوری شخصی‌سازی‌پذیر هستن که میان‌بر دارن برای کارهای رایج مثل تأیید یا رد کردن کد و استفاده از ورودی صوتی.

یه جوی‌استیک هم داره برای اجرای سریع گردش‌های کاری، و یه دکمه چرخان که باهاش می‌شه سطح استدلال ⁦AI⁩ رو تنظیم کرد — یعنی مشخص می‌کنی هر ایجنت چقدر وقت و قدرت پردازشی داشته باشه.

شرکت ⁦OpenAI⁩ این دستگاه رو به عنوان یه راهکار لوکس برای مدیریت ایجنت‌های ⁦AI⁩ معرفی کرده. 🤖

یه ⁦Prompt⁩ ساختاریافته برای کسایی که باید یه گزارش بلند رو قبل از جلسه «خونده باشن» — ولی وقت نداشتن.

تفاوتش با «خلاصه کن» معمولی اینه که مدل فقط چیزی رو نگه می‌داره که روی یه تصمیم تاثیر داره، نه یه نسخه کوتاه‌تر از همون سند.

خروجی پنج بخشه: یه نتیجه‌ی واحد از اول، اینکه این گزارش برای موقعیتِ خاصِ شما چی یعنی، و سوالات بی‌جواب و ریسک‌هایی که هنوز مشخص نیستن. یه دستورالعمل مهم هم داخلشه: مدل باید هر ادعایی رو به سند اصلی ارجاع بده — وگرنه با خیال راحت اطلاعاتی اضافه می‌کنه که اصلاً توی گزارش نبوده.

برای گزارش‌های تکرارشونده مثل ممیزی ماهانه یا گزارش هفتگی فروش، می‌شه یه نسخه آماده نگه داشت و هر بار فقط متن جدید رو جایگزین کرد.

📋 پرامپت کامل (لمس کن تا کپی بشه):

<p>Act as [YOUR ROLE — e.g. a chief of staff / executive communications specialist] who has spent a decade condensing dense reports into briefs that senior executives actually read before high-stakes meetings.</p><p><strong>Context:</strong> I am preparing for [DESCRIBE THE MEETING OR DECISION — e.g. "a board meeting in 2 hours" or "a go/no-go call with our VP of Product tomorrow morning"]. Below is a full report I need distilled. The audience is [DESCRIBE AUDIENCE — e.g. "a CEO and 4 board members, none of whom have technical backgrounds"]. They have approximately [TIME AVAILABLE — e.g. "3 minutes"] to read this before the discussion.</p><p><strong>Task:</strong> Produce a single-page executive brief that lets the reader participate fully in the discussion without having read the source report. Do not summarize every section — extract only what changes a decision.</p><p><strong>Constraints:</strong><br/>- Maximum 400 words total.<br/>- No jargon without a one-line plain-English translation in parentheses.<br/>- Every claim must trace back to something explicitly stated in the source report — do not infer or add outside information.<br/>- If the report contains conflicting data points or unresolved questions, surface them explicitly rather than smoothing them over.<br/>- Flag anything in the source report that is more than [X] months old or based on a sample size the report itself describes as limited.</p><p><strong>Output Format:</strong><br/>1. <strong>Bottom Line</strong> (1-2 sentences — the single most important takeaway)<br/>2. <strong>Key Findings</strong> (3-5 bullets, each with the supporting number or fact from the report)<br/>3. <strong>What This Means For Us</strong> (2-3 bullets connecting findings to our specific situation: [YOUR COMPANY/PROJECT CONTEXT])<br/>4. <strong>Recommended Action</strong> (1-3 specific next steps, each with a suggested owner and timeframe)<br/>5. <strong>Open Questions / Risks</strong> (anything the report flags as uncertain or that you notice is missing)</p><p>[PASTE FULL REPORT TEXT HERE]</p>

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

از ۲۲ جولای، فروشگاه‌های اپلیکیشن آندروید در آمریکا می‌تونن مستقیم به کاتالوگ ⁦Google Play⁩ دسترسی داشته باشن — یعنی همون اطلاعاتی که توی ⁦Google Play⁩ می‌بینی (اسم اپ، آیکون، توضیحات، اسکرین‌شات‌ها و ویدیوی پیش‌نمایش) می‌تونن داخل فروشگاه‌های رقیب هم نمایش داده بشن.

این تغییر نتیجه‌ی یه دعوای حقوقی طولانی با شرکت ⁦Epic Games⁩ بود. گوگل به جای ادامه‌ی مبارزه‌ی حقوقی، قضیه رو کنار گذاشت و این برنامه رو تحت عنوان ⁦Play Catalog Access Program⁩ راه انداخت.

ولی یه نکته مهم: دانلودها هنوز از مسیر ⁦Google Play⁩ انجام می‌شن و کارمزد گوگل هم بر همین اساس محاسبه می‌شه — حتی اگه کاربر اپ رو از یه فروشگاه دیگه پیدا کرده باشه. یعنی گوگل درآمدش رو حفظ کرده، فقط اجازه داده اطلاعات اپ‌ها رو دیگران هم نمایش بدن.

ورود به این برنامه رایگان نیست. فروشگاه‌های شخص ثالث باید ۵,۰۰۰ دلار حق ثبت‌نام اولیه + ۵,۰۰۰ دلار سالانه به گوگل بدن، فقط به کاربران آمریکایی سرویس بدن، و نرخ نصب بدافزار رو زیر ۱٪ نگه دارن — وگرنه گوگل می‌تونه دسترسی‌شون رو قطع کنه.

تا حالا تنها راه عملی برای نصب اپ بدون ⁦Google Play⁩، نصب مستقیم فایل ⁦APK⁩ بود که برای اکثر کاربرها پیچیده و دردسرساز بود. حالا فروشگاه‌های رقیب می‌تونن همون کیفیت نمایش اطلاعات اپ رو ارائه بدن و اون شکاف بزرگ کاربری رو پر کنن.

در عمل این تغییر فقط برای آمریکاست و با ۱۰,۰۰۰ دلار هزینه‌ی سال اول، بیشتر به نفع رقبای بزرگ و سرمایه‌داره، نه فروشگاه‌های کوچیک‌تر. کاربران خارج از آمریکا هم فعلاً از این تغییر بهره‌ای نمی‌برن.

مدل ⁦Kimi-K3⁩ با یه جهش ۱۷ رتبه‌ای توی جدول ⁦Arena⁩ — از رتبه ۱۸ به رتبه اول — کل دسته ⁦Frontend Code⁩ رو برای خودش برد.

این مدل با ۱۶۷۹ امتیاز به صدر رسید و ⁦Claude Fable 5⁩ رو پشت سر گذاشت.

توی هفت حوزه‌ای که در دسته ⁦Frontend⁩ ارزیابی شد، ⁦Kimi-K3⁩ در شش‌تاش اول شد: طراحی برند و مارکتینگ، طراحی مبتنی بر مرجع، داده و آنالیز، محصول مصرفی، شبیه‌سازی‌ها، و ابزارهای ساخت محتوا. تنها استثنا دسته بازی‌سازیه که ⁦Fable 5⁩ هنوز اونجا اوله.

وزن‌های کامل مدل هم قراره تا ۲۷ جولای ⁦Open Source⁩ بشه. 🔥

پرتاب ⁦Flight 13⁩ فضاپیمای ⁦Starship⁩ شرکت ⁦SpaceX⁩ دیروز (۱۶ جولای) همون لحظه‌ای که شمارش معکوس به صفر رسید متوقف شد. چهار تا از موتورهای بوستر ⁦Super Heavy⁩ روشن نشدن و سیستم خودکار فضاپیما بلافاصله پرتاب رو لغو کرد.

ایلان ماسک چند دقیقه بعد روی ⁦X⁩ نوشت که «بعضی موتورها روشن نشدن» و گفت تلاش بعدی «امیدوارم ظرف چند روز» انجام بشه. هیچ آسیبی به فضاپیما یا سکوی پرتاب وارد نشد.

این پرتاب چند چیز خاص داشت. اول اینکه اولین پرواز ⁦Starship⁩ بود از وقتی ⁦SpaceX⁩ وارد بورس شد — یعنی دیگه علاوه بر مشتری‌های دولتی، سهامداران عمومی هم نگاهشون به هر تأخیر و لغوی هست. دوم اینکه قرار بود برای اولین بار ۲۰ ماهواره ⁦Starlink V3⁩ رو از داخل ⁦Starship⁩ پرتاب کنه.

ماهواره‌های نسل سوم ⁦Starlink⁩ نسبت به نسل قبلی خیلی بزرگ‌ترن و دیگه توی موشک ⁦Falcon 9⁩ جا نمی‌شن — ⁦Starship⁩ تنها راه برای پرتابشونه. برای همینه که این مأموریت برای درآمد ⁦SpaceX⁩ یه اولویت اساسی محسوب می‌شه.

علاوه بر اینا، ⁦NASA⁩ هم داره با دقت نگاه می‌کنه. مأموریت ⁦Artemis 3⁩ (بازگشت انسان به ماه) به نسخه‌ای از ⁦Starship⁩ نیاز داره که بتونه در مدار زمین بمونه، و ⁦SpaceX⁩ قبلاً چندبار این هدف رو به تعویق انداخته. این لغو اوضاع رو کمی نامشخص‌تر کرد.

اگه علت مشکل زود پیدا بشه — که ماسک به نظر امیدواره — احتمال داره اواخر جولای پرتاب بعدی انجام بشه.

یه سوال ساده: اگه از ⁦ChatGPT⁩ بپرسی «آخرین قیمت دلار چنده؟» چرا جواب درستی نمی‌ده؟

چون ⁦LLM⁩‌ها روی داده‌های یه بازه‌ی زمانی مشخص آموزش دیدن و بعدش دیگه چیزی یاد نمی‌گیرن. هر اتفاقی بعد از اون تاریخ برای مدل وجود نداره.

یه راه‌حل اینه که اطلاعاتِ جدید رو از بیرون بیاری و جلوی مدل بذاری. این دقیقاً همون کاریه که ⁦RAG⁩ انجام می‌ده — مخفف ⁦Retrieval-Augmented Generation.⁩

ایده‌اش ساده‌ست: قبل از اینکه ⁦AI⁩ جواب بده، یه سیستم می‌ره توی یه پایگاه دانش، اطلاعاتِ مرتبط با سوال رو پیدا می‌کنه، و به مدل می‌ده. مدل هم با اون اطلاعات جواب می‌سازه — نه از حافظه‌ی خودش.

یه مثالِ ملموس: یه شرکت می‌خواد ⁦chatbot⁩ی بسازه که از مستنداتِ داخلیش جواب بده. با ⁦RAG⁩ می‌تونه همه‌ی ⁦PDF⁩هاشو توی یه پایگاه داده ذخیره کنه. وقتی کاربر سوال می‌پرسه، سیستم اول توی اون فایل‌ها می‌گرده، مرتبط‌ترین بخش‌ها رو پیدا می‌کنه، و بعد به مدل می‌ده که جواب بسازه.

سه مرحله داره:
۱. بازیابی (⁦Retrieval⁩): جستجو توی منبعِ داده
۲. افزودن (⁦Augmentation⁩): اضافه کردنِ اون اطلاعات به ⁦Prompt⁩
۳. تولید (⁦Generation⁩): ساختنِ جواب با اون ⁦context⁩

یه مزیتِ مهم اینه که اگه اطلاعات تغییر کرد، فقط پایگاه داده رو آپدیت می‌کنی — نه کل مدل رو دوباره آموزش می‌دی، که هم زمان می‌بره هم هزینه.

اکثرِ ⁦chatbot⁩های سازمانی که ادعا می‌کنن «از اسنادِ ما جواب می‌دن» — زیرشون ⁦RAG⁩ داره. 🤖

انویدیا از دو تا ماژول پردازشی جدید رونمایی کرد: ⁦Jetson Thor T3000⁩ و ⁦T2000⁩ — طراحی‌شده برای ربات‌های انسان‌نما، صنایع هوشمند و ⁦AI⁩ لبه.

مدل ⁦T3000⁩ با ⁦GPU⁩ معماری ⁦Blackwell⁩ و ۸ هسته ⁦Arm⁩ می‌تونه ۸۶۵ ترافلاپس ارائه بده، فقط با ۷۰ وات مصرف. مدل ⁦T2000⁩ هم با ۴۰۰ ترافلاپس و ۴۰ وات، گزینه مناسبه برای ربات‌های خودگردان متحرک و ابزارهای هوشمند سطح‌پایه.

عرضه تجاری هر دو برای اوایل ۲۰۲۷ برنامه‌ریزی شده.

غیر از سخت‌افزار، انویدیا بهینه‌سازی‌های نرم‌افزاری ارائه داده که مصرف حافظه سیستم‌های رباتیک رو تا ۵۰٪ کاهش می‌ده. این یعنی شرکت‌هایی مثل ⁦Boston Dynamics⁩ می‌تونن روی سخت‌افزار ارزون‌تر با ⁦RAM⁩ کمتر کار کنن، بدون اینکه کیفیت مدل‌های زبانی و بینایی‌شون افت کنه — و هزینه نهایی ساخت ربات می‌تونه به‌شکل قابل‌توجهی پایین بیاد. 🤖

یه حمله سایبری در نوامبر ۲۰۲۵ به زیرساخت‌های ⁦Suno⁩ — پلتفرم ساخت موسیقی با ⁦AI⁩ — اتفاق افتاد. مهاجم با اطلاعات ورود یه کارمند، به سیستم‌های داخلی و سورس کد شرکت دسترسی پیدا کرد.

شرکت ⁦Suno⁩ همیشه گفته مدلش رو با «فایل‌های موسیقی عمومی» آموزش داده؛ تحت قانون «استفاده منصفانه» که در آمریکا معمولاً از این جور چیزا حمایت می‌کنه. مشکل اینجاست که داخل سورس کد، یه زیرساخت کامل پیدا شد که ⁦Suno⁩ باهاش سال‌هاست صدا از ⁦YouTube Music⁩، ⁦Deezer⁩، ⁦Genius⁩، کتابخونه‌های موسیقی و فید پادکست‌ها استخراج می‌کرده — و برای این کار سیستم‌های ضد-⁦scraping⁩ شبکه ⁦YouTube⁩ رو هم دور می‌زده. این دیگه «استفاده منصفانه» نیست؛ مخالف قوانین ⁦Google⁩ هست و احتمالاً با قانون کپی‌رایت آمریکا هم مشکل داره.

بدتر اینکه لیبل‌های ⁦Universal Music⁩، ⁦Sony Music⁩ و ⁦Warner Music Group⁩ الان دارن تو دادگاه فدرال آمریکا از ⁦Suno⁩ به خاطر نقض کپی‌رایت شکایت می‌کنن. وکلاشون حالا یه مدرک داخلی دارن که نشون می‌ده شرکت ابزار اختصاصی ساخته بود تا صدا رو از پلتفرم‌هایی بکشه که اصلاً اجازه این کار رو نمی‌دن.

اطلاعات مشتریا هم دزدیده شد — ایمیل، شماره موبایل، و بخشی از شماره کارت‌های اعتباری که از طریق ⁦Stripe⁩ ذخیره شده بودن. شرکت ⁦Suno⁩ اسم این ماجرا رو گذاشت «یه حادثه امنیتی محدود که سریع کنترل شد» و به هیچ‌کدوم از مشتریای آسیب‌دیده اطلاع نداد — که احتمالاً زیر قوانین حریم خصوصی اروپا و اکثر ایالت‌های آمریکا مشکل‌سازه.

ماجرای ⁦Suno⁩ نشون می‌ده که شرکت‌های ⁦AI⁩ یه انگیزه ساختاری دارن که از ارزون‌ترین راه ممکن به بزرگ‌ترین دیتاست برسن. لایسنس گرفتن از صاحبان موسیقی گرونه و کنده. داده کشیدن از اینترنت سریع و ارزونه — تا وقتی که یه هک یا دعوای حقوقی هزینه‌ش رو بالا نبره.

نوشتن ۲۰ تیتر واقعاً متفاوت برای یه کمپین، سخت‌تر از چیزیه که به نظر می‌رسه — چه آدم بنویسه، چه ⁦AI.⁩ معمولاً همون یکی‌دو ایده تکرار می‌شه با جمله‌بندی متفاوت.

این ⁦Prompt⁩ با یه قانون ساختاری این مشکل رو حل می‌کنه: هر تیتر باید یه محرک روانشناختی مشخص از یه لیست ثابت ۱۰‌تایی داشته باشه و هر محرک حداکثر ۲ بار تکرار بشه. این‌طوری ⁦AI⁩ نمی‌تونه همه تیترها رو فقط با «⁦curiosity gap⁩» یا اعداد بسازه.

خروجی ۲۰ تیتر واقعاً متنوعه، به‌علاوه ۳ گزینه پیشنهادی برای شروع ⁦A/B Testing⁩ با توضیح دلیل — نه یه لیست بلند که ندونی با کدوم شروع کنی.

برای مثال‌ها و نحوه استفاده بهتر، لینک مقاله رو باز کن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Role: Act as a direct-response copywriter who has tested thousands of headlines across paid and organic channels and can identify exactly which psychological trigger makes each one work.

Context:
- Topic or product: [WHAT YOU'RE WRITING HEADLINES FOR]
- Target audience: [WHO SPECIFICALLY WILL READ THIS]
- Channel: [E.G., COLD EMAIL SUBJECT LINE, BLOG HEADLINE, PAID AD, YOUTUBE THUMBNAIL TEXT, LANDING PAGE HERO]
- The action you want the reader to take after engaging: [E.G., BOOK A DEMO, READ THE FULL ARTICLE, ADD TO CART]

Task: Generate 20 headline/hook variations for the topic above, aimed at the stated audience on the stated channel. Each hook must use a different combination of angle and psychological trigger — do not repeat the same trigger more than twice across the full list of 20.

Constraints:
- Label each hook with its primary psychological trigger, chosen from: curiosity gap, social proof, loss aversion, specificity/numbers, authority, urgency/scarcity, pattern interrupt, identity/tribe, contrarian claim, before/after transformation
- No hook may exceed 12 words
- No hook may overpromise relative to the stated action — every hook must be honest about what happens after the click
- Vary sentence structure: no more than 3 hooks may start with a question, and no more than 3 may start with a number

Output Format:
- Numbered list, 1 to 20
- Each line formatted as: [Hook text] — Trigger: [trigger name]
- End with one paragraph identifying the 3 strongest hooks to A/B test first, and why those three specifically

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

هر روز یه جایی توی چین، رباتا دارن با هم می‌جنگن — نه توی بازی، توی واقعیت 🤖

نبردهای رباتیک واقعی دارن اتفاق می‌افتن و کم‌کم دارن از مرزهای چین رد می‌شن و به بقیه کشورها می‌رسن.

وقتی این موج جهانی بشه، دقیقاً مثل اون صحنه‌هایی که توی فیلم‌های بزرگ یا بازی‌ها می‌دیدیم، می‌فهمی که واقعاً توی یه دنیای سایبرپانک داری زندگی می‌کنی.

مدل ⁦Kimi K3⁩ با ۲.۸ تریلیون پارامتر اونقدر بزرگه که حتی با فشرده‌سازی ⁦FP4⁩ هم توی یه سیستم ⁦NVIDIA DGX B200⁩ جا نمی‌شه — انگار داری سعی می‌کنی یه اقیانوس رو توی یه استخر بریزی.

روش ⁦FP4⁩ یه تکنیک فشرده‌سازیه که حجم مدل رو کم می‌کنه بدون اینکه کیفیتش خیلی افت کنه — ولی حتی اینم برای این مدل کافی نیست.

برای اجرای درست ⁦Kimi K3⁩، باید از زیرساخت‌هایی مثل ⁦GB300⁩ یا ⁦MI355X⁩ استفاده کنی که هر ⁦GPU⁩‌شون ۲۸۸ گیگابایت حافظه داره.

اگه صندوق ورودیت پر از ایمیل خوانده‌نشده‌ست، این ⁦Prompt⁩ اولویت‌بندیشون می‌کنه.

منطقش اینه که هر ایمیل رو با فرمول فوریت ⁦×⁩ تأثیر امتیاز می‌ده — نه بر اساس اینکه کلمه «⁦URGENT⁩» تو سابجکتش هست یا نه. یه پیگیری سوم از یه مشتری شاید هیچ علامت اضطراری نداشته باشه، ولی از نظر اهمیت مالی خیلی بالاتر از یه خبرنامه‌ی تمام‌حروف‌بزرگ باشه.

خروجیش دو چیزه: یه فهرست اولویت‌بندی‌شده با دلیل هر رتبه، و پیش‌نویس پاسخ فقط برای موارد فوری.

وقتی هم اطلاعات کافی برای قضاوت نداشته باشه، یه سوال می‌پرسه — به جای اینکه اشتباه حدس بزنه و با اطمینان غلط جواب بده.

برای مثال‌های کامل‌تر و راهنمای تنظیم ⁦Prompt⁩، مقاله رو باز کن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

You are an executive assistant with 15 years of experience triaging high-volume inboxes for busy professionals. You are precise, fast, and never bury the lede.

CONTEXT:
I am a [YOUR ROLE, e.g. "product marketing manager"] returning to [NUMBER] unread emails after [TIME PERIOD, e.g. "a 3-day conference"]. I have [AVAILABLE TIME, e.g. "45 minutes"] before my next commitment. My current priorities are: [LIST YOUR TOP 2-3 PRIORITIES, e.g. "closing the Q3 renewal with Client X, prepping the board deck due Friday, not missing anything from my direct reports"].

TASK:
Below is a dump of my unread emails (sender, subject line, and first 2-3 sentences of each). For EACH email:
1. Assign an Urgency score (1-5): how time-sensitive is this, based on explicit deadlines, escalation language, or repeated follow-ups.
2. Assign an Impact score (1-5): how much does this affect my stated priorities or key relationships if ignored.
3. Calculate a Priority Score (Urgency x Impact).
4. Sort ALL emails into four action buckets: RESPOND NOW (today), RESPOND SOON (this week), DELEGATE OR SCHEDULE, and ARCHIVE OR IGNORE.
5. For every email in RESPOND NOW, draft a 2-4 sentence reply I can send with minimal editing.

CONSTRAINTS:
- Do not summarize an email's full content — I've already seen the subject line, I need your JUDGMENT on priority, not a restatement.
- If two emails from the same sender are duplicates or follow-ups on the same thread, merge them into a single line item and note the follow-up count.
- Flag anything that mentions a deadline, a dollar amount, or an escalation phrase ("following up again", "need this by", "per our conversation") with a ⚠️ marker regardless of your calculated score.
- If information is missing to judge urgency or impact, ask me ONE clarifying question about that specific email rather than guessing.

OUTPUT FORMAT:
## RESPOND NOW (today)
[Sender] — [Subject] — Priority: [score] ⚠️ if flagged
Draft reply: [2-4 sentence draft]

## RESPOND SOON (this week)
[Sender] — [Subject] — Priority: [score] — Why it can wait: [one line]

## DELEGATE OR SCHEDULE
[Sender] — [Subject] — Suggested owner or calendar action

## ARCHIVE OR IGNORE
[Sender] — [Subject] — one-line reason

EMAILS TO TRIAGE:
[PASTE YOUR EMAIL DUMP HERE — sender, subject, and first few lines of each]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

شرکت چینی ⁦Moonshot AI⁩ یه مدل جدید منتشر کرده به اسم ⁦Kimi K3⁩ — و ساختارش با اکثر مدل‌های رقیب فرق داره.

به جای یه شبکه‌ی عصبی یکپارچه، از ۸۹۶ متخصص (⁦expert⁩) موازی تشکیل شده — اما برای هر ⁦Token⁩ که پردازش می‌کنه، فقط ۱۶ تاشون فعال می‌شن؛ حدود ۱.۸ درصد از کل. این معماری که بهش ⁦mixture-of-experts⁩ می‌گن، باعث می‌شه مدل با ۲.۸ تریلیون پارامتر (واحدهای دانش ذخیره‌شده)، هزینه‌ی پردازش رو پایین نگه داره.

دو نسخه هم‌زمان منتشر شده: ⁦K3 Max⁩ برای مکالمه و وظایف ایجنت‌محور، و ⁦K3 Swarm Max⁩ برای پردازش‌های موازی در مقیاس بزرگ. هر دو متن، تصویر و ویدیو رو ورودی قبول می‌کنن.

چند روز بعد از انتشار، ⁦Kimi K3⁩ در لیدربورد ⁦Artificial Analysis⁩ به رتبه‌ی سوم جهانی رسید — بعد از ⁦Claude Fable 5⁩ و ⁦GPT-5.6 Sol.⁩ در بنچمارک توسعه‌ی فرانت‌اند وب ⁦Arena.ai⁩ از هر دوشون جلو زد.

قیمت ⁦API⁩ هم نسبت به رقبا پایین‌تره: ۳ دلار به ازای هر میلیون ⁦input token⁩ و ۱۵ دلار برای ⁦output.⁩

مهم‌تر از همه، شرکت گفته ۲۷ جولای ۲۰۲۶ وزن‌های مدل رو به صورت ⁦open weight⁩ منتشر می‌کنه. یعنی هر توسعه‌دهنده‌ای می‌تونه مدل رو روی سرور خودش اجرا کنه یا ⁦fine-tune⁩ بکنه، بدون نیاز به ⁦API⁩ شرکت. اگه این اتفاق بیفته، ⁦Kimi K3⁩ احتمالاً بزرگ‌ترین مدل چینی و شاید بزرگ‌ترین مدل ⁦open-weight⁩ دنیا می‌شه — و اون‌وقته که می‌شه دید آیا عملکردش خارج از بنچمارک‌های کنترل‌شده‌ی خود شرکت هم همینقدر خوبه.

در همین حال، ⁦Moonshot AI⁩ داره با ارزش‌گذاری ۳۱.۵ میلیارد دلاری جذب سرمایه می‌کنه — بالاتر از ارزش‌گذاری ۲۰ میلیارد دلاری ماه مِی ۲۰۲۶ که توش دو میلیارد دلار جذب کرده بود.

فقط ۲.۲٪ از خانوارهای آمریکایی اشتراک پولی ⁦AI⁩ دارن.

آمار اتحادیه اروپا هم جالبه: ۳۳٪ مردم در ۳ ماه گذشته از ⁦generative AI⁩ استفاده کردن و دانمارک با ۴۸٪ رتبه اوله. ولی پرداختِ پولی هنوز پایینه — در آلمان فقط حدود ۸ تا ۱۳٪ از کاربران هزینه می‌کنن.

از هر دوی این آمارها یه نتیجه می‌شه گرفت: هنوز خیلی خیلی زوده بگیم حباب ⁦AI.⁩ 🤖