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.⁩ 🤖

اگه سایت وردپرسی دارید یا مدیر یه سرور هستید، این خبر مستقیم به شما مربوطه.

یه زنجیره آسیب‌پذیری به اسم ⁦wp2shell⁩ تو هسته اصلی وردپرس پیدا شده. ترکیبی از دو باگ مجزاست که با هم می‌ذارن یه نفر کاملاً ناشناس — بدون هیچ اکانت یا دسترسی قبلی — روی سرور شما هر دستوری بخواد اجرا کنه. پلاگین خاصی هم لازم نیست نصب باشه؛ یه نصب پیش‌فرض وردپرس کافیه. وردپرس می‌گه بیشتر از ۵۰۰ میلیون سایت روی این پلتفرم کار می‌کنن.

دو باگ با هم ترکیب شدن: اولی (⁦CVE-2026-63030⁩) از نسخه ۶.۹ وردپرس هست و مربوط به نحوه پردازش درخواست‌های دسته‌ای ⁦API⁩ هست. دومی (⁦CVE-2026-60137⁩) یه ⁦SQL injection⁩ هست — یعنی مهاجم می‌تونه دستورات مخرب رو مستقیم به پایگاه داده سایت تزریق کنه. تنها با یکی نمی‌شه به اجرای کد رسید؛ ترکیب این دوتاست که خطرناکه.

نسخه‌های ۶.۹.۰ تا ۶.۹.۴ و ۷.۰.۰ تا ۷.۰.۱ در معرض حمله کامل هستن. سایت‌هایی که روی ۶.۸.⁦x⁩ موندن فقط به ⁦SQL injection⁩ آسیب‌پذیرن، نه به اجرای کد از راه دور.

بعد از اینکه اطلاعات فنی منتشر شد، کدهای ⁦exploit⁩ روی ⁦GitHub⁩ آپلود شدن و شرکت امنیتی ⁦watchTowr⁩ تأیید کرده که حملات واقعی هم شروع شده.

وردپرس سریع عمل کرده: نسخه‌های ۷.۰.۲ و ۶.۹.۵ پچ شدن و آپدیت اتوماتیک اجباری رو برای نصب‌های آسیب‌پذیر فعال کردن — یعنی خیلی از سایت‌ها بدون دخالت مدیر آپدیت می‌شن. شرکت ⁦Cloudflare⁩ هم برای همه پلن‌هاش، از جمله اکانت‌های رایگان، قوانین فایروال برای جلوگیری از این حملات رو فعال کرده، هرچند خودشون تأکید کردن که این جایگزین آپدیت نیست.

اگه هنوز آپدیت نکردید، به ۷.۰.۲ یا ۶.۹.۵ برید. اگه نمی‌تونید الان این کارو بکنید، مسیر /⁦wp-json/batch/v1⁩ رو تو فایروال یا سرورتون بلاک کنید. چون ⁦exploit⁩‌ها عمومی شدن و حملات واقعی هم شروع شده، این دیگه یه باگ معمولی نیست که بشه گذاشت برای بعد.

چند خبر مهم از دنیای ⁦AI⁩ که این هفته سروصدا کردن:

🔸 شرکت ⁦OpenAI⁩ پنجره ⁦Context⁩ مدل ⁦Codex⁩ رو از ۳۷۲ هزار به ۲۷۲ هزار ⁦Token⁩ کاهش داد — بدون هیچ اطلاع قبلی. توسعه‌دهنده‌ها حسابی شاکی شدن چون پروژه‌های بزرگ دیگه توی یه ⁦Context⁩ جا نمی‌شن. این اتفاق دقیقاً همزمان با دعوای حقوقی ⁦Apple⁩ با ⁦OpenAI⁩ افتاده.

🔸 شرکت ⁦Alibaba⁩ اعلام کرد مدل ⁦Qwen3.8⁩ به زودی به صورت ⁦open-weight⁩ منتشر می‌شه. این مدل با ۲.۴ تریلیون پارامتر ادعا می‌کنه فقط از ⁦Fable 5⁩ عقب‌تره و با بقیه مدل‌های ⁦frontier⁩ رقابت می‌کنه.

🔸 شرکت ⁦Moonshot AI⁩ مدل ⁦Kimi K3⁩ رو به صورت ⁦open-source⁩ منتشر کرد — همزمان با سخنرانی رئیس‌جمهور ⁦Xi Jinping⁩ در کنفرانس ⁦AI⁩ شانگهای. شاخص ⁦Nasdaq⁩ حدود ۱٪ افت کرد چون سرمایه‌گذارا سهام شرکت‌های چیپ مثل ⁦Nvidia⁩ رو فروختن.

🔸 یه سازمان غیرانتفاعی به اسم ⁦Current AI⁩ با جذب ۴۰۰ میلیون دلار از دولت فرانسه، ⁦Ford Foundation⁩، ⁦MacArthur⁩ و ⁦DeepMind⁩ داره زیرساخت باز ⁦AI⁩ رو می‌سازه. اولین پروژه‌هاشون در کنیا، لبنان و جنگل‌های آمازون با زبان‌های بومی کار می‌کنن. ایده اصلی‌شون اینه که ⁦AI⁩ باید مثل وب اولیه برای همه رایگان و باز باشه.

یه پرامپت که یه مطلب وبلاگ رو می‌گیره و تبدیل می‌کنه به ۱۰ پست واقعاً متفاوت برای شبکه‌های اجتماعی — نه ۱۰ بار بازنویسیِ همون تیتر.

مشکلِ اصلیِ اکثر تیم‌ها اینه که بعد از ۲ تا ۳ پست ایده‌شون تموم می‌شه، چون دارن تیتر رو بازنویسی می‌کنن نه اینکه از دلِ مقاله زوایای مجزا بیرون بکشن. این پرامپت مدل رو مجبور می‌کنه ۱۰ آمار، نقل‌قول، یا نکته‌ی متفاوت استخراج کنه.

برای هر پست، فرمتِ همون پلتفرم رو رعایت می‌کنه و یه قلابِ روان‌شناختی تعیین می‌کنه — شوکِ آماری، ادعای خلافِ انتظار، اثباتِ اجتماعی — تا همه‌شون از یه جنس نشن.

لازمه یه بار لحنِ برند، پلتفرم‌ها و مخاطبت رو بهش بدی، بعد هر پست رو متناسب با همون پلتفرم تنظیم می‌کنه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior social media content strategist who has repurposed long-form content for [YOUR INDUSTRY] brands for over a decade.

CONTEXT:
I've just published the following blog post/article:
[PASTE FULL BLOG POST TEXT HERE]

My brand voice is: [DESCRIBE BRAND VOICE, e.g. "direct, data-driven, occasionally irreverent"]
My primary social platforms are: [LIST PLATFORMS, e.g. "LinkedIn, X/Twitter, Instagram"]
My target audience is: [DESCRIBE AUDIENCE, e.g. "mid-level marketing managers at B2B SaaS companies"]

TASK:
Extract 10 distinct, non-repetitive angles from this article and turn each into a platform-appropriate social post. Each post must highlight a DIFFERENT idea, stat, quote, or takeaway from the source material — not the same headline reworded 10 times.

CONSTRAINTS:
- Do not simply summarize the article title in 10 different ways
- Each post must lead with a hook in the first line: a question, a surprising stat, a contrarian claim, or a specific number
- Match platform norms: LinkedIn posts 150-300 words with line breaks; X/Twitter posts under 280 characters; Instagram captions 100-150 words with a clear call-to-action
- Include a suggested visual/image concept for each post
- Flag the 2-3 posts with the highest viral/engagement potential and explain why

OUTPUT FORMAT:
For each of the 10 posts, provide:
1. Platform
2. Hook (first line)
3. Full post copy
4. Suggested visual
5. Psychological angle used (curiosity gap, social proof, controversy, data shock, etc.)

End with a ranked list of the top 3 posts by predicted engagement, with reasoning for each.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

مرور هفتگی اکثر آدم‌ها شبیه یه خلاصه‌ی بی‌طرف می‌شه — «این کارها رو کردم، اون جلسه‌ها رو داشتم» — بدون اینکه کسی قضاوت کنه این وقت واقعاً کجا رفت.

این ⁦Prompt⁩ یه قدم فراتر می‌ره: از ⁦AI⁩ می‌خواد فعالیت‌های هفته گذشته‌ات رو با اولویت‌های واقعی‌ات مقایسه کنه، یه الگویی که خودت بهش توجه نکردی رو برجسته کنه، و برای هفته پیش رو یه لیست اولویت‌بندی‌شده با تعداد محدود بسازه.

خروجی: نه یه لیست ۱۵ تایی که همه‌شون «اولویت» دارن، بلکه چند آیتم واقعی با دلیل.

ورودی رو هم می‌تونی خام بدی — یادداشت‌های پراکنده، ایمیل‌ها، هر چیزی. هر چقدر درهم‌تر باشه، تحلیل دقیق‌تره.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as an executive coach who specializes in weekly planning and priority-setting for [YOUR ROLE, e.g. "a mid-level product manager"].

CONTEXT:
Here is what I actually did last week (tasks completed, meetings held, decisions made, things that came up unexpectedly): [PASTE YOUR ROUGH NOTES, CALENDAR EXPORT, OR TASK LIST FROM LAST WEEK]

Here are my goals and commitments for this week: [LIST THIS WEEK'S GOALS, DEADLINES, AND KNOWN COMMITMENTS]

My role's top 3 priorities for this quarter are: [LIST YOUR QUARTERLY OR OKR-LEVEL PRIORITIES]

TASK:
Produce a structured weekly review that does three things:
1. Score last week against my quarterly priorities — what I did that actually moved the needle vs. what consumed time without advancing anything that matters
2. Surface at least one blind spot: a task, meeting, or recurring pattern from last week that I likely didn't notice was working against my priorities
3. Convert this week's goals and commitments into a ranked priority list, accounting for what's genuinely urgent vs. what only feels urgent

CONSTRAINTS:
- Do not just restate what I did last week back to me — evaluate it against the stated priorities
- Be direct about time that was wasted or misallocated, even if that means contradicting how productive the week felt
- Rank this week's items using a clear method (e.g. impact vs. effort, or urgency vs. importance) and state the method used
- Limit the output to what fits on one page — if there are more than 7 priority items, force a cut and explain what got deprioritized and why
- Flag anything on this week's list that conflicts with or duplicates another item

OUTPUT FORMAT:
1. **Last Week Scorecard** — 3-5 bullet points: what moved the needle, what didn't, one blind spot
2. **This Week's Ranked Priorities** — numbered list (max 7), each with a one-line reason for its rank
3. **Cut List** — anything deprioritized or removed, with a one-line reason
4. **One Question to Ask Yourself Friday** — a single forward-looking check to evaluate whether this week actually went well

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇