AI-UXer | طراحِ هوش‌محور

💠شروع پرامپت‌نویسی برای UX در ۶ گام اولیه برای هدایت و عملکرد بهینهٔ ChatGPT و یا Gemini یک فرمول و ساختار ۶ مرحله‌ای برای ایجاد درخواست‌های کامل (Prompting) وجود دارد تا هر کسی بتواند به‌راحتی درخواست‌های مناسب ایجاد کند. از این راهنما استفاده کنید تا…

💠شروع پرامپت‌نویسی برای UX در ۶ گام اولیه برای هدایت و عملکرد بهینهٔ ChatGPT و یا Gemini یک فرمول و ساختار ۶ مرحله‌ای برای ایجاد درخواست‌های کامل (Prompting) وجود دارد تا هر کسی بتواند به‌راحتی درخواست‌های مناسب ایجاد کند. از این راهنما استفاده کنید تا در ۶ گام ساده یک Prompt بهینه بنویسید: 1. وظیفه یا Task 2. زمینه یا Context 3. مثال‌ها یا Examples 4. شخصیت یا Character 5. قالب یا Format 6. لحن یا Tone گام آخر، سرهم‌بندی گام‌ها {مطالعهٔ مقاله در AIUXer} {آرتا مکبری هستم، کوچ طراح محصول}

🧠 آیا داریم زیادی به هوش مصنوعی وابسته می‌شیم؟ واقعیت ساده این است: هوش مصنوعی یک ابزار است، نه یک مغز جایگزین. اگر از آن برای تصمیم‌گیری به جای خودتان استفاده کنید، ذهن تنبل می‌شود. اگر از آن برای سرعت بخشیدن به پردازش اطلاعات خودتان استفاده کنید، مغزتان فعال‌تر هم می‌شود. قاعدهٔ طلاییِ ساده: ورودی شما، مشخص‌کنندهٔ خروجی هوش مصنوعی است. یعنی اگر سوال عمیق بپرسید، پاسخ عمیق می‌گیرید. اگر سوال سطحی بپرسید، ذهن خودتان را سطحی بار آورده‌اید. 🔮 ۳ قانون شفاف و کاربردی ۱. قانون ۵ ثانیه: قبل از اینکه سوال را تایپ کنید، ۵ ثانیه به ذهن خودتان فرصت فکر کردن بدهید. اگر جواب اولیه را داشتید، هوش مصنوعی فقط ویرایش‌کنندهٔ حرفه‌ای شماست، نه خالق فکرتان. ۲. قانون عقل سلیم: هیچ‌وقت پاسخ هوش مصنوعی را بدون «داوری ذهنی خودتان» قبول نکنید. همیشه از خودتان بپرسید: «آیا این منطقی است؟». اگر نه، پس اشکال از سوال شما بوده یا مدل، ولی در هر حال، تصمیم نهایی فقط با شماست. ۳. قانون هدف: از هوش مصنوعی برای «چگونه انجام دهم؟» استفاده کنید، نه برای «چه فکری کنم؟». اولی شما را قدرتمند می‌کند، دومی شما را به یک مصرف‌کنندهٔ منفعل تبدیل می‌کند. جمع‌بندی نهایی: وابسته شدن یا نشدن، یک انتخاب سادهٔ روزمره است. تا وقتی که شما افسار سوال‌ها را در دست دارید، هوش مصنوعی مطیع شماست. به محض اینکه افسار را رها کنید، او جای شما را می‌گیرد. سوال را درست بپرسید، ذهنتان در امان می‌ماند. همین. ✂️

📊 تحلیل نظرسنجی چند روز گذشته درباره اعتماد به محصولات طراحی‌شده با AI نتیجه نظرسنجی: 🟢 ۳۴٪ اعتماد کامل 🟡 ۳۵٪ اعتماد همراه با احتیاط ⚪ ۱۲٪ بدون تفاوت 🔴 ۱۹٪ عدم اعتماد چیزی که بیشتر از همه توجهمون رو جلب کرد، خودِ درصدها نبود، توزیع جواب‌ها بود و میشه به این اشاره کنیم که از نگاه روانشناسی، اعتماد یه چیز صفر و یکی نیست، یه طیفه. اینکه ۳۵٪ گفتن "اعتماد می‌کنم، ولی با احتیاط" یعنی خیلی از کاربرها وارد محصول میشن، ولی هم‌زمان دارن زیر ذره‌بین هم می‌ذارنش. توی طراحی محصول به این حالت میگیم Conditional Trust یا "اعتماد مشروط". یعنی کاربر توی چند دقیقه اول مدام دنبال نشونه می‌گرده که تصمیمش رو تأیید یا رد کنه. • اطلاعاتش دقیق به نظر می‌رسه؟ • خطاهای عجیب توش هست؟ • رفتار محصول قابل پیش‌بینیه؟ • حس می‌کنم حرفه‌ای ساخته شده یا نه؟ اگه جواب این سؤال‌ها مثبت باشه، اعتماد کم‌کم شکل می‌گیره. اگه نه، خیلی سریع از بین می‌ره. 💡برای همین، به نظر میاد برای کاربرها خیلی مهم نیست یه محصول با AI ساخته شده یا نه، مهم اینه که بتونه اعتمادشون رو حفظ کنه. و دقیقاً همین‌جاست که نقش طراح‌ها و مدیرهای محصول پررنگ‌تر از قبل می‌شه؛ چون اعتماد چیزی نیست که AI تولیدش کنه، بلکه حاصل صدها تصمیم درست توی طراحی تجربه کاربره. @uxschoolir

✅ عنوان‌ها در دیزاین عوض شده‌اند، ولی مسئله چیز دیگری است

🚀 معماری AI Agent به زبان ساده

✅ عنوان‌ها در دیزاین عوض شده‌اند، ولی مسئله چیز دیگری است چند سال پیش تخصص‌های ما بر اساس «چه چیزی می‌سازیم» تقسیم می‌شد: وب، موبایل، دسکتاپ. بعد بر اساس «کدام لایه»: UI، UX Research، Service Design. حالا به نظرم یک تقسیم‌بندی تازه در حال شکل‌گیری است، اما این‌بار ریشه‌اش جای دیگری است: جنس سیستمی که طراحی می‌کنیم عوض شده. تا دیروز ما رابط‌های قطعی (deterministic) طراحی می‌کردیم؛ کاربر دکمه را می‌زد و خروجی مشخص بود. امروز روی سیستمی کار می‌کنیم که خروجی‌اش احتمالی است، گاهی اشتباه می‌کند، گاهی خودش تصمیم می‌گیرد و گاهی به‌جای کاربر عمل می‌کند. هر عنوان جدیدی که این روزها (بخصوص در مارکت بین‌المللی) می‌بینیم، در واقع پاسخی به یک وجه از همین تغییر است. اگر دسته‌بندی‌شان کنیم، منطق‌شان روشن‌تر می‌شود: ۱. لایه تعامل: چطور با سیستم حرف می‌زنیم 🟡Multimodal Interaction Design وقتی ورودی و خروجی همزمان متن، صدا، تصویر و اشاره است، «صفحه» دیگر واحد طراحی نیست. 🟡Conversation Design (CxD) طراحی جریان گفت‌وگو، نه چیدمان عناصر. 🟡Voice UX (VUX/VUI) طراحی برای جایی که هیچ چیزی دیده نمی‌شود. 🟡Agent Experience (AX) مهم‌ترین پرسش تازه‌ی این حوزه: عامل کجا خودش اقدام کند، کجا اجازه بگیرد، و کجا کنترل را به آدم برگرداند. ۲. لایه اعتماد: چرا کاربر باید حرف سیستم را باور کند 🟡Human-AI Interaction (HAII) چارچوب علمیِ زیر همه‌ی این حوزه‌ها. 🟡AI Feedback Design بازخورد کاربر دیگر فقط نظرسنجی نیست؛ سوخت بهبود مدل است. 🟡Trust & Explainability Design طراحی برای «اعتماد کالیبره‌شده»؛ نه اعتماد کور، نه بی‌اعتمادی کامل. 🟡Error & Uncertainty Design طراحی برای لحظه‌ای که مدل اشتباه می‌کند. این دیگر یک حالت لبه (edge case) نیست، یک حالت عادی است. ۳. لایه سنجش: از کجا بفهمیم کار می‌کند 🟡AI UX Evaluation معیارها عوض شده‌اند: کیفیت خروجی، نرخ اصلاح توسط کاربر، میزان واگذاری کار به سیستم؛ نه صرفاً نرخ تکمیل تسک. 🟡AI UI Accessibility رابط‌های تولیدشونده و متغیر، دسترس‌پذیری را از یک چک‌لیست ثابت به یک مسئله‌ی پویا تبدیل کرده‌اند. ۴. لایه ساخت: فاصله‌ی طراحی تا محصول 🟡AI Native Product Design محصولی که از روز اول حول قابلیت‌های مدل ساخته شده، نه محصولی که AI بعداً به آن اضافه شده. تفاوت در ظاهر نیست، در معماری تصمیم است: اینجا مدل یکی از اجزای اصلی محصول است، نه یک قابلیت جانبی در گوشه‌ی رابط. 🟡Design Engineer پروتوتایپِ یک تجربه‌ی مبتنی بر مدل، با ابزارهای استاتیک قابل نمایش نیست. باید ساختش. 🟡Context Design فراتر از prompt: تصمیم درباره‌ی اینکه سیستم چه چیزی را، چه زمانی، درباره‌ی کاربر بداند. ۵. لایه سیستم و سازمان: جایی که کمتر درباره‌اش حرف می‌زنیم 🟡AI Service Design وقتی AI در چند نقطه از سفر مشتری / کارکنان می‌نشیند، مسئله سیاست‌گذاریِ تجربه است. 🟡Responsible AI / AI Governance حکمرانی داده و مدل، دارد به یک «محدودیت طراحی» تبدیل می‌شود، درست مثل محدودیت فنی یا بودجه. و دو نکته که فکر می‌کنم مهم‌تر از خودِ فهرست است: ✅اول: این‌ها دوازده شغل مجزا نیستند. دوازده سطح تخصص روی یک پایه‌ی مشترک‌اند: پژوهش، قاب‌بندی درست مسئله و تفکر سیستمی. هر کدام از این عنوان‌ها بدون آن پایه، فقط یک برچسب است. ✅دوم: عنوان جدید بدون تغییر در جنسِ کار، چیزی جز تورم رزومه نیست. تفاوت واقعی آنجاست که شما شروع کنید به طراحی برای رفتار یک سیستم، نه برای ظاهر یک صفحه. ✔️ سؤالی که برای خودم هم باز است: از این فهرست، کدام‌ها را واقعاً در آگهی‌های شغلی بازار ایران دیده‌اید؟ فرض کنیم عنوان‌ها آمدند و تغییر کردند. خودِ سازمان‌ها چقدر برای این تغییر آماده‌اند؟ آیا نیاز واقعی‌شان را شناخته‌اند، یا عنوانی را از بازار جهانی کپی کرده‌اند بدون اینکه بدانند این نقش قرار است چه مسئله‌ای را در سازمانشان حل کند؟ به نظرم اضافه‌کردن «AI» به ابتدای یک عنوان شغلی، ساده‌ترین بخش ماجراست. #بازارکار #طراحی_محصول #هوش_مصنوعی #آینده_دیزاین 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 معماری AI Agent به زبان ساده این روزها همه درباره AI Agentها صحبت می‌کنند. اما کمتر کسی می‌تواند به زبان ساده توضیح دهد که داخل یک AI Agent واقعا چه اجزایی وجود دارد و چگونه کار می‌کند. این اینفوگرافیک دقیقا همین موضوع را نشان می‌دهد؛ و وقتی اجزای آن را بشناسید، بهتر متوجه می‌شوید که نقاط شکست این سیستم‌ها کجاست. یک AI Agent یک جزء واحد نیست؛ بلکه از بخش‌های مختلف تشکیل شده که در کنار هم کار می‌کنند. ⚡️هسته (Core) 🟡مدل زبانی بزرگ (LLM) مغز سیستم است. درخواست را تحلیل می‌کند، استدلال می‌کند و تصمیم می‌گیرد چه کاری انجام شود. اما یک مغز، بدون حافظه، ابزار و داده، هرچقدر هم قدرتمند باشد، محدود است. ⚡️آنچه مدل را تغذیه می‌کند 🟡 بخش اول RAG: نقش کتابخانه را دارد. پیش از پاسخ‌دادن، اسناد و اطلاعات مرتبط را پیدا می‌کند تا پاسخ بر پایه داده‌های واقعی باشد، نه حدس. 🟡 بخش دوم Memory: دفترچه یادداشت عامل است. تعاملات قبلی، ترجیحات و اطلاعات لازم را به خاطر می‌سپارد تا هر بار از نقطه صفر شروع نکند. ⚡️نحوه عمل کردن 🟡بخش اول Tools: دست‌های عامل هستند. جستجو، ارسال ایمیل، اجرای کد، انجام گردش‌کارها و هر اقدامی که باعث می‌شود عامل فقط پاسخ ندهد، بلکه عمل هم بکند. 🟡 بخش دوم MCP (Model Context Protocol): یک رابط استاندارد برای اتصال عامل به سیستم‌های مختلف است؛ از CRM گرفته تا پایگاه داده و انواع نرم‌افزارها. 🟡بخش سوم A2A (Agent-to-Agent): مسیر ارتباط بین عامل‌هاست. به کمک آن، عامل‌ها می‌توانند وظایف را بین خود تقسیم کنند، نه اینکه یک مدل همه کارها را انجام دهد. ⚡️تیم عامل‌ها / در سیستم‌های پیشرفته، عامل‌ها تخصصی می‌شوند: 🟡عامل پژوهش، اطلاعات را جمع‌آوری می‌کند. 🟡عامل برنامه‌ریزی، تصمیم می‌گیرد. 🟡عامل اجرا، عملیات را انجام می‌دهد. 🟡عامل بازبینی، نتیجه را کنترل می‌کند. چهار نقش متفاوت که به‌صورت موازی برای یک هدف مشترک فعالیت می‌کنند. اینفوگرافیک: Greg Coquillo 👑 نکته مهم: آشنایی با معماری AI Agentها به طراحان محصول و خدمات پیشرو کمک می‌کند تا به‌جای طراحی صرفِ رابط کاربری، سیستم‌های هوشمند قابل اعتماد، قابل کنترل و شفاف طراحی کنند. #ایجنت #هوش_مصنوعی #محصول #طراحی_محصول 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

💠کالاوار شدن و پهن شدن پنکیک‌وارِ رشتهٔ UX: واقعیت AI را بپذیرید و مسیرهای شغلی جدیدی را برنامه‌ریزی کنید این مقاله توضیح می‌دهد که رشته UX با ادغام هوش مصنوعی و تغییر به سمت «تخصص‌های توزیع‌شده» در حال تحول است. مفهوم «پهن شدن پنکیک‌وار UX» نشان‌دهنده گسترش تخصص UX در سراسر سازمان به جای تمرکز در تیم‌های محدود است. هوش مصنوعی بهره‌وری و خلاقیت را افزایش داده و شکاف مهارت‌ها را کاهش می‌دهد، که می‌تواند منجر به افزایش تعداد «تک‌شاخ‌های UX» شود. هزینه‌های UX نیز کاهش می‌یابد و UX به‌عنوان یک کالا در دسترس‌تر می‌شود، که باعث می‌شود تعداد بیشتری از شرکت‌ها به استفاده از آن روی آورند. رویای رسیدن به مقام «مدیرکل بزرگ» در رأس هرم متمرکز UX را رها کنید و شروع به برنامه‌ریزی برای رسیدن به جایگاه «معمار UX» کنید و توانایی خود را برای کار به‌صورت توزیع‌شده پرورش دهید. رشته UX در حال ذوب شدن است، اما به شکلی مثبت. ما در حال تَرک برج عاج و زندگی در میان مردم هستیم و برخی از نخبگان قدیمی UX از بوی روستا خوششان نمی‌آید. {مطالعه در Uxtigers} {مطالعهٔ مقاله در AIUXer} {مطالعهٔ ۲۴ نکته در AIUXer} #شغل #آیندهAI @aiuxer

عنوان مقاله: مهاجرت از فیگما به هوش مصنوعی؟ هنوز زود است! تأليف: آرتا مکبری ابزارهای طراحی مبتنی بر هوش مصنوعی، این روزها حسابی سر و صدا کرده‌اند. خیلی‌ها فکر می‌کنند که با یک پرامپت ساده، می‌توانند فیگما را کنار بگذارند و مستقیماً وارد فاز اجرا شوند. اما واقعیت چیز دیگری است. در این مقاله، نگاهی عمیق به جایگاه فعلی AI در فرایند طراحی محصول می‌اندازیم و مرزهای استفاده درست از آن را مشخص می‌کنیم. راهنمای جامع ۳۳ مهندسی چهارچوب شناختی برای پرامپ‌نویسی {آرتا مکبری هستم، کوچ طراح محصول}

🧧استفاده از دانش UX برای هدایت طراحی تولیدشده توسط هوش مصنوعی NN/g «طراحی UX-Context ممکن است آینده‌ی کار تحقیق و طراحی باشد.» مقاله با این ایده شروع می‌شود که Context (بافتار) کلید تفاوت بین خروجی‌های عمومی هوش مصنوعی و خروجی‌های متناسب با نیازهای خاص یک…

این دوره هم فوق‌العاده روانه برای طراحان محصول که علاقه به Vibe Coding و راه‌اندازی پروژه و MCP سرور در Cluade دارند: دوره Claude: پرامپت، Skills ،MCP ،Claude Code ،Cowork و موارد دیگر انتشارات: Udemy مدرس: Being Commerce مدت زمان: ۱۳ ساعت لینک ثبت‌نام…

عنوان مقاله: مهاجرت از فیگما به هوش مصنوعی؟ هنوز زود است! تأليف: آرتا مکبری مقدمه ابزارهای طراحی مبتنی بر هوش مصنوعی، این روزها حسابی سر و صدا کرده‌اند. خیلی‌ها فکر می‌کنند که با یک پرامپت ساده، می‌توانند فیگما را کنار بگذارند و مستقیماً وارد فاز اجرا شوند. اما واقعیت چیز دیگری است. در این مقاله، نگاهی عمیق به جایگاه فعلی AI در فرایند طراحی محصول می‌اندازیم و مرزهای استفاده درست از آن را مشخص می‌کنیم. --- ۱. هوش مصنوعی عالی است، اما برای چه؟ بیایید صادق باشیم: ابزارهای AI برای تولید ویژوال‌های اولیه و پروتوتایپ‌های سریع واقعاً فوق‌العاده‌اند. یک لندینگ‌پیج را درخواست می‌دهید و ۳۰ ثانیه بعد، یک خروجی تمیز و حرفه‌ای مقابل شماست. این دقیقاً همان چیزی است که سال‌ها منتظرش بودیم. اما اشتباه بزرگ اینجاست که بسیاری فکر می‌کنند: «پس فیگما دیگر لازم نیست. این ویژوال را می‌گیرم و پروژه را روی آن می‌سازم.» --- ۲. وقتی پروژه کوچک است، همه چیز خوب به نظر می‌رسد تا وقتی پروژه‌تان یک صفحه یا یک نمونه‌ی اولیه است، مشکلی ندارید. اما به محض اینکه مقیاس وارد می‌شود – چندین صفحه، چند تیم، چند نسخه – این ویژوال‌های زیبا شروع به تَرَک برداشتن می‌کنند. پیشنهاد من: با AI ایده‌پردازی و اتود بزنید، اما پروژه‌ی نهایی را در فیگما جلو ببرید. --- ۳. تفاوت ذاتی: Visual در برابر Structure ابزارهای هوش مصنوعی عمدتاً روی لایه‌ بصری (Visual) کار می‌کنند؛ یعنی ظاهر و رنگ و چیدمان. اما یک پروژه‌ بزرگ به ساختار (Structure) نیاز دارد: · کامپوننت (Component) · واریانت (Variant) · اتو‌لایه‌اوت (Auto Layout) · توکن‌های طراحی (Design Token) · سیستم طراحی (Design System) بدون این لایه‌ها، خروجی AI در یک پروژه‌ مقیاس‌پذیر عملاً پوچ است. --- ۴. پلاگین‌ها هم راه‌حل نیستند! بعضی فکر می‌کنند با تبدیل خروجی HTML یا SVG به فیگما از طریق پلاگین، مشکل حل می‌شود. تجربه‌ی من نشان داده که ظاهر تا حدی حفظ می‌شود، اما: · کامپوننتی وجود ندارد · توکنی نیست · قابل توسعه نیست در واقع شما یک تصویر قابل ویرایش دارید، نه یک فایل محصول‌محور (Product Design). خروجی AI بیشتر به دردنمایش دمو یا ساخت پروتوتایپ می‌خورد. --- ۵. پس مشکل از AI نیست؛ مشکل مرحله‌ی استفاده است این ابزارها امروز برای این کارها عالی‌اند: · ایده‌گرفتن سریع · پروتوتایپ اولیه · نشان دادن کانسپت به تیم اما آماده نیستند برای: · پروژه‌ای که قرار است اسکیل شود · تیمی که به دیزاین‌سیستم نیاز دارد تفاوت دیزاینر حرفه‌ای و دیزاینر تازه‌کار، در مدل ذهنی و عملیاتی آن‌هاست. --- ۶. خودت نقش خودت را حذف نکن چیزی که یک Product Designer را از یک ماشین تولیدکننده‌ی تصویر جدا می‌کند، لایه‌ی پنهان پشت دیزاین است. هوش مصنوعی امروز این لایه را نمی‌سازد؛ تو می‌سازیش. پس از AI برای جرقه‌های اولیه استفاده کن، اما ساختار، انسجام و مقیاس‌پذیری را خودت در فیگما پیاده‌کن. این همان هنر و تخصصی است که جایگزین ندارد. --- جمع‌بندی ⭕️ مهاجرت از فیگما به AI، هنوز یک شعار زودهنگام است. ابزارهای جدید را به‌عنوان دستیار بپذیر، نه جایگزین. با هماهنگی درست، می‌توانی سرعت ایده‌پردازی را بالا ببری و در عین حال، کیفیت نهایی را با مهارت انسانی تضمین کنی. راهنمای جامع ۳۳ مهندسی چهارچوب شناختی برای پرامپ‌نویسی {آرتا مکبری هستم، کوچ طراح محصول}

Bahman Behrad – Joz To

تقدیم شما جانانَم

📌 از پرسش تا کشف؛ راهنمای جامع ۳۳ چارچوب پرامپت‌نویسی و مهندسی مدل تفکری برای عصر AI در شروع هزاره‌ی سوم، بشر با ابزاری روبرو شده که نه از جنس آهن است و نه از جنس شعله؛ از جنس «بیان» است. ما در برهه‌ای زیست می‌کنیم که فاصله‌ میان یک ایده‌ درخشان و خروجیِ مهندسی‌شده، دیگر به کدنویسی یا منابع مالی گره نخورده است، بلکه به کیفیت پرسش ما وابسته شده است. ماشین‌های زبانی مانند کلود، جیمینای و چت‌جی‌پی‌تی، آیینه‌ تمام‌نمای ذهن ما هستند؛ اگر پرسشی مبهم و آشفته به آنها تقدیم کنیم، پاسخی آشفته‌تر دریافت می‌کنیم و اگر از چارچوب‌های تفکر بشری برای هدایتشان استفاده کنیم، به شگفت‌انگیزترین عمق‌های تحلیل دست خواهیم یافت. اما تفکر خود، بی‌ساختارترین پدیده‌ جهان است. به همین دلیل است که فیلسوفان، دانشمندان و استراتژیست‌های بزرگ، طی سده‌ها، مدل‌هایی برای نظم‌بخشی به آشوب ذهن ابداع کرده‌اند. در این مقاله، نه فقط با تکنیک‌های سطحی پرامپت‌نویسی آشنا خواهید شد، بلکه سفری به قلب مهندسی شناخت خواهید داشت. از «تیغ اورکام» تا «نردبان استدلال»، و از «تئوری محدودیت‌ها» تا «استراتژی اقیانوس آبی»؛ این ۳۳ ابزار ذهنی، کلیدهایی هستند که قفل درهای بسته‌ مسئله‌های شما را خواهند گشود. با من همراه باشید تا هنر «تفکر ساختاریافته» را در عصر ماشین‌های سخنگو، بار دیگر احیا کنیم. بخش اول: تکنیک‌های ساختاردهی پرامپت (۶ مورد) ۱. Basic Prompting (پرامپت نویسی پایه) ۲. Structured Prompting (پرامپت نویسی ساختاریافته) ۳. Adaptive Prompting (پرامپت نویسی تطبیقی) ۴. Conversational Prompting (پرامپت نویسی مکالمه‌ای) ۵. Attention Engineering (مهندسی توجه) ۶. Cognitive Framework Engineering (مهندسی چارچوب شناختی) بخش دوم: مدل‌ها و چارچوب‌های تفکر استراتژیک (۲۷ مورد) ۷. First Principles Thinking (تفکر اولین اصول) ۸. Inversion (تفکر معکوس) ۹. Second-Order Thinking (تفکر مرتبه دوم) ۱۰. Six Thinking Hats (شش کلاه تفکر) ۱۱. Pareto Principle / 80/20 (اصل پارتو) ۱۲. Cynefin Framework (چارچوب سای‌نفین) ۱۳. PDCA / Deming Cycle (چرخه دمینگ) ۱۴. Occam's Razor (تیغ اورکام) ۱۵. Eisenhower Matrix (ماتریس آیزنهاور) ۱۶. SWOT Analysis (تحلیل سوات) ۱۷. SCAMPER (اسکمپر) ۱۸. Ladder of Inference (نردبان استدلال) ۱۹. Pre-mortem (پیش‌مرگ‌اندیشی) ۲۰. Circle of Competence (دایره شایستگی) ۲۱. Systems Thinking (تفکر سیستمی) ۲۲. Golden Circle (دایره طلایی) ۲۳. 5 Whys (روش ۵ چرا) ۲۴. Design Thinking (تفکر طراحی) ۲۵. SMART Framework (چارچوب هدف‌گذاری هوشمند) ۲۶. RICE Framework (چارچوب اولویت‌بندی RICE) ۲۷. Probabilistic Thinking (تفکر احتمالاتی) ۲۸. Win-Win Approach (رویکرد برد-برد) ۲۹. Deductive & Inductive Reasoning (استدلال قیاسی و استقرایی) ۳۰. Hanlon's Razor (تیغ هنلون) ۳۱. Parkinson's Law (قانون پارکینسون) ۳۲. 10/10/10 Rule (قاعده ۱۰/۱۰/۱۰) ۳۳. Circle of Concern/Influence (دایره دغدغه و نفوذ - مدل کاوی) {مطالعه مقاله} {آرتا مکبری هستم، کوچ طراح محصول}

این دوره هم فوق‌العاده روانه برای طراحان محصول که علاقه به Vibe Coding و راه‌اندازی پروژه و MCP سرور در Cluade دارند: دوره Claude: پرامپت، Skills ،MCP ،Claude Code ،Cowork و موارد دیگر انتشارات: Udemy مدرس: Being Commerce مدت زمان: ۱۳ ساعت لینک ثبت‌نام در Git.ir

۷ سطح استفاده از کلاد این کتاب وارد سطح ۳ تا ۷ می‌شه مطالعه کنید: Master Claude In One Week. The complete system for connecting your apps, killing repetitive work, and turning an AI chatbot into something that actually finishes tasks while you sleep. https://t.me/aiuxer/176

The Claude Playbook.pdf

Master Claude In One Week. The complete system for connecting your apps, killing repetitive work, and turning an AI chatbot into something that actually finishes tasks while you sleep. For the 99% who open Claude, type a question, copy the answer, and close the tab — and have no idea they left 90% of the product untouched. این کتاب هم برای استفاده از کلاد نوشته شده فهرست کتاب گویای محتواست. You don't have a prompting problem. You have a setup problem. {آرتا مکبری هستم، کوچ طراح محصول}