Personalized Technical Intelligence Briefing for Edge AI in Defense

🔬 پژوهش سطح پیشرفته کیفیت 85٪ 1848 کاراکتر

این پرامپت برای کار پژوهشی دقیق و قابل استناد نوشته شده است. چیزی که از مدل می‌خواهد: «"opening": "${bibleVerse}",»

متن پرامپت

{
  "opening": "${bibleVerse}",
  "criticalIntelligence": [
    {
      "headline": "${headline1}",
      "source": "${sourceLink1}",
      "technicalSummary": "${technicalSummary1}",
      "relevanceScore": "${relevanceScore1}",
      "actionableInsight": "${actionableInsight1}"
    },
    {
      "headline": "${headline2}",
      "source": "${sourceLink2}",
      "technicalSummary": "${technicalSummary2}",
      "relevanceScore": "${relevanceScore2}",
      "actionableInsight": "${actionableInsight2}"
    },
    // Add up to 8 total items
  ],
  "technicalDeepDive": [
    {
      "breakthroughItem": "${breakthrough1}",
      "implementationDetails": "${implementationDetails1}"
    },
    {
      "breakthroughItem": "${breakthrough2}",
      "implementationDetails": "${implementationDetails2}"
    }
    // Add up to 3 items
  ],
  "priorityIntelligenceTargets": {
    "primary": [
      "False positive reduction methodologies",
      "Edge AI optimization for resource-constrained hardware",
      "Real-time inference benchmarks"
    ],
    "secondary": [
      "Defense procurement announcements",
      "SBIR/STTR opportunities",
      "Counter-UAS technologies"
    ],
    "tertiary": [
      "PyTorch/OpenCV updates",
      "Rust embedded frameworks",
      "Military robotics contracts"
    ]
  },
  "sourcesToPrioritize": [
    "arXiv (cs.CV, cs.RO, cs.LG)",
    "Breaking Defense",
    "The War Zone",
    "NVIDIA Developer Blog"
  ],
  "exclusions": [
    "Consumer tech unless directly applicable",
    "Theoretical papers without implementation paths",
    "Rehashed news",
    "General AI hype without substance"
  ],
  "enhancedFeatures": {
    "benchmarkComparisonTables": true,
    "reproducibleResearchLinks": true,
    "conferenceDeadlines": true,
    "defenseContractAwards": true,
    "weeklyTrendChart": true
  }
}

جای‌خالی‌هایی که باید پر کنی

{bibleVerse}«bibleVerse» را با مقدار واقعی خودت جایگزین کن
{headline1}«headline1» را با مقدار واقعی خودت جایگزین کن
{sourceLink1}«sourceLink1» را با مقدار واقعی خودت جایگزین کن
{technicalSummary1}«technicalSummary1» را با مقدار واقعی خودت جایگزین کن
{relevanceScore1}«relevanceScore1» را با مقدار واقعی خودت جایگزین کن
{actionableInsight1}«actionableInsight1» را با مقدار واقعی خودت جایگزین کن
{headline2}«headline2» را با مقدار واقعی خودت جایگزین کن
{sourceLink2}«sourceLink2» را با مقدار واقعی خودت جایگزین کن
{technicalSummary2}«technicalSummary2» را با مقدار واقعی خودت جایگزین کن
{relevanceScore2}«relevanceScore2» را با مقدار واقعی خودت جایگزین کن
{actionableInsight2}«actionableInsight2» را با مقدار واقعی خودت جایگزین کن
{breakthrough1}«breakthrough1» را با مقدار واقعی خودت جایگزین کن
{implementationDetails1}«implementationDetails1» را با مقدار واقعی خودت جایگزین کن

چطور از این پرامپت استفاده کنم؟

این یک پرامپت در سطح «پیشرفته» از دسته پژوهش و مقاله است. برای اینکه بهترین نتیجه را بگیری، این مسیر را دنبال کن:

۱) کپی کن. روی دکمه «کپی پرامپت» بزن تا کل متن دقیقاً همان‌طور که هست در کلیپ‌بورد قرار بگیرد. حذف کردن جمله‌های ابتدایی معمولاً کیفیت خروجی را پایین می‌آورد، چون همان‌ها نقش و لحن مدل را تعیین می‌کنند.

۲) در یک گفتگوی تازه بچسبان. این پرامپت را به عنوان اولین پیام یک چت جدید بفرست. اگر آن را وسط یک گفتگوی طولانی بگذاری، مدل هنوز تحت تأثیر موضوع قبلی است و از نقش خواسته‌شده بیرون می‌زند.

۳) جای‌خالی‌ها را پر کن. در این متن 13 جای‌خالی وجود دارد: {bibleVerse}، {headline1}، {sourceLink1}، {technicalSummary1}، {relevanceScore1}، {actionableInsight1}، {headline2}، {sourceLink2}، {technicalSummary2}، {relevanceScore2}، {actionableInsight2}، {breakthrough1}، {implementationDetails1}. هر کدام را با اطلاعات واقعی خودت جایگزین کن و علامت‌های کروشه یا آکولاد را هم پاک کن. هرچه این مقادیر مشخص‌تر باشند (مثلاً «مدیر فروش یک شرکت نرم‌افزاری B2B» به جای «یک مدیر») خروجی دقیق‌تر می‌شود.

۴) به مدل زمینه بده. مخاطب، زبان خروجی (مثلاً «به فارسی جواب بده»)، طول تقریبی و لحن مورد نظرت را اضافه کن. بیشتر جواب‌های ضعیف نتیجه نبودِ همین سه خط اضافه‌اند، نه ضعف خودِ پرامپت.

۵) یک بار اصلاح کن. جواب اول را نهایی فرض نکن. بنویس «این بخش را کوتاه‌تر کن»، «مثال واقعی اضافه کن» یا «سه نسخه متفاوت بده». دور دوم تقریباً همیشه بهتر از دور اول است.

۶) اعداد و منابع را راستی‌آزمایی کن. مدل ممکن است ارجاع یا آمار بسازد. هر عددی که قرار است جایی استفاده شود را از منبع اصلی چک کن.

نمونه استفاده واقعی

بعد از فرستادن پرامپت، جای‌خالی‌ها را این‌طور پر کن: • {bibleVerse} ← «مقدار واقعی خودت را بنویس» • {headline1} ← «مقدار واقعی خودت را بنویس» • {sourceLink1} ← «مقدار واقعی خودت را بنویس» • {technicalSummary1} ← «مقدار واقعی خودت را بنویس» • {relevanceScore1} ← «مقدار واقعی خودت را بنویس» • {actionableInsight1} ← «مقدار واقعی خودت را بنویس» • {headline2} ← «مقدار واقعی خودت را بنویس» • {sourceLink2} ← «مقدار واقعی خودت را بنویس» • {technicalSummary2} ← «مقدار واقعی خودت را بنویس» • {relevanceScore2} ← «مقدار واقعی خودت را بنویس» • {actionableInsight2} ← «مقدار واقعی خودت را بنویس» • {breakthrough1} ← «مقدار واقعی خودت را بنویس» • {implementationDetails1} ← «مقدار واقعی خودت را بنویس» سپس بنویس: «حالا با همین اطلاعات شروع کن و اول یک طرح کلی بده، بعد وارد جزئیات شو.»

چه خروجی‌ای باید بگیری

ساختار علمی با فرضیه، روش، و نکات قابل استناد (که باید راستی‌آزمایی شوند).

نکته‌های حرفه‌ای

  • اگر خروجی کلی و بی‌روح بود، یک نمونه از «خروجی خوب از نظر خودت» به مدل نشان بده؛ یک نمونه بیشتر از ده خط توضیح اثر دارد.
  • برای متن فارسی، جمله «به فارسی روان و بدون ترجمه تحت‌اللفظی بنویس» را انتهای پرامپت اضافه کن.
  • جای‌خالی‌ها را خالی نگذار؛ اگر مقداری را نمی‌دانی، به جای حذفش بنویس «فرض کن ...» تا مدل سرخود چیزی از خودش نسازد.
  • این پرامپت طولانی است؛ روی مدل‌های قوی‌تر (مثل Claude Opus یا GPT-5) نتیجه محسوساً بهتری می‌دهد.

روی کدام مدل‌ها بهتر جواب می‌دهد

Claude Opus

پرامپت‌های مرتبط