ch
Feedback
Ehsan Abbasi

Ehsan Abbasi

前往频道在 Telegram

من احسان‌ام یه Technical Product Manager که با هر چی حال کنه اینجاهم در موردشون حرف میزنه ؛) @EhsanAbbasi10

显示更多
2 633
订阅者
+124 小时
+107 天
+4930 天
吸引订阅者
九月 '26
九月 '26
+16
在1个频道中
八月 '26
+89
在0个频道中
Get PRO
七月 '26
+92
在0个频道中
Get PRO
六月 '26
+137
在2个频道中
Get PRO
五月 '26
+54
在0个频道中
Get PRO
四月 '26
+18
在0个频道中
Get PRO
三月 '26
+5
在0个频道中
Get PRO
二月 '26
+32
在0个频道中
Get PRO
一月 '26
+10
在0个频道中
Get PRO
十二月 '25
+35
在1个频道中
Get PRO
十一月 '25
+50
在1个频道中
Get PRO
十月 '25
+56
在1个频道中
Get PRO
九月 '25
+55
在1个频道中
Get PRO
八月 '25
+50
在0个频道中
Get PRO
七月 '25
+58
在4个频道中
Get PRO
六月 '25
+46
在1个频道中
Get PRO
五月 '25
+223
在1个频道中
Get PRO
四月 '25
+85
在0个频道中
Get PRO
三月 '25
+47
在0个频道中
Get PRO
二月 '25
+55
在1个频道中
Get PRO
一月 '25
+105
在0个频道中
Get PRO
十二月 '24
+110
在3个频道中
Get PRO
十一月 '24
+123
在0个频道中
Get PRO
十月 '24
+147
在0个频道中
Get PRO
九月 '24
+185
在4个频道中
Get PRO
八月 '24
+127
在2个频道中
Get PRO
七月 '24
+112
在1个频道中
Get PRO
六月 '24
+76
在0个频道中
Get PRO
五月 '24
+97
在1个频道中
Get PRO
四月 '24
+131
在2个频道中
Get PRO
三月 '24
+136
在2个频道中
Get PRO
二月 '24
+171
在0个频道中
Get PRO
一月 '24
+142
在0个频道中
Get PRO
十二月 '23
+215
在0个频道中
Get PRO
十一月 '23
+37
在0个频道中
Get PRO
十月 '23
+21
在0个频道中
Get PRO
九月 '23
+451
在0个频道中
日期
订阅者增长
提及
频道
07 九月+1
06 九月+5
05 九月+2
04 九月+1
03 九月+4
02 九月+1
01 九月+2
频道帖子
پارت سوم از چرا حرفای همدیگرو نمیفهمن؟! ۳. مدل Nonviolent Communication یا NVC مدل سوم برای من مرحله‌ی بعدیه. فرض کنیم با شولتس فون تون فهمیدیم چه اتفاقی در سطح معنا افتاده و با Kantor هم فهمیدیم مکالمه تو چه الگویی گیر کرده. حالا سوال اینه که «خب، خودم چطور حرف بزنم؟» مدل NVC که توسط Marshall Rosenberg توسعه داده شده، یک ساختار خیلی ساده برای این موضوع داره: Observation → Feeling → Need → Request یعنی اول چیزی که واقعا اتفاق افتاده رو بدون قضاوت بیان کن. بعد واکنش یا وضعیت خودت رو مشخص کن. بعد بگو چه Need یا نیازی پشت این مسئله وجود داره و در نهایت یک Request مشخص مطرح کن. مثلا جمله‌ی «تیم فنی هیچ‌وقت به Deadline اهمیت نمیده» شاید از نظر گوینده کاملا واقعی به نظر برسه ولی تقریبا هیچ Fact خالصی داخلش نیست. «هیچ‌وقت» تعمیمه و «اهمیت نمیدن» هم ذهن‌خوانیه. تو نمی‌دونی اهمیت میدن یا نه، چیزی که می‌دونی اینه که مثلا در سه Sprint اخیر چهار Story بعد از تاریخی که Commit شده بودن Deliver شدن. حالا میشه گفت: «توی سه Sprint اخیر چهار Story اصلی بعد از تاریخی که Commit کرده بودیم تحویل شدن. این باعث شده نسبت به Predictability رودمپ نگران باشم، چون Marketing و Sales دارن براساس این Timeline برنامه‌ریزی می‌کنن. می‌تونیم از Sprint بعد قبل از Commit هر Story، Dependencyها و Confidence تحویلش رو مشخص کنیم؟» همون مسئله‌ست، همون آدم‌ها هستن، احتمالا حتی همون ناراحتی هم وجود داره، ولی مدل بیان کاملا عوض شده. به جای اینکه به شخصیت طرف مقابل حمله کنی، داری یک Observation مشخص رو مطرح می‌کنی. به جای اینکه بگی «شما مشکل دارید»، مسئولیت نگرانی خودت رو می‌پذیری. به جای اینکه فقط غر بزنی، Need پشت مسئله رو روشن می‌کنی و در نهایت به جای اینکه طرف مقابل حدس بزنه الان دقیقا چی ازش می‌خوای، یک Request مشخص روی میز میذاری. یک نکته‌ی مهم هم اینه که NVC قرار نیست همه‌مون رو تبدیل کنه به آدم‌هایی که وسط جلسه خیلی مصنوعی بگیم «من احساس می‌کنم نیاز من شنیده نشده است»! اتفاقا اگر فرمول رو مکانیکی استفاده کنیم می‌تونه خیلی عجیب و حتی Manipulative بشه. ارزشش بیشتر توی مدل فکری پشتشه: Observation رو از Interpretation جدا کن، Need واقعی رو از Solutionی که توی ذهنت ساختی جدا کن و اگر چیزی می‌خوای، واضح بگو چی می‌خوای. مثلا «من نیاز دارم همه هر روز Jira رو آپدیت کنن» Need نیست، Solution بدون تعریف نیازمندیه. Need واقعی شاید Visibility روی Progress باشه. وقتی Need رو درست بفهمی، تازه می‌تونی ببینی شاید Update روزانه اصلا بهترین Solution نباشه. خب بیاید باهم مرور کنیم: مدل Schulz von Thun بهت کمک می‌کنه بفهمی: «واقعا چه پیامی داره منتقل میشه؟» مدل Kantor کمک می‌کنه بفهمی: «الان چه اتفاقی داخل مکالمه داره میفته؟» مدل NVC کمک می‌کنه تصمیم بگیری: «حالا من چطور جواب بدم که مسئله روشن‌تر و قابل حل‌تر بشه؟» یعنی یک جورایی: Understand → Diagnose → Respond اول معنی رو بفهم. بعد دینامیک مکالمه رو بخون. بعد آگاهانه جوابت رو بساز. به نظرم بخش قابل توجهی از چیزی که ما توی شرکت‌ها اسمش رو میذاریم «مشکل Communication»، اصلا مشکل انتقال اطلاعات نیست. آدم‌ها معمولا Information کم ندارن. مشکل اینه که یکی Fact میگه و اون یکی Relationship می‌شنوه. یکی Move می‌کنه و اون یکی فقط Oppose می‌کنه. یکی یک Need واقعی داره ولی به جای اینکه اون رو واضح بگه، شروع می‌کنه به قضاوت کردن آدم‌های روبه‌روش. برای همین شاید قبل از اینکه جلسه‌ی بعدی رو با جمله‌ی «این تیم Communicationش ضعیفه» تموم کنیم، بد نباشه یکم دقیق‌تر نگاه کنیم. ببینیم مشکل واقعا اینه که آدم‌ها حرف نمی‌زنن، یا اینکه حرف می‌زنن ولی نمی‌دونن چه پیامی دارن منتقل می‌کنن، نمی‌فهمن مکالمه تو چه الگویی گیر کرده و بلد نیستن چیزی که واقعا نیاز دارن رو به یک درخواست روشن تبدیل کنن. چون خیلی وقت‌ها آدم‌های داخل اتاق بیشتر از چیزی که فکر می‌کنیم حرف همدیگه رو می‌شنون، فقط چیز یکسانی از اون حرف‌ها نمی‌فهمن. #Soft_Skill #Communication @AbasiEhsan

2
پارت دوم از چرا حرفای همدیگرو نمیفهمن؟! ۲. مدل Four Player از David Kantor مدل دوم یک زاویه‌ی کاملا متفاوت داره. شولتس فون تون می‌پرسه «این پیام چه معنی‌هایی داره؟» ولی Kantor می‌پرسه «این آدم با این جمله داره چه حرکتی داخل مکالمه انجام میده؟» کانتور معتقده بیشتر حرکت‌هایی که در یک گفت‌وگوی گروهی انجام میدیم رو میشه داخل چهار دسته قرار داد: ۱.موقعیت Move یعنی یک جهت جدید ایجاد می‌کنی. ۲. موقعیت Follow یعنی اون جهت رو می‌گیری و کمک می‌کنی جلو بره. ۳. موقعیت Oppose یعنی جهت موجود رو به چالش می‌کشی. ۴. موقعیت Bystand یعنی یک قدم از محتوا فاصله می‌گیری و خود مکالمه رو نگاه می‌کنی. مثلا مدیر محصول میگه: «بیایم Onboarding رو کوتاه‌تر کنیم.» این یک Move. دیزاینر میگه: «اگر این کار رو بکنیم می‌تونیم مرحله‌ی ساخت Profile رو ببریم بعد از Activation.» این Follow، چون ایده رو گرفته و داره کامل‌ترش می‌کنه. یا Data Analyst میگه: «ولی داده‌ها نشون نمیدن تعداد Stepها مشکل اصلی باشه، Drop-off اصلی توی Permission Screen اتفاق میفته.» این Oppose. بعد Product Lead میگه: «فکر کنم داریم قبل از اینکه روی علت Drop-off توافق کنیم سر Solution بحث می‌کنیم.» این Bystand. قسمت جذاب مدل Kantor برای من اینه که کیفیت جلسه رو میشه از روی الگوی این حرکت‌ها نگاه کرد. مثلا جلسه‌ای که هیچ‌کس Move نمی‌کنه، پر از حرف و تحلیل میشه ولی هیچ Direction مشخصی شکل نمی‌گیره. جلسه‌ای که Oppose نداره خیلی سریع تبدیل به Groupthink میشه و همه ایده‌ی نفر اول، معمولا ارشدترین آدم اتاق، رو تایید می‌کنن. جلسه‌ای که Follow نداره هم هر ایده‌ای قبل از اینکه فرصت رشد پیدا کنه با یک ایده یا نقد جدید کشته میشه. ولی یکی از پرتکرارترین الگوهایی که تو جلسات می‌بینم Move و Oppose بی‌نهایته! یکی میگه: «باید این ماه لانچ کنیم.» اون یکی میگه: «نمیشه، ریسک فنی بالاست.» اولی میگه: «ولی اگر لانچ نکنیم بازار رو از دست میدیم.» اون یکی میگه: «ولی اگر لانچ کنیم ممکنه Production بخوابه.» Move، Oppose، Move، Oppose، Move، Oppose! بیست دقیقه میگذره و هر دو نفر دارن نسخه‌ی جدیدی از همون استدلال قبلی رو تکرار می‌کنن. اینجاست که Bystand می‌تونه مکالمه رو نجات بده. یک نفر باید بتونه بگه: «به نظرم اختلاف اصلی ما روی تاریخ لانچ نیست. یک طرف داره برای Speed بهینه می‌کنه و طرف دیگه برای Reliability. اول بیایم مشخص کنیم چه سطحی از ریسک برای این Release قابل قبوله.» اون آدم هیچ Solution جدیدی نداده. فقط الگوی مکالمه رو دیده و یک لایه بالاتر رفته. به نظرم یکی از مهم‌ترین مهارت‌های آدم‌هایی که جلسات خوبی رو مدیریت می‌کنن همینه. فقط حرف خوب نمی‌زنن، می‌فهمن مکالمه الان به چه حرکتی نیاز داره. بعضی وقت‌ها باید Move کنی، بعضی وقت‌ها باید Oppose کنی، بعضی وقت‌ها باید ایده‌ی یکی دیگه رو Follow کنی و بعضی وقت‌ها مهم‌ترین کاری که می‌تونی بکنی اینه که اصلا درباره‌ی موضوع حرف نزنی و درباره‌ی شکل بحث کردن آدم‌ها حرف بزنی. #Soft_Skill #Communication @AbasiEhsan
308
3
پارت اول از چرا حرفای همدیگرو نمیفهمن؟! ۱. مدل چهارگوش ارتباطی Schulz von Thun شولتس فون تون معتقده که «آدم‌ها هیچ‌وقت فقط اطلاعات رد و بدل نمی‌کنن». حتی وقتی یک جمله کاملا منطقی و خنثی بیان میشه، معمولا اطلاعات دیگه‌ای درباره‌ی گوینده، رابطه‌اش با مخاطب و چیزی که از مخاطب می‌خواد هم همزمان باهاش منتقل میشه. برای همینه که یک جمله می‌تونه از سمت گوینده کاملا بی‌خطر باشه ولی سمت شنونده تبدیل به انتقاد، تخریب، تحقیر یا حتی نگرانی بشه. وقتی یک جمله‌ای رو بیان می‌کنیم، حرفی که می‌زنیم همراه خودش چهار پیام رو به صورت همزمان منتقل می‌کنه: ۱. چه واقعیتی گفته شد؟ (Fact) ۲. این حرف درباره‌ی گوینده چه چیزی رو نشون میده؟ (Self-Revelation) ۳. این پیام درباره‌ی رابطه یا نگاه اون آدم نسبت به من چی داره میگه؟ (Relationship) ۴. از من چی می‌خواد؟ (Appeal) مثلا فرض کنید CEO وسط جلسه به مدیر محصول میگه: «این فیچر هنوز لانچ نشده؟» در سطح Fact فقط داره در مورد وضعیت لانچ سوال می‌کنه. در سطح Self Revelation ممکنه داره نشون میده که بابت تاخیر نگران شده. در سطح Relationship شاید داره میگه «انتظار داشتم تا الان این موضوع جلو رفته باشه» و در سطح Appeal احتمالا می‌خواد بفهمه مشکل چیه و چطور میشه سریع‌تر جلو رفت. مشکل از جایی شروع میشه که مدیر محصول تمام این چهار لایه رو کنار میذاره و فقط با گوش Relationship جمله رو می‌شنوه: «CEO فکر می‌کنه من کارم رو درست انجام ندادم.» بعد به جای جواب دادن به مسئله، وارد حالت دفاعی میشه: «مشکل از تیم فنی بود، دو هفته Backend تاخیر داشت، من از اول هم گفته بودم این Timeline واقعی نیست.» و از همین‌جا یک سوال ساده درباره‌ی وضعیت لانچ می‌تونه تبدیل بشه به یک بحث نیم ساعته درباره‌ی مقصر. ایده‌ی جالب شولتس فون تون اینه که ما فقط با چهار زبان حرف نمی‌زنیم، با چهار گوش هم گوش می‌کنیم. ممکنه یک نفر بیشتر Fact رو بشنوه، یک نفر درخواست پنهان پشت جمله رو، یک نفر وضعیت خود گوینده رو و یکی هم نسبت به لایه‌ی Relationship حساس‌تر باشه و تقریبا هر جمله‌ای رو تبدیل به قضاوت درباره‌ی خودش کنه. برای همین یکی از سوال‌هایی که خیلی کمک می‌کنه وسط یک مکالمه از خودمون بپرسیم اینه که: «من الان دارم به چیزی که واقعا گفته شده جواب میدم یا به تفسیری که خودم از مکالمه‌مون ساختم؟» خیلی از سوءتفاهم‌ها همین‌جا حل میشن. #Soft_Skill #Communication @AbasiEhsan
266
4
چرا حرفای همدیگرو نمیفهمن؟! (طولانی ولی بدردبخور) توی یکسال اخیر فاصله‌ی بیشتری از Full Time Job گرفتم و فرصت اینو داشتم که بیشتر به عنوان مشاور محصول کنار تیم‌های مختلف باشم. این تغییر باعث شده که زمان بیشتری رو توی جلساتی بگذرونم که اون وسط آدم‌ها دارن سر یک موضوعی همدیگرو تیکه و پاره می‌کنن، به چالش‌های مدیرهای دپارتمان‌های مختلف گوش بدم. عموما وسط جلسات خیلی پیش میاد که از خودم بپرسم که چرا این دوتا نفر حرفای همدیگرو نمیفهمن؟ نکته‌ی جالب اینه که خیلی وقت‌ها هیچ‌کدومشون هم لزوما آدم غیرمنطقی‌ای نیستن. هر دو نفر ممکنه داده داشته باشن، تجربه داشته باشن، استدلال قابل دفاع داشته باشن و حتی تهش دنبال یک هدف مشترک هم باشن، ولی مکالمه به شکلی پیش میره که بعد از نیم ساعت نه تنها به تصمیم نزدیک‌تر نشدن، بلکه هرکدوم بیشتر از قبل مطمئن شده که اون یکی «اصلا متوجه مسئله نیست». برای همین در مورد این چالشه بیشتر خوندم و دوست دارم در مورد سه تا مفهوم باحال تو فضای Communication صحبت کنم که به نظرم کنار هم می‌تونن دید خیلی خوبی برای داشتن جلسات کاری بهتر بهمون بدن. #Soft_Skill #Communication @AbasiEhsan
310
5
یک وقتایی برای حل مسئله باید مسئله رو پیچیده‌ترش کنیم! عموما وقتی با یک مسئله‌ی پیچیده روبه‌رو می‌شیم، سعی می‌کنیم ابهام مسئله رو کمتر کنیم، دیتای بیشتری جمع کنیم، متغییرها رو شفاف کنیم و مسئله رو تا جایی‌که می‌تونیم کوچیک‌تر کنیم و معمولا هم جواب میده. اما بعضی از مسائل وقتی حل می‌شن که برعکس عمل کنیم: کمی ابهام بیشتر وارد کنیم، اما در عوض ساختارش رو منظم کنیم. توی ریاضیات این موضوع خیلی استفاده می‌شه و تو دل خیلی از مسائل ریاضی این‌ کار رو می‌کنیم و با اضافه کردن پارامتر، ابهام رو بیشتر می‌کنیم اما مسئله ساده‌تر می‌شه. یک مسئله‌ای داریم توی ریاضیات به اسم "مسئله‌ی قرص‌ها" . فرض کنید یک آدمی بیماره و پزشک براش 10 قرص نوع A و 10 قرص نوع B تجویز می‌کنه. این قرص‌ها از نظر شکل و رنگ و بو و ... کاملا یکسانن و از همدیگه به هیچ شکلی قابل تشخیص نیستن. فرض کنید این فرد باید هر روز یک قرص A و یک قرص B بخوره وگرنه میمیره. روز اول و دوم همه چیز خوبه. هربار یک قرص A و یک قرص B از جعبه‌ها برمیداره و می‌خوره ولی روز سوم موقعی که میخواد از جعبه دوم قرص برداره بجای یک قرص، دو قرص می‌افته تو دستش و حالا سه تا قرص کاملا مشابه داره: مثلا یک قرص A و دو قرص B و نمیتونه تشخیص بده که کدوم قرصا B هستن و کدوم قرص A. و چون باید ۱۰ روز متوالی این قرص‌ها رو مصرف کنه و امکان خرید دوباره‌اش رو نداره، چه راهی می‌تونه بهش کمک کنه تا دارو‌هاش رو منظم مصرف کنه؟ راه‌حل با ایده‌ی متقارن‌سازی (Symmetrization) و ناوردا (Invariant)ست. خب اگه به وضعیت بیمار نگاه کنیم الان: • یک قرص A • دو قرص B به‌ جای کشف کردن اینکه کدوم قرص A یا کدوم B هست یا فکر کردن به راه‌های تشخیص این دو از همدیگه می‌تونیم مسئله رو با اضافه کردن یک قرص از جعبه‌ی A حل کنیم. تو این وضعیت ابهام ظاهرا بیشتر شده چون بجای 3 قرص ناشناخته، 4 قرص ناشناخته داریم ولی یک تقارن کامل شده داریم و تعداد A و B باهم برابره. و تو مرحله‌ی بعد همه‌ی این 4 قرص رو از وسط نصف می‌کنیم تا 8 نصف قرص یک شکل داشته باشیم توی دو گروه 4تایی. به عبارتی هر گروه شامل یک نصف از هر قرص اولیه است. • نصف از A1 • نصف از A2 • نصف از B1 • نصف از B2 و بیمار میتونه یک گروه 4 تایی رو امروز مصرف کنه و گروه 4 تایی بعدی رو فردا مصرف کنه. اینجوری با اضافه کردن مقداری ابهام ولی ایجاد تقارن می‌تونیم مسئله رو حل کنیم. توی اینجور مسائل عموما می‌ریم سراغ فهمیدن اینکه کدوم قرص A و کدوم قرص B هست. در حالی‌که سوال اصلی اینکه چطور می‌تونیم به درستی از هر قرص یک‌دونه مصرف کنیم و لزوما نیازی به تشخیص A و B بودن نداریم. خیلی وقت‌ها واقعا همین‌طوره. ولی یک دسته‌ی مهم از مسئله‌ها وجود دارن که با اطلاعات بیشتر حل نمی‌شن. یا اطلاعات لازم اصلا وجود نداره، یا جمع‌ کردنش بیش از حد گرونه، یا تعداد متغیرها اون‌قدر زیاده که هر جواب جدید چند سؤال تازه درست می‌کنه. تقارن و ایجاد ابهام موقت میتونه بهمون کمک کنه تا مسئله رو طوری باز طراحی کنیم که بخش‌های مختلفش تحت شرایط مشابه قرار بگیرن و وقتی این کار رو می‌کنیم خیلی وقت‌ها دیگه لازم نیست تک تک جزئیات ناشناخته رو بشناسیم و ساختار جدید مسئله‌ی خودش کارو در میاره برامون. #Problem_Solving @AbasiEhsan
848
6
گزارش HR Monitor از McKinsey اگه فاندر یا Lead هستید یه نگاهی بهش بندازید. @AbasiEhsan
1 142
7
اگه یه روزی به خودتون اومدید و با خودتون گفتید که دوست دارید یه چیز جدیدی یاد بگیرید که هم خفن باشه، هم غیر مرتبط با تکنولوژی و AI و ... (مثل من) پیشنهاد می‌کنم که این لکچر کالکشن از دانشگاه استفورد رو شروع کنید به دیدن: https://www.youtube.com/playlist?list=PL848F2368C90DDC3D پی‌نوشت: این لکچر کامله و فقط یک جلسه‌اش انتشار عمومی پیدا نکرده که در مرود "دین" بوده! @AbasiEhsan
1 940
8
با Dembrandt می‌تونید Design System هر سایتی رو توی یک فایل Design.md تحویل بگیرید: https://www.dembrandt.com/ #Design_System @AbasiEhsan
1 742
9
یک لیست از 10 تا Financial Projecttion Template که کارو براتون درمیاره: https://airtable.com/appiWSYMqK0HqBxzH/shrYmIy4NnGyRO
یک لیست از 10 تا Financial Projecttion Template که کارو براتون درمیاره: https://airtable.com/appiWSYMqK0HqBxzH/shrYmIy4NnGyRORK0/tblfqLlKecG4uRQ4y/viw6UHjsXtRfRuBM8 #Financial_Projection @AbasiEhsan
2 545
10
عمیقا بر این باورم که در مسیر زندگی یک جاهایی باید به ادم “بَر بخوره” و رمز عبور خیلی از مراحل سخت زندگی همینه! #whisper_tip @AbasiEhsan
1 901
11
راهنمای Prompting برای استفاده از Fable 5 : https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5 پ.ن: چون مدل گرونی محسوب میشه، اگه قبل از شروع، پرامپتتتون رو با یک مدل ارزون‌تر و با کپی‌کردن این متن، بهبود بدید. خروجی بهتری میگیرید. #Fable5 @AbasiEhsan
2 166
12
بیاید باهم یه نگاهی به آپدیت‌های مهم Figma در Config 2026 بندازیم: ۱. Code Layers فیگما امکان تبدیل design layer به code-based layer رو اضافه کرده. میشه چند version مختلف از یک code layer ساخت، روش comment گذاشت، تغییراتش رو تست کرد و خروجی رو دوباره به editable design layers برگردوند. ۲. Figma Motion موشن به صورت native وارد فیگما شده. شامل timeline، keyframe، presetهای آماده، inspect در Dev Mode و export گرفتن در فرمت‌های MP4، WebM، GIF و Animated SVG. ۳. Shader Fills & Effects تو این بخش، Fill و effectهای مبتنی بر shader اضافه شده. میشه با prompt یا reference image خروجی ساخت و پارامترهای بصری مثل color، light، scale و intensity رو روی canvas تغییر داد ۴. Generative Plugins امکان ساخت plugin با prompt اضافه شده. یعنی میشه یک workflow یا tool رو توصیف کرد و فیگما ازش یک plugin قابل اجرا روی canvas بسازه. ۵. Figma Weave Tools فیگما ابزارهای Weave رو معرفی کرده؛ یک فضای node-based برای ساخت generative workflowها. خروجی‌ها می‌تونن شامل asset، layout، variation یا automationهای طراحی باشن. ۶. Figma Agent ایجنت فیگما قابلیت‌های بیشتری گرفته، از جمله Skills، Connectors، Attachments و context بیشتر از fileها و projectها. هدفش انجام taskهای مشخص داخل فایل و کمک به workflowهای design و development است. Figma Product Launch: https://www.youtube.com/live/2ZCc4k_IV5w #Figma_Update @AbasiEhsan
1 658
13
بیایم کمی هم به V توجه کنیم! یکی از اعصاب‌خردکنترین سوءتفاهم‌هایی که تقریبا هر روز در دنیای محصول باهاش روبه‌رو میشم اینکه هنوز خیلی‌ها MVP رو با یک چیز سریع، ناقص، نصفه‌کاره و کثیف اشتباه می‌گیرن، طوریکه انگار اگر نصف فیچرها کار نکنه، تجربه کاربر به هم بریزه، دیزاین ضعیف باشه، محصول معلوم نباشه دقیقا چه دردی رو حل می‌کنه و تیم هم آخرش بگه «خب MVP بود دیگه»، یعنی خیلی Lean و Agile رفتار کرده! این مشکل از جایی شروع شد که ما Minimum Viable Product رو توی ذهنمون تبدیل کردیم به Minimum Product. اون تیکه‌ی Viable، یعنی پذیرفتنی، کم‌کم از تعریف حذف شد، در حالی که اصل ماجرا دقیقا همون‌جاست. سوال اصلی این نیست که «حداقل چیزی که ما می‌تونیم بسازیم چیه؟» چون جواب این سوال معمولا خطرناکه. تیم همیشه می‌تونه چیزی کمتر، سریع‌تر، ناقص‌تر و بی‌کیفیت‌تر بسازه و اسمش رو بذاره نسخه اولیه. سوال اصلی اینه که «اون حداقل چیزی که بازار حاضره جدیش بگیره چیه؟» و این حداقل رو تو تعیین نمی‌کنی! مارکت دیکته‌اش می‌کنه و یوزر روش خط میندازه. جایگزین‌هایی که همین الان در دسترس کاربره تعیین می‌کنن. سطح انتظاری که کاربر از محصولات خوب، ابزارهای AI، تجربه‌های سریع، رابط‌های تمیز و سرویس‌های قابل اعتماد گرفته تعیین می‌کنه. Minimum یعنی دامنه کوچک‌تر، نه کیفیت داغون. MVP یعنی scope کمتر، نه تجربه ضعیف‌تر. یعنی شاید فقط یک job اصلی رو حل کنی، یا یک segment خاص رو بگیری، یا یک flow ساده داشته باشی اما همون چیزی که می‌سازی باید اون‌قدر قابل فهم، قابل استفاده و قابل اعتماد باشه که رفتار واقعی کاربر رو نشون بده، نه واکنش کاربر به سرسری بودن محصول رو. در شرایط قبل از AI، کف پذیرش بازار آروم‌تر بالا می‌اومد. محصول‌ها نرم‌نرم بهتر می‌شدن، تیم‌ها آروم‌تر فیچر می‌دادن، کاربرها دیرتر به تجربه‌های جدید عادت می‌کردن و خیلی چیزهایی که امروز بدیهی به نظر میرسه، قبلا آپشنال بود. اما الان سرعت تبدیل شدن «چیزهای خوب» به «چیزهای بدیهی» چند برابر شده. چیزی که دیروز مزیت بود، امروز انتظار پایه‌ست. چیزی که دیروز خفن به نظر می‌رسید، امروز اگر نباشه محصول عقب‌افتاده حس میشه. AI فقط ساختن رو سریع‌تر نکرده، مقایسه شدن رو هم سریع‌تر کرده. کاربر هر روز با ابزارهایی روبه‌رو میشه که بهتر می‌نویسن، سریع‌تر جواب میدن، هوشمندتر پیشنهاد میدن، friction کمتری دارن و تجربه استفاده از نرم‌افزار رو براش بازتعریف می‌کنن. حالا در چنین بازاری، اینکه یک تیم بیاد یک چیز نصفه‌نیمه بده بیرون و بگه «فعلا MVP، بعدا درستش می‌کنیم»، بیشتر از اینکه نشونه سرعت و چابکی باشه، نشونه نفهمیدن زمین بازیه. چون اگه محصولت حتی از آستانه‌ی تحمل سگمنت هدف هم پایین‌تر باشه، تو دیگه چیزی رو validate نکردی. فقط ثابت کردی آدم‌ها از محصول بد استفاده نمی‌کنن. و این کشف خیلی گرونی برای چیزی به این واضحیه. همه این‌ها رو گفتم تا یک چیزی رو بگم: MVP مجوز کار بی‌کیفیت نیست، ابزار یادگیریه. اما یادگیری وقتی معتبره که چیزی که جلوی کاربر گذاشتیم، واقعا شانس پذیرفته شدن داشته باشه. اگر چیزی بسازیم که از همون اول پایین‌تر از کف تحمل بازار هدف باشه، داده‌ای که ازش می‌گیریم هم بدردبخور نیست. نمی‌فهمیم ایده بد بوده، اجرا بد بوده، سگمنت اشتباه بوده، زمان‌بندی غلط بوده یا فقط تجربه محصول اونقدر ضعیف بوده که کسی حاضر نشده حتی فرصت فهمیدن ارزشش رو به خودش بده. قبل از AI، این اشتباه شاید قابل جبران بود. بعد از AI، زمان جبران کوتاه‌تر شده و کف بازار سریع‌تر بالا میره. پس هر بار که اسم MVP رو میاریم، بهتره قبل از اینکه به سرعت ساخت افتخار کنیم، یک سوال ساده‌تر بپرسیم: این چیزی که داریم می‌سازیم، واقعا حداقلِ محصولِ پذیرفتنیه یا فقط حداقل چیزیکه تونستیم با عجله بالا بیاریم و اسمش رو محصول بذاریم؟ #MVP @AbasiEhsan
3 369
14
راهنمای اقتصاد رفتاری ۲۰۲۶ #Behavioral_Economics @AbasiEhsan
4 705
15
Behavioral Economics Guide 2026.pdf
1
16
راهنمای اقتصاد رفتاری 2026 #Behavioral_Economics @AbasiEhsan
1
17
امروز داشتم یکی از Multi Agent Module های پروداکت رو بهبود می‌دادم. چون فلو رو خیلی تکه‌تکه کرده بودم، برای بهینه‌سازی مصرف توکن‌ها مجبور شدم بخشی از پردازش‌ها رو ببرم سمت مدل‌های ارزون‌تر تا سیستمه تو اسکیل هم به صرفه باشه. داشتم بر اساس بنچمارک‌ها مختلف تو رنکینیگ مدل‌ها دنبال میگشتم که اینو دیدم: https://arena.ai/ یک Research Lab که معتقدن بنچمارک‌های سنتی معیار مناسبی برای ارزیابی مدل‌ها نیستن و سعی میکنن که این فرایند رو تو تست و فیدبک‌گیری با یوزر واقعی و تو فرایند‌های واقعی تست کنن. ایده‌شون ساده است و وقتی وارد میشی میتونی از این چهار حالت از پروداکت ساتفاده کنی. 1. Direct Mode 2. Side By Side 3. Agent Mode 4. Battel Mode که واضحه که هرکدوم چیکار میکنه ولی باحال‌ترینش برای خودم Battel Mode بود و اینجوریکه میاد بر اساس درخواستت دوتا مدل رو میاره تو Battel و وقتی پاسخ رو میبینی هم نمیدونی چه مدلایی دارن جواب میدن و بعد از اینکه میگی کدوم مدل بهتر بود، بهت نشون میده اسم مدلارو و کلا مستقیما بر اساس فیدبک کاربر کار وبه قول خودشون تو سناریو‌های واقعی بر اساس این دیتاها یک لیدربورد داره برای هر تایپ مدل که تا الان نتایجش اینجوری بود: Agent Mode: 1. GPT 5.5 (High) 2. Claude Opus 4.7 (Thinking) 3. Claude Opus 4.6 Text to Text: 1. claude-opus-4-6-thinking 2. claude-opus-4-7-thinking 3. claude-opus-4-6 Web Search: 1. claude-opus-4-6-search 2. gpt-5.5-search 3. claude-opus-4-7 Vison Mode (Visual Input): 1. claude-opus-4-7-thinking 2. claude-opus-4-6-thinking 3. claude-opus-4-7 Document: 1. claude-opus-4-6 2. claude-opus-4-6-thinking 3. claude-opus-4-7 Web Dev: 1. claude-opus-4-7-thinking 2. claude-opus-4-7 3. claude-opus-4-8-thinking Image to Web Dev: 1. claude-opus-4-7-thinking 2. claude-sonnet-4-6 3. claude-opus-4-7 Text to Image: 1. gpt-image-2 (medium) 2. reve-2.0 3. gemini-3.1-flash-image-preview (nano-banana-2) [web-search] Image Edite: 1. gpt-image-2 (medium) 2. mai-image-2.5 3. chatgpt-image-latest-high-fidelity (20251216) Text to Video: 1. dreamina-seedance-2.0-720p 2. happyhorse-1.0 3. wan2.7-t2v Image to Video: 1. grok-imagine-video-1.5-preview-720p 2. dreamina-seedance-2.0-720p 3. happyhorse-1.0 Video Edit: 1. dreamina-seedance-2.0-720p 2. happyhorse-1.0 3. grok-imagine-video اگه تو اسکیل بالاهم میخواین داستان کنید از فیلتراش بزارید رو اوپن‌سورس و کتگوری انتخاب کنید و نترسید امتحان کنید خروجیش تو ROI میصرفه. @AbasiEhsan
1 636
18
اگه به فضای دیتا علاقه‌مندین و نیاز به کورس‌های بدرد بخوری تو این فضا دارین، از 1 تا 7 June تمامی کورس‌ها و سرتیفیکت‌های DataCamp رایگان خواهد بود. (۱۱ تا ۱۷ خرداد) https://www.datacamp.com/campaign/free-access-week-june-2026 #Data_Course #Course @AbasiEhsan
2 330
19
یکسری Repo خفن و بدردبخور: 1) project-based-learning https://github.com/practical-tutorials/project-based-learning یکی از بهترین ریپو‌ها برای یادگیری با ساختن پروژه واقعی. پر از tutorial و مسیرهای عملی برای زبان‌ها و تکنولوژی‌های مختلف. 2) freeCodeCamp https://github.com/freeCodeCamp/freeCodeCamp اگرچه معرف حضور هست، ولی هنوز یکی از قوی‌ترین ریپوهای آموزشیه. 3) The Odin Project https://github.com/TheOdinProject/curriculum برای یادگیری عمیق وب‌دولوپمنت با پروژه‌های واقعی. 4) OSSU Computer Science https://github.com/ossu/computer-science یک curriculum خیلی خوب برای علوم کامپیوتر از پایه تا پیشرفته. 5) study-path https://github.com/joebew42/study-path کاربردی برای clean code، TDD، refactoring، DDD، architecture و microservices. 6) study-path-software https://github.com/dancourbano/study-path-software مثل ریپوی قبلیه ولی مهندسی‌وارتر 7) se-study-path https://github.com/junaidshad/se-study-path یک learning path مرتب برای software engineering practices. 8) architect-study-path https://github.com/nabqazi/architect-study-path اگر به architecture و design principles علاقه داشته باشی، خوبه. 9) CleanArchitecture https://github.com/ardalis/CleanArchitecture یکی از معروف‌ترین نمونه‌ها برای یادگیری Clean Architecture در عمل. 10) clean-architecture-software-sample-project https://github.com/maarten-vandeperre/clean-architecture-software-sample-project نمونه‌ پروژه برای فهم عملی معماری Clean. 11) agile-refactoring-and-architecture-demo https://github.com/oliynykroman/agile-refactoring-and-architecture-demo برای refactoring، TDD و code quality خیلی آموزشی و مفیده. 12) clean-code https://github.com/shift-elevate/clean-code بیشتر مثال‌محور و مناسب یادگیری refactor کردن کد. 13) professional-programming https://github.com/charlax/professional-programming مجموعه‌ای از منابع قوی برای بهتر شدن به عنوان software engineer. 14) software-engineering-principles-and-pratices https://github.com/Rajendran2201/Software-Engineering-Principles-and-Pratices برای مرور مفاهیم پایه و اصول مهندسی نرم‌افزار. 15) build-your-own-x https://github.com/codecrafters-io/build-your-own-x یکی از خفن‌ترین ریپوها برای یادگیری عمیق. می‌گه چطور چیزهایی مثل shell، database، compiler، interpreter، browser و git را از صفر بسازی. 16) The Algorithms https://github.com/TheAlgorithms/TheAlgorithms مرجع خیلی خوب برای دیدن پیاده‌سازی الگوریتم‌ها در زبان‌های مختلف. 17) public-apis https://github.com/public-apis/public-apis برای ساخت پروژه‌های تمرینی با APIهای واقعی. 18) awesome https://github.com/sindresorhus/awesome کیلو کیلو ریپوی بدردبخور و خفن 19) awesome-roadmaps https://github.com/liuchong/awesome-roadmaps مجموعه‌ای از roadmapها در موضوعات مختلف. 20) developer-roadmap https://github.com/kamranahmedse/developer-roadmap برای فهم مسیرهای یادگیری هر حوزه. 21) Coding Interview University https://github.com/jwasham/coding-interview-university یک مسیر کامل برای یادگیری و آماده‌شدن برای مصاحبه‌های نرم‌افزاری. 22) Tech Interview Handbook https://github.com/yangshun/tech-interview-handbook مجموعه‌ای کاربردی برای سوالات کدنویسی، مصاحبه رفتاری و سیستم‌دیزاین. 23) System Design Primer https://github.com/donnemartin/system-design-primer یکی از معروف‌ترین منابع برای یادگیری سیستم‌دیزاین. 24) LeetCode Patterns https://github.com/SeanPrashad/leetcode-patterns آموزش الگوهای مهم حل مسئله ‌ 25) Free Programming Books https://github.com/EbookFoundation/free-programming-books آرشیو بزرگی از کتاب‌های رایگان برنامه‌نویسی و علوم کامپیوتر. 26) 30 Seconds of Code https://github.com/30-seconds/30-seconds-of-code قطعه‌کدهای کوتاه و مفید برای یادگیری سریع و مرور مفاهیم. #Technical_knowledge @AbasiEhsan
1 849
20
یکسری Repo خفن و بدردبخور: 1) project-based-learning https://github.com/practical-tutorials/project-based-learning یکی از بهترین لیست‌ها برای یادگیری با ساختن پروژه واقعی. پر از tutorial و مسیرهای عملی برای زبان‌ها و تکنولوژی‌های مختلف. 2) freeCodeCamp https://github.com/freeCodeCamp/freeCodeCamp اگرچه معروفه، ولی هنوز یکی از قوی‌ترین ریپوهای آموزشی دنیاست. 3) The Odin Project https://github.com/TheOdinProject/curriculum برای یادگیری عمیق وب‌دیولوپمنت با پروژه‌های واقعی. 4) OSSU Computer Science https://github.com/ossu/computer-science یک curriculum خیلی خوب برای علوم کامپیوتر از پایه تا پیشرفته. 5) study-path https://github.com/joebew42/study-path خیلی خوب برای clean code، TDD، refactoring، DDD، architecture و microservices. 6) study-path-software https://github.com/dancourbano/study-path-software مشابه قبلی، با چینش آموزشی متفاوت. 7) se-study-path https://github.com/junaidshad/se-study-path یک learning path مرتب برای software engineering practices. 8) architect-study-path https://github.com/nabqazi/architect-study-path اگر به architecture و design principles علاقه داری، خوبه. 9) CleanArchitecture https://github.com/ardalis/CleanArchitecture یکی از معروف‌ترین نمونه‌ها برای یادگیری Clean Architecture در عمل. 10) clean-architecture-software-sample-project https://github.com/maarten-vandeperre/clean-architecture-software-sample-project نمونه‌ پروژه برای فهم عملی معماری تمیز. 11) agile-refactoring-and-architecture-demo https://github.com/oliynykroman/agile-refactoring-and-architecture-demo برای refactoring، TDD و code quality خیلی آموزشی و مفیده. 12) clean-code https://github.com/shift-elevate/clean-code بیشتر مثال‌محور و مناسب یادگیری refactor کردن کد. 13) professional-programming https://github.com/charlax/professional-programming مجموعه‌ای از منابع قوی برای رشد به عنوان software engineer. 14) software-engineering-principles-and-pratices https://github.com/Rajendran2201/Software-Engineering-Principles-and-Pratices برای مرور مفاهیم پایه و اصول مهندسی نرم‌افزار. 15) build-your-own-x https://github.com/codecrafters-io/build-your-own-x یکی از خفن‌ترین ریپوها برای یادگیری عمیق. می‌گه چطور چیزهایی مثل shell، database، compiler، interpreter، browser و git را از صفر بسازی. 16) The Algorithms https://github.com/TheAlgorithms/TheAlgorithms مرجع خیلی خوب برای دیدن پیاده‌سازی الگوریتم‌ها در زبان‌های مختلف. 17) public-apis https://github.com/public-apis/public-apis برای ساخت پروژه‌های تمرینی با APIهای واقعی. 18) awesome https://github.com/sindresorhus/awesome خودش یک ریپو نیست، یک درگاه به دنیای ریپوهای curated است. 19) awesome-roadmaps https://github.com/liuchong/awesome-roadmaps مجموعه‌ای از roadmapها در موضوعات مختلف. 20) developer-roadmap https://github.com/kamranahmedse/developer-roadmap برای فهم مسیرهای یادگیری هر حوزه. 21) Coding Interview University https://github.com/jwasham/coding-interview-university یک مسیر کامل برای یادگیری و آماده‌شدن برای مصاحبه‌های نرم‌افزاری. 22) Tech Interview Handbook https://github.com/yangshun/tech-interview-handbook مجموعه‌ای کاربردی برای سوالات کدنویسی، مصاحبه رفتاری و سیستم‌دیزاین. 23) System Design Primer https://github.com/donnemartin/system-design-primer یکی از معروف‌ترین منابع برای یادگیری سیستم‌دیزاین. 24) LeetCode Patterns https://github.com/SeanPrashad/leetcode-patterns الگوهای مهم حل مسئله را منظم و قابل‌فهم. 25) Free Programming Books https://github.com/EbookFoundation/free-programming-books آرشیو بزرگی از کتاب‌های رایگان برنامه‌نویسی و علوم کامپیوتر. 26) 30 Seconds of Code https://github.com/30-seconds/30-seconds-of-code قطعه‌کدهای کوتاه و مفید برای یادگیری سریع و مرور مفاهیم. #Technical_knowledge @AbasiEhsan
1