معرض المحفّزات

Prompts

promptsPage.hero.subtitle

تلامس المحفّزات الجاهزة لـ MCP بيانات السجلّ/الأحداث الحقيقية بمجرّد تثبيت @gurulu/mcp-server. محفّزات طبقة الذكاء الاصطناعي (المرحلة 2) على خارطة الطريق — انسخها الآن، وكن جاهزاً.

63 محفّزاً

MCP-readyDeveloper

أضِف حدثاً جديداً إلى السجلّ

@gurulu I want to add a new event. First call list_events to check for collisions, then add_event with this contract:

Event: {{event_key}}
Class: {{interaction|intent|outcome}}
Owning team: {{team_name}}
Trigger location: {{trigger_location}}

Required properties:
- {{required_property_1}}: {{type}}
- {{required_property_2}}: {{type}}

Optional properties:
- {{optional_property_1}}: {{type}}

Enforce snake_case. Summarize the contract back to me before adding.
#registry#mcp
MCP-readyDeveloper

ولّد متتبّع أحداث مُحكَم الأنواع

@gurulu Generate a TypeScript wrapper for these registry events: {{event_keys}}

- One function per event (e.g. trackSignupCompleted())
- Required fields required, optional optional
- JSDoc with the registry description and a sample payload
- Works against both @gurulu/web and @gurulu/node

Return a single copy-pasteable file: events.gen.ts
#registry#codegen
MCP-readyDeveloper

صحّح حدثاً مفقوداً في الإنتاج

@gurulu This event is not showing up in production: {{event_key}}

Check in order:
1. Is it defined in the registry? (validate_event)
2. Did it land in ingestion in the last hour? (event-health)
3. If it did, was it quarantined or rejected? Why?
4. Could the current consent state be blocking it?
5. If a webhook is involved, give me the last dispatches + error rate.

List findings by priority and propose a fix.
#pipeline#debug
MCP-readyDeveloper

اكتب سياسة إسناد وحاكِها

@gurulu Let's author a new attribution policy for {{tenant_or_workspace}}.

Context: {{free_text_business_context}}
Outcome event: {{outcome_event_key}}
Touchpoint events: {{touchpoint_event_keys}}
Lookback: {{14d|30d|90d}}
Model: {{first_touch|last_touch|linear|time_decay|position_based|data_driven}}

Return the policy as JSON with provenance trace enabled. Simulate it across 3 sample touchpoint paths before applying.
#attribution
MCP-readyDeveloper

اربط فحوص انحراف العقد بالـ CI

@gurulu Propose a CI workflow for this repo: on every PR, run `gurulu validate` so any event call that doesn't match the registry contract fails the PR.

Branch: {{main}}
Package manager: {{bun|pnpm|npm}}
CI: {{github_actions|gitlab|circle}}

Give me the YAML + the secrets needed (GURULU_API_KEY, GURULU_PROJECT_REF). Show a dry-run first.
#ci#registry
MCP-readyDeveloper

دقّق حالة موافقة مستخدم محدّد

@gurulu Run a consent audit for this user:

person_id or anonymous_id: {{id}}

Return:
- Latest GCM v2 decision (analytics_storage, ad_storage, ad_user_data, ad_personalization)
- Decision-change history (when, from which channel)
- DSR export / forget request history
- Which events are currently blocked given their consent

Is there anything to fix under GDPR / CCPA / KVKK?
#consent#gdpr
MCP-readyDeveloper

دمج الهوية — جرّب على ناشف أولاً

@gurulu Dry-run a merge BEFORE applying it:

Source anonymous_id: {{anon_id}}
Target person_id: {{person_id}}

Report:
- Timeline after merge (how many events combine)
- 3-level confidence score
- Property conflicts (e.g. two different emails)
- Proposed ledger entry description
- Reversibility plan (how we roll back if wrong)

Do not perform the real merge without my approval.
#identity
طبقة الذكاء الاصطناعي · P2Developer

ولّد اختبارات تكامل لمُحقِّق webhook

@gurulu/node webhook verifier — generate an integration test suite:

Provider: {{stripe|shopify|lemonsqueezy|custom}}
Framework: {{hono|express|fastify}}
Test runner: {{bun_test|vitest|jest}}

Coverage:
- Valid signature → 200 + event consumed
- Invalid signature → 401, no replay
- Stale timestamp (>5min) → reject
- Body tampering → reject
- Same event twice (dedup)

Single file, with mock fixtures.
#webhook#sdk-server
MCP-readyDeveloper

ألّف قاعدة صحّة لكشف الشذوذ

@gurulu Set up an anomaly health rule for {{event_key}}:

Metric: {{volume|unique_users|payload_size|missing_required_fields_rate}}
Window: {{1h|6h|24h}}
Expected deviation: {{stddev|percent}}
Alert severity: {{info|warn|critical}}
Notification channel: {{discord|email|slack|webhook}}

Pull the last 14 days as baseline, propose the threshold, and show me before saving.
#health#anomaly
MCP-readyDeveloper

أطلق مساحة عمل + ادعُ الفريق

@gurulu Set up a new workspace:

Tenant: {{tenant_slug}}
Workspace name: {{workspace_name}}
Environment: {{development|staging|production}}
Region: {{eu_falkenstein|eu_helsinki}}

Invite:
- {{email_1}} → {{owner|admin|member|viewer}}
- {{email_2}} → {{role}}

Initial seed: {{industry_pack: ecommerce|saas|gambling|media|finance}}. Create workspace + memberships + magic-link invites in one go, confirm the audit log entries.
#onboarding
طبقة الذكاء الاصطناعي · P2Marketer

ملخّص أداء القنوات الأسبوعي

@gurulu Summarize last week (Mon-Sun, {{week_range}}) for marketing:

- Outcome event: {{outcome_event_key}}
- Compare against: previous week + 4-week average
- Break down by: channel × campaign × device
- Top 3 risers, top 3 fallers
- Anomaly note for any spike / dip
- 3 paste-ready Slack action recommendations

Format numbers cleanly.
#report#weekly
MCP-readyMarketer

مقارنة إسناد عبر النماذج

@gurulu For the last {{30d|90d}}, compare 5 attribution models against the same outcome:

Outcome: {{outcome_event_key}}
Scope: {{tenant_or_workspace}}
Models: last_touch, first_touch, linear, time_decay, data_driven

Table: | Channel | Last | First | Linear | Time-decay | Data-driven |

Comment on which model flatters which channel. End with one data-grounded recommendation.
#attribution
MCP-readyMarketer

أعلى القنوات والإبداعات تحويلاً

@gurulu For the last {{30d}}, surface the highest-converting sources:

Outcome: {{outcome_event_key}}
Min touchpoints: {{50}}
Dimensions: utm_source × utm_medium × utm_campaign × utm_content

Metrics: count, conversion rate, avg time-to-outcome, median revenue (if available).

Top 10 + bottom 5 as separate lists. Flag rows with low sample as low-confidence.
#channels
MCP-readyMarketer

تدقيق تغطية UTM

@gurulu Run a UTM coverage report for the last {{14d}}:

- % of sessions missing utm_source + their top referers
- Most-used utm_campaigns and the channels they show up on
- Spelling variants of the same campaign (Spring_Sale vs spring-sale)
- 3 hypotheses for what's hiding inside '(direct)' traffic

Sort by fix priority — big-loss first, cosmetic last.
#utm#health
طبقة الذكاء الاصطناعي · P2Marketer

صيغ نصّية للمسار الأعلى تحويلاً

حدّد الخطوة الأعلى تحويلاً على {{flow_or_landing_url}} واكتب 5 عناوين بديلة + 3 عبارات حثّ على اتّخاذ إجراء.

الجمهور: {{audience_short_description}}
نبرة العلامة: {{terminal|plain|friendly}}
كلمات محظورة: {{list_optional}}

لكل صيغة، ضع بين قوسين الألم الذي تستهدفه. أوصِ بأيّها يُختبَر أولاً عبر A/B.
#copy
طبقة الذكاء الاصطناعي · P2Marketer

مسوّدة شريحة مجلس فصلية

عرض المجلس لـ {{quarter — Q3 2026}}:

- النتيجة الأساسية: {{outcome_event_key}}
- مقابل الربع الماضي ومقابل بداية العام
- 3 مكاسب، و2 إخفاقات (بالدليل والأرقام)
- المخطّط مقابل الفعلي
- 3 أولويات للربع القادم

المُخرَج: 6 عناوين شرائح + 3 نقاط لكلٍّ + ملاحظات تحدّث. ودود تجاه المدراء الماليين لكن بلا تلميع للأرقام.
#report#board
طبقة الذكاء الاصطناعي · P2Marketer

فسّر هبوط الزيارات

الأسبوع الماضي هبطت زيارات {{paid_search|paid_social|organic}} بنسبة {{X}}%. عدّد الأسباب المحتملة:

- إيقاف الميزانية / الحملة
- تغيّر المزايدة (قفزة CPC؟)
- إجهاد الإبداع (تردّد متصاعد)
- روابط UTM معطّلة
- أداء الخادم / CDN / صفحة الهبوط (rage_click في صحّة الأحداث)
- موسمية / تقويم الأحداث

اجمع دليلاً لكل سبب. ابدأ بالثلاثة الأكثر احتمالاً.
#anomaly
MCP-readyMarketer

تدقيق سلوك صفحة الهبوط

@gurulu For the last {{30d}}, report on {{landing_url}}:

- Pageview count
- Scroll-depth distribution (25 / 50 / 75 / 100)
- Rage_click frequency
- Form_started → form_submitted conversion rate
- Top 10 outbound click destinations
- Bounce by source

Recommend 3 concrete fixes: copy, layout, performance — which is priority?
#landing#bounce
MCP-readyGrowth

تحليل التسرّب من المسار

@gurulu Build this funnel:
1. {{step_1_event_key}}
2. {{step_2_event_key}}
3. {{step_3_event_key}}
4. {{step_4_event_key}}
5. {{outcome_event_key}}

Window: {{7d|14d|30d}} · Cohort: {{new_users|returning|all}}

Return:
- Per-step conversion + drop-off
- The step with the biggest drop
- Most common failure pattern at that step (form_validation_error, payment_declined…)
- Mobile vs desktop split

Write one hypothesis for the drop.
#funnel
MCP-readyGrowth

استبقاء الفئة — أكبر هبوط

@gurulu Weekly cohort retention table:

Cohort definition: {{first_seen_week}}
Retention event: {{retention_event_key}}
Weeks observed: 8

Return:
- Table (cohort × W0..W8)
- Which cohort dropped sharply? In which week?
- That cohort's acquisition source
- How it differs from a 'healthy' cohort

Recommend whether this looks like a product issue or an acquisition issue.
#cohort#retention
طبقة الذكاء الاصطناعي · P2Growth

اعثر على لحظة التفعيل في البيانات

أيّ حدث أو سلسلة أحداث يرتبط أقوى ارتباط بالاستبقاء؟

وكيل الاستبقاء: {{day_7_return | day_28_return}}
الأحداث المرشّحة: {{event_keys_optional}}

أعِد:
- أقوى مرتبط: حدث أو event_count ≥ N
- تنبيه أن الارتباط ≠ السببية + سيناريو مضادّ يُؤخَذ في الحسبان
- مرشّح "لحظة الإدراك" في جملة واحدة
- إجراء تأهيل مقترح لجذب المستخدمين نحوه

أضِف تحذيراً بشأن حجم العيّنة.
#activation
طبقة الذكاء الاصطناعي · P2Growth

حوّل ملاحظة إلى فرضية تجربة

حوّل هذه الملاحظة إلى فرضية تجربة Lean:

الملاحظة: {{plain_text_observation}}
المقياس المتأثّر: {{metric_name}}

أعِد:
- فرضية ('إذا … فإن … لأن …')
- أدنى أثر قابل للكشف (MDE)
- حجم العيّنة المطلوب (alpha 0.05، power 0.8)
- المدّة المقدّرة بناءً على الزيارات الحالية
- مقياسا ضمان (guardrail)

إن كانت العيّنة قصيرة، ضيّق الفرضية.
#experiment
طبقة الذكاء الاصطناعي · P2Growth

اكشف إشارة فقدان

حدّد المستخدمين الذين لم يعودوا منذ {{X}} يوماً، ثم نقّب في آخر 7 أيام قبل مغادرتهم عن أنماط مشتركة:

- الأحداث التي هبطت أكثر مقابل الأسبوع السابق
- أحداث "قبيل الخروج" (error_shown وpayment_failed وsupport_ticket_opened)
- تفصيل الباقة / المرتبة
- خطوة تأهيل مُتخطّاة في أول 24 ساعة

صُغ شريحة إعادة تفاعل وأخبرني كم مستخدماً تغطّي.
#churn
MCP-readyGrowth

ابنِ شريحة إعادة تفاعل

@gurulu Build and name this segment:

Name: {{segment_name}}
Definition: users who did {{trigger_event_key}} in the last {{30d}} but did NOT do {{exclude_event_key}}
Property filter: {{country_in: TR,DE}} and plan_tier = {{free}}
Min outcome: {{outcome_event_key}} ≥ 1

Prepare it for {{crm|ads}} destinations. Tell me the count, save the manifest.
#audience
MCP-readyGrowth

النجم الشمالي — اتجاه 90 يوماً

@gurulu North-star: {{north_star_metric}}

Return:
- 90-day weekly series
- Last 4-week average vs prior 4-week average
- Trend: up / down / flat
- Major breakpoints (deploys, campaigns, external events)
- 95% confidence interval

Project 30/60/90 days linearly under 'if this trend continues'.
#metric
طبقة الذكاء الاصطناعي · P2Growth

قراءة إحصائية لاختبار A/B

حلّل نتيجة A/B هذه:

الضابط: n={{n_control}}، conversions={{c_control}}
المتغيّر: n={{n_variant}}، conversions={{c_variant}}
المقياس الأساسي: {{metric_name}}
Alpha 0.05، ثنائي الجانب.

أعِد:
- الارتفاع (% ومطلق)
- قيمة p
- فترة ثقة 95%
- ذو دلالة أم لا، ولماذا
- تحذير من عقوبة الاستراق (peeking)
- القرار: شحن / إيقاف / متابعة

شغّل فحص عدم تطابق نسبة العيّنة (SRM) أيضاً.
#experiment#stats
طبقة الذكاء الاصطناعي · P2Founder

إيجاز الصباح — ما حدث أمس

ملخّص الأمس، يُقرأ في 3 دقائق:

- 3 إجماليات لأحداث النتيجة الأساسية + متوسّط 7 أيام سابقة
- الحدث الشاذّ الوحيد (إن وُجد) + العدّ الخام
- تنبيهات قواعد الصحّة الجديدة
- أعلى قناة صاعدة وأعلى قناة هابطة أمس
- عدد طلبات DSR / النسيان المفتوحة

جملة واحدة لكل نقطة. وسِم ما يحتاج إجراءً بـ 'اليوم'.
#daily
MCP-readyFounder

الصحّة عبر كل التكاملات

@gurulu Sweep every active integration:

- SDK web: last 24h volume, error rate, version split
- SDK server: same + webhook dispatch error rate
- Webhook providers (Stripe / Shopify / LS / Custom): last 100 dispatches, failure %
- CAPI destinations (Meta / Google Ads / EMQ): dedup match rate
- AI layer: model fallback count, latency p95

Red flags first. One-line action per item.
#health
طبقة الذكاء الاصطناعي · P2Founder

ملخّص إيرادات قائم على النتائج

آخر 30 يوماً — ملخّص إيرادات قائم على النتائج:

حدث النتيجة: {{outcome_event_key}}
العملة: {{TRY|EUR|USD}}

- الإجمالي: صافٍ + مبالغ مستردّة
- مقابل الـ 30 يوماً السابقة
- أعلى 5 عملاء بالقيمة (مُعرّف مجهول + المبلغ)
- تقسيم جديد مقابل تجديد
- معدّل الاسترداد + أعلى 5 أسباب

الخطّ العلوي فقط — لا تخلطه بالحرق.
#outcome#revenue
MCP-readyFounder

تدقيق جودة البيانات

@gurulu Run a data-quality audit for the last {{7d}}:

- Quarantine / reject count + top 10 reasons
- Missing required-field patterns (event_key × field)
- Duplicate count (dedup hits)
- Identity confidence distribution (low / medium / high %)
- Schema drift warnings
- Pending conflicting person-merge suggestions

Sort by volume first, then by persistent pattern.
#quality
MCP-readyFounder

هذا الشهر مقابل الشهر الماضي

@gurulu Compare this month ({{month_year}}) to last month:

Outcome event: {{outcome_event_key}}

- Total + % change
- Weekly curve (both months together)
- 3 most-changed channels (up + down)
- New big customer / segment won or lost
- vs same period last year (if available)

No bold claims — say what the data says.
#compare#monthly
طبقة الذكاء الاصطناعي · P2Founder

ما تغيّر جوهرياً هذا الأسبوع

اجمع كل ما تغيّر جوهرياً الأسبوع الماضي في قائمة واحدة:

- أحداث النتيجة بانحراف ±2σ أو ±15%
- أحداث السجلّ المُضافة أو المُزالة
- قفزات غير معتادة في سجلّ دمج الهوية
- تنبيهات قواعد الصحّة الجديدة
- اتصال وجهة / CAPI جديد
- تراكم نسيان DSR

سطر واحد لكل بند مع عبارة "لماذا يهمّ" بين قوسين. بحدّ أقصى 10 بنود.
#anomaly#weekly
طبقة الذكاء الاصطناعي · P2Founder

مسوّدة تحديث للمستثمرين

صُغ تحديثاً للمستثمرين لـ {{month_year}}:

- الخلاصة (3 نقاط، أهمّها الرقم الأبرز في الخطّ العلوي)
- مقاييس المجتمع + المنتج: {{north_star}}، MRR/ARR، عدد العملاء، NPS
- مكاسب + دروس هذا الشهر
- طلبات مفتوحة — بماذا يمكن للمستثمر أن يساعد؟
- 3 أولويات للشهر القادم

بلا مطاردة للأرقام. إن هبطنا في موضع ما، قُل لماذا وما الخطّة.
#investor
طبقة الذكاء الاصطناعي · P2Founder

تفسير الشذوذ

فسّر شذوذ {{event_or_metric}} في {{date}}:

- المقدار (مطلق + % مقابل خطّ الأساس)
- أي إشارات شاذّة أخرى في الوقت نفسه (نشر، قفزة إعلانية، خدمة نهائية)
- أعلى 3 أسباب محتملة
- خطأ بيانات مقابل حقيقي — وأي دليل
- استعلامان يُشغَّلان للتحقّق

سيُستخدَم هذا لملخّص مجلس / مستثمر — اجعله قصيراً وصادقاً.
#anomaly
MCP-readyMarketer

بناء جمهور عالي القيمة من مجموعة RFM

@gurulu أنشئ جمهور M24 من مجموعة RFM وادفعه إلى وجهة:

المجموعة المصدر: {{cohort_id}}
مرشح شريحة RFM: {{rfm_segment}}
الوجهة المستهدفة: {{destination_id}}

- استخرج أعلى 10% من {{cohort_id}} حسب درجة monetary
- خذ التقاطع مع {{rfm_segment}} (مثل champions، loyal، at_risk)
- جسّد الجمهور مع provenance trace (أي الأحداث أهّلت كل شخص)
- المزامنة إلى {{destination_id}} (Meta CAPI / Google Ads / webhook)
- أرني عدد eligible مقابل pushed + 5 أعضاء عينة قبل التفعيل.
#M24#audience#rfm
طبقة الذكاء الاصطناعي · P2Growth

جمهور قائم على السلوك (نشط آخر 30 يوم)

ابنِ قالب جمهور M24 سلوكي:

الحدث المؤهِّل: {{event_key}}
نافذة الاسترجاع: {{lookback_days}} يوم
مرشحات الخصائص: {{property_filters}}

مثال: الأشخاص الذين أطلقوا {{event_key}} خلال آخر {{lookback_days}} يوم وتنطبق عليهم {{property_filters}} (مثل plan=pro AND completed_onboarding=true).

- الناتج: تعريف جمهور بصيغة JSON جاهز لـ M24 builder
- قدّر حجم الجمهور + 3 استراتيجيات توسّع lookalike
- اقترح نوع الوجهة الأنسب (paid retargeting مقابل lifecycle email)
- لاحظ أي قيود consent أو GCM v2 يجب تطبيقها قبل المزامنة.
#M24#audience#behavior
MCP-readyFounder

جمهور B2B على مستوى الحساب لتواصل CSM

@gurulu ابنِ جمهور M24 على مستوى الحساب لتواصل CSM / enterprise:

قائمة معرفات الحسابات: {{account_id_list}}
مرشح الطبقة: {{tier_filter}}

- اجمع person → account عبر معرّف الشركة في مساحة العمل
- صفّ الحسابات ضمن {{tier_filter}} (مثل enterprise، mid-market)
- أظهر إشارات الصحة لكل حساب (آخر تسجيل دخول، اتجاه MAU، حجم تذاكر الدعم)
- جمّع حسب مالك CSM إن توفّر
- الناتج: جدول جاهز لـ CSV + ملخص ملائم لـ Slack لفريق CSM.
#M24#audience#b2b
طبقة الذكاء الاصطناعي · P2Developer

أتمتة جمهور Churn-risk

أتمتة جمهور churn-risk (M24) يُفعَّل عند انخفاض التفاعل:

المقياس المتراجع: {{declining_metric}}
العتبة: {{threshold}}
Webhook للإشعار: {{webhook_url}}

- قارن {{declining_metric}} في آخر 7 أيام مع 7 أيام قبلها لكل شخص
- أضف إلى الجمهور إذا تجاوز التراجع {{threshold}} (مثل -50%)
- عند تغيّر العضوية، أرسل POST إلى {{webhook_url}} مع توقيع HMAC
- الإزالة تلقائياً عند عودة المقياس فوق العتبة
- ضع حاجز أمان: أوقف الأتمتة إذا تجاوز حجم الجمهور 5% من MAU.
#M24#audience#churn
MCP-readyMarketer

إعداد Meta CAPI لأول مرة، خطوة بخطوة

@gurulu اشرح لي توصيل وجهة M25 Meta CAPI من الصفر:

Pixel ID: {{pixel_id}}
Access token: {{access_token}}
الجمهور المستهدف: {{audience_id}}

1. تحقق من {{access_token}} مع Marketing API + أكّد ملكية البكسل
2. اربط أحداث outcome الخاصة بنا بأحداث Meta القياسية (Purchase، Lead، CompleteRegistration)
3. اضبط deduplication (event_id + event_time + fbp/fbc)
4. أرسل 3 أحداث اختبار من sandbox، وأكّدها في Events Manager
5. حوّل مزامنة {{audience_id}} إلى live + أرني match rate أول ساعة.
#M25#destinations#meta
MCP-readyGrowth

إعداد Google Ads OAuth + Customer Match

@gurulu اضبط وجهة M25 Google Ads Customer Match:

Customer ID: {{customer_id}}
User list ID: {{user_list_id}}
Developer token: {{developer_token}}

- شغّل تدفق OAuth مع حفظ refresh-token
- أكّد مستوى وصول {{customer_id}} (standard مقابل basic)
- قبل الرفع، هاش الـ PII (email، phone) بـ SHA-256 + التطبيع
- ادفع الدفعة الأولى إلى {{user_list_id}}، وأبلغ عن match rate لكل نوع معرف
- جدول مزامنة تدريجية كل 6 ساعات + تنبيه إذا انخفض match rate تحت 40%.
#M25#destinations#google-ads
طبقة الذكاء الاصطناعي · P2Developer

تكامل Webhook بنمط HMAC

أنشئ وجهة M25 webhook مع تحقق HMAC:

Webhook URL: {{webhook_url}}
Shared secret: {{secret}}
شكل الـ payload: {{payload_shape}}

- وقّع كل POST بـ `HMAC-SHA256(secret, body)` ضمن ترويسة `X-Gurulu-Signature`
- أضف `X-Gurulu-Timestamp` (Unix ms) وارفض الإعادة الأقدم من 5 دقائق
- طابق {{payload_shape}} الذي يتوقعه النظام المستقبل
- Retry: 5 محاولات بتراجع أسي (1s، 5s، 30s، 2m، 10m)
- بعد 5 إخفاقات، انقل إلى dead-letter وأبلغ مالك مساحة العمل.
#M25#destinations#webhook
MCP-readyFounder

أفضل ممارسات ربط الجمهور بالوجهة

@gurulu اربط جمهور M24 بوجهة M25 بشكل نظيف:

الجمهور: {{audience_id}}
نوع الوجهة: {{destination_kind}}
تردد المزامنة: {{sync_frequency}}

- اختر الإيقاع المناسب لـ {{destination_kind}}: realtime CAPI مقابل hourly batch مقابل daily CSV
- اربط provenance: ليبقى الحدث المؤهِّل لكل شخص ضمن الصف المُزامَن
- ضع حواجز rate-limit (لا تتجاوز الحصة اليومية للوجهة)
- أضف مراقبة: تنبيه إذا تجاوز تأخر المزامنة 2x {{sync_frequency}} أو نسبة الخطأ 2%
- وثّق خطة tear-down لقطع الاتصال بنظافة أثناء الحوادث.
#M25#destinations#sync
طبقة الذكاء الاصطناعي · P2Marketer

تخصيص ملخص الصباح حسب قطاعك

خصص ملخص M27 الصباحي لـ {{sector}}:

القطاع: {{sector}} (مثل ecommerce، saas، gambling، media، finance)
مقاييس التركيز: {{focus_metrics}}
النبرة: {{tone}} (مثل terminal، plain، friendly)

- استبدل 'sessions / signups' العامة بـ KPI أصلية للقطاع ({{focus_metrics}})
- نسّق الأرقام بالطريقة التي يتوقعها مشغّلو {{sector}} (GMV مقابل ARR مقابل handle/hold)
- ابدأ بحالة شذوذ واحدة تستحق ردة فعل، واختم بسؤال واحد يستحق الطرح
- حافظ على نبرة {{tone}}، بلا زخرفة تسويقية، بلا تحفّظ
- احفظ الملخص المخصص كافتراضي لمساحة العمل.
#M27#ai-layer#summary
طبقة الذكاء الاصطناعي · P2Developer

تدفق عمل تحقيق الشذوذ

@gurulu حقّق في شذوذ M27 هذا من البداية للنهاية:

Alert ID: {{alert_id}}
Event key: {{event_key}}
Severity: {{severity}}

1. اسحب نافذة baseline ونافذة الشذوذ لـ {{event_key}}
2. فكّك حسب source × campaign × device × geo لإيجاد أكبر مساهم
3. اربط مع deploys وتغييرات registry وأخطاء destination في النافذة نفسها
4. استبعد مشاكل جودة البيانات (قفزة quarantine؟ فشل dedup؟ موجة دمج identity؟)
5. اطرح 3 فرضيات مرتّبة + استعلامين SQL للتحقق من كل واحدة
6. اقترح إجراءً حسب {{severity}} (info → log، warn → review، critical → page on-call).
#M27#ai-layer#anomaly
MCP-readyFounder

تحسين تكلفة AI (ضبط chain provider)

@gurulu اضبط M27 ai-layer chain ليناسب ميزانية شهرية:

الميزانية الشهرية: {{monthly_budget}}
تفضيل المزود: {{provider_preference}} (مثل minimax_first، bedrock_first، cheapest_first)

- اعمل profiling لآخر 30 يوماً: تقسيم التكلفة حسب نوع الـ prompt (summary، anomaly، copy، codegen)
- اقترح أي أصناف prompt يمكنها النزول إلى مزود أرخص دون فقدان جودة
- اضبط أهداف cache hit لكل صنف (هدف ≥ 60% للملخصات)
- أعد ترتيب fallback chain ليحترم {{provider_preference}}
- اعرض التكلفة الشهرية المتوقعة مقابل {{monthly_budget}} + سقف صلب يوقف المهام غير الحرجة.
#M27#ai-layer#cost
طبقة الذكاء الاصطناعي · P2Growth

Prompt الملخص متعدد اللغات

أنشئ ملخص M27 بـ {{language}} لـ {{audience}}:

اللغة المستهدفة: {{language}} (مثل tr، en، zh، ar)
الجمهور: {{audience}} (مثل founders، marketers، فريق finance)
صوت persona: {{persona_voice}} (مثل analyst، coach، terminal)

- اكتب بـ {{language}} مباشرة، لا تترجم من الإنجليزية (تجنّب calque ركيك)
- طابق إلمام {{audience}} بالمقاييس (بلا مصطلحات لفريق finance، أعمق للمحللين)
- حافظ على {{persona_voice}} طوال الملخص
- للغات RTL (ar) لفّ الأرقام بـ LTR isolate لتبقى مرتبة
- اختم بعنصر إجراء واحد بصيغة الأمر باللغة المستهدفة.
#M27#ai-layer#i18n
MCP-readyFounder

طلب الشريك + onboarding على Stripe Connect

@gurulu استقبل شريك M43 affiliate جديد:

نوع الشريك: {{partner_type}} (مثل agency، creator، community، integrator)
الحجم الشهري المتوقع: {{expected_volume}}

- راجع الطلب + علّم أي مخاطر امتثال (مناطق تحت عقوبات، تعارض مصالح)
- جهّز حساب Stripe Connect Express (KYC + عملة الدفع)
- ولّد referral slug + بيانات اعتماد dashboard للشريك
- اختر طبقة العمولة الابتدائية بناءً على {{partner_type}} + {{expected_volume}}
- أرسل رسالة ترحيب فيها 3 قوالب: blog، X thread، podcast plug-in.
#M43#affiliate#stripe
طبقة الذكاء الاصطناعي · P2Marketer

تتبع الإحالة + استراتيجية UTM

صمّم خطة M43 لتتبع الإحالة و UTM:

Campaign: {{utm_campaign}}
Landing path: {{landing_path}}
Referral slug: {{slug}}

- ابنِ الرابط القانوني: gurulu.io{{landing_path}}?ref={{slug}}&utm_source=affiliate&utm_medium=referral&utm_campaign={{utm_campaign}}
- احفظ `ref` في كوكي first-party لمدة 30 يوماً (consent-aware)
- انسب التحويلات إلى الـ slug حتى لو سقطت UTMs في منتصف الـ funnel
- جهّز dashboard لكل شريك: clicks، signups، paid conversions، مساهمة MRR
- قدّم 3 قواعد لنظافة UTM حتى لا يكتب الشركاء فوق بعضهم.
#M43#affiliate#utm
MCP-readyFounder

تحسين الدفعات & إدارة الطبقات

@gurulu حسّن الدفعات + الطبقة للشريك {{partner_id}}:

الشريك: {{partner_id}}
مساهمة MRR التراكمية: {{cumulative_mrr}}
نسبة tier override: {{tier_override_pct}}

- اقرأ الطبقة الحالية من ledger M43 + الجدول الافتراضي (20% / 25% / 30%)
- إذا تجاوز {{cumulative_mrr}} العتبة التالية، رقّ الطبقة في دفعة الشهر القادم
- طبّق {{tier_override_pct}} إذا كان محدداً (مثل شريك استراتيجي بصفقة مخصصة)
- توقّع دفعة الشهر القادم تحت الطبقة الحالية مقابل الجديدة
- لاحظ أي مخاطر clawback (refunds، عملاء churn ضمن نافذة الحماية).
#M43#affiliate#payout
طبقة الذكاء الاصطناعي · P2Developer

تدفق عمل اكتشاف الأنماط متعددة الصفحات

@gurulu اكتشف selector متكرراً عبر صفحات متعددة باستخدام crawler M13 F2.3:

Base selector: {{base_selector}}
نمط URL: {{url_pattern}}
الحد الأقصى للصفحات: {{max_pages}}

- زحف إلى ما يصل إلى {{max_pages}} عنوان URL يطابق {{url_pattern}} (احترم robots.txt + حدود المعدل)
- في كل صفحة، حدد العناصر المطابقة لـ {{base_selector}} + التقط سماتها الثابتة
- جمّع متغيرات selector واختر الأكثر مرونة (data-testid > role > class chain)
- اقترح قاعدة registry تُفعَّل على selector الموحَّد عبر كل URLs المطابقة
- أظهر تقرير تغطية: نسبة hit لكل صفحة + 5 عناصر استثنائية للمراجعة قبل حفظ القاعدة.
#M13#F2#crawler
MCP-readyGrowth

قراءة نتيجة A/B البايزية

@gurulu اقرأ تجربة "{{experiment_key}}" (M30) بالطريقة البايزية:

- اشتق التوزيع اللاحق Beta(1+conversions, 1+misses) لكل متغيّر
- احسب P(variant > control) و expected loss
- أعطِ فترة مصداقية 95% (وليس p-value تكراري)
- هل تحقّق الحد الأدنى للعينة، هل هناك خطر peeking
- القرار: ship / kill / استمرار — اشرح بثقة عيّنة MC
#M30#experiment#bayesian
MCP-readyGrowth

فرضية ← مطابقة registry outcome

@gurulu اربط فرضية تجربة جديدة بالـ registry:

الفرضية: {{hypothesis}}
المتغيّرات: {{variants}}

- اقترح حدث outcome موجودًا في registry لـ primary_metric_event_key (لا تختلق اسمًا)
- تحقّق أن الـ outcome موثّق (خادم M12)؛ نبّه إن لم يكن
- ذكّر أن حدث التعرّض = experiment_exposed (Interaction، بذرة نظام)
- الإسناد الحتمي: hash(experiment_key+uid)%10000 — uid = person_id ∥ anonymous_id
- إن نقص عقد registry، اقترح 'gurulu push' أولًا
#M30#experiment#registry
MCP-readyDeveloper

اشرح تحذير SRM

@gurulu اشرح تحذير SRM (عدم تطابق نسبة العيّنة) للتجربة "{{experiment_key}}":

الأوزان المتوقّعة: {{expected_weights}}
التعرّضات المرصودة: {{observed_counts}}

- اختبر بـ chi-square التقسيم المتوقّع مقابل المرصود
- هل الـ SRM حقيقي أم ضوضاء (العتبة p<0.001)
- الأسباب المحتملة: حركة البوتات، خلل إسناد، فقد إعادة توجيه، تعرّض متأخّر
- هل النتائج موثوقة — إن وُجد SRM، حذّر من تفسير النتائج
- اقترح خطوات معالجة
#M30#experiment#srm
طبقة الذكاء الاصطناعي · P2Marketer

ولّد متغيّرات محتوى النافذة

@gurulu ولّد {{n_variants}} متغيّرات محتوى لنافذة M31:

الشريحة المستهدفة: {{audience}}
الهدف: {{goal}} (مثل جمع البريد، استعادة السلة)
النوع: {{popup_type}} (modal / banner / slide-in)

لكل متغيّر: عنوان، نص، cta_label، عنصر نائب cta_url.
- اقترح مُشغّلًا (exit_intent / scroll / delay)
- اقترح frequency_cap (لكل شخص/يوم)
- ذكّر أنه لا يُعرض دون موافقة تسويقية (M4)
- يُنقّى المحتوى على الخادم (allow-list HTML) — دون script/معالجات مضمّنة
#M31#activation#popup
طبقة الذكاء الاصطناعي · P2Growth

صمّم خطوة جولة

@gurulu صمّم تسلسل خطوات لجولة تهيئة M32:

هدف التفعيل: {{activation_goal}}
خطوة المسار الضعيفة: {{weak_step}}

لكل خطوة: selector، title، body، placement، advance_on (click/event/next).
- تشغيل تلقائي في أول جلسة أم يدوي gurulu.tour.start(key)
- يُخزَّن التقدّم على الخادم (عبر الأجهزة) — أشِر لذلك
- اذكر قياس تسرّب الخطوات عبر حدث tour_step_completed Interaction
- لا تتجاوز 3-5 خطوات (ينخفض الإكمال)
#M32#activation#tour
MCP-readyGrowth

قاعدة Personalization + holdout

@gurulu أنشئ قاعدة personalization لـ M33:

Slot: {{slot_key}}
مطابقة Audience → محتوى: {{rules}}
Holdout: {{holdout_percent}}%

- اقترح ترتيب priority للشرائح المتداخلة (الأول مطابقةً يفوز)
- عرّف default_content (لا تطابق / مجموعة holdout)
- إن كان holdout_percent > 0، يُقاس الأثر عبر رفع M30 البايزي — اشرح
- علم وضع الإسناد = personalize (حتمي)، وليس measure (M30)
- تتبّع serve/conversion عبر حدث personalization_served Interaction
#M33#activation#holdout
MCP-readyFounder

ركّب لوحة من الـ insights

@gurulu ركّب لوحة مخصّصة من الـ insights القائمة:

السؤال المطلوب: {{question}}
الجمهور: {{viewer}} (مثل founder، growth)

- ما الـ widgets المطلوبة (kpi / timeseries / breakdown / funnel / retention / table)
- لكل widget، query_config = معاملات نقطة قائمة (دون محرّك مقاييس جديد)
- اقترح تخطيط شبكة (x/y/w/h)
- visibility = private أو workspace
- widgets اللوحة تستدعي /v1/insights و /v1/funnels و /v1/retention القائمة — دون خادم جديد
#boards#dashboard
MCP-readyMarketer

قالب لوحة مشترك

@gurulu اقترح قالب لوحة مشترك لفريق:

الدور: {{role}} (مثل تسويق أسبوعي، founder يومي)
القطاع: {{sector}}

- عرّف مجموعة widgets قياسية بـ visibility = workspace
- أعطِ لكل widget عنوانًا + query_config (نقطة قائمة)
- ما المقاييس التي تقود قرارات هذا الدور، وما الذي يُترك
- تخطيط افتراضي منطقي لعضو فريق جديد
- وضّح إن كان يمكن استنساخ اللوحة شخصيًا
#boards#template
MCP-readyFounder

تحسين تكلفة الذكاء الاصطناعي (M46)

@gurulu حسّن تكلفة ميزة الذكاء الاصطناعي الخاصة بي عبر M46 LLM Analytics:

النطاق الزمني: {{date_range}}
ميزانية الذكاء الشهرية: {{monthly_budget}}

- فكّك التكلفة حسب provider × model × operation من أحداث llm_request
- أي فئة استدعاء هي الأغلى (التوكن × خريطة السعر)
- اقترح عمليات يمكن خفضها لنموذج أرخص (دون فقد جودة)
- ذكّر أنه إن غابت cost تُشتق من خريطة model→السعر
- توقّع مقابل الميزانية + رتّب التوفير
#M46#llm#cost
MCP-readyDeveloper

تحقيق كمون/أخطاء النموذج

@gurulu حقّق في كمون النموذج + الأخطاء ضمن M46 LLM Analytics:

النموذج: {{model}}
النطاق الزمني: {{date_range}}

- فكّك llm_request status: نِسب success / error / timeout / rate_limited
- latency_ms p50/p95/p99 — أي operation بطيئة
- هل ارتفاع الخطأ/المهلة مرتبط بمزوّد أو نموذج محدّد
- إن قفز rate_limited، اقترح حصة/تراجعًا
- الأثر: أي مسار outcome يكسره هذا البطء (إعادة استخدام identity)
#M46#llm#latency
طبقة الذكاء الاصطناعي · P2Developer

تحليل الجذر لأخطاء LLM

@gurulu حلّل الجذر لأخطاء LLM خلال آخر {{lookback}}:

- جمّع llm_request بحالة status=error/timeout/rate_limited
- جد بُعدًا مشتركًا: provider، model، operation، وقت النشر
- هل يرتبط معدّل الخطأ بإصدار/نافذة زمنية
- المحتوى مغلق افتراضيًا (metadata فقط) — حلّل دون PII
- رتّب السبب المحتمل + الإصلاح (إعادة محاولة، تبديل نموذج، إصلاح prompt)
#M46#llm#errors
طبقة الذكاء الاصطناعي · P2Developer

إعداد OTel SDK

@gurulu اربط خدمتي بـ Gurulu observability عبر OTLP:

اللغة/الإطار: {{stack}}
اسم الخدمة: {{service_name}}

- اعرض إعداد OpenTelemetry SDK القياسي (دون vendor lock — Gurulu = نقطة OTLP)
- وجّه مُصدّر OTLP إلى /v1/otlp/v1/{traces,logs,metrics} عبر HTTP
- رأس auth بـ workspace OTLP token
- أضِف خصائص مورد tenant/workspace (بوّابة Universe K15)
- نصيحة المعاينة: head 100% للخدمات الصغيرة، tail-sampling للكبيرة
#observability#otel#setup
طبقة الذكاء الاصطناعي · P2Developer

استعلام السجلات/التتبّع

@gurulu حقّق في حادثة بالسجلات + التتبّع داخل observability:

العَرَض: {{symptom}}
النطاق الزمني: {{time_range}}
الخدمة: {{service_name}}

- رشّح otel_logs على severity=error، وابحث في body
- جد trace_id ذا الصلة، وابنِ شلّال otel_traces
- في service_map، أي caller→callee بطيء/مخطئ
- هل هذا الخطأ في نفس رسم identity لحدث منتج/مسار (ارتباط)
- هل ضمن احتفاظ hot/warm، وإلا نبّه إلى cold S3
#observability#logs#traces
محفّزات جاهزة — Gurulu