Prompt library پر واپس
Prompt libraryChat Prompt

Bug reproduction planner chat

structured chat workflow استعمال کرتے ہوئے vague bug report کو concrete reproduction plan میں بدلیں۔

debuggingQAreproduction
Preview

Chat Prompt

Recommended model

GPT-5.2

Output format

Bug reproduction planner chat

Preview

Chat Prompt

chat thread

Users کہتے ہیں کہ prompt page کبھی کبھی ان کا model filter کھو دیتا ہے۔

Known signal: filter state navigation کے دوران غائب ہوتا ہے، initial load پر نہیں۔ Likely surfaces: query hydration، locale routing، اور client state reset۔ Reproduction path: list کھولیں، model select کریں، detail میں جائیں، browser back سے واپس آئیں۔ Evidence to collect: URL، input value، console errors، اور network cache behavior۔

Output

مقصد / سیاق / judgment / risks / recommended actions / missing information

Bug Reproduction Planner Chat کے لیے structured conversation example۔

Full prompt

Bug reproduction planner chat

Bug Reproduction Planner Chat: vague bug report کو concrete reproduction plan میں بدلیں۔

Recommended model: GPT-5.2Output format: Bug reproduction planner chat
Full prompt
Chat Prompt
آپ ایک debugging lead ہیں۔ user input کی بنیاد پر vague bug report کو concrete reproduction plan میں بدلیں۔ structured answer واپس کریں جس میں یہ حصے ہوں: objective، known context، key judgment، risks یا gaps، recommended actions، اور missing information۔ claims کو provided material پر ground کریں؛ facts گھڑنے کے بجائے assumptions کو mark کریں۔ صرف اس وقت زیادہ سے زیادہ ایک clarifying question پوچھیں جب critical context missing ہو۔

Usage notes

real context، constraints، audience اور deadline paste کریں؛ model سے missing facts invent کرنے کو نہ کہیں۔

Prompt FAQ

یہ prompt استعمال کرنے سے پہلے

Inputs، model fit اور template adapt کرنے کے طریقے کو جلد check کریں تاکہ result کمزور نہ ہو۔

Bug Reproduction Planner Chat کب استعمال کرنا چاہیے؟

اسے تب استعمال کریں جب آپ کو real input کو structured، actionable اور reviewable chat output میں بدلنا ہو۔

اسے چلانے سے پہلے مجھے کیا شامل کرنا چاہیے؟

goal، constraints، audience، source material اور وہ boundaries شامل کریں جنہیں model کو invent نہیں کرنا چاہیے۔

Thread preview

Users کہتے ہیں کہ prompt page کبھی کبھی ان کا model filter کھو دیتا ہے۔
Known signal: filter state navigation کے دوران غائب ہوتا ہے، initial load پر نہیں۔ Likely surfaces: query hydration، locale routing، اور client state reset۔ Reproduction path: list کھولیں، model select کریں، detail میں جائیں، browser back سے واپس آئیں۔ Evidence to collect: URL، input value، console errors، اور network cache behavior۔

Output

مقصد / سیاق / judgment / risks / recommended actions / missing information

اس mode میں مزید prompts

chat thread

ہم چھوٹی ecommerce teams کے لیے ایک AI assistant بنانا چاہتے ہیں جو product photos کو campaign assets میں بدل دے۔

Problem hypothesis: چھوٹی ecommerce teams raw product photos کو channel-ready campaign assets میں بدلنے میں وقت ضائع کرتی ہیں۔ Riskiest assumptions: photo quality کافی اچھی ہے، teams AI asset variation پر اعتماد کرتی ہیں، اور اصل bottleneck review time ہے۔ Research questions: campaign asset creation کا owner کون ہے، revisions کہاں رکتی ہیں، اور کون سا quality bar publishing کو روکتا ہے۔ Validation plan: 5 operators کے interviews کریں، 3 prompt-led asset flows test کریں، اور time-to-first-approved asset compare کریں۔ Decision gate: صرف اس صورت میں آگے بڑھیں جب teams اپنے current workflow سے تیز publishable draft تک پہنچ سکیں۔

chat thread

ہم solo consultants کے لیے ایک نیا AI notes product explore کر رہے ہیں۔ اسے research brief میں بدلنے میں میری مدد کریں۔

Objective: define کریں کہ solo consultants کو AI notes workspace چاہیے یا ہلکی client-follow-up layer۔ Working assumptions: وہ پہلے ہی notes capture کرتے ہیں، مگر synthesis اور next-step drafting inconsistent ہیں۔ Audience: recurring client calls اور limited operations support رکھنے والے solo consultants۔ Key questions: کون سے notes billable work بنتے ہیں، calls کے بعد کیا کھو جاتا ہے، اور CRM tools کہاں بہت heavy محسوس ہوتے ہیں۔ Research plan: 6 interviews کریں، 10 recent call-note workflows review کریں، اور ایک follow-up brief prototype test کریں۔

chat thread

یہ ہمارے AI پروڈکٹ لینڈنگ پیج کا خاکہ ہے۔ ڈیزائن شروع کرنے سے پہلے بتائیں کہ کیا بات غیر واضح ہے۔

بنیادی وعدہ: دکھائی دے رہا ہے، لیکن ابھی بھی اسے ایک ٹھوس صارف نتیجے کے بجائے فیچر کے طور پر پیش کیا گیا ہے۔ غیر واضح نکتہ: صفحہ یہ نہیں بتاتا کہ سب سے پہلے کس صارف کو value ملتی ہے یا signup کے بعد workflow کیسے بدلتا ہے۔ مثال کی کمی: before-after مثالیں، model output samples، اور hero کے قریب ایک مختصر trust signal شامل کریں۔ CTA مسئلہ: بنیادی action بہت زیادہ وضاحت کے بعد آتا ہے؛ quick-use سیکشن کے قریب استعمال پر مبنی CTA منتقل کریں۔ ترمیمی منصوبہ: hero کو تیز کریں، outcome cards شامل کریں، پھر visuals polish کرنے سے پہلے اعتراضات دوبارہ لکھیں۔