آیرو — خودآموز رباتیک

فصل ۸ از ۱۱

پیشرفت ترم
۰٪

در این فصل چه می‌سازی#

جلسهٔ قبل کدت با یک هوش مصنوعی چت کرد — ولی هرچه گفتیم از ذهنِ خودمان بود. امروز اتفاقِ مهم‌تری می‌افتد: دنیای واقعی واردِ گفت‌وگو می‌شود. یادت هست ایستگاه هواشناسیِ ترم ۲؟ چه پروژهٔ خوبی بود — ولی زبانش «عدد» بود: 24 C، 41 %. عدد دقیق است، ولی حرف نمی‌زند. امروز به ایستگاهت زبان می‌دهیم: سنسورها همان اعدادِ همیشگی را می‌خوانند، اعداد داخلِ prompt می‌روند، و AI از دلشان یک گزارشِ فارسیِ آدمیزادی می‌سازد: «اتاقت الان کمی دم‌کرده است؛ پنجره را باز کن.» اسمِ پروژه: دستیار سنسوری هوشمند.

و یک قولِ مهم: امروز فقط قدرتِ AI را نمی‌بینیم. برای اولین بار در این دوره، مچِ AI را موقعِ یک اشتباهِ واقعی می‌گیریم — با سند و مدرک، جلوی چشمت. چون دستیاری که کورکورانه باورش کنی، از نداشتنِ دستیار خطرناک‌تر است.

آخر این فصل می‌توانی:

  • دادهٔ DHT11 و LDR را بخوانی و به ساده‌ترین راهِ صادقانه به کامپیوتر برسانی.
  • دادهٔ سنسور را با دستورِ پختِ «نقش + داده + خواسته + قالب» داخلِ prompt بگذاری و گزارشِ فارسی بگیری.
  • بگویی hallucination چیست، نمونه‌اش را ببینی و با دادهٔ واقعی ردش کنی.
  • چهار محدودیتِ جدیِ AI را نام ببری و بگویی چرا هر عدد و ادعای AI باید با واقعیت چک شود.
  • با AI ایده‌پردازی کنی و ایده‌ها را با چک‌لیستِ انتقادی ارزیابی کنی.

قبل از شروع: چک‌لیست پیش‌نیاز#

قبل از ادامه این‌ها را چک کن — اگر یکی‌شان لنگ می‌زند، اول برگرد همان فصل:

  • از فصل ۷: تماس با Gemini از کامپیوتر — requests.post، هدرها، پارسِ جواب، input() و secrets.py. امروز همان موتور است با سوختِ جدید: دادهٔ واقعی.
  • از فصل ۴: داشبوردِ سنسورها — همان مدارِ امروز برمی‌گردد.
  • از ترم ۲، فصل ۶: DHT11 و try/except OSError.
  • از ترم ۲، فصل ۴: LDR و درصدِ نور.
  • از ترم ۲، فصل ۳: تبدیلِ رشته به عدد با int() — امروز جانمان را نجات می‌دهد.
  • از فصل ۳: رشتهٔ سه‌نقل‌قولی — پرامپتِ چندخطی با همان ساخته می‌شود.

لوازم این فصل:

قطعه / ابزار تعداد جایگزین
ESP32 ⁦DevKit + Breadboard⁩ + کابل USB ۱ مسیرِ شبیه‌ساز آخرِ فصل
DHT11 (ترم ۲) ۱ در شبیه‌ساز: DHT22 با یک خط تغییر
LDR + مقاومت 10k (ترم ۲) ۱ بدونِ LDR هم می‌شود — فقط دما و رطوبت را بفرست
کامپیوتر با Python و requests (فصل ۷) ۱ —
کلیدِ Gemini در secrets.py (فصل ۷) ۱ —

۱. مدارِ قدیمی، دوستانِ قدیمی#

مدارِ امروز را از حفظی: همان مدارِ داشبوردِ فصل ۴، که خودش همان مدارِ ترم ۲ بود. DHT11 روی پایهٔ ۱۶ (تغذیهٔ 3V3 و GND)، و LDR سرِ جای همیشگی‌اش: یک سرش به 3V3، سرِ دیگرش به پایهٔ ۳۵، و از همان نقطه یک مقاومت 10k به GND — مقسمِ ولتاژِ خودمان. اگر جزئیات یادت نیست، ترم ۲، فصل ۴ همیشه سرِ جایش است.

برنامهٔ ESP32 امروز عمداً ساده است — برد فقط یک کار می‌کند: هر پنج ثانیه، سه عدد را در Shell چاپ کند. اول طبقِ عادتِ خوش‌بینانه، بدونِ کمربندِ ایمنی امتحان کن — و بگذار یک صحنهٔ آشنای ترم ۲ را عمداً بازسازی کنیم: سیمِ DATA سنسور را کمی شل کن و اجرا:

Traceback (most recent call last):
  File "<stdin>", line 10, in <module>
  File "dht.py", line 17, in measure
OSError: [Errno 110] ETIMEDOUT

ETIMEDOUT — «صدایش کردم، جواب نداد». همان خطای معروفِ DHT11 از ترم ۲: تقریباً همیشه یعنی سیم‌کشی. سیم را محکم کن، و مثلِ یک مهندس، دورِ خواندنِ سنسور زرهِ try/except OSError بپوشان تا اگر وسطِ کار سکسکه کرد، برنامه نمیرد. کدِ کامل در 01_esp32_sensor_reader.py:

# Term 4 - Session 08 - gozaresh-e sensor-ha dar Shell (roye ESP32 - MicroPython!)
# medar-e term 2: DHT11 -> GPIO 16 | LDR + moghavemat 10k -> GPIO 35
from machine import Pin, ADC
import dht
import time

sensor = dht.DHT11(Pin(16))
ldr = ADC(Pin(35))
ldr.atten(ADC.ATTN_11DB)

print("gozaresh har 5 sanie - adad-ha ra baraye dastyar yaddasht kon!")
while True:
    try:
        sensor.measure()
        temp = sensor.temperature()
        hum = sensor.humidity()
        light = ldr.read() * 100 // 4095
        print(f"dama: {temp} C | rotubat: {hum} % | noor: {light} %")
    except OSError:
        print("khata-ye sensor! sim-ha ra check kon (mesle term 2)")
    time.sleep(5)

✅ چک کن: بعد از محکم‌کردنِ سیم، هر پنج ثانیه باید سه عددِ زنده ببینی — دما، رطوبت، نور. این‌ها را برای دستیار یادداشت کن.

⚠️ مواظب باش: دقت کن این فایل میکروپایتون است و روی برد اجرا می‌شود. امروز دو دنیای فصل ۷ را با هم داریم و نباید قاطی شوند: فایلِ خواندنِ سنسور در Thonny (روی برد)، و فایل‌های دستیار در ترمینالِ کامپیوتر. هر جا گیر کردی، اول از خودت بپرس «این فایل کجا باید اجرا شود؟».

چالش: ETIMEDOUT یعنی چه؟

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

۲. پلِ ساده + دستورِ پختِ prompt#

اعداد روی Shellِ برد هستند؛ دستیارِ AI هم برنامه‌ای است که فصل قبل روی کامپیوتر ساختیم. این دو را چطور به هم برسانیم؟ جوابِ صادقانه: ساده‌ترین راهِ دنیا — چشم و دستِ خودت! اعداد را از Shell (یا از داشبوردِ فصل ۴ روی گوشی‌ات) می‌خوانی و با input() فصل قبل به دستیار می‌دهی. قبول، خودکار نیست — ولی مهندسِ خوب اول ساده‌ترین نسخه‌ای را می‌سازد که کار کند، بعد خودکارش می‌کند (تمرینِ ستاره‌دار همین است، و فصل ۹ کلاً کامپیوتر را از وسط برمی‌داریم!).

حالا مهم‌ترین مهارتِ امروز: این اعداد را چطور در prompt بگذاریم که بهترین گزارش را بگیریم؟ فصل قبل دیدی پرامپتِ دقیق، جوابِ بهتر می‌گیرد. بگذار دقیقش کنیم — پرامپتِ خوب مثلِ یک دستورِ پخت، چهار ماده دارد:

  1. نقش (Role): به AI بگو چه کسی باشد — «تو دستیارِ خانهٔ یک هنرجوی نوجوانِ رباتیک هستی». نقش، لحن و سطحِ جواب را تنظیم می‌کند.
  2. داده (Data): اعدادِ سنسور، تمیز و برچسب‌دار — دما این، رطوبت این، نور این. برچسب مهم است؛ AI نباید حدس بزند کدام عدد چیست!
  3. خواسته (Task): دقیقاً چه کاری؟ «یک گزارشِ کوتاه و گرم دربارهٔ وضعیتِ اتاق بنویس».
  4. قالب (Format): شکلِ جواب — «فارسیِ ساده، حداکثر سه جمله، آخرش یک پیشنهادِ عملی». بدونِ قالب، AI ممکن است یک انشای دوصفحه‌ای تحویل بدهد!

کارتِ دستورِ پختِ prompt روی تختهٔ چوب‌پنبه با چهار ردیفِ ماده، هر ردیف یک آیکون و برچسبِ کوتاهِ انگلیسی: ROLE با آیکونِ کلاهِ آشپز، DATA با سه ظرفِ اندازه‌گیریِ برچسب‌دار پر از عدد، TASK با آیکونِ هدف، FORMAT با یک خط‌کش و حبابِ گفتارِ سه‌خطی؛ پایینِ کارت یک کاسهٔ مخلوط که داخلِ پاکتِ درخشانِ prompt می‌ریزد

چالش: کدام ماده جا افتاده؟

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

۳. دستیار نسخهٔ ۱#

بریم سراغِ ساخت. فایلِ جدید روی کامپیوتر: 02_desktop_sensor_assistant.py — کنارِ فایل‌های فصل قبل، تا secrets.py همان‌جا باشد. اسکلتِ برنامه: سه تا input() برای سه عدد، ساختِ پرامپت، و همان موتورِ فصل ۷ (بدنه، POST، پارس). برای پرامپتِ چندخطی، رشتهٔ سه‌نقل‌قولیِ فصل ۳ برمی‌گردد — و چون داده داخلش می‌گذاریم، حرفِ f اولش می‌آید: f-string چندخطی، دقیقاً مثلِ داشبوردِ فصل ۴. چهار مادهٔ دستورِ پخت را مرتب می‌چینیم:

prompt = f"""You are a friendly home assistant for a teenage robotics student.
Sensor data from the student's room right now:
- temperature: {temp} C
- humidity: {hum} %
- light level: {light} %
Write a short warm report about the room in simple Persian
(maximum 3 sentences) and end with one practical tip."""

نقش، دادهٔ برچسب‌دار، خواسته، قالب — هر چهار ماده سرِ جایش. حالا یک قابلیتِ کوچکِ محلی هم اضافه کنیم: اگر دما خیلی بالا بود، خودِ برنامه قبل از AI یک هشدار چاپ کند. بنویس if temp > 35: و اجرا —

Traceback (most recent call last):
  File "C:\Users\airo\Desktop\airo-ai\02_desktop_sensor_assistant.py", line 22, in <module>
    if temp > 35:
TypeError: '>' not supported between instances of 'str' and 'int'

TypeError! بخوانش: «علامتِ بزرگ‌تر بینِ رشته و عدد تعریف نشده». فصل قبل هشدارش را داده بودم: هرچه از input بیاید رشته است — داری "24" را با 35 مقایسه می‌کنی، متن با عدد! درمانش را از ترم ۲ بلدی: int(). یک خط اضافه کن — temp_num = int(temp) — و مقایسه را با temp_num بنویس. دقت کن برای خودِ پرامپت همان رشته کافی بود؛ عدد را فقط برای مقایسه لازم داشتیم. کدِ کامل در 02_desktop_sensor_assistant.py:

# Term 4 - Session 08 - dastyar-e sensori v1 (roye COMPUTER, na ESP32!)
# ejra dar terminal:  python 02_desktop_sensor_assistant.py
# adad-ha ra az Shell-e bord (ya dashboard-e jalase 4) bekhan va inja type kon
import requests
import json
import secrets

# address + esm-e model: gahi avaz mishavand (404 = esm-e model avaz shode)
URL = "https://generativelanguage.googleapis.com/v1beta/models/gemini-flash-latest:generateContent"

headers = {
    "Content-Type": "application/json",
    "x-goog-api-key": secrets.GEMINI_API_KEY,
}

print("=== AIRO sensor assistant v1 ===")
temp = input("dama (C): ")
hum = input("rotubat (%): ")
light = input("noor (%): ")

temp_num = int(temp)   # input hamishe RESHTE midahad (jalase 7!) - baraye moghayese adad lazem ast
if temp_num > 35:
    print("hoshdar-e mahali: kheyli garm ast!")

# dastoor-e pokht-e prompt: naghsh + dade + khaste + ghaleb
prompt = f"""You are a friendly home assistant for a teenage robotics student.
Sensor data from the student's room right now:
- temperature: {temp} C
- humidity: {hum} %
- light level: {light} %
Write a short warm report about the room in simple Persian
(maximum 3 sentences) and end with one practical tip."""

body = {
    "contents": [
        {"parts": [{"text": prompt}]}
    ]
}

print("dar hale gereftan-e gozaresh...")
r = requests.post(URL, headers=headers, data=json.dumps(body))
data = r.json()
try:
    report = data["candidates"][0]["content"]["parts"][0]["text"]
    print()
    print("---- gozaresh-e dastyar ----")
    print(report)
except KeyError:
    print("javab-e ghabel-e khandan nagereftam! status:", r.status_code)
    print(r.text)

اجرای دوباره: سه عدد را از Shellِ برد بخوان و تایپ کن — ۲۴، ۴۱، ۸۸... چند لحظه... و:

«سلام! هوای اتاقت با دمای ۲۴ درجه و رطوبت ۴۱ درصد حسابی دلچسب است. نور ۸۸ درصدی هم نشان می‌دهد یک روزِ آفتابی و روشن داری! پیشنهاد: از این نورِ عالی استفاده کن و میزِ کارت را کنارِ پنجره ببر.»

سه عددِ خشک رفت، یک گزارشِ گرم و مرتب برگشت — با همان قالبی که خواستیم: کوتاه، فارسی، با پیشنهاد. ایستگاه هواشناسیِ تو الان سخنگو دارد. این دقیقاً کاری است که اپ‌های هواشناسیِ بزرگ و دستیارهای صوتی پشتِ صحنه می‌کنند.

چالش: چرا int() برای پرامپت لازم نشد؟

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

۴. شکارِ hallucination: مچ‌گیری با سند#

یک لحظه. برگرد به آن گزارشِ قشنگ و جملهٔ دومش: «یک روزِ آفتابی و روشن داری». ساعت را نگاه کن: نه و نیمِ شب است! پرده را کنار بزن — بیرون تاریکِ تاریک. پس نورِ ۸۸ درصد از کجا آمد؟ از چراغِ مطالعهٔ روی میز، یک وجب بالای LDR!

قابِ دوتایی: سمت چپ میزِ یک نوجوان در شب — پنجرهٔ تاریک با ماه و ستاره، ساعتِ دیواریِ ۲۱:۳۰، و چراغِ مطالعه که مستقیم روی یک سنسورِ نورِ کوچک با برچسبِ 88 % می‌تابد؛ سمت راست ابری با نشانِ AI که با اطمینان تصویرِ یک آسمانِ آفتابی را بالا گرفته و یک ضربدرِ قرمزِ بزرگ روی تصویرِ آفتابی خورده؛ ذره‌بینی دو قاب را مقایسه می‌کند

AI اشتباه نکرد که عدد را بد خوانده باشد — بدتر از آن: چیزی را با اطمینانِ کامل گفت که اصلاً نمی‌توانست بداند. عدد ۸۸ را دید، در ذهنش «نورِ زیاد = روزِ آفتابی» را بافت، و بدونِ هیچ تردیدی تحویل داد. این پدیده اسم دارد: hallucination — یعنی وقتی AI با لحنِ کاملاً مطمئن، چیزی می‌گوید که ساختگی یا نادرست است. خطرش دقیقاً در همان لحن است: جملهٔ غلط و جملهٔ درست، هر دو با همان اعتمادبه‌نفس گفته می‌شوند!

چرا این‌طور شد؟ چون AI چشم ندارد، سنسور ندارد، در اتاقِ تو نیست. تمامِ دنیای او همان چند خط prompt توست. ما نوشتیم «نور ۸۸ درصد» ولی نگفتیم این نور داخلِ اتاق است، نگفتیم ساعت چند است، نگفتیم چراغ هم حساب می‌شود. AI جاهای خالی را با حدسِ محتمل پر کرد — و حدسش این بار غلط بود.

درمانش هم دقیقاً همین‌جاست: جاهای خالی را خودت پر کن. نسخهٔ صادقِ دستیار دو ورودیِ جدید می‌گیرد — ساعت و محلِ سنسور — و دو قانونِ صداقت به پرامپت اضافه می‌کند: «فقط از همین داده‌ها استفاده کن و چیزی حدس نزن» و «اگر چیزی از این داده‌ها درنمی‌آید، صادقانه بگو نمی‌دانم». کدِ کامل در 03_desktop_assistant_honest.py:

# Term 4 - Session 08 - dastyar-e sadegh: context + ghanun-e sedaghat dar prompt
# ejra dar terminal:  python 03_desktop_assistant_honest.py
import requests
import json
import secrets

# address + esm-e model: gahi avaz mishavand (404 = esm-e model avaz shode)
URL = "https://generativelanguage.googleapis.com/v1beta/models/gemini-flash-latest:generateContent"

headers = {
    "Content-Type": "application/json",
    "x-goog-api-key": secrets.GEMINI_API_KEY,
}

print("=== AIRO sensor assistant - honest edition ===")
temp = input("dama (C): ")
hum = input("rotubat (%): ")
light = input("noor (%): ")
saat = input("saat-e alan (mesalan 21:30): ")
makan = input("sensor kojast? (mesalan: otagh, zir-e cheragh-e motalee): ")

# context + do ghanun-e sedaghat = darman-e hallucination
prompt = f"""You are a careful home assistant for a teenage robotics student.
Sensor data from INSIDE the student's room right now:
- local time: {saat}
- sensor location: {makan}
- temperature: {temp} C
- humidity: {hum} %
- light level: {light} % (indoor light - lamps count too!)
Rules:
- Use ONLY the data above. Do not guess anything else.
- If something cannot be known from this data, say so honestly.
Write a short report in simple Persian (maximum 3 sentences)
and end with one practical tip."""

body = {
    "contents": [
        {"parts": [{"text": prompt}]}
    ]
}

print("dar hale gereftan-e gozaresh...")
r = requests.post(URL, headers=headers, data=json.dumps(body))
data = r.json()
try:
    report = data["candidates"][0]["content"]["parts"][0]["text"]
    print()
    print("---- gozaresh-e dastyar-e sadegh ----")
    print(report)
except KeyError:
    print("javab-e ghabel-e khandan nagereftam! status:", r.status_code)
    print(r.text)

اجرا با همان سه عدد، به‌اضافهٔ ساعتِ ۲۱:۳۰:

«اتاقت با دمای ۲۴ درجه و رطوبت ۴۱ درصد وضعیتِ راحتی دارد. روشناییِ ۸۸ درصدی در این ساعتِ شب طبیعتاً از چراغِ اتاق است، نه نورِ روز. پیشنهاد: اگر کم‌کم آمادهٔ خواب می‌شوی، نورِ چراغ را ملایم‌تر کن.»

همان AI، همان اعداد — ولی این بار گزارش درست است. فرقش فقط prompt بهتر بود. این را قاب کن: کیفیتِ جوابِ AI به کیفیتِ اطلاعاتی که تو می‌دهی چسبیده است.

چالش: hallucination چرا خطرناک‌تر است؟

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

۵. چهار محدودیتِ AI#

چیزی که دیدی یک استثنای بامزه نبود — ذاتِ این ابزار است. پس چهار محدودیت را مثلِ چهار تابلوی هشدار، یک بار برای همیشه یاد بگیر:

  1. AI حس ندارد. نه چشم، نه گوش، نه سنسور. فقط متنِ prompt تو را می‌بیند. هرچه در prompt نگویی، برایش وجود ندارد — و بدتر: ممکن است جایش را با حدس پر کند.
  2. لحنِ مطمئن، مدرکِ درستی نیست. AI تقریباً همیشه با قاطعیت حرف می‌زند؛ وقتی درست می‌گوید و وقتی غلط، صدایش یکی است. پس «چه با اعتمادبه‌نفس گفت!» هیچ‌وقت دلیلِ قبول‌کردن نیست.
  3. AI می‌تواند عدد و واقعیت بسازد. اگر گزارشش عددی داشت که تو نفرستاده بودی، مشکوک شو! قانونِ آهنینِ دستیارِ سنسوری: هر عدد در جوابِ AI باید در داده‌های خودت پیدا شود.
  4. AI الان و اینجا را نمی‌داند. نمی‌داند ساعت چند است، کجایی، هوا بیرون چطور است — مگر خودت بگویی. حتی دانشِ عمومی‌اش هم تا تاریخِ آموزشش است، نه امروز.

چهار تابلوی هشدارِ جاده‌ای در یک ردیف، هر کدام مثلثِ گِردِ روی پایه با یک شماره و یک آیکون و جای خالی برای متن: تابلوی ۱ یک سرِ رباتی با چشم و گوشِ خط‌خورده (بی‌حس)؛ تابلوی ۲ یک بلندگوی مطمئن با سایهٔ علامتِ سؤالِ پنهان پشتش (مطمئن ولی شاید غلط)؛ تابلوی ۳ دستی که مثلِ شعبده رقم‌های ساختگی از هوا بیرون می‌کشد (عددِ ساختگی)؛ تابلوی ۴ یک تقویم و پینِ نقشه با ساعتِ «حالا»یِ خط‌خورده (الان و اینجا را نمی‌داند)

این‌ها یعنی AI بی‌مصرف است؟ ابداً — امروز دیدی چه گزارشِ خوبی می‌سازد. یعنی AI مثلِ یک همکارِ بااستعدادِ بدونِ چشم و بدونِ حافظه از اتاقِ توست: عالی می‌نویسد، خوب ایده می‌دهد، ولی چک‌کردنِ واقعیت همیشه کارِ توست. تو سنسور داری، او ندارد — در این تیم، ناظرِ کیفیت تویی.

۶. با AI ایده بگیر — و داوری‌اش کن#

بخشِ همیارِ AI امروز یک مهارتِ تازه دارد: ایده گرفتن از AI برای پروژه — و ارزیابیِ انتقادیِ ایده‌ها.

🤖 با AI: سه قانونِ همیشگی را قاب کن: «اول خودت، بعد AI» (اول یک دقیقه خودت فکر کن و چند ایده بنویس)، «خط به خط» (اگر از AI کد گرفتی، خطی که نمی‌فهمی وارد پروژه‌ات نمی‌شود؛ ازش بخواه خط‌به‌خط توضیح بدهد)، و «AI هم اشتباه می‌کند» (بخشِ قبل با چشمِ خودت دیدی — و چند خط پایین‌تر بارِ دوم را هم می‌بینی).

بیا واقعی انجامش بدهیم. اول خودت: یک دقیقه فکر کن و دو ایده بنویس — مثلاً چراغِ خوابِ خودکار با گزارشِ صبحگاهی، و هشدارِ پنجرهٔ باز با مقایسهٔ دما. حالا از چتِ فصل قبل بخواه پنج ایدهٔ پروژه با ESP32 و DHT11 و LDR و OLED برایت بدهد، هر کدام یک خط.

پنج ایده می‌آید — و حالا مهم‌ترین قدم: غربالگری. برای هر ایده سه سؤال بپرس: قطعه‌اش را داریم؟ مفهومش را بلدیم؟ ادعای فنی‌اش اصلاً شدنی است؟ فرض کن یکی از ایده‌ها این است: «با LDR رنگِ نورِ اتاق را تشخیص بده و اسمِ رنگ را نمایش بده». روی کاغذ جذاب است — ولی تو LDR را از ترم ۲ می‌شناسی: فقط شدتِ نور را می‌فهمد، یک عدد، همین. رنگ؟ محال. این هم یک hallucination است، فقط این بار دربارهٔ سخت‌افزار! ایدهٔ «رطوبتِ خاکِ گلدان را گزارش کن» سنسورش را نداریم؛ می‌رود در لیستِ «شاید بعداً». ولی ایدهٔ «دفترچهٔ هواشناسی که هر روز گزارش می‌نویسد» — قطعه داریم، بلدیم، شدنی است: ستاره می‌گیرد!

⚠️ مواظب باش: امروز مرزِ مهمی را رد کردیم: داریم اطلاعاتِ خانهٔ خودمان را به یک سرویسِ اینترنتی می‌فرستیم. دما و رطوبت و درصدِ نور دادهٔ حساسی نیستند، اشکالی ندارند. ولی در پرامپتِ دستیارِ خانگی‌ات هرگز این‌ها را نگذار: اسمِ کاملِ خودت و خانواده، آدرس، اسمِ مدرسه، یا برنامهٔ رفت‌وآمدِ خانواده («ساعت ۸ هیچ‌کس خانه نیست» — هرگز!). قانونِ ساده: چیزی را بفرست که اگر روی درِ یخچال هم چسبیده بود، مشکلی نبود.

واژه‌های تازه این فصل#

کلمه تلفظ به حروف فارسی یعنی چه
Hallucination هالوسینِیشِن جوابِ ساختگیِ AI با لحنِ مطمئن — «توهم»
Context کانتِکست اطلاعاتِ زمینه‌ای که در prompt می‌دهی: ساعت، مکان، شرایط
Role رُل نقشی که اولِ prompt به AI می‌دهی
Format فُرمَت قالبِ خواسته‌شدهٔ جواب: زبان، طول، ساختار
Assistant اَسیستِنت دستیار — برنامه‌ای که با AI به تو کمک می‌کند
Brainstorm بِرِین‌استورم ایده‌بارانی — تولیدِ سریعِ چند ایده قبل از انتخاب
TypeError تایپ‌اِرور خطای قاطی‌کردنِ نوع‌ها — مثلِ مقایسهٔ رشته با عدد

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

فقط یک چیز هنوز اذیت می‌کند: اعداد را با دست به دستیار دادیم. برد می‌خوانَد، کامپیوتر می‌پرسد — وسطش ما نشسته‌ایم! جلسهٔ بعد این وسط‌نشینی تمام می‌شود، آن هم با حذفِ غافلگیرکننده‌ترین عضو: خودِ کامپیوتر. ESP32 با همان urequests آشنای فصل ۲، خودش مستقیم به Gemini درخواستِ POST می‌زند و جوابِ AI را روی OLED کوچکش نشان می‌دهد — یک دستگاهِ مستقلِ هوشمند، به کوچکیِ کفِ دستت. البته بردِ کوچکِ ما برای این کارِ بزرگ باید حافظه‌اش را هوشمندانه خرج کند... و این خودش کلی ماجرا دارد. می‌بینمت!

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.