[{"data":1,"prerenderedAt":216},["ShallowReactive",2],{"lesson:t2-s01-intent":3,"course:hamhoosh":51},{"meta":4,"prev":11,"next":15,"sections":18},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},true,1,"t2-s01-intent","book",2,"فصل ۰۱ — نیت، نه جادو",{"free_preview":5,"order":12,"slug":13,"source":8,"term":6,"title_fa":14},8,"t1-s08-interrogate-project","فصل ۰۸ — پروژه: یک مدل را بازجویی کن",{"free_preview":5,"order":9,"slug":16,"source":8,"term":9,"title_fa":17},"t2-s02-context","فصل ۰۲ — زمینه‌دادن",[19,23,26,31,34,38,41,44,48],{"kind":20,"heading":21,"html":22},"normal","در این فصل چه یاد می‌گیری","\u003Ch2 id=\"در-این-فصل-چه-یاد-می‌گیری\">در این فصل چه یاد می‌گیری\u003Ca class=\"head-anchor\" href=\"#%D8%AF%D8%B1-%D8%A7%DB%8C%D9%86-%D9%81%D8%B5%D9%84-%DA%86%D9%87-%DB%8C%D8%A7%D8%AF-%D9%85%DB%8C%E2%80%8C%DA%AF%DB%8C%D8%B1%DB%8C\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>مدل جادو نیست و ذهنت را نمی‌خواند. تنها چیزی که از تو دارد، همان کلمه‌هایی است که در \u003Ccode>prompt\u003C\u002Fcode> می‌نویسی — نه یک ذره بیشتر. برای همین وقتی مبهم می‌خواهی، جوابِ مبهم می‌گیری؛ نه چون مدل ضعیف است، بلکه چون آن تصویرِ روشنی که در سرِ توست هرگز به مدل نرسیده. این فصل یک مهارتِ ساده ولی تعیین‌کننده را یادت می‌دهد: نیتت را روشن بگذاری — یعنی بگویی دقیقاً چه می‌خواهی و برای چه.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-mindreader.cfdda4f0d8.160.webp 160w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.320.webp 320w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.480.webp 480w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.640.webp 640w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.768.webp 768w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.960.webp 960w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-mindreader.cfdda4f0d8.1280.jpg\" srcset=\"\u002F_img\u002F01-image-mindreader.cfdda4f0d8.160.jpg 160w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.320.jpg 320w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.480.jpg 480w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.640.jpg 640w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.768.jpg 768w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.960.jpg 960w, \u002F_img\u002F01-image-mindreader.cfdda4f0d8.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"دستگاهی که یک قیفِ پر از کلمه‌های نوشته‌شده را می‌گیرد، ولی محفظهٔ فکرِ کاربر کنارش قفل و جدا مانده و چرخ‌دنده‌ها به داخلش دسترسی ندارند\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>توضیح بدهی چرا «مدل ذهن‌خوان نیست» یعنی چه\u003C\u002Fli>\n\u003Cli>تشخیص بدهی چرا یک پرامپتِ مبهم جوابِ کلی و بی‌مصرف می‌دهد\u003C\u002Fli>\n\u003Cli>هدف و زمینه را به یک پرامپت اضافه کنی و فرقِ خروجی را با چشمِ خودت ببینی\u003C\u002Fli>\n\u003Cli>یک ادعای واقعیِ مدل را با یک قدمِ ساده وارسی کنی\u003C\u002Fli>\n\u003C\u002Ful>\n",{"kind":20,"heading":24,"html":25},"قبل از شروع","\u003Ch2 id=\"قبل-از-شروع\">قبل از شروع\u003Ca class=\"head-anchor\" href=\"#%D9%82%D8%A8%D9%84-%D8%A7%D8%B2-%D8%B4%D8%B1%D9%88%D8%B9\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>از فصل ۱ ترم ۱:\u003C\u002Fstrong> آنچه تو می‌نویسی \u003Ccode>prompt\u003C\u002Fcode> است و آنچه مدل پس می‌دهد \u003Ccode>response\u003C\u002Fcode>.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۱ ترم ۱:\u003C\u002Fstrong> جواب همان لحظه \u003Cstrong>تولید\u003C\u002Fstrong> می‌شود؛ از یک انبارِ آماده بیرون کشیده نمی‌شود.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>مثل فصل‌های آزمایشگاهیِ ترمِ قبل، فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.\u003C\u002Fp>\n",{"kind":27,"heading":28,"html":29,"embed":30},"lab","","و بگذار باز بماند؛ هر پرامپتی را که در این فصل می‌بینی همان‌جا امتحان کن و خروجی‌اش را با چشمِ خودت مقایسه کن","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-2-effective-prompting\u002Fsession-01-intent",{"kind":20,"heading":32,"html":33},"۱. مدل ذهن‌خوان نیست","\u003Ch2 id=\"۱-مدل-ذهن‌خوان-نیست\">۱. مدل ذهن‌خوان نیست\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%D9%85%D8%AF%D9%84-%D8%B0%D9%87%D9%86%E2%80%8C%D8%AE%D9%88%D8%A7%D9%86-%D9%86%DB%8C%D8%B3%D8%AA\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>فرض کن به یک دوست پیام می‌دهی: «یه چیزی برام بگیر.» طرف گیج می‌ماند. چه چیزی؟ برای چه کسی؟ چقدر پول؟ از کجا؟ او باید حدس بزند، و حدسش احتمالاً آن چیزی نیست که تو می‌خواستی. مدل هم دقیقاً در همین موقعیت است، فقط با یک تفاوتِ مهم: صورتت را نمی‌بیند، از موقعیتت خبر ندارد، و نمی‌داند قبلاً چه کارهایی کرده‌ای و در ذهنت چه می‌گذرد. \u003Cstrong>هرچه در پرامپت ننوشته باشی، برای مدل اصلاً وجود ندارد.\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>اینجا یک تلهٔ ظریف هست. اگر آدمِ آن‌طرف گیج شود، لااقل می‌پرسد «منظورت چیه؟». مدل معمولاً نمی‌پرسد. جای خالی را با محتمل‌ترین حدسِ کلی پُر می‌کند و با اطمینانِ کامل یک جواب می‌سازد — همان کارِ همیشگی‌اش. پس جوابِ ضعیف معمولاً تقصیرِ مدل نیست؛ نشانهٔ این است که نیتِ تو به آن نرسیده.\u003C\u002Fp>\n\u003Cp>پس نخستین قانونِ کارِ مؤثر این است: با مدل طوری حرف بزن که انگار طرف هیچ‌چیز دربارهٔ تو و کارت نمی‌داند و فقط همین چند خط را می‌خواند — چون واقعاً همین‌طور است.\u003C\u002Fp>\n",{"kind":35,"heading":36,"html":37},"meta","۲. پرامپتِ مبهم، جوابِ مبهم","\u003Ch2 id=\"۲-پرامپتِ-مبهم-جوابِ-مبهم\">۲. پرامپتِ مبهم، جوابِ مبهم\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D9%BE%D8%B1%D8%A7%D9%85%D9%BE%D8%AA%D9%90-%D9%85%D8%A8%D9%87%D9%85-%D8%AC%D9%88%D8%A7%D8%A8%D9%90-%D9%85%D8%A8%D9%87%D9%85\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>بیا خودت ببینی‌اش. این پرامپتِ کوتاه را بفرست:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>یک ایمیل بنویس.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>چیزی شبیهِ این می‌گیری — یک قالبِ توخالی پر از جای خالی:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>سلام [نام گیرنده]،\nامیدوارم حالتان خوب باشد. این ایمیل را دربارهٔ [موضوع] خدمتتان می‌نویسم.\nلطفاً در اولین فرصت پاسخ بفرمایید.\nبا احترام،\n[نام شما]\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>این خروجی بد نیست، ولی به‌درد هم نمی‌خورد. مدل نمی‌دانست ایمیل برای کیست، دربارهٔ چیست و با چه لحنی — پس مجبور شد همه‌چیز را حدس بزند و یک اسکلتِ کلی با براکتِ خالی تحویل بدهد. این همان «جوابِ مبهم در برابر پرامپتِ مبهم» است. مدل تنها کاری را کرد که می‌شد کرد؛ ورودی‌اش خالی بود.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>یا\u003C\u002Fstrong> ممکن است اصلاً چیزی ننویسد و به‌جایش از تو بپرسد ایمیل برای کیست، موضوعش چیست و چه لحنی می‌خواهی. دستیارهای تازه‌تر بیشتر این‌طورند و این رفتارِ بهتری است — ولی درس را عوض نمی‌کند، فقط جابه‌جایش می‌کند: در هر دو حالت \u003Cstrong>هنوز ایمیلی نداری\u003C\u002Fstrong>، چون نیتت را نداده‌ای. یک بار خودت جای مدل بنشین: با «یک ایمیل بنویس» می‌شود ایمیلی نوشت که به‌دردِ کسی بخورد؟\u003C\u002Fp>\n\u003Cp>مبهم‌بودن فقط جوابِ توخالی نمی‌سازد؛ گاهی از آن خطرناک‌تر است. وقتی پرامپت مبهم باشد، مدل به‌جای پرسیدن، جای خالی را با یک جزئیاتِ \u003Cstrong>ساختگی ولی مطمئن\u003C\u002Fstrong> پُر می‌کند. این را امتحان کن:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>یک کتابِ کم‌شناخته و خوب دربارهٔ دوستی معرفی کن و نویسنده و سالِ چاپش را هم بگو.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>آن «کم‌شناخته» کلیدِ ماجراست: تا وقتی سراغِ کتابِ مشهور می‌روی، مدل جوابِ درست دارد و می‌دهد. همین که به حاشیه هُلش می‌دهی — و همچنان مبهم می‌مانی — لغزش شروع می‌شود. ممکن است چیزی شبیهِ این بگیری (خروجیِ تو فرق می‌کند):\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>کتابِ «رازِ دوستی» نوشتهٔ آنا کاترین هندرسون، چاپِ ۲۰۱۳،\nیکی از کتاب‌های کم‌شناخته و در عین حال عمیق دربارهٔ دوستی است.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>اسمِ کتاب، نامِ نویسنده و سالِ چاپ، همه با لحنِ مطمئن آمده‌اند — ولی چون نگفتی برای چه سنی، چه زبانی و از کجا، مدل به‌جای پرسیدن یک کتابِ \u003Cstrong>محتمل\u003C\u002Fstrong> سرِ هم کرد که شاید اصلاً وجود نداشته باشد، یا نویسنده و سالش را به‌هم ریخته باشد. جوابِ مبهم همیشه توخالی نیست؛ گاهی پُر است ولی ساختگی.\u003C\u002Fp>\n\u003Cp>اگر این‌بار یک کتابِ کاملاً واقعی گرفتی، خوش‌شانس بوده‌ای، نه اینکه خطر از بین رفته باشد: همان پرامپت را دو بارِ دیگر بفرست و سه جواب را کنارِ هم بگذار. معمولاً دستِ‌کم یکی از سه‌تا سرِ نویسنده یا سالِ چاپ می‌لغزد — و تو از بیرون نمی‌توانی بگویی کدام یکی است. \u003Cstrong>همین\u003C\u002Fstrong> دلیلِ وجودِ قدمِ وارسی است.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> اسمِ کتاب و نویسنده را عیناً در یک کتاب‌فروشیِ آنلاین یا موتورِ جست‌وجو بزن؛ اگر به هیچ کتابِ واقعی‌ای نرسیدی، یعنی مدل ساخته‌اش. سه قانونِ ثابتِ این دوره: \u003Cstrong>«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":20,"heading":39,"html":40},"۳. نیت را بده: هدف و زمینه","\u003Ch2 id=\"۳-نیت-را-بده-هدف-و-زمینه\">۳. نیت را بده: هدف و زمینه\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%D9%86%DB%8C%D8%AA-%D8%B1%D8%A7-%D8%A8%D8%AF%D9%87-%D9%87%D8%AF%D9%81-%D9%88-%D8%B2%D9%85%DB%8C%D9%86%D9%87\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>نیتت را با دو چیز روشن می‌کنی. \u003Cstrong>هدف\u003C\u002Fstrong> یعنی دقیقاً چه خروجی‌ای می‌خواهی مدل بسازد. \u003Cstrong>زمینه\u003C\u002Fstrong> یعنی موقعیتِ تو: برای چه کسی، در چه شرایطی، با چه قیدهایی. حالا همان ایمیل را با هدف و زمینه دوباره بخواه:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>یک ایمیلِ کوتاه و مؤدب به استادم بنویس. می‌خواهم بپرسم آیا می‌توانم تحویلِ\nتمرین را سه روز عقب بیندازم، چون هفتهٔ گذشته مریض بودم. لحن محترمانه و\nغیررسمی‌طور، و نه طولانی باشد.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>حالا خروجی زمین تا آسمان فرق می‌کند:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>با سلام و احترام،\nاستادِ گرامی، متأسفانه هفتهٔ گذشته بیمار بودم و نتوانستم تمرین را به‌موقع کامل کنم.\nاگر ممکن است، خواهش می‌کنم مهلتِ تحویل را سه روز تمدید بفرمایید. از توجه و\nلطفتان سپاسگزارم.\nبا احترام،\n[نام شما]\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>فقط جای «نام شما» مانده که پُرش کنی. همان مدل، همان لحظه، ولی چون نیت روشن بود، جواب دقیق و آمادهٔ استفاده شد. توجه کن که هیچ ترفندِ جادویی به‌کار نبردیم؛ فقط گفتیم چه می‌خواهیم و چرا.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>💡 \u003Cstrong>نکته:\u003C\u002Fstrong> یک آزمونِ ساده قبل از فرستادنِ هر پرامپت: «اگر این چند خط را به یک غریبه می‌دادم که هیچ‌چیز از من نمی‌داند، آیا دقیقاً می‌فهمید چه باید بسازد؟» اگر جواب نه است، هنوز جای هدف یا زمینه خالی است.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cblockquote>\n\u003Cp>⚠️ \u003Cstrong>مواظب باش:\u003C\u002Fstrong> زمینه‌دادن خوب است، ولی زمینه محلِّ ریختنِ اطلاعاتِ حساس نیست. برای همان ایمیل، لازم نیست شمارهٔ دانشجویی، آدرس یا جزئیاتِ پزشکی‌ات را داخلِ پرامپت بگذاری. یادت باشد مدل روی سرورِ یک شرکتِ دیگر اجرا می‌شود و در ردهٔ رایگان ممکن است پیامت برای بهترکردنِ مدل استفاده شود — همان قاعده‌ای که در فصل ۷ ترمِ قبل دیدی.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>چطور زمینه را دقیق و حرفه‌ای بدهی — یعنی نقش، مخاطب و قالب — را فصلِ بعد کامل می‌کنیم؛ فعلاً همین‌قدر که «هدف + زمینه» را جدا بشناسی کافی است.\u003C\u002Fp>\n",{"kind":20,"heading":42,"html":43},"۴. نتیجه را قبلش تصویر کن","\u003Ch2 id=\"۴-نتیجه-را-قبلش-تصویر-کن\">۴. نتیجه را قبلش تصویر کن\u003Ca class=\"head-anchor\" href=\"#%DB%B4-%D9%86%D8%AA%DB%8C%D8%AC%D9%87-%D8%B1%D8%A7-%D9%82%D8%A8%D9%84%D8%B4-%D8%AA%D8%B5%D9%88%DB%8C%D8%B1-%DA%A9%D9%86\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>بهترین راه برای نوشتنِ نیتِ روشن این است که اول در ذهنت \u003Cstrong>نتیجه را تصویر کنی\u003C\u002Fstrong>: چه چیزی می‌خواهی دستت بیاید که همین حالا نداری؟ وقتی نتیجه را دیدی، نوشتنِ هدف و زمینه آسان می‌شود. بیا یک نمونهٔ دیگر را امتحان کنیم که یک ادعای واقعی هم در آن هست:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>یک فیلمِ انیمیشنِ خنده‌دار و مناسبِ کودکان که کمتر از دو ساعت باشد پیشنهاد بده،\nو بگو چند دقیقه است.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>یک جوابِ واقع‌نما این است (خروجیِ تو ممکن است فرق کند):\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>پیشنهادِ من انیمیشنِ «داستان اسباب‌بازی» است؛ خنده‌دار، مناسبِ کودکان و حدوداً\n۸۱ دقیقه — یعنی راحت زیرِ دو ساعت.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>نیت روشن بود، پس جواب دقیقاً به کارت می‌آید. ولی حواست باشد: آن عددِ «۸۱ دقیقه» یک ادعای واقعی است، و مدل عددها را هم می‌سازد — گاهی درست، گاهی غلط، همیشه با همان لحنِ مطمئن.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> مدتِ فیلم را قبل از اینکه رویش حساب کنی، در یک منبعِ مستقل چک کن. سه قانونِ ثابتِ این دوره همیشه سرِ جایشان‌اند: \u003Cstrong>«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».\u003C\u002Fstrong>\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> اگر به مدل بگویی «یه چیزِ باحال بنویس» و جوابِ کلی و بی‌مصرف بگیری، مشکل از هوشِ مدل است یا از نیتی که به آن دادی؟ چه دو چیزی را باید اضافه کنی تا جواب دقیق شود؟\u003C\u002Fp>\n",{"kind":45,"heading":46,"html":47},"checkpoint","تمرین‌ها","\u003Ch2 id=\"تمرین‌ها\">تمرین‌ها\u003Ca class=\"head-anchor\" href=\"#%D8%AA%D9%85%D8%B1%DB%8C%D9%86%E2%80%8C%D9%87%D8%A7\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> یک کارِ واقعیِ خودت را انتخاب کن (مثلاً یک پیام برای یک همکار، یا یک فهرستِ خرید برای یک مهمانی). اول عمداً مبهم بخواه («یک پیام بنویس»)، خروجی را نگه دار. بعد همان را با هدف و زمینه دوباره بخواه. دو خروجی را کنارِ هم بگذار و در یک جمله بنویس چه چیزی عوض شد.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> یک پرامپت بنویس که در آن مدل مجبور شود یک ادعای واقعی بدهد (یک عدد، یک تاریخ، یک نام). خروجی را بگیر، آن ادعا را با یک جست‌وجوی ساده وارسی کن، و بنویس درست بود یا نه. اگر غلط بود، حدس بزن چرا مدل با این‌همه اطمینان اشتباه گفت.\u003C\u002Fp>\n",{"kind":20,"heading":49,"html":50},"در فصل بعد","\u003Ch2 id=\"در-فصل-بعد\">در فصل بعد\u003Ca class=\"head-anchor\" href=\"#%D8%AF%D8%B1-%D9%81%D8%B5%D9%84-%D8%A8%D8%B9%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>حالا می‌دانی نیتِ روشن نیمی از کار است. ولی «زمینه» خودش ابزارهای دقیقی دارد که هنوز بازشان نکرده‌ایم. فصلِ بعد سراغِ \u003Cstrong>زمینه‌دادنِ حرفه‌ای\u003C\u002Fstrong> می‌رویم: به مدل نقش بدهی، مخاطب و قالبِ خروجی را تعیین کنی، و حتی یک مثال جلویش بگذاری تا دقیقاً بفهمد چه شکلی از جواب می‌خواهی. همان نیتِ امروز، آنجا تیز و قابلِ‌تکرار می‌شود.\u003C\u002Fp>\n",{"course":52,"entitled":60,"lessons":61,"payments_enabled":60,"terms":215,"live":5},{"active_window":53,"effective_price_toman":54,"free":5,"lesson_count":55,"price_toman":56,"slug":57,"summary_fa":58,"title_fa":59},null,0,51,2500000,"hamhoosh","از «هوش مصنوعی واقعاً چیست» تا ساختن ابزار واقعی با آن — بدون دیوار ریاضی و بدون پیش‌نیاز برنامه‌نویسی. هوش مصنوعی همکارِ هوشمندی است که وارسی‌اش می‌کنی، نه اوراکلی که چشم‌بسته باور کنی.","هم‌هوش — خودآموز هوش مصنوعی",false,[62,65,68,72,76,80,84,88,89,90,91,94,97,100,103,106,109,113,116,119,122,125,128,131,134,137,140,143,146,149,152,155,158,161,164,167,170,173,176,179,182,185,188,191,194,197,200,203,206,209,212],{"free_preview":5,"order":6,"slug":63,"source":8,"term":6,"title_fa":64},"t1-s01-first-conversation","فصل ۰۱ — با چه چیزی حرف می‌زنی؟ اولین گفت‌وگو",{"free_preview":5,"order":9,"slug":66,"source":8,"term":6,"title_fa":67},"t1-s02-how-it-learns","فصل ۰۲ — چطور یاد گرفت",{"free_preview":5,"order":69,"slug":70,"source":8,"term":6,"title_fa":71},3,"t1-s03-tokens","فصل ۰۳ — توکن: واحدِ کارِ مدل",{"free_preview":5,"order":73,"slug":74,"source":8,"term":6,"title_fa":75},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"free_preview":5,"order":77,"slug":78,"source":8,"term":6,"title_fa":79},5,"t1-s05-limits","فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":81,"slug":82,"source":8,"term":6,"title_fa":83},6,"t1-s06-types","فصل ۰۶ — گونه‌های هوش مصنوعی",{"free_preview":5,"order":85,"slug":86,"source":8,"term":6,"title_fa":87},7,"t1-s07-responsible-start","فصل ۰۷ — از همین حالا مسئولانه",{"free_preview":5,"order":12,"slug":13,"source":8,"term":6,"title_fa":14},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},{"free_preview":5,"order":9,"slug":16,"source":8,"term":9,"title_fa":17},{"free_preview":5,"order":69,"slug":92,"source":8,"term":9,"title_fa":93},"t2-s03-iterate","فصل ۰۳ — حلقهٔ تکرار",{"free_preview":5,"order":73,"slug":95,"source":8,"term":9,"title_fa":96},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":77,"slug":98,"source":8,"term":9,"title_fa":99},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":81,"slug":101,"source":8,"term":9,"title_fa":102},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":85,"slug":104,"source":8,"term":9,"title_fa":105},"t2-s07-structured","فصل ۰۷ — پرامپتِ ساختارمند و قابلِ‌استفادهٔ مجدد",{"free_preview":5,"order":12,"slug":107,"source":8,"term":9,"title_fa":108},"t2-s08-antipatterns","فصل ۰۸ — دام‌ها و افسانه‌ها",{"free_preview":5,"order":110,"slug":111,"source":8,"term":9,"title_fa":112},9,"t2-s09-assistant-project","فصل ۰۹ — پروژه: یک دستیارِ شخصی بساز",{"free_preview":5,"order":6,"slug":114,"source":8,"term":69,"title_fa":115},"t3-s01-images","فصل ۰۱ — ساختِ تصویر با هوش مصنوعی",{"free_preview":60,"order":9,"slug":117,"source":8,"term":69,"title_fa":118},"t3-s02-image-understanding","فصل ۰۲ — فهمِ تصویر",{"free_preview":60,"order":69,"slug":120,"source":8,"term":69,"title_fa":121},"t3-s03-audio-video","فصل ۰۳ — صدا و ویدیو",{"free_preview":60,"order":73,"slug":123,"source":8,"term":69,"title_fa":124},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":60,"order":77,"slug":126,"source":8,"term":69,"title_fa":127},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":60,"order":81,"slug":129,"source":8,"term":69,"title_fa":130},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":60,"order":85,"slug":132,"source":8,"term":69,"title_fa":133},"t3-s07-work","فصل ۰۷ — کارِ حرفه‌ای",{"free_preview":60,"order":12,"slug":135,"source":8,"term":69,"title_fa":136},"t3-s08-coding-help","فصل ۰۸ — کمکِ کدنویسی (بی‌آنکه برنامه‌نویس باشی)",{"free_preview":60,"order":110,"slug":138,"source":8,"term":69,"title_fa":139},"t3-s09-workflow-project","فصل ۰۹ — پروژه: یک جریانِ کاریِ واقعی",{"free_preview":5,"order":6,"slug":141,"source":8,"term":73,"title_fa":142},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":60,"order":9,"slug":144,"source":8,"term":73,"title_fa":145},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":60,"order":69,"slug":147,"source":8,"term":73,"title_fa":148},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":60,"order":73,"slug":150,"source":8,"term":73,"title_fa":151},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":60,"order":77,"slug":153,"source":8,"term":73,"title_fa":154},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":60,"order":81,"slug":156,"source":8,"term":73,"title_fa":157},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":60,"order":85,"slug":159,"source":8,"term":73,"title_fa":160},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":60,"order":12,"slug":162,"source":8,"term":73,"title_fa":163},"t4-s08-mental-model-project","فصل ۰۸ — پروژه: نقشهٔ ذهنیِ یک پاسخ",{"free_preview":5,"order":6,"slug":165,"source":8,"term":77,"title_fa":166},"t5-s01-api-idea","فصل ۰۱ — API چیست: حرف‌زدنِ برنامه با مدل",{"free_preview":60,"order":9,"slug":168,"source":8,"term":77,"title_fa":169},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":60,"order":69,"slug":171,"source":8,"term":77,"title_fa":172},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":60,"order":73,"slug":174,"source":8,"term":77,"title_fa":175},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":60,"order":77,"slug":177,"source":8,"term":77,"title_fa":178},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":60,"order":81,"slug":180,"source":8,"term":77,"title_fa":181},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":60,"order":85,"slug":183,"source":8,"term":77,"title_fa":184},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":60,"order":12,"slug":186,"source":8,"term":77,"title_fa":187},"t5-s08-ship-project","فصل ۰۸ — پروژه: ابزارِ هوش‌مصنوعیِ خودت را منتشر کن",{"free_preview":5,"order":6,"slug":189,"source":8,"term":81,"title_fa":190},"t6-s01-deepfakes","فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":60,"order":9,"slug":192,"source":8,"term":81,"title_fa":193},"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",{"free_preview":60,"order":69,"slug":195,"source":8,"term":81,"title_fa":196},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":60,"order":73,"slug":198,"source":8,"term":81,"title_fa":199},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":60,"order":77,"slug":201,"source":8,"term":81,"title_fa":202},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":60,"order":81,"slug":204,"source":8,"term":81,"title_fa":205},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":60,"order":85,"slug":207,"source":8,"term":81,"title_fa":208},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":60,"order":12,"slug":210,"source":8,"term":81,"title_fa":211},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":60,"order":110,"slug":213,"source":8,"term":81,"title_fa":214},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990543451]