[{"data":1,"prerenderedAt":222},["ShallowReactive",2],{"lesson:t2-s08-antipatterns":3,"course:hamhoosh":58},{"meta":4,"prev":11,"next":15,"sections":19},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},true,8,"t2-s08-antipatterns","book",2,"فصل ۰۸ — دام‌ها و افسانه‌ها",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},7,"t2-s07-structured","فصل ۰۷ — پرامپتِ ساختارمند و قابلِ‌استفادهٔ مجدد",{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},9,"t2-s09-assistant-project","فصل ۰۹ — پروژه: یک دستیارِ شخصی بساز",[20,24,27,32,35,38,41,45,48,51,55],{"kind":21,"heading":22,"html":23},"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>هرچه بیشتر دربارهٔ پرامپت بخوانی، بیشتر به «ترفند»هایی برمی‌خوری که مثلِ طلسم دست‌به‌دست می‌شوند: «به مدل بگو قدم‌به‌قدم فکر کند»، «اول ازش تعریف کن»، «بگو این برایت خیلی مهم است وگرنه…»، «هرچه پرامپت بلندتر، بهتر». این فصل این افسانه‌ها را صادقانه روی میز می‌گذارد و نشان می‌دهد کدام‌ها دیگر کهنه شده‌اند، چرا اصلاً ساخته شدند، و آن چند چیزی که واقعاً می‌ماند کدام‌اند. هدف این نیست که فهرستِ تازه‌ای از ترفند حفظ کنی؛ برعکس — یاد می‌گیری چرا به ترفند تکیه نکنی.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-two-keys.c24a561ca3.160.webp 160w, \u002F_img\u002F01-image-two-keys.c24a561ca3.320.webp 320w, \u002F_img\u002F01-image-two-keys.c24a561ca3.480.webp 480w, \u002F_img\u002F01-image-two-keys.c24a561ca3.640.webp 640w, \u002F_img\u002F01-image-two-keys.c24a561ca3.768.webp 768w, \u002F_img\u002F01-image-two-keys.c24a561ca3.960.webp 960w, \u002F_img\u002F01-image-two-keys.c24a561ca3.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-two-keys.c24a561ca3.1280.jpg\" srcset=\"\u002F_img\u002F01-image-two-keys.c24a561ca3.160.jpg 160w, \u002F_img\u002F01-image-two-keys.c24a561ca3.320.jpg 320w, \u002F_img\u002F01-image-two-keys.c24a561ca3.480.jpg 480w, \u002F_img\u002F01-image-two-keys.c24a561ca3.640.jpg 640w, \u002F_img\u002F01-image-two-keys.c24a561ca3.768.jpg 768w, \u002F_img\u002F01-image-two-keys.c24a561ca3.960.jpg 960w, \u002F_img\u002F01-image-two-keys.c24a561ca3.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"دو کلید به‌صورتِ نمونهٔ آموزشی: کلیدِ سمتِ چپ پرزَرق‌وبرق ولی برش‌خورده و توخالی، کلیدِ سمتِ راست ساده و یک‌پارچه و محکم\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>بگویی چرا یک ترفندِ پرامپت به‌مرورِ زمان کهنه می‌شود\u003C\u002Fli>\n\u003Cli>نشان بدهی چرا افزودنِ «قدم‌به‌قدم فکر کن» به یک \u003Ccode>reasoning model\u003C\u002Fcode> کارِ چندانی نمی‌کند\u003C\u002Fli>\n\u003Cli>تشخیص بدهی که تعارف و تهدیدِ مدل فولکلور است، نه مهارت\u003C\u002Fli>\n\u003Cli>نشان بدهی چرا پرامپتِ بیش‌ازحد بلند جواب را بدتر می‌کند\u003C\u002Fli>\n\u003Cli>بگویی چه چیزی از کلِ این ترم واقعاً می‌ماند\u003C\u002Fli>\n\u003C\u002Ful>\n",{"kind":21,"heading":25,"html":26},"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 ۶:\u003C\u002Fstrong> \u003Ccode>reasoning model\u003C\u002Fcode> — مدلی که پیش از جوابِ نهایی، خودش قدم‌به‌قدم فکر می‌کند.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۳:\u003C\u002Fstrong> حلقهٔ تکرار — جواب را در چند دور پخته می‌کنی.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۴:\u003C\u002Fstrong> وارسی — درستیِ خروجی را خودت می‌سنجی.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>مثلِ همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.\u003C\u002Fp>\n",{"kind":28,"heading":29,"html":30,"embed":31},"lab","","— هر افسانه را با نسخهٔ ساده‌اش کنارِ هم می‌گذاری تا با چشمِ خودت ببینی ترفند چیزی اضافه نمی‌کند","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-2-effective-prompting\u002Fsession-08-antipatterns",{"kind":21,"heading":33,"html":34},"۱. چرا یک ترفند کهنه می‌شود","\u003Ch2 id=\"۱-چرا-یک-ترفند-کهنه-می‌شود\">۱. چرا یک ترفند کهنه می‌شود\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%DA%86%D8%B1%D8%A7-%DB%8C%DA%A9-%D8%AA%D8%B1%D9%81%D9%86%D8%AF-%DA%A9%D9%87%D9%86%D9%87-%D9%85%DB%8C%E2%80%8C%D8%B4%D9%88%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>اول یک چیزِ ساده را بفهم که کلیدِ کلِ فصل است: مدل‌ها ثابت نمی‌مانند. همان پرامپتی که امروز روی یک مدل یک جوابِ عالی می‌دهد، شش ماهِ دیگر روی نسلِ بعدیِ همان مدل ممکن است جوابِ متفاوتی بدهد. به این پدیدهٔ مستند می‌گویند \u003Ccode>prompt drift\u003C\u002Fcode>: با هر به‌روزرسانیِ مدل، رفتارِ یک پرامپتِ ثابت می‌لغزد.\u003C\u002Fp>\n\u003Cp>نتیجه‌اش این است که یک ترفند معمولاً این‌طور متولد می‌شود: کسی روی یک مدلِ قدیمی چیزی را کشف می‌کند که واقعاً کمک می‌کرد، آن را می‌نویسد، خیلی‌ها دست‌به‌دستش می‌کنند، و کم‌کم به یک «قانون» تبدیل می‌شود. ولی مدل‌ها جلو می‌روند و بسیاری از این ترفندها پشتِ سر جا می‌مانند — یا بی‌اثر می‌شوند یا حتی مزاحم. برای همین این دوره از اول تصمیم گرفت \u003Cstrong>فرآیند\u003C\u002Fstrong> را یادت بدهد، نه دستور پخت: نیت، زمینه، تکرار و وارسی می‌مانند؛ ترفندِ خاص می‌میرد.\u003C\u002Fp>\n",{"kind":21,"heading":36,"html":37},"۲. «زنجیرهٔ فکر»ِ دستی روی مدلِ استدلالی","\u003Ch2 id=\"۲-زنجیرهٔ-فکرِ-دستی-روی-مدلِ-استدلالی\">۲. «زنجیرهٔ فکر»ِ دستی روی مدلِ استدلالی\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D8%B2%D9%86%D8%AC%DB%8C%D8%B1%D9%87%D9%94-%D9%81%DA%A9%D8%B1%D9%90-%D8%AF%D8%B3%D8%AA%DB%8C-%D8%B1%D9%88%DB%8C-%D9%85%D8%AF%D9%84%D9%90-%D8%A7%D8%B3%D8%AA%D8%AF%D9%84%D8%A7%D9%84%DB%8C\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>معروف‌ترین ترفند این است: به مدل بگو «قدم‌به‌قدم فکر کن» تا مسئله را بهتر حل کند. اسمِ فنی‌اش \u003Ccode>chain-of-thought\u003C\u002Fcode> است — یعنی مدل به‌جای پریدن به جواب، اول مراحلِ فکرش را بیرون بریزد. این ترفند زمانی واقعاً کمک می‌کرد، چون مدل‌های آن نسل عادت داشتند سرِ مسئله‌های چندمرحله‌ای مستقیم به یک جوابِ سرِهم بپرند.\u003C\u002Fp>\n\u003Cp>ولی یادت هست فصل ۶ چه گفت؟ \u003Ccode>reasoning model\u003C\u002Fcode> این کار را \u003Cstrong>از قبل، خودش\u003C\u002Fstrong> انجام می‌دهد — قبل از جوابِ نهایی، درونی قدم‌به‌قدم فکر می‌کند. پس وقتی به چنین مدلی می‌گویی «قدم‌به‌قدم فکر کن»، داری چیزی را سفارش می‌دهی که همین‌الان دارد انجام می‌شود. بیا ببینیم. یک مسئله را دو بار به یک \u003Ccode>reasoning model\u003C\u002Fcode> بده — یک بار ساده، یک بار با ترفند:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>پرامپت الف:\nیک قفسه ۳ طبقه دارد و هر طبقه ۷ کتاب جا می‌دهد. اگر ۲ قفسه داشته باشیم و\n۵ کتاب کم بیاوریم که همه جاها پر شود، چند کتاب داریم؟\n\nپرامپت ب:\nقدم‌به‌قدم و با دقت فکر کن. عجله نکن. مرحله‌به‌مرحله پیش برو:\nیک قفسه ۳ طبقه دارد و هر طبقه ۷ کتاب جا می‌دهد. اگر ۲ قفسه داشته باشیم و\n۵ کتاب کم بیاوریم که همه جاها پر شود، چند کتاب داریم؟\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>هر دو را بفرست و جواب‌ها را کنارِ هم بگذار. تقریباً همیشه یک عدد می‌دهند و با همان کیفیت — چون مدلِ استدلالی در هر دو حالت درونی همان قدم‌ها را برمی‌دارد. آن جملهٔ اضافه در پرامپت ب کارِ تازه‌ای نکرد؛ فقط پرامپت را شلوغ‌تر کرد. این بهترین نمونهٔ یک ترفندِ \u003Cstrong>زائد\u003C\u002Fstrong> است: کاری را دوباره سفارش می‌دهی که مدل خودش دارد می‌کند. یک نکتهٔ منصفانه: این «زائد بودن» مخصوصِ همین \u003Ccode>reasoning model\u003C\u002Fcode>هاست که خودشان درونی قدم‌به‌قدم پیش می‌روند؛ روی یک مدلِ کوچک‌تر یا غیرِاستدلالی که این کار را از خودش نمی‌کند، گفتنِ صریحِ «قدم‌به‌قدم فکر کن» هنوز می‌تواند کمی کمک کند. پس درس این نیست که این جمله همیشه بی‌فایده است، بلکه این است که بدانی مدلی که داری چه می‌کند.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> خودِ جواب هم باید وارسی شود، نه فقط ترفند. جوابِ درستِ این مسئله ۳۷ است (۲ قفسه × ۳ طبقه × ۷ کتاب = ۴۲ جا، منهای ۵). با ماشین‌حساب چک کن؛ اگر مدل عددِ دیگری داد، «قدم‌به‌قدم» گفتن هم نجاتش نمی‌دهد. سه قانونِ ثابتِ دوره همین‌جا هم صادق‌اند: \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 مدلی خودش درونی قدم‌به‌قدم فکر می‌کند، افزودنِ جملهٔ «قدم‌به‌قدم فکر کن» چه چیزِ تازه‌ای به آن اضافه می‌کند؟\u003C\u002Fp>\n",{"kind":21,"heading":39,"html":40},"۳. تعارف، التماس و تهدید","\u003Ch2 id=\"۳-تعارف-التماس-و-تهدید\">۳. تعارف، التماس و تهدید\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%D8%AA%D8%B9%D8%A7%D8%B1%D9%81-%D8%A7%D9%84%D8%AA%D9%85%D8%A7%D8%B3-%D9%88-%D8%AA%D9%87%D8%AF%DB%8C%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>دستهٔ بعدیِ افسانه‌ها احساسی‌اند: «تو بهترین دستیارِ دنیایی، لطفاً…»، «این برای شغلم حیاتی است»، «اگر درست جواب ندهی جریمه می‌شوی». این‌ها فولکلورِ نسل‌های قدیمیِ مدل‌اند. مدل نه شغل دارد که نگرانش باشد، نه از تهدید می‌ترسد، نه از تعریف ذوق می‌کند — احساس ندارد. این جمله‌ها فقط \u003Ccode>token\u003C\u002Fcode>های بیشتری‌اند که کنارِ خواستهٔ اصلی‌ات می‌نشینند.\u003C\u002Fp>\n\u003Cp>امتحان کن. یک بار با فشارِ احساسی بپرس، یک بار خشک و روشن:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>پرامپت الف:\nخواهش می‌کنم، این برای من مرگ‌وزندگی است و اگر خوب جواب ندهی خیلی ناامید\nمی‌شوم. تو رو خدا یک عنوانِ خوب برای یک انشا دربارهٔ دوستی بنویس.\n\nپرامپت ب:\nسه عنوانِ کوتاه و گیرا برای یک انشای دانش‌آموزی دربارهٔ دوستی پیشنهاد بده.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>پرامپت ب تقریباً همیشه جوابِ مفیدتری می‌دهد — نه چون بی‌ادب‌تر است، بلکه چون \u003Cstrong>مشخص‌تر\u003C\u002Fstrong> است: تعداد را گفت (سه)، قالب را گفت (کوتاه و گیرا)، و مخاطب را گفت (انشای دانش‌آموزی). آن فشارِ احساسیِ پرامپت الف هیچ‌کدام از این‌ها را نداشت. درسِ پایدار همان درسِ فصل ۱ است: چیزی که جواب را بهتر می‌کند \u003Cstrong>نیت و مشخصاتِ روشن\u003C\u002Fstrong> است، نه لحنِ نمایشی. و چون این ترفندها به نسلِ مدل گره خورده‌اند، حتی اگر روزی روی مدلی کمی اثر داشته باشند، پایدار نیستند.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>💡 \u003Cstrong>نکته:\u003C\u002Fstrong> ادب در پرامپت عیب نیست و لازم نیست خشک بنویسی. حرف این است: «لطفاً» بی‌اشکال است، ولی به تعارف و تهدید به‌چشمِ \u003Cstrong>اهرمِ کیفیت\u003C\u002Fstrong> نگاه نکن. اهرمِ واقعی، دقتِ خواسته است.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":42,"heading":43,"html":44},"meta","۴. پرامپتِ بیش‌ازحد بلند","\u003Ch2 id=\"۴-پرامپتِ-بیش‌ازحد-بلند\">۴. پرامپتِ بیش‌ازحد بلند\u003Ca class=\"head-anchor\" href=\"#%DB%B4-%D9%BE%D8%B1%D8%A7%D9%85%D9%BE%D8%AA%D9%90-%D8%A8%DB%8C%D8%B4%E2%80%8C%D8%A7%D8%B2%D8%AD%D8%AF-%D8%A8%D9%84%D9%86%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>افسانهٔ آخر برعکسِ بقیه است: «هرچه بیشتر توضیح بدهی، بهتر». پس خیلی‌ها پرامپت را با انبوهی قاعده، مثال و مقدمه پُر می‌کنند تا جایی که خودِ \u003Cstrong>خواسته\u003C\u002Fstrong> زیرِ آوار گم می‌شود. مدل باید بین کوهی از حرف، سؤالِ اصلی را پیدا کند — و گاهی پیدایش نمی‌کند. یک نمونهٔ اغراق‌شده اما آشنا:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>سلام، امیدوارم حالت خوب باشد. من خیلی به کتاب علاقه دارم و از بچگی کتاب\nمی‌خواندم و همیشه فکر می‌کردم که کتاب بهترین دوستِ آدم است و پدربزرگم هم\nهمین را می‌گفت و راستی او یک کتابخانهٔ بزرگ داشت با کتاب‌های قدیمی و بوی\nکاغذِ کهنه را دوست دارم و فکر می‌کنم مطالعه ذهن را باز می‌کند و یک بار یک\nمقاله خواندم که می‌گفت مطالعه استرس را کم می‌کند و به‌هرحال دو کتابِ خوب\nبرای شروعِ یک نوجوان معرفی کن و راجع‌به نور و کاغذ و قهوه هم اگر چیزی داری بگو.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>بفرستش. یک جوابِ نمونه که ممکن است بگیری:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>چه خاطرهٔ قشنگی از پدربزرگتان! بله، مطالعه واقعاً استرس را کم می‌کند و بوی\nکاغذِ کهنه حسِ نوستالژی می‌دهد. نورِ مطالعهٔ گرم و یک فنجان قهوه هم فضای\nخوبی می‌سازد. کتاب‌خواندن از کودکی عادتِ فوق‌العاده‌ای است.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>دیدی چه شد؟ مدل رفت سراغِ حاشیه‌ها — خاطره، استرس، قهوه، نور — و \u003Cstrong>خواستهٔ اصلی\u003C\u002Fstrong>، یعنی «دو کتابِ خوب برای یک نوجوان معرفی کن»، اصلاً جواب داده نشد. پرامپت آن‌قدر بلند و پرحاشیه بود که سیگنالِ اصلی زیرِ نویز دفن شد. حالا خواسته را از دلِ همان متن بیرون بکش و خشک بفرست:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>دو کتابِ خوب برای شروعِ مطالعهٔ یک نوجوان معرفی کن، با یک جمله دلیل برای هرکدام.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>این‌بار جواب دقیقاً همان چیزی است که می‌خواستی. پس بلندی فضیلت نیست؛ \u003Cstrong>روشنیِ خواسته\u003C\u002Fstrong> فضیلت است. زمینه به‌اندازهٔ لازم خوب است (فصل ۲)، ولی زمینهٔ بی‌ربط فقط مدل را گمراه می‌کند.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> وقتی مدل دو کتابِ واقعی معرفی کرد، اسم‌ها را یک جست‌وجوی ساده کن. یادت هست مدل بلد است کتابِ ناموجود بسازد (ترم ۱)؛ خلاصه‌شدنِ پرامپت این خطر را از بین نمی‌برد.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n",{"kind":21,"heading":46,"html":47},"۵. چه چیزی می‌ماند","\u003Ch2 id=\"۵-چه-چیزی-می‌ماند\">۵. چه چیزی می‌ماند\u003Ca class=\"head-anchor\" href=\"#%DB%B5-%DA%86%D9%87-%DA%86%DB%8C%D8%B2%DB%8C-%D9%85%DB%8C%E2%80%8C%D9%85%D8%A7%D9%86%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>اگر ترفندها می‌آیند و می‌روند، پس چه چیزی را نگه داریم؟ همان چیزی که کلِ این ترم رویش بنا شد و به نسلِ مدل گره نخورده:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>نیت\u003C\u002Fstrong> — روشن بگو چه می‌خواهی و برای چه کسی (فصل ۱ و ۲).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>تکرار\u003C\u002Fstrong> — اولین جواب پیش‌نویس است؛ پله‌پله بهترش کن (فصل ۳).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>وارسی\u003C\u002Fstrong> — درستی را خودت بسنج؛ به اطمینانِ مدل تکیه نکن (فصل ۴).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>این سه‌تا نه با یک به‌روزرسانیِ مدل کهنه می‌شوند و نه فولکلورند. هر وقت به یک «ترفندِ جادویی» برخوردی، اول از خودت بپرس: این به کدام‌یک از این سه کمک می‌کند؟ اگر به هیچ‌کدام، احتمالاً یک افسانهٔ در-حالِ-کهنه‌شدن است.\u003C\u002Fp>\n",{"kind":21,"heading":49,"html":50},"واژه‌های تازهٔ این فصل","\u003Ch2 id=\"واژه‌های-تازهٔ-این-فصل\">واژه‌های تازهٔ این فصل\u003Ca class=\"head-anchor\" href=\"#%D9%88%D8%A7%DA%98%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%AA%D8%A7%D8%B2%D9%87%D9%94-%D8%A7%DB%8C%D9%86-%D9%81%D8%B5%D9%84\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cdiv class=\"table-wrap\">\u003Ctable>\u003Cthead>\n\u003Ctr>\n\u003Cth>کلمه\u003C\u002Fth>\n\u003Cth>تلفظ به حروف فارسی\u003C\u002Fth>\n\u003Cth>یعنی چه\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>chain-of-thought\u003C\u002Ftd>\n\u003Ctd>چِین‌آو‌ثات\u003C\u002Ftd>\n\u003Ctd>اینکه مدل به‌جای پریدنِ مستقیم به جواب، اول مراحلِ فکرش را قدم‌به‌قدم بیرون بریزد\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>prompt drift\u003C\u002Ftd>\n\u003Ctd>پرامپت‌دِریفت\u003C\u002Ftd>\n\u003Ctd>لغزیدنِ رفتارِ یک پرامپتِ ثابت با هر به‌روزرسانیِ مدل، طوری که خروجی‌اش به‌مرور فرق می‌کند\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>",{"kind":52,"heading":53,"html":54},"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>قبل از تمرین، بدون نگاه به بالا جواب بده: چرا افزودنِ «قدم‌به‌قدم فکر کن» به یک \u003Ccode>reasoning model\u003C\u002Fcode> معمولاً چیزی عوض نمی‌کند؟\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> یکی از این سه افسانه را انتخاب کن (زنجیرهٔ فکرِ دستی، فشارِ احساسی، یا پرامپتِ بیش‌ازحد بلند). دو نسخه از یک پرامپت بساز — یکی با افسانه، یکی بدونِ آن — و روی همان کار اجرا کن. بنویس آیا واقعاً فرقی دیدی، و اگر آری، از کدام اجزای پایدار (نیت\u002Fتکرار\u002Fوارسی) آمد، نه از خودِ ترفند.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> یک «ترفندِ پرامپت» که جایی شنیده یا خوانده‌ای پیدا کن و امتحانش کن: نسخهٔ با-ترفند و نسخهٔ ساده را چند بار اجرا کن. آیا نتیجه پایدار است یا هر بار فرق می‌کند؟ اگر بی‌ثبات بود، همین بی‌ثباتی نشانهٔ یک افسانه است.\u003C\u002Fp>\n",{"kind":21,"heading":56,"html":57},"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 چه چیزی را کنار بگذاری و چه چیزی را نگه داری. فصلِ بعد فصلِ آخرِ این ترم است: یک پروژه. همهٔ آنچه در «گفت‌وگوی مؤثر» یاد گرفتی — نیت، زمینه، تکرار، وارسی، دستورِ سیستمی، تنظیمِ خلاقیت و دقت، و پرامپتِ ساختارمند — را در یک کار جمع می‌کنی و یک \u003Cstrong>دستیارِ شخصی\u003C\u002Fstrong> برای یک کارِ واقعیِ خودت می‌سازی. هیچ مفهومِ تازه‌ای نیست؛ فقط ساختن.\u003C\u002Fp>\n",{"course":59,"entitled":67,"lessons":68,"payments_enabled":67,"terms":221,"live":5},{"active_window":60,"effective_price_toman":61,"free":5,"lesson_count":62,"price_toman":63,"slug":64,"summary_fa":65,"title_fa":66},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,[69,73,76,80,84,88,92,95,98,101,104,107,110,113,116,117,118,119,122,125,128,131,134,137,140,143,146,149,152,155,158,161,164,167,170,173,176,179,182,185,188,191,194,197,200,203,206,209,212,215,218],{"free_preview":5,"order":70,"slug":71,"source":8,"term":70,"title_fa":72},1,"t1-s01-first-conversation","فصل ۰۱ — با چه چیزی حرف می‌زنی؟ اولین گفت‌وگو",{"free_preview":5,"order":9,"slug":74,"source":8,"term":70,"title_fa":75},"t1-s02-how-it-learns","فصل ۰۲ — چطور یاد گرفت",{"free_preview":5,"order":77,"slug":78,"source":8,"term":70,"title_fa":79},3,"t1-s03-tokens","فصل ۰۳ — توکن: واحدِ کارِ مدل",{"free_preview":5,"order":81,"slug":82,"source":8,"term":70,"title_fa":83},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"free_preview":5,"order":85,"slug":86,"source":8,"term":70,"title_fa":87},5,"t1-s05-limits","فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":89,"slug":90,"source":8,"term":70,"title_fa":91},6,"t1-s06-types","فصل ۰۶ — گونه‌های هوش مصنوعی",{"free_preview":5,"order":12,"slug":93,"source":8,"term":70,"title_fa":94},"t1-s07-responsible-start","فصل ۰۷ — از همین حالا مسئولانه",{"free_preview":5,"order":6,"slug":96,"source":8,"term":70,"title_fa":97},"t1-s08-interrogate-project","فصل ۰۸ — پروژه: یک مدل را بازجویی کن",{"free_preview":5,"order":70,"slug":99,"source":8,"term":9,"title_fa":100},"t2-s01-intent","فصل ۰۱ — نیت، نه جادو",{"free_preview":5,"order":9,"slug":102,"source":8,"term":9,"title_fa":103},"t2-s02-context","فصل ۰۲ — زمینه‌دادن",{"free_preview":5,"order":77,"slug":105,"source":8,"term":9,"title_fa":106},"t2-s03-iterate","فصل ۰۳ — حلقهٔ تکرار",{"free_preview":5,"order":81,"slug":108,"source":8,"term":9,"title_fa":109},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":85,"slug":111,"source":8,"term":9,"title_fa":112},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":89,"slug":114,"source":8,"term":9,"title_fa":115},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},{"free_preview":5,"order":70,"slug":120,"source":8,"term":77,"title_fa":121},"t3-s01-images","فصل ۰۱ — ساختِ تصویر با هوش مصنوعی",{"free_preview":67,"order":9,"slug":123,"source":8,"term":77,"title_fa":124},"t3-s02-image-understanding","فصل ۰۲ — فهمِ تصویر",{"free_preview":67,"order":77,"slug":126,"source":8,"term":77,"title_fa":127},"t3-s03-audio-video","فصل ۰۳ — صدا و ویدیو",{"free_preview":67,"order":81,"slug":129,"source":8,"term":77,"title_fa":130},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":67,"order":85,"slug":132,"source":8,"term":77,"title_fa":133},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":67,"order":89,"slug":135,"source":8,"term":77,"title_fa":136},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":67,"order":12,"slug":138,"source":8,"term":77,"title_fa":139},"t3-s07-work","فصل ۰۷ — کارِ حرفه‌ای",{"free_preview":67,"order":6,"slug":141,"source":8,"term":77,"title_fa":142},"t3-s08-coding-help","فصل ۰۸ — کمکِ کدنویسی (بی‌آنکه برنامه‌نویس باشی)",{"free_preview":67,"order":16,"slug":144,"source":8,"term":77,"title_fa":145},"t3-s09-workflow-project","فصل ۰۹ — پروژه: یک جریانِ کاریِ واقعی",{"free_preview":5,"order":70,"slug":147,"source":8,"term":81,"title_fa":148},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":67,"order":9,"slug":150,"source":8,"term":81,"title_fa":151},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":67,"order":77,"slug":153,"source":8,"term":81,"title_fa":154},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":67,"order":81,"slug":156,"source":8,"term":81,"title_fa":157},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":67,"order":85,"slug":159,"source":8,"term":81,"title_fa":160},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":67,"order":89,"slug":162,"source":8,"term":81,"title_fa":163},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":67,"order":12,"slug":165,"source":8,"term":81,"title_fa":166},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":67,"order":6,"slug":168,"source":8,"term":81,"title_fa":169},"t4-s08-mental-model-project","فصل ۰۸ — پروژه: نقشهٔ ذهنیِ یک پاسخ",{"free_preview":5,"order":70,"slug":171,"source":8,"term":85,"title_fa":172},"t5-s01-api-idea","فصل ۰۱ — API چیست: حرف‌زدنِ برنامه با مدل",{"free_preview":67,"order":9,"slug":174,"source":8,"term":85,"title_fa":175},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":67,"order":77,"slug":177,"source":8,"term":85,"title_fa":178},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":67,"order":81,"slug":180,"source":8,"term":85,"title_fa":181},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":67,"order":85,"slug":183,"source":8,"term":85,"title_fa":184},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":67,"order":89,"slug":186,"source":8,"term":85,"title_fa":187},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":67,"order":12,"slug":189,"source":8,"term":85,"title_fa":190},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":67,"order":6,"slug":192,"source":8,"term":85,"title_fa":193},"t5-s08-ship-project","فصل ۰۸ — پروژه: ابزارِ هوش‌مصنوعیِ خودت را منتشر کن",{"free_preview":5,"order":70,"slug":195,"source":8,"term":89,"title_fa":196},"t6-s01-deepfakes","فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":67,"order":9,"slug":198,"source":8,"term":89,"title_fa":199},"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",{"free_preview":67,"order":77,"slug":201,"source":8,"term":89,"title_fa":202},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":67,"order":81,"slug":204,"source":8,"term":89,"title_fa":205},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":67,"order":85,"slug":207,"source":8,"term":89,"title_fa":208},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":67,"order":89,"slug":210,"source":8,"term":89,"title_fa":211},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":67,"order":12,"slug":213,"source":8,"term":89,"title_fa":214},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":67,"order":6,"slug":216,"source":8,"term":89,"title_fa":217},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":67,"order":16,"slug":219,"source":8,"term":89,"title_fa":220},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990544340]