# فصل ۰۷ — کارِ حرفه‌ای

<div dir="rtl">

# فصل ۰۷ — کارِ حرفه‌ای

## در این فصل چه یاد می‌گیری

تا اینجا با تصویر، صدا، پژوهش و نوشتن کار کردی. این فصل همان مهارت‌ها را می‌آورد سرِ میزِ کار. سه کارِ واقعی که تقریباً هر شغلی لازمشان دارد: از یک یادداشتِ درهم یک ایمیل یا گزارش یا جدولِ مرتب بسازی؛ یک مشت عدد را به مدل بدهی و خلاصه‌اش را به‌زبانِ آدمیزاد بگیری؛ و یک الگوی قابلِ‌تکرار بسازی که کارِ خسته‌کنندهٔ هرهفته را کوتاه کند. با یک شرطِ همیشگی که در این فصل جدی‌تر از همیشه است: خروجی — به‌خصوص **عددها** — را خودت وارسی می‌کنی.

![دستگاهی برشی‌خورده که از یک طرف یک مشت تکه‌کاغذِ درهم و ریخته را می‌گیرد و از طرفِ دیگر یک دستهٔ مرتب و ردیف‌شده بیرون می‌دهد](/lesson-assets/t3-s07-work/prompt/01-image-desk.png)

آخر این فصل می‌توانی:

- یک یادداشتِ خام را به ایمیل، گزارش یا جدولِ مرتب تبدیل کنی
- یک مجموعهٔ کوچک از عددها را به مدل بدهی و خلاصه‌ای به‌زبانِ ساده بگیری — و درستیِ عددهایش را بسنجی
- یک الگوی قابلِ‌تکرار برای یک کارِ پرتکرارِ خودت بسازی و روی چند ورودی اجرا کنی

## قبل از شروع

- **از فصل ۷ ترم ۲:** پرامپتِ ساختارمند و الگوی قابلِ‌استفادهٔ مجدد — یک بار می‌سازی، بارها به‌کار می‌بری.
- **از فصل ۵ همین ترم:** پیش‌نویس‌گرفتن، ویرایش و تغییرِ لحن.
- **از فصل ۵ ترم ۱:** مدل در حساب و منطقِ دقیق ضعیف است — عددهایش را باور نکن تا نسنجیده‌ای.

مثلِ همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-3-toolkit/session-07-work) و هر پرامپتی را که در این فصل می‌بینی همان‌جا امتحان کن — به‌خصوص بخشِ عددها را، تا خودت ببینی مدل کجا می‌لغزد.

## ۱. از خام به حرفه‌ای: ایمیل و گزارش

بیشترِ کارِ اداری این است که یک چیزِ درهم و شخصی را به یک چیزِ مرتب و قابلِ‌ارائه تبدیل کنی. یادداشتِ سرِ جلسه یک مشتِ تکه‌پاره است؛ ایمیلی که به تیم می‌فرستی باید تمیز و روشن باشد. این دقیقاً همان کاری است که مدل خوب انجام می‌دهد. این یادداشتِ خام را به مدل بده:

</div>

```text
یادداشت جلسه:
- بودجه هنوز تایید نشده
- سارا: طرح جلد تا پنجشنبه آماده کند
- جلسه بعدی سه‌شنبه ساعت ۱۰
- باید با تیم فروش هماهنگ شویم
```

<div dir="rtl">

حالا نیت را روشن بده (درسِ ترم ۲): نقش، مخاطب و قالب.

</div>

```text
این یادداشتِ خامِ جلسه را به یک ایمیلِ کوتاه و مؤدب به اعضای تیم تبدیل کن.
تصمیم‌ها و کارها را روشن فهرست کن. لحن حرفه‌ای ولی دوستانه.
```

<div dir="rtl">

یک خروجیِ واقع‌نما (مالِ تو ممکن است فرق کند):

</div>

```text
سلام به همگی،
خلاصهٔ جلسهٔ امروز:
- بودجه هنوز تأیید نشده و منتظر جواب می‌مانیم.
- سارا طرحِ جلد را تا پنجشنبه آماده می‌کند.
- برای ادامه با تیمِ فروش هماهنگ می‌شویم.
جلسهٔ بعدی سه‌شنبه ساعت ۱۰ است. می‌بینمتان.
```

<div dir="rtl">

در چند ثانیه یک ایمیلِ آمادهٔ استفاده گرفتی. ولی همین‌جا اولین تلهٔ کارِ اداری هست: مدل گاهی چیزی به فهرست اضافه می‌کند که در یادداشتِ اصلی نبود — یک کار، یک قول، یک تاریخ — و چون بقیهٔ ایمیل درست است، آن یکی هم درست به‌نظر می‌رسد.

> ✅ **وارسی:** ایمیلِ خروجی را خط‌به‌خط با یادداشتِ اصلی بسنج. هر جمله‌ای که در یادداشت ردی نداشت، مدل خودش ساخته — پاکش کن، مخصوصاً اگر قول یا تعهدی به کسی می‌دهد.

## ۲. جدول از متنِ درهم

مدل در بیرون‌کشیدنِ ساختار از یک متنِ شلوغ فوق‌العاده است. فرض کن یک پاراگرافِ درهم داری و می‌خواهی آن را به یک جدولِ تمیز تبدیل کنی. متن را بده و **قالبِ خروجی** را دقیق بخواه:

</div>

```text
این متن را به یک جدول با ستون‌های «قلم»، «تعداد» و «قیمت واحد» تبدیل کن:
سه دفتر خریدیم هرکدام 20 هزار، دو خودکار هرکدام 5 هزار، و یک ماشین‌حساب 90 هزار.
```

<div dir="rtl">

خروجی یک جدولِ مرتب می‌شود:

</div>

| قلم | تعداد | قیمت واحد |
|---|---|---|
| دفتر | 3 | 20000 |
| خودکار | 2 | 5000 |
| ماشین‌حساب | 1 | 90000 |

<div dir="rtl">

مدل متنِ روزمره را به داده‌ای مرتب و قابلِ‌مرتب‌سازی تبدیل کرد. توجه کن که در جدول‌های داده، عددها با رقمِ انگلیسی نوشته می‌شوند تا با ابزارهای دیگر (مثلِ صفحه‌گسترده) هم بخوانند.

> 💡 **نکته:** هرچه ستون‌ها را دقیق‌تر نام ببری، جدول تمیزتر می‌شود. اگر ستونی را خالی گذاشتی و مدل خودش حدسش زد، همان‌جا خطر شروع می‌شود.

## ۳. تحلیلِ دادهٔ ساده به زبانِ آدمیزاد

اینجا مهم‌ترین بخشِ فصل است. مدل می‌تواند یک مشت عدد را نگاه کند و خلاصه‌ای به‌زبانِ ساده بدهد: بیشترین کدام است، کمترین کدام، روند چطور است. این خیلی به‌کار می‌آید — ولی همان‌جاست که خطرناک‌ترین اشتباه‌ها رخ می‌دهد، چون مدل در حساب ضعیف است (درسِ ترم ۱) و عددِ غلط را با همان اطمینانِ عددِ درست می‌گوید. بیا خودت ببینی‌اش. این نمرهٔ ماهانهٔ هفت ماه را بده:

</div>

```text
نمرهٔ ماهانه:
فروردین: 47
اردیبهشت: 63
خرداد: 38
تیر: 71
مرداد: 56
شهریور: 42
مهر: 69

این داده را در چند جمله خلاصه کن: مجموع، بیشترین و کمترین ماه، میانگینِ ماهانه،
و روندِ کلی. فقط خلاصه بنویس، محاسبه را نشان نده.
```

<div dir="rtl">

دو چیز در این پرامپت عمدی است. اول، هفت عدد به‌جای چهار پنج‌تا: جمعِ کوتاه را مدل تقریباً همیشه درست می‌دهد، فهرستِ بلندتر است که می‌لغزاندش. دوم، آن «محاسبه را نشان نده»: اگر جا بدهی مدل عددها را یکی‌یکی روی کاغذ جمع کند، اغلب به جوابِ درست می‌رسد — ولی در کارِ واقعی معمولاً همین را می‌خواهی، یک خلاصهٔ تمیز بدونِ محاسبه. و دقیقاً همان خلاصهٔ تمیز است که خطر دارد. یک خروجیِ واقع‌نما این است:

</div>

```text
مجموعِ نمره‌های این هفت ماه حدودِ ۴۰۸ است. بیشترین نمره در تیر (۷۱) و کمترین
در خرداد (۳۸) ثبت شده است. میانگینِ ماهانه تقریباً ۵۸ است. روندِ کلی با
نوساناتی نسبتاً افزایشی همراه بوده است.
```

<div dir="rtl">

نگاهِ اول: عالی است. بیشترین و کمترین درست‌اند و جملهٔ آخر هم قابلِ‌دفاع است. یعنی دو تا از چهار ادعا درست‌اند — و دقیقاً همین است که آن دوتای دیگر را خطرناک می‌کند. هم «مجموع ۴۰۸» غلط است هم «میانگین ۵۸».

> ✅ **وارسی:** عددها را خودت بازحساب کن. جمع: ۴۷ + ۶۳ + ۳۸ + ۷۱ + ۵۶ + ۴۲ + ۶۹ = ۳۸۶، نه ۴۰۸. و میانگین: ۳۸۶ ÷ ۷ ≈ ۵۵، نه ۵۸. مدل هر دو عدد را با همان لحنِ مطمئنی گفت که «تیر بیشترین است» را درست گفته بود. سه قانونِ ثابتِ این دوره همیشه سرِ جایشان‌اند: **«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».**

**و اگر مدلِ تو هر چهار عدد را درست داد؟** کاملاً ممکن است — و این بحث را نمی‌بندد، فقط جابه‌جایش می‌کند. همین پرامپت را سه بار در سه گفت‌وگوی جدا بفرست و سه مجموع را کنارِ هم بگذار. یک صفحه‌گسترده هر سه بار دقیقاً یک عدد می‌دهد؛ مدل معمولاً دستِ‌کم یک بار عددِ دیگری می‌دهد. **نایکسان‌بودنِ سه اجرا خودش مدرک است** که این عدد محاسبه نشده، حدس زده شده — و عددی که یک بار حدس درست از آب دربیاید، دفعهٔ بعد ممکن است نیاید. برای هر عددی که قرار است در گزارشت برود، ماشین‌حساب یا صفحه‌گسترده تنها مرجع است.

این ماجرا یک نکتهٔ عملی دارد که فراموشش نکن: هرچه خروجی حرفه‌ای‌تر و مرتب‌تر باشد، وسوسه‌ات بیشتر است که چشم‌بسته باورش کنی. عددی که وسطِ یک خلاصهٔ تمیز نشسته، بی‌سروصدا وارد گزارشت می‌شود و بعد کسی رویش تصمیم می‌گیرد. برای هر عددی که مدل تولید می‌کند و قرار است رویش حساب کنی، خودت یک بار بازحسابش کن یا در یک ابزارِ دیگر (ماشین‌حساب، صفحه‌گسترده) چکش کن.

**قبل از ادامه، جواب بده:** اگر مدل در همان خلاصه می‌گفت «مجموع ۴۹۵»، از کجا می‌فهمیدی غلط است؟ کدام کارِ ساده جلوی وارد شدنِ این عدد به گزارشت را می‌گیرد؟

## ۴. اتوماسیونِ کارهای تکراری

کارِ اداری پر از کارهای تکراری است: هر هفته همان نوع ایمیل، همان نوع خلاصه، همان نوع بازنویسی. اینجا الگوی ساختارمندِ ترم ۲ به کارِ واقعی می‌آید. «اتوماسیون» در اینجا یعنی چیزِ پیچیده‌ای نیست: یک **الگوی قابلِ‌تکرار** می‌سازی که فقط جای خالی‌اش عوض می‌شود. مثلاً یک الگو برای «هر یادداشتِ جلسه را به ایمیل + فهرستِ کار تبدیل کن»؛ هفتهٔ بعد فقط یادداشتِ تازه را می‌گذاری و بقیهٔ الگو دست‌نخورده می‌ماند.

قدمِ بعدی این است که چند مورد را **یک‌جا** بدهی. مثلاً به‌جای اینکه پنج بار جدا بپرسی، یک بار بخواه:

</div>

```text
این پنج عنوانِ خبری را هرکدام به یک جملهٔ رسمی و کوتاه بازنویسی کن:
1. فروش این ماه بهتر شد
2. جلسه به هفته بعد افتاد
3. انبار جدید راه افتاد
4. سایت دو روز بالا نیامد
5. دو نفر به تیم اضافه شدند
```

<div dir="rtl">

مدل هر پنج را یک‌جا تحویل می‌دهد و کلی وقت صرفه‌جویی می‌شود. ولی همین‌جا یک خطرِ ظریف هست:

> ⚠️ **مواظب باش:** وقتی پنج خروجی را یک‌جا و مرتب می‌گیری، وسوسه می‌شوی همه را نخوانده قبول کنی. صرفه‌جوییِ زمان دقیقاً همان چیزی است که کنارگذاشتنِ وارسی را وسوسه‌انگیز می‌کند. قاعده این است: هرچه یک الگو را بیشتر و خودکارتر به‌کار می‌بری، وارسیِ هر خروجی مهم‌تر می‌شود، نه کم‌اهمیت‌تر — چون یک اشتباه در الگو حالا در همهٔ خروجی‌ها تکرار می‌شود.

و یک مرزِ صادقانه: این «اتوماسیون» خودش کاری نمی‌کند مگر تو اجرایش کنی. مدل روبه‌روی یادداشتِ تو نمی‌نشیند و خودکار ایمیل نمی‌فرستد. تو الگو را نگه می‌داری، هر بار ورودیِ تازه می‌دهی، و هر خروجی را وارسی می‌کنی. این مرزِ ساده تو را از دردسر دور نگه می‌دارد.

## تمرین‌ها

**تمرین اجباری:** یک دادهٔ کوچکِ واقعیِ خودت را بردار (خرجِ این هفته، نمره‌های یک درس، تعدادِ چیزی در چند روز). به مدل بده و یک خلاصه با مجموع و میانگین بخواه. بعد هر عددِ خلاصه را خودت دوباره حساب کن و بنویس کدام درست و کدام غلط بود. اگر همه درست بودند، دادهٔ بزرگ‌تری امتحان کن تا لغزش را ببینی.

**تمرین ستاره‌دار ⭐:** یک الگوی قابلِ‌تکرار برای یک کارِ پرتکرارِ خودت بساز (مثلاً «هر پیامِ کاری را به یک پاسخِ مؤدب تبدیل کن») و روی سه ورودیِ کاملاً متفاوت اجرایش کن. ببین آیا هر بار خروجیِ باکیفیت می‌دهد یا روی بعضی ورودی‌ها می‌لنگد. جایی که می‌لنگد، الگو را دقیق‌تر کن.

## در فصل بعد

تا اینجا مدل کارِ اداری‌ات را سبک کرد. فصلِ بعد سراغِ چیزی می‌رویم که شاید فکر می‌کردی مالِ برنامه‌نویس‌هاست: **کد**. یاد می‌گیری بی‌آنکه برنامه‌نویس باشی از مدل بخواهی یک تکه کد را برایت توضیح دهد و یک خطای ساده را رفع کند — و مهم‌تر، چرا حتی «اصلاحِ» مدل را هم باید اجرا و وارسی کنی، چون گاهی موقعِ رفعِ یک خطا، خطای تازه‌ای می‌سازد.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t3/s07-work (یادستان, Yaadestan)
