در این فصل چه یاد میگیری#
مدلهای آماده رایگان بهنظر میرسند تا وقتی که برنامهات چند کاربرِ واقعی پیدا کند. آنوقت سه چیز ناگهان مهم میشوند: توکن، سهمیه، و زمان. در این فصل واحدِ شمارشِ این دنیا را میشناسی، هزینه را قبل از خرجکردن تخمین میزنی، و سه تکنیکِ ساده یاد میگیری که مصرف را چند برابر پایین میآورند. و یک واقعیت را با عدد میبینی که هیچ آموزشِ انگلیسیزبانی به تو نمیگوید: متنِ فارسی میتواند چند برابرِ متنِ انگلیسی توکن مصرف کند.

آخر این فصل میتوانی:
- توکن را بشماری و بگویی چرا واحدِ شمارش کلمه نیست
- هزینهٔ یک کارِ مشخص را قبل از اجرا تخمین بزنی
- با
cacheوbatchو انتخابِ درستِ مدل مصرف را کم کنی - بگویی هزینهٔ فارسی چقدر بیشتر است و چه کارش میشود کرد
قبل از شروع#
از فصل ۳: فراخوانیِ API، timeout، و کدهای وضعیت.
از فصل ۶: اینکه index را یک بار میسازی، نه هر بار.
📓 نوتبوک: نوتبوک این فصل را در Colab باز کن — همهٔ کدهای این فصل آماده و بهترتیب داخلش هست.
💡 نکته: این فصل هم مثلِ فصلِ ۴ هیچ فراخوانیِ واقعیای نمیکند. همهچیز محلی و قابلِ تکرار است، چون موضوعِ فصل «حساب کردنِ هزینه» است، نه «خرج کردنِ آن».
۱. توکن: واحدِ شمارشِ این دنیا#
مدلهای زبانی نه با نویسه کار میکنند نه با کلمه، بلکه با توکن: تکههایی که یک الگوریتم بر اساسِ تکرارشدنشان در دادهٔ آموزشی ساخته. کلمهٔ پرتکرار یک توکن میشود، کلمهٔ کمیاب به چند تکه میشکند.
pip install -q tiktoken
import tiktoken
encoding = tiktoken.get_encoding("cl100k_base")
sentence = "سلام دنیا"
ids = encoding.encode(sentence)
print("متن:", sentence)
print("تعداد نویسه:", len(sentence))
print("تعداد توکن:", len(ids))
print("تکهها:", [encoding.decode([i]) for i in ids])
متن: سلام دنیا
تعداد نویسه: 9
تعداد توکن: 7
تکهها: ['س', 'ل', 'ام', ' د', 'ن', 'ی', 'ا']
✅ چک کن: «سلام دنیا» باید ۷ توکن بدهد. اگر عددِ دیگری گرفتی، توکنایزرِ دیگری بار شده —
cl100k_baseرا حرفبهحرف چک کن. و اگر خطای شبکه گرفتی،tiktokenبارِ اول جدولِ توکنها را دانلود میکند؛ همان سلول را دوباره اجرا کن.
دو کلمهٔ فارسی، هفت توکن — و پنج تای آنها یک حرفِ تنهاست. اینجا نه کلمه واحدِ شمارش است، نه هجا. حتی «دنیا» که کلمهای کاملاً معمولی است، حرفحرف شکسته.
⚠️ مواظب باش:
cl100k_baseتوکنایزرِ یک خانوادهٔ مشخص از مدلهاست، نه قانونِ جهانی. هر مدل توکنایزرِ خودش را دارد و شمارشش فرق میکند. برای تخمین عالی است، برای صورتحساب نه — عددِ دقیق را همیشه از پاسخِ خودِ API بگیر، که معمولاً بخشی به نامِusageدارد.
۲. مالیاتِ فارسی#
persian = "برای اینکه برنج شفته نشود، آب را دقیقاً اندازه بگیر."
english = "To keep the rice from getting mushy, measure the water exactly."
for name, text in [("فارسی ", persian), ("انگلیسی", english)]:
n = len(encoding.encode(text))
print(f"{name}: {len(text):>3} نویسه -> {n:>3} توکن ({round(len(text) / n, 1)} نویسه در هر توکن)")
فارسی : 52 نویسه -> 40 توکن (1.3 نویسه در هر توکن)
انگلیسی: 63 نویسه -> 14 توکن (4.5 نویسه در هر توکن)
دو جمله که یک چیز میگویند. جملهٔ انگلیسی حتی بلندتر است. ولی فارسی ۴۰ توکن میخورد و انگلیسی ۱۴ — نزدیک به سه برابر.
دلیلش تبعیض نیست، آمار است: این توکنایزرها روی پیکرههایی ساخته شدهاند که غالبشان انگلیسی است، پس تکههای پرتکرارِ انگلیسی در واژگانشان جا گرفتهاند و فارسی به حروفِ تنها میشکند.
سه پیامدِ عملی، و هر سه واقعیاند:
- هزینهات بیشتر است، گاهی چند برابر، اگر با متنِ فارسی کار میکنی. هر تخمینی که از یک منبعِ انگلیسی خواندی، برای تو کمبرآورد است.
- پنجرهٔ زمینه زودتر پر میشود. حدِ ورودیِ مدل به توکن است، نه به صفحه؛ پس متنِ فارسیِ کمتری در آن جا میشود.
- تکههای فصلِ ۶ را با توکن بسنج، نه با نویسه — اگر حدِ تکه را بر اساسِ تعدادِ نویسه گذاشتهای، در فارسی خیلی بزرگتر از تصورت است.
📏 اندازه بگیر: این عددها را برای متنِ خودت دربیاور، نه برای جملهٔ من. یک نمونهٔ واقعی از دادهٔ کاریات بردار،
encodeکن، و نسبتِ نویسه به توکن را حساب کن. متنِ فنی با کلمههای انگلیسیِ زیاد، نسبتِ کاملاً متفاوتی از متنِ محاورهای دارد.
ولی این عدد به توکنایزر بسته است. cl100k_base نسلِ قدیمیتری است. همان دو جمله را با o200k_base، توکنایزرِ نسلِ تازهترِ همان شرکت، بشمار:
modern = tiktoken.get_encoding("o200k_base")
for name, text in [("فارسی ", persian), ("انگلیسی", english)]:
print(f"{name}: cl100k_base = {len(encoding.encode(text)):>2} توکن | o200k_base = {len(modern.encode(text)):>2} توکن")
فارسی : cl100k_base = 40 توکن | o200k_base = 17 توکن
انگلیسی: cl100k_base = 14 توکن | o200k_base = 14 توکن
فارسی از ۴۰ توکن به ۱۷ رسید و انگلیسی همان ۱۴ ماند. یعنی فاصله از نزدیک به سه برابر به حدودِ ۱٫۲ برابر آمد. مالیاتِ فارسی واقعی است، ولی اندازهاش به مدل بستگی دارد. پس آن را برای همان مدلی بسنج که واقعاً بهکار میبری، از بخشِ usage پاسخِ API. بقیهٔ این فصل با cl100k_base میماند تا عددها با بالا بخوانند.
۳. تخمینِ هزینه، قبل از خرج#
فرمول همیشه یک شکل دارد و سه ورودی میخواهد: تعدادِ توکنِ ورودی، تعدادِ توکنِ خروجی، و نرخِ هرکدام.
import pandas as pd
docs = pd.read_csv("docs.csv")
corpus = "\n".join(docs["text"])
input_tokens = len(encoding.encode(corpus))
# این دو عدد را از صفحهٔ قیمتِ سرویسِ خودت بگذار — نمونهاند، نه واقعی.
PRICE_INPUT = 0.10 # به ازای هر یک میلیون توکن ورودی
PRICE_OUTPUT = 0.40 # به ازای هر یک میلیون توکن خروجی
OUTPUT_TOKENS = 200 # تخمینِ طولِ جواب
CALLS = 1000
cost = CALLS * (input_tokens * PRICE_INPUT + OUTPUT_TOKENS * PRICE_OUTPUT) / 1_000_000
print("کل پیکره:", len(corpus), "نویسه،", input_tokens, "توکن")
print(f"هزینهٔ تخمینی {CALLS} فراخوانی: {round(cost, 2)} واحد")
کل پیکره: 1162 نویسه، 848 توکن
هزینهٔ تخمینی 1000 فراخوانی: 0.16 واحد
عددِ نهایی اینجا مهم نیست — فرمول مهم است. نرخها مدام عوض میشوند، پس آن دو ثابت را همیشه از صفحهٔ قیمتِ سرویسی که واقعاً بهکار میبری بردار.
| آنچه باید بدانی | کجا پیدایش میکنی |
|---|---|
| نرخِ توکنِ ورودی و خروجی | صفحهٔ قیمتِ سرویس — در زمان خواندن چک شود |
| سهمیهٔ رایگان | همان صفحه — در زمان خواندن چک شود |
| حدِ درخواست در دقیقه | مستنداتِ rate limit |
| مصرفِ واقعیِ هر فراخوانی | بخشِ usage در پاسخِ API |
⚠️ مواظب باش: آن
input_tokensبالا فقط کلِ پیکره است. اگر الگویRAGفصلِ ۶ را بهکار ببری، در هر فراخوانی فقط سه تکه میفرستی نه کلِ پیکره را. یعنی بازیابی، پیش از آنکه تکنیکِ کیفیت باشد، تکنیکِ هزینه است — و برای پیکرهٔ بزرگ، تفاوتش بینِ «ممکن» و «غیرممکن» است، چون کلِ پیکره اصلاً در پنجرهٔ زمینه جا نمیشود.
۴. cache: جوابی را که یک بار گرفتهای دوباره نخر#
cache = {}
counter = {"calls": 0} # dict بهجای متغیر ساده، تا تابع بتواند تغییرش بدهد
def pretend_call(prompt):
"""جای یک فراخوانیِ واقعی — فقط میشمارد که چند بار صدا زده شده."""
counter["calls"] += 1
return f"جواب برای: {prompt}"
def ask_cached(prompt):
if prompt not in cache:
cache[prompt] = pretend_call(prompt)
return cache[prompt]
questions = ["قیمت چند است", "ساعت کاری", "قیمت چند است", "آدرس کجاست", "ساعت کاری", "قیمت چند است"]
for q in questions:
ask_cached(q)
print("تعداد سؤالها:", len(questions))
print("فراخوانیهای واقعی:", counter["calls"])
print("صرفهجویی:", round((1 - counter["calls"] / len(questions)) * 100), "درصد")
تعداد سؤالها: 6
فراخوانیهای واقعی: 3
صرفهجویی: 50 درصد
شمارنده را عمداً dict گذاشتیم و نه یک عددِ ساده: تابعی که عددِ بیرونی را تغییر بدهد در پایتون کارِ اضافه لازم دارد (همان UnboundLocalError ترمِ ۱ فصلِ ۷)، ولی تغییرِ محتوای یک dict از داخلِ تابع بیدردسر کار میکند.
شش سؤال، سه فراخوانی. در یک سامانهٔ واقعی این نسبت معمولاً خیلی بهتر است، چون سؤالهای کاربران بهشدت تکراریاند: چند سؤالِ پرتکرار بیشترِ ترافیک را میسازند.
سه نکته که یک cache را از کارآمد به خطرناک میبرند:
- کلید باید کلِ چیزی باشد که جواب به آن وابسته است — نه فقط سؤال، بلکه نامِ مدل و متنِ سامانه و هر تنظیمی که فرستادهای. کلیدِ ناقص یعنی جوابِ مدلِ قدیمی را به مدلِ جدید نسبت میدهی.
cacheبا پایانِ برنامه پاک میشود. برای ماندگاری، در فایل یا پایگاهداده ذخیرهاش کن.- جوابِ کهنه هم مشکل است. اگر سؤال دربارهٔ چیزی است که تغییر میکند،
cacheباید تاریخِ انقضا داشته باشد.
۵. batch: چند تا با هم#
def pretend_batch(prompts):
"""یک درخواست، چند ورودی — یعنی یک بار سربارِ شبکه بهجای چند بار."""
counter["calls"] += 1
return [f"جواب برای: {p}" for p in prompts]
counter["calls"] = 0
for item in ["الف", "ب", "ج", "د"]:
pretend_call(item)
one_by_one = counter["calls"]
counter["calls"] = 0
pretend_batch(["الف", "ب", "ج", "د"])
batched = counter["calls"]
print("یکییکی:", one_by_one, "درخواست")
print("دستهای:", batched, "درخواست")
یکییکی: 4 درخواست
دستهای: 1 درخواست
دقت کن batch تعدادِ توکن را کم نمیکند — همان چهار متن باید پردازش شوند. چیزی که کم میکند تعدادِ درخواست است، و این دو جای متفاوت اثر دارد: سربارِ شبکه (که در کارِ زیاد جمع میشود) و حدِ درخواست در دقیقه، که معمولاً زودتر از حدِ توکن به دیوار میخورد.
همان encoder.encode(docs["text"].tolist()) فصلِ ۶ هم دقیقاً همین بود: یک فراخوانی برای بیست جمله، نه بیست فراخوانی.
۶. وقتی به دیوار میخوری#
سرویسها حدِ درخواست دارند و رد شدن از آن جوابِ 429 میگیرد — همان جدولِ فصلِ ۳. کارِ درست تلاشِ دوباره با فاصلهٔ فزاینده است:
def wait_seconds(attempt, base=1.0):
"""فاصلهٔ انتظار قبل از تلاشِ بعدی: هر بار دو برابر."""
return base * (2 ** attempt)
for attempt in range(5):
print(f"تلاش {attempt + 1} -> صبر {wait_seconds(attempt)} ثانیه")
تلاش 1 -> صبر 1.0 ثانیه
تلاش 2 -> صبر 2.0 ثانیه
تلاش 3 -> صبر 4.0 ثانیه
تلاش 4 -> صبر 8.0 ثانیه
تلاش 5 -> صبر 16.0 ثانیه
به این exponential backoff میگویند. منطقش ساده است: اگر سرویس شلوغ است، فشارِ بیشتر وضع را بدتر میکند؛ عقب کشیدن به آن فرصتِ نفس میدهد.
در کدِ واقعی اینطور بهکارش میبری:
import time
import requests
for attempt in range(5):
response = requests.post(URL, json=payload, timeout=30)
if response.status_code != 429:
break
time.sleep(wait_seconds(attempt))
⚠️ مواظب باش: روی
429و خطاهای موقتِ سرور (5xx) دوباره تلاش کن؛ روی401و400هرگز. کلیدِ غلط با تلاشِ دوباره درست نمیشود و پرامپتِ بدساخت هم همینطور — فقط سهمیهات را میسوزانی و خطای واقعی را دیرتر میبینی. همان قاعدهٔ ترمِ ۱ فصلِ ۸: فقط خطایی را بگیر که میدانی با آن چه کنی.
۷. جدولِ تصمیم#
وقتی هزینه یا کندی مشکل شد، ترتیبِ کارها این است — از ارزانترین تلاش به گرانترین:
| مشکل | اولین کاری که باید بکنی |
|---|---|
| سؤالهای تکراری زیاد | cache |
| ورودیِ خیلی بلند | بازیابی (RAG) بهجای فرستادنِ کلِ متن |
| درخواستهای زیاد و کوچک | batch |
429 مکرر |
backoff + کم کردنِ نرخِ ارسال |
| هزینهٔ کلی بالا | مدلِ کوچکتر برای کارهای ساده |
| کندیِ محسوس | مدلِ کوچکتر، یا خروجیِ کوتاهتر بخواه |
آن ردیفِ آخر را جدی بگیر: تولیدِ هر توکنِ خروجی زمان میبرد. جوابِ ۵۰۰ توکنی حدودِ پنج برابرِ جوابِ ۱۰۰ توکنی طول میکشد. اگر در پرامپت بنویسی «حداکثر سه جمله»، هم سریعتر میشود هم ارزانتر — و اغلب مفیدتر.
🤖 از دستیارت بپرس: «اگر یک سامانهٔ پرسشوپاسخ روی هزار سند فارسی بسازم، کجاهای مسیر هزینه ایجاد میشود؟» بعد جوابش را با این فصل بسنج: آیا مالیاتِ فارسی را گفت؟ بیشترِ دستیارها نمیگویند، چون دادهٔ آموزشیشان انگلیسی است. این دقیقاً همان جایی است که تو باید بیشتر از دستیارت بدانی.
واژههای تازهٔ این فصل#
| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| token | توکن | کوچکترین واحدی که مدل متن را با آن میشمارد |
| context window | کانتکست ویندو | حداکثر توکنی که در یک درخواست جا میشود |
| rate limit | ریت لیمیت | حدِ تعدادِ درخواست در واحدِ زمان |
| cache | کش | نگهداشتنِ جوابِ محاسبهشده برای دفعهٔ بعد |
| batch | بچ | فرستادنِ چند ورودی در یک درخواست |
| exponential backoff | اکسپوننشال بکآف | تلاشِ دوباره با فاصلههای دوبرابرشونده |
تمرینها
اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.
در فصل بعد#
هفت فصل ابزار جمع کردی: مدلِ آماده، API، خروجیِ ساختارمند، embedding، بازیابی، و مهارِ هزینه. فصلِ آخرِ ترم همه را در یک ابزارِ کامل جمع میکند: یک دستیارِ پرسشوپاسخ روی متنهای خودت — با بازیابی، اعتبارسنجی، cache، و رفتارِ درست وقتی جواب را نمیداند.
به آخر این فصل رسیدی!
اگر ساختی و جواب داد، این دکمه مال توست.