# فصل ۰۱ — API یک مدلِ بزرگ، از پایتون

<div dir="rtl">

# فصل ۰۱ — API یک مدلِ بزرگ، از پایتون

## در این فصل چه یاد می‌گیری

چهار ترم مدل ساختی و آموزش دادی. **این ترم چیزِ دیگری است:** مدل را دیگری ساخته و تو باید دورش یک سامانه بسازی که واقعاً کار کند — پاسخِ نامعتبر بگیرد و نشکند، سرویس که پایین آمد جا نزند، و وقتی بد جواب داد **بفهمی چقدر بد**.

در این فصل اولین تماس را می‌گیری، پارامترهای تولید را دستکاری می‌کنی، و مهم‌تر از همه: **کدی می‌نویسی که وقتی سرویس خطا می‌دهد از پا نمی‌افتد.** آخرش با عدد نشان می‌دهیم که همان چند خط، نرخِ موفقیت را از **۱۰ از ۲۰** به **۱۹ از ۲۰** می‌رساند — و می‌گوییم بهایش چه بود.

![یک تماسِ ساده که در راه به مانع می‌خورد و بارِ دوم عبور می‌کند](/lesson-assets/t5-s01-llm-api/prompt/01-image-call-and-retry.png)

آخر این فصل می‌توانی:

- پیام‌ها را با `role` درست بسازی و بفرستی
- `temperature` و سقفِ طولِ خروجی را بشناسی و اثرشان را اندازه بگیری
- خطاهای واقعیِ یک سرویس را دسته‌بندی کنی و برایشان `retry` با `backoff` بنویسی
- بگویی چرا `retry` رایگان نیست

## قبل از شروع

**از سرنخ ترمِ ۴:** فراخوانیِ یک API با کلید و گذاشتنِ کلید در Colab Secrets. اینجا همان کار را می‌کنیم، ولی این بار **کدِ اطرافش** موضوعِ درس است، نه خودِ تماس.

**از سرنخ ترمِ ۱ فصل ۸:** خواندنِ `traceback` و گرفتنِ استثنا با `try`/`except`.

**سلولِ راه‌اندازی سه چیز می‌دهد:** `DOCS` (دوازده سندِ فارسیِ کتابخانهٔ ساختگیِ «نوردانه»)، `GOLD` (بیست‌وچهار پرسش با جوابِ درست، از فصلِ ۶ به بعد ستونِ فقراتِ ترم)، و دو تابعِ تماس: `chat` و `real_chat`.

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/zharfa/term-5-llm-engineering/session-01-llm-api.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

## ۱. دو تابعِ تماس، و چرا دو تا

**`real_chat` تماسِ واقعی است** با Gemini، با کلیدِ خودت. **`chat` بدلِ محلیِ آن است** — همان ورودی، همان شکلِ خروجی، ولی بدونِ اینترنت و بدونِ کلید، و **قطعی**: هر بار همان جواب.

**چرا این ترم روی بدل بنا شده، صریح می‌گویم:**

- **هر عددی که در این کتاب می‌بینی باید برای تو هم دقیقاً همان دربیاید.** با یک سرویسِ زنده این ممکن نیست؛ خروجی‌اش هر هفته عوض می‌شود.
- **درسِ این ترم مدل نیست، سامانهٔ دورِ مدل است.** اعتبارسنجی، `retry`، بازیابی، `eval`، هزینه، ایمنی — هیچ‌کدام به هوشِ مدل وابسته نیستند.
- **این خودش روشِ حرفه‌ای است.** هیچ تیمی تستِ خودکارش را به یک سرویسِ پولیِ غیرقطعی وصل نمی‌کند. بدل داشتن قاعده است، نه استثنا.

**و مرزش را هم صریح می‌گویم:** بدلِ ما فقط **استخراج** می‌کند — جملهٔ مرتبط را از متنی که به‌ش داده‌ای برمی‌دارد. **استدلال نمی‌کند.** پس هر جا در این ترم عددی می‌بینی که بدل بد گرفته، **مدلِ واقعی ممکن است بهتر بگیرد** — و هر جا بدل خوب گرفته، مدلِ واقعی هم معمولاً می‌گیرد، ولی تضمینی نیست. این را همه‌جا یادآوری می‌کنم.

## ۲. یک درخواست واقعاً چیست

</div>

```python
import json

messages = [
    {"role": "system", "content": "تو دستیارِ کتابخانهٔ نوردانه‌ای. فقط از متنی که می‌دهم جواب بده."},
    {"role": "user", "content": DOC_BY_ID["hours"]["text"] + "\n\nپنجشنبه‌ها ساعت کار کتابخانه تا چند است؟"},
]
for m in messages:
    print(f'{m["role"]:>6} | {m["content"][:52]}…')
```

<div dir="rtl">

</div>

```text
system | تو دستیارِ کتابخانهٔ نوردانه‌ای. فقط از متنی که می‌د…
  user | کتابخانه شنبه تا چهارشنبه از ساعت ۸ تا ۲۰ باز است. پ…
```

<div dir="rtl">

**یک فهرست از دیکشنری. همین.** هر چیزِ دیگری که دربارهٔ «چت با هوش مصنوعی» شنیده‌ای، رویِ همین ساختار سوار است.

سه `role` رایج است:

- **`system`** — دستورِ پایدار: تو کی هستی، چه کاری بکن، چه کاری نکن.
- **`user`** — چیزی که کاربر می‌گوید، به‌علاوهٔ هر متنی که تو به‌ش می‌چسبانی.
- **`assistant`** — پاسخ‌های قبلیِ خودِ مدل. **حافظهٔ گفت‌وگو همین است و بس:** مدل چیزی به‌خاطر نمی‌سپارد؛ **تو** تاریخچه را هر بار دوباره می‌فرستی.

**آن جملهٔ آخر را دست‌کم نگیر.** مدل بینِ دو تماس هیچ حالتی نگه نمی‌دارد. اگر گفت‌وگوی ده‌مرحله‌ای می‌خواهی، در مرحلهٔ دهم داری هر ده پیام را دوباره می‌فرستی — **و برای هر ده‌تا دوباره پول می‌دهی.** فصلِ ۸ همین را اندازه می‌گیرد.

**و متنِ سند را کجا گذاشتیم؟ داخلِ پیامِ `user`.** فعلاً با دست. فصلِ ۴ همین کار را خودکار می‌کند و اسمش `RAG` است.

## ۳. اولین تماس

</div>

```python
reply = chat(messages)
print("متن  :", reply["text"])
print("پایان:", reply["finish"])
print("مصرف :", reply["usage"])
```

<div dir="rtl">

</div>

```text
متن  : پنجشنبه‌ها ساعت کار از ۸ تا ۱۴ است.
پایان: stop
مصرف : {'input_chars': 316, 'output_chars': 35}
```

<div dir="rtl">

> ✅ **چک کن:** اگر جوابی گرفتی که ربطی به پنجشنبه ندارد، احتمالاً پرسش را **اولِ** پیام گذاشته‌ای. قرارِ این ترم این است که **پرسش آخرین سطرِ پیامِ کاربر باشد** و سند بالایش. این فقط قاعدهٔ بدلِ ما نیست؛ توصیهٔ عملیِ کارِ با مدلِ واقعی هم هست — دستورِ نزدیک به انتهای متن بیشتر رعایت می‌شود.

سه فیلد را نگاه کن:

- **`text`** — چیزی که می‌خواستی.
- **`finish`** — **چرا** تولید تمام شد. `stop` یعنی مدل خودش تمام کرد. مقدارِ دیگری هم دارد که در بخشِ ۵ می‌بینی.
- **`usage`** — مصرف. سرویسِ واقعی اینجا **توکن** می‌دهد؛ بدلِ ما نویسه می‌شمارد چون توکنایزرِ آن مدل را ندارد. **در فصلِ ۸ با توکنایزرِ واقعی دقیق می‌شماریم.**

## ۴. همان تماس، این بار واقعی

</div>

```python
try:
    real = real_chat(messages)
    print("پاسخِ مدلِ واقعی:", real["text"])
    print("مصرفِ واقعی:", real["usage"])
except LLMError as error:
    print("تماسِ واقعی انجام نشد →", error)
```

<div dir="rtl">

</div>

```text-approx
تماسِ واقعی انجام نشد → کلید پیدا نشد: GOOGLE_API_KEY را در Colab Secrets بگذار و دوباره اجرا کن.
```

<div dir="rtl">

**اگر کلید گذاشته‌ای، این سلول جوابِ واقعی می‌دهد و طبیعتاً با متنِ بالا فرق دارد.** بقیهٔ فصل‌ها روی بدل کار می‌کنند تا عددهایت با کتاب یکی باشد.

**برای گرفتن و گذاشتنِ کلید:**

- **۱)** از `aistudio.google.com` یک کلیدِ رایگان بساز.
- **۲)** در Colab، از نوارِ کناری 🔑 را باز کن، نامش را `GOOGLE_API_KEY` بگذار و مقدارش را بچسبان، و «دسترسیِ نوت‌بوک» را روشن کن.
- **۳)** در نوت‌بوک این دو خط را اجرا کن:

</div>

```text-file
from google.colab import userdata
os.environ["GOOGLE_API_KEY"] = userdata.get("GOOGLE_API_KEY")
```

<div dir="rtl">

> 🔧 **اگر کار نکرد:** `SecretNotFoundError` یعنی نامِ رمز با چیزی که صدا می‌زنی یکی نیست — نام حساس به بزرگی و کوچکیِ حروف است. `NotebookAccessError` یعنی رمز هست ولی دسترسیِ همین نوت‌بوک را روشن نکرده‌ای. و **هرگز کلید را مستقیم داخلِ سلول ننویس** — نوت‌بوک را که به اشتراک بگذاری، کلیدت هم می‌رود.

**داخلِ `real_chat` یک نکتهٔ مهندسی هست که ارزشِ دیدن دارد:** قالبِ پیامِ Gemini با قالبِ `role`/`content` که نوشتیم یکی نیست — آن `contents` و `parts` می‌خواهد و دستورِ سامانه را جدا می‌گیرد. **پس `real_chat` مترجم است.** این الگو را نگه دار: **کدت را با قالبِ خودت بنویس و ترجمه به هر سرویس را در یک تابع حبس کن.** آن روز که سرویس را عوض می‌کنی، فقط همان یک تابع عوض می‌شود.

## ۵. `temperature`: چقدر جسور

</div>

```python
reset_calls()
cold = {chat(messages, temperature=0.0)["text"] for _ in range(8)}
reset_calls()
warm = {chat(messages, temperature=1.0, seed=3)["text"] for _ in range(8)}

print("temperature=0.0 →", len(cold), "پاسخِ متمایز در ۸ تماس")
print("temperature=1.0 →", len(warm), "پاسخِ متمایز در ۸ تماس")
for text in sorted(warm):
    print("   ", text[:54])
```

<div dir="rtl">

</div>

```text
temperature=0.0 → 1 پاسخِ متمایز در ۸ تماس
temperature=1.0 → 4 پاسخِ متمایز در ۸ تماس
    باجهٔ امانت نیم‌ساعت زودتر از پایانِ ساعتِ کار بسته می
    جمعه‌ها کتابخانه تعطیل است.
    پنجشنبه‌ها ساعت کار از ۸ تا ۱۴ است.
    کتابخانه شنبه تا چهارشنبه از ساعت ۸ تا ۲۰ باز است.
```

<div dir="rtl">

**در ترمِ ۴ فصلِ ۷ `temperature` را روی مدلِ خودت دیدی:** تقسیمِ `logits` بر یک عدد، قبل از `softmax`. **همان است، فقط این بار داخلِ سرویسِ دیگری.**

و نتیجه‌اش اینجا هم همان: **۰ یعنی همیشه محتمل‌ترین، بالاتر یعنی گاهی گزینه‌های بعدی.** سه پاسخِ اضافه‌ای که بالا می‌بینی همگی از همان سند آمده‌اند و همگی **غلط‌اند** — چون پرسش دربارهٔ پنجشنبه بود.

**قاعدهٔ عملی:** هر جا خروجی باید **درست** باشد — استخراج، دسته‌بندی، JSON، جوابِ روی سند — `temperature=0`. هر جا **تنوع** ارزش دارد — طوفانِ فکری، چند عنوانِ جایگزین — بالاتر ببر. **پیش‌فرضِ اکثرِ سرویس‌ها صفر نیست**، پس اگر خروجیِ برنامه‌ات بی‌دلیل بی‌ثبات است، اول اینجا را نگاه کن.

> 📏 **اندازه بگیر:** «صفر یعنی قطعی» یک تقریبِ مفید است، نه یک تضمین. روی سرویسِ واقعی حتی با `temperature=0` هم گاهی خروجی فرق می‌کند (سخت‌افزار، به‌روزرسانیِ مدل، `batch` شدنِ درخواست‌ها). **پس اگر برنامه‌ات به یکسان بودنِ خروجی وابسته است، وابستگی را بردار — به `temperature` تکیه نکن.**

## ۶. سقفِ طولِ خروجی

</div>

```python
short = chat(messages, max_output_tokens=4)
print("متن  :", short["text"])
print("پایان:", short["finish"])
```

<div dir="rtl">

</div>

```text
متن  : پنجشنبه‌ها ساعت 
پایان: length
```

<div dir="rtl">

**`finish` شد `length` و جمله وسطِ راه بریده شد.**

**این بی‌سروصداترین خرابیِ کارِ با مدل است.** خروجی می‌آید، خطایی نمی‌گیری، برنامه ادامه می‌دهد — و متن ناقص است. اگر خروجی JSON بوده باشد، **قالبش می‌شکند** و فصلِ بعد دقیقاً همین را نشان می‌دهد.

**قاعده: همیشه `finish` را چک کن، نه فقط `text` را.** یک `if reply["finish"] != "stop"` سه‌خطی، ساعت‌ها اشکال‌یابی را می‌خرد.

## ۷. وقتی سرویس جواب نمی‌دهد

</div>

```python
FAILURES["rate"] = 0.4
reset_calls()


def try_once():
    try:
        chat(messages)
        return "ok"
    except LLMError as error:
        return type(error).__name__


results = [try_once() for _ in range(20)]
print("موفق:", results.count("ok"), "از ۲۰")
print("شکست‌ها:", {k: results.count(k) for k in sorted(set(results)) if k != "ok"})
```

<div dir="rtl">

</div>

```text
موفق: 10 از ۲۰
شکست‌ها: {'LLMTimeout': 1, 'RateLimitError': 5, 'ServerError': 4}
```

<div dir="rtl">

`FAILURES["rate"]` شیرِ خرابیِ بدل است: با ۰٫۴ حدودِ چهل درصدِ تماس‌ها شکست می‌خورند — **قطعی و تکرارپذیر، تا بتوانی راه‌حلت را واقعاً بسنجی.**

سه خطا سه معنیِ کاملاً متفاوت دارند و **یکسان با آن‌ها رفتار کردن اشتباه است:**

</div>

| خطا | کدِ HTTP | یعنی | کارِ درست |
|---|---|---|---|
| `RateLimitError` | ۴۲۹ | از سهمیه گذشتی | صبر کن و دوباره بزن |
| `ServerError` | ۵۰۰ و بالاتر | مشکل سمتِ آن‌هاست | صبر کن و دوباره بزن |
| `LLMTimeout` | — | پاسخ به‌موقع نرسید | دوباره بزن، ولی حواست به تماسِ نیمه‌کاره باشد |
| خطای کلید | ۴۰۱ و ۴۰۳ | کلید غلط یا بی‌اجازه است | **هرگز دوباره نزن** — تا کلید عوض نشود همان جواب می‌آید |
| ورودیِ نامعتبر | ۴۰۰ | درخواستت خراب است | **هرگز دوباره نزن** — خودت را درست کن |

<div dir="rtl">

**دو ردیفِ آخر را جدی بگیر.** `retry` روی خطای ۴۰۰ و ۴۰۱ فقط سهمیه‌ات را می‌سوزاند و ممکن است حسابت را موقتاً ببندد. **فقط روی خطاهای گذرا دوباره تلاش کن.**

## ۸. `retry` با `backoff`

</div>

```python
import time

SLEEP_SCALE = 0.0          # در Colab بگذار 1.0 تا صبرِ واقعی را حس کنی


def with_retry(call, attempts=4, base=0.5, verbose=False):
    for i in range(attempts):
        try:
            return call()
        except (RateLimitError, ServerError, LLMTimeout) as error:
            if i == attempts - 1:
                raise
            wait = base * (2 ** i)
            if verbose:
                print(f"  تلاشِ {i + 1}: {type(error).__name__} — {wait:.1f} ثانیه صبر")
            time.sleep(wait * SLEEP_SCALE)
    raise LLMError("unreachable")


reset_calls()
print("یک تماس با گزارشِ کامل:")
with_retry(lambda: chat(messages), verbose=True)
print("  گرفتیم.")
```

<div dir="rtl">

</div>

```text
یک تماس با گزارشِ کامل:
  تلاشِ 1: RateLimitError — 0.5 ثانیه صبر
  تلاشِ 2: ServerError — 1.0 ثانیه صبر
  گرفتیم.
```

<div dir="rtl">

**دو بار شکست، بارِ سوم گرفت.** و مهم‌تر از خودِ تکرار، **فاصلهٔ بینِ تلاش‌هاست**: نیم ثانیه، یک ثانیه، دو ثانیه — هر بار دو برابر. اسمش `exponential backoff` است.

**چرا دو برابر و نه ثابت؟** چون خطای ۴۲۹ یعنی سرویس شلوغ است. اگر همه بلافاصله دوباره بزنند، **شلوغی بیشتر می‌شود** — و این دقیقاً همان چیزی است که یک اتفاقِ کوچک را به یک قطعیِ بزرگ تبدیل می‌کند. عقب‌نشینیِ نمایی به سرویس فرصتِ نفس کشیدن می‌دهد.

> 💡 **نکته:** در کارِ واقعی یک تکهٔ تصادفیِ کوچک هم به `wait` اضافه می‌کنند (`jitter`). دلیلش این است که اگر هزار برنامه هم‌زمان خطا بگیرند، همه دقیقاً نیم ثانیهٔ بعد با هم برمی‌گردند و **موجِ دوم را می‌سازند**. یک `random.uniform(0, wait)` این موج را پخش می‌کند.

## ۹. حالا اندازه بگیریم

</div>

```python
reset_calls()
ok = 0
for _ in range(20):
    try:
        with_retry(lambda: chat(messages))
        ok += 1
    except LLMError:
        pass
print("با with_retry:", ok, "از ۲۰ تماس به جواب رسید")
print("شمارِ کلِ تماس‌های واقعیِ زده‌شده:", _CALLS["n"])
FAILURES["rate"] = 0.0
```

<div dir="rtl">

</div>

```text
با with_retry: 19 از ۲۰ تماس به جواب رسید
شمارِ کلِ تماس‌های واقعیِ زده‌شده: 40
```

<div dir="rtl">

**۱۰ از ۲۰ شد ۱۹ از ۲۰ — با ده خط کد.**

> 📏 **اندازه بگیر:** **و بهایش را هم بخوان: ۴۰ تماسِ واقعی برای ۲۰ درخواست.** یعنی هزینه و بارِ روی سرویس **دو برابر** شد. `retry` رایگان نیست؛ **قابلیتِ اطمینان را با پول و تأخیر می‌خری.** و آن یک درخواست که با چهار تلاش هم به جواب نرسید، یادآوریِ این است که **همیشه باید یک مسیرِ شکستِ محترمانه داشته باشی** — پیامی به کاربر، نه یک `traceback`.

## ۱۰. `streaming`: پاسخ تکه‌تکه

</div>

```python
def real_stream(messages, model=None, timeout=60):
    """همان تماس، ولی پاسخ تکه‌تکه می‌رسد. با کلیدِ خودت اجرایش کن."""
    import os
    import requests

    key = os.environ.get("GOOGLE_API_KEY")
    if not key:
        raise LLMError("کلید پیدا نشد: GOOGLE_API_KEY را در Colab Secrets بگذار.")
    url = GEMINI_URL.format(model=model or GEMINI_MODEL).replace(
        ":generateContent", ":streamGenerateContent") + "?alt=sse"
    payload = {"contents": [{"role": "user", "parts": [{"text": m["content"]}]}
                            for m in messages if m["role"] == "user"]}
    with requests.post(url, headers={"x-goog-api-key": key}, json=payload,
                       stream=True, timeout=timeout) as resp:
        resp.raise_for_status()
        for line in resp.iter_lines(decode_unicode=True):
            if line.startswith("data: "):
                chunk = json.loads(line[len("data: "):])
                for part in chunk["candidates"][0]["content"].get("parts", []):
                    yield part.get("text", "")


print("real_stream تعریف شد — با کلیدِ خودت این‌طور صدایش بزن:")
print('  for piece in real_stream(messages): print(piece, end="")')
```

<div dir="rtl">

</div>

```text
real_stream تعریف شد — با کلیدِ خودت این‌طور صدایش بزن:
  for piece in real_stream(messages): print(piece, end="")
```

<div dir="rtl">

**`streaming` یعنی به‌جای یک پاسخِ کامل، تکه‌تکه بگیری** — همان چیزی که در رابط‌های گفت‌وگو می‌بینی و حروف یکی‌یکی ظاهر می‌شوند.

**و دقیقاً بدان چه چیزی را عوض می‌کند و چه چیزی را نه:**

- **تأخیرِ تا اولین نویسه** به‌شدت کم می‌شود. کاربر زودتر چیزی می‌بیند.
- **زمانِ کلِ تولید تقریباً همان است.** سریع‌تر نشد، فقط زودتر شروع شد.
- **هزینه مو نمی‌زند.** همان توکن‌ها، همان پول.
- **و کارِ تو سخت‌تر می‌شود:** تا تکهٔ آخر نرسیده، خروجیِ کامل را نداری. **پس هر جا باید JSON را اعتبارسنجی کنی یا ابزاری را صدا بزنی، `streaming` به دردت نمی‌خورد** — اول همه‌اش را بگیر.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| role | رول | نقشِ هر پیام: `system`، `user` یا `assistant` |
| temperature | تمپرچر | میزانِ جسارتِ مدل در انتخابِ توکنِ بعدی |
| retry | ری‌ترای | تلاشِ دوباره بعد از یک خطای گذرا |
| exponential backoff | اکسپوننشال بک‌آف | دو برابر شدنِ زمانِ صبر در هر تلاش |
| jitter | جیتر | تصادفی‌سازیِ کوچکِ زمانِ صبر تا همه با هم برنگردند |
| rate limit | ریت لیمیت | سقفِ تعدادِ درخواست در واحدِ زمان |
| streaming | استریمینگ | گرفتنِ پاسخ به‌صورتِ تکه‌تکه |

<div dir="rtl">

> 🤖 **از دستیارت بپرس:** «تفاوتِ `429` با `529` چیست و برای هر کدام چه رفتاری درست است؟» بعد این را بپرس: **«اگر سرویس در هدرِ پاسخ `Retry-After` بفرستد، `backoff` نمایی را باید کنار بگذارم؟»** — جوابِ درست «بله» است و دلیلش این است که **سرویس بهتر از تو می‌داند کِی آماده می‌شود.**

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: چرا `retry` روی خطای ۴۰۱ کارِ اشتباهی است؟

**تمرینِ اجباری:** `attempts` را ۲، ۴ و ۸ بگذار و برای هر کدام **دو عدد** گزارش کن: نرخِ موفقیت از ۲۰، و شمارِ کلِ تماس‌ها. جدولش را بکش. **از کدام `attempts` به بعد، تماسِ اضافه دیگر نرخِ موفقیت را معنادار بالا نمی‌برد؟** آن نقطه، انتخابِ درستِ توست.

**تمرینِ ستاره‌دار ⭐:** `with_retry` را طوری بازنویسی کن که **فهرستی از خطاهای قابلِ تکرار** بگیرد و بقیه را بی‌درنگ بالا بیندازد. بعد یک خطای تازه بساز (`class BadRequestError(LLMError)`)، آن را در فهرست **نگذار**، و نشان بده که تابعت روی آن **صفر بار** تلاشِ دوباره می‌کند. **این تفاوتِ یک `retry` مهندسی‌شده با یک `try` کورکورانه است.**

## در فصل بعد

تا اینجا خروجی متن بود و خودت خواندی‌اش. **ولی برنامه‌ات نمی‌تواند متن بخواند** — به `dict` نیاز دارد، با کلیدهای مشخص و مقدارهای از نوعِ درست. فصلِ بعد از مدل JSON می‌خواهد، می‌بیند که **در ۱۶ بار از ۴۰ بار چیزی می‌دهد که `json.loads` رویش می‌شکند** — و یک حلقهٔ تصحیح می‌سازد که این عدد را به صفر می‌رساند.

</div>

---
Source: https://yaadestan.com/courses/zharfa/lessons/t5/s01-llm-api (یادستان, Yaadestan)
