# فصل ۰۲ — خروجیِ ساختارمند و اعتبارسنجی‌شده

<div dir="rtl">

# فصل ۰۲ — خروجیِ ساختارمند و اعتبارسنجی‌شده

## در این فصل چه یاد می‌گیری

فصلِ قبل خروجی متن بود و **تو** خواندی‌اش. **برنامه‌ات نمی‌تواند متن بخواند.** برای اینکه کدت کاری بکند — رزروی ثبت کند، فرمی پر کند، سطری در پایگاه داده بنویسد — به `dict` نیاز دارد با کلیدهای معلوم و مقدارهای از نوعِ درست.

در این فصل از مدل JSON می‌خواهیم و **سه بار می‌شماریم**. اول: از ۴۰ پاسخ، **۱۶ تا اصلاً `json.loads` را می‌شکنند**. دوم: بعد از باز کردنِ بسته‌بندی، این عدد به ۷ می‌رسد. سوم — و ناخوشایندترینش: **وقتی محتوا را هم بسنجیم، باز هم فقط ۱۶ تا سالم‌اند.** ۱۷ تای دیگر قالبشان بی‌عیب است و قانونِ کتابخانه را نقض می‌کنند.

بعد سه لایه دفاع می‌سازیم و همان عدد را به **۴۰ از ۴۰** می‌رسانیم — و می‌شماریم چقدر خرجِ اضافه داشت.

![یک قالبِ سوراخ‌دار که فقط قطعه‌های درست‌شکل از آن رد می‌شوند](/lesson-assets/t5-s02-structured-validated/prompt/01-image-shape-gate.png)

آخر این فصل می‌توانی:

- از مدل خروجیِ ساختارمند بخواهی و بسته‌بندی‌اش را باز کنی
- با `pydantic` هم **نوع** و هم **قانونِ کاری** را اعتبارسنجی کنی
- یک حلقهٔ تصحیح بنویسی که خطا را به مدل برمی‌گرداند
- بگویی چرا `schema`ی کوچک‌تر خروجیِ سالم‌تری می‌دهد — با عدد

## قبل از شروع

**از فصل ۱:** `chat`، `reset_calls`، و اینکه پرسش آخرین سطرِ پیامِ کاربر است.

**از سرنخ ترمِ ۱:** `try`/`except` و `dict`. **از سرنخ ترمِ ۵ فصل ۲:** `class` — `pydantic` رویش سوار است.

> 📓 **نوت‌بوک:** [نوت‌بوک این فصل را در Colab باز کن](/notebooks/zharfa/term-5-llm-engineering/session-02-structured-validated.ipynb) — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

## ۱. چرا متن کافی نیست

</div>

```python
REQUESTS = [
    "سلام، عضو دانشجویی‌ام و می‌خواهم ۳ جلد کتاب را ۲۱ روز امانت بگیرم",
    "من عضو عادی هستم، ۲ جلد برای ۱۴ روز لطفاً",
    "عضویت پژوهشی دارم و ۸ جلد را ۳۰ روز می‌خواهم",
    "عضو عادی‌ام، دو جلد برای دو هفته می‌خواهم",
]

for text in REQUESTS:
    numbers = re.findall(r"\d+", to_ascii_digits(text))
    print(f"{str(numbers):<12} ← {text[:44]}")
```

<div dir="rtl">

</div>

```text
['3', '21']  ← سلام، عضو دانشجویی‌ام و می‌خواهم ۳ جلد کتاب 
['2', '14']  ← من عضو عادی هستم، ۲ جلد برای ۱۴ روز لطفاً
['8', '30']  ← عضویت پژوهشی دارم و ۸ جلد را ۳۰ روز می‌خواهم
[]           ← عضو عادی‌ام، دو جلد برای دو هفته می‌خواهم
```

<div dir="rtl">

سه تا از چهار تا کار کرد. **چهارمی «دو جلد برای دو هفته» است و هیچ رقمی ندارد** — پس عبارتِ منظمِ ما دستِ خالی برمی‌گردد.

**می‌شود عبارتِ منظم را بزرگ‌تر کرد:** «دو» و «سه» و «هفته» و «ماه» را هم بشناسد. بعد «یکی‌دو تا» می‌آید. بعد «تا آخرِ ترم». **این مسابقه‌ای است که هیچ‌وقت نمی‌بری** — و دقیقاً همان جایی است که مدلِ زبانی به کار می‌آید: **زبانِ آزاد را می‌فهمد.**

**پس معامله روشن است:** مدل زبان را می‌فهمد، ولی خروجی‌اش هم زبان است. **کارِ ما این است که از دهانِ چیزی که زبان تولید می‌کند، داده‌ای با قالبِ تضمین‌شده بیرون بکشیم.**

## ۲. از مدل JSON بخواه

</div>

```python
SCHEMA_HINT = """از پیامِ کاربر یک درخواستِ امانت دربیاور.
خروجی را فقط به شکل JSON بده، با دقیقاً همین سه کلید:
  tier  : یکی از «عادی» یا «دانشجویی» یا «پژوهشی»
  count : تعدادِ جلد، عددِ صحیح
  days  : مدتِ امانت به روز، عددِ صحیح
هیچ توضیحی ننویس."""


def ask(text, correction=""):
    messages = [{"role": "system", "content": SCHEMA_HINT},
                {"role": "user", "content": text}]
    if correction:
        messages.append({"role": "user", "content": correction})
    return chat(messages)["text"]


reset_calls()
print(repr(ask(REQUESTS[0])))
```

<div dir="rtl">

</div>

```text
'{"tier": "طلایی", "count": 3, "days": 21}'
```

<div dir="rtl">

**همین اولین پاسخ، درسِ کلِ فصل را در خودش دارد.**

JSONش بی‌عیب است. `json.loads` بی‌صدا قبولش می‌کند. `count` و `days` هم دقیقاً همان‌اند که کاربر گفت. **و `tier` مقداری است که در کتابخانهٔ نوردانه اصلاً وجود ندارد.**

**«خروجی JSON بود» یعنی هیچ.** قالبِ درست فقط می‌گوید پرانتزها بسته شده‌اند.

> 💡 **نکته:** آن `repr` را عمداً گذاشتیم. `print(raw)` متن را **رندرشده** نشان می‌دهد و کاراکترهای کنترلی و فاصله‌های اضافه را پنهان می‌کند؛ `repr` همه‌چیز را لو می‌دهد. **هر وقت داری خروجیِ خامِ یک مدل را اشکال‌یابی می‌کنی، `repr` بزن.**

## ۳. چهل بار، نه یک بار

</div>

```python
import json


def parses(text):
    try:
        json.loads(text)
        return True
    except json.JSONDecodeError:
        return False


reset_calls()
answers = [ask(REQUESTS[i % 3]) for i in range(40)]

broken = [a for a in answers if not parses(a)]
print("از ۴۰ پاسخ،", len(broken), "تا json.loads را می‌شکنند")
for sample in sorted(set(broken))[:3]:
    print("   ", repr(sample)[:74])
```

<div dir="rtl">

</div>

```text
از ۴۰ پاسخ، 16 تا json.loads را می‌شکنند
    '```json\n{"tier": "دانشجویی", "count": 3, "days": 21}\n```'
    '```json\n{"tier": "عادی", "count": 2, "days": 14}\n```'
    '```json\n{"tier": "پژوهشی", "count": 8, "days": 30}\n```'
```

<div dir="rtl">

> ✅ **چک کن:** اگر عددت صفر درآمد، `SCHEMA_HINT` را عوض کرده‌ای و کلمهٔ `JSON` از متن افتاده — بدل به همان کلمه نگاه می‌کند تا بفهمد باید JSON بدهد. اگر خیلی بزرگ‌تر از ۱۶ شد، `reset_calls()` را قبلِ حلقه فراموش کرده‌ای.

**یک تماسِ موفق چیزی را ثابت نمی‌کند.** خرابیِ مدل احتمالی است، نه قطعی — پس با یک نمونه پیدایش نمی‌کنی. **چهل تا بزن و بشمار.** این عادت، نصفِ این ترم است.

**۱۶ از ۴۰.** و سه نمونهٔ بالا همگی یک بیماری دارند: **مدل JSON را داخلِ حصارِ markdown بسته‌بندی کرده.** برایش طبیعی است — میلیاردها بار دیده که کد در `markdown` این‌طور نوشته می‌شود.

</div>

```python
try:
    json.loads(broken[0])
except json.JSONDecodeError as error:
    print(type(error).__name__, "→", error)
```

<div dir="rtl">

</div>

```text
JSONDecodeError → Expecting value: line 1 column 27 (char 26)
```

<div dir="rtl">

> 🔧 **اگر کار نکرد:** `Expecting value` تقریباً همیشه یعنی متنِ اضافه قبل یا بعدِ JSON هست — حصار، یک «بفرمایید:»، یا یک جملهٔ توضیحی. `Expecting ',' delimiter` یعنی خودِ JSON خراب است. و `Extra data` یعنی **دو** شیء پشتِ‌سرِ‌هم آمده. **متنِ خطا دقیقاً می‌گوید در کدام نویسه گیر کرده؛ همان اطرافش را چاپ کن.**

## ۴. لایهٔ اول: بسته‌بندی را باز کن

</div>

```python
FENCE_RE = re.compile(r"^\s*```(?:json)?\s*|\s*```\s*$")


def extract_json(text):
    """بسته‌بندی را باز می‌کند: حصارِ markdown و ارقامِ فارسی."""
    return to_ascii_digits(FENCE_RE.sub("", text.strip()))


still_broken = [a for a in answers if not parses(extract_json(a))]
print("بعد از تمیزکاری:", len(still_broken), "تا هنوز می‌شکنند")
print("نمونه:", repr(still_broken[0]))
```

<div dir="rtl">

</div>

```text
بعد از تمیزکاری: 7 تا هنوز می‌شکنند
نمونه: '{"tier": "دانشجویی", "count": 3, "days": 21,}'
```

<div dir="rtl">

**۱۶ شد ۷، با دو خط.** حصار را برداشتیم و ارقامِ فارسی را به لاتین برگرداندیم — چون `{"count": ۳}` از نظرِ JSON اصلاً عدد نیست.

**و آن هفت‌تا یک ویرگولِ اضافه دارند.** این را هم می‌شد با یک عبارتِ منظم درست کرد. **ولی نمی‌کنیم، و دلیلش مهم است:**

- **حصار و ارقام مسئلهٔ بسته‌بندی‌اند** — قالبِ داده درست است، فقط لباسِ اضافه پوشیده. برداشتنشان بی‌خطر و قطعی است.
- **ویرگولِ اضافه یعنی خودِ مدل نحو را شکسته.** اگر امروز برایش وصله بگذاری، فردا پرانتزِ نبسته می‌آید و پس‌فردا نقلِ‌قولِ تک. **هر وصله یک وصلهٔ بعدی می‌آورد** و آخرش یک تحلیل‌گرِ JSONِ خانگیِ باگ‌دار داری.

**قاعده: بسته‌بندی را باز کن، خرابیِ محتوا را دوباره بخواه.** بخشِ ۶ همان «دوباره خواستن» است.

## ۵. لایهٔ دوم: `schema` که قانون را هم می‌داند

</div>

```python
from typing import Literal

from pydantic import BaseModel, Field, ValidationError, model_validator

LIMITS = {"عادی": (3, 14), "دانشجویی": (5, 21), "پژوهشی": (8, 30)}


class LoanRequest(BaseModel):
    tier: Literal["عادی", "دانشجویی", "پژوهشی"]
    count: int = Field(ge=1, le=8)
    days: int = Field(ge=1, le=30)

    @model_validator(mode="after")
    def within_tier(self):
        max_count, max_days = LIMITS[self.tier]
        if self.count > max_count:
            raise ValueError(f"عضو {self.tier} حداکثر {max_count} جلد می‌گیرد، نه {self.count}")
        if self.days > max_days:
            raise ValueError(f"مدتِ امانتِ عضو {self.tier} حداکثر {max_days} روز است")
        return self


print(LoanRequest(tier="دانشجویی", count=3, days=21))
```

<div dir="rtl">

</div>

```text
tier='دانشجویی' count=3 days=21
```

<div dir="rtl">

**این `class` سه لایه اعتبارسنجی در خودش دارد و هر سه لازم‌اند:**

- **`Literal`** — `tier` فقط یکی از این سه. «طلایی» همین‌جا می‌افتد.
- **`Field(ge=..., le=...)`** — بازهٔ عددی. `count=12` همین‌جا می‌افتد.
- **`model_validator`** — **قانونِ کاری**، چیزی که فقط با دیدنِ **همهٔ** فیلدها معلوم می‌شود. «۸ جلد» به‌تنهایی معتبر است؛ «۸ جلد برای عضو عادی» نیست.

**آن لایهٔ سوم است که این را از یک بررسیِ نوع به یک دروازهٔ واقعی تبدیل می‌کند.** بیشترِ اشتباه‌های گران، نوعشان درست است.

> 🌱 **ریشه‌اش کجاست:** ایدهٔ «مجموعهٔ مقدارهای مجاز» همان **دامنه**ای است که در [ریشه ترمِ ۴ فصل ۱](/courses/risheh/lessons/term-4-functions/session-01-function-machine) دیدی: تابع روی هر ورودی‌ای تعریف نشده و دامنه‌اش بخشی از تعریفش است. `Literal` و `ge`/`le` دقیقاً دارند همان دامنه را در کد می‌نویسند.

## ۶. حالا هر ۴۰ تا را از دروازه رد کن

</div>

```python
syntax_bad = valid = invalid = 0
for answer in answers:
    try:
        data = json.loads(extract_json(answer))
    except json.JSONDecodeError:
        syntax_bad += 1
        continue
    try:
        LoanRequest(**data)
        valid += 1
    except ValidationError:
        invalid += 1

print("قالبِ خراب      :", syntax_bad)
print("قالبِ درست، محتوای غلط:", invalid)
print("سالم            :", valid, "از ۴۰")
```

<div dir="rtl">

</div>

```text
قالبِ خراب      : 7
قالبِ درست، محتوای غلط: 17
سالم            : 16 از ۴۰
```

<div dir="rtl">

> 📏 **اندازه بگیر:** **۱۷ در برابرِ ۷.** بیشترِ خرابی‌ها آن‌هایی نیستند که `json.loads` می‌گیردشان. **بیش از دو برابرِ آن‌ها از تحلیلِ نحوی سالم رد می‌شوند و بعد در پایگاه داده‌ات می‌نشینند.** اگر فقط `try: json.loads(...)` می‌نوشتی، حس می‌کردی ۳۳ از ۴۰ موفق بوده‌ای. **این تفاوتِ «کد خطا نداد» با «کد درست کار کرد» است.**

**بدلِ ما عمداً بدقالق‌تر از یک مدلِ خوبِ امروزی است** تا هر شش نوع خرابی را در چهل تماس ببینی. با مدلِ واقعی این نسبت‌ها بهترند — **ولی صفر نمی‌شوند**، و کدی که فقط برای حالتِ خوب نوشته شده، دقیقاً همان‌جا می‌شکند.

</div>

```python
try:
    LoanRequest(tier="دانشجویی", count=12, days=21)
except ValidationError as error:
    print(error)
```

<div dir="rtl">

</div>

```text-approx
1 validation error for LoanRequest
count
  Input should be less than or equal to 8 [type=less_than_equal, input_value=12, input_type=int]
    For further information visit https://errors.pydantic.dev/2.13/v/less_than_equal
```

<div dir="rtl">

**پیامِ خطا سه چیز دارد: کدام فیلد، چه انتظاری، چه مقداری آمد.** آن نشانیِ آخر شمارهٔ نسخهٔ `pydantic` را دارد، پس ممکن است پیشِ تو کمی فرق کند.

**و همین پیام سرمایهٔ بخشِ بعد است:** به‌جای اینکه خودمان حدس بزنیم مدل کجا را غلط کرده، **عینِ این متن را به‌ش برمی‌گردانیم.**

## ۷. لایهٔ سوم: حلقهٔ تصحیح

</div>

```python
def ask_valid(text, attempts=3):
    correction = ""
    for i in range(attempts):
        raw = ask(text, correction)
        try:
            data = json.loads(extract_json(raw))
        except json.JSONDecodeError as error:
            reason = f"JSON نامعتبر: {error}"
        else:
            try:
                return LoanRequest(**data), i + 1
            except ValidationError as error:
                reason = str(error).splitlines()[1].strip()
        correction = f"خطای اعتبارسنجی در خروجیِ قبلی: {reason}\nفقط JSON درست بده."
    return None, attempts


reset_calls()
obtained, tries = 0, []
for i in range(40):
    request, used = ask_valid(REQUESTS[i % 3])
    if request is not None:
        obtained += 1
        tries.append(used)

print("معتبر:", obtained, "از ۴۰")
print("توزیعِ تعدادِ تلاش:", {k: tries.count(k) for k in sorted(set(tries))})
print("تماس‌های واقعی:", _CALLS["n"], "برای ۴۰ درخواست")
```

<div dir="rtl">

</div>

```text
معتبر: 40 از ۴۰
توزیعِ تعدادِ تلاش: {1: 15, 2: 25}
تماس‌های واقعی: 65 برای ۴۰ درخواست
```

<div dir="rtl">

**۱۶ از ۴۰ شد ۴۰ از ۴۰.** و هیچ‌کدام به تلاشِ سوم نرسید.

**چرا روی مدلِ واقعی این کار می‌کند؟** چون خطا را **دقیق** برمی‌گردانیم. «درست بنویس» بی‌فایده است؛ «`count` باید حداکثر ۸ باشد و تو ۱۲ دادی» یک دستورِ اجراشدنی است. **متنِ خطای `pydantic` را دور نریز — همان بهترین پرامپتِ تصحیح است.** فقط بدان که این ۴۰ از ۴۰ چنین چیزی را اندازه نمی‌گیرد: بدلِ ما با دیدنِ عبارتِ «خطای اعتبارسنجی» خروجیِ سالم می‌دهد، هر پیامی که کنارش باشد. با پیامِ مبهمِ «خطای اعتبارسنجی. درست بنویس.» هم همان ۴۰ از ۴۰ با ۶۵ تماس درمی‌آید. ارزشِ پیامِ دقیق را فقط روی `real_chat` می‌شود سنجید.

> 📏 **اندازه بگیر:** **۶۵ تماس برای ۴۰ درخواست.** یعنی حدودِ **۶۰٪ هزینهٔ بیشتر**. این همان معاملهٔ فصلِ ۱ است با لباسِ تازه: **اعتبار را با پول می‌خری.** و همان‌جا هم راهِ ارزان‌تری وجود دارد — بخشِ بعد.

## ۸. ارزان‌ترین لایه: کمتر بخواه

</div>

```python
class NarrowRequest(BaseModel):
    tier: Literal["عادی", "دانشجویی", "پژوهشی"]
    count: int = Field(ge=1, le=8)


def days_for(tier):
    """تصمیمی که کدِ توست، نه مدل."""
    return LIMITS[tier][1]


narrow_ok = 0
for answer in answers:
    try:
        NarrowRequest(**json.loads(extract_json(answer)))
        narrow_ok += 1
    except (json.JSONDecodeError, ValidationError):
        pass

print("schemaی سه‌کلیدی، بارِ اول:", valid, "از ۴۰")
print("schemaی دوکلیدی، بارِ اول:", narrow_ok, "از ۴۰")
print("نمونهٔ نهایی:", NarrowRequest(tier="پژوهشی", count=8), "→ days =", days_for("پژوهشی"))
```

<div dir="rtl">

</div>

```text
schemaی سه‌کلیدی، بارِ اول: 16 از ۴۰
schemaی دوکلیدی، بارِ اول: 21 از ۴۰
نمونهٔ نهایی: tier='پژوهشی' count=8 → days = 30
```

<div dir="rtl">

**یک کلید کمتر خواستیم و نرخِ موفقیتِ بارِ اول از ۱۶ به ۲۱ رفت — بدونِ هیچ تماسِ اضافه.**

منطقش ساده است: **`days` را اصلاً لازم نبود از مدل بپرسیم.** مدتِ امانت **از روی نوعِ عضویت درمی‌آید** و در `LIMITS` نوشته شده. هر فیلدی که از مدل می‌خواهی، یک جای دیگر برای اشتباه کردن است.

> 📏 **اندازه بگیر:** **قاعدهٔ عملی، و در کلِ ترم به کارت می‌آید: هر چیزی که کدت می‌تواند حساب کند، از مدل نخواه.** مدل برای چیزی است که فقط او می‌تواند — فهمیدنِ «دو جلد برای دو هفته». حسابِ اینکه عضو دانشجویی چند روز فرصت دارد کارِ یک `dict` است، و `dict` هیچ‌وقت خیال‌بافی نمی‌کند.

**و سه لایه را کنارِ هم بگذار:**

</div>

| لایه | چه چیزی را می‌گیرد | هزینه |
|---|---|---|
| کوچک کردنِ `schema` | خطا را از اول کم می‌کند | **صفر** |
| باز کردنِ بسته‌بندی | حصار، ارقامِ فارسی، فاصله | **صفر** |
| `pydantic` | نوعِ غلط، بازهٔ غلط، قانونِ نقض‌شده | ناچیز |
| حلقهٔ تصحیح | باقیِ همه‌چیز | **تماسِ اضافه** |

<div dir="rtl">

**به همین ترتیب هم به‌کارشان ببر:** اول رایگان‌ها، آخر گران.

## واژه‌های تازهٔ این فصل

</div>

| کلمه | تلفظ به حروف فارسی | یعنی چه |
|---|---|---|
| schema | اسکیما | توصیفِ رسمیِ شکلِ داده: چه کلیدهایی، از چه نوعی |
| structured output | استراکچرد اوت‌پوت | خروجیِ مدل با قالبِ ماشین‌خوان به‌جای متنِ آزاد |
| pydantic | پایدنتیک | کتابخانهٔ پایتون برای تعریف و اعتبارسنجیِ `schema` |
| ValidationError | ولیدیشن ارور | خطای `pydantic` وقتی داده با `schema` نمی‌خواند |
| Literal | لیترال | نوعی که فقط چند مقدارِ مشخص را مجاز می‌داند |
| repair loop | ری‌پیر لوپ | برگرداندنِ متنِ خطا به مدل و خواستنِ خروجیِ درست |

<div dir="rtl">

> 🤖 **از دستیارت بپرس:** «سرویس‌های امروزی چه امکانی برای تضمینِ قالبِ خروجی دارند؟» (چیزهایی مثل `response_schema` و `structured output` را خواهی دید که قالب را در سمتِ سرویس اجباری می‌کنند.) بعد این را بپرس: **«اگر سرویس قالب را تضمین کند، آیا دیگر به `pydantic` نیاز ندارم؟»** — جوابِ درست **نه** است، ولی دلیلش ظریف‌تر از «قالب هیچ‌چیز را نمی‌گیرد» است. اگر `enum`، بازهٔ عددی و کلیدِ اجباری را هم در `schema` بگذاری، قالبِ تضمین‌شده خیلی از خرابی‌ها را می‌گیرد؛ هر ۱۷ موردِ این فصل هم از همین جنس‌اند: ۷ `tier` بیرون از فهرست، ۵ `count` بیرون از بازه و ۵ `days` جامانده. **ولی قانونی که به چند فیلد با هم بسته است، مثلِ «۸ جلد برای عضو عادی»، فقط با کدِ خودت گرفته می‌شود.**

## تمرین‌ها

قبل از تمرین، بدونِ نگاه به بالا جواب بده: چرا `json.loads` موفق شدن، هیچ چیزی دربارهٔ درست بودنِ داده نمی‌گوید؟

**تمرینِ اجباری:** `attempts` را در `ask_valid` روی ۱ و ۲ و ۳ بگذار و برای هر کدام **دو ستون** گزارش کن: نرخِ معتبر از ۴۰، و شمارِ کلِ تماس‌ها. **کدام تلاش بیشترین سود را داشت؟** جوابت را با توزیعِ `{1: 15, 2: 25}` بالا مقایسه کن.

**تمرینِ ستاره‌دار ⭐:** این تمرین را با `real_chat` بزن، چون بدلِ `chat` هیچ‌وقت کلیدِ چهارمی نمی‌سازد و با آن هر دو عدد صفر می‌شود. یک فیلدِ چهارم به `LoanRequest` اضافه کن: `pickup` که فقط «باجه» یا «قفسهٔ خودگردان» می‌پذیرد. **بدونِ اینکه چیزی در `SCHEMA_HINT` بنویسی** چهل بار بزن و ببین چند تا معتبر می‌شوند. بعد فیلد را به `SCHEMA_HINT` اضافه کن و دوباره بشمار. **اختلافِ این دو عدد، ارزشِ «به مدل بگو دقیقاً چه می‌خواهی» است — و تو الان اندازه‌اش گرفته‌ای.**

## در فصل بعد

خروجیِ ساختارمند را گرفتیم، ولی هنوز مدل فقط **حرف** می‌زند. فصلِ بعد به آن اجازه می‌دهیم **کار** بخواهد: تابع‌های تو را نام ببرد و ورودی‌شان را پیشنهاد بدهد. و همان‌جا مرزی را می‌کشیم که تمامِ ایمنیِ فصلِ ۹ رویش بنا می‌شود — **مدل تصمیم می‌گیرد، کدِ تو اجرا می‌کند.**

</div>

---
Source: https://yaadestan.com/courses/zharfa/lessons/t5/s02-structured-validated (یادستان, Yaadestan)
