شخصی‌سازی دستیار: چطور مدل را «مال خودمان» کنیم

خسته شده‌اید از اینکه هر بار خودتان را از اول توضیح بدهید؟ چهار راه برای شخصی‌سازی هست که سه‌تایش را لازم ندارید. اینجا «برگه‌ی من» را می‌نویسیم و مرز حافظه را روشن می‌کنیم.

🍊 تیم نارنگی ⏱ 6 دقیقه مطالعه
برگه‌ای دست‌نویس با فهرست کوتاهی از ترجیح‌های کاری، گذاشته‌شده کنار پنجره‌ی گفتگوی یک دستیار

هر بار همان مقدمه: «من مترجم فنی‌ام، متن‌ها درباره‌ی تجهیزات صنعتی‌اند، لحن رسمی ولی روان باشد، و برایم توضیح اضافه ننویس.» چهار خط تایپ، پیش از اینکه کار اصلاً شروع شود. یک روز حوصله‌تان سر می‌رود و بدون مقدمه می‌پرسید — و جوابی می‌گیرید که باید از اول درستش کنید.

این خستگی یک معنی دارد: دستیارتان را شخصی‌سازی نکرده‌اید. و شخصی‌سازی آن‌قدر که به‌نظر می‌رسد کار فنی نیست؛ بیشترش نوشتن است، نه تنظیم کردن.

فقط پیش از شروع بدانید چهار راه متفاوت برای این کار هست که مدام قاطی می‌شوند، و دوتایشان احتمالاً به کارتان نمی‌آیند.

چهار لایه‌ای که مدام قاطی می‌شوند

وقتی کسی می‌گوید «مدلم را شخصی کردم»، ممکن است هر کدام از این چهار کار را کرده باشد — از نیم ساعت نوشتن تا پروژه‌ای چندهفته‌ای با بودجه.

لایهچه می‌کندهزینه‌اشمناسب چه کسی
دستور ثابتمتن کوتاهی که ابتدای گفتگو می‌گذاریدنیم ساعت، یک بارتقریباً همه
حافظه‌ی سرویسسرویس خودش نکته‌ها را نگه می‌داردرایگان، ولی نیاز به بازبینیتقریباً همه
سند مرجعجواب‌ها از فایل‌های شما ساخته می‌شوندچند ساعت تا چند روزتیمی با دانش انباشته
آموزش اختصاصیرفتار خود مدل با داده‌ی شما عوض می‌شودپروژه‌ی جدی و پرخرجموارد نادر

ترتیبشان تصادفی نیست: از بالا به پایین هزینه بالا می‌رود و سود اضافه کم. برای اکثر قریب به اتفاق کسانی که روزانه با دستیار کار می‌کنند، دو لایه‌ی اول تمام ماجراست.

لایه‌ی اول: دستوری که خودتان می‌نویسید

ساده‌ترین و مؤثرترین لایه همین است: متنی ثابت که هر گفتگو با آن شروع می‌شود. بعضی سرویس‌ها جای مشخصی برایش دارند و بعضی نه؛ اگر نداشت، همان متن را در یادداشت‌های گوشی نگه دارید و بچسبانید. نتیجه فرقی نمی‌کند.

چرا جواب می‌دهد؟ چون مدل ذهن‌خوان نیست و تنها چیزی که درباره‌ی شما می‌داند همان است که جلوی چشمش گذاشته‌اید. هرچه ننویسید، حدس می‌زند — و حدسش میانگین اینترنت است، نه سلیقه‌ی شما. منطقش در مهندسی زمینه باز شده؛ خلاصه‌اش این است: هر چیزی که هر بار تکرار می‌کنید، یک بار نوشته شود و بماند.

برگه‌ی من: ده خطی که تکرار را تمام می‌کند

اسمش را بگذارید برگه‌ی من: متنی ده‌خطی که چهار چیز را روشن می‌کند — کی هستم، چه می‌نویسم، چه لحنی می‌خواهم، و چه چیزی را هرگز نگو. بند آخر از بقیه مهم‌تر است و اغلب فراموش می‌شود.

پنج گام نوشتن برگه‌ی من: معرفی خود، نوع متن، لحن دلخواه، فهرست چیزهای ممنوع و بازبینی ماهانه
پنج خطی که یک بار نوشته می‌شوند و بعد هر گفتگو را از نقطه‌ی درست شروع می‌کنند.

قالب زیر را بردارید، قلاب‌ها را با وضعیت خودتان پر کنید و ابتدای گفتگو بگذارید:

برگه‌ی من — این را تا آخر گفتگو رعایت کن.

۱. من کی‌ام: [مثلاً مترجم فنی، ده سال سابقه، حوزه‌ی تجهیزات صنعتی]
۲. مخاطبم: [مثلاً مهندس کارخانه، نه مدیر فروش]
۳. چه می‌نویسم: [ایمیل کاری، توضیح فنی، کپشن اینستاگرام]
۴. طول معمول: [مثلاً زیر ۱۵۰ کلمه]
۵. لحن: [ساده، محترم، بدون تعارف اداری]
۶. رسم‌الخط: فارسی روان، نیم‌فاصله رعایت شود، عدد فارسی
۷. هرگز ننویس: [مقدمه‌چینی، شعار تبلیغاتی، کلمه‌های: ...]
۸. قالب خروجی: [متن پیوسته، بدون فهرست، بدون تیتر]
۹. اگر اطلاعات کم بود: سؤال بپرس، حدس نزن
۱۰. اگر مطمئن نیستی: بنویس مطمئن نیستم و منبع نساز

یک نکته‌ی عملی: خط هفتم را با نمونه پر کنید نه با صفت. «رسمی ننویس» چیزی را عوض نمی‌کند، ولی «کلمه‌های بی‌نظیر و انقلابی را به کار نبر» بلافاصله اثر می‌گذارد — همان ستون اصلی پرامپت‌نویسی فارسی. اگر برای یک برند می‌نویسید، برگه‌ی شما عملاً همان چیزی است که در ساخت لحن برند به آن می‌گویند راهنمای صدا.

لایه‌ی دوم: حافظه‌ی سرویس و کاری که واقعاً می‌کند

خیلی از سرویس‌ها حافظه دارند: نکته‌هایی را از گفتگوهای قبلی برمی‌دارند و بعداً به کار می‌برند. مفید است، ولی دو خصلت دارد. اول اینکه انتخابش با شما نیست — سرویس تصمیم می‌گیرد چه چیزی ارزش نگه‌داشتن دارد. دوم اینکه کهنه می‌شود: پروژه تمام می‌شود، ولی یادداشتش هنوز آنجاست.

پس با حافظه مثل کشوی مشترک رفتار کنید، نه صندوق امانات. ماهی یک بار بازش کنید، منقضی‌ها را پاک کنید و ببینید چه چیزی بی‌اجازه ثبت شده. تفکیک اینکه چه چیزی یادش می‌ماند در حافظه در هوش مصنوعی آمده است.

لایه‌ی سوم: وقتی باید سند بدهید

دفتر بیمه‌ای را تصور کنید با صد صفحه شرایط و استثنا که کارمند تازه‌وارد روزی چند بار سراغشان می‌رود. اینجا لحن به درد نمی‌خورد؛ مسئله دانش است، نه سلیقه. راهش این است که خود اسناد مبنای جواب شوند — همان که با نام RAG شناخته می‌شود.

مرزش ساده است: اگر جواب درست را «باید از جایی خواند»، لایه‌ی سوم لازم است. اگر مدل جواب را بلد است و فقط شکلش را خراب می‌دهد، لایه‌ی اول کافی است.

لایه‌ی چهارم: آموزش اختصاصی، که احتمالاً لازمش ندارید

در فاین‌تیونینگ، رفتار خود مدل با نمونه‌های شما تغییر می‌کند. لازمه‌اش صدها نمونه‌ی تمیز از «جواب مطلوب» است، بودجه، و کسی که نتیجه را بسنجد. تعریفش در مدخل Fine-tuning آمده است.

موضعم روشن است: اگر هدفتان این است که مدل لحن شما را بگیرد، فاین‌تیونینگ اشتباه‌ترین ابزار ممکن است؛ ده خط متن همان کار را ارزان‌تر و قابل ویرایش‌تر انجام می‌دهد. جاهایی که واقعاً ارزشش را دارد در فاین‌تیونینگ چیست فهرست شده — فهرست کوتاهی است.

پرامپت‌های ذخیره‌شده برای کارهای تکراری

برگه‌ی من می‌گوید شما کی هستید؛ پرامپت ذخیره‌شده می‌گوید یک کار مشخص چطور انجام شود. فروشنده‌ی زعفرانی که هفته‌ای ده کپشن اینستاگرام می‌نویسد، به دو سه پرامپت آماده نیاز دارد، نه ده بار توضیح از صفر.

روش کار: هر بار جوابی گرفتید که راضی‌تان کرد، همان پرسش را بردارید، جای بخش‌های متغیرش قلاب بگذارید و ذخیره کنید. سه ماه بعد کتابخانه‌ای دارید که هیچ ابزاری نمی‌توانست برایتان بسازد. در نارنگی هم می‌شود گفتگوها را دسته‌بندی و متن‌های آماده را کنار هم نگه داشت.

چه چیزی را هرگز در حافظه نگذارید

شخصی‌سازی یعنی اطلاعات دادن، و همین‌جا آدم‌ها زیاده‌روی می‌کنند. مرزش ساده است: هرچه دیده‌شدنش توسط یک غریبه برایتان مسئله بسازد، در حافظه جایش نیست.

جدول دوستونی که نشان می‌دهد چه چیزی در حافظه‌ی دستیار بگذاریم و چه چیزی را هرگز نگذاریم
ستون راست کار را بهتر می‌کند؛ ستون چپ فقط ریسک است، بی هیچ سودی برای کیفیت جواب.
⚠️ اطلاعات دیگران مال شما نیست

پرونده و شماره‌ی مشتری، قرارداد امضانشده، و هر داده‌ای که به شما سپرده شده نباید در حافظه ثبت شود. برای پزشک، وکیل، حسابدار و روان‌شناس این فقط توصیه‌ی امنیتی نیست، تعهد حرفه‌ای است. مرزهای دقیق‌ترش در امنیت اطلاعات در هوش مصنوعی آمده است.

جایی که شخصی‌سازی جواب نمی‌دهد

اول صریح بگویم: شخصی‌سازی دقت را بالا نمی‌برد. اگر مدل عدد اشتباه می‌دهد یا منبع می‌سازد، هیچ برگه‌ای درستش نمی‌کند؛ خط دهم فقط احتمال اعتراف به ندانستن را بیشتر می‌کند.

دوم، در گفتگوهای طولانی دستور ابتدایی کم‌رنگ می‌شود و مدل به عادت‌های پیش‌فرضش برمی‌گردد؛ این با نوشتن قاطع‌تر حل نمی‌شود، راهش گفتگوی تازه است. سوم، هیچ لایه‌ای یکنواختی کامل نمی‌آورد — دو بار اجرای یک پرامپت هنوز دو خروجی متفاوت می‌دهد، به دلیلی که در چرا هر بار جواب متفاوتی می‌گیرم آمده.

جمع‌بندی

شخصی‌سازی دستیار هوش مصنوعی از سمت ارزان شروع می‌شود، نه گران. برگه‌ی من را بنویسید، حافظه را ماهی یک بار تمیز کنید، و تا وقتی این دو جواب می‌دهند به سند مرجع و آموزش اختصاصی فکر هم نکنید.

یک کار برای همین امروز: پنج گفتگوی آخرتان را باز کنید و ببینید چه جمله‌ای را در هر پنج‌تا تکرار کرده‌اید. همان‌ها خط‌های اول برگه‌ی شمایند.

برای ادامه:

پرسش‌های پرتکرار

برگه‌ی من را باید هر بار دستی بچسبانم؟ +
بستگی به سرویس دارد. اگر جایی برای دستور ثابت یا شخصی‌سازی حساب داشته باشد، یک بار می‌گذاریدش و تمام؛ اگر نه، برگه را در یادداشت‌های گوشی نگه دارید و ابتدای هر گفتگوی تازه بچسبانید. در گفتگوهای خیلی طولانی هم بد نیست وسط کار یک بار دوباره بفرستیدش.
حافظه‌ی سرویس بهتر است یا نوشتن دستور ثابت؟ +
این دو رقیب هم نیستند و نقششان فرق دارد. دستور ثابت چیزی است که شما نوشته‌اید و دقیقاً می‌دانید داخلش چیست، اما حافظه را سرویس خودش از دل گفتگوها برمی‌دارد و ممکن است نکته‌ی بی‌ربط یا قدیمی را نگه دارد. بهترین ترکیب این است که دستور ثابت را خودتان بنویسید و حافظه را هر چند وقت یک بار باز کنید و تمیز کنید.
فاین‌تیونینگ کِی واقعاً لازم می‌شود؟ +
وقتی یک کار بسیار تکراری با قالب خروجی ثابت دارید، حجمش بالاست، و صدها نمونه‌ی درست و تمیز از جواب مطلوب در دست دارید. برای «مدل لحن من را یاد بگیرد» تقریباً هیچ‌وقت لازم نیست و همان کار را یک متن ده‌خطی ارزان‌تر و سریع‌تر انجام می‌دهد.
چرا مدل وسط گفتگو دستور من را فراموش می‌کند؟ +
چون هرچه گفتگو بلندتر می‌شود، سهم آن متن ابتدایی از کل چیزی که مدل جلوی چشمش دارد کمتر می‌شود. راه‌حل عملی این است که برای هر کار تازه گفتگوی تازه باز کنید و برگه را دوباره بگذارید. اگر مجبورید در همان نخ بمانید، کافی است چند خط کلیدی برگه را دوباره بفرستید.
شخصی‌سازی باعث نمی‌شود جواب‌ها یکنواخت و تکراری شوند؟ +
تا حدی بله، و در بیشتر کارها دقیقاً همین را می‌خواهید: خروجی قابل پیش‌بینی که نیاز به بازنویسی نداشته باشد. اگر روزی دنبال ایده‌ی تازه و زاویه‌ی غیرمنتظره بودید، در همان گفتگو صریح بنویسید که برای این یک مورد قیدهای برگه را کنار بگذارد.
#شخصی سازی هوش مصنوعی #دستور سیستمی #حافظه دستیار هوش مصنوعی #پرامپت آماده فارسی #فاین‌تیونینگ
به‌دردِ کسی می‌خورد؟ تلگرام واتساپ
🍊

خواندنش خوب بود — حالا امتحانش کن

هرچه در این صفحه خواندی، همین حالا داخلِ نارنگی قابلِ اجراست. ثبت‌نام با شماره‌ی موبایل، نارنگیِ رایگانِ شروع، بدونِ نیاز به کارت یا تحریم‌شکن.

بدونِ نصب هم کار می‌کند — ولی در اپ سریع‌تر است