مدل قیمت‌گذاری Oxlo.ai اضطراب توکن را از چرخه نویسندگی خلاصی داد

تصور کنید نویسنده‌ای باشید که می‌تواند بدون ترس از افزایش صورت‌حساب API، صدها بار روی یک صحنه حساس بازبینی کند تا به کمال برسد. در یک خط لوله نویسندگی چندمرحله‌ای، نویسندگان می‌توانند پیش‌فرض‌های خام را به صحنه‌های صیقل‌خورده تبدیل کنند، بدون آنکه با اضطراب معمولِ افزایش هزینه‌های توکن مواجه شوند. با استفاده از مدل قیمت‌گذاری ثابت به ازای هر درخواست در Oxlo.ai، حالا می‌توان دستورالعمل‌های سبک‌نویسی بسیار طولانی و بستر متنی گسترده را مکرراً به یک مدل زبانی بزرگ (LLM) تزریق کرد تا یک قطعه از داستان تخیلی به دقت بازبینی شود.

این رویکرد در حالی مطرح می‌شود که صنعت با «مالیات توکن» در پرامپت‌های تکرارشونده دست‌وپنجه نرم می‌کند. اکثر ارائه‌دهندگان API هزینه را بر اساس تعداد کلمات (توکن‌ها) محاسبه می‌کنند؛ موضوعی که اغلب نویسندگان را از ارائه بستر متنی عمیق یا انجام چندین مرحله نقد و بازبینی که برای تولید نثر باکیفیت ضروری است، باز می‌دارد. همان‌طور که در تحلیل قبلی ما درباره‌ی کاربرد Oxlo.ai در استقرار مبتنی بر درخواست برای تحلیل لاگ‌های سرور اشاره کردیم، این تغییر اقتصادی اکنون به حوزه هنرهای خلاق کشیده شده است تا محدودیت‌های مالی، مانع خلاقیت نشوند.

مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در این سیستم به عنوان یک ویراستار و مربی نویسندگی عمل می‌کند. طبق مستندات فنی این پروژه، سامانه با پایتون ۳.۱۰ یا بالاتر و OpenAI SDK (که با دستور pip install openai نصب می‌شود) ساخته شده است. برای اتصال به پورتال Oxlo.ai، تنها تغییر یک خط در base_url لازم است. کلاینت با تنظیم base_url="https://api.oxlo.ai/v1" و یک کلید API منحصر‌به‌فرد پیکربندی می‌شود.

ساختار این خط لوله (Pipeline) بر پایه یک پرامپت سیستمی دقیق است که مدل را به عنوان یک ویراستار داستان و مربی نویسندگی تعریف می‌کند. این پرامپت مدل را مجبور می‌کند متونی حسی، موجز و با فرمت‌های خروجی مشخص برای هر وظیفه تولید کند. برای مثال، در بخش تولید طرح کلی، مدل موظف است ساختاری سه پرده‌ای را در قالب نقاط گلوله‌ای (bullet points) ارائه دهد. در بخش پروفایل شخصیت‌ها، هر شخصیت باید حتماً دارای نام، انگیزه و یک «تیک کلامی» خاص باشد.

هنگام پیش‌نویس صحنه‌ها، پرامپت سیستمی مدل را ملزم می‌کند متونی بین ۳۰۰ تا ۴۰۰ کلمه با زاویه دید سوم‌شخص محدود بنویسد که در آن بر دیالوگ‌ها و جزئیات حسی تأکید شود. برای مرحله نقد، پرامپت به هوش مصنوعی دستور می‌دهد که دقیقاً دو نقطه قوت و دو مورد اصلاحی مشخص را فهرست کند.

در این گردش‌کار، مدل llama-3.3-70b به عنوان موتور اصلی و همه‌منظوره استفاده شده است. با این حال، نویسنده اشاره می‌کند که می‌توان مدل‌های kimi-k2.6 یا qwen-3-32b را برای دستیابی به لحن‌های سبک‌نویسی متفاوت جایگزین کرد. فرآیند تولید در پنج مرحله عملیاتی مجزا اجرا می‌شود:

• تولید طرح کلی (Outline Generation): مدل یک ایده خام را می‌گیرد — مثلاً داستان رمزنگاری بازنشسته‌ای که یک ماشین رمز discovers می‌کند که پیام‌هایی از آینده دریافت می‌کند — و آن را به یک ساختار سه پرده‌ای تبدیل می‌کند. این شامل ضرب‌آهنگ‌های (beats) مشخص برای setup و حادثه محرک در پرده اول، اکشن صعودی و چرخش نقطه میانی در پرده دوم، و در نهایت نقطه اوج و گره‌گشایی در پرده سوم است. هر ضرب‌آهنگ در یک یا دو جمله خلاصه می‌شود.
• پروفایل شخصیت‌ها (Character Profiling): با استفاده از طرح کلی تولید شده، هوش مصنوعی دو شخصیت می‌سازد که انگیزه‌هایشان به طور طبیعی با هم در تضاد است. هر شخصیت با نام، انگیزه و یک تیک کلامی منحصر‌به‌فرد تعریف می‌شود و تضاد آن‌ها در یک جمله توضیح داده می‌شود. استفاده مجدد از همان پنجره بستر (context window) در یک درخواست جدید، منطق سیستم را بدون وضعیت (stateless) و عیب‌یابی را آسان می‌کند.
• پیش‌نویس صحنه (Scene Drafting): خط لوله، طرح کلی و پروفایل‌ها را ترکیب می‌کند تا یک صحنه افتتاحیه ۳۰۰ تا ۴۰۰ کلمه‌ای بنویسد. پرامپت صراحتاً درخواست می‌کند که روایت از زاویه دید سوم‌شخص محدودِ شخصیت اصلی باشد.
• تزریق جزئیات حسی (Sensory Integration): برای جلوگیری از توضیحات کلیشه‌ای و خشکِ هوش مصنوعی، پرامپت سه عنصر خاص را اجباری می‌کند:
  1. یک جزئیات حسی متمایز درباره محیط.
  2. یک خط دیالوگ که انگیزه شخصیت را آشکار کند.
  3. یک لحظه از کنش فیزیکی.
• نقد و بازبینی (Critique and Refinement): در مرحله نهایی، صحنه دوباره به مدل بازگردانده می‌شود. مدل دستور می‌گیرد تا دو نقطه قوت نثر را ذکر کند و دو اصلاح دقیق پیشنهاد دهد: یکی حذف یک قید ضعیف یا کلیشه، و دیگری بازنویسی یک جمله برای ایجاد ریتم قوی‌تر.

به نقل از آموزش منتشر شده در dev.to در تاریخ ۳ سپتامبر ۲۰۲۶، اجرای کامل این اسکریپت سرتاسری روی مدل llama-3.3-70b در پلتفرم Oxlo.ai حدود ۱۰ ثانیه زمان می‌برد و هیچ تأخیری در راه‌اندازی سرد (Cold Start) — شبیه به گرم شدن موتور ماشین قبل از حرکت در زمستان — مشاهده نمی‌شود. چون هزینه به ازای هر فراخوانی ثابت است، کاربر می‌تواند راهنمای سبک‌های (style guides) بسیار مفصل را در پرامپت کاربر بگنجاند بدون آنکه هزینه مالی درخواست افزایش یابد.

این تغییر از اقتصاد توکن به اقتصاد درخواست، ماهیت مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — را به طور بنیادی عوض می‌کند. در مدل‌های توکن‌محور، هدف اغلب این است که تا حد ممکن کوتاه نوشت تا هزینه کم شود، که نتیجه‌اش خروجی‌های کلیشه‌ای و کم‌جزئیات است. اما در قیمت‌گذاری ثابت، انگیزه به سمت «بیش‌توصیفی» (over-specifying) می‌رود؛ یعنی دادن هر مقدار محدودیت، مثال و جزئیات ممکن به مدل برای تضمین کیفیت. این رویکرد دقیقاً در نقطه مقابل استفاده از پرامپت‌های کلی است؛ مشابه آنچه در سیستم OllaWrite برای جایگزینی پرامپت‌های عمومی با تحلیل زنده وب‌سایت‌ها مشاهده کردیم تا خروجی‌ها شخصی‌سازی‌شده‌تر شوند.

برای یک خالق مستقل، هوش مصنوعی از یک ابزار پیش‌نویس ساده به یک ویراستار همکار واقعی تبدیل می‌شود. امکان اجرای یک مرحله «نقد» مجزا به عنوان یک درخواست ارزان و مستقل، سطحی از صیقل‌خوردگی را ایجاد می‌کند که در یک پرامپت واحد، یا بسیار گران است یا به دلیل پیچیدگی، کیفیت لازم را ندارد.

این موضوع در خروجی‌های نمونه مشهود است؛ جایی که هوش مصنوعی جزئیات حسی دقیقی را شناسایی می‌کند، مانند «سبز شدن پیچ‌های برنجی بر اثر نمک هوا» و «احساس دندانه‌های فلزی سرد زیر کلیدها». همچنین دیالوگ‌های شخصیت‌محور می‌سازد، مانند: «من چهل سال وقتم را صرف شکستن رمزها نکردم... که حالا یکی را که التماس کمک می‌کند، نادیده بگیرم.» روایت نهایی، شخصیت «النا ووس» را در شهر ساحلی اورگان به تصویر می‌کشد که از یک ماشین رمز Fialka دوران جنگ سرد برای رمزگشایی هشدارهایی درباره یک فاجعه محلی استفاده می‌کند.

برای تبدیل این اسکریپت پایتونی به یک اپلیکیشن وب در سطح تولید، نویسنده پیشنهاد می‌کند از یک طرحواره (schema) در حالت JSON استفاده شود. این کار اجازه می‌دهد تا داده‌های طرح کلی و شخصیت‌ها قبل از نمایش در رابط کاربری (Frontend)، به فیلدهای ساختاریافته تجزیه شوند و تجربه تعاملی‌تری برای کاربر ایجاد کنند. این تلاش برای ساختارمند کردن خروجی‌های مدل، یادآور رویکرد سیستم ZIM در تبدیل کدهای توهمی به استانداردهای برنامه‌نویسی است که بر تبدیل متون آزاد به فرمت‌های ماشین‌خوان تأکید دارد.

کاربرانی که می‌خواهند لحن‌های مختلف را آزمایش کنند، می‌توانند llama-3.3-70b را با deepseek-v3.2 جایگزین کنند تا ببینند مدل‌های مختلف چگونه با دیالوگ‌ها برخورد می‌کنند. برای کسانی که به اقتصاد این گردش‌کار تکرارشونده علاقه‌مندند، جزئیات قیمت‌گذاری ثابت Oxlo.ai در آدرس oxlo.ai/pricing در دسترس است.

چه در حال نوشتن داستان‌های کوتاه باشید و چه در حال ساخت جهان‌های پیچیده (world-building)، کلید موفقیت در جداسازی هزینه درخواست از طول بستر متنی است. این امر به نویسنده اجازه می‌دهد به جای نگرانی از صورت‌حساب API، بر محدودیت‌های خلاقانه تمرکز کند.

گام بعدی شما

• اگر نویسنده هستید، مدل‌های قیمت‌گذاری ثابت را برای پروژه‌هایی که نیاز به بازبینی‌های مکرر دارند امتحان کنید.
• برای افزایش کیفیت، به جای یک پرامپت طولانی، زنجیره‌ای از درخواست‌های کوچک (طرح $\rightarrow$ شخصیت $\rightarrow$ صحنه $\rightarrow$ نقد) بسازید.
• از مدل‌های مختلف مانند DeepSeek برای مقایسه کیفیت دیالوگ‌ها در یک بستر متنی ثابت استفاده کنید.

اما تأثیر این مدل اقتصادی بر توسعه عامل‌های هوش مصنوعی پیچیده‌تر است — به تحلیل ما درباره‌ی آینده استنتاج ارزان مراجعه کنید.