اگر امروز برای مدیریت جریان‌های کاری خود از پرامپت‌های چندصفحه‌ای استفاده می‌کنید، احتمالاً با خروجی‌های متناقض و تکراری دست‌وپنجه نرم می‌کنید. این «پرامپت‌های هیولایی» در واقع بدهی‌های فنی هستند که به‌مرور تبدیل به کشوی زباله‌ای از قوانین منسوخ و متضاد می‌شوند. این ایده هسته مرکزی یک راهنمای فنی است که در ۳ اوت ۲۰۲۶ در وب‌سایت dev.to منتشر شد و به تفصیل توضیح داد که چرا «اشیای زمینه» (Context Objects) کوچک و صریح، در کارهای تکرارشونده (Cron Jobs)، به مراتب بهتر از پرامپت‌های غول‌پیکر عمل می‌کنند.
اکثر اتوماسیون‌ها با یک پرامپت انعطاف‌پذیر و بزرگ شروع می‌شوند که در ابتدا بسیار قدرتمند به نظر می‌رسد. در این مرحله، شما می‌توانید تمام سیاست‌ها، مثال‌ها، لیست‌های موضوعی و قوانین جایگزین (Fallback) را در آن بگنجانید. اما با گذشت زمان، این پرامپت‌ها شروع به جمع‌آوری سیاست‌های منسوخ و قوانین متناقض می‌کنند که در نهایت باعث می‌شود خروجی نهایی مدل «گنگ»، مبهم و تکراری شود. این یک حالت شکست رایج در هوش مصنوعیِ محیط تولید (Production) است؛ جایی که طول عمرِ جریان کاریِ زمان‌بندی شده، از مفروضات اولیه نوشته شده در پرامپت پیشی می‌گیرد. این چالش‌ها دقیقاً همان موانعی هستند که باعث می‌شوند خروجی‌ها کیفیت خود را از دست بدهند و برای غلبه بر آن‌ها، باید برخی تصمیمات تحریریه کلیدی را برای نجات پیش‌نویس‌های کلیشه‌ای در نظر گرفت.
برای حل این مشکل، نویسنده الگوی «ابتکا در ساخت، سپس نوشتن» (Build then write) را پیشنهاد کرده است. به جای یک دیوار متنی، یک اسکریپت کوچک به نام سازنده‌ی زمینه — شبیه به یک دستیار که فقط برگهٔ مشخصات ضروری را روی میز می‌گذارد — تنها حقایق جاری و درست را جمع‌آوری می‌کند. این سازنده یک شیء JSON (یک فرمت استاندارد برای تبادل داده که مثل یک جدول منظم، هر مقدار را به یک برچسب می‌چسباند) تولید می‌کند تا «زمین بازی» را پیش از آنکه مدل نویسنده حتی شروع به کار کند، تعریف نماید. این رویکرد در واقع همان درسِ «مرزهای شفاف وضعیت» (Clear state boundaries) در اتوماسیون و قوانین پایدار بک‌اند برای کارهای تکراری است.
نقشه‌ی راه سازنده‌ی زمینه
طبق مستندات dev.to، یک شیء زمینهٔ مؤثر باید فقط شامل داده‌های با «سیگنال بالا» باشد. سیستم باید صراحتاً بیان کند که «در همین لحظه» چه چیزی درست است؛ مثلاً کدام حساب کاربری فعال است، کدام لینک‌های داخلی مجاز هستند و از کدام پست‌های اخیر باید اجتناب شود.
عناصر کلیدی یک شیء زمینه با تمرکز بر محتوا شامل موارد زیر است:
- جزئیات حساب: نام کاربری، زبان مورد استفاده و موضوعات فعال و خاص.
- محدودیت‌ها: الزامات سخت‌گیرانه مانند حداکثر طول عنوان (
titleMax) یا تعداد تعیین‌شده برای بک‌لینک‌ها (backlinkCount). - وضعیت جاری: تاریخچه‌ی انتشار اخیر (شامل عناوین و تاریخ‌های انتشار) و لینک‌های داخلی پیش‌گزین شده با لنگرهای (Anchors) مشخص.
- سئو: کلمات کلیدی اصلی و کلمات کلیدی دارای غلط‌های رایج (Typo-specific) که می‌توانند به‌طور طبیعی در متن ظاهر شوند.
نکته‌ی حیاتی این است که سازنده، آرشیو کامل، تک‌تک سیاست‌هایی که تا به حال نوشته شده و توده‌ای عظیم از مثال‌ها را حذف می‌کند. اگر یک نویسنده برای هر بار اجرا به کل تاریخچهٔ شرکت نیاز دارد، طراحی سیستم اساساً غلط است. هدف، ایجاد یک محموله‌ی (Payload) فشرده است، نه یک پرامپت هیولایی.
منطق پیاده‌سازی
جریان فنی پیشنهادی از یک نظم خطی سخت‌گیرانه پیروی می‌کند. مدل ذهنی ساده است: سازنده زمین بازی را تعیین می‌کند و نویسنده در آن بازی می‌کند.
این توالی به ترتیب زیر اجرا می‌شود:
۱. ساخت زمینه: اجرای تابع buildWriterContext() برای تولید محموله‌ی JSON.
۲. تثبیت برنامه: استفاده از planArticle(context) برای قفل کردن ساختار و نقشه مقاله.
۳. نوشتن: فراخوانی writeArticle(plan) برای تولید محتوای نهایی.
۴. انتشار: اجرای گام نهایی publish(article) برای ارسال محتوا.
نویسنده‌ی این راهنما هشدار می‌دهد که نباید در صورت شکست گام انتشار، یک بازنویسی دوم را به‌صورت مخفیانه «به جریان اضافه کرد»؛ زیرا این کار قابلیت عیب‌یابی خط لوله (Pipeline) را از بین می‌برد و کل فرآیند را برای توسعه‌دهنده آزاردهنده می‌کند.
کاربرد در جریان‌های ایمیل موقت
این الگو فراتر از تولید محتواست و در تست‌های ثبت‌نام و محیط‌های پیش‌نمایش (Preview) بسیار مؤثر است. برای مثال، وقتی یک اتوماسیون به اینباکس tempmail.so برای تأیید نیاز دارد، سازنده تصمیم می‌گیرد که دقیقاً چه قانونی برای اینباکس، چه مهلت زمانی (Timeout) و چه برچسب محیطی (Environment Label) برای آن اجرای خاص اعمال شود.
این رویکرد باعث می‌شود مجری (Executor) مجبور نباشد تنظیمات را دوباره از دل متون پراکنده استخراج کند. همچنین نویزهای موجود در لاگ‌ها، مانند رشته‌های متنی «dummy e mail» یا «temp mailid»، به‌جای اینکه تکه‌های فراموش‌شده در یک پرامپت بزرگ باشند، به‌عنوان فیلدهای صریح و نام‌گذاری شده وارد اجرا می‌شوند.
این تغییر، نگاه تیم‌ها به اتوماسیون هوش مصنوعی را عوض می‌کند: تبدیل یک «جعبه سیاه» مرموز به یک خط لوله شفاف با ورودی‌های نام‌گذاری‌شده. با جداسازی «جمع‌آورنده» از «نویسنده»، هر بخش به‌طور مستقل قابل تست و بازبینی می‌شود.
برای کسانی که اجراهای زمان‌بندی‌شده را مدیریت می‌کنند، قانون ساده است: اگر یک انسان نتواند ورودی JSON را در کمتر از یک دقیقه سریعاً مرور کند، آن ورودی بیش از حد بزرگ است. این امر تضمین می‌کند که مقاله نه به دلیل یک پرامپت عظیم «باهوش» به نظر برسد، بلکه به دلیل اینکه ورودی‌های آن با دقت شکل داده شده‌اند، «کاربردی» باشد. حذف نویزها، قدرت اثرگذاری (Leverage) را بازمی‌گرداند و نویسنده هوش مصنوعی را صادق و دقیق نگه می‌دارد.
گام بعدی شما
- پرامپت‌های طولانی خود را بررسی کنید و هر بخش از داده‌ای که در هر اجرا تغییر می‌کند را به یک شیء JSON تفکیک کنید.
- توابع
buildوwriteرا از هم جدا کنید تا بتوانید ورودی مدل را بدون اجرای کل زنجیره، بازبینی کنید. - اگر زمان بازبینی ورودی JSON توسط انسان بیش از یک دقیقه طول می‌کشد، حجم داده‌ها را کاهش دهید.
اما داستان سخت‌افزاری این تحول در مدیریت حافظه حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی پنجره‌های متنی در مدل‌های جدید مراجعه کنید.
گفتگو