واژه‌نامهٔ هوش مصنوعی: 55 اصطلاح به زبان ساده

مبانی

این نسخهٔ مرجع است: 55 اصطلاح، تعریف اول، جزئیات دوم. اگر تور ملایم‌تر فقط همان واژه‌هایی را می‌خواهید که در هفتهٔ اول اهمیت دارند، به‌جای آن اصطلاحات هوش مصنوعی به زبان ساده را بخوانید و وقتی اصطلاحی در اینجا شما را به آنجا فرستاد برگردید.

هوش مصنوعی

هوش مصنوعی نرم‌افزاری است که کارهایی را انجام می‌دهد که معمولاً به قضاوت انسانی نیاز دارند، مثل نوشتن، استدلال‌کردن یا تشخیص محتوای یک تصویر.

در کاربرد روزمرهٔ سال 2026، «هوش مصنوعی» تقریباً همیشه یعنی دستیارهای چتی ساخته‌شده روی مدل‌های زبانی بزرگ، نه حوزهٔ گستردهٔ دانشگاهی.

یادگیری ماشین

یادگیری ماشین تکنیک آموزش‌دادن نرم‌افزار با نشان‌دادن نمونه به آن است، نه با برنامه‌نویسی قواعد.

هر دستیار هوش مصنوعی مدرن همین‌طور ساخته شده: رفتار آن از الگوهای موجود در دادهٔ آموزشی می‌آید، و به همین دلیل یک مدل می‌تواند در کارهای رایج درخشان باشد و در کارهای نادر لرزان.

مدل

مدل یک سامانهٔ مشخص و آموزش‌دیدهٔ هوش مصنوعی است، همان چیزی که واقعاً prompt را برایش می‌فرستید.

GPT، Claude و Gemini خانوادهٔ مدل‌اند؛ هر خانواده مدل‌های جداگانه‌ای با اندازه، سرعت و قیمت متفاوت دارد. انتخاب میان آن‌ها بر اساس کار، مهارت اصلی استفادهٔ خوب از هوش مصنوعی است.

LLM (مدل زبانی بزرگ)

LLM، یا مدل زبانی بزرگ، مدلی است که روی حجم عظیمی از متن آموزش دیده تا پیش‌بینی کند متن بعدی چه باید باشد.

همین یک ترفند، وقتی در مقیاس بزرگ انجام شود، پاسخ، پیش‌نویس، کد و خلاصه تولید می‌کند. «بزرگ» هم به دادهٔ آموزشی اشاره دارد و هم به تعداد پارامترها.

چت‌بات

چت‌بات همان رابط گفتگومحوری است که دور یک مدل پیچیده شده، همان چیزی که جعبهٔ پیام دارد.

این تمایز هنگام مقایسهٔ محصولات اهمیت دارد: دو چت‌بات می‌توانند یک مدل را در خود بگیرند و حس متفاوتی بدهند، و یک چت‌بات می‌تواند چند مدل ارائه دهد، که دقیقاً همان‌طوری است که Whizi کار می‌کند.

Prompt

prompt همان چیزی است که به مدل می‌فرستید: پرسش، دستورالعمل‌ها و هر متن یا فایلی که همراهش می‌کنید.

کیفیت پاسخ به‌شدت از کیفیت prompt پیروی می‌کند. زمینه، محدودیت‌ها و قالب خروجی که می‌خواهید، سه چیزی هستند که مبتدی‌ها بیشتر از همه جا می‌اندازند.

توکن

توکن همان تکهٔ کوچک متنی است که مدل واقعاً می‌خواند و می‌نویسد، به‌طور میانگین تقریباً سه‌چهارم یک واژهٔ انگلیسی.

قیمت‌گذاری، سرعت و پنجرهٔ زمینه همه با توکن اندازه‌گیری می‌شوند، و به همین دلیل این واژه در هر صفحهٔ قیمت‌گذاری هوش مصنوعی دیده می‌شود. یک سند 1,000 کلمه‌ای تقریباً 1,300 توکن است.

پنجرهٔ زمینه

پنجرهٔ زمینه بیشترین مقدار متنی است، اندازه‌گیری‌شده با توکن، که یک مدل می‌تواند هم‌زمان در نظر بگیرد.

prompt شما، گفتگوی تا این لحظه، اسناد پیوست‌شده و خودِ پاسخ، همه در آن سهیم‌اند. جدول مقایسهٔ پنجرهٔ زمینه رقم فعلی هر مدل مهم را فهرست می‌کند، و توضیح‌دهنده نشان می‌دهد چرا این مفهوم بیشتر شکایت‌های «هوش مصنوعی فراموش کرد» را توضیح می‌دهد.

پارامترها

پارامترها همان اعداد درونی‌اند که مدل طی آموزش یاد گرفته، و معیار معمول اندازهٔ آن هستند.

این اعداد با میلیارد شمرده می‌شوند، و به‌طور کلی پارامتر بیشتر یعنی توانایی بیشتر و هزینهٔ بیشتر. به‌تنهایی معیار خرید ضعیفی است؛ آزمون‌های سنجش و آزمایش‌های خودتان بهتر از شمار پارامتر عمل می‌کنند.

پاسخ

پاسخ همان خروجی مدل برای یک prompt است، که completion هم نامیده می‌شود.

پاسخ‌ها هر بار از نو تولید می‌شوند، و به همین دلیل بازتولید همان prompt عبارت‌بندی متفاوتی می‌دهد و گاهی حتی پاسخ متفاوتی.

حرف‌زدن با یک مدل

prompt سامانه

prompt سامانه همان دستورالعمل ثابتی است که مدل پیش از پیام شما دریافت می‌کند و نقش، لحن و قواعدش را تعیین می‌کند.

هر محصولی یکی از این‌ها دارد، حتی وقتی نمی‌بینیدش. وقتی چت‌باتی «شخصیت دارد»، معمولاً همین‌جاست که آن شخصیت زندگی می‌کند.

مهندسی prompt

مهندسی prompt یعنی عمداً prompt نوشتن تا خروجی به‌طور قابل‌اعتماد بهتر شود.

با وجود نام پرطمطراقش، بیشتر آن فقط وضوح معمولی است: هدف را بگویید، زمینه بدهید، نمونه‌ای نشان دهید، قالب را نام ببرید. راهنمای مبتدیان تکنیک‌هایی را پوشش می‌دهد که واقعاً نتیجه را عوض می‌کنند.

بدون‌نمونه (Zero-shot)

zero-shot یعنی از مدل خواستن کاری بدون دادن هیچ نمونه‌ای.

مدل‌های امروزی بیشتر کارهای روزمره را به‌صورت zero-shot انجام می‌دهند. این اصطلاح بیشتر برای تضاد با روش چندنمونه‌ای زنده مانده است.

چندنمونه‌ای (Few-shot)

few-shot یعنی چند نمونهٔ حل‌شده را در prompt گنجاندن تا مدل الگو را کپی کند.

ارزان‌ترین راه ارتقای قابلیت اعتماد برای کارهای حساس به قالب همین است: دو یا سه نمونه از ورودی و خروجی دلخواه، بهتر از یک پاراگراف توضیح عمل می‌کند.

زنجیرهٔ فکر (Chain of thought)

زنجیرهٔ فکر یعنی مدل پیش از پاسخ نهایی، گام‌های میانی را طی می‌کند.

خواستن از مدل که گام‌به‌گام استدلال کند، به‌طور قابل‌سنجش مسائل سخت را بهتر می‌کند، و مدل‌های استدلالی امروز نسخه‌ای از این کار را به‌طور پیش‌فرض و درونی انجام می‌دهند.

دما

دما تنظیمی است که کنترل می‌کند مدل هنگام انتخاب هر توکن بعدی چقدر تصادفی‌بودن اضافه کند.

دمای پایین خروجی ثابت و محافظه‌کارانه می‌دهد؛ دمای بالا تنوع و گاهی بی‌معنایی می‌دهد. محصولات چتی معمولاً یک مقدار میانی را برایتان انتخاب می‌کنند.

پخش جریانی (Streaming)

پخش جریانی یعنی مدل پاسخش را توکن‌به‌توکن، همزمان با تولید می‌فرستد، نه یک‌جا در پایان.

به همین دلیل است که پاسخ‌ها انگار خودشان تایپ می‌شوند، و به همین دلیل یک پاسخ بد را می‌توان زودتر متوقف کرد به‌جای اینکه تا آخر صبر کرد.

بازتولید پاسخ (Regenerate)

بازتولید پاسخ یعنی خواستن پاسخ تازه برای همان prompt.

چون تولید پاسخ احتمالاتی است، بازتولید واقعاً یک قرعهٔ تازه است، نه تکرار همان محاسبه. مقایسهٔ دو قرعه، یا همان prompt روی دو مدل، یک بررسی سریع کیفیت است.

مدل‌ها چطور ساخته می‌شوند

آموزش

آموزش فرایند تنظیم پارامترهای مدل در برابر داده است تا پیش‌بینی‌هایش خوب شوند.

این کار پیش از آنکه شما اصلاً با مدل روبه‌رو شوید اتفاق می‌افتد و محاسبات عظیمی برای ارائه‌دهنده هزینه دارد. هیچ‌چیزی که در یک چت تایپ می‌کنید همان لحظه مدل را دوباره آموزش نمی‌دهد، هرچند ارائه‌دهنده‌ها ممکن است بسته به سیاستشان از گفتگوها برای آموزش نسخه‌های آینده استفاده کنند.

دادهٔ آموزشی

دادهٔ آموزشی همان متن و مواد دیگری است که مدل از آن یاد گرفته.

گستردگی آن توضیح می‌دهد مدل چه می‌داند، خلأهایش نقاط کور نظام‌مند را توضیح می‌دهد، و بازهٔ تاریخی‌اش تاریخ قطع آموزش را تعیین می‌کند.

پیش‌آموزش (Pretraining)

پیش‌آموزش اولین و بزرگ‌ترین مرحلهٔ آموزش است، جایی که مدل زبان و دانش جهان را از حجم انبوه متن یاد می‌گیرد.

نتیجه توانمند اما خام است. هرچه مدل را مثل یک دستیار مفید رفتار می‌کند، بعد از این مرحله اضافه می‌شود.

تنظیم دقیق

تنظیم دقیق آموزش اضافه روی یک مجموعه‌دادهٔ باریک‌تر است تا یک مدل پیش‌آموزش‌دیده تخصصی یا شکل‌دهی شود.

ارائه‌دهنده‌ها برای مفیدبودن و ایمنی تنظیم دقیق می‌کنند؛ شرکت‌ها برای کارهای تخصصی. برای بیشتر کاربران، prompt خوب به‌علاوهٔ یک مدل عمومی توانمند، بهتر از پرداخت برای تنظیم دقیق عمل می‌کند.

RLHF

RLHF، یادگیری تقویتی از بازخورد انسانی، یعنی آموزش مدل بر اساس امتیازدهی انسان‌ها به پاسخ‌هایش.

بخش بزرگی از دلیل مؤدب، ساختاریافته و محتاط‌بودن دستیارهای امروزی همین است. اگر زیاده‌روی شود، همان احتیاط بیش‌ازحدی را هم تولید می‌کند که باعث می‌شود برخی مدل‌ها امتناع کنند یا طفره بروند.

همسوسازی (Alignment)

همسوسازی کاری است که رفتار مدل را با قصد و ارزش‌های انسانی هماهنگ می‌کند.

در عمل همه‌چیز را از رد درخواست‌های مضر تا صرفاً دنبال‌کردن دقیق دستورالعمل‌ها پوشش می‌دهد. وقتی مدل کاری از نظر فنی چشمگیر اما ناخواسته انجام می‌دهد، آن یک شکاف همسوسازی است.

استنتاج (Inference)

استنتاج یعنی اجرای یک مدل آموزش‌دیده برای تولید پاسخ، در تقابل با آموزش‌دادنش.

هر پیامی که می‌فرستید استنتاج را فعال می‌کند، و هزینهٔ استنتاج همان چیزی است که قیمت‌گذاری بر پایهٔ توکن اندازه می‌گیرد. مدل‌های ارزان‌اجرا می‌توانند به‌طرز چشمگیری توانمند باشند؛ شاخص هزینهٔ مدل‌های هوش مصنوعی اختلاف قیمتی 2,000 برابری را نشان می‌دهد.

ترنسفورمر (Transformer)

ترنسفورمر همان معماری شبکهٔ عصبی است که پشت تقریباً هر مدل زبانی مدرن قرار دارد.

مکانیزم کلیدی‌اش، توجه (attention)، به مدل اجازه می‌دهد هر بخش از ورودی را در برابر هر بخش دیگر بسنجد. هرگز نیازی به جزئیاتش ندارید، اما این واژه در هر نوشتهٔ هوش مصنوعی همه‌جا هست.

وقتی چیزی اشتباه پیش می‌رود

توهم

توهم یعنی مدل چیزی نادرست را با اطمینان کامل بیان می‌کند.

این یک باگ نیست که در انتشار بعدی وصله شود؛ از نحوهٔ کار تولید متن ناشی می‌شود. فراوانی آن بر اساس مدل و کار خیلی فرق می‌کند. با هر واقعیت، عدد یا نقل‌قول مشخصی مثل چیزی راستی‌آزمایی‌نشده رفتار کنید تا وقتی بررسی‌اش کنید. چرا هوش مصنوعی اشتباه می‌کند سازوکار آن را پوشش می‌دهد.

مستندسازی (Grounding)

مستندسازی یعنی به مدل مادهٔ معتبری دادن تا از روی آن پاسخ دهد، به‌جای اینکه به حافظه‌اش تکیه کند.

چسباندن قرارداد، پیوست‌کردن گزارش یا فعال‌کردن جستجوی وب، همه مستندسازی‌اند. این مؤثرترین دفاع روزمره در برابر توهم است.

سوگیری (Bias)

سوگیری یعنی مدل به‌طور نظام‌مند خروجی‌هایش را به شیوه‌هایی که از دادهٔ آموزشی به ارث برده، کج می‌کند.

این به شکل فرض‌هایی دربارهٔ افراد، مکان‌ها و پیش‌فرض‌ها بروز می‌کند. برای تصمیم‌های مهم، خروجی هوش مصنوعی را همان‌طور بازبینی کنید که کار یک کارآموز باهوش اما بررسی‌نشده را بازبینی می‌کنید.

محدودیت‌های ایمنی (Guardrails)

محدودیت‌های ایمنی همان محدودیت‌هایی هستند که ارائه‌دهنده دور یک مدل می‌سازد تا خروجی مضر یا خارج از سیاست را مسدود کند.

ارائه‌دهنده‌های مختلف این خط‌ها را جور دیگری می‌کشند، و این یک تفاوت واقعی محصولی است: یک درخواست می‌تواند از یک مدل پاسخ بگیرد و از مدل دیگر رد شود.

دورزدن محدودیت (Jailbreak)

jailbreak یک prompt ساخته‌شده برای فریب‌دادن مدل است تا محدودیت‌های ایمنی‌اش را نادیده بگیرد.

ارائه‌دهنده‌ها پیوسته این‌ها را وصله می‌کنند. برای کاربران عادی، این اصطلاح بیشتر به‌عنوان یک مفهوم امنیتی اهمیت دارد: هر چیزی که بشود مدل را به آن راضی کرد، کسی تلاش می‌کند راضی‌اش کند.

تیم قرمز (Red teaming)

red teaming یعنی عمداً پیش از انتشار به یک مدل حمله کردن تا حالت‌های خطای مضر پیدا شوند.

ارائه‌دهنده‌ها تیم‌های قرمز داخلی و خارجی دارند، و کارت‌های مدل منتشرشده اغلب یافته‌هایشان را خلاصه می‌کنند. این معادل هوش‌مصنوعی‌ای آزمون نفوذ است.

تاریخ قطع آموزش

تاریخ قطع آموزش همان تاریخی است که دادهٔ آموزشی مدل بعد از آن تمام می‌شود.

دربارهٔ هر چیز جدیدتر بپرسید، مدل یا به نادانی اعتراف می‌کند، یا اگر بتواند وب را جستجو می‌کند، یا توهم می‌زند. دانستن تاریخ قطع آموزش مدلی که استفاده می‌کنید، از یک دستهٔ کامل خطا جلوگیری می‌کند.

بازیابی و دادهٔ شما

RAG (تولید تقویت‌شده با بازیابی)

RAG، یا تولید تقویت‌شده با بازیابی، یعنی اول اسناد مرتبط را واکشی کردن و بعد گذاشتن مدل تا از روی آن‌ها پاسخ دهد.

محصولات «چت با پایگاه دانش خودتان» زیر پوسته همین‌طور کار می‌کنند، و به همین دلیل می‌توانند منبع ذکر کنند. RAG توهم را کم می‌کند اما کیفیت هرچیزی که بازیابی می‌کند را هم به ارث می‌برد.

امبدینگ (Embedding)

امبدینگ فهرستی از اعداد است که معنای یک تکه متن را نشان می‌دهد.

متن‌هایی با معنای مشابه اعداد نزدیک به هم می‌گیرند، که به نرم‌افزار اجازه می‌دهد بخش‌های مرتبط را به‌شکل ریاضی پیدا کند. امبدینگ‌ها ماشین‌آلات پشت جستجوی معنایی و RAG هستند.

پایگاه‌دادهٔ برداری (Vector database)

پایگاه‌دادهٔ برداری پایگاه‌داده‌ای است که برای ذخیرهٔ امبدینگ‌ها و پیداکردن سریع نزدیک‌ترین‌ها ساخته شده.

اگر محصولی بگوید اسناد شما را برای جستجوی هوش مصنوعی «ایندکس» کرده، یک امبدینگ برای هر تکه در یکی از این پایگاه‌ها نشسته.

جستجوی معنایی (Semantic search)

جستجوی معنایی یعنی پیداکردن متن بر اساس معنا، نه تطبیق کلیدواژه.

جستجوی «مشکلات مالی» می‌تواند بخشی دربارهٔ فشار جریان نقدی را نشان دهد حتی اگر هیچ کلمه‌ای تطبیق نداشته باشد. این همان به‌کارگیری امبدینگ‌هاست.

تکه‌تکه‌کردن سند (Chunking)

chunking یعنی سندهای طولانی را به تکه‌های به‌اندازهٔ کافی کوچک برای امبدکردن و بازیابی خوب تقسیم کردن.

شبیه لوله‌کشی به نظر می‌رسد و همین‌طور هم هست، اما chunking بد یک دلیل رایج است که ابزارهای چت با سند از بخش نادرست یک فایل پاسخ می‌دهند.

جستجوی وب (در هوش مصنوعی)

جستجوی وب در هوش مصنوعی یعنی مدل پیش از پاسخ‌دادن صفحات به‌روز را واکشی می‌کند، به‌جای تکیه بر حافظهٔ آموزشی.

سرعت را با تازگی معامله می‌کند و اجازه می‌دهد پاسخ‌ها منبعی داشته باشند که بتوانید بازش کنید. برای هر چیزی بعد از تاریخ قطع آموزش مدل، این تفاوت میان یک پاسخ و یک حدس است.

پایگاه دانش (Knowledge base)

پایگاه دانش همان مجموعهٔ گزیدهٔ اسنادی است که یک شرکت به هوش مصنوعی خود می‌دهد تا از روی آن پاسخ دهد.

کیفیت ورودی، کیفیت خروجی: دستیاری که بر پایهٔ یک ویکی قدیمی مستند شده، با اطمینان کامل پاسخ‌های قدیمی می‌دهد، همراه با منبع.

سه اصطلاح در این واژه‌نامه پاسخ‌های رقیب به یک پرسش را نام می‌برند، اینکه چطور مدل را در کار شما بهتر کنید، و قاطی‌کردن آن‌ها رایج‌ترین اشتباه اصطلاحی در جلسات محصول است. کنار هم:

رویکرد	چه چیزی عوض می‌شود	هزینه و سرعت	کِی برنده می‌شود
prompt بهتر (zero-shot، few-shot)	فقط متنی که می‌فرستید	رایگان، چند دقیقه طول می‌کشد	تقریباً همیشه اولین حرکت؛ دو یا سه نمونهٔ حل‌شده بیشتر مشکلات قالب‌بندی را حل می‌کند
RAG	چیزی که مدل پیش از پاسخ می‌خواند	ساختنش متوسط است، بدون آموزش دوباره	پاسخ‌هایی که باید به‌روز بمانند یا به اسناد خودتان استناد کنند
تنظیم دقیق	پارامترهای خودِ مدل	کند و پرهزینه، سپس ثابت	نیازهای سبک و قالب پایدار در مقیاس بزرگ، تقریباً هرگز برای یک فرد

فراتر از متن

چندوجهی

چندوجهی یعنی مدلی که در بیش از یک رسانه کار می‌کند، مثل متن به‌علاوهٔ تصویر، صدا یا ویدئو.

به همین دلیل می‌توانید از یک خطا اسکرین‌شات بگیرید و بپرسید مشکل چیست. راهنمای هوش مصنوعی چندوجهی نشان می‌دهد امروز واقعاً چه چیزی کار می‌کند.

مدل بینایی (Vision model)

مدل بینایی مدلی است که می‌تواند تصویر را تفسیر کند: عکس، اسکرین‌شات، نمودار و سند.

خواندن با تولیدکردن یکی نیست؛ یک مدل می‌تواند نمودار شما را کامل توصیف کند و همچنان نتواند یکی بکشد.

تولید تصویر (Image generation)

تولید تصویر یعنی ساختن تصویرهای تازه از یک توصیف متنی.

کیفیت، دامنهٔ سبک و نمایش متن داخل تصویر میان تولیدکننده‌های مختلف خیلی فرق می‌کند، و به همین دلیل کاربران جدی چند تا را با هم مقایسه می‌کنند. مرور تولیدکننده‌های تصویر این حوزه را به‌روز نگه می‌دارد.

مدل انتشاری (Diffusion model)

مدل انتشاری تصویر را با شروع از نویز و پالایش گام‌به‌گام آن به سمت توصیف تولید می‌کند.

این تکنیک غالب پشت تولیدکننده‌های تصویر مدرن است. این واژه بیشتر برای این اهمیت دارد که وقتی «diffusion» در نام محصولی می‌بینید، بدانید آن محصول چه می‌کند.

گفتار به متن (Speech to text)

گفتار به متن یعنی تبدیل صدای گفتاری به کلمات نوشته‌شده.

رونویسی امروزی به‌اندازهٔ کافی دقیق است که جلسه‌ها، یادداشت‌های صوتی و مصاحبه‌ها را قابل‌جستجو کند، و همین‌طور است که ورودی صوتی در اپ‌های چت کار می‌کند.

متن به گفتار (Text to speech)

متن به گفتار یعنی تولید صدای گفتاری از کلمات نوشته‌شده.

سامانه‌های امروزی صداهای طبیعی و بیان‌گر تولید می‌کنند، که موتور ویژگی‌های خواندن‌بلند و گفتگوهای صوتی هوش مصنوعی است.

اکوسیستم

API

API همان دروازهٔ برنامه‌نویسی‌شده‌ای است که برنامه‌نویس‌ها با آن prompt را از نرم‌افزار خودشان به یک مدل می‌فرستند.

قیمت‌گذاری API بر پایهٔ توکن است، و از همین‌جاست که اقتصاد هر پاسخ در هر محصول هوش مصنوعی در نهایت می‌آید.

وزن‌های باز (Open weights)

وزن‌های باز یعنی پارامترهای آموزش‌دیدهٔ یک مدل منتشر شده‌اند تا هرکسی بتواند دانلود و اجرا کند.

این کار میزبانی شخصی را ممکن می‌کند و اجازه می‌دهد ارائه‌دهنده‌های دیگر مدل را روی زیرساخت خودشان اجرا کنند. DeepSeek و Llama نمونه‌های معروف‌اند.

مدل متن‌باز

مدل متن‌باز، تقریباً، مدلی است که برای استفاده و تغییر عمومی منتشر شده، هرچند مجوزها خیلی فرق دارند.

پرسش‌های عملی همیشه همان دو تا هستند: آیا می‌توانید تجاری استفاده‌اش کنید، و چه کسی آن را برایتان میزبانی می‌کند. اکوسیستم وزن‌های باز وقتی بیشترین اهمیت را دارد که حریم خصوصی یا هزینه، پرچمدارهای میزبانی‌شده را کنار بگذارد.

آزمون سنجش (Benchmark)

آزمون سنجش یک آزمون استاندارد است که برای امتیازدهی و مقایسهٔ مدل‌ها استفاده می‌شود.

برای یک برش اول مفید است، و در بازاریابی معمولاً بیش‌ازحد بزرگ جلوه داده می‌شود. مدلی که در یک آزمون سنجش اول می‌شود، همچنان می‌تواند در کار واقعی شما ببازد، و به همین دلیل اجرای مقایسهٔ سه‌کاره خودتان بهتر از خواندن نمودارهاست.

عامل

عامل سامانهٔ هوش مصنوعی‌ای است که به‌جای یک‌بار پاسخ‌دادن، گام‌به‌گام به سمت یک هدف اقدام می‌کند.

رزرو، پژوهش، کدنویسی و ثبت تیکت، قلمرو عامل‌هاست. این توانایی واقعی است و سریع بهتر می‌شود؛ نیاز به بازبینی کاری که عامل انجام داده هم پیش از آنکه اهمیت پیدا کند، همین‌طور رشد می‌کند.

استفاده از ابزار (Tool use)

استفاده از ابزار، یا function calling، یعنی مدل قابلیت‌های بیرونی مثل جستجو، ماشین‌حساب، کد یا تقویم شما را فرا می‌خواند.

این همان‌طوری است که دستیارهای چتی به‌جای فقط توصیف‌کردن جهان، روی آن اثر می‌گذارند، و همین سازوکار زیربنای عامل‌هاست.

مدل استدلالی

مدل استدلالی مدلی است که پیش از پاسخ‌دادن، محاسبات اضافه‌ای صرف فکرکردن دربارهٔ مسئله به‌صورت درونی می‌کند.

معامله این است: زمان و هزینه در ازای دقت روی مسائل سخت. برای پرسش‌های ساده، آن فکرکردن اضافه چیزی نمی‌خرد، که استدلال دیگری برای عوض‌کردن مدل بر اساس کار است.

تأخیر (Latency)

تأخیر یعنی چقدر باید بین فرستادن یک prompt و رسیدن پاسخ یا شروع پخش جریانی‌اش صبر کنید.

بر اساس اندازهٔ مدل، بار سرور و اینکه مدل استدلالی است یا نه فرق می‌کند. برای کار تعاملی، یک مدل سریع و به‌اندازهٔ کافی خوب اغلب بهتر از یک مدل کند و درخشان عمل می‌کند.

محدودیت نرخ (Rate limit)

محدودیت نرخ همان سقفی است که ارائه‌دهنده روی تعداد درخواست یا توکنی که در یک بازهٔ زمانی می‌توانید استفاده کنید می‌گذارد.

برخورد به آن معمولاً همان دلیلی است که یک محصول چتی به شما می‌گوید صبر کنید یا ارتقا دهید. سقف پیام در پلن‌های اشتراکی همان محدودیت نرخ‌اند، فقط با برندسازی دوستانه‌تر.

مفید نگه‌داشتن واژه‌نامه

اصطلاح‌ها در این حوزه سریع کهنه می‌شوند. این صفحه به‌عنوان یک مرجع نگهداری می‌شود: ورودی‌ها وقتی کاربردشان تغییر کند دوباره نوشته می‌شوند، و راهنماهای عمیق‌تر که لینک شده‌اند، جزئیاتی را حمل می‌کنند که در یک تعریف جا نمی‌شود.

اگر اصطلاحی که جایی دیدید اینجا نیست، سریع‌ترین راه این است که جمله‌ای را که در آن پیدایش کردید در یک مدل توانمند بچسبانید و تعریفش را در همان زمینه بخواهید. در Whizi می‌توانید هم‌زمان از دو مدل بپرسید و ببینید کِی با هم اختلاف دارند، که برای اصطلاح‌های تازه به‌طرز شگفت‌آوری زیاد اتفاق می‌افتد.