قالب‌های گردش کار هوش مصنوعی: ۷ فرایند قابل تکرار

هفت قالب گردش کار هوش مصنوعی برای صورتجلسه، دسته‌بندی ایمیل، بررسی رقبا، خلاصهٔ PDF، بازبینی کد، برنامه‌ریزی روزانه و بازنشر محتوا.

گردش کار ۱: از صورتجلسه تا برنامهٔ اقدام

این گردش کار را بعد از تماس‌ها، گفتگوهای فروش و جلسه‌های برنامه‌ریزی به کار ببرید. هدف فقط یک خلاصه نیست. هدف یک برنامهٔ اقدام آمادهٔ تصمیم است، با مسئول، تاریخ، پرسش‌های باز و پیگیری‌ها.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: رونوشت جلسه، یادداشت‌های خام، فهرست شرکت‌کنندگان، هدف جلسه، مهلت‌های شناخته‌شده و هر تصمیمی که همین حالا به آن اطمینان دارید. اگر رونوشت طولانی است، پیش از prompt بخش‌ها را بر اساس موضوع یا زمان برچسب بزنید.

prompt: «این یادداشت‌های جلسه را به یک برنامهٔ اقدام تبدیل کن. زمینه: هدف جلسه [هدف] بود. شرکت‌کنندگان [نام‌ها] بودند. یادداشت یا رونوشت: [بچسبانید]. محدودیت‌ها: مسئول یا تاریخ از خودت نساز. موارد نامشخص را با «نیاز به تأیید» علامت بزن. تصمیم‌ها را از بحث جدا کن. قالب: خلاصه، تصمیم‌ها، جدول اقدام‌ها، ریسک‌ها، پیام پیگیری.»

خروجی: یک گزارش پنج‌بخشی با خلاصهٔ مدیریتی کوتاه، تصمیم‌های تأییدشده، جدول اقدام با مسئول و تاریخ و وضعیت، پرسش‌های حل‌نشده و یک ایمیل پیگیری آمادهٔ ارسال.

بررسی کیفیت: هر مورد اقدام را با رونوشت بسنجید. هر چیزی را که هوش مصنوعی بیش از حد از آن نتیجه گرفته حذف کنید. پیش از ارسال، تاریخ‌ها و مسئول‌ها را تأیید کنید. اگر خروجی زیادی کلی است، prompt را با یک محدودیت اضافه دوباره اجرا کنید: «فقط اقدام‌هایی را بیاور که کسی صراحتاً پذیرفته انجام دهد.»

گردش کار ۲: از دسته‌بندی ایمیل تا صف پاسخ

این گردش کار کمک می‌کند یک صندوق ورودی شلوغ را پردازش کنید، بدون آنکه هوش مصنوعی بدون نظارت از طرف شما حرف بزند. خروجی مفید یک صف اولویت است، نه یک دسته پاسخ ماشینی.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: فرستنده، موضوع، متن ایمیل، زمینهٔ رابطه، فوریت و سبک پاسخ دلخواه شما. برای رشته‌های حساس، پیش از چسباندن دادهٔ خصوصی را حذف کنید و از مدل بخواهید پیش‌نویس بنویسد، نه اینکه ارسال کند.

prompt: «این ایمیل‌ها را برای امروز دسته‌بندی کن. زمینه: نقش من [نقش] است، اولویت‌هایم [اولویت‌ها] هستند و لحن من باید [لحن] باشد. ایمیل‌ها: [بچسبانید]. محدودیت‌ها: به پرسش‌هایی که نیاز به دادهٔ خصوصی حساب دارند پاسخ نده. هر چیزی را که به قضاوت انسانی نیاز دارد علامت بزن. قالب: جدول اولویت، اقدام پیشنهادی، و پیش‌نویس پاسخ برای هر ایمیلی که بی‌خطر می‌شود جواب داد.»

خروجی: جدولی با اولویت، دلیل، اقدام بعدی، پاسخ پیشنهادی و پرچم ریسک. مسائل صورتحساب، دسترسی به حساب و هر نوع تعهد باید برای بازبینی دستی علامت بخورند.

بررسی کیفیت: اول دلیل اولویت را بخوانید. اگر مدل نمی‌تواند توضیح دهد چرا ایمیلی فوری است، اولویتش را پایین بیاورید. همهٔ نام‌ها، تاریخ‌ها، تعهدها، قیمت‌ها و پیوست‌ها را بررسی کنید. یک قاعدهٔ شخصی نگه دارید: هوش مصنوعی پاسخ را پیش‌نویس می‌کند، اما تعهدها را انسان تأیید می‌کند.

گردش کار ۳: از بررسی رقبا تا گزارش تحقیق

وقتی به یک دید سریع اما قابل ردیابی از بازار نیاز دارید و نمی‌خواهید در تب‌های مرورگر غرق شوید، از این گردش کار تحقیقاتی استفاده کنید.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: نام رقبا، یادداشت‌های وب‌سایت، تکه‌های قیمت‌گذاری، صفحه‌های محصول، بریده‌های نظرات کاربران، مشتری هدف و تصمیمی که می‌خواهید بگیرید. اگر قالبی کامل‌تر می‌خواهید، می‌توانید از Founder Research Stack در Whizi هم شروع کنید.

prompt: «یک بررسی رقبا برای [بازار] بساز. زمینه: دارم دربارهٔ [تصمیم] تصمیم می‌گیرم. رقبا و یادداشت‌ها: [بچسبانید]. محدودیت‌ها: فقط از یادداشت‌های داده‌شده استفاده کن. واقعیت‌ها را از استنتاج جدا کن. قیمت، مشتری یا ویژگی از خودت نساز. قالب: جدول مقایسه، الگوهای جایگاه‌یابی، شکاف‌ها، ریسک‌ها و پرسش‌های تحقیقی بعدی.»

خروجی: یک جدول مقایسه با رقیب، مخاطب، وعده، ویژگی‌ها، یادداشت‌های قیمت، نقاط اثبات، نقاط ضعف و جایگاه‌یابی استنتاج‌شده. بهترین نسخه یک ستون «چه چیزی بعداً باید راستی‌آزمایی شود» هم دارد تا تحقیق وانمود نکند نهایی است.

بررسی کیفیت: هر ادعا را تا یک یادداشت یا بریدهٔ منبع دنبال کنید. استنتاج‌های بدون پشتوانه را برجسته کنید. برای تصمیم‌های مهم، همان prompt را در مدلی دیگر اجرا کنید و ببینید کدام خروجی شواهد را تمیزتر از نظر شخصی جدا می‌کند.

گردش کار ۴: از خلاصهٔ PDF تا استخراج راستی‌آزمایی‌شده

خلاصه‌های کلی PDF پرریسک‌اند، چون ممکن است هشدارها را جا بیندازند یا نتیجه‌ها را بزرگ‌تر از واقع نشان دهند. این گردش کار به جای یک خلاصهٔ خوشایند، استخراج و راستی‌آزمایی می‌خواهد.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: متن PDF یا سند بارگذاری‌شده، نوع سند، هدف شما، بخش‌هایی که بیشترین اهمیت را دارند و خروجی دقیقی که لازم دارید. اگر سند طولانی است، پیش از درخواست جمع‌بندی، خلاصهٔ بخش‌به‌بخش بخواهید.

prompt: «این سند را برای [هدف] تحلیل کن. زمینه: نوع سند [نوع] است و بیشتر به [موضوع‌ها] اهمیت می‌دهم. محدودیت‌ها: هرجا ممکن است نام بخش را نقل یا ارجاع بده. موارد نامطمئن را علامت بزن. بخش‌هایی را که نمی‌بینی خلاصه نکن. قالب: خلاصهٔ یک‌صفحه‌ای، جدول واقعیت‌های کلیدی، ریسک‌ها و هشدارها، تاریخ‌ها و اعداد و نام‌های استخراج‌شده، و فهرست بررسی راستی‌آزمایی.»

خروجی: یک خلاصهٔ فشرده به‌علاوهٔ یک جدول استخراج ساختارمند. جدول یک مقالهٔ پژوهشی ممکن است شامل ادعا، شواهد، روش، محدودیت و میزان اطمینان باشد. جدول یک قرارداد ممکن است شامل تعهد، طرف، مهلت، ماده و ریسک باشد.

بررسی کیفیت: هر عدد، مهلت، نام و نقل‌قول را در PDF اصلی جستجو کنید. یک مرحلهٔ دوم بخواهید: «پنج راهی را بگو که این خلاصه می‌تواند گمراه‌کننده باشد.» اگر پاسخ روی تصمیم‌های حقوقی، پزشکی، مالی یا شغلی اثر دارد، خروجی هوش مصنوعی را کمک‌خوان بدانید، نه مشاوره.

گردش کار ۵: از بازبینی کد تا فهرست تغییرات امن‌تر

این گردش کار برای برنامه‌نویسی وقتی مفید است که یک diff، pull request یا فایلی دارید که می‌خواهید بازبینی شود. هدف کاهش ریسک است، نه واگذارکردن قضاوت.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: diff کد، تابع یا ماژول اطراف آن، رفتار مورد انتظار، خروجی تست‌ها، پیام‌های خطا، محدودیت‌ها و چیزهایی که نباید تغییر کنند. هرگز کلیدهای محرمانه، اطلاعات ورود محیط عملیاتی یا دادهٔ خصوصی مشتری را نچسبانید.

prompt: «این کد را مثل یک مهندس ارشد بازبینی کن. زمینه: رفتار مورد انتظار [رفتار] است. هدف تغییر [هدف] است. کد یا diff: [بچسبانید]. محدودیت‌ها: باگ‌ها، بازگشت‌های ناخواسته، مسائل امنیتی، حالت‌های مرزی و تست‌های جانیفتاده را در اولویت بگذار. از بازخورد صرفاً سبکی پرهیز کن، مگر اینکه باگی را پنهان کند. قالب: جدول یافته‌ها با شدت، فایل یا تابع، مسئله، چرا مهم است، اصلاح پیشنهادی و تستی که باید اضافه شود.»

خروجی: یک فهرست بازبینی رتبه‌بندی‌شده، تست‌های پیشنهادی و یک برنامهٔ تغییر حداقلی. برای بازآرایی کد، کوچک‌ترین بهبود خوانایی را بخواهید که رفتار را حفظ کند، بعد تست‌هایی را که آن را ثابت می‌کنند فهرست کنید.

بررسی کیفیت: هرجا ممکن است، پیش از اصلاح، هر باگ را بازتولید کنید. وصلهٔ پیشنهادی را بدون خواندن نپذیرید. تست‌ها، lint و بررسی نوع را روی سیستم خودتان اجرا کنید. اگر دو مدل با هم اختلاف داشتند، آن اختلاف را به جای رأی‌گیری، یک فهرست بازبینی بدانید.

گردش کار ۶: از برنامه‌ریزی روزانه تا یک برنامهٔ متمرکز

یک روتین روزانه با هوش مصنوعی باید کمک کند تصمیم بگیرید چه کاری را نکنید. این گردش کار یک فهرست به‌هم‌ریخته را به یک برنامهٔ متمرکز تبدیل می‌کند، با بلوک‌های واقع‌بینانه، مصالحه‌های روشن و یک نقطهٔ پایان روز.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: فهرست کارها، محدودیت‌های تقویم، مهلت‌ها، سطح انرژی، جلسه‌ها، کارهای الزامی، کارهای اختیاری و یک هدف راهبردی. هرچه ورودی‌ها صادقانه‌تر باشند، برنامه بهتر می‌شود.

prompt: «روز مرا حول نتیجه‌ها برنامه‌ریزی کن، نه حول مشغول بودن. زمینه: بلوک‌های کاری امروز [بلوک‌ها] هستند. کارهای الزامی [الزامی‌ها] هستند. کارهای اختیاری [اختیاری‌ها] هستند. سطح انرژی [انرژی] است. هدف راهبردی [هدف] است. محدودیت‌ها: از کار عمیق محافظت کن، فاصلهٔ اطمینان بگذار، بیش از توان تعهد نده و مصالحه‌ها را توضیح بده. قالب: برنامهٔ زمانی، ۳ نتیجهٔ اصلی، فهرست به‌تعویق‌افتاده، فهرست ریسک، فهرست پایان روز.»

خروجی: یک برنامهٔ زمان‌بندی‌شده، سه نتیجه، یک فهرست به‌تعویق‌افتاده و یک روتین ۱۰ دقیقه‌ای پایان روز. فهرست به‌تعویق‌افتاده مهم است، چون جلوی این را می‌گیرد که هوش مصنوعی یک روز غیرممکن را مرتب جلوه دهد.

بررسی کیفیت: ببینید برنامه با تقویم واقعی شما جور است یا نه. اگر زیادی پر به نظر می‌رسد، ۲۰ درصدش را حذف کنید. اگر کاری تعریف روشنی از موفقیت ندارد، پیش از شروع از مدل بخواهید «تمام‌شده» را تعریف کند.

گردش کار ۷: از بازنشر محتوا تا بستهٔ انتشار

این گردش کار نوشتاری یک منبع مفید را به چند دارایی قابل انتشار تبدیل می‌کند، بدون آنکه همه‌چیز شبیه هم شود.

ورودی -> prompt -> خروجی -> بررسی کیفیت

ورودی‌ها: محتوای منبع، مخاطب، فهرست کانال‌ها، نمونهٔ لحن برند، ادعاهایی که باید دقیق بمانند، ادعاهایی که باید کنار گذاشته شوند و قالب‌های دلخواه. اگر خروجی کمتر کلیشه‌ای می‌خواهید، نمونه‌ای از بهترین محتوای موجودتان را هم بیاورید.

prompt: «این منبع را به یک بستهٔ انتشار تبدیل کن. زمینه: مخاطب [مخاطب] است. کانال‌ها [کانال‌ها] هستند. نمونهٔ لحن: [بچسبانید]. منبع: [بچسبانید]. محدودیت‌ها: واقعیت‌ها را حفظ کن، از هیاهو پرهیز کن، آمار بدون پشتوانه اضافه نکن و هر کانال را متناسب با قالب خودش بنویس. قالب: پیام اصلی، ۵ ایدهٔ پست، پیش‌نویس ایمیل، پست‌های کوتاه شبکه‌های اجتماعی، یک پست بلند، بخش خبرنامه و جدول بررسی کیفیت.»

خروجی: یک بستهٔ محتوا با زاویه‌های قابل استفادهٔ مجدد، پیش‌نویس‌های ویژهٔ هر کانال و جدول بررسی کیفیت که ادعای اصلی، ادعای بازنشرشده، محل منبع و ریسک را فهرست می‌کند.

بررسی کیفیت: هر پیش‌نویس را با منبع مقایسه کنید. ادعاهایی را که برای هیجان اضافه شده‌اند حذف کنید. ببینید ایمیل، پست و مقدمهٔ مقاله کار متفاوتی می‌کنند یا همان جمله را تکرار می‌کنند. prompt را فقط بعد از آنکه روی یک محتوای واقعی جواب داد، به‌عنوان یک قالب قابل تکرار ذخیره کنید.

فهرست بررسی
  • هر گردش کار هوش مصنوعی را با ورودی‌های واقعی شروع کنید، نه با یک درخواست مبهم.
  • پیش از اجرای prompt، خروجی را تعریف کنید: جدول، فهرست بررسی، یادداشت، پیش‌نویس، برنامه یا استخراج.
  • محدودیت‌هایی برای شواهد، حریم خصوصی، لحن، طول و عدم قطعیت بگذارید.
  • مرحلهٔ بررسی کیفیت را بخشی از خروجی بخواهید، نه کاری برای بعد.
  • از Whizi استفاده کنید تا prompt‌های تکرارشونده را بر اساس گردش کار ذخیره کنید، نه بر اساس مدل.
  • گردش کارهای مهم را روی بیش از یک مدل اجرا کنید و دقت، ساختار و زمان اصلاح را مقایسه کنید.
  • هر قالب را بعد از استفاده روی یک کار واقعی به‌روز کنید.

پرسش‌های متداول

قالب گردش کار هوش مصنوعی چیست؟

قالب گردش کار هوش مصنوعی یک فرایند قابل تکرار است که ورودی، prompt، خروجی مورد انتظار و بررسی کیفیت را برای یک کار مشخص تعریف می‌کند، مثل خلاصه‌کردن PDF، بازبینی کد یا دسته‌بندی ایمیل.

چطور یک گردش کار هوش مصنوعی برای کارم بسازم؟

با یک کار تکرارشونده شروع کنید، ورودی‌های لازمش را فهرست کنید، یک prompt با محدودیت و قالب خروجی بنویسید، بعد یک فهرست بررسی کیفیت اضافه کنید که واقعیت‌ها، تصمیم‌ها، نام‌ها، اعداد و گام‌های بعدی را راستی‌آزمایی کند.

آیا باید برای همهٔ گردش کارها از یک مدل استفاده کنم؟

نه. مدل‌های مختلف در کارهای مختلف بهتر عمل می‌کنند. برای گردش کارهای مهم، همان prompt را روی چند مدل اجرا کنید و نسخه‌ای را نگه دارید که دقیق‌ترین و قابل استفاده‌ترین خروجی را می‌دهد.