پرامپت‌های آمادهٔ خلاصه‌سازی؛ از جلسه تا کتاب و ویدئو

خلاصه‌سازی، پرکاربردترین وظیفهٔ هوش مصنوعی در محیط کار است — و بیشترین خروجی‌های بی‌فایده هم همین‌جا ساخته می‌شوند. مشکل، «خلاصه کن» است؛ این دستور هیچ هدفی تعریف نمی‌کند. پرامپت خلاصه‌سازی خوب، سه چیز را مشخص می‌کند: برای چه کسی، برای چه تصمیمی، و در چه طولی.

قانون طلایی: خلاصه برای تصمیم ساخته می‌شود

قبل از نوشتن پرامپت، یک جملهٔ «تصمیم» بنویسید: «این خلاصه برای اینکه فلان کار انجام شود». مثلاً خلاصهٔ جلسه برای «پیگیری اقدام‌ها» با خلاصهٔ جلسه برای «گزارش به مدیر» تفاوت کلی دارد. اولی پر از مسئول و مهلت است؛ دومی پر از نتیجه. برای اصول کلی پرامپت، فرمول پرامپت‌نویسی را ببینید.

قالب ۱ — خلاصهٔ جلسهٔ قابل پیگیری

وظیفه: از صورتجلسهٔ زیر، خلاصهٔ عملیاتی بساز.
قالب:
۱) تصمیم‌ها (فهرست؛ هر تصمیم یک خط)
۲) جدول اقدام‌ها: اقدام | مسئول | مهلت — اگر در متن نبود «نامشخص»
۳) بحث‌های باز (موضوع‌هایی که به نتیجه نرسیدند)
قواعد: هیچ چیزی از خودت اضافه نکن؛ اعداد را همان‌طور که هست بیاور؛
مجموع خروجی حداکثر ۱۵۰ واژه.
متن جلسه: [صورتجلسه]

قالب ۲ — خلاصهٔ کتاب/سند بلند برای استفادهٔ بعدی

وظیفه: خلاصهٔ [فصل/سند] برای استفادهٔ من در [تصمیم/کار شما].
قالب:
۱) پنج نکتهٔ کلیدی — هر نکته یک جمله + یک دلیل
۲) سه نقل‌قول مهم با ذکر بخش تقریبی
۳) سه پرسشی که این متن جوابشان را نداد
قواعد: به زبان خودت بازگو کن نه جمله‌بندی متن؛
پیش‌فرض: من [زمینهٔ شما] هستم و وقت کم دارم.
متن: [متن]

جدول انتخاب طول خلاصه

خطاهای رایج در پرامپت خلاصه‌سازی

۱. نبود مخاطب: خلاصه برای «همه» یعنی خلاصه برای هیچ‌کس. ۲. جمله‌بندی متن اصلی: از مدل بخواهید «به زبان خودش بازگو کند» تا خلاصه، کپی کوچک‌شده نباشد. ۳. حذف استثناها: در قواعد بگویید «اگر چیزی نبود، بنویس نبود» — مدل‌ها با خلأ، خیلی راحت حدس می‌زنند. دربارهٔ این خطر، هذیان مدل را بخوانید.

خلاصهٔ صوتی و ویدئویی

برای ویدئو، متن پیست (transcript) را بدهید و همان قالب‌ها را اجرا کنید؛ برای صدا، اول با ابزار تبدیل گفتار به متن، متن را بگیرید و بعد خلاصه کنید. الگوی زنجیره‌ای این کار را در زنجیرهٔ پرامپت توضیح داده‌ایم. برای تحلیل داده‌ای خلاصه‌ها، پرامپت تحلیل داده را از دست ندهید.

جمع‌بندی

هر خلاصه، برای یک تصمیم ساخته می‌شود؛ این جمله را قبل از هر پرامپت خلاصه بنویسید. با قالب‌های این مقاله، خلاصه‌های شما از «متن کوتاه‌شده» به «ابزار کار» تبدیل می‌شوند — همان چیزی که از هوش مصنوعی انتظار داریم.

مثال عملی: یک جلسه، دو خلاصهٔ متفاوت

یادداشت خام یک جلسهٔ بیست‌دقیقه‌ای را در نظر بگیرید: بحث دربارهٔ تأخیر ارسال، تصمیم برای تغییر پیک، بحث باز دربارهٔ هزینهٔ بسته‌بندی و یادآوری جلسهٔ بعد. خلاصه برای «پیگیری اقدام‌ها» این شکل را می‌گیرد: تصمیم‌ها در دو خط، جدول اقدام‌ها (تغییر پیک — مسئول: آقای رضایی — مهلت: پنجشنبه) و یک بحث باز با برچسب «جلسهٔ بعد». همان یادداشت برای «گزارش به مدیرعامل» کاملاً چیز دیگری است: سه جمله دربارهٔ روند تأخیر، اثر تصمیم بر هزینهٔ ماهانه و یک ریسک پیشِ‌رو — بدون جدول، بدون مسئول. دو خروجی از یک متن، چون «تصمیمِ مقصد» فرق دارد. این نمونه را در تیم خودتان اجرا کنید: جلسهٔ بعدی را دو بار خلاصه کنید، یک‌بار برای خود تیم و یک‌بار برای مدیر، و تفاوت را نشان دهید؛ معمولاً همین تمرین ساده انتظارات همه از «خلاصه» را شفاف می‌کند و از این به بعد هر کس خلاصه می‌خواهد، اول می‌گوید «برای چه کاری». نکتهٔ حرفه‌ای: هر دو خلاصه را نگه دارید؛ خلاصهٔ پیگیری برای جلسهٔ بعد همان ورودی «یادآوری تصمیم‌های قبلی» است و خلاصهٔ مدیریتی، پیش‌نویس گزارش ماهانه — دو خروجی از یک پرامپت‌نویسی، آن هم از داده‌ای که وگرنه آرشیو می‌شد.

پرسش‌های پرتکرار

مدل می‌تواند خودش متن بلند را بخواند؟

بله تا سقف پنجرهٔ زمینه؛ برای کتاب کامل، فصل‌به‌فصل بدهید و در پایان، خلاصهٔ خلاصه‌ها بگیرید.

خلاصهٔ فارسی از متن انگلیسی چطور؟

ممکن است؛ نوع ترجمه-خلاصه را صریح بگویید و لحن فارسی را مشخص کنید — راهنمای آن در پرامپت ترجمه هست.

چه قدر به خلاصه‌های عددی اعتماد کنم؟

اعداد را با متن اصلی چک کنید؛ مدل در انتقال عدد گاهی خطا می‌کند — قاعده: هر عدد مهم، دوبار دیده شود.

از همین قالب‌ها می‌شود خلاصه برای شبکه‌های اجتماعی ساخت؟

بله؛ فقط «تصمیم مقصد» را عوض کنید: خواننده بعد از این متن باید مکث کند یا کلیک کند. طول را به دو جمله محدود کنید و قلاب را از مهم‌ترین عدد یا تناقض شروع کنید.