پرامپت خلاصه‌سازی جلسه؛ از متنِ خام تا تصمیم‌ها و اقدام‌ها

بیشتر جلسه‌ها با یک حس مشترک تمام می‌شوند: «خب، حالا قرار شد کی چه کاری بکند؟» اگر از هوش مصنوعی فقط بخواهی «این جلسه را خلاصه کن»، معمولاً یک بازگوییِ خنثی می‌گیری که هیچ‌کس دوباره سراغش نمی‌رود. تکنیک «پرامپت خلاصه‌سازی جلسه» کاری می‌کند که مدل به‌جای بازگفتن حرف‌ها، تصمیم‌ها و اقدام‌ها را با مسئول و مهلت بیرون بکشد و جلسه را به عمل تبدیل کند. در این آموزش گام‌به‌گام یاد می‌گیری این کار را روی جلسه‌های واقعی خودت پیاده کنی.

بخش ۱: چرا خلاصهٔ خام جلسه به‌درد نمی‌خورد؟

وقتی از مدل می‌خواهی «این جلسه را خلاصه کن»، مدل کارِ ساده‌ای می‌کند: حرف‌ها را کوتاه و مرتب بازمی‌گوید. نتیجه، متنی است که مثل خودِ جلسه، خواندنی اما بی‌مصرف است؛ چون به مهم‌ترین سؤالِ بعد از هر جلسه جواب نمی‌دهد: «چه چیزی تصمیم شد و حالا چه کسی چه کاری باید بکند؟» مغزِ ماجرا این است که خلاصه‌سازیِ کارآمد یک کارِ «استخراجی» است، نه «فشرده‌سازی»؛ یعنی باید به مدل بگویی دنبال چه نوع اطلاعاتی بگردد و آن‌ها را چطور بچیند، نه اینکه فقط طول متن را کم کند.

مثال: به‌جای «متن جلسه را خلاصه کن»، بنویس: «از متنِ زیر فقط تصمیم‌های قطعی و کارهایی را که قرار شد انجام شود بیرون بکش؛ بقیهٔ گفت‌وگو را نادیده بگیر.» اگر تازه با اصولِ نوشتن پرامپت آشنا می‌شوی، اول راهنمای پایهٔ پرامپت‌نویسی را بخوان تا این تکنیک روی زمینهٔ محکم‌تری بنشیند.

بخش ۲: تفاوت خلاصه با صورت‌جلسهٔ اقدام‌محور

خلاصه و صورت‌جلسه دو چیزِ متفاوت‌اند. «خلاصه» به این سؤال جواب می‌دهد که در جلسه چه گذشت؛ مناسبِ کسی است که در جلسه نبوده و می‌خواهد در جریان قرار بگیرد. اما «صورت‌جلسهٔ اقدام‌محور» به سؤالِ دیگری جواب می‌دهد: بعد از این جلسه چه اتفاقی باید بیفتد؟ این نسخه فقط سه چیز را مهم می‌داند: تصمیم‌ها، اقدام‌ها، و مسائلِ حل‌نشده. تفاوت ظریف اما تعیین‌کننده است؛ چون خروجیِ اقدام‌محور مستقیماً به کار می‌آید و می‌شود آن را به تیم فرستاد یا وارد ابزارِ مدیریت کار کرد.

مثال: «از این متن دو خروجی جدا بده: یک خلاصهٔ سه‌جمله‌ای برای کسی که در جلسه نبوده، و یک فهرست اقدام‌ها برای کسانی که باید کاری انجام دهند.» این نگاهِ «مسئله را به بخش‌های مستقل بشکن» همان چیزی است که در پرامپت تجزیه به زیرمسئله عمیق‌تر توضیح داده‌ایم.

بخش ۳: چهار ستون یک خلاصهٔ جلسهٔ کارآمد

هر خلاصهٔ جلسهٔ حرفه‌ای روی چهار ستون می‌ایستد. ستون اول «خلاصهٔ کوتاه» است: دو تا سه جمله که تصویرِ کلی جلسه را می‌دهد. ستون دوم «تصمیم‌ها» است: چیزهایی که قطعی شدند، نه گزینه‌هایی که فقط مطرح شدند. ستون سوم «اقدام‌ها» است و مهم‌ترین ستون به‌شمار می‌رود: هر اقدام باید سه چیز داشته باشد — کارِ مشخص، مسئولِ مشخص، و مهلتِ مشخص. ستون چهارم «پرسش‌های باز» است: مسائلی که در جلسه حل نشدند و باید بعداً پیگیری شوند. وقتی این چهار ستون را صریح از مدل بخواهی، خروجی از یک متنِ کلی به یک ابزارِ کاری تبدیل می‌شود.

مثال: «متن جلسه را در چهار بخش بده: (۱) خلاصهٔ سه‌جمله‌ای؛ (۲) تصمیم‌های قطعی؛ (۳) اقدام‌ها به‌صورت جدول با ستون‌های کار، مسئول و مهلت؛ (۴) پرسش‌های بازِ حل‌نشده.»

بخش ۴: قالب پایه از متن خام تا خروجی ساخت‌یافته

حالا این چهار ستون را در یک قالبِ آمادهٔ قابل‌استفادهٔ همیشگی جمع می‌کنیم. یک پرامپت خوبِ خلاصه‌سازی سه جزء دارد: نقش و هدف (به مدل بگو در نقشِ دبیرِ جلسه است و خروجی برای پیگیری استفاده می‌شود)، ورودی (متنِ خام یا رونوشتِ جلسه)، و قالبِ خروجیِ دقیق (همان چهار بخش، با ترتیب و شکلِ مشخص). هرچه قالبِ خروجی را دقیق‌تر تعریف کنی، مدل کمتر به سلیقهٔ خودش تکیه می‌کند. تعیینِ قالب همان چیزی است که در راهنمای فرمت خروجی نشان دادیم چطور جوابِ مدل را مرتب و قابل‌اتکا می‌کند.

مثال: «تو دبیرِ جلسه‌ای. متنِ زیر رونوشتِ یک جلسهٔ تیمی است. خروجی را دقیقاً در این قالب بده — عنوان جلسه و تاریخ (اگر در متن بود)، خلاصهٔ سه‌جمله‌ای، فهرست تصمیم‌ها، جدولِ اقدام‌ها [کار | مسئول | مهلت]، و فهرست پرسش‌های باز. اگر مسئول یا مهلتِ یک اقدام در متن نبود، به‌جای حدس‌زدن بنویس «نامشخص».»

بخش ۵: استخراج تصمیم‌ها و مسئولیت‌ها

سخت‌ترین بخشِ کار، جدا کردنِ «تصمیم» از «گفت‌وگو» است. در هر جلسه ده‌ها جمله رد و بدل می‌شود که فقط بحث‌اند، نه تصمیم؛ مدل اگر راهنمایی نشود، این‌ها را با تصمیم‌های واقعی قاطی می‌کند. راهِ حل این است که به مدل معیارِ روشن بدهی: تصمیم چیزی است که قطعی شده و کسی مسئولِ اجرایش است؛ اگر جمله‌ای با «شاید»، «بررسی کنیم» یا «به نظرم بهتر است» همراه بود، آن تصمیم نیست، بلکه یک پرسشِ باز است. همین تفکیکِ ساده جلوی بزرگ‌ترین خطای خلاصه‌های خودکار را می‌گیرد.

مثال: «فقط جمله‌هایی را تصمیم بشمار که قطعی شده‌اند و کسی مسئولِ اجرای‌شان است. هر چیزی که با تردید یا «باید بررسی شود» همراه بود را در بخشِ پرسش‌های باز بگذار، نه تصمیم‌ها.» برای اینکه خروجیِ اقدام‌ها تمیز و ستون‌بندی‌شده دربیاید، نکته‌های پرامپت جدول و دادهٔ ساخت‌یافته این‌جا خیلی به کار می‌آید.

بخش ۶: پرسش‌های باز و موضوع‌های معلق را گم نکن

مهم‌ترین چیزی که خلاصه‌های معمولی از دست می‌دهند، همان مسائلی است که حل نشدند. جلسه‌ها اغلب با چند موضوعِ معلق تمام می‌شوند — چیزی که تصمیمش به جلسهٔ بعد موکول شد، یا سؤالی که کسی جوابش را نداشت. اگر این‌ها ثبت نشوند، در جلسهٔ بعد از نو مطرح می‌شوند و وقت هدر می‌رود. پس صریح از مدل بخواه که یک بخشِ جدا برای «موضوع‌های معلق» داشته باشد و برای هرکدام بنویسد که چرا حل نشد و برای حل‌شدن به چه چیزی نیاز است.

مثال: «یک بخشِ جدا به نامِ «معلق‌ها» بساز. برای هر موضوعی که در جلسه به نتیجه نرسید، بنویس: موضوع چه بود، چرا معلق ماند، و برای تصمیم‌گیری چه چیزی لازم است.»

بخش ۷: خلاصهٔ لایه‌ای از یک‌خطی تا گزارش کامل

یک جلسه، مخاطب‌های مختلف دارد و همه به یک اندازه جزئیات نمی‌خواهند. مدیر شاید فقط یک خطِ نتیجه بخواهد، اعضای تیم فهرستِ اقدام‌ها را، و کسی که غایب بوده یک گزارشِ کامل‌تر را. تکنیکِ «خلاصهٔ لایه‌ای» یعنی از مدل بخواهی همان محتوا را در چند سطحِ عمق بدهد: یک‌خطی، بندی، و کامل. این کار وقتت را می‌گیرد اما یک بار انجامش می‌دهی و برای همهٔ مخاطب‌ها آماده‌ای. اگر می‌خواهی خلاصهٔ کامل هم پُر و دقیق باشد و چیزی جا نیفتد، منطقِ زنجیرهٔ چگالی مکملِ خوبی برای این بخش است.

مثال: «همین جلسه را در سه لایه خلاصه کن: (۱) یک جملهٔ نتیجهٔ کلی برای مدیر؛ (۲) یک بندِ کوتاه برای اعضای تیم؛ (۳) یک گزارشِ کاملِ چهاربخشی برای کسی که در جلسه نبوده.»

بخش ۸: تبدیل خلاصه به ایمیل پیگیری و پیام تیمی

خلاصه وقتی ارزشِ واقعی پیدا می‌کند که به دستِ آدم‌ها برسد. آخرین گام این است که خروجیِ ساخت‌یافته را به یک پیامِ آمادهٔ ارسال تبدیل کنی — مثلاً یک ایمیلِ کوتاهِ پیگیری که هر اقدام را به مسئولش یادآوری می‌کند، یا یک پیامِ تیمی که در گروه می‌گذاری. نکتهٔ مهم این است که لحن و طولِ پیام را برای مخاطبش تنظیم کنی؛ ایمیل به یک مدیرِ بیرونی رسمی‌تر است و پیامِ داخلِ تیم صمیمی‌تر. همین یک گام، خلاصه را از یک یادداشتِ بایگانی‌شده به یک محرکِ عمل تبدیل می‌کند.

مثال: «از فهرست اقدام‌های بالا یک ایمیلِ پیگیریِ کوتاه بنویس؛ برای هر نفر فقط کارهای خودش را بیاور، با مهلتش، و لحن را حرفه‌ای اما دوستانه نگه دار.»

بخش ۹: دام‌های رایج و چک‌لیست نهایی

خلاصه‌سازیِ خودکار چند دامِ شناخته‌شده دارد. اول «جازدنِ گفت‌وگو به‌جای تصمیم»: راهِ فرار، دادنِ معیارِ روشن برای تصمیم است. دوم «توهمِ مسئول و تاریخ»: گاهی مدل برای اقدامی که مسئولش در متن نبوده، خودش یک نام می‌سازد؛ برای جلوگیری، صریح بگو هر چیزِ غایب را «نامشخص» بنویسد نه اینکه حدس بزند. سوم «از دست رفتنِ معلق‌ها»: با یک بخشِ جدا برای مسائلِ حل‌نشده حلش کن. برای اینکه هر بار خلاصهٔ خوبی بگیری، این چهار قدم را چک کن: نقش و هدف را مشخص کن، چهار ستونِ خروجی را صریح بخواه، قالب (مثلاً جدولِ اقدام‌ها) را تعیین کن، و مدل را از حدس‌زدنِ مسئول و مهلت منع کن. مجموعهٔ کاملِ این تکنیک‌ها را می‌توانی در آموزش‌های چت‌جی‌پی‌تی دنبال کنی و برای به‌روزترین‌ها هم اخبار هوش مصنوعی را از دست نده.

مثال: «قالبِ آماده: تو دبیرِ جلسه‌ای. از رونوشتِ زیر خروجی بده — خلاصهٔ سه‌جمله‌ای؛ تصمیم‌های قطعی؛ جدولِ اقدام‌ها [کار | مسئول | مهلت]؛ پرسش‌های باز. هر اطلاعاتِ غایب را «نامشخص» بنویس و هیچ نام یا تاریخی را حدس نزن.»

پرسش‌های پرتکرار

فرقِ خلاصهٔ جلسه با زنجیرهٔ چگالی چیست؟ زنجیرهٔ چگالی برای فشرده و پُر کردنِ خلاصهٔ یک متنِ یک‌دست (مثل مقاله) است؛ اما خلاصهٔ جلسه یک کارِ استخراجی است که تصمیم‌ها و اقدام‌ها را از دلِ گفت‌وگو بیرون می‌کشد.

اگر رونوشتِ جلسه خیلی طولانی و پُر از حرف‌های اضافه باشد چه کنم؟ اول از مدل بخواه فقط تصمیم‌ها و اقدام‌ها را استخراج کند و بقیه را نادیده بگیرد؛ بعد روی همان خروجیِ تمیز، خلاصهٔ لایه‌ای بساز.

چطور جلوی ساختنِ مسئول و تاریخِ خیالی را بگیرم؟ در پرامپت صریح بنویس که هر اطلاعاتِ غایب را «نامشخص» بگذارد و هیچ نام یا مهلتی را حدس نزند؛ این یک جمله بزرگ‌ترین خطای خلاصه‌های خودکار را حذف می‌کند.