یک کاربر و نویسنده فناوری پس از یک سال آزمایش مدل‌های زبانی بزرگ محلی (Local LLM) تصمیم گرفته به جای گفت‌وگوهای پراکنده، یک وظیفه تکرارشونده و مشخص به مدل بسپارد. او با استفاده از n8n و مدل Qwen 3.5 9B جریان کاری (Workflow) ساخته است که هر شب ایمیل‌ها، تسک‌های Asana و پیام‌ها را بررسی می‌کند و صبح روز بعد یک خلاصه اولویت‌دار به صندوق ورودی او می‌فرستد.
از چت موردی تا دستیار شبانه
به گفته این کاربر، مشکل اصلی او پراکندگی تعهدات کاری میان ایمیل، Asana و پیام‌هاست. بسیاری از قول‌ها و پیگیری‌ها در فهرست وظایف رسمی ثبت نمی‌شوند و بررسی دستی همه آن‌ها هر شب زمان‌بر است. در همین نقطه، یک مدل محلی می‌تواند نقش مؤثری بازی کند، به شرط آنکه وظیفه‌اش روشن و محدود باشد.
او پیش‌تر بیشتر تعاملاتش با مدل‌های محلی را به صورت درخواست‌های موردی انجام می‌داد؛ مانند تولید کد، خلاصه‌سازی سند یا پاسخ به پرسش. اما در چنین الگویی، کاربر باید خودش آغازگر گفت‌وگو باشد. تغییر اصلی این بود که مدل به جای انتظار برای پرسش، هر شب به صورت خودکار اطلاعات موجود را بررسی کند و موارد نیازمند توجه را بیرون بکشد.
ساخت جریان کاری شبانه با n8n و Qwen 3.5 9B
ستون فقرات این پروژه، ابزار اتوماسیون n8n است که روی سرور خانگی نویسنده اجرا می‌شود. او با یک گره تریگر زمان‌بندی (Schedule Trigger) جریان کاری را هر شب فعال می‌کند. سپس داده‌ها از سه منبع دریافت می‌شوند: ایمیل‌ها، تسک‌های Asana و پیام‌ها.
- ایمیل‌ها: محل اصلی بسیاری از گفت‌وگوها و پیگیری‌های کاری.
- Asana: محل ثبت وظایف واگذارشده و مهلت‌های زمانی.
- پیام‌ها: بستر تعهدات کوچک‌تری که ممکن است در فهرست وظایف ثبت نشوند.
در مرحله پردازش، پرامپت (Prompt) طوری تنظیم شده که مدل به دنبال تعهدات، پاسخ‌های معوق، مهلت‌های نزدیک و وظایف نیمه‌تمام بگردد. همچنین باید میان کاری که کاربر واقعاً پذیرفته است و موضوعی که فقط در حال گفت‌وگو بوده تمایز بگذارد.
خروجی مدل به جای یک پاراگراف طولانی، اطلاعات ساختاریافته است. هر مورد شامل خود وظیفه، منبع آن و اولویتی بر اساس فوریت و زمینه موجود است. این ساختار به n8n کمک می‌کند نتایج را مرتب کند، موارد تکراری را حذف کند و در نهایت یک خلاصه خوانا بسازد. در پایان نیز یک گره ایمیل، خلاصه را هر صبح به صندوق ورودی کاربر می‌فرستد.
چرا وظایف کوچک برای LLM محلی بهتر جواب می‌دهند
نویسنده تأکید می‌کند که مدل‌های محلی وقتی وظایف کوچک و دقیق به آن‌ها سپرده شود، بسیار مفیدترند. او تلاش کرده از این مدل‌ها برای ساخت قابلیت از صفر، رفع باگ و کارهای پیچیده استفاده کند، اما نتیجه اغلب ناامیدکننده بوده است. در چنین مواردی زمان بیشتری صرف اصلاح خطاها و دادن دستورهای تکمیلی می‌شود.
در مقابل، جریان کاری شبانه با Qwen 3.5 9B نمونه‌ای از کاری است که به هوش بالایی نیاز ندارد، اما حضور یک مدل زبانی در آن ارزشمند است. او پیش‌تر نیز مدل تصمیم‌گیری Tev1 از Together AI را در یک جریان کاری n8n به کار گرفته بود تا ایمیل‌ها را بر اساس نیاز به پاسخ دسته‌بندی کند؛ نمونه‌ای دیگر از وظیفه ساده و مشخص برای مدل‌های کوچک و تخصصی.
درس اصلی: محدودیت‌ها را بشناسید
نتیجه این تجربه ساده است: برای استفاده مؤثر از مدل‌های زبانی محلی، لازم نیست از آن‌ها انتظار رقابت با مدل‌های ابری مانند ChatGPT یا Claude را داشت. کافی است وظیفه‌ای روشن تعریف شود، مدل به ابزارهای مناسب متصل شود و جریان کاری به صورت خودکار اجرا شود. به گفته نویسنده، همین رویکرد در یک سال استفاده، بیش از گفت‌وگوهای پراکنده برای او کارساز بوده است.