
مدلهای زبانی محلی (Local LLM) در نقش چتباتهای همهکاره اغلب کند و نادقیق ظاهر میشوند؛ اما وقتی یک وظیفه مشخص به آنها سپرده شود، میتوانند به ابزاری کاربردی در پسزمینه تبدیل شوند. تجربه تازه نشان میدهد یک گردشکار (Workflow) خودکار میتواند هر صبح اطلاعات پراکنده کاری را جمعآوری و به یک گزارش کوتاه تبدیل کند.
از چتبات عمومی به دستیار صبحگاهی
در این روش، اتوماسیون (Automation) با ابزار n8n اجرا میشود و هر روز صبح دادههایی مانند ایمیلها، پیامهای Slack، وظایف Asana، رویدادهای تقویم، یادداشتها و دادههای داشبوردهای داخلی را گردآوری میکند. n8n مسئول زمانبندی، اتصال به سرویسها و واکشی اطلاعات است و سپس دادهها را به مدل زبانی محلی میفرستد.
مدل مورد استفاده Qwen 3.5 9B است که بهصورت محلی روی یک M5 MacBook Air با ۱۶ گیگابایت حافظه یکپارچه (Unified Memory) اجرا میشود. اجرای مدل با LM Studio انجام میشود که یک API سازگار با OpenAI (OpenAI-compatible API) در اختیار n8n قرار میدهد. همین ساختار را میتوان با Ollama یا سرور محلی دیگر نیز پیاده کرد.
گزارشی که اولویتها را روشن میکند
خروجی این گردشکار یک خلاصه صبحگاهی ساختیافته است که به بخشهایی مانند اولویتها، وظایف در انتظار انجام، کارهایی که منتظر پاسخ دیگران است و جلساتی که نیاز به آمادهسازی دارند تقسیم میشود. برای هر مورد نیز زمینه (Context) و پیوندی به منبع اصلی ارائه میشود تا کاربر بتواند مستقیماً ایمیل یا وظیفه مربوط را باز کند.
- جمعآوری اطلاعات از چند اپلیکیشن در یک گزارش واحد
- تشخیص تعهدات و درخواستهای حلنشده که در فهرست وظایف ثبت نشدهاند
- ادغام بهروزرسانیهای مرتبط با یک پروژه بهجای فهرست کردن پیامهای پراکنده
- آمادهسازی زمینه لازم برای جلسات از ایمیلها، اسناد و گفتوگوهای پیشین
- فیلتر کردن خبرنامهها و اعلانهای خودکار (Automated Updates) برای تمرکز بر درخواستها و مهلتهای واقعی
چرا این روش از خلاصهسازی معمول مفیدتر است
بسیاری از ابزارهای خلاصهسازی هوش مصنوعی فقط متن را کوتاه میکنند؛ اما این گردشکار به دنبال تعهدات، مهلتهای نزدیک، درخواستهای بیپاسخ و مواردی است که به توجه کاربر نیاز دارد. برای نمونه، اگر در Slack درخواست بازبینی یک صفحه محصول مطرح شود و کاربر فراموش کند آن را در Asana ثبت کند، مدل میتواند آن تعهد را از گفتوگو استخراج و در گزارش صبحگاهی کنار وظایف زمانبندیشده قرار دهد.
در مورد جلسات نیز تقویم فقط زمان شروع را نشان میدهد، در حالی که زمینه اصلی در ایمیلها، اسناد یا گفتوگوهای قبلی قرار دارد. این گزارش میتواند اطلاعات مرتبط را کنار هم بگذارد و مشخص کند پیش از ورود به جلسه چه موضوعاتی باید بررسی شوند. همچنین میتواند میان کارهایی که باید انجام شوند و کارهایی که منتظر پاسخ دیگران هستند تفاوت قائل شود.
کاربردهای دیگر برای مدل محلی
پس از این تجربه، میتوان وظایف تکراری دیگری را نیز به یک مدل زبانی محلی سپرد. برای مثال، یک دستیار پژوهشی میتواند انتشارهای GitHub، وبلاگهای توسعهدهندگان و خوراکهای RSS مرتبط را پایش کند، اعلانهای روتین را کنار بگذارد و چند پروژه یا تحول جالب را پیشنهاد دهد. همچنین میتوان دادههای فروش یک فروشگاه آنلاین مانند درآمد روزانه، نرخ تبدیل و مرجوعیها را جمعآوری کرد و از مدل برای شناسایی تغییرات غیرعادی و تهیه گزارش استفاده کرد.
یکی دیگر از مزیتهای استنتاج محلی (Local Inference) کنترل بیشتر بر نحوه پردازش اطلاعات است. دادهها لازم نیست به یک ارائهدهنده ابری فرستاده شوند و هزینه API به ازای هر درخواست نیز در هر بار اجرای اتوماسیون مطرح نمیشود. به گفته کاربر، همین موضوع انگیزهای برای واگذاری کارهای بیشتر به Qwen و کاهش وابستگی به پنجره چت بوده است.