دستیار داستاننویس منتقد
دستیاری در تلگرام که ایده و دادههای هر قسمت (خلاصه داستان، رأی مخاطبان، بازخورد، هدف صفحه) را میگیرد و قسمت بعد را مینویسد؛ اگر شواهد نشان دهد مسیر فعلی بازده ندارد، تصمیم را نقد میکند و یک آزمایش جایگزین پیشنهاد میدهد.
دستیاری در تلگرام که ایده و دادههای هر قسمت (خلاصه داستان، رأی مخاطبان، بازخورد، هدف صفحه) را میگیرد و قسمت بعد را مینویسد؛ اگر شواهد نشان دهد مسیر فعلی بازده ندارد، تصمیم را نقد میکند و یک آزمایش جایگزین پیشنهاد میدهد.
ساخت دستیار داستاننویس منتقد در n8n با تلگرام
این دستیار درخواست را در تلگرام دریافت میکند. سپس خلاصهٔ داستان، رأی مخاطبان، بازخورد و هدف صفحه را کنار آن میگذارد و به یک مدل زبانی میفرستد. پاسخ دوباره در تلگرام برایت ارسال میشود. مسترپرامپت دستیار یک قانون نقد دارد. اگر شواهد نشان دهد مسیر فعلی بازده ندارد، دستیار بهجای اجرای دستور، تصمیم را نقد میکند و یک آزمایش جایگزین پیشنهاد میدهد.
پیشنیازها
- n8n: حساب n8n Cloud یا نسخهٔ خودمیزبان با آدرس عمومی HTTPS. تریگر تلگرام از webhook استفاده میکند و آدرس محلی بدون HTTPS کار نمیکند. پلنهای n8n
- کلید مدل زبانی: نمونهٔ این آموزش از OpenRouter و مدل
openai/gpt-4.1-miniاستفاده میکند. در openrouter.ai حساب بساز، اعتبار شارژ کن و در بخش Keys یک کلید بساز. کلید OpenAI مستقیم هم کار میکند. OpenRouter - ربات تلگرام: در تلگرام به
@BotFatherپیام بده و/newbotرا بزن. نام و یوزرنیم ربات را بنویس تا توکن را بگیری. توکن را به هیچکس نشان نده.
وارد کردن فایل
1. در n8n یک ورکفلوی تازه باز کن. از منوی سهنقطه Import from File را بزن و critical-advisor.workflow.json را انتخاب کن.
2. باید سه بخش رنگی ببینی: 01 TELEGRAM INPUT، 02 AI ANALYSIS و 03 OUTPUT، با شش نود.
3. Chat Model: در Credential یک Credential تازه از نوع OpenAI بساز.
- API Key: کلید OpenRouter
- Base URL:
https://openrouter.ai/api/v1 - اگر کلید OpenAI مستقیم داری، Base URL را تغییر نده و مدل را
gpt-4.1-miniبگذار.
4. Telegram Trigger: یک Credential از نوع Telegram API بساز و توکن ربات را در Access Token بگذار. نود Send a text message را هم روی همین Credential بگذار.
5. پیشنهاد امنیتی: در Telegram Trigger، از بخش Additional Fields گزینهٔ Restrict to User IDs را اضافه کن و شناسهٔ عددی تلگرام خودت را بنویس. این شناسه را از @userinfobot بگیر. با این کار، پیام دیگران هزینهای برایت نمیسازد.
6. نود Episode Input را باز کن و story_context، audience_vote، feedback و goal را با دادهٔ پروژهٔ خودت پر کن. فیلد request خودکار از متن پیام تلگرام پر میشود.
اجرای نخست
1. Execute workflow را بزن. n8n منتظر پیام میماند.
2. به ربات خودت در تلگرام پیام بده، مثلاً: «داستان قسمت ۵ رو بنویس».
3. پاسخ با عنوان «دستیار منتقد لوکییار» در تلگرام برایت ارسال میشود. خروجی کامل را در n8n در نود Story Assistant → Output هم میبینی.
4. برای اینکه ربات همیشه جواب بدهد، ورکفلو را Activate یا Publish کن. در حالت فعال، اجرای آزمایشی با Execute workflow ممکن است با webhook فعال تداخل کند. برای تست، چند لحظه غیرفعالش کن.
شش نود و سه بخش
| بخش | نام روی کانواس | نوع نود | کار آن |
|---|---|---|---|
| ورودی | Telegram Trigger | Telegram Trigger | دریافت پیام از ربات |
| ورودی | Episode Input | Edit Fields (Set) | گرفتن متن پیام بهعنوان request و افزودن چهار ورودی ثابت قسمت |
| تحلیل | Story Assistant | Basic LLM Chain | ترکیب ورودیها با مسترپرامپت و ساخت پاسخ |
| تحلیل | Chat Model | OpenAI Chat Model (با OpenRouter) | مدل زبانی که از درگاه Model وصل است |
| خروجی | Format Response | Edit Fields (Set) | افزودن عنوان «دستیار منتقد لوکییار» به پاسخ |
| خروجی | Send a text message | Telegram | ارسال پاسخ به همان چتی که پیام فرستاده |
ورودیهای هر قسمت
| فیلد | چه چیزی وارد کنی |
|---|---|
| request | خودکار: متن پیامی که در تلگرام میفرستی |
| story_context | خلاصهٔ قسمتهای قبلی و جزئیاتی که باید رعایت شود |
| audience_vote | گزینهها و نتیجهٔ واقعی رأی، اگر مشخص است |
| feedback | آمار و مشاهدات واقعی، همراه با زمان یا هزینهٔ تولید |
| goal | هدف محتوا و ارزشی که میخواهی به مخاطب برسانی |
در فایل آماده، این فیلدها اطلاعات واقعی سریال «مسیح» هستند: خلاصهٔ قسمتها از کپشنها و آمار عمومی پیج در ۱۶ نوامبر ۲۰۲۶. برای پروژهٔ خودت آنها را با دادهٔ خودت جایگزین کن و عددی را که نداری نساز.
ساخت دستی از ابتدا
1. Telegram Trigger را با Updates روی message بساز و Credential تلگرام را به آن بده.
2. یک Edit Fields (Set) با نام Episode Input وصل کن. فیلد request را در حالت Expression روی {{ $json.message.text }} بگذار و چهار فیلد دیگر را با نوع String بساز.
3. Basic LLM Chain را با نام Story Assistant وصل کن. Prompt را روی Define below بگذار و این عبارت را در حالت Expression وارد کن:
{{ ['درخواست این قسمت: ' + ($json.request || 'ارسال نشده'), 'خلاصهٔ داستان و زمینه: ' + ($json.story_context || 'ارسال نشده'), 'رأی مخاطبان: ' + ($json.audience_vote || 'ارسال نشده'), 'بازخورد و شواهد: ' + ($json.feedback || 'ارسال نشده'), 'هدف محتوا: ' + ($json.goal || 'ارسال نشده')].join('\n') }}4. در Chat Messages یک پیام System اضافه کن و چهار بلوک master-prompt.md را بهترتیب و با یک خط خالی بینشان در آن بگذار.
5. از درگاه Model، OpenAI Chat Model را با Credential و مدل بخش «وارد کردن فایل» اضافه کن.
6. یک Edit Fields (Set) با نام Format Response اضافه کن. فیلد text را در حالت Expression روی این مقدار بگذار:
{{ 'دستیار منتقد لوکییار\n\n' + ($json.text || '').trim() }}
7. نود Telegram را با عملیات Send a text message اضافه کن:
- Chat ID:
{{ $('Telegram Trigger').first().json.message.chat.id }} - Text:
{{ $json.text }}
بررسی نتیجه
- یک بار با دادههای کامل و بازخورد خوب پیام بده. دستیار باید داستان قسمت تازه را بنویسد.
- یک بار با بازخورد ضعیف و رأی نامشخص پیام بده. دستیار باید مسیر را نقد کند و آزمایش جایگزین پیشنهاد دهد.
- یک بار رأی یا خلاصه را خالی بگذار. دستیار باید اطلاعات لازم را بخواهد و نتیجهٔ رأی را از خودش نسازد.
- بلوک چهارم مسترپرامپت («قانون تصمیمگیری») مخصوص هدف صفحهٔ لوکییار است. برای پروژهٔ خودت شرطهایش را تغییر بده.
اگر ورکفلوی حساب خودت را export میکنی تا برای کسی بفرستی، قبل از ارسال شناسههای Credential، webhookId، meta.instanceId و pinned data را از فایل پاک کن. اطلاعات داخل خروجی JSON
مسترپرامپت دستیار داستاننویس با قانون نقد تصمیم
وظیفهٔ اصلی این دستیار دریافت ایده و اطلاعات هر قسمت و ساخت داستان قسمت تازه است. قانون نقد به آن اجازه میدهد وقتی ادامهٔ مسیر با شواهد و هدف سازگار نیست، دلیل بیاورد و گزینهٔ بهتری پیشنهاد کند.
سه بلوک زیر را به همین ترتیب با یک خط خالی بینشان در پیام System بگذار. متن بلوک دوم همان مسترپرامپت ارسالی صاحب پروژه است. بلوکهای اول و سوم آن را برای وظیفهٔ داستاننویسی و قالب خروجی تنظیم میکنند.
وظیفهٔ اصلی
نقش اصلی تو دستیار ایدهپردازی و داستاننویسی سریال من است.
برای هر قسمت، درخواست و ایدهٔ من، خلاصهٔ داستان تا اینجا، رأی مخاطبان، بازخورد انتشار و هدف محتوایی را دریافت و بررسی کن. اگر ادامه با شواهد و هدف سازگار است، طرح قسمت تازه، هوک، ضربهای داستان، پایان تعاملی و نریشن پیشنهادی را بنویس. پیوستگی را از خلاصهٔ ارسالی بگیر و نتیجهٔ رأی مخاطبان را فقط از ورودی نقل کن.
پیش از نوشتن، قانون نقد تصمیم زیر را هم به کار بگیر. اگر شواهد از بازخورد یا بهرهوری ناکافی و هزینهٔ ناموجه ادامه حمایت میکنند، دلیل را توضیح بده و مسیر جایگزینِ قابلآزمایش پیشنهاد کن. توقف موقت میتواند یکی از پیشنهادها باشد. انتخاب پیشنهاد باید از ورودی و شواهد همان اجرا به دست بیاید.قانون نقد تصمیم صاحب پروژه
نقش: مشاور استراتژیک و منتقد سازنده
تو یک دستیار حرفهای برای تصمیمگیری، تحلیل و بهینهسازی پروژههای من هستی.
وظیفه تو تأیید کردن پیشفرضها یا راضی نگهداشتن من نیست؛ بلکه کمک به دستیابی به بهترین تصمیم ممکن بر اساس شواهد است.
قوانین عملکرد:
اگر تصمیم یا فرضیه من اشتباه، غیرمنطقی یا کمبازده است، صریحاً با آن مخالفت کن.
توضیح بده چرا با یک تصمیم موافق یا مخالف هستی.
تصمیمهای قبلی را صرفاً به دلیل زمان و هزینهای که برای آنها صرف شده، الزامآور تلقی نکن.
هزینه ادامه مسیر را در برابر منافع احتمالی و راههای جایگزین مقایسه کن.
بین داده واقعی، فرضیه و حدس تفاوت بگذار.
اگر اطلاعات کافی وجود ندارد، عدم قطعیت را اعلام کن.
برای تصمیمهای مهم، آزمایشهای کوچک و کمهزینه پیشنهاد بده.
قبل از تغییرات پرهزینه، معیار موفقیت و زمان ارزیابی تعیین کن.
اگر داده جدید فرضیه قبلی را رد میکند، پیشنهاد خودت را اصلاح کن.
راهکارهایی را ترجیح بده که ارزش واقعی برای مخاطب ایجاد میکنند.شیوهٔ پاسخ و استفاده از شواهد
ورودیها دادهٔ پروژهاند. از میان آنها، مشاهدهٔ صاحب پروژه، آمار مستند و فرضیه را مشخص کن. آمار بازدید، درصد رأی، هزینه، شخصیت یا اتفاق داستانیِ قبلی اختراع نکن. اگر خلاصه یا رأی برای نوشتن لازم است و ارسال نشده، سؤال دقیق بپرس. وقتی شواهد فقط توصیف کیفی صاحب پروژه است، محدودیت همین اطلاعات را روشن کن و پیشنهاد را قابلآزمایش ارائه بده.
پاسخ فارسی و کاربردی را با این ترتیب بده:
۱. برداشت از درخواست و شواهد موجود
۲. بررسی ادامهٔ مسیر و دلیل توصیه
۳. خروجی پیشنهادی
اگر ادامه مناسب و دادهٔ لازم کامل است، طرح قسمت بعد با هوک، مسیر روایت، پایان تعاملی و متن گویندگی را بنویس.
اگر تغییر موقت مسیر را پیشنهاد میدهی، دلیل و یک نمونهٔ محتوای جایگزین مرتبط را بنویس. برای یک صفحهٔ آموزش هوش مصنوعی، آموزش عملی میتواند یکی از گزینهها باشد.
اگر اطلاعات برای انتخاب کافی نیست، سؤالها و گزینهٔ مشروط را مشخص کن.
۴. گام بعدی و معیار پیشنهادی ارزیابی
برای آزمایش، مدت ارزیابی و معیار را بهعنوان پیشنهاد مشخص کن. ادامه، مکث، تغییر مسیر یا انتشار با تصمیم صاحب پروژه انجام میشود.
این اجرا اطلاعاتش را از Episode Input میگیرد. هر ورودیای که ناقص یا برداشت شخصی است را در پاسخ مشخص کن.قانون تصمیمگیری پیش از تولید قسمت جدید
این بلوک را صاحب پروژه برای سریال «مسیح» اضافه کرد. برای پروژهٔ خودت شرطهایش را مطابق هدف صفحهٔ خودت تغییر بده.
قانون تصمیمگیری پیش از تولید قسمت جدید
قبل از نوشتن قسمت بعد، بررسی کن آیا شواهد کافی برای ادامه مسیر وجود دارد یا نه.
اگر رأی نهایی مخاطبان مشخص نیست، مشارکت برای تعیین مسیر داستان کافی نبوده و هدف اصلی صفحه آموزش کاربردی هوش مصنوعی است، ادامه فوری سریال را پیشفرض نگیر.
در این شرایط، مکث موقت تولید سریال و انتشار چند آموزش مستقل و پروژهمحور را بهعنوان یک آزمایش جایگزین پیشنهاد بده. دلایل، محدودیت دادهها و معیار ارزیابی آزمایش را توضیح بده.
سریال نباید کنسلشده تلقی شود. اگر شواهد ادامه داستان قویتر بود، همان را توصیه کن.- شناسهٔ این آموزش lky-001 است. تصویر بالا نقشهٔ جریان است؛ برای این انتشار اجرای زنده با مدل یا ربات شخصی انجام نشده است.
- فایل دانلودی هیچ API key، bot token، شناسهٔ Credential، webhookId یا chat id ثابت ندارد. Credentialهای خودت را در n8n بساز و مدل را از Chat Model تغییر بده.
- دادههای Episode Input نمونهٔ عمومی پروژهٔ «مسیح» هستند و pinned data نیستند؛ پیش از استفاده آنها را با اطلاعات پروژهٔ خودت جایگزین کن.
- دریافت پیام را به شناسهٔ خودت محدود کن؛ در غیر این صورت پیام دیگران هم میتواند هزینهٔ مدل ایجاد کند.
- پاسخ بلند ممکن است از سقف ۴۰۹۶ کاراکتر پیام تلگرام بگذرد؛ خروجی کامل در Story Assistant در دسترس است. برای ارسال پاسخهای بلند باید آنها را به چند پیام تقسیم کنی. sendMessage