فارسی برای مدل‌های زبانی «زبان دوم» است: پشتیبانی می‌شود، اما با ظرافت‌هایی که کاربر انگلیسی نمی‌شناسد — توکن‌بندی پرهزینه‌تر، خروجی‌هایی که در محیط‌های چپ‌به‌راست به‌هم می‌ریزند و اختلاف کیفیت بین مدل‌ها که در فارسی محسوس‌تر است. این مطلب دام‌های واقعی کار با فارسی را یکی‌یکی باز می‌کند و برای هر دام، راه‌حل عملی می‌دهد؛ مخصوصاً برای دو گروه: کسانی که محتوای فارسی تولید می‌کنند و برنامه‌نویسانی که در کد با متن فارسی سروکار دارند.
دام اول: توکن‌بندی پرهزینه و تأثیرش بر هزینه و سقف
فارسی به‌طور متوسط ۱/۵ تا ۲ برابر هم‌ارز انگلیسی‌اش توکن مصرف می‌کند — چون توکنایزرها روی متن انگلیسی بهینه شده‌اند و واژه‌های فارسی را به تکه‌های بیشتری می‌شکنند. پیامد دوگانه دارد: هزینه‌ی گفتگوی فارسی بالاتر است و پنجره‌ی زمینه زودتر پر می‌شود. راه‌حل‌ها: بودجه را فارسی حساب کنید نه انگلیسی؛ تاریخ گفتگو را منظم نگه دارید و برای موضوع جدید گفتگوی تازه باز کنید؛ و پرامپت سیستم را حتی‌الامکان فشرده بنویسید. جزئیات محاسبه در مطلب توکن چیست.
دام دوم: کیفیت مدل‌ها در فارسی یک‌سان نیست
در انگلیسی، مدل‌های بزرگ به هم نزدیک‌اند؛ در فارسی فاصله‌ها بازتر است — روانی جمله، طبیعی‌بودن تعبیرها و رعایت نشانه‌گذاری فارسی (ویرگول، نیم‌فاصله) بین مدل‌ها فرق واقعی دارد. راه‌حل: قبل از انتخاب مدل برای محتوای فارسی، یک تست کوچک فارسی بدهید — سه سبک: رسمی، خودمانی، تبلیغاتی — و خروجی‌ها را کنار هم بگذارید؛ همین تست یک‌ساعته از رتبه‌بندی‌های بین‌المللی قابل‌اعتمادتر است. در راهنمای انتخاب مدل این چرخه را کامل‌تر توضیح داده‌ایم.
دام سوم: پرامپت فارسی یا انگلیسی؟
سؤال رایج: برای خروجی فارسی، دستور را هم فارسی بدهم یا انگلیسی؟ تجربه‌ی عملی و منطق ماجرا: مدل‌های جدید در فهم دستور فارسی قوی‌اند و نتیجه تفاوت بزرگی ندارد؛ اما دو ظرافت هست. برای دستورهای پیچیده‌ی فنی — قالب JSON، قواعد صریح — ترکیب مؤثر این است: دستورهای ساختاری به انگلیسی، خواسته‌ی محتوایی به فارسی؛ مدل هر دو را به خوبی می‌فهمد. و در همه‌ی حالت‌ها، نمونه‌ی خروجی فارسی بدهید — یک نمونه‌ی دقیق از سبک و نگارشی که می‌خواهید، بیشتر از ده جمله‌ی توضیح اثر دارد.
دام چهارم: RTL و اعداد در خروجی‌های فنی
برنامه‌نویس‌ها این را خوب می‌شناسند: متن فارسی داخل کد — در UI، پیام خطا، ایمیل قالبی — در ادیتورها و لاگ‌ها به‌هم می‌ریزد؛ چون ابزارها راست‌به‌چپ را درست نمی‌چینند. راه‌حل‌ها: متن فارسی را از منطق کد جدا کنید (فایل‌های i18n یا ثابت‌های جدا)؛ در وب، direction و فونت فارسی را روی عنصر متن ست کنید نه کل صفحه؛ و برای خروجی مدل، جاهایی که «فقط متن» لازم است جدا از جاهایی که «ساختار» لازم است بگیرید — نگذارید مدل HTML با کلاس‌های راست‌به‌چپ «خلاقیت» به خرج دهد؛ ساختار را شما بدهید، متن را مدل.
نکته‌ی مرتبط: اعداد. مدل گاهی ارقام فارسی می‌دهد گاهی انگلیسی؛ اگر یکدستی مهم است، صریح بگویید: «همه‌ی اعداد را با ارقام فارسی (۱۲۳) بنویس» یا برعکس — و در خروجی‌های فنی همیشه انگلیسی بخواهید چون پارس می‌شوند.
دام پنجم: نیم‌فاصله و نگارش درست
نیم‌فاصله — «می‌شود» نه «می شود» — بزرگ‌ترین نشانگر کیفیت متن فارسی است و مدل‌ها در آن یک‌سان نیستند. سه راه‌حل عملی: در پرامپت صریحاً «با نیم‌فاصله‌ی استاندارد یونیکد (U+200C) بنویس»؛ در خروجی‌های حساس، پس‌پردازش ساده‌ی جایگزینی فاصله‌های غلط بعد از پیشوندها و پسوندهای رایج؛ و برای ابزارهای همیشگی، یک نمونه‌ی نگارشی در پرامپت سیستم بگذارید که مدل از روی آن الگو بگیرد.
جمع‌بندی
کار با فارسی در مدل‌های زبانی، نه ممنوع است و نه دردسر بی‌راه‌حل: توکن بیشتر را در بودجه ببینید، مدل را با تست فارسی خودتان انتخاب کنید، دستور را آزاد و ساختار را صریح بدهید، RTL و اعداد را از کد جدا کنید و نیم‌فاصله را صریح بخواهید. این پنج عادت، تفاوت بین «فارسیِ به‌هم‌ریخته» و «فارسیِ حرفه‌ای» در خروجی هوش مصنوعی است — و همان چیزی است که محتوای فارسی شما را در میان خروجی‌های ماشینی متمایز می‌کند.