گزارش ۶۰ صفحه‌ای روی میز مانده و جلسهٔ فردا صبح منتظر شما نمی‌ماند. چند پیوست هم کنار آن دارید؛ یک فایل Word از واحد حقوقی، یک Excel از فروش و چند اسلاید که مدیر قبلی فرستاده است. خلاصه کردن PDF با هوش مصنوعی در چنین وضعی قرار نیست جای خواندن شما را بگیرد، اما میتواند مسیر خواندن را کوتاه‌تر و منظم‌تر کند.
در این راهنما می‌بینید وقتی فایل را داخل چت گیسو می‌فرستید چه اتفاقی می‌افتد، چه مدلی برای سندهای بلند مناسب‌تر است، چه درخواست‌هایی نتیجهٔ قابل‌استفاده می‌دهند و کجا باید با دقت بیشتری عددها و نقل‌قول‌ها را بررسی کنید.
وقتی فایل را به چت می‌فرستید، متن آن وارد گفت‌وگو میشود
در چت گیسو، فایل فقط یک پیوست تزئینی نیست. وقتی از مسیر «+» و «افزودن فایل» یک سند می‌فرستید، متن فایل استخراج میشود و همراه پیام شما به مدل می‌رسد. به همین دلیل، مدل‌های متنی هم میتوانند محتوای PDF، Word، Excel، PowerPoint، فایل‌های متنی و فایل‌های کدنویسی را بخوانند.
این نکته روی هزینه و کیفیت اثر مستقیم دارد. متن استخراج‌شده به‌عنوان ورودی حساب میشود و واحدهای متن (token) مصرف می‌کند. یک گزارش بلند با جدول‌ها و پیوست‌های زیاد، پیام سنگین‌تری می‌سازد. پس بهتر است قبل از ارسال، صفحه‌های غیرضروری، نسخه‌های تکراری و پیوست‌هایی را که به پرسش شما ربط ندارند حذف کنید.
محدودیت عملی را هم از اول در نظر بگیرید: هر فایل میتواند تا ۲۰ مگابایت باشد و در هر پیام میتوانید تا ۶ فایل بفرستید. از فایل خیلی حجیم، مثل یک کتاب کامل، فقط بخش اول متن به مدل می‌رسد؛ چنین سندی را فصل‌به‌فصل بفرستید. اگر سند شما طولانی است، مدل‌هایی را انتخاب کنید که پنجرهٔ زمینه (Context Window) بزرگ‌تری دارند؛ یعنی میتوانند متن بیشتری را در یک گفت‌وگو نگه دارند. برای مقایسهٔ اندازهٔ پنجرهٔ زمینه در مدل‌ها، راهنمای پنجرهٔ زمینه در مدل‌های هوش مصنوعی کمک می‌کند انتخاب دقیق‌تری داشته باشید.
خلاصه کردن PDF با هوش مصنوعی در گیسو را قدم‌به‌قدم انجام دهید
- وارد چت شوید. از اپلیکیشن گیسو وارد بخش چت شوید. اگر سند کاری یا دانشگاهی دارید، یک گفت‌وگوی جدا برای همان پرونده بسازید تا پاسخ‌ها و فایلها کنار هم بمانند.
- فایل را اضافه کنید. دکمهٔ «+» را بزنید و «افزودن فایل» را انتخاب کنید. PDF، Word، Excel، PowerPoint، فایل متنی یا فایل کد را بفرستید. اگر چند سند به هم مربوط‌اند، میتوانید همان‌جا چند فایل را در یک پیام قرار دهید.
- مدل مناسب را انتخاب کنید. برای سندهای بلند، سراغ مدل‌هایی با پنجرهٔ زمینهٔ بزرگ بروید. در کتابخانهٔ مدل‌ها و قیمت آن‌ها میتوانید فهرست کامل را ببینید. برای نمونه،
gpt-5-miniوgpt-5پنجرهٔ زمینهٔ بزرگی دارند و مدل‌هایی مثلgpt-5.5،gemini-3.8-flash،openrouter/anthropic/claude-sonnet-5وdeepseek-v4-proبرای متن‌های بسیار بلند مناسب‌ترند. - درخواست را دقیق بنویسید. به‌جای «خلاصه کنید»، بگویید خلاصه را برای چه کسی، با چه قالبی و برای چه تصمیمی می‌خواهید. اگر شمارهٔ صفحه، نقل‌قول، جدول یا فهرست ریسک لازم دارید، همان را در پیام بیاورید.
اگر فقط می‌خواهید یک گزارش را سریع غربال کنید، اول خلاصهٔ کوتاه بخواهید. اگر سند مهم است، در پیام بعدی از مدل بخواهید برای هر ادعا نقل‌قول و محل تقریبی در سند بیاورد.
پنج درخواست آماده برای خلاصه‌های متفاوت بگیرید
خلاصهٔ خوب همیشه یک شکل ندارد. خلاصه‌ای که برای مرور مقاله می‌خواهید، با خلاصه‌ای که برای جلسهٔ مدیرعامل می‌نویسید فرق دارد. نمونه‌های زیر را میتوانید کپی کنید و فقط نام سند، مخاطب و قالب را تغییر دهید.
خلاصهٔ یک‌پاراگرافی برای فهم سریع
مخاطب من کسی است که موضوع را می‌شناسد، اما وقت خواندن سند را ندارد.
در خلاصه فقط مسئلهٔ اصلی، نتیجهٔ مهم و پیشنهاد نهایی را بیاورید.
از عبارت‌های کلی مثل «این گزارش به بررسی می‌پردازد» استفاده نکنید.
این نوع خلاصه برای شروع چت با PDF مناسب است. بعد از آن میتوانید روی بخشهای مهم‌تر زوم کنید؛ مثلاً بپرسید «کدام بخش برای تصمیم خرید مهم‌تر است؟» یا «کدام فرض در گزارش ضعیف‌تر به نظر می‌رسد؟»
نکته‌های کلیدی همراه با نقل‌قول
برای هر نکته، اگر شمارهٔ صفحه یا نشانهٔ بخش در متن دیده میشود، آن را بنویسید.
برای هر نکته یک نقل‌قول کوتاه از متن بیاورید.
اگر محل دقیق را پیدا نکردید، با عبارت «محل دقیق نامشخص» مشخص کنید.
این درخواست برای گزارش‌های طولانی و مقاله‌های دانشگاهی کاربردی است. در خلاصه‌سازی مقاله با هوش مصنوعی بهتر است از مدل بخواهید روش پژوهش، داده‌ها، یافته‌ها و محدودیت‌ها را جدا کند. اگر روی پایان‌نامه یا مقاله کار می‌کنید، راهنمای مرور منابع با هوش مصنوعی ایده‌های بیشتری برای پرسیدن از مقاله‌ها می‌دهد.
خلاصهٔ مدیریتی برای تصمیم‌گیری
قالب پاسخ:
۱. تصمیمی که باید گرفته شود
۲. گزینه‌های روی میز
۳. عددهای مهم و فرض‌های پشت آن‌ها
۴. ریسک‌های حقوقی، مالی یا اجرایی
۵. پیشنهاد شما با دلیل
اگر عددی می‌آورید، بگویید از کدام بخش سند برداشت شده است.
این قالب برای جلسه‌ها، پیشنهادهای فروش، گزارش مالی و پرونده‌های داخلی خوب کار می‌کند. مزیت آن این است که مدل را مجبور می‌کند از «خلاصهٔ ادبی» فاصله بگیرد و به تصمیم، عدد و ریسک برسد.
جدول برای قرارداد، پروپوزال یا صورت‌جلسه
ستونها: طرف‌ها، تاریخ‌های مهم، تعهدهای طرف اول، تعهدهای طرف دوم، مبلغ‌ها و پرداخت‌ها، جریمه‌ها، شرایط فسخ، ابهام‌ها.
اگر بخشی در سند نیست، بنویسید «در متن پیدا نشد».
بعد از جدول، ۵ سؤال بنویسید که قبل از امضا باید از طرف مقابل بپرسم.
جدول برای قراردادها و پیشنهادها خواندن را بسیار ساده‌تر می‌کند. مراقب باشید «در متن پیدا نشد» را به معنی نبود قطعی بند نگیرید. اگر سند مهم است، همان بخش را خودتان هم جست‌وجو کنید.
پرسش و پاسخ برای درس خواندن
پرسش‌ها را از ساده به دشوار بچینید.
۵ پرسش آخر تحلیلی باشد، نه حفظی.
بعد از هر پاسخ، یک جمله بنویسید که چرا این نکته مهم است.
این قالب برای دانشجوها و کارمندانی که باید یک سند آموزشی را سریع یاد بگیرند مفید است. اگر پاسخ‌ها خیلی کلی شد، از مدل بخواهید فقط از فصل یا اسلاید مشخصی سؤال بسازد.
دو فایل را کنار هم بگذارید و تفاوت‌ها را بیرون بکشید
گاهی مسئله خلاصه کردن نیست؛ باید بفهمید نسخهٔ جدید قرارداد چه تغییری کرده یا دو پیشنهاد پیمانکار چه فرقی دارند. در این حالت هر دو فایل را در یک پیام بفرستید و از مدل بخواهید مقایسه را به بخشهای تصمیم‌ساز محدود کند.
فایل اول نسخهٔ قبلی قرارداد است و فایل دوم نسخهٔ جدید.
تغییرها را در جدول بنویسید: موضوع تغییر، متن یا مضمون قبلی، متن یا مضمون جدید، اثر احتمالی برای ما، میزان اهمیت از ۱ تا ۵.
فقط تغییرهای مهم را بیاورید و در پایان ۷ سؤال برای مذاکره بنویسید.
برای مقایسهٔ پروپوزال‌ها هم همین قالب جواب می‌دهد. فقط ستونها را عوض کنید: دامنهٔ کار، زمان‌بندی، هزینهٔ نسبی، تعهدهای پشتیبانی، ریسک اجرا و ابهام‌ها. اگر فایلها طولانی‌اند، درخواست کنید ابتدا فهرست تفاوت‌های مهم را بدهد و بعد وارد جزئیات شود.
تحلیل فایل Excel با هوش مصنوعی را با کنترل عددها انجام دهید
وقتی فایل Excel را می‌فرستید، مدل میتواند جدول‌ها را بخواند، ستونها را توضیح دهد، روندها را پیدا کند و از داده‌ها روایت بسازد. برای نمونه میتوانید بپرسید فروش کدام دسته افت کرده، کدام ماه غیرعادی است یا کدام مشتری بیشترین تأخیر در پرداخت را دارد.
اول ساختار فایل را توضیح دهید: نام ستونها، معنی احتمالی هر ستون و بازهٔ داده‌ها.
بعد ۵ روند مهم پیدا کنید و برای هر روند بگویید از کدام ستونها استفاده کرده‌اید.
اگر عددی محاسبه می‌کنید، فرمول یا روش محاسبه را قدم‌به‌قدم بنویسید.
در پایان بگویید کدام نتیجه‌ها نیاز به بررسی دستی دارند.
برای تحلیل فایل Excel با هوش مصنوعی، روی تفسیر و پیدا کردن الگو حساب کنید، اما محاسبات حساس را بررسی کنید. مدل ممکن است در جمع، درصد تغییر یا میانگین خطا کند؛ مخصوصاً وقتی جدول بزرگ یا نامنظم است. از برگه‌های خیلی بزرگ هم فقط چند هزار ردیف اول به مدل می‌رسد؛ برای تحلیل کل داده، اول در Excel یک جدول خلاصه (Pivot Table) بسازید و همان را بفرستید. از او بخواهید روش محاسبه را نشان دهد و برای عددهای مهم، همان فرمول را در صفحهگسترده اجرا کنید.
| کار | درخواست مناسب از مدل | کنترل دستی |
|---|---|---|
| پیدا کردن روند فروش | روندها و ماه‌های غیرعادی را توضیح دهید | نمودار و فیلتر ماهانه |
| محاسبهٔ درصد رشد | فرمول محاسبه را مرحله‌به‌مرحله بنویسید | فرمول در Excel |
| پاک‌سازی داده | ستون‌های مشکوک و مقدارهای خالی را فهرست کنید | مرتب‌سازی و فیلتر |
PDF اسکنشده را مثل عکس بفرستید
همهٔ PDFها متن قابل استخراج ندارند. بعضی فایلها فقط عکس صفحهها هستند؛ مثل اسکن قرارداد، جزوهٔ قدیمی یا نامهٔ مهرشده. در این حالت، متن لایهٔ جداگانه ندارد و مدل متنی چیزی برای خواندن پیدا نمی‌کند.
برای این فایلها، صفحهها را به‌صورت تصویر بفرستید و مدلی انتخاب کنید که تصویر را می‌خواند؛ مثل gpt-5-mini، gemini-3.8-flash یا openrouter/anthropic/claude-sonnet-5. اگر چند صفحه دارید، اول صفحه‌های مهم را جدا کنید. عکس تار، کج یا کم‌نور دقت را پایین می‌آورد.
اول متن قابل خواندن را با حفظ تیترها بازنویسی کنید.
بعد نکته‌های مهم، تاریخ‌ها، نام‌ها و عددها را جداگانه فهرست کنید.
اگر بخشی ناخواناست، حدس نزنید و بنویسید «ناخوانا».
دقت، حریم خصوصی و هزینه را قبل از ارسال سند مهم بسنجید
برای سندهای کاری و دانشگاهی، پاسخ زیبا کافی نیست. از مدل بخواهید برای ادعاهای مهم نقل‌قول کوتاه، شمارهٔ صفحه یا نشانهٔ بخش بیاورد. بعد چند مورد را خودتان با متن اصلی تطبیق دهید. این کار وقت کمی می‌گیرد، اما جلوی تصمیم‌گیری بر پایهٔ برداشت نادرست را می‌گیرد.
مدل‌ها گاهی با اطمینان جمله‌ای می‌نویسند که در سند نیست یا عددی را اشتباه ترکیب می‌کنند. اگر این موضوع برای شما تازه است، راهنمای توهم هوش مصنوعی کمک می‌کند بفهمید چه زمانی باید شک کنید و چطور پاسخ را راستی‌آزمایی کنید.
در چت گیسو، تاریخچهٔ گفت‌وگو و پیوست‌ها ذخیره می‌شوند؛ چون محصول چت با سابقهٔ مکالمه است. متن پیام و فایل هم برای ساختن پاسخ به سازندهٔ همان مدل (مثل OpenAI یا Google) فرستاده میشود و سیاست نگهداری خود او هم اعمال میشود. سندی را که حاضر نیستید در یک سرویس آنلاین نگه دارید، بدون فکر بارگذاری نکنید. برای متن‌های محرمانه، بخشهای غیرضروری را حذف یا ناشناس‌سازی کنید.
هزینهٔ خلاصه‌سازی به مدل، حجم متن و طول پاسخ بستگی دارد. یک PDF پنجاه‌صفحه‌ای با متن فشرده، ورودی بیشتری نسبت به یک اسلاید کوتاه مصرف می‌کند. جدول زیر هزینهٔ تقریبی چند کار رایج را با مدل‌های مختلف نشان می‌دهد و با قیمت‌های روز به‌روزرسانی میشود.
| مدل | جواب یک پیام پشتیبانی | ترجمهٔ ۱۰۰۰ کلمه انگلیسی به فارسی | نوشتن یک مقالهٔ ۱۵۰۰ کلمه‌ای فارسی | خلاصهٔ یک PDF پنجاه‌صفحه‌ای | توضیح ۲۰۰ محصول فروشگاه | ۱۰۰۰ گفت‌وگوی پشتیبانی در ماه |
|---|---|---|---|---|---|---|
| DeepSeek Flash DeepSeek | ۳۰۵ سکه | ۱٬۵۲۵ سکه | ۲٬۱۴۶ سکه | ۴٬۴۰۵ سکه | ۵۱٬۹۵۲ سکه | ۶۰۹٬۸۶۶ سکه |
| Kimi K2.7 Code Moonshot (Kimi) | ۸۲۸ سکه | ۴٬۵۴۹ سکه | ۶٬۴۷۸ سکه | ۱۱٬۰۴۲ سکه | ۱۵۴٬۳۶۹ سکه | ۱٬۶۵۵٬۱۰۸ سکه |
| Gemini 3.8 Flash Google Gemini | ۸۴۸ سکه | ۴٬۶۵۹ سکه | ۶٬۶۳۶ سکه | ۱۱٬۲۹۴ سکه | ۱۵۸٬۱۱۴ سکه | ۱٬۶۹۴٬۰۷۰ سکه |
| DeepSeek V4 Pro DeepSeek | ۱٬۱۹۳ سکه | ۵٬۲۱۸ سکه | ۷٬۲۰۶ سکه | ۱۸٬۸۸۴ سکه | ۱۷۸٬۸۹۴ سکه | ۲٬۳۸۵٬۲۵۱ سکه |
| Claude Haiku 4.5 Anthropic | ۱٬۲۳۵ سکه | ۶٬۷۸۸ سکه | ۹٬۶۶۷ سکه | ۱۶٬۴۵۵ سکه | ۲۳۰٬۳۵۶ سکه | ۲٬۴۶۸٬۰۹۹ سکه |
| Grok 4.7 xAI (Grok) | ۱٬۹۷۵ سکه | ۸٬۶۳۹ سکه | ۱۱٬۹۳۰ سکه | ۳۱٬۲۶۳ سکه | ۲۹۶٬۱۷۲ سکه | ۳٬۹۴۸٬۹۵۸ سکه |
| Gemini 4 Argon Google Gemini | ۲٬۲۵۹ سکه | ۱۲٬۴۲۴ سکه | ۱۷٬۶۹۴ سکه | ۳۰٬۱۱۷ سکه | ۴۲۱٬۶۳۶ سکه | ۴٬۵۱۷٬۵۲۰ سکه |
| GPT-5.6 Sol OpenAI | ۴٬۵۱۸ سکه | ۲۴٬۸۴۷ سکه | ۳۵٬۳۸۸ سکه | ۶۰٬۲۳۴ سکه | ۸۴۳٬۲۷۱ سکه | ۹٬۰۳۵٬۰۴۰ سکه |
| Claude Opus 5.5 Anthropic | ۴٬۹۳۷ سکه | ۲۷٬۱۵۰ سکه | ۳۸٬۶۶۸ سکه | ۶۵٬۸۱۶ سکه | ۹۲۱٬۴۲۴ سکه | ۹٬۸۷۲٬۳۹۵ سکه |
| GPT-6 Astra OpenAI | ۱۱٬۲۹۴ سکه | ۶۲٬۱۱۶ سکه | ۸۸٬۴۶۹ سکه | ۱۵۰٬۵۸۴ سکه | ۲٬۱۰۸٬۱۷۶ سکه | ۲۲٬۵۸۷٬۶۰۰ سکه |
هر ستون با یک برآورد ثابت از حجم کار حساب شده: جواب یک پیام پشتیبانی (۱٬۵۰۰ توکن ورودی و ۳۰۰ توکن خروجی)، ترجمهٔ ۱۰۰۰ کلمه انگلیسی به فارسی (۱٬۵۰۰ توکن ورودی و ۳٬۰۰۰ توکن خروجی)، نوشتن یک مقالهٔ ۱۵۰۰ کلمه‌ای فارسی (۱٬۰۰۰ توکن ورودی و ۴٬۵۰۰ توکن خروجی)، خلاصهٔ یک PDF پنجاه‌صفحه‌ای (۳۵٬۰۰۰ توکن ورودی و ۱٬۰۰۰ توکن خروجی)، توضیح ۲۰۰ محصول فروشگاه (۶۰٬۰۰۰ توکن ورودی و ۱۰۰٬۰۰۰ توکن خروجی)، ۱۰۰۰ گفت‌وگوی پشتیبانی در ماه (۳٬۰۰۰٬۰۰۰ توکن ورودی و ۶۰۰٬۰۰۰ توکن خروجی).
مدل‌های استدلالی پیش از جواب فکر می‌کنند و آن فکر هم توکن خروجی حساب میشود؛ هزینهٔ واقعی آن‌ها ممکن است از این جدول بیشتر شود.
به‌روزرسانی: ۱۴۰۵/۰۷/۲۶ ۰۰:۵۱ مبلغ‌ها به سکه، با قیمت امروز همان مدل در گیسو
برای توسعه‌دهنده‌ها، متن را خودتان استخراج کنید و به پیام‌ها بفرستید
اگر در محصول خودتان با API کار می‌کنید، لازم نیست سراغ آموزش‌های سنگین بازیابی از سند بروید، مگر اینکه جست‌وجو در آرشیو بزرگ دارید. برای یک سند مشخص، متن را در سمت سرور استخراج کنید، بخشهای لازم را در پیام کاربر بگذارید و از مدل بخواهید با قالب مشخص پاسخ دهد.
کلید API را در کد سمت کاربر یا اپلیکیشن موبایل قرار ندهید. درخواست‌ها را از سرور خودتان بفرستید و برای قالب پیام‌ها، نقش‌ها و پارامترهای چت، مستندات گفت‌وگو در API گیسو را ببینید. این مسیر برای خلاصه‌سازی سندهای تکی ساده‌تر و قابل‌کنترل‌تر از ساختن سامانهٔ جست‌وجوی کامل است.
برای شروع، یک سند کم‌ریسک انتخاب کنید و فقط یک هدف بنویسید: خلاصهٔ مدیریتی، جدول قرارداد یا پرسش‌های امتحانی. بعد از دیدن پاسخ، درخواست را تنگ‌تر کنید؛ مدل وقتی دقیق‌تر میشود که شما معیار خروجی را روشن‌تر بنویسید.
