تولید محتوای منظم برای وب‌سایت، فروشگاه اینترنتی یا وبلاگ به زمان و برنامه‌ریزی نیاز دارد. انتخاب موضوع، تهیه ساختار مقاله، نگارش متن، تولید عنوان سئو و آماده‌سازی محتوا برای انتشار، همگی بخشی از این فرایند هستند.
هوش مصنوعی می‌تواند بسیاری از این مراحل را سریع‌تر کند؛ اما اگر برای هر مقاله مجبور باشید موضوع را دستی وارد کنید، دستور بنویسید، نتیجه را کپی کنید و اطلاعات را در محل دیگری ذخیره کنید، هنوز بخش زیادی از کارها به‌صورت دستی انجام می‌شوند.
اینجاست که n8n کاربرد پیدا می‌کند.
با استفاده از n8n می‌توانید یک Workflow بسازید که موضوع محتوا را دریافت کند، آن را به مدل هوش مصنوعی بفرستد، پیش‌نویس مقاله تولید کند و نتیجه را در یک فایل، پایگاه داده یا سیستم مدیریت محتوا ذخیره کند.
در این آموزش، مرحله‌به‌مرحله یک سیستم ساده تولید محتوا می‌سازیم و سپس روش توسعه آن برای تولید محتوای سئو شده و آماده‌سازی مقالات برای انتشار را بررسی می‌کنیم.
تولید محتوا با هوش مصنوعی و n8n چیست؟
تولید محتوا با هوش مصنوعی به استفاده از مدل‌های زبانی برای تهیه پیش‌نویس متن، عنوان، توضیحات، ساختار مقاله و سایر خروجی‌های متنی گفته می‌شود.
n8n نیز ابزاری برای اتصال سرویس‌ها و خودکارسازی فرایندهاست. با ترکیب این دو می‌توانید مراحل مختلف تولید محتوا را در یک Workflow قرار دهید.
برای مثال، یک فرایند تولید مقاله می‌تواند شامل این مراحل باشد:
- دریافت موضوع مقاله
- تعیین مخاطب و هدف محتوا
- تولید عنوان و ساختار پیشنهادی
- نگارش پیش‌نویس مقاله
- تولید عنوان سئو و متا دیسکریپشن
- بررسی خروجی و تکمیل اطلاعات
- ذخیره پیش‌نویس برای بازبینی انسانی
در این ساختار، هوش مصنوعی محتوای اولیه را تولید می‌کند و n8n مسئول اجرای مراحل، انتقال داده‌ها و مدیریت فرایند است.
نکته مهم این است که تولید خودکار متن با انتشار خودکار و بدون بررسی تفاوت دارد. برای تولید محتوای باکیفیت، به‌ویژه محتوای آموزشی و تخصصی، باید صحت اطلاعات، کیفیت نگارش و ارزش واقعی متن برای مخاطب بررسی شود.
چرا از n8n برای تولید محتوا استفاده کنیم؟
استفاده از n8n می‌تواند فرایند تولید محتوا را منظم‌تر و تکرارپذیرتر کند.
مهم‌ترین کاربردهای این روش عبارت‌اند از:
- تولید پیش‌نویس مقاله بر اساس موضوع مشخص
- تهیه عنوان و توضیحات متا
- تولید ساختار و تیترهای مقاله
- تولید توضیحات محصولات فروشگاه اینترنتی
- آماده‌سازی پست‌های شبکه‌های اجتماعی
- خلاصه‌سازی و بازنویسی کنترل‌شده متن
- ذخیره محتوا در پایگاه داده یا فایل
- انتقال محتوا به سیستم مدیریت محتوا
- اجرای فرایند تولید محتوا در زمان‌های مشخص
برای مثال، می‌توانید فهرستی از موضوعات مقالات را در یک جدول نگهداری کنید و Workflow را طوری طراحی کنید که هر بار یک موضوع را بردارد و پیش‌نویس آن را تولید کند.
این روش به‌ویژه برای سایت‌هایی مفید است که تقویم محتوایی مشخص دارند و می‌خواهند فرایند تولید پیش‌نویس را استاندارد کنند.
پیش‌نیازهای ساخت سیستم تولید محتوا
برای اجرای این آموزش به موارد زیر نیاز دارید:
- یک نمونه فعال از n8n.
- دسترسی به یک مدل هوش مصنوعی از طریق گره اختصاصی یا API.
- یک ورودی برای دریافت موضوع مقاله.
- گره‌هایی برای پردازش و ذخیره خروجی.
- در صورت نیاز، یک محل ذخیره‌سازی مانند پایگاه داده، Google Sheets یا سیستم مدیریت محتوا.
در این آموزش از Webhook به‌عنوان ورودی استفاده می‌کنیم. بنابراین، می‌توانید با ارسال یک درخواست، موضوع مقاله و اطلاعات تکمیلی را در اختیار Workflow قرار دهید.
مرحله اول: طراحی Workflow تولید محتوا
ابتدا ساختار کلی فرایند را مشخص می‌کنیم:
Webhook → Prepare Input → AI Content Generation → Validate Output → Save Draft
وظیفه هر بخش به این صورت است:
- Webhook: دریافت موضوع و اطلاعات مقاله
- Prepare Input: آماده‌سازی ورودی و بررسی فیلدهای موردنیاز
- AI Content Generation: تولید پیش‌نویس با مدل هوش مصنوعی
- Validate Output: بررسی کامل بودن و ساختار خروجی
- Save Draft: ذخیره محتوا برای بازبینی یا انتشار بعدی
در نسخه اولیه، مقاله را فقط تولید و خروجی آن را بررسی می‌کنیم. پس از اطمینان از عملکرد صحیح Workflow، می‌توانیم مرحله ذخیره‌سازی یا اتصال به CMS را اضافه کنیم.
مرحله دوم: دریافت موضوع مقاله با Webhook
در n8n یک Workflow جدید ایجاد کنید و گره Webhook را به آن اضافه کنید.
تنظیمات کلی را به شکل زیر در نظر بگیرید:
- HTTP Method: POST
- Path:
generate-content - Response: متناسب با روش پاسخ‌دهی موردنیاز شما
در زمان توسعه می‌توانید از Test URL استفاده کنید. برای استفاده واقعی، Workflow باید فعال باشد و درخواست‌ها به Production URL ارسال شوند.
اکنون یک موضوع آزمایشی برای Workflow ارسال می‌کنیم.
نمونه بدنه درخواست:
{
"topic": "آموزش اتصال API به لاراول",
"audience": "برنامه‌نویسان مبتدی",
"language": "fa",
"content_type": "tutorial",
"target_length": "medium",
"main_keyword": "اتصال API به لاراول"
}
در این ورودی، علاوه بر موضوع، مخاطب هدف، زبان محتوا، نوع مقاله و کلمه کلیدی اصلی نیز مشخص شده است.
وجود این اطلاعات باعث می‌شود خروجی مدل هدفمندتر باشد. اگر فقط موضوع را ارسال کنید، مدل باید درباره مخاطب، سطح آموزش و ساختار محتوا تصمیم‌های بیشتری بگیرد که ممکن است با نیاز شما هماهنگ نباشند.
پس از اجرای Webhook، خروجی آن را بررسی کنید تا مسیر واقعی هر فیلد مشخص شود.
مرحله سوم: آماده‌سازی ورودی برای مدل
پیش از ارسال اطلاعات به هوش مصنوعی، بهتر است بررسی کنید که فیلدهای ضروری وجود داشته باشند.
برای مثال:
- موضوع مقاله نباید خالی باشد.
- زبان محتوا باید مشخص باشد.
- کلمه کلیدی اصلی در صورت نیاز تعیین شده باشد.
- طول مقاله در محدوده قابل قبول قرار داشته باشد.
می‌توانید این بررسی‌ها را با گره IF یا گره‌های پردازش داده انجام دهید.
اگر موضوع مقاله خالی باشد، بهتر است Workflow با یک پیام خطای مشخص متوقف شود، نه اینکه از مدل بخواهد مقاله‌ای بدون موضوع تولید کند.
همچنین اگر موضوع یا متن ورودی از کاربران دریافت می‌شود، طول ورودی را محدود کنید تا درخواست‌های بسیار بزرگ باعث مصرف غیرضروری منابع یا افزایش هزینه API نشوند.
مرحله چهارم: اتصال مدل هوش مصنوعی
اکنون گره مدل هوش مصنوعی را به Workflow اضافه کنید.
بسته به سرویس مورد استفاده، می‌توانید از گره اختصاصی آن سرویس یا از HTTP Request برای فراخوانی API استفاده کنید.
در گره انتخابی، اطلاعات اتصال و مدل را طبق مستندات سرویس تنظیم کنید. کلید API را در Credentialهای n8n نگهداری کنید و آن را مستقیماً در Prompt یا داده‌های خروجی قرار ندهید.
در مرحله بعد، دستور تولید محتوا را به مدل می‌دهیم.
نمونه Prompt برای تولید مقاله
متن زیر یک الگوی اولیه برای تولید پیش‌نویس مقاله است:
تو یک نویسنده حرفه‌ای محتوای آموزشی به زبان فارسی هستی.
بر اساس اطلاعات ورودی، یک پیش‌نویس مقاله آموزشی تولید کن.
اطلاعات ورودی:
- موضوع: {{ $json.body.topic }}
- مخاطب هدف: {{ $json.body.audience }}
- زبان: {{ $json.body.language }}
- نوع محتوا: {{ $json.body.content_type }}
- طول هدف: {{ $json.body.target_length }}
- کلمه کلیدی اصلی: {{ $json.body.main_keyword }}
قواعد نگارش:
1. مقاله باید متناسب با سطح مخاطب نوشته شود.
2. مقدمه باید مسئله مخاطب و هدف مقاله را روشن کند.
3. ساختار مقاله باید شامل عنوان، مقدمه، تیترهای اصلی،
توضیحات کاربردی و جمع‌بندی باشد.
4. از تکرار غیرضروری کلمات کلیدی خودداری کن.
5. اطلاعات فنی را بدون اطمینان به‌عنوان واقعیت قطعی مطرح نکن.
6. اگر برای ارائه یک ادعا به منبع یا اطلاعات بیشتری نیاز است،
آن را مشخص کن و منبع ساختگی تولید نکن.
7. مثال‌ها باید با موضوع مقاله مرتبط باشند.
8. مقاله نباید صرفاً برای افزایش تعداد کلمات طولانی شود.
9. خروجی را به زبان فارسی روان و قابل فهم بنویس.
10. در این مرحله فقط پیش‌نویس تولید کن و ادعا نکن که مقاله
از نظر صحت اطلاعات یا سئو به‌طور مستقل تأیید شده است.
خروجی باید شامل این بخش‌ها باشد:
- title
- introduction
- sections
- conclusion
- seo_title
- meta_description
- main_keyword
محتوا را با ساختار مشخص و قابل پردازش برگردان.
در این نمونه، Expressionها فرض می‌کنند ورودی در مسیر body قرار دارد. اگر خروجی Webhook شما ساختار دیگری دارد، باید مسیرها را مطابق داده واقعی اصلاح کنید.
همچنین اگر گره مدل از خروجی ساختاریافته پشتیبانی می‌کند، بهتر است فیلدهای خروجی را با نوع مشخص تعریف کنید. این کار پردازش نتیجه در گره‌های بعدی را ساده‌تر می‌کند.
مرحله پنجم: تولید خروجی ساختاریافته
برای استفاده در Workflow، بهتر است به‌جای یک متن نامنظم، خروجی مشخصی داشته باشید.
برای مثال، ساختار خروجی می‌تواند به شکل زیر باشد:
{
"title": "آموزش اتصال API به لاراول",
"introduction": "در این مقاله با روش اتصال یک API به برنامه لاراول آشنا می‌شوید.",
"sections": [
{
"heading": "API چیست؟",
"content": "در این بخش مفهوم API و کاربرد آن توضیح داده می‌شود."
},
{
"heading": "ارسال درخواست HTTP در لاراول",
"content": "در این بخش روش استفاده از امکانات HTTP Client لاراول توضیح داده می‌شود."
}
],
"conclusion": "با استفاده از HTTP Client می‌توان درخواست‌های API را در لاراول مدیریت کرد.",
"seo_title": "آموزش اتصال API به لاراول",
"meta_description": "روش اتصال API به لاراول را با مثال و توضیحات کاربردی یاد بگیرید.",
"main_keyword": "اتصال API به لاراول"
}
این JSON فقط نمونه‌ای از ساختار مورد انتظار است و متن آن یک پیش‌نویس کوتاه محسوب می‌شود، نه مقاله کامل.
اگر قصد دارید مقاله کامل را در یک فیلد ذخیره کنید، می‌توانید فیلدی مانند article_content تعریف کنید. اگر می‌خواهید بخش‌های مقاله جداگانه قابل مدیریت باشند، ساختار آرایه‌ای sections گزینه مناسبی است.
نکته: مدل ممکن است خروجی ناقص یا نامعتبر تولید کند. پیش از پردازش، وجود فیلدهای ضروری، نوع داده‌ها و قالب خروجی را بررسی کنید.
مرحله ششم: تولید عنوان سئو و متا دیسکریپشن
می‌توانید عنوان سئو و متا دیسکریپشن را همراه مقاله تولید کنید یا برای آن‌ها مرحله جداگانه‌ای در نظر بگیرید.
برای مثال، دستور زیر می‌تواند برای تولید اطلاعات سئو استفاده شود:
بر اساس عنوان و محتوای مقاله، موارد زیر را پیشنهاد بده:
1. عنوان سئو روشن و مرتبط با موضوع
2. متا دیسکریپشن دقیق و جذاب
3. کلمه کلیدی اصلی
4. چند کلمه کلیدی مرتبط
5. نامک پیشنهادی کوتاه و خوانا
قواعد:
- از ادعاهای غیرواقعی خودداری کن.
- کلمه کلیدی را به‌صورت طبیعی استفاده کن.
- عنوان و توضیحات باید با محتوای واقعی مقاله هماهنگ باشند.
- نامک را کوتاه، خوانا و مرتبط با موضوع پیشنهاد بده.
- اگر اطلاعات کافی برای یک فیلد وجود ندارد، آن را مشخص کن.
خروجی این مرحله باید به‌عنوان پیشنهاد اولیه در نظر گرفته شود. پیش از انتشار، عنوان، توضیحات و نامک را بررسی کنید تا با ساختار سایت و هدف جست‌وجوی مخاطب هماهنگ باشند.
مرحله هفتم: بررسی کیفیت مقاله تولیدشده
یکی از مهم‌ترین مراحل سیستم تولید محتوا، بررسی نتیجه است.
تولید شدن یک مقاله به این معنا نیست که محتوا حتماً صحیح، کامل یا مناسب انتشار است. مدل ممکن است اطلاعات قدیمی، مثال اشتباه یا توضیحات تکراری تولید کند.
پیشنهاد می‌شود قبل از ذخیره نهایی یا انتشار، این موارد بررسی شوند:
- آیا مقاله دقیقاً به موضوع ورودی پاسخ می‌دهد؟
- آیا تیترها ساختار منطقی دارند؟
- آیا مثال‌ها صحیح و قابل اجرا هستند؟
- آیا ادعاهای تخصصی نیازمند بررسی منبع هستند؟
- آیا متن تکراری یا بیش از حد طولانی است؟
- آیا عنوان سئو و متا دیسکریپشن با متن هماهنگ‌اند؟
- آیا مقاله ارزش عملی مشخصی برای مخاطب دارد؟
می‌توانید بخشی از این بررسی‌ها را با یک مرحله دیگر هوش مصنوعی انجام دهید؛ اما ارزیابی دوم نیز تضمین صحت نیست. برای موضوعات تخصصی، اطلاعات فنی و ادعاهای مهم باید با منابع معتبر تطبیق داده شوند.
مرحله هشتم: ذخیره پیش‌نویس مقاله
پس از تولید و بررسی اولیه، می‌توانید محتوا را در یک محل مناسب ذخیره کنید.
برای مثال:
- ذخیره در PostgreSQL یا MySQL
- ثبت در Google Sheets
- ذخیره در فایل
- ارسال برای بازبینی در یک سیستم مدیریت پروژه
- ایجاد پیش‌نویس در CMS از طریق API
اگر از پایگاه داده استفاده می‌کنید، می‌توانید اطلاعات زیر را ذخیره کنید:
| فیلد | کاربرد |
|---|---|
id | شناسه محتوا |
topic | موضوع ورودی |
title | عنوان مقاله |
article_content | متن مقاله |
seo_title | عنوان سئو |
meta_description | توضیحات متا |
status | وضعیت پیش‌نویس یا تأیید |
created_at | زمان ایجاد |
بهتر است وضعیت مقاله در ابتدا draft یا «در انتظار بازبینی» باشد. پس از بررسی و تأیید، می‌توانید وضعیت آن را تغییر دهید.
همچنین برای جلوگیری از تولید یا ذخیره تکراری، یک شناسه برای درخواست یا موضوع در نظر بگیرید و اجرای دوباره Workflow را مدیریت کنید.
مرحله نهم: اتصال به سیستم مدیریت محتوا
اگر می‌خواهید محتوای تولیدشده به سایت منتقل شود، می‌توانید از API سیستم مدیریت محتوا استفاده کنید.
برای مثال، اگر CMS شما API مناسب داشته باشد، Workflow می‌تواند اطلاعاتی مانند عنوان، متن مقاله، توضیحات متا و دسته‌بندی را ارسال کند.
ساختار کلی چنین فرایندی می‌تواند این‌گونه باشد:
Generate Content → Validate → Create Draft in CMS
در این روش، بهتر است ابتدا محتوا به‌صورت پیش‌نویس ساخته شود. پس از بررسی انسانی، می‌توانید آن را منتشر کنید.
نحوه اتصال به CMS به امکانات API، روش احراز هویت و ساختار محتوای همان سیستم بستگی دارد. برای اتصال به WordPress، Laravel CMS یا یک سیستم اختصاصی، باید تنظیمات و قالب درخواست متناسب با همان API را پیاده‌سازی کنید.
چگونه تولید محتوا را زمان‌بندی کنیم؟
پس از ساخت Workflow اولیه، می‌توانید مرحله دریافت موضوع را به یک منبع داده متصل کنید؛ مثلاً جدولی که موضوعات تقویم محتوایی در آن ثبت شده‌اند.
سپس با استفاده از گره زمان‌بندی، فرایند تولید پیش‌نویس را در زمان مشخص اجرا کنید.
برای نمونه، Workflow می‌تواند هر روز یک موضوع تأییدشده را انتخاب کند، مقاله را تولید کند و نتیجه را در فهرست پیش‌نویس‌ها قرار دهد.
در این ساختار باید موارد زیر را نیز در نظر بگیرید:
- فقط موضوعات تأییدشده انتخاب شوند.
- موضوعی که قبلاً پردازش شده، دوباره انتخاب نشود.
- خطاهای API ثبت شوند.
- در صورت شکست درخواست، تلاش مجدد کنترل‌شده انجام شود.
- تعداد درخواست‌ها و هزینه مصرف مدل مدیریت شوند.
به این ترتیب، می‌توانید فرایند تولید پیش‌نویس را خودکار کنید، بدون اینکه کنترل نهایی انتشار را از دست بدهید.
خطاهای رایج در تولید محتوا با n8n
۱. مقاله تولید نمی‌شود یا خروجی ناقص است
علت احتمالی: درخواست API ناموفق بوده، محدودیت توکن رعایت نشده یا مدل خروجی را کامل تولید نکرده است.
راهکار: خطای گره را بررسی کنید، محدودیت‌های مدل را در نظر بگیرید و برای درخواست‌های ناموفق مسیر مدیریت خطا بسازید.
۲. خروجی مدل ساختار مورد انتظار را ندارد
علت احتمالی: مدل قالب تعیین‌شده را رعایت نکرده است.
راهکار: در صورت امکان از Structured Output استفاده کنید و پیش از ذخیره‌سازی، ساختار و فیلدهای ضروری را اعتبارسنجی کنید.
۳. اطلاعات نادرست وارد مقاله می‌شود
علت احتمالی: مدل جزئیات نامطمئن یا ساختگی تولید کرده است.
راهکار: از مدل بخواهید ادعاهای نامطمئن را مشخص کند و اطلاعات تخصصی را با منابع معتبر بررسی کنید.
۴. مقالات بیش از حد شبیه یکدیگر هستند
علت احتمالی: موضوعات نزدیک به هم‌اند یا Promptها خروجی‌های یکسانی تولید می‌کنند.
راهکار: هدف جست‌وجو، مخاطب، مثال‌ها و ساختار هر مقاله را مشخص کنید و از تکرار محتوای مقالات قبلی جلوگیری کنید.
۵. یک مقاله چند بار ذخیره می‌شود
علت احتمالی: Workflow دوباره اجرا شده یا درخواست تکراری دریافت کرده است.
راهکار: شناسه یکتا، کنترل وضعیت پردازش و بررسی رکوردهای قبلی را به فرایند اضافه کنید.
نکات مهم سئو در تولید محتوای خودکار
اگر از n8n برای تولید محتوای سایت استفاده می‌کنید، توجه به چند نکته ضروری است:
- محتوای تولیدشده باید نیاز واقعی مخاطب را برطرف کند.
- صرف استفاده از هوش مصنوعی به معنی مفید یا بی‌کیفیت بودن محتوا نیست؛ کیفیت نهایی و ارزش افزوده اهمیت دارد.
- از انتشار تعداد زیادی مقاله مشابه و کم‌ارزش خودداری کنید.
- مثال‌ها، دستورها و اطلاعات فنی را بررسی کنید.
- برای موضوعات تخصصی از منابع معتبر استفاده کنید.
- لینک‌های داخلی را بر اساس ارتباط واقعی مقاله‌ها انتخاب کنید.
- عنوان و توضیحات متا باید با محتوای نهایی هماهنگ باشند.
- برای موضوعات حساس یا تخصصی، بازبینی انسانی را جدی بگیرید.
هدف سیستم تولید محتوا نباید صرفاً افزایش تعداد صفحات سایت باشد؛ بلکه باید تولید محتوای مفید و دقیق را ساده‌تر کند.
سؤالات متداول
آیا می‌توان با n8n مقاله کامل تولید کرد؟
بله. با اتصال n8n به یک مدل هوش مصنوعی می‌توانید پیش‌نویس مقاله شامل عنوان، مقدمه، تیترها، متن و جمع‌بندی تولید کنید. کیفیت نهایی به مدل، دستورها، ورودی‌ها و بررسی پس از تولید بستگی دارد.
آیا برای تولید محتوا در n8n باید برنامه‌نویسی بلد باشم؟
برای ساخت نسخه اولیه، معمولاً به برنامه‌نویسی سنگین نیاز ندارید. با این حال، آشنایی با JSON، Expressionها و APIها برای ساخت Workflowهای پیشرفته‌تر مفید است.
آیا می‌توان مقالات را مستقیماً در سایت منتشر کرد؟
اگر سایت API مناسب داشته باشد، از نظر فنی می‌توان انتشار را خودکار کرد. با این حال، برای جلوگیری از انتشار اطلاعات نادرست یا محتوای ناقص، پیشنهاد می‌شود ابتدا پیش‌نویس ایجاد شود و پس از بررسی، انتشار انجام گیرد.
آیا تولید محتوای هوش مصنوعی برای سئو مناسب است؟
می‌تواند بخشی از فرایند تولید محتوا باشد؛ اما کیفیت، دقت، مفید بودن و رعایت نیاز مخاطب اهمیت دارند. تولید انبوه محتوای تکراری یا کم‌ارزش صرفاً با هدف دست‌کاری نتایج جست‌وجو، راهکار مناسبی نیست.
آیا می‌توان برای هر موضوع یک قالب محتوایی متفاوت تعریف کرد؟
بله. می‌توانید بر اساس نوع محتوا، Promptها و ساختارهای جداگانه تعریف کنید؛ برای مثال، آموزش فنی، معرفی محصول، راهنمای خرید یا مقاله مقایسه‌ای. این کار به تولید خروجی متناسب‌تر با نیاز هر صفحه کمک می‌کند.
جمع‌بندی
با ترکیب n8n و هوش مصنوعی می‌توانید بخش مهمی از فرایند تولید محتوا را خودکار کنید؛ از دریافت موضوع و تولید پیش‌نویس گرفته تا تهیه اطلاعات سئو و ذخیره محتوا برای بازبینی.
برای ساخت یک سیستم کاربردی، ابتدا Workflow ساده‌ای ایجاد کنید، ورودی‌ها و خروجی‌ها را مشخص کنید، نتیجه مدل را اعتبارسنجی کنید و سپس امکاناتی مانند زمان‌بندی، اتصال به CMS و مدیریت تقویم محتوایی را اضافه کنید.
بهترین رویکرد این است که از هوش مصنوعی برای افزایش سرعت و نظم تولید محتوا استفاده کنید، اما کنترل کیفیت، بررسی صحت اطلاعات و تصمیم نهایی درباره انتشار را همچنان جدی بگیرید.
