---
title: "پرامپٹ ٹوکن کیسے کم کریں: پہلے اور بعد کی پیمائش | BroadRouter"
description: "سسٹم پرامپٹس، few-shot مثالیں، ٹول اسکیما، ڈیٹا فارمیٹس، چیٹ ہسٹری اور عربی اعراب کم کرنے سے ٹوکن کی ناپی گئی بچت، اصل ٹوکنائزرز سے گنی گئی۔"
url: https://broadrouter.com/ur/blog/reduce-prompt-tokens/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/reduce-prompt-tokens/) (اپ ڈیٹ: 2026-11-16).

# پرامپٹ ٹوکن کیسے کم کریں: سسٹم پرامپٹ، ٹولز، ڈیٹا کی ناپی گئی کٹوتی

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ 2026-11-15 · اپ ڈیٹ 2026-11-16

پہلے ناپیں: ہر کال کے prompt\_tokens لاگ کریں، سب سے بڑا حصہ ڈھونڈیں، اور ماڈل کے ٹوکنائزر سے پہلے اور بعد کا فرق دیکھیں۔ پانچ ٹوکنائزرز پر، طویل سسٹم پرامپٹ چھوٹا کرنے سے 68 سے 71% بچے اور CSV نے منیفائیڈ JSON سے 31 سے 41% کم ٹوکن لیے۔ تین ماڈلز پر، چھوٹا سسٹم پرامپٹ اور 10 لمبے ٹولز کی جگہ 3 مختصر ٹولز سے پوری رینڈر شدہ درخواست تقریباً 65 سے 71% کم ہوئی۔

## اہم نکات

-   اصل ٹوکنائزر سے گنیں، پھر usage.prompt\_tokens سے تصدیق کریں۔ چیٹ ٹیمپلیٹ اپنے ٹوکن جوڑتا ہے، اور ٹول اسکیما کو دوبارہ سیریلائز کرتا ہے۔
-   ہماری پیمائش میں ٹولز سب سے بڑی مستقل لاگت تھے: 10 لمبے ٹول اسکیما ہر رینڈر شدہ پرامپٹ میں 1,200 سے 1,400 ٹوکن جوڑتے تھے۔ صرف وہی ٹولز بھیجیں جو اس مرحلے میں کام آ سکتے ہیں۔
-   ٹیبل والا ڈیٹا: انڈینٹ شدہ JSON سے CSV پر 57 سے 61% بچے؛ منیفائیڈ JSON سے CSV پر بھی 31 سے 41% بچے۔ Qwen اور Gemma کے ٹوکنائزرز اعداد کو ایک ایک ہندسے میں توڑتے ہیں، اس لیے اعداد سے بھرا ڈیٹا ان پر مہنگا پڑتا ہے۔
-   16 پرانے ٹرنز کی جگہ 3 لائن کا خلاصہ رکھنے سے Qwen کا 2,700 ٹوکن کا پرامپٹ 1,100 پر آ گیا۔ خلاصے میں تفصیل چھوٹتی ہے، اس لیے آخری چند ٹرنز جوں کے توں رکھیں۔
-   مکمل اعراب والی عربی نے بغیر اعراب کے اسی متن سے 2.4 سے 3.5 گنا ٹوکن لیے۔ جب تک کام کو ان کی ضرورت نہ ہو، انہیں ہٹا دیں۔

**اس صفحے پر**

1.  ہم نے کیسے ناپا؟
2.  کون سی کٹوتیاں سب سے زیادہ ٹوکن بچاتی ہیں؟
3.  پوری درخواست کیسی دکھتی ہے؟
4.  سسٹم پرامپٹ کو توڑے بغیر مختصر کیسے کریں؟
5.  کتنی few-shot مثالیں چاہییں؟
6.  کیا ٹولز، ڈیٹا اور ہسٹری مختلف طریقے سے بھیجنے چاہییں؟
7.  کیشنگ کہاں فٹ ہوتی ہے؟
8.  اپنا پرامپٹ کیسے ناپیں؟
9.  BroadNet Inference کہاں فٹ ہوتا ہے

مختصر پرامپٹس کی لاگت کم ہوتی ہے، کام کے لیے [کانٹیکسٹ ونڈو](https://broadrouter.com/ur/glossary/context-window/) میں زیادہ جگہ بچتی ہے، اور عموماً پہلا ٹوکن جلدی آتا ہے۔ لیکن “پرامپٹ چھوٹا کرو” ایک مبہم مشورہ ہے۔ یہ پوسٹ ایک حقیقت کے قریب سپورٹ بوٹ پرامپٹ پر عام کٹوتیوں کو ناپتی ہے، چار اوپن ماڈلز کے اصل ٹوکنائزرز اور OpenAI کے `o200k_base` سے، تاکہ آپ دیکھ سکیں کون سی تبدیلیاں آپ کے وقت کے لائق ہیں۔

اگر آپ کوڈنگ ایجنٹ چلاتے ہیں تو [ایجنٹ کا ٹوکن بجٹ](https://broadrouter.com/ur/blog/agent-token-budget/) اس لوپ کو کور کرتا ہے۔ یہ پوسٹ ایپلیکیشن پرامپٹس کے بارے میں ہے: چیٹ بوٹس، کلاسیفائرز اور ایکسٹریکشن جابز۔

## ہم نے کیسے ناپا؟

نیچے کی تمام گنتیاں ہماری ہیں، 15 نومبر 2026 کو کی گئیں:

-   **ٹوکنائزرز۔** DeepSeek V4.1 Flash، GLM 5.3، Qwen3.8 27B اور Google کے Gemma 4 26B A4B کی سرکاری `tokenizer.json` فائلیں، ہر ایک ایک مقررہ Hugging Face ریویژن پر (حوالہ جات دیکھیں)، Hugging Face `tokenizers` 0.23.3 سے لوڈ کی گئیں۔ ساتھ میں GPT ماڈلز سے موازنے کے لیے `tiktoken` 0.14.0 سے `o200k_base`۔ اسپیشل ٹوکن شامل نہیں کیے گئے۔
-   **رینڈر شدہ پرامپٹس۔** DeepSeek، GLM اور Qwen کے لیے ہم نے پوری درخواستیں ہر ماڈل کے شائع شدہ `chat_template.jinja` (Jinja2 سینڈ باکس) سے بھی رینڈر کیں، سسٹم پرامپٹ، ٹولز، ہسٹری اور سوال کے ساتھ، اور نتیجہ گنا۔ یہ اس کے قریب ہے جو سرور ٹوکنائز کرتا ہے، لیکن فراہم کنندہ مختلف ٹیمپلیٹ استعمال کر سکتا ہے، اس لیے API کے `usage.prompt_tokens` کو حتمی سمجھیں۔
-   **متن۔** ایک فرضی ٹیلی کام کا مصنوعی سپورٹ بوٹ: 261 الفاظ کا سسٹم پرامپٹ، 10 ٹولز، 8 few-shot مثالیں، 40 آرڈر قطاریں، 20 ٹرنز کی ہسٹری اور 31 الفاظ کا عربی پیراگراف۔ ایک پرامپٹ ایک ڈیٹا پوائنٹ ہے۔ آپ کی بچت مختلف ہو گی؛ طریقہ وہی رہے گا۔

BroadNet کا Gemma 4 VL 26B، Google کے ماڈل پر مبنی ہے، اس لیے اس کی گنتی ایک تخمینہ ہے۔ باقی ماڈلز کی گنتی ان کی اپنی فائلوں سے ہے۔

## کون سی کٹوتیاں سب سے زیادہ ٹوکن بچاتی ہیں؟

خام متن، پہلے → بعد، بچت کے حصے کے ساتھ:

| تبدیلی | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B | Gemma 4 | GPT o200k |
| --- | --- | --- | --- | --- | --- |
| سسٹم پرامپٹ: 261 الفاظ → 66 الفاظ | 295 → 88 (70%) | 294 → 89 (70%) | 297 → 95 (68%) | 297 → 96 (68%) | 293 → 86 (71%) |
| Few-shot: 8 مثالیں → 3 | 157 → 69 (56%) | 157 → 69 (56%) | 156 → 71 (54%) | 156 → 71 (54%) | 152 → 69 (55%) |
| 40 قطاریں: انڈینٹ شدہ JSON → منیفائیڈ JSON | 2,446 → 1,606 (34%) | 2,460 → 1,581 (36%) | 3,180 → 1,980 (38%) | 3,210 → 2,010 (37%) | 2,446 → 1,567 (36%) |
| 40 قطاریں: منیفائیڈ JSON → CSV | 1,606 → 948 (41%) | 1,581 → 960 (39%) | 1,980 → 1,359 (31%) | 2,010 → 1,382 (31%) | 1,567 → 946 (40%) |
| 10 ٹولز: لمبی → مختصر وضاحتیں | 1,224 → 806 (34%) | 1,214 → 797 (34%) | 1,225 → 806 (34%) | 1,252 → 827 (34%) | 1,202 → 796 (34%) |
| 10 لمبے ٹولز → 3 مختصر | 1,224 → 258 (79%) | 1,214 → 257 (79%) | 1,225 → 266 (78%) | 1,252 → 276 (78%) | 1,202 → 255 (79%) |
| عربی پیراگراف: مکمل اعراب → سادہ | 193 → 74 (62%) | 267 → 78 (71%) | 151 → 62 (59%) | 180 → 64 (64%) | 218 → 62 (72%) |

انگریزی نثر کے لیے فیصد تمام ٹوکنائزرز پر ملتے جلتے ہیں، اس لیے جو کٹوتی ایک ماڈل پر مدد کرتی ہے وہ دوسروں پر بھی کرتی ہے۔ دو قطاریں یہ پیٹرن توڑتی ہیں۔ آرڈر ڈیٹا ہر فارمیٹ میں Qwen اور Gemma پر DeepSeek اور GLM سے 23 سے 46% زیادہ ٹوکن کا پڑا، کیونکہ ان کے ٹوکنائزرز اعداد کو ایک ایک ہندسے میں توڑتے ہیں: `100200` Qwen پر 6 ٹوکن ہے اور DeepSeek پر 2۔ اور عربی اعراب کچھ ٹوکنائزرز پر دوسروں سے کہیں زیادہ بھاری پڑتے ہیں۔

## پوری درخواست کیسی دکھتی ہے؟

خام متن چیٹ ٹیمپلیٹ کو چھوڑ دیتا ہے۔ ہر ماڈل کے اپنے ٹیمپلیٹ سے رینڈر کر کے، صارف کے ایک ہی سوال کے ساتھ، ناپا گیا پورا پرامپٹ:

| درخواست | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B |
| --- | --- | --- | --- |
| A. لمبا سسٹم پرامپٹ + 10 لمبے ٹولز | 1,677 | 1,535 | 1,797 |
| B. مختصر سسٹم پرامپٹ + 10 مختصر ٹولز | 1,052 | 913 | 1,176 |
| C. مختصر سسٹم پرامپٹ + 3 مختصر ٹولز | 574 | 443 | 636 |
| D. مختصر سسٹم پرامپٹ، کوئی ٹول نہیں | 136 | 121 | 174 |
| C + پچھلے 20 ٹرنز مکمل | 2,374 | 2,243 | 2,693 |
| C + 3 لائن کا خلاصہ + آخری 4 ٹرنز | 979 | 849 | 1,103 |

A سے C پر جانے سے ہر درخواست کا تقریباً 65 سے 71% کم ہوا (Qwen پر 64.6%، GLM پر 71.1%)۔ اس کا زیادہ تر حصہ ٹولز سے آیا۔ لمبے سسٹم پرامپٹ کے ساتھ رینڈر کرنے پر 10 لمبے ٹولز نے DeepSeek پر 1,334، GLM پر 1,209 اور Qwen پر 1,421 ٹوکن جوڑے؛ C کے 3 مختصر ٹولز نے D کے اوپر 322 سے 462 جوڑے۔ [ٹول کالنگ](https://broadrouter.com/ur/glossary/tool-calling/) اسکیما ہر درخواست کے ساتھ جاتے ہیں، ماڈل انہیں استعمال کرے یا نہ کرے۔

بڑے حجم پر یہ جمع ہوتا جاتا ہے۔ [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) پر A سے C ہر درخواست پر 1,161 ٹوکن بچاتا ہے۔ 100,000 درخواستیں ماہانہ پر یہ تقریباً 11 کروڑ 60 لاکھ (116M) ان پٹ ٹوکن ہیں، یعنی اسٹینڈرڈ ان پٹ قیمت پر ہر مہینے 116 × $0.175۔

## سسٹم پرامپٹ کو توڑے بغیر مختصر کیسے کریں؟

ہمارے 261 الفاظ اور 66 الفاظ والے پرامپٹس میں وہی سات اصول ہیں۔ تمام کٹوتیاں ایک ہی قسم کی تھیں:

1.  **ماڈل سے رسمی شائستگی ہٹائیں۔** “It is very important that you always remain polite and courteous at all times” (ترجمہ: یہ بہت ضروری ہے کہ آپ ہر وقت مہذب اور خوش اخلاق رہیں) مکمل طور پر ہٹ گیا: کردار والی لائن سے یہ خود سمجھ آتا ہے۔
2.  **ہر لائن پر ایک اصول۔** “Please make sure that you always…” (ترجمہ: براہِ کرم یقینی بنائیں کہ آپ ہمیشہ…) والے جملوں کی جگہ بلٹس۔
3.  **دہراؤ ملائیں۔** زبان کے بارے میں تین جملے بن گئے “Reply in the customer’s language (Arabic or English), briefly.” (ترجمہ: صارف کی زبان (عربی یا انگریزی) میں، مختصراً جواب دیں۔)
4.  **دہرائے گئے ڈیفالٹس ہٹائیں۔** “Remember to always be helpful!” (ترجمہ: ہمیشہ مددگار رہنا یاد رکھیں!) کچھ نہیں بدلتا۔

پھر ٹیسٹ کریں۔ ایک مختصر پرامپٹ جو کوئی اصول کھو دے، بچت سے زیادہ نقصان کرتا ہے۔ دونوں ورژنز کو وہی 50 سے 100 اصل ان پٹس پر چلائیں اور موازنہ کریں، جیسا [تبدیلی سے پہلے LLM کی جانچ](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/) میں بتایا گیا ہے۔

## کتنی few-shot مثالیں چاہییں؟

زیادہ تر پرامپٹس جتنی رکھتے ہیں، اس سے کم۔ ہر [few-shot](https://broadrouter.com/ur/glossary/few-shot-prompting/) مثال کی ادائیگی ہر کال پر ہوتی ہے۔ وہ رکھیں جو ایسی غلطی درست کرتی ہیں جو ماڈل ان کے بغیر کرتا ہے، جیسے عربی کلاسیفائر کے لیے لہجے کی مثال، اور وہ ہٹا دیں جو ماڈل پہلے سے درست کرتا ہے۔ ہماری 8 → 3 کٹوتی سے مثالوں والے حصے کا 54 سے 56% بچا۔ آپ کے کام کے لیے 3 کافی ہیں یا نہیں، یہ درستی کا سوال ہے، ٹوکن کا نہیں، اس لیے اسے اپنے ٹیسٹ سیٹ پر جانچیں۔

## کیا ٹولز، ڈیٹا اور ہسٹری مختلف طریقے سے بھیجنے چاہییں؟

**ٹولز۔** صرف وہ ٹولز بھیجیں جو موجودہ مرحلہ استعمال کر سکتا ہے۔ بلنگ کے سوال کو `get_account`، `get_bill` اور `create_ticket` چاہییں، `order_esim` نہیں۔ وضاحتیں اتنی مختصر کریں جتنی ماڈل کو ٹول چننے اور بھرنے کے لیے چاہییں۔ یہاں انڈینٹیشن اہم نہیں: ہم نے جتنے ٹیمپلیٹس رینڈر کیے، سب `tools` array کو `tojson` سے دوبارہ سیریلائز کرتے ہیں، اس لیے خوبصورت فارمیٹ والی tools array منیفائیڈ جتنی ہی پڑتی ہے۔

**پیغامات میں ڈیٹا۔** جو ڈیٹا آپ پیغام میں پیسٹ کرتے ہیں وہ ویسا ہی بھیجا جاتا ہے جیسا لکھا ہے۔ کم از کم JSON کو منیفائی کریں۔ سپاٹ ریکارڈز کے لیے CSV یا TSV دہرائی گئی keys ہٹا دیتا ہے: ہمارے ٹیسٹ میں منیفائیڈ JSON سے 31 سے 41% کم ٹوکن۔ نیسٹڈ ڈیٹا JSON ہی رہے۔ جانچیں کہ ماڈل اب بھی کالم درست پڑھتا ہے۔

**ہسٹری۔** ہر پچھلا ٹرن دوبارہ بھیجا جاتا ہے۔ 16 پرانے ٹرنز کی جگہ تین لائن کا خلاصہ رکھنے اور آخری چار ٹرنز جوں کے توں رکھنے سے Qwen کا پرامپٹ 2,693 سے 1,103 ٹوکن پر آ گیا۔ خلاصہ وہ تفصیل چھوڑ دیتا ہے جس کا صارف بعد میں حوالہ دے سکتا ہے، اور اسے دوبارہ لکھنے سے پری فکس بدلتا ہے، جس سے کیشنگ ٹوٹتی ہے۔ [طویل چلنے والے ایجنٹ کا کانٹیکسٹ مینجمنٹ](https://broadrouter.com/ur/blog/long-running-agent-context-management/) بتاتا ہے کہ کب مختصر کریں۔

**عربی اعراب۔** زیادہ تر عربی چھوٹے حروفِ علت (اعراب) کے بغیر لکھی جاتی ہے۔ اگر آپ کا ان پٹ مکمل اعراب والا ہے، کسی لغت، نصابی کتاب یا مذہبی ماخذ سے، تو علامات (U+064B سے U+0652) ہٹانے سے ہمارا پیراگراف 59 سے 72% کم ہوا۔ جب کام ان پر منحصر ہو، جیسے تدریس یا شاعری، تو انہیں رکھیں۔ [عربی متن کی نارملائزیشن](https://broadrouter.com/ur/blog/arabic-text-normalization-search/) ان دوسرے حروف کو کور کرتا ہے جنہیں نارملائز کرنا فائدہ مند ہے، اور [عربی میں فی لفظ ٹوکن](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/) انگریزی سے بڑے فرق کو۔

## کیشنگ کہاں فٹ ہوتی ہے؟

کیشنگ پرامپٹ کو چھوٹا نہیں کرتی۔ یہ دہرائے گئے حصے کو سستا بناتی ہے۔ OpenAI کی کیشنگ گائیڈ کہتی ہے کہ “the entire rendered prefix” (ترجمہ: پورا رینڈر شدہ پری فکس) میچ ہونا چاہیے اور مستحکم ہدایات پہلے رکھنے کا مشورہ دیتی ہے۔ BroadNet کا [قیمتوں کا صفحہ](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reduce-prompt-tokens&utm_content=body) کیش شدہ ان پٹ کو “usually the repeated start of recent requests, such as a long system prompt” (ترجمہ: عموماً حالیہ درخواستوں کا دہرایا گیا آغاز، جیسے لمبا سسٹم پرامپٹ) بتاتا ہے، جس میں کچھ سیٹ نہیں کرنا پڑتا، اور اس کی دستاویزات ہٹس `usage.prompt_tokens_details.cached_tokens` میں رپورٹ کرتی ہیں۔

اس لیے ترتیب یہ ہے: پہلے مختصر کریں، پھر مختصر کیے گئے پری فکس کو مستحکم بنائیں۔ سسٹم پرامپٹ اور ٹولز پہلے، ہر کال پر بائٹ بہ بائٹ یکساں؛ اس کے بعد ہسٹری، صرف آگے جڑتی ہوئی؛ نیا پیغام آخر میں۔ Qwen3.8 27B پر کیش شدہ ان پٹ $0.0435 فی 1M ہے، جبکہ نیا $0.175۔ [کیشنگ کے لیے پرامپٹ کی ساخت](https://broadrouter.com/ur/blog/prompt-structure-for-caching/) میں لے آؤٹ اور ایک ٹیسٹ ہے جو ثابت کرتا ہے کہ پری فکس دوبارہ استعمال ہوا۔ کیش شدہ ٹوکن پھر بھی کانٹیکسٹ ونڈو میں شمار ہوتے ہیں۔

## اپنا پرامپٹ کیسے ناپیں؟

بل سے شروع کریں۔ ایک دن تک ہر کال سائٹ کے `usage.prompt_tokens` لاگ کریں اور سب سے بڑا تلاش کریں۔ پھر اس اسکرپٹ سے مقامی طور پر ورژنز کا موازنہ کریں، جو دو فائلوں کی پہلے اور بعد کی گنتی دکھاتا ہے:

```python
# pip install tokenizers tiktoken huggingface_hub
import json, sys
import tiktoken
from huggingface_hub import hf_hub_download
from tokenizers import Tokenizer

def hf(repo, rev):
    return Tokenizer.from_file(hf_hub_download(repo, "tokenizer.json", revision=rev))

COUNTERS = {
    "Qwen3.8 27B": hf("Qwen/Qwen3.8-27B", "37561816e66b5b9153b1b64c10968c18c1e6f4a0").encode,
    "GPT o200k": tiktoken.get_encoding("o200k_base").encode,
}

def n(enc, text):
    out = enc(text)
    return len(out.ids if hasattr(out, "ids") else out)

def diff(before, after):
    for name, enc in COUNTERS.items():
        a, b = n(enc, before), n(enc, after)
        print(f"{name:12} {a:6} -> {b:6}  saved {a - b} ({100 * (a - b) / a:.0f}%)")

if __name__ == "__main__":
    diff(open(sys.argv[1], encoding="utf-8").read(), open(sys.argv[2], encoding="utf-8").read())
```

ہمارے دونوں سسٹم پرامپٹس پر چلانے سے یہ چھپا:

```text
Qwen3.8 27B     297 ->     95  saved 202 (68%)
GPT o200k       293 ->     86  saved 207 (71%)
```

چاروں کا موازنہ کرنے کے لیے حوالہ جات کی فہرست سے دوسرے ماڈلز کی ریپوزیٹریز شامل کریں۔ براؤزر میں فوری جانچ کے لیے، [پرامپٹ ٹوکن ڈِف](https://broadrouter.com/tools/prompt-token-diff/) دو ورژنز کا آمنے سامنے موازنہ کرتا ہے، اور [ٹوکن کاؤنٹر](https://broadrouter.com/tools/token-counter/) ایک کو گنتا ہے۔ ڈیپلائے کے بعد بچت کی تصدیق `usage.prompt_tokens` میں کریں، جس میں ٹیمپلیٹ شامل ہے۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadRouter، BroadNet کی سائٹ ہے۔ BroadNet Inference پرامپٹ ٹوکن ہر ماڈل کی ان پٹ قیمت پر بل کرتا ہے، اور جس ماڈل کی کیش شدہ قیمت ہے اس پر دہرائے گئے پری فکس کیش سے کیش شدہ قیمت پر پڑھتا ہے، اس لیے مختصر پرامپٹس اور مستحکم پری فکس دونوں بل کم کرتے ہیں۔ [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) کا کانٹیکسٹ 32,768 ٹوکن ہے، جہاں مختصر کرنا لاگت کے ساتھ ساتھ فٹ ہونے کے لیے بھی اہم ہے۔ DeepSeek V4.1 Flash پلانز پر کوئی ٹوکن میٹر نہیں، لیکن 1,048,576 ٹوکن کا کانٹیکسٹ پھر بھی لاگو ہے، اور مختصر پرامپٹ پھر بھی جلدی جواب دیتا ہے۔ ہر درخواست کے بعد پرامپٹس محفوظ نہیں رکھے جاتے۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[سسٹم پرامپٹ (system prompt)](https://broadrouter.com/ur/glossary/system-prompt/)

سسٹم پرامپٹ وہ ہدایتی متن ہے جو کوئی ایپلیکیشن گفتگو سے پہلے لینگویج ماڈل کو بھیجتی ہے، عموماً system یا developer رول والے پیغام کے طور پر۔ یہ ماڈل کا کردار، قواعد، لہجہ اور آؤٹ پٹ فارمیٹ طے کرتا ہے، اور ٹکراؤ کی صورت میں ماڈل کو صارف کے پیغامات کے بجائے اسی پر عمل کرنا ہوتا ہے۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

[AI ایجنٹ (AI agent)](https://broadrouter.com/ur/glossary/agent/)

AI ایجنٹ ایسا نظام ہے جس میں لینگویج ماڈل کسی ہدف کی طرف اپنے قدم خود طے کرتا ہے: کون سے ٹولز کال کرنے ہیں، یہ چنتا ہے، نتائج پڑھتا ہے اور حتمی جواب یا کسی حد تک دہراتا رہتا ہے۔ مقررہ مقامات پر ماڈل کو کال کرنے والی اسکرپٹ کو عموماً workflow کہا جاتا ہے۔

[عربی اعراب (tashkeel)](https://broadrouter.com/ur/glossary/arabic-diacritics/)

عربی اعراب، یا tashkeel، حروف کے اوپر یا نیچے لگنے والے چھوٹے نشانات ہیں جو مختصر حرکات، مشدّد حروف اور حرکت کی عدم موجودگی دکھاتے ہیں۔ یہ اختیاری ہیں: خبروں سمیت زیادہ تر عربی متن انہیں چھوڑ دیتا ہے، اس لیے قاری اور سافٹ ویئر سیاق و سباق سے حرکات کا اندازہ لگاتے ہیں۔

[کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/)

کانٹیکسٹ ونڈو ٹوکنز کی وہ زیادہ سے زیادہ تعداد ہے جس کے ساتھ لینگویج ماڈل ایک درخواست میں کام کر سکتا ہے۔ اس میں پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز، تصاویر اور بننے والا آؤٹ پٹ، ریزننگ ٹوکنز سمیت، سب شامل ہیں۔ جو اس میں نہ سمائے اسے کاٹنا، خلاصہ کرنا یا کئی درخواستوں میں بانٹنا پڑتا ہے۔

[چیٹ ٹیمپلیٹ (chat template)](https://broadrouter.com/ur/glossary/chat-template/)

چیٹ ٹیمپلیٹ وہ فارمیٹنگ اصول ہے، عموماً Jinja میں لکھا اور ماڈل کے tokenizer کے ساتھ آنے والا، جو roles والے چیٹ پیغامات کی فہرست کو اس ایک ٹوکن ترتیب میں بدلتا ہے جس کی ماڈل توقع کرتا ہے، اس کے special control ٹوکنز سمیت۔ غلط ٹیمپلیٹ سے جوابات بہت بگڑ سکتے ہیں۔

## عام سوالات

### اپنے پرامپٹ میں ٹوکنز کی تعداد کیسے کم کروں؟

پہلے ناپیں: usage.prompt\_tokens لاگ کریں اور سب سے بڑا حصہ تلاش کریں۔ پھر، ہماری پیمائش میں سب سے زیادہ بچت کی ترتیب سے: صرف اس مرحلے کے ضروری ٹولز بھیجیں، ٹول اور سسٹم پرامپٹ کے الفاظ مختصر کریں، ٹیبلز JSON کے بجائے CSV میں بھیجیں، few-shot مثالیں صرف وہ رکھیں جو نتائج بدلتی ہیں، اور پرانے چیٹ ٹرنز کا خلاصہ بنائیں۔

### کیا خوبصورت فارمیٹ (انڈینٹ) والا JSON زیادہ ٹوکن لیتا ہے؟

جی ہاں۔ ہمارے ٹیسٹ میں، انڈینٹ شدہ JSON کی 40 قطاروں کو منیفائی کرنے سے ٹوکنائزر کے حساب سے 34 سے 38% ٹوکن بچے، اور CSV میں بھیجنے سے 57 سے 61%۔ دوسری طرح کہیں تو انڈینٹ شدہ JSON نے منیفائیڈ JSON سے 52 سے 61% اور CSV سے 132 سے 159% زیادہ ٹوکن لیے۔ ٹول اسکیما مستثنیٰ ہیں: چیٹ ٹیمپلیٹس انہیں دوبارہ سیریلائز کرتے ہیں، اس لیے آپ کی tools array کی انڈینٹیشن ماڈل تک نہیں پہنچتی۔

### ٹول ڈیفینیشنز کتنے ٹوکن لیتی ہیں؟

یہ الفاظ اور ماڈل کے ٹیمپلیٹ پر منحصر ہے۔ لمبی وضاحتوں والے ہمارے 10 ٹولز نے DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B پر رینڈر شدہ پرامپٹ میں تقریباً 1,200 سے 1,400 ٹوکن جوڑے۔ مختصر وضاحتوں والے تین ٹولز نے تقریباً 320 سے 460 جوڑے۔

### کیا عربی اعراب سے ٹوکن بڑھتے ہیں؟

بہت۔ 31 الفاظ کا ایک MSA پیراگراف پانچ ٹوکنائزرز پر بغیر اعراب کے 62 سے 78 ٹوکن اور مکمل اعراب کے ساتھ 151 سے 267 ٹوکن کا تھا۔ زیادہ تر عربی متن بغیر اعراب کے لکھا جاتا ہے، اس لیے جب تک کام (جیسے شاعری یا تدریس) کو ان کی ضرورت نہ ہو، ان پٹ سے انہیں ہٹا دیں۔

### کیا پرامپٹ کیشنگ، پرامپٹ مختصر کرنے سے بہتر ہے؟

دونوں ساتھ کام کرتے ہیں۔ کیشنگ دہرائے گئے پری فکس کو سستا بناتی ہے، لیکن وہ پھر بھی کانٹیکسٹ ونڈو میں شمار ہوتا ہے اور اس کی بھی قیمت ہے۔ پہلے مختصر کریں، پھر مختصر کیے گئے پری فکس کو ہر درخواست کے آغاز میں بائٹ بہ بائٹ یکساں رکھیں تاکہ وہ کیش سے پڑھا جا سکے۔

### میری ٹوکن گنتی API کے prompt\_tokens سے مختلف کیوں ہے؟

API رینڈر شدہ پرامپٹ گنتا ہے: چیٹ ٹیمپلیٹ میں لپٹے آپ کے پیغامات، اور ٹیمپلیٹ کے اپنے فارمیٹ میں ٹول اسکیما۔ آپ کے خام متن پر چلایا گیا ٹوکنائزر یہ چھوڑ دیتا ہے۔ ورژنز کے موازنے کے لیے ٹوکنائزر اور بل کے لیے usage.prompt\_tokens استعمال کریں۔

## مزید پڑھیں

-   [ایجنٹ ٹوکن بجٹ: ایجنٹ لوپ کے ٹوکن کہاں جاتے ہیں](https://broadrouter.com/ur/blog/agent-token-budget/)
-   [LLM درخواست بھیجنے سے پہلے ٹوکن کیسے گنیں](https://broadrouter.com/ur/blog/count-tokens-before-sending/)
-   [پرامپٹ کی ساخت کیسے بنائیں تاکہ پری فکس کیش ہو](https://broadrouter.com/ur/blog/prompt-structure-for-caching/)
-   [کیش شدہ ان پٹ ٹوکن کیا ہیں: LLM API کا بل کیسے کم کریں](https://broadrouter.com/ur/blog/cached-input-tokens-explained/)
-   [عربی بمقابلہ انگریزی میں فی لفظ ٹوکن: عربی مہنگی کیوں پڑتی ہے](https://broadrouter.com/ur/blog/tokens-per-word-arabic-english/)
-   [طویل چلنے والے ایجنٹس میں 1M ونڈو کے ساتھ کانٹیکسٹ مینجمنٹ](https://broadrouter.com/ur/blog/long-running-agent-context-management/)
-   [کوڈنگ ایجنٹ کی LLM لاگت کم کرنے کے 10 طریقے، اندازاً بچت کے ساتھ](https://broadrouter.com/ur/blog/cut-coding-agent-llm-costs/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [دستاویزی AI ورک فلو میں انسانی جائزے کو شامل کریں](https://broadrouter.com/ur/blog/document-review-queues/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reduce-prompt-tokens&utm_content=page-cta) ·

**ذرائع**

-   [Hugging Face پر Qwen/Qwen3.8-27B: ریویژن 37561816 پر tokenizer.json اور chat\_template.jinja (2026-11-15 کو ڈاؤن لوڈ کیا گیا)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [Hugging Face پر zai-org/GLM-5.3: ریویژن ba32f8c1 پر tokenizer.json اور chat\_template.jinja (2026-11-15 کو ڈاؤن لوڈ کیا گیا)](https://huggingface.co/zai-org/GLM-5.3)
-   [Hugging Face پر deepseek-ai/DeepSeek-V4.1-Flash: ریویژن 314113f8 پر tokenizer.json اور chat\_template.jinja (2026-11-15 کو ڈاؤن لوڈ کیا گیا)](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash)
-   [Hugging Face پر google/gemma-4-26B-A4B-it: ریویژن 4d7ae498 پر tokenizer.json، BroadNet Gemma 4 VL 26B کی بنیاد (2026-11-15 کو جانچا گیا)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [GitHub پر OpenAI tiktoken: o200k\_base انکوڈنگ، ورژن 0.14.0 استعمال کیا گیا (2026-11-15 کو جانچا گیا)](https://github.com/openai/tiktoken)
-   [OpenAI پرامپٹ کیشنگ گائیڈ: مستحکم مواد پہلے، پورا رینڈر شدہ پری فکس میچ ہونا چاہیے، ٹولز کیش شدہ کانٹیکسٹ کا حصہ ہیں (2026-11-15 کو جانچا گیا)](https://developers.openai.com/api/docs/guides/prompt-caching)
-   [BroadNet Inference قیمتوں کا صفحہ: کیش شدہ ان پٹ حالیہ درخواستوں کا دہرایا گیا آغاز ہے، کم ریٹ پر بل، کچھ سیٹ نہیں کرنا (2026-11-15 کو جانچا گیا) (انگریزی میں)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reduce-prompt-tokens&utm_content=sources)
-   [BroadNet Inference کا API ریفرنس: usage بلاک میں رپورٹ ہونے والے کیش شدہ ٹوکن، ماڈل کی صلاحیتیں (2026-11-15 کو جانچا گیا) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reduce-prompt-tokens&utm_content=sources)
