تصور کنید کارگری در حیدرآباد وعدهٔ ۱۰۰۰ روپیه در روز را میگیرد، اما پس از ۶ روز کار، تنها ۴۰۰۰ روپیه دریافت میکند. وقتی او بابت باقیماندهٔ پول سؤال میکند، پیمانکار با جملهای مبهم میگوید: «بعداً میدهم»؛ در اینجا HakDaar وارد میشود تا حافظهٔ انسانی را به یک سند مالی قابل استناد تبدیل کند. بدون قرارداد کتبی، فیش حقوقبشر یا هرگونه سندی، کارگر تنها به حافظه خود متکی است؛ ضعفی که HakDaar با تبدیل گفتگوها به یک رکورد مالی قابل تأیید، آن را برطرف میکند.
به نقل از گزارشی در ۲۸ سپتامبر ۲۰۲۶ در وبسایت dev.to، این دستیار هوشمند تضمین میکند که فراموشی یا ابهام در توافقات شفاهی، منجر به ضرر مالی نشود.
زمینه و بستر ناامنی دستمزدها
برای میلیونها کارگر مهاجر، توافقات شفاهی تنها شکل قرارداد است. این وضعیت توازن قدرت را به نفع کارفرما تغییر میدهد، زیرا آنها میتوانند به راحتی در مورد نرخ دستمزد یا ساعات کار بحث کنند. کارگران اغلب پس از گذشت چند روز، در یادآوری جزئیات دقیق دچار مشکل میشوند: دقیقاً چه نرخی وعده داده شده بود؟ واقعاً چند روز کار شده است؟ آخرین پرداخت چه زمانی انجام شد؟ مبلغ دقیق باقیمانده چقدر است؟
HakDaar بر این اصل استوار است که «اگر تاریخچهٔ یک فرد قرار است به عنوان مدرک پذیرفته شود، نباید کاملاً به حافظهٔ انسانی وابسته باشد.» چتباتهای معمولی میتوانند متن را ثبت کنند، اما اغلب در دقت ریاضی و ثبات واقعیتهای بلندمدت مشکل دارند و به همین دلیل برای اختلافات مالی غیرقابلاعتماد هستند.
معماری حقیقت تفکیکشده
این سامانه برای حل مشکل، از معماری «حقیقت تفکیکشده» استفاده میکند. توسعهدهندگان دریافتند که یک مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — نباید مرجع نهایی محاسبات مالی باشد. آنها متوجه شدند در حالی که یک مدل زبانی میتواند گفتگوها را بفهمد و بستر را به یاد آورد، اما نباید مقام نهایی برای محاسبات مالی باشد. این رویکرد یادآور راهکار REVA در جداسازی تصمیم از اجراست که برای جلوگیری از تراکنشهای تکراری و خطاهای عملیاتی در سیستمهای مالی طراحی شده است.
ساختار فنی این سیستم به دو بخش مجزا تقسیم شده است:
- دفتر کل (Ledger): یک پایگاهداده ساختاریافته SQLite که وعدههای دستمزد، روزهای کاری و پرداختها را ذخیره میکند. تمام محاسبات با استفاده از کتابخانه "Decimal" در پایتون انجام میشود تا دقت مطلق تضمین شود و خطاهای شناور ریاضی حذف گردند. تنها دفتر کل است که اعداد مالی نهایی را تولید میکند.
- حافظه بازنگری (Hindsight Memory): یک سیستم حافظهٔ عامل که «داستان» را دنبال میکند؛ یعنی بستر گفتگوها، وعدههای کارفرما و روایت در حال تکامل تجربه کارگر را ردیابی میکند. این بخش به یاد میآورد که کارگر چه گفته و کارفرما چه وعده داده است، اما هرگز به عنوان منبع حقیقت برای مبلغ بدهی در نظر گرفته نمیشود.
در این مدل، هوش مصنوعی داستان را به یاد میآورد، اما دفتر کل پول را حساب میکند. هر پیام کاربر از یک مسیر سختگیرانه و خطی عبور میکند: پیام کارگر $ \rightarrow $ استخراج واقعیت $ \rightarrow $ بهروزرسانی دفتر کل $ \rightarrow $ محاسبه دقیق $ \rightarrow $ بازیابی حافظه $ \rightarrow $ پاسخ هوش مصنوعی. در این زنجیره، ابتدا دفتر کل اعداد را تولید میکند، سپس سیستم حافظه بستر را فراهم میکند و در نهایت LLM با استفاده از این اعداد مورد اعتماد، پاسخ نهایی را تولید میکند.
جزئیات فنی و نردههای حفاظتی
برای دسترسی کاربران غیرفنی، این سیستم از Whisper برای ورودی صوتی استفاده میکند و از زبانهای تلوگو، هندی و انگلیسی پشتیبانی میکند. این قابلیت به کارگران اجازه میدهد به سادگی بگویند: «راکِش وعده داد برای کار ساختمان روزی ۱۰۰۰ روپیه بدهد» یا «من ۶ روز برای او کار کردم»، و سیستم این جملات را به دادههای ساختاریافته تبدیل کند: دریافتی: ۶۰۰۰؛ پرداخت شده: ۴۰۰۰؛ طلب: ۲۰۰۰ روپیه.
پشتهٔ فنی (Tech Stack) کامل این پروژه شامل موارد زیر است:
- Frontend: ریاکت (React) با یک پوشش (Wrapper) اندروید برای دسترسی موبایلی.
- Backend: فست-ایپیآی (FastAPI).
- Database: اسکیلایت (SQLite) برای دفتر کل دستمزدها.
- Processing: مدلهای Groq و gpt-oss-120b برای پردازش زبان.
- Infrastructure: داکر (Docker) برای زیرساخت حافظه میزبانیشده شخصی.
برای جلوگیری از اینکه هوش مصنوعی «پول اختراع کند»، توسعهدهندگان یک لایهٔ بررسی خروجی نهایی را پیاده کردند. اعتبارسازی خروجی JSON مدل کافی نیست؛ پاسخ نهایی متنی نیز باید بررسی شود. اگر LLM عددی را تولید کند که در دفتر کل، واقعیتهای استخراج شده یا کلمات خود کاربر وجود ندارد، سیستم پاسخ را پرچمگذاری میکند. سپس سیستم یا پاسخ را بازنویسی میکند یا به یک بیانیه مستقیم تولید شده توسط دفتر کل روی میآورد.
هوش جمعی و حریم خصوصی
علاوه بر ردیابی فردی، HakDaar یک حافظهٔ مشترک برای اعتبار و شهرت کارفرمایان دارد. این سیستم گزارشهای ناشناس و مبتنی بر واقعیت را درباره تاریخچه پرداختها ذخیره میکند. برای مثال، ممکن است ثبت کند: «یک کارگر گزارش داده است که شرکت Rakesh Builders مبلغ ۲۰۰۰ روپیه را پرداخت نکرده است».
برای محافظت از حریم خصوصی و عدالت، این حافظهٔ مشترک شامل هیچ نام یا شماره تلفنی نیست. علاوه بر این، یک گزارش واحد به طور خودکار به عنوان مدرک پذیرفته نمیشود. سیستم برای صادر کردن یک هشدار جدیتر به کارگران دیگر که با همان کارفرما مواجه میشوند، نیاز به چندین گزارش مستقل دارد.
طراحی برای موارد استثنایی (Edge Cases)
گفتگوهای دنیای واقعی آشفته هستند و شبیه به فایلهای JSON نیستند. کاربران اغلب اعداد لخت مانند «۱۰۰۰۰» را میگویند یا قبل از نام بردن از کارفرما، به روزهای کاری اشاره میکنند. HakDaar به گونهای ساخته شده است که این الگوهای غیرخطی را مدیریت کند و اعداد را در بستر گفتگو تفسیر کند، به جای اینکه ورودی کاملاً ساختاریافته بخواهد.
این سیستم همچنین پرداختهای اضافی را محاسبه میکند. اگر کارگری ۱۰۰۰ روپیه طلب داشته باشد اما ۱۸۰۰ روپیه دریافت کند، سیستم به سادگی حساب را «تسویه شده» علامت نمیزند. در عوض، مبلغ ۸۰۰ روپیه مازاد را شناسایی کرده و این مبلغ اضافی را به طور شفاف به کارگر اطلاع میدهد.
درسهای کلیدی در توسعه هوش مصنوعی
توسعه HakDaar چندین بینش معماری حیاتی را به همراه داشت:
۱. تفکیک حافظه از محاسبات: حافظه و حساب ریاضی به منابع حقیقت متفاوتی نیاز دارند. یک عامل میتواند داستانی را به یاد آورد، اما نباید محاسبات مالی را انجام دهد.
۲. بازیابی پیش از ذخیره: بازیابی اطلاعات موجود پیش از ذخیره پیام جدید، مانع از آن میشود که عامل بلافاصله پیامی را که در حال پردازش آن است، به عنوان یک خاطره قدیمی «به یاد آورد».
۳. نظارت بر خروجی: اعتبارسنجی JSON کافی نیست؛ پاسخ نهایی به زبان طبیعی باید برای ادعاهای پشتیبانینشده بررسی شود.
۴. طراحی برای کمسوادترین کاربر: ورودی صوتی و پاسخهای چندزبانه صرفاً ویژگیهای دسترسی نیستند، بلکه برای بقای محصول ضروریاند.
با این رویکرد، نقش LLM از یک «مرجع» به یک «لایه ارتباطی» تغییر میکند. با نگه داشتن محاسبات حساس در خارج از مدل، سیستم یک منبع حقیقت قطعی (Deterministic) برای افرادی فراهم میکند که معیشتشان به چند صد روپیه وابسته است. این اصل میتواند در هر برنامهای که تاریخچه به عنوان مدرک به کار میرود — مثل اجارهبها، وامها یا تعاملات خدماتی — به کار گرفته شود.
گام بعدی شما
- اگر توسعهدهنده هستید، مخزن گیتهاب HakDaar را در (github.com/riyanshareefshaik/HakDaar) برای بررسی نحوه پیادهسازی دفتر کل بررسی کنید.
- زیرساخت حافظه Hindsight را در (hindsight.vectorize.io) برای مدیریت بستر گفتگوها در عاملهای خود مطالعه کنید.
- در پروژههای مالی، هرگز اجازه ندهید LLM محاسبات نهایی را انجام دهد و از یک لایه محاسباتی خارجی استفاده کنید.
اما چالشهای مربوط به مقیاسدهی این حافظهها در محیطهای ابری حتی پیچیدهتر است — به تحلیل ما درباره زیرساختهای میزبانی شخصی مراجعه کنید.
گفتگو