تصور کنید صورتحساب ماهانه استنتاج مدلهای هوش مصنوعی شما ۸۰٪ کاهش یابد، در حالی که پاسخها دقیقتر شوند. این دقیقاً همان چیزی است که لایه دادهای جدید پاینکون وعده میدهد. آیا عملکرد هوش مصنوعی سازمانی را میتوان بهجای لایه مدل، در لایه داده به دست آورد؟ این فرض اصلی پشت موتور دانش جدید پاینکون است.
به نقل از Pinecone، موتور دانش Nexus در ۶ آگوست ۲۰۲۶ بهطور عمومی عرضه شد تا بهعنوان لایهای بین دادههای اختصاصی شرکتها و عاملهای هوش مصنوعی قرار گیرد. بر اساس مستندات منتشرشده، این ابزار توانسته است هزینه انجام وظایف در مدل GPT-5.2 را ۸۰٪ کاهش و صحت پاسخها را ۱۲٪ افزایش دهد.
bسیاری از سازمانها در حال حاضر از یک چرخه «بازیابی-ارزیابی-بازیابی مجدد» استفاده میکنند؛ یعنی عاملها در هر درخواست، باید اسناد خام را دوباره بخوانند و بررسی کنند. این فرآیند باعث سوزاندن توکنها، افزایش تأخیر و ایجاد سقفی در دانش مدل میشود که مانع از حل وظایف پیچیده توسط عاملها میگردد. این وضعیت شبیه پژوهشگری است که برای هر پاسخ به یک سؤال تکمیلی، مجبور است تمام کتابخانه را از ابتدا بخواند.
همانطور که در تحلیل قبلی ما دربارهی بهینهسازی لایههای بازیابی اشاره کردیم، اتکای صرف به مدلهای زبانی بدون ساختاردهی دادهها، منجر به هزینههای عملیاتی بالا میشود. اش آشوتوش، مدیرعامل پاینکون میگوید: «عاملها با پردازش دادههای خام، توکن میسوزانند؛ در نتیجه هزینه و تأخیر بالا میرود و صحت پاسخها پایینتر از حد انتظار میماند».
زمینه و استقرار
Nexus یک لایه دانش پیشساخت و مدیریتشده است که عاملها با یک فراخوانی واحد از آن پرسوجو میکنند. برای حفظ امنیت، این سامانه درون ابر اختصاصی مشتری در AWS، Google Cloud یا Azure مستقر میشود. این لایه با هر مدلی، از جمله مدلهای وزنهای باز (Open Weights) — که در آنها «دستور پخت» مدل علناً منتشر شده و نه فقط غذای آماده — سازگار است و پاینکون هیچ دسترسی مستقیمی به دادهها ندارد.
این رویکرد به شرکتها اجازه میدهد تا با مدل بهعنوان یک کالای مصرفی برخورد کنند که میتوان آن را از هر رقیبی اجاره کرد. در مقابل، دارایی ماندگار، خودِ دانش شرکت است؛ چیزی که استکهای رایج عاملها در حال حاضر در هر فراخوانی، بهطریقی گرانقیمت دوباره استخراج میکنند.
Nexus این مشکل را با معرفی یک «مرحله کامپایل» حل میکند. در اینجا، بهجای یک تیم مرکزی دادهها، یک متخصص موضوعی (Subject-Matter Expert) یک Manifest مینویسد که موجودیتها، روابط و شکل پاسخهای مورد نیاز برای شغل او را توصیف میکند. سپس موتور Nexus متون خام را بر اساس این ساختار، به لایهای از خلاصهها، استخراجهای ساختاریافته و یک گراف رابطه موجودیتها تبدیل میکند.
عاملها برای پرسوجو از این لایه از KnowQL استفاده میکنند؛ یک زبان پرسوجوی اخباری که مشخصات آن در spec.knowql.org منتشر شده و پاسخهای نوعبندی شده و دارای منبع (Cited) را تنها در یک فراخوانی برمیگرداند.
جزئیات عملکرد
طبق گزارش فنی پاینکون، نتایج محک Sierra τ-Knowledge تأثیر عمیق این ابزار را نشان میدهد. این محک باز، عاملها را در وظایف پشتیبانی مشتری در حوزه فینتک با ۶۹۸ سند ارزیابی میکند. این وظایف نیازمند استدلال چندمرحلهای، رعایت دقیق سیاستها و استفاده هماهنگ از ابزارها است:
- GPT-5.5 + Nexus: با ۴۷.۴٪ صحت رتبه اول این محک را کسب کرد و هزینه هر وظیفه را نسبت به مدل بدون Nexus، که ۴۶.۴٪ صحت داشت، ۷۷٪ کاهش داد.
- GPT-5.2 + Nexus: صحت پاسخها را از ۳۲.۲٪ به ۳۶.۱٪ رساند (۱۲٪ افزایش نسبی) و همزمان ۸۰٪ هزینهها را کم کرد.
- کارایی: تعداد فراخوانیهای مدل برای GPT-5.2 از ۸۱.۷ مورد به ۴۲.۶ مورد در هر وظیفه کاهش یافت.
در جزئیات فنی، تعداد فراخوانی ابزارها (tool-call count) برای GPT-5.2 از ۴۲.۵ به ۱۷.۷ کاهش یافت؛ این یعنی هزینه یک وظیفه از ۱.۴۵ دلار به ۰.۵۳ دلار رسید. این اعداد از آن جهت مهم هستند که در نتایج منتشرشده توسط Sierra، بهترین پیکربندیهای مدلهای پیشرو معمولاً تنها ۲۶٪ نرخ موفقیت در حوزه دانش دارند، زیرا این بخش ۳ تا ۴ برابر سختتر از سایر دامنههای این محک است.
معیارهای داخلی و کاربران
پاینکون همچنین Nexus را از ۱۷ ژوئیه ۲۰۲۶ روی صف پشتیبانی داخلی خود آزمایش کرد. در این اجرای واقعی در محیط تولید، سهم تیکتهای ورودی که بدون دخالت انسان توسط عامل حل شدند، از ۲۴.۶٪ به ۵۵.۱٪ جهش کرد. شرکت همچنین اشاره کرد که نرخهای تخصیص و کمک (assign and assist rates) افزایش یافته است.
در طول پنج هفته پیشنمایش عمومی، آمارهای فعالیت مشتریان مقیاس قابلتوجهی را نشان داد:
- ۳۰۰ بستر (Context) دانش ایجاد شد.
- ۳.۵ میلیون تکه منبع (Source Chunks) کامپایل شدند.
- تقریباً ۲۶,۰۰۰ مصنوع دانش ساختاریافته و قابل پرسوجو تولید شد.
- مجموعهی دادهها شامل قراردادهای حقوقی، گزارشات مالی، رونوشت تماسها و پایگاههای دانش پشتیبانی بود.
حکمرانی دادهها در خود این لایه تعبیه شده است. Nexus بهجای اتکا به پرامپتها برای امنیت، از کنترل دسترسی در سطح فیلد، برچسبگذاری دادههای حساس (PII) در هنگام ورود دادهها و نمرات اطمینان، با قابلیت ردیابی تا اسناد منبع استفاده میکند. همچنین لایه کامپایلشده قابل دانلود است تا از وابستگی شدید به یک فروشنده (Vendor Lock-in) جلوگیری شود.
چرخش راهبردی و نکات ریز
این حرکت نشاندهنده یک چرخش راهبردی در Pinecone است. شرکت در حال فاصله گرفتن از جستوجوی برداری ساده است؛ چرا که معتقد است این روش روابط حیاتی بین حقایق را که وظایف دانشمحور به آن وابسته هستند، حذف میکند. Nexus در فضای گستردهتر پلتفرم پاینکون قرار دارد و از پایگاهداده پاینکون بهعنوان زیربنای بازیابی استفاده میکند.
پاینکون با هدف قرار دادن متخصصانی مثل وکلا، پذیرهنویسان بیمه و تحلیلگران مالی بهجای توسعهدهندگان، رویکرد «هستیشناسی کل کسبوکار» در شرکتهایی مانند Palantir و Microsoft را به چالش میکشد. پاینکون استدلال میکند که هستیشناسیهای مرکزی از روز اول منقضی میشوند چون توسط افرادی که واقعاً کار را انجام میدهند، نگهداری نمیشوند.
از نظر خرید، Nexus بهصورت «ابر خودتان» (BYOC) اجرا میشود و مشتریان اعتبارنامههای مدل خود را ارائه میدهند. پاینکون همراه با اعلان عرضه عمومی، قیمتگذاری استانداردی را منتشر نکرده و خریداران را به مذاکرات خرید معمول ارجاع داده است.
برای کاربر سازمانی، این یعنی قابلیت اطمینان هوش مصنوعی دیگر تنها به بهروزرسانی بعدی OpenAI یا Anthropic وابسته نیست. دارایی واقعی، دانش ساختاریافته شماست که میتوان آن را بین مدلهای مختلف منتقل کرد.
شما اکنون میتوانید لایه Nexus را از طریق صفحه محصول شرکت ارزیابی و پایلوت کنید تا ببینید آیا یک لایه دانش ساختاریافته بر استک RAG فعلی شما برتری دارد یا خیر.
گام بعدی شما
- اگر از استکهای تولید بازیابیافزا (RAG) — که شبیه دانشآموزی است که قبل از جواب دادن، اول کتاب درسی را باز میکند و از آن نقل میآورد — استفاده میکنید، هزینههای توکن مصرفی خود را تحلیل کنید.
- بررسی کنید آیا ساختار دادههای شما نیاز به یک «مرحله کامپایل» دارد تا از تکرار فراخوانیهای مدل کاسته شود.
- لایه Nexus را از طریق صفحه محصول شرکت ارزیابی کنید تا ببینید آیا ساختاردهی دادهها بر بازیابی ساده برتری دارد یا خیر.
اما تأثیر این رویکرد بر مدلهای کوچکتر و محلی حتی جذابتر است — به تحلیل ما دربارهی بهینهسازی مدلهای SLM مراجعه کنید.
گفتگو