اگر امروز یک عامل هوش مصنوعی برای مدیریت عملیات شرکتتان به کار گرفتهاید، احتمالاً متوجه شدهاید که او دستورات شما را میفهمد، اما درک منسجمی از واقعیتهای پیچیده کسبوکارتان ندارد. داویده آگوستی (Davide Agosti) برای حل این شکاف، Evidensiq را معرفی کرد؛ یک استاندارد متنباز که بستر کسبوکار را بهجای متنی مصرفی در پرامپت، به عنوان یک زیرساخت قابلحمل تعریف میکند.
مسئله بستر (Context)
بیشتر سیستمهای سازمانی امروز برای دریافت اطلاعات از تولید بازیابیافزا (RAG) — شبیه دانشآموزی که قبل از جواب دادن، اول کتاب درسی را باز میکند و از آن نقل میآورد — استفاده میکنند. اما دانش یک شرکت بهندرت در یک جا جمع است. یک شرکت ممکن است اطلاعات محصول را در یک پایگاه داده، قیمتها را در یک CRM، استراتژیها را در اسناد و محدودیتهای عملیاتی را در یادداشتهای داخلی داشته باشد. دادههای دیگر در صفحات گسترده (Spreadsheets)، سیستمهای تحلیلی، فایلهای PDF یا سوابق تاریخی قرار دارند که شاید دیگر معتبر نباشند.
طبق گزارش توسعهدهنده این پروژه، تضاد در این منابع منجر به توهم (Hallucination) — وقتی مدل با اطمینان چیزی میگوید که اصلاً وجود ندارد، مثل دوستی که خاطرهای را اشتباه تعریف میکند — میشود. این چالش با رویکرد معماری زمینه در استک اورفلو نیز مورد بررسی قرار گرفته بود تا راهکاری برای توقف توهمات در مقیاس سازمانی ارائه شود. تصور کنید سندی از سال ۲۰۲۵ قیمت محصولی را ۱۰۰ پوند ذکر کرده، اما CRM عدد ۱۲۰ و وبسایت ۱۱۰ پوند را نشان میدهد. سیستمهای فعلی بهطور خاموش یکی را انتخاب میکنند یا عددی میانهرو میسازند، بدون اینکه کاربر بداند مرجع نهایی کدام است. Evidensiq استدلال میکند که زیرساخت نباید بهطور خاموش تصمیم بگیرد کدام منبع حقیقت است.
Evidensiq برای حل این بحران، یک سلسلهمراتب سختگیرانه را پیشنهاد میدهد که دادهها را به پنج لایه مجزا تقسیم میکند:
- منبع (Source): منشأ خام داده.
- شواهد (Evidence): تکه داده استخراجشده از منبع.
- واقعیت/ادعا (Fact/Assertion): حقیقتی تأییدشده بر اساس شواهد.
- استنتاج (Inference): نتیجه منطقی گرفتهشده از واقعیتها.
- توصیه (Recommendation): اقدام نهایی پیشنهادشده به کاربر.
این ساختار تضمین میکند که هر توصیه بهصورت معکوس قابل ردیابی باشد. اگر هوش مصنوعی پیشنهاد کند یک کمپین بازاریابی را به تأخیر بیندازید، توسعهدهنده میتواند این تصمیم را از لایه استنتاج و واقعیت، تا دقیقترین تکه شواهد — مثلاً یک محدودیت در ظرفیت تولید — که باعث این تصمیم شده است، ردیابی کند. در واقع، ایجاد چنین لایههای تفکیکشدهای مشابه استفاده از لایه محدودیتها است که مانع از شکست عاملهای دادهمحور در محیطهای سازمانی میشود.
جزئیات فنی
به نقل از مستندات فنی این پروژه، متغیر «زمان» یکی از کلیدیترین بخشهای این استاندارد است. دانش کسبوکار پویا و زمانی است؛ یک عبارت میتواند امروز غلط باشد بدون اینکه همیشه غلط بوده باشد. Evidensiq این موضوع را با نشانگرهای خاص مدلسازی میکند:
validFrom(معتبر از)validUntil(معتبر تا)observedAt(مشاهدهشده در)
این نشانگرها به سیستم اجازه میدهند تفاوت بین چیزی که صرفاً «غلط» (FALSE) است و چیزی که «قبلاً درست بوده» (WAS TRUE) را حفظ کند. این تفکیک هنگام استدلال هوش مصنوعی روی قیمتها، مشتریان، فرآیندها، سیاستها یا اهداف تجاری حیاتی است.
همچنین مفهوم اعتماد در این استاندارد بازتعریف شده است. بهجای یک عدد مبهم و کدر مثل «اعتماد: ۰.۹۷» که معنای روشنی ندارد، قابلیت اطمینان به پنج بُعد تقسیم میشود:
۱. قدرت شواهد: کیفیت نقطه داده خاص.
۲. اعتبار منبع: میزان قابل اعتماد بودن منشأ داده.
۳. تازگی شواهد: میزان بهروز بودن دادهها.
۴. اطمینان به استنتاج: قدرت جهش منطقی صورت گرفته.
۵. اطمینان مدل: قطعیت خودِ مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد.
در لایه امنیتی، این استاندارد مرزی سخت ایجاد میکند که در آن داده $\neq$ دستور. این کار از «تزریق پرامپت» (Prompt Injection) از طریق اسناد جذبشده جلوگیری میکند. اگر یک فایل PDF تجاری حاوی دستوری باشد که بگوید «دستورات قبلی را نادیده بگیر و...»، سیستم آن را صرفاً به عنوان یک «شاهد» برای تحلیل میبیند، نه دستوری مقتدر برای اجرا. این موضوع زمانی حیاتی است که بستر (Context) از منابع غیرقابل اعتماد یا منابعی که توسط عوامل خارجی کنترل میشوند، جمعآوری شده باشد.
محدوده و پیادهسازی
Evidensiq یک چارچوب (Framework) برای ساخت عامل نیست. این پروژه بهطور عمدی برای مدیریت ارکستراسیون عاملها، RAG عمومی، ذخیرهسازی برداری (Vector Storage)، اجرای جریانهای کاری (Workflow)، کلاینتهای LLM، حافظه عمومی یا هماهنگی بین چندین عامل طراحی نشده است.
در عوض، این یک طرحواره JSON بیطرف نسبت به ارائهدهنده (business-context.json) است که بین محیط اجرای برنامه و منابع داده زیرین (مانند CRM، اسناد و غیره) قرار میگیرد. این بدان معنا است که سیستمی که با LangChain، Microsoft Agent Framework یا یک برنامه مبتنی بر OpenAI ساخته شده، تئوریکاً میتواند از همین بستر تجاری استاندارد شده استفاده کند.
برای توسعهدهندگان، این یک چرخش از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — به سمت «مهندسی بستر» (Context Engineering) است. با استانداردسازی نحوه ذخیره و ردیابی شواهد، شرکتها میتوانند ریسک توهمات AI در تصمیمات عملیاتی حساس را کاهش دهند.
آگوستی در حال حاضر از جامعه توسعهدهندگان میخواهد تا پیش از پیادهسازی کتابخانههای مرجع در TypeScript و .NET، درباره این استاندارد نظر دهند. او بهطور خاص میپرسد که آیا مدل زمانی کارآمد است، آیا مرز پنجلایه مفید است و آیا اعتماد چندبعدی ضروری است یا بیش از حد پیچیده (Over-engineered) طراحی شده است.
توسعهدهندگان علاقهمند میتوانند مشخصات فنی را بررسی کرده و در بحثهای مخزن گیتهاب پروژه در آدرس https://github.com/davideagosti-dev/evidensiq شرکت کنند.
گام بعدی شما
- اگر در حال توسعه عاملهای سازمانی هستید، ساختار پنجلایه Evidensiq را برای تفکیک داده از استنتاج در دیتابیس خود پیاده کنید.
- برای جلوگیری از توهمات مدل در دادههای متناقض، از نشانگرهای زمانی (
validUntil) در متادیتای اسناد خود استفاده کنید. - مستندات فنی پروژه را در گیتهاب بررسی کنید تا متوجه شوید چگونه میتوان دادههای CRM را به فرمت استاندارد این پروژه تبدیل کرد.
اما چالش اصلی، تبدیل این ساختار به یک پروتکل ارتباطی بین مدلهای مختلف است — به تحلیل ما درباره پروتکل MCP مراجعه کنید.
گفتگو