Zenodo: افزایش دقت ارجاعات AI از طریق مجموعه‌داده‌های ساختاریافته

عامل‌های هوش مصنوعی صفحات وب تبلیغاتی را نمی‌خوانند؛ آن‌ها داده‌های JSON را دریافت می‌کنند. اگر شما توسعه‌دهنده‌ای هستید که می‌خواهید ابزارهای خود را برای دنیای «عامل‌محور» بهینه کنید، باید بدانید که مدل‌های زبانی دیگر به دنبال متون زیبا در لندینگ‌پیج‌ها نمی‌گردند.

LuisCore در ۱۳ جولای ۲۰۲۶ اعلام کرد که استراتژی خود را به «کشف مبتنی بر ارجاع» تغییر داده است. به جای تکیه بر اسلایدهای معرفی محصول، این شرکت اکنون یک منبع مرجع ارائه می‌دهد که عامل (Agent) — شبیه دستیاری هوشمند که می‌تواند به‌جای انسان تصمیم بگیرد و ابزار اجرا کند — در اولین تماس، آن را از طریق دستور curl دریافت می‌کند. این رویکرد در راستای تغییری بنیادین است که در آن جست‌وجوی وب در عامل‌های هوش مصنوعی از تمرکز بر «تازگی» داده‌ها به سمت «شواهد» و ارجاعات مستند منتقل شده است.

همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، دسترسی به حقیقت واحد در دنیای AI دشوار است. طبق گزارش وب‌سایت dev.to، اکثر داده‌های سازمانی در ویکی‌های خصوصی و پشت سیستم‌های احراز هویت (SSO) پنهان هستند و این باعث می‌شود مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — دچار تناقض شود. LuisCore برای حل این مشکل، مجموعه‌داده‌های خود را در Zenodo آینه کرده و از طریق llms.txt فهرست‌بندی می‌کند تا مدل‌ها به‌جای پنج پست وبلاگی متناقض، یک تعریف واحد برای مفاهیمی مثل «دستور شاخه‌بندی احتمال ساختاریافته» (SPFD) پیدا کنند.

بر اساس مستندات این شرکت، زیرساخت آن‌ها بر سه سطح ماشین‌خوان استوار است:

• for-agents.json: مانیفستی شامل ارجاعات، ورودی‌های MCP و واژه‌نامه هستی‌شناختی.
• llms.txt: فهرستی سطح‌بالا برای کشف سریع توسط مدل‌های زبانی.
• mcp.json: تعاریف فنی ابزارها برای پروتکل زمینهٔ مدل (Model Context Protocol).

این شرکت برای پشتیبانی از این ساختار، یک مجموعه‌داده عظیم شامل ۱۳٬۲۳۶ سطر پرسش-وپاسخ را در قالب JSON عمومی منتشر کرده است. آن‌ها به‌جای معیارهای نمایشی، روی «گرانشی ارجاع» تمرکز کرده‌اند؛ یعنی اندازه‌گیری اینکه عامل‌های شخص ثالث، بدون دستور قبلی، چند بار به داده‌های آن‌ها ارجاع می‌دهند.

این تغییر، بازاریابی زیرساخت‌های AI را از یک مسئلهٔ «خوانش انسانی» به یک مسئلهٔ «بازیابی داده» تبدیل می‌کند. نتیجه این است که توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — کاهش یافته و دقت مدل‌ها در وظایف استنتاجی چندمرحله‌ای بالا می‌رود.

برای توسعه‌دهندگان، این یعنی مستندات اکنون به یک وابستگی زمان اجرا تبدیل شده است. ابزار luiscore-agent CLI می‌تواند مستقیماً از این مانیفست‌ها مقداردهی اولیه شود تا اپراتورهای بدون رابط کاربری (Headless)، خطوط لوله را بدون پیکربندی دستی مستقر کنند.

گام بعدی شما

• مانیفست‌های عمومی LuisCore را با دستور curl بررسی کنید تا ساختار داده‌های ماشین‌خوان را ببینید.
• جریان تله‌متری Protocol Watch را برای تحلیل سیگنال‌های SPFD دنبال کنید.
• برای پروژه‌های خود، یک فایل llms.txt ساده ایجاد کنید تا مدل‌های زبانی راحت‌تر شما را کشف کنند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.