«تأیید ویرایش‌های انسانی»؛ راهکار Brightbeam برای پاسخگویی در سطح سازمانی

تصور کنید یک برنامه‌نویس در تیمی کوچک، در حال بازبینی درخواست‌های ادغام (Pull Requests) با استفاده از Cursor است و هشدار یک بات را رد می‌کند. در حالت عادی، این تصحیح حیاتی در میان رشته‌های چت یا به صورت یک یادداشت ذهنی گم می‌شود و هرگز به داده‌ای قابل استناد تبدیل نمی‌شود. برای جلوگیری از این «فراموشی سیستماتیک» و اطمینان از اینکه تصمیمات انسانی در حلقه (Human-in-the-loop) به صورت داده‌های دائمی و قابل تأیید ثبت شوند، شرکت Brightbeam AI در ۱۹ اوت ۲۰۲۶ پروتکل Collaborative Human Agent Protocol یا به اختصار CHAP را منتشر کرد.

بسیاری از گردش‌کارهای عامل‌محور (Agentic) امروز از یک «شکاف حافظه» رنج می‌برند. شما عامل‌هایی دارید که کارهای واقعی انجام می‌دهند: پیش‌نویس بازبینی کد می‌نویسند، تیکت‌ها را اولویت‌بندی می‌کنند، پیشنهادهای تسویه حساب می‌دهند یا قراردادها را بررسی می‌کنند. سپس یک انسان هر یک از این موارد را تأیید، ویرایش یا رد می‌کند. در حال حاضر، این تصمیمات در کد برنامه شما، رشته‌های چت، کامنت‌های تیکت و یا صرفاً در ذهن شما زندگی می‌کنند. این چالش زمانی جدی‌تر می‌شود که انسان‌ها به‌طور ناخودآگاه دستورات پرخطر را تأیید می‌کنند، مشابه آنچه در مطالعه اخیر Scale X درباره تایید ۳۳ درصد از دستورات خطرناک توسط برنامه‌نویسان مشاهده شد. طبق گزارش Brightbeam AI، وقتی شش هفته بعد مشکلی پیش می‌آید، بازسازی اینکه چه اتفاقی افتاده است، حدود چهل و پنج دقیقه زمان می‌برد و نیمی از آن فرآیند بر اساس حدس و گمان است.

پشته AI خود را به عنوان مجموعه‌ای از جعبه‌های سیاه تصور کنید که تنها رکورد موجود در آن‌ها، یک لاگ خام است. پروتکل CHAP این وضعیت را با یک سیستم «پاکت» (Envelope) ساختاریافته جایگزین می‌کند. هر تعامل — از پیش‌نویس اولیه عامل تا تأیید نهایی انسان — توسط هش‌های محتوایی به هم زنجیر می‌شود. این کار یک ردپای حسابرسی تغییرناپذیر ایجاد می‌کند که حتی پس از انقضای لاگ‌ها یا تغییر کارکنان شرکت، باقی می‌ماند. حالا شما به‌جای استفاده از دستور grep برای جست‌وجوی لاگ‌ها در چهار رابط کاربری مختلف، مستقیماً از این زنجیره پرس‌وجو می‌کنید. ایده اصلی این است: یک مکان واحد برای قرار دادن این تصمیمات و یک قالب واحد برای ثبت آن‌ها.

مکانیزم جایگزینی (Override)

قلب تپنده CHAP، «پاکت جایگزینی» است. در اینجا ویرایش انسان به‌جای جایگزینی ساده متن، به‌عنوان یک داده ساختاریافته ثبت می‌شود که شامل تفاوت‌ها (Diff)، دلیل تغییر (Rationale) و برچسب‌های سفارشی است. در این مدل، پیش‌نویس عامل به عنوان یک «مصنوع» (Artefact) در نظر گرفته می‌شود و ویرایش انسان به عنوان یک «جایگزینی ساختاریافته».

دو فیلد خاص وجود دارد که CHAP را از سیستم‌های ساده کنترل نسخه (Version Control) متمایز می‌کند:

• intent_preserved: این متغیر بولی (Boolean) مشخص می‌کند که آیا انسان با تصمیم عامل موافق بوده و فقط نحوه بیان آن را اصلاح کرده است (Refining)، یا به نتیجه‌ای کاملاً متفاوت رسیده است (Substituting). این دو حالت، دو مدل شکست متفاوت را نشان می‌دهند. نرخ بالای «اصلاح» (Refining) در مورد یک بند خاص از سیاست‌ها، نشان می‌دهد که بازیابی اطلاعات (Retrieval) عامل دچار مشکل است؛ اما نرخ بالای «جایگزینی» (Substituting) نشان می‌دهد که خودِ سیاست مبهم است یا بستر تسک (Task Context) اشتباه تعریف شده است.
• tags: یک واژگان کنترل‌شده که به تیم‌ها اجازه می‌دهد شکست‌ها را دسته‌بندی کنند. توصیه می‌شود این واژگان کوچک نگه داشته شوند. این‌ها همان ابعادی هستند که ماه‌ها بعد برای تجمیع داده‌ها استفاده می‌شوند تا مشخص شود کدام پرامپت‌ها نیاز به بازنویسی دارند یا بات در کدام مسیرهای فایل (File Paths) به‌طور مداوم دچار اشتباه می‌شود.

پیاده‌سازی فنی و یکپارچگی

Brightbeam AI پیاده‌سازی‌های مرجع را در هر دو زبان TypeScript و Python ارائه داده است. نسخه TypeScript از یک نمای تایپ‌شده (coord.api.*) برای قابلیت تکمیل خودکار (Autocomplete) و بررسی‌ها در زمان کامپایل استفاده می‌کند. نسخه Python از یک ساختار پاکت JSON-RPC (coord.dispatch({...})) بهره می‌برد که اغلب از یک الگوی کمکی send() استفاده می‌کند. هر دو نسخه بایت‌های یکسانی را در شبکه ارسال می‌کنند تا زنجیره حسابرسی فارغ از کلاینت مورد استفاده، بایت‌به‌بایت ثابت بماند.

برای یک راه‌اندازی اولیه، توسعه‌دهنده یک فضای کاری (Workspace) با یک هماهنگ‌کننده (Coordinator) داخلی و ذخیره‌ساز SQLite ایجاد می‌کند. برای مثال، فضای کاری با نام wsp_pr_reviews ممکن است از پروفایل‌های core/1.0 و review/1.0 استفاده کند و شرکت‌کنندگان به صورت human:me@local و agent:cursor#v1 به آن بپیوندند.

در یک تبادل واقعی، فرآیند از یک توالی سخت‌گیرانه پیروی می‌کند:
۱. ایجاد تسک: هماهنگ‌کننده یک تسک می‌سازد (مثلاً kind: "code_review" برای pr_id: "PR-482").
۲. تکمیل: عامل تسک را به پایان می‌رساند و خروجی را منتشر می‌کند.
۳. درخواست بازبینی: عامل درخواست می‌کند که یک انسان مصنوع (Artefact) تولید شده را بازبینی کند.
۴. تصمیم: انسان یک جایگزینی ارائه می‌دهد. برای مثال، تغییر سطح شدت یک کامنت از «Warning» به «Info» با ذکر دلیل: «مثبت کاذب. قرارداد فریم‌ورک است، نه یک باگ» و افزودن برچسب‌هایی مانند ["false-positive", "framework-pattern-misread"].

پروتکل CHAP به‌گونه‌ای طراحی شده است که به‌جای جایگزینی استانداردهای موجود، در کنار آن‌ها قرار گیرد. این پروتکل با پروتکل زمینه مدل (MCP) و ترنسپورت‌های عامل-به-عامل (A2A) یکپارچه می‌شود:

• ترنسپورت سرور MCP: یک هماهنگ‌کننده CHAP می‌تواند خود را به عنوان یک سرور MCP معرفی کند و هر متد CHAP را به عنوان یک ابزار (Tool) ارائه دهد. این به کلاینت‌هایی مانند Claude Desktop، Cursor یا Claude Code اجازه می‌دهد تا یک فضای کاری CHAP را از طریق زبان طبیعی مدیریت کنند. آداپتور TypeScript در مسیر packages/coordinator-mcp/ و آداپتور پایتون در chap_coordinator.transports.mcp_server قرار دارد. سرورهای مرجع نیز در reference/mcp-server-ts/ و reference/mcp-server-py/ در دسترس هستند.
• ترنسپورت سرور A2A: هماهنگ‌کننده می‌تواند به عنوان یک عامل A2A عمل کرده و متدهای خود را به عنوان مهارت‌های مجزا در «کارت عامل» (Agent Card) تبلیغ کند. این به ارکستراتورهایی مانند Azure AI Foundry، Amazon Bedrock AgentCore یا Google ADK اجازه می‌دهد تا کارها را به آن تفویض کنند. آداپتورها در packages/coordinator-a2a/ (برای TS) و chap_coordinator.transports.a2a_server (برای پایتون) موجود هستند و سرورهای مرجع در reference/a2a-server-ts/ و reference/a2a-server-py/ قرار دارند.
• کمک‌های بسته‌بندی داخلی (Inward Wrap Helpers): ابزارهایی مانند wrapMcpToolCall و wrapA2aMessageExchange فراخوانی‌های ابزارهای خارجی را به جفت‌های task.create و task.complete تبدیل می‌کنند و هش‌های استانداردسازی شده ورودی/خروجی را به عنوان استناد (Citation) ثبت می‌کنند. این‌ها در @brightbeamai/chap-coordinator و chap_coordinator.transports.wrap در دسترس هستند.

برای پل زدن با فریم‌ورک‌های فعلی، این پروتکل با پنج آداپتور سبک پایتونی عرضه شده است که مکانیزم‌های نظارت انسانی را به متدهای review/decide در CHAP متصل می‌کند:

• chap-langgraph برای LangGraph
• chap-pydantic-ai برای Pydantic AI
• chap-ag2 برای AG2/AutoGen
• chap-llama-index برای LlamaIndex Workflows
• chap-google-adk برای Google ADK

تبدیل نظارت به داده

از آنجا که هر جایگزینی برچسب‌گذاری و ساختاریافته است، این پروتکل کارهای روزمره را بدون نیاز به یک خط لوله برچسب‌گذاری (Annotation Pipeline) جداگانه، به یک مجموعه داده آموزشی تبدیل می‌کند. مخزن مرجع شامل اسکریپت‌های تحلیلی است که زنجیره حسابرسی را — یا از طریق HTTP یا مستقیماً از یک فایل SQLite — می‌خوانند تا جایگزینی‌ها را گروه‌بندی کنند.

برای مثال، یک «گزارش یادگیری جایگزینی» (Override Learning Report) ممکن است موارد زیر را فاش کند:

• تعداد کل جایگزینی‌ها: ۴۷ مورد
• بر اساس برچسب: false-positive (۳۱ مورد یا ۶۶٪)، framework-pattern-misread (۲۲ مورد یا ۴۷٪) و cosmetic-pref (۸ مورد یا ۱۷٪).
• بیشترین مسیرهای فایل: src/handlers/ (۱۸ جایگزینی) و src/components/ (۹ جایگزینی).

با این داده‌ها، بازنویسی بعدی پرامپت برای Cursor دیگر یک حدس نیست، بلکه مستقیماً به نام آن الگو استناد می‌کند.

برای محیط‌های با امنیت بالا، CHAP پروفایل‌های پیشرفته‌ای را پشتیبانی می‌کند:

• security-signed/1.0: امضاهای متصل به OIDC را با یک signature_meaning تعریف‌شده توسط کاربر برای تأییدات غیرقابل‌انکار (Non-repudiable) فراهم می‌کند.
• audit-scitt/1.0: یک لنگر در لاگ شفافیت خارجی (Transparency-log anchor) ایجاد می‌کند که اجازه می‌دهد تأییدات بدون نیاز به اعتماد به سرورهای محلی انجام شوند.

مشخصات و دسترسی

نسخه ۰.۲ این پروتکل در حال حاضر یک پیش‌نویس عمومی است. مشخصات آن شامل بخش هسته (Core) با هفت متد، یک پاکت و یک فرمت انتقال، و یازده پروفایل اختیاری است. مشخصات کامل در SPECIFICATION.md تجمیع شده است، در حالی که جزئیات هسته در core/SPEC.md و پروفایل‌ها در پوشه profiles/ قرار دارند.

پروژه شامل یک سیستم تست انطباق (Conformance Harness) با ۲۳ بردار آزمایشی است که مواردی چون امضا، استانداردسازی (Canonicalisation) و بررسی‌های زنجیره را پوشش داده و خروجی attestation در قالب in-toto تولید می‌کند. در حال حاضر، سطوح انطباق «Minimal» و «Recommended» قابل دریافت هستند و سطح «Full» در انتظار تست‌های interoperability گسترده‌تر بین دو پیاده‌سازی است.

توسعه‌دهندگان می‌توانند این پروتکل را از طریق npm install @brightbeamai/chap-coordinator برای Node یا pip install chap-coordinator برای Python نصب کنند. مخزن پروژه یک راهنمای عملی ۵ دقیقه‌ای در examples/00-five-minute-start.md و راهنمایی برای مدیریت CHAP از طریق Claude Desktop در examples/drive-chap-from-claude-desktop.md ارائه می‌دهد.

تحلیل: تغییر به سمت زیرساخت «AI تحت نظارت»

این پروتکل نشان‌دهنده تغییری در تمرکز از «قابلیت» عامل (Agent Capability) به «حکمرانی» عامل (Agent Governance) است. برای کاربر حرفه‌ای، این بدان معناست که «هزینه تصحیح» به‌طور قابل‌توجهی کاهش می‌یابد. شما دیگر فقط در حال رفع اشتباه یک بات نیستید، بلکه در حال مشارکت در یک مجموعه داده ساختاریافته هستید که به‌طور سیستماتیک بات را بهبود می‌بخشد. این رویکرد مکمل راهکارهای کنترلی است، مانند گیرهٔ ایمنی گیت‌هاب که برای جلوگیری از اشتباهات با تعریف آستانه‌های اطمینان عمل می‌کند.

در حوزه فنی، CHAP «بدهی فنی پنهان» مصنوعات تولید شده توسط AI را برطرف می‌کند. با جداسازی قصد عامل (Agent's Intent) از تصحیح انسانی، سازمان‌ها را قادر می‌سازد تا در نهایت «نرخ جایگزینی» (Substitution Rate) عامل‌های AI خود را اندازه‌گیری کنند. نرخ جایگزینی بالا نشان‌دهنده شکست بنیادی در بستر تسک یا سیاست‌های زیربنایی است، در حالی که نرخ اصلاح (Refining) بالا نشان‌دهنده مشکل در بازیابی اطلاعات یا نحوه بیان است.

این تمایز به مهندسان اجازه می‌دهد تا خط لوله‌های AI خود را با همان دقتی دیباگ کنند که برای نرم‌افزارهای سنتی به کار می‌برند و از «مهندسی پرامپت بر اساس حس» (Vibe-based prompt engineering) که در حال حاضر بر صنعت حاکم است، فاصله بگیرند.

برای مشاهده نحوه کاربرد این پروتکل در صنایع مختلف، می‌توانید ۱۲ سناریوی عملی را در مستندات پروژه بررسی کنید؛ از یک توسعه‌دهنده تک‌نفره با Cursor گرفته تا تولیدات دارویی تحت نظارت GMP. این سناریوها در IN_PRACTICE.md شرح داده شده و در دایرکتوری scenarios/ پیاده‌سازی شده‌اند که سه مورد از آن‌ها به‌طور کامل اجرا شده‌اند. در کنار این ابزارهای نظارتی، ایجاد محیط‌های امن برای اجرا نیز حیاتی است، همان‌طور که پلتفرم Agent-Up با ارائه محیط‌های اجرای ایزوله برای عامل‌های کدنویس این امنیت را فراهم کرده است.

برای کسانی که به دنبال مبانی آکادمیک هستند، یک گزارش فنی در arXiv (arXiv:2606.09751) توسط Shahid، Suttie و Black در دسترس است. این گزارش معماری، منطق طراحی، معناشناسی پروفایل‌ها و مدل تهدیدات (Threat Model) را پوشش داده و مبانی طراحی پروتکل را ارائه می‌کند.

اما تأثیر این رویکرد بر کاهش هزینه‌های استنتاج در مقیاس سازمانی حتی پیچیده‌تر است — به تحلیل ما درباره بهینه‌سازی GPUها مراجعه کنید.