تصور کنید یک بطری ۱۲۰ میلی‌لیتری ضدآفتاب دارید؛ در اکثر صفحات وب هواپیمایی این محصول «مایعات» تلقی می‌شود، اما تنها یک فیلد داده‌ای ساختاریافته می‌تواند با دقت ریاضی، ورود آن را رد کند. طبق مستندات پروژه CabinClaim که در ۲۰ سپتامبر ۲۰۲۶ برای چالش Sanity ارائه شد، محتوای ساختاریافته تنها راه نجات عامل‌های هوش مصنوعی از توهم (Hallucination) — شبیه دوستی که خاطره‌ای را با اطمینان اما اشتباه تعریف می‌کند — در مواجهه با قوانین پیچیده سفر است. این رویکرد یادآور راهکار سامانه The Letter است که با استفاده از گیت‌های قطعی توانست توهمات هوش مصنوعی را در محیط‌های عملیاتی حذف کند.
بیشتر بات‌های سفر از جست‌وجوی کلیدواژه‌ای استفاده می‌کنند که کلماتی مثل «مجاز» یا «بار دستی» را در توده‌ای از متن پیدا می‌کنند. این روش وقتی منابع رسمی با هم اختلاف دارند، شکست می‌خورد. برای مثال، سازمان TSA ممکن است سقف ۱۰۰ وات‌ساعت را برای باتری‌های لیتیومی تعیین کند، اما شرکت United Airlines جزئیات خاصی درباره تعداد باتری‌های یدکی اضافه کند که در صفحه TSA نادیده گرفته شده است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مبنی‌سازی (Grounding) مدل‌های زبانی اشاره کردیم، تکیه بر متن خام ریسک خطا را بالا می‌برد. برای حل این مشکل، CabinClaim هر جمله رسمی را به‌عنوان یک سند «ادعای قانون» (ruleClaim) در Sanity ذخیره می‌کند. هر ادعا شامل فیلدهای دقیقی است:
- عملگر و مقدار (مثلاً:
liquid_mlکمتر یا مساوی ۱۰۰) - بازه زمانی اجرا و تاریخ اثرگذاری
- آدرس URL منبع و نقل‌قول دقیق
این متدولوژی شباهت زیادی به رویکرد MonkeyCode در ایجاد دفتر کل مالکیت مسیرها دارد که برای توقف توهمات حقوقی در مستندات پیچیده AI طراحی شده است.
به نقل از مستندات این پروژه در dev.to، سیستم از پرس‌وجوهای GROQ استفاده می‌کند تا تنها ادعاهایی را فیلتر کند که بر اساس تاریخ سفر و کد IATA فعال هستند. اگر دو ادعای جاری با هم تضاد داشته باشند — مثلاً اختلاف در ابعاد کیف بین قوانین United و TSA — عامل به‌جای حدس زدن، هر دو نقل‌قول و منابع آن‌ها را به‌صورت موازی نمایش می‌دهد.
این سامانه به‌گونه‌ای طراحی شده که اگر فیلدهای ضروری مثل عملگر یا تاریخ اثرگذاری موجود نباشند، از پاسخ دادن به‌طور کامل خودداری کند. این اعتبارسنجی سخت‌گیرانه تضمین می‌کند که عامل هرگز به جست‌وجوی کلیدواژه‌ای بازنگردد؛ چرا که در آن حالت، تفاوت ظریف یک کیف ۵۶ در ۳۶ در ۲۳ سانتی‌متر با سقف ۳۵ سانتی‌متری یک شرکت خاص، به‌راحتی نادیده گرفته می‌شود.
این چرخش از «جست‌وجوی متن» به «پرس‌وجوی ادعاها»، معیار قابلیت اطمینان هوش مصنوعی در محیط‌های حساس را تغییر می‌دهد. در واقع، بار اثبات حقیقت از استدلال مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به ساختار پایگاه‌داده منتقل شده است تا AI به‌جای یک نویسنده خلاق، به‌عنوان یک رابط دقیق برای داده‌ها عمل کند. این تغییر دیدگاه به ما کمک می‌کند بفهمیم چرا گزارش‌های چت عامل‌های هوش مصنوعی لزوماً بازتاب‌دهنده وضعیت واقعی داده‌ها در دیسک نیستند.
گام بعدی شما
- پیاده‌سازی زنده این سیستم را در cabinclaim.vercel.app بررسی کنید.
- مخزن گیت‌هاب پروژه را برای درک نحوه طراحی Schemaهای ساختاریافته مطالعه کنید.
- در پروژه‌های خود، جایگزینی RAG متنی با پرس‌وجوی ساختاریافته را برای داده‌های عددی امتحان کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو