چگونه می‌توان اثرات نوشتاری هوش مصنوعی را به‌طور دائمی حذف کرد؟

تصور کنید هر بار که یک جمله نامناسب را در متن اصلاح می‌کنید، آن اصلاحیه به یک قانون دائمی برای عامل (Agent) هوش مصنوعی تبدیل شود تا دیگر هرگز آن اشتباه تکرار نشود. این تغییر رویکرد از ویرایش دستی به ساختار قانون‌مند، باعث می‌شود نویسندگان به جای ابزاری ایستا، با همکاری‌کننده‌ای در حال تکامل طرف باشند.

بسیاری از کاربران عبارات تولیدشده توسط هوش مصنوعی را مورد به مورد اصلاح می‌کنند؛ روشی که فقط symptom یا همان نشانه بیماری را درمان می‌کند، نه خودِ عادت را. این رویکرد شکست می‌خورد زیرا پیش‌نویس بعدی معمولاً همان «بیماری‌های زبانی» را یدک می‌کشد. با انتقال اصلاحات به یک فایل مهارت ساختاریافته، نویسنده مدل را مجبور می‌کند پیش از تولید متن، الگوهای خطا را شناسایی کند. این رویکرد در واقع پاسخی به چالش‌های تکرار در خروجی‌هاست، مشابه آنچه در راهکار موتور شفاف‌سازی متوالی برای حذف چرخه‌های تکرار بررسی کردیم.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت و کنترل مدل‌های زبانی اشاره کردیم، مدیریت دقیق خروجی‌ها تنها از طریق پرامپت‌های ساده ممکن نیست و نیازمند لایه‌های نظارتی است.

به نقل از راهنمای کاربردی منتشرشده در dev.to در ۸ اوت ۲۰۲۶، این سیستم با استفاده از یک فایل مهارت در Claude Code و در مسیر .claude/skills/prose-polish/SKILL.md پیاده‌سازی شده است. این معماری از چهار بخش اصلی تشکیل شده است:

• رویه (Procedure): یک گردش‌کار گام‌به‌گام شامل خواندن کامل پیش‌نویس، اصلاح تخلفات از قوانین، بررسی ریتم متن با خواندن بلند، اجرای یک مهارت جامعه‌محور برای بازبینی دوم و گزارش تغییرات.
• ردپاهای زبانی (Language-Specific Tells): فهرست‌های مجزا برای الگوهای انگلیسی و کره‌ای جهت شناسایی تکیه‌های زبانی خاص هر زبان.
• حفاظت از لحن (Voice Protection): دستورالعمل‌های صریح درباره مواردی که نباید تغییر کنند (مانند جملات کوتاه و ضربتی و یادداشت‌های صادقانه درباره محدودیت‌ها) تا هویت منحصر‌به‌فرد نویسنده در اثر اصلاحات توسط ویراستارِ مدل، تخت و یکنواخت نشود.
• عملیات (Operation): یک فرا-قانون که به عامل دستور می‌دهد هرگاه کاربر عبارتی را «نامناسب» علامت زد، نام آن الگو را استخراج کرده و آن را به فایل مهارت اضافه کند.

بر اساس مستندات این متد، یکی از قوانین اضافه شده در ۳ اوت ۲۰۲۶، هدف قرار دادن عباراتی است که در آن‌ها «استعاره به جای فاعل» قرار گرفته است (مثلاً «در را ابتدا جایی باز می‌کند که...»). در این حالت، مدل موظف است فاعل واقعی را جایگزین استعاره کند. این قانون زمانی شکل گرفت که مدل در هر دو نسخه انگلیسی و کره‌ای یک متن، دچار این خطای ساختاری شده بود و اجازه داده بود یک استعاره، نقش ادعایی را بدون وجود فاعل واقعی ایفا کند. این تلاش برای استانداردسازی زبان، یادآور تاثیر استاندارد هوانوردی ASD-STE100 در کاهش خطاهای نگارشی AI است که نشان داد قوانین سخت‌گیرانه چگونه دقت متن را بالا می‌برند.

قانون دیگری که در ۵ اوت ۲۰۲۶ اضافه شد، از «تکرار سوالِ تیتر در ابتدای پاراگراف» جلوگیری می‌کند؛ یعنی جایی که اولین جمله بدنه پاراگراف صرفاً همان سوالی را تکرار می‌کند که در تیتر پرسیده شده است. در واقع این فایل مهارت کمتر شبیه به یک کتاب دستور زبان و بیشتر شبیه به یک «دفتر ثبت حوادث» است؛ چراکه هر قانون، تاریخ تولد و دلیل ایجادش (پرچم اصلی) را یدک می‌کشد.

علاوه بر تعمیرات ساده، این سیستم از یک اصل حذف‌محور قدرتمند استفاده می‌کند. طبق این دستور، اگر جمله‌ای با قوانین تداخل داشت، عامل ابتدا باید سعی کند آن را کاملاً حذف کند؛ اگر معنای متن بدون آن جمله حفظ شد، جمله حذف می‌شود و سپس تلاش برای تعمیر آغاز می‌گردد. این اصل اکنون در گام دوم رویه قرار دارد.

برای افزایش دقت، سیستم از یک مهارت جامعه‌محور به نام blader/humanizer استفاده می‌کند. این لایه دوم، ۳۳ الگوی رایج بر اساس راهنمای ویکی‌پدیا برای شناسایی نوشته‌های AI را بررسی می‌کند تا الگوهای آماری که ممکن است در فایل شخصی نویسنده نباشند، شناسایی شوند. در متون کره‌ای، تمرکز بر الگوهای فارغ از زبان مانند «بزرگ‌نمایی اهمیت» (significance inflation)، «ضرب‌آهنگ‌های تکه‌تکه» (staccato drumbeats) و «قانون سه اجباری» (forced rule-of-three) است.

البته قوانین در سطح جمله کافی نیستند. برخی متون از همان مرحله طرح کلی (Outline) بوی هوش مصنوعی می‌دهند. این «ردپاهای ساختاری» شامل مواردی چون:

• استفاده مجدد از اسکلت بخش‌های پست قبلی.
• بازیافت ابزارهای برندینگ (مانند عبارت «آزمون لیتموس») پست به پست.
• تکیه همیشگی بر محور «A در برابر B» صرف‌نظر از موضوع بحث.

برای مقابله با این موضوع، بخشی مجزا برای بررسی ردپاهای ساختاری در مرحله اول (طرح کلی) طراحی شده است.

این متدولوژی نقش نویسنده را از یک ویراستار به یک معمار سیستم تغییر می‌دهد. به جای صرف انرژی برای یک جمله، کاربر روی سیستم سرمایه‌گذاری می‌کند تا پیش‌نویس‌های آینده از همان ابتدا تمیزتر باشند، زیرا پرچم‌های دیروز به اصلاحات خودکار امروز تبدیل می‌شوند.

با این حال، این سیستم محدودیت‌هایی دارد. برای مثال نمی‌تواند عادت‌های عمیق‌تر مانند «ترکیب بلاغت به زبان انگلیسی و سپس رندر کردن آن به زبان کره‌ای» را کاملاً حذف کند. برخی ردپاهای AI حتی با وجود فایل مهارت باقی می‌مانند و به عنوان سوابق تاریخی فرآیند یادگیری عمل می‌کنند.

برای شروع این مسیر، تنها به یک فایل اولیه با رویه‌ای ساده و فهرستی از کلمات ممنوعه مانند 'delve'، 'leverage'، 'seamless' و 'robust' نیاز دارید. همچنین می‌توانید قوانینی علیه نشانه‌های نتیجه‌گیری مانند «در نتیجه» (In conclusion) یا «به طور خلاصه» (To sum up) اضافه کنید. کلید موفقیت در بخش «عملیات» است که تضمین می‌کند فایل شما با هر اصلاحیه، به‌طور خودکار رشد کند.

گام بعدی شما

• یک فایل .md برای ثبت الگوهای تکراری مدل‌های زبانی خود ایجاد کنید.
• کلمات کلیشه‌ای (مانند «در دنیای امروز» یا «تحول‌آفرین») را در لیست ممنوعات قرار دهید.
• هر بار که متنی را دستی اصلاح می‌کنید، دلیل آن را به عنوان یک قانون برای دفعات بعد بنویسید.

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