تصور کنید مهندس نرم‌افزاری هستید که زیر فشار کاری شدید قرار دارد؛ در حالی که یک چت‌بات معمولی احتمالاً به شما پیشنهاد می‌کند سریعاً استعفا دهید، ContextLens مسیر متفاوتی را می‌پیماید. این پروژه متن‌باز که برای چالش Hacktoberfest ۲۰۲۶ منتشر شده است، الگوی ارائه حکم نهایی را رد می‌کند و کاربر را وادار می‌کند ابتدا ساختار مشکل را کالبدشکافی کند.
بیشتر دستیارهای هوش مصنوعی برای سرعت و پاسخ‌دهی طراحی شده‌اند، موضوعی که طبق گزارش‌های تخصصی، هنگام مواجهه با تنگناهای پیچیده انسانی منجر به «نتیجه‌گیری‌های با اعتمادبه‌نفس اما ساختگی» می‌شود. این رویکرد یادآور پارادوکس اولویت سرعت بر دقت در دستیارهای کدنویسی است که در آن دقت فدای پاسخ‌های سریع می‌شود. این وضعیت ریسک فرسایش مهارت‌های تحلیلی را ایجاد می‌کند، چرا که کاربران قضاوت خود را به یک مدل جعبه‌سیاه می‌سپارند. ContextLens به‌عنوان یک پادزهر وارد میدان شده تا هوش مصنوعی زاینده (Generative AI) — شبیه به یک مربی تفکر که به‌جای دادن جواب، سوالات درست را می‌پرسد — را به جای یک پیش‌گو، به یک فضای کاری برای تفکر ساختاریافته تبدیل کند. سوال بنیادین اینجاست: آیا ما مسئله را به‌اندازه کافی می‌شناسیم تا تصمیم بگیریم؟
مشکل پرسش «چه کار باید بکنم؟»
وقتی افراد در بن‌بست قرار می‌گیرند، اغلب با پرسیدن سوال اشتباه شروع می‌کنند. آن‌ها واقعیت‌ها را با فرض‌ها و اطلاعات موجود را با شکاف‌های ناشناخته ترکیب می‌کنند. همچنین دیدگاه شخصی خود را با دیدگاه دیگران در هم می‌آمیزند و نیازهای کوتاه‌مدت را با اهداف بلندمدت اشتباه می‌گیرند.
دستیارهای متداول هوش مصنوعی اغلب مستقیماً به سراغ نتیجه‌گیری می‌روند. برای مثال، اگر یک برنامه‌نویس تازه‌کار از فشار کاری زیاد، تعدد وظایف همزمان و نبود انرژی برای آمادگی مصاحبه گزارش دهد، یک AI معمولی ممکن است صرفاً بگوید: «شروع به درخواست برای شغل‌های جدید کن».
ContextLens استدلال می‌کند که این نتیجه‌گیری زودهنگام است. این ابزار سوالات حیاتی و مفقود را بیرون می‌کشد: آیا این فشار کاری موقتی است؟ کدام وظایف غیرقابل مذاکره‌اند؟ آیا اولویت‌ها قابل مذاکره مجدد هستند؟ آیا هدف فوری تغییر شغل است یا ایجاد زمان برای آمادگی پایدار؟
گردش کار تفکر ساختاریافته
بر اساس مستندات این پروژه، سامانه از یک مسیر قطعی (Deterministic) پیروی می‌کند تا اطمینان حاصل شود که انسان تصمیم‌گیرنده نهایی است. این گردش کار از مراحل مشخص زیر عبور می‌کند:
- درک و پرسش: شناسایی آنچه واقعاً دانسته شده در برابر آنچه فرض شده است.
- گسترش و اتصال: کشف زمینه‌های مفقود و مرتبط کردن عوامل غیربدیهی.
- به چالش کشیدن و بازتعریف: شناسایی نقاط کور و بررسی اینکه آیا مسئله درست توصیف شده است یا خیر.
- مقایسه و ترکیب: ترسیم گزینه‌ها و موازنه (Trade-off) آن‌ها پیش از تصمیم نهایی انسان.
در این مدل، تصمیم نهایی همیشه بر عهده انسان باقی می‌ماند. نقش هوش مصنوعی تنها کمک به کاربر برای دیدن شفاف‌تر مسئله در گام اول است. این تمرکز بر شواهد ساختاریافته، شباهت زیادی به معماری ContextGuide برای جلوگیری از توهمات AI دارد که در آن شهود مدل در برابر داده‌های ساختاریافته قرار می‌گیرد.
معماری محلی‌محور (Local-First)
برای مدیریت داده‌های حساس شخصی، ContextLens بر پایه یک پشته محلی بنا شده است. این ابزار از مدل Gemma 3 4B استفاده می‌کند که از طریق Ollama به‌صورت محلی اجرا می‌شود؛ به این معنا که هیچ‌یک از داده‌های مربوط به زمینه تصمیم‌گیری به ارائه‌دهندگان ابری و بسته ارسال نمی‌شود.
این رویکرد محلی، موازنه طراحی را برای تصمیمات شخصی تغییر می‌دهد. چون مدل روی دستگاه کاربر اجرا می‌شود، بستر تصمیم‌گیری در محیط اجرای محلی باقی می‌ماند. همچنین، لایه هوش مصنوعی به یک ارائه‌دهنده خاص وابسته نیست و امکان آزمایشگری بیشتر فراهم است؛ به طوری که می‌توان مدل یا محیط اجرا را بدون بازطراحی کل محصول تغییر داد.
بخش فنی این سامانه توسط FastAPI، LangGraph و Pydantic قدرت گرفته و SQLite وظیفه ذخیره‌سازی محلی پرونده‌ها و داده‌های بازپخش (Replay Data) را بر عهده دارد. معماری به‌طور عمدی ساده نگه داشته شده تا قابل‌فهم، تست‌پذیر و با سهولت در محیط محلی اجرا شود.
فراتر از رابط کاربری چت‌بات
یکی از تصمیمات کلیدی طراحی، اجتناب عمدی از رابط کاربری (UI) متداول چت‌بات‌ها بود. چت‌بات‌های معمولی الگویی را تشویق می‌کنند که در آن کاربر می‌پرسد «چه کار کنم؟» و AI پاسخ را می‌دهد. در مقابل، ContextLens کاربر را با سوالاتی چون «چه می‌دانیم؟»، «چه فرض‌هایی شده است؟» و «چه چیزی تصمیم را تغییر می‌دهد؟» به چالش می‌کشد.
به‌جای یک حلقه ساده‌ی پرسش و پاسخ، سامانه موقعیت را به قطعات ساختاریافته تقسیم می‌کند:
- دانسته‌ها در برابر ناشناخته‌ها: چه اطلاعاتی واقعاً از داده‌های ارائه شده داریم و چه اطلاعات مهمی مفقود است؟
- فرض‌ها: چه چیزهایی را بدون دلیل کافی، درست فرض کرده‌ایم؟
- دیدگاه‌ها: موقعیت از چشم ذینفعان مختلف چگونه به نظر می‌رسد؟
- اتصالات: کدام عوامل با هم مرتبط‌اند، حتی اگر در ابتدا بدیهی نبودند؟
- تضادها: کجا اهداف یا قطعات اطلاعاتی مختلف با هم در تعارض هستند؟
- نقاط کور: کاربر چه مواردی را ممکن است نادیده گرفته باشد؟
- بازتعریف‌ها: آیا راه بهتری برای توصیف مسئله واقعی وجود دارد؟
- گزینه‌ها و موازنه: چه مسیرهای ممکنی وجود دارد و هر گزینه چه چیزی را به دست می‌آورد و چه چیزی را فدا می‌کند؟
- ترکیب: تصویر کلی موقعیت پس از بررسی از زوایای مختلف چیست؟
فضای کاری صوتی و تعامل
این برنامه همچنین یک فضای کاری صوتی را با استفاده از Web Speech API مرورگر ادغام کرده تا فرآیند تفکر، گفتگو‌محور باقی بماند. این پیاده‌سازی شامل موارد زیر است:
- بازشناسی گفتار (Speech Recognition): افزودن ورودی‌های صوتی به فضای کاری.
- سنتز گفتار (Speech Synthesis): خواندن پاسخ‌های مهم به‌صورت بلند.
- نشانه های بصری: نمایش وضعیت گوش دادن/صحبت کردن با حباب‌های متنی که متن گفتگو را نشان می‌دهند.
- کنترل کاربر: مدیریت مجوزهای میکروفون و کنترل رفتار خواندن متن.
اگر بازشناسی گفتار در دسترس نباشد، رابط کاربری به‌جای تظاهر به کارکرد صوت، به‌طور خودکار به تعامل متنی کاربردی بازمی‌گردد.
ادغام صادقانه هوش مصنوعی
توسعه‌دهنده یک مکانیسم «بازگشت قطعی» (Deterministic Fallback) را پیاده کرده است. ContextLens ابتدا بررسی می‌کند که آیا محیط اجرای Ollama و مدل Gemma در دسترس هستند یا خیر. اگر نباشند، رابط کاربری وضعیت جعلی «متصل به AI» را نشان نمی‌دهد.
در عوض، برنامه گردش کار ساختاریافته را از طریق یک مسیر پیش‌فرض و قطعی نمایش می‌دهد. این رویکرد تضمین می‌کند که محصول به‌طور خاموش تظاهر نکند یک مدل AI نتیجه‌ای را تولید کرده در حالی که اینطور نبوده است. این امر از این اصل طراحی نشأت می‌گیرد: «از هوش مصنوعی در همه جا فقط چون می‌توانید استفاده نکنید؛ آنجا استفاده کنید که واقعاً تجربه را بهبود ببخشد».
پیاده‌سازی فنی و API
این پروژه به‌گونه‌ای طراحی شده که بدون APIهای پولی اجرا شود. بخش بک‌اند نقاط انتهایی (Endpoints) ساختاریافته‌ای را ارائه می‌دهد تا گردش کار تفکر از رابط کاربری جدا بماند:
GET /api/v1/healthوGET /api/v1/casesبرای بررسی وضعیت سیستم و تاریخچه پرونده‌ها.POST /api/v1/analyzeوPOST /api/v1/analyze/continueبرای مدیریت فرآیند استدلال.POST /api/v1/analyze/decisionبرای ثبت ورودی نهایی انسان.GET /api/v1/cases/{case_id}/replayبرای بررسی مسیرهای تفکر طی شده در گذشته.POST /api/v1/memory/personalبرای مدیریت زمینه و حافظه شخصی کاربر.
تحلیل: تغییر پارادایم هوش مصنوعی
برای کاربر عملی، این پروژه نشان‌دهنده تغییر از «AI به‌عنوان موتور پاسخ‌دهی» به «AI به‌عنوان داربست شناختی» است. با حذف توانایی AI در ارائه توصیه نهایی، این ابزار از افتادن کاربر در تله «سوگیری اتوماسیون» (Automation Bias) جلوگیری می‌کند.
این رویکرد برای متخصصانی در محیط‌های حساس — مانند مدیریت یا آمادگی‌های حقوقی — که در آن فرآیند رسیدن به تصمیم به اندازه خود تصمیم مهم است، بسیار مفید است. این ثابت می‌کند که ارزش یک مدل زبانی بزرگ (LLM) همیشه در خروجی آن نیست، بلکه در توانایی‌اش برای ترغیب انسان به تفکر عمیق‌تر است. در این راستا، باید به این نکته توجه داشت که تراکم بیش از حد داده‌ها می‌تواند دقت عامل‌های AI را کاهش دهد، لذا تفکیک ساختاریافته در ContextLens یک ضرورت فنی است.
اگرچه در حال حاضر این پروژه یک MVP (محصول حداقلی) با محدودیت‌هایی است — مانند وابستگی به پشتیبانی صوتی مرورگر و کیفیت استدلال مدل‌های محلی — اما هدف آن گسترش به تشخیص بهتر عدم قطعیت، بازپخش غنی‌تر پرونده‌ها و ایجاد مجموعه‌داده‌های ارزیابی برای اندازه‌گیری میزان کاهش نقاط کور انسانی است.
برای بررسی پیاده‌سازی، می‌توانید مخزن گیت‌هاب را کلون کرده و مدل gemma3:4b را از طریق Ollama دریافت کنید تا گردش کار کامل استدلال را به‌صورت محلی اجرا کنید.
گفتگو