تصور کنید یک نیروی تازه‌وارد از ویکی شرکت می‌پرسد که آیا می‌تواند تخفیف ۲۵ درصدی برای طرح سالانه بدهد؛ هوش مصنوعی با قاطعیت پاسخ «خیر» می‌دهد، نام شخص تأییدکننده را می‌گوید و لینک دقیق صفحه سیاست‌ها را می‌فرستد. این تجربه مرکزی Folio است؛ یک ویکی متن‌باز توسعه‌یافته توسط Evergreen که با هر سند را مانند یک فایل در مخزن Git برخورد می‌کند. طبق تحلیل فنی منتشر شده در ۷ اکتبر ۲۰۲۶، این سامانه با مبنی‌سازی (Grounding) — شبیه به دادن یک کتاب قانون باز به دستیاری که اجازه ندارد از حافظه خودش حرف بزند — تخمین و حدس‌زنی را از فرآیند جذب نیرو (Onboarding) حذف می‌کند.
اکثر پایگاه‌های دانش شرکتی با توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — دست‌وپنجه نرم می‌کنند، زیرا مدل‌ها به دانش عمومی یا نتایج جست‌وجوی پراکنده تکیه می‌کنند. Folio این مشکل را با شفاف و برنامه‌ریزی‌پذیر کردن ساختار ویکی حل می‌کند. این رویکرد یادآور راهکار MSG Chain برای استناد دقیق عامل‌ها است که با استفاده از فایل‌های ورودی JSON، تلاش می‌کند توهمات مدل را به حداقل برساند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل دقیق روی ورودی‌ها کلید پایداری است. در این سیستم، هر تغییر در یک قانون یا سیاست، یک «کامیت» (Commit) با برچسب زمانی و نام نویسنده است؛ بنابراین هوش مصنوعی همیشه آخرین نسخه تأییدشده از حقیقت را می‌خواند.
معماری مبتنی بر Git
به نقل از مستندات فنی Folio، این سیستم محتوا را در پایگاه‌داده‌های سنتی ذخیره نمی‌کند. در عوض، از یک مخزن Git استفاده می‌کند که در آن اسناد به صورت فایل‌های Markdown ذخیره می‌شوند: .md برای صفحات استاندارد، .table.md برای داده‌ها و .form.md برای ورودی‌ها. پایگاه‌داده PostgreSQL تنها برای مدیریت ایندکس و قوانین دسترسی استفاده می‌شود، نه برای ذخیره محتوا.
این معماری اجازه می‌دهد سه رابط مختلف — یک IDE، یک مرورگر و یک عامل (Agent) — با همان فایل‌های خام کار کنند. هر ویرایشی توسط انسان یا عامل ثبت می‌شود و یک ردپای کامل از تکامل دانش شرکت ایجاد می‌کند. این یعنی هر تغییر در دانش سازمانی، دقیقاً مانند تغییر در کد نرم‌افزار، قابل ردیابی و بازگشت است. در واقع، این نظم ساختاری در مقابل رویکردهای تولید خودکار صفحات قرار می‌گیرد که اغلب منجر به ایجاد بدهی ساختاری در وب‌سایت‌ها می‌شوند.
کنترل رفتار AI از طریق قوانین .agent
هوش مصنوعی Folio در دو حالت «پرسش» (فقط خواندنی) و «عامل» (خواندنی-نوشتنی) عمل می‌کند. برای جلوگیری از حدس‌زنی، Folio از یک پوشه مخفی به نام .agent استفاده می‌کند که حاوی صفحات Markdown است و فقط مدیران به آن دسترسی دارند. این صفحات مانند یک پرامپت سیستمی (System Prompt) — شبیه به دستورالعمل‌های سخت‌گیرانه مدیر برای کارمند — برای هر تعامل در آن فضای کاری عمل می‌کنند و تا ۶۰ هزار کاراکتر زمینه را پشتیبانی می‌کنند.
برای کاربران عادی، این صفحات وجود ندارند و هر تلاشی برای دسترسی به آن‌ها با خطای «صفحه یافت نشد» مواجه می‌شود. پنل هوش مصنوعی برای شفافیت، عبارت «.agent rules (1)» را بالای کادر ورودی نمایش می‌دهد تا محدودیت‌های فعال را اعلام کند.
به عنوان مثال، یک فایل how-to-answer.md در پوشه .agent به مدل دستور می‌دهد که:
- فقط از صفحات ارائه شده پاسخ دهد، نه از دانش عمومی.
- قبل از پاسخ، فضای کاری را جست‌وجو کرده و کل صفحه را بخواند، نه اینکه از روی عنوان حدس بزند.
- پاسخ‌ها را بین دو تا پنج جمله یا در قالب یک لیست کوتاه برای توالی گام‌ها نگه دارد.
- همیشه با بخش «منابع» (Sources) و لینک‌های مستقیم به صفحات استفاده شده در قالب
[Page title](/s/<space>/p/<id>)پایان دهد. - اگر پاسخ در صفحات نبود، صراحتاً اعلام کند و شخص مربوطه را با استفاده از صفحه «تصاعد» (Escalation) معرفی کند.
- هرگز قیمت‌ها، تاریخ‌ها، نام‌ها یا قوانین را از خودش نسازد.
از آنجا که این قوانین صرفاً فایل‌هایی در Git هستند، مدیران می‌توانند رفتار AI را فوراً تغییر دهند. اگر مدیری بخواهد یک الزام جدید، مثلاً اضافه کردن یک «گام بعدی» (Next step) با یک اقدام عملی قبل از خط منابع را اضافه کند، کافی است صفحه قانون را ویرایش کند. این تغییر بلافاصله روی تمام گفتگوهای جدید اعمال می‌شود، در حالی که گفتگوهای قدیمی دورهای قبلی خود را در Cursor SDK حفظ می‌کنند. تاریخچه اینکه چه کسی قانون را در چه زمانی تغییر داده است حفظ می‌شود و یک دکمه بازگشت (Restore) برای هر نسخه قبلی در دسترس است.
داده‌های ساختاریافته و فرم‌ها
در Folio، فرم‌ها به عنوان «درگاه ورود» به جداول عمل می‌کنند. هر صفحه فرم یک-به-یک با یک فایل جدول جفت شده است؛ به طوری که هر فیلد در فرم دقیقاً با یک ستون در جدول مطابقت دارد. این ساختار اجازه می‌دهد ویکی داده‌های ساختاریافته — مانند درخواست‌های ویژگی یا نظرسنجی‌های جذب نیرو — را جمع‌آوری کند و در عین حال داده‌ها را در قالب Markdown (که در گیت‌هاب قابل نمایش است) نگه دارد.
مکانیزم‌های جدول
- سریال‌سازی: جداول از یک کدک سفارشی استفاده می‌کنند. برای مثال، یک جدول «درخواست ویژگی‌ها» شامل Front Matter است که ستون‌ها را تعریف می‌کند (مانند
titleبه عنوان متن،ratingبه عنوان عددی بین ۱ تا ۵، وcontactبه عنوان چک‌باکس) و بدنه جدول Markdown بین تگ‌های<!-- folio:table:begin -->و<!-- folio:table:end -->محصور شده است. - ارسال: سرور به طور خودکار داده‌های «زمان ارسال» (Submitted at) و «ارسال‌کننده» (Submitter) را به ورودی‌های جدید اضافه می‌کند. هر پاسخ جدید به صورت یک Git diff ظاهر می‌شود.
- دسترسی: هر کسی با نقش مشاهده‌گر (Viewer) یا بالاتر می‌تواند در صورت ورود به سیستم، فرم را ارسال کند. ارسال‌های ناشناس نیازمند هر دو مورد «پرچم عمومی» (public flag) و «لینک اشتراک‌گذاری» هستند.
کنترل دسترسی در این سیستم بسیار دقیق است. یک نیروی تازه‌وارد می‌تواند فرمی را ارسال کند، اما جدول حاصل می‌تواند محدود شود تا فقط مدیران بتوانند پاسخ‌ها را بخوانند. مدیران سپس می‌توانند «نماها» (Views) ایجاد کنند — فیلترهایی بر اساس قوانین AND/OR — تا به عنوان یک اینباکس برای مواردی که نیاز به پیگیری دارند عمل کند.
برای مثال، یک نمای «نیاز به پیگیری» ممکن است از یک قانون OR استفاده کند: سقف تخفیف پاسخ داده شده ۱۰ نباشد، یا امتیاز آمادگی ۲ یا کمتر باشد. این کار یک مجموعه داده بزرگ را تنها به ردیف‌های بحرانی که نیاز به توجه دارند، فیلتر می‌کند.
شناسایی خودکار شکاف‌های دانشی
یکی از حیاتی‌ترین قابلیت‌ها، توانایی AI در گزارش دادن چیزهایی است که نمی‌تواند به آن‌ها پاسخ دهد. Folio ابزاری داخلی دارد که عامل باید در هر اجرا آن را فراخوانی کند. سرور این فراخوانی را یک بار برای هر پرسش با استفاده از یک قفل مشورتی (advisory lock) در هر اجرا اجباری می‌کند. پرسش‌ها برای حذف موارد تکراری در یک اجرا نرمال‌سازی می‌شوند و هر اجرا حداکثر سه گزارش را نگه می‌دارد.
حلقه بازخورد
Folio از سه سیگنال برای شناسایی شکاف‌ها بدون نیاز به گزارش‌های دستی استفاده می‌کند:
- لایک 👍 یا دیس‌لایک 👎 روی هر پاسخ ذخیره شده.
- یک نظرسنجی («آیا دستیار مشکل شما را حل کرد؟») بعد از هر سه پاسخ.
- ابزار داخلی که خودِ عامل فراخوانی می‌کند.
اگر AI پاسخی نیابد، یک گزارش «مفقود» (missing) صادر می‌کند. این گزارش کلمات اصلی کاربر، نسخه بازنویسی شده سوال توسط AI و شرح آنچه کم بود را ثبت می‌کند. توصیف ابزار اکیداً مدل را ملزم می‌کند که به صفحاتی که واقعاً در آن اجرا باز کرده است با فرمت [<title>](/s/<space>/p/<id>) لینک دهد. مدل اکیداً منع شده است که لینک‌های جعلی بسازد یا به صفحاتی که نخوانده است لینک دهد.
مدیران این «پرسش‌های بدون پاسخ» را در یک داشبورد مرکزی می‌بینند. یک مدیر سیستم (Instance Admin) تمام گفتگوها را می‌بیند، در حالی که مدیر فضای کاری (Space Admin) محدود به فضاهای خودش است. در این صفحه، توکن‌های دسترسی شخصی (Personal Access Tokens) پذیرفته نمی‌شوند. برای امنیت، باز کردن هر گفتگو در لاگ‌های حسابرسی ثبت می‌شود و گفتگو یک بلوک «چه کسی این گفتگو را باز کرد» شامل نام و زمان نمایش می‌دهد.
به محض اینکه مدیر بخش مفقود را در ویکی بنویسد، AI در گفتگوهای بعدی قادر به پاسخگویی خواهد بود. در یک تست، پس از رفع یک شکاف دانشی، AI توانست با موفقیت نام مدیر مالی را بگوید و به صفحه «سیاست استرداد وجه» (Refund policy) لینک دهد.
یکپارچگی و محدودیت‌ها
Folio از پروتکل زمینهٔ مدل (MCP) پشتیبانی می‌کند و ۲۳ ابزار را در اختیار کلاینت‌هایی مثل ChatGPT Deep Research از طریق توکن‌های شخصی یا OAuth قرار می‌دهد. این یعنی عامل‌های خارجی می‌توانند با دستوراتی مانند claude mcp add folio --transport http <host>/mcp داده‌ها را جست‌وجو و بازیابی کنند، در حالی که حقوق دسترسی خاص کاربر رعایت می‌شود.
با این حال، محدودیت‌هایی وجود دارد:
- عامل‌های خارجی: آن‌ها نمی‌توانند پوشه مخفی
.agentرا ببینند و نمی‌توانند سوالات بی‌پاسخ را ثبت کنند؛ در عوض از فایلی به نامagent-playbook.mdاستفاده می‌کنند که حاوی همان قوانین در قالب یک صفحه معمولی است. - تأمین‌کننده: در حال حاضر Folio AI به اشتراک Cursor نیاز دارد، زیرا صفحاتی که با آن‌ها کار می‌کند به Cursor ارسال می‌شوند و هنوز تأمین‌کننده دیگری وجود ندارد. برای کسانی که در حال بررسی گزینه‌های مختلف هستند، این ۶ معیار حیاتی برای ارزیابی اشتراک‌های جامع هوش مصنوعی می‌تواند در تصمیم‌گیری کمک‌کننده باشد.
این چرخش به سمت «مستندات به مثابه کد» (Documentation as Code) به این معناست که کیفیت یک دستیار AI دیگر فقط به پارامترهای مدل بستگی ندارد، بلکه به نظم و دقت مخزن Git زیربنایی وابسته است. این رویکرد، ویکی را از یک قبرستان ایستا از فایل‌های PDF به یک رابط برنامه‌ریزی‌پذیر برای هوش سازمانی تبدیل می‌کند.
برای بررسی این پیاده‌سازی، می‌توانید به مخزن متن‌باز Folio (تحت لایسنس MIT) در گیت‌هاب به آدرس https://github.com/evergreen-it-dev/folio دسترسی پیدا کنید یا دموی زنده را در https://demo.foliowiki.online (با کاربر 'Sam') تست کنید. یک تور کوتاه نیز در https://foliowiki.online در دسترس است.
گام بعدی شما
- اگر از Notion یا Confluence خسته شده‌اید، مخزن متن‌باز Folio را در گیت‌هاب بررسی کنید تا با مفهوم مستندات کد-محور آشنا شوید.
- دمو زنده Folio را با کاربر 'Sam' تست کنید تا ببینید قوانین
.agentچگونه پاسخ‌ها را محدود می‌کنند. - بررسی کنید آیا می‌توانید بخشی از دانش فنی تیم خود را به فرمت Markdown تبدیل کنید تا برای استفاده در سیستم‌های RAG آماده شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو