تصور کنید یک بنیان‌گذار تک‌نفره هستید که ایده‌ای درخشان دارد اما نمی‌دانید کدام شتاب‌دهنده واقعاً پذیرای کسی است که هنوز شرکتی ثبت نکرده یا انگلیسی بلد نیست. جست‌وجوی دستی در صفحات FAQ شتاب‌دهنده‌ها شبیه به یک بازی گنج‌یابی خسته‌کننده است که در آن قوانین پذیرش — مانند الزامات اقامتی یا موانع زبانی — در بخش‌های مختلف و پراکنده پنهان شده‌اند. برای بنیان‌گذارانی که به زبان انگلیسی تسلط ندارند یا فاقد یک شخصیت حقوقی (Legal Entity) هستند، این جست‌وجوی دستی یک مانع ورود جدی محسوب می‌شود.
در ۳ اکتبر ۲۰۲۶، جونیونگ پارک (Junyoung Park)، یک بنیان‌گذار تک‌نفره در سئول، نشان داد که چگونه یک فرد غیربرنامه‌نویس می‌تواند با ابزاری به نام Funding Fit، فرآیند خسته‌کننده بررسی صلاحیت‌ها را خودکار کند. این ابزار دقیقاً روی این سؤال حیاتی تمرکز دارد که «آیا اصلاً اجازه درخواست دارم؟»؛ یعنی بررسی دقیق اینکه آیا ثبت شرکت الزامی است، آیا بنیان‌گذار باید به سان‌فرانسیسکو نقل مکان کند یا برای ۱۱ هفته در دفتر سئول مستقر شود، آیا مصاحبه‌ها از طریق تماس‌های ویدئویی انگلیسی است یا اینکه هزینه‌ای برای شرکت در برنامه دریافت می‌شود.
Funding Fit برای حل این مشکل، یک مدل زبانی بزرگ (LLM) محلی را با یک پایگاه دانش ساختاریافته ترکیب کرده است. این سیستم به‌طور خاص برای یک «پرسونای با اصطکاک بالا» طراحی شده است: بنیان‌گذاری تک‌نفره مستقر در کره که نمی‌تواند در مصاحبه‌های ویدئویی انگلیسی شرکت کند، هنوز شرکتی ثبت نکرده و باید در کره بماند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اجرای محلی مدل‌ها برای حفظ حریم خصوصی داده‌های حساس بنیان‌گذاران حیاتی است.
معماری فنی
این عامل به‌طور کامل روی یک رایانه شخصی و از طریق اولاما (Ollama) با مدل gemma3:4b اجرا می‌شود. این رویکرد تضمین می‌کند که داده‌های حساس بنیان‌گذار هرگز از دستگاه خارج نشود، مگر برای پرس‌وجوهای (Queries) خاصی که به نقطه انتهایی (Endpoint) مدل MCP در Sanity Context ارسال می‌شوند. سیستم از یک شناسه پروژه Sanity با مقدار r0ts6lj0 (سازمان omt0cu3cw و پایگاه دانش kbbjiFEOCdVH) به همراه یک توکن سازمان Context Viewer با دسترسی فقط-خواندنی استفاده می‌کند.
پایگاه دانش این سیستم از ۱۴ منبع رسمی تشکیل شده است. این منابع شامل خزش وب (Website Crawl) از صفحات درخواست و FAQ سایت Y Combinator و ۱۳ فایل Markdown است که از صفحات رسمی برنامه‌های زیر ایجاد شده‌اند:
- برنامه‌های جهانی: Hustle Fund، Betaworks Camp، Founder University و Afore.
- برنامه‌های کره‌ای: TheVentures، D.CAMP، FuturePlay، SparkLabs، Antler Korea، Mashup Ventures، Zoom-In Partners و Kakao Ventures.
سیستم Sanity Context این منابع را در نه ورودی خاص سازماندهی کرده است: صلاحیت‌ها (eligibility)، برنامه‌های کره (korea_programs)، برنامه‌های جهانی (global_programs)، مصاحبه‌ها (interviews)، لجستیک برنامه (program_logistics)، ساختار برنامه (program_structure)، فرآیند درخواست (application_process)، شرایط سرمایه‌گذاری (investment_terms) و مقایسه (comparison). پارک برای پالایش داده‌ها، یک فیلد هدف مشخص تعریف کرد: «با قوانین صلاحیت شروع کن: آیا شرکت الزامی است، دورکار است یا حضوری (و کجا)، فرمت و زبان مصاحبه، مبلغ چک سرمایه‌گذاری، نحوه درخواست و ضرب‌الاجل‌ها. موارد خارج از محدوده: متون تبلیغاتی و اخبار پورتفولیو.»
گردش کار عامل
این عامل از یک زنجیره ابزاری چندمرحله‌ای پیروی می‌کند: initial_context $\rightrightarrows$ knowledge_base_search $\rightrightarrows$ knowledge_base_read.
۱. زمینه اولیه (Initial Context): عامل ابتدا فهرستی از مسیرهای ورود معتبر را بازیابی می‌کند.
۲. برنامه‌ریزی (Planning): مدل محلی ورودی‌های خاص را انتخاب کرده و کلمات کلیدی جست‌وجو به زبان انگلیسی را در قالب فرمت JSON تولید می‌کند.
۳. بازیابی (Recall): سیستم برای بازیابی بیشتر، یک knowledge_base_search انجام می‌دهد و سپس برای هر ورودی انتخاب‌شده، عملیات knowledge_base_read را اجرا می‌کند.
۴. ساختاردهی (Structuring): ورودی‌ها به بخش‌های ## Program تقسیم می‌شوند. نام برنامه‌ها منحصراً از ورودی‌های پروفایل گرفته می‌شوند تا از خطاهای نام‌گذاری جلوگیری شود.
۵. استخراج (Extraction): مدل محلی هشت فیلد مشخص را استخراج کرده و برای هر کدام یک نقل‌قول مستقیم (Verbatim Quote) ارائه می‌دهد.
مکانیزم مبنی‌سازی برای حذف توهم
برای از بین بردن توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — پارک یک خط لوله تأیید سخت‌گیرانه طراحی کرد. این رویکرد شباهت زیادی به چارچوب PicNet برای حذف توهم در دستیارهای سازمانی دارد که بر دقت بازیابی داده‌ها در محیط‌های تجاری تأکید می‌کند. عامل به‌جای خلاصه‌سازی ساده متن، هشت فیلد مشخص را استخراج می‌کند: الزام شرکت، الزام حضور فیزیکی، مکان، مصاحبه ویدئویی انگلیسی، هزینه، مبلغ چک، روش درخواست و ضرب‌الاجل؛ و هر مقدار را با یک نقل‌قول مستقیم از منبع جفت می‌کند.
تأیید نهایی در سطح کد انجام می‌شود، نه توسط مدل. یک مقدار تنها زمانی «واقعیت» تلقی می‌شود که نقل‌قول دقیقاً در متن بازیابی‌شده ظاهر شود و آن خط حاوی کلمات کلیدی مرتبط باشد. برای مثال، مقدار «شرکت الزامی است» باید در خطی ظاهر شود که کلماتی مانند "incorporat"، "company"، "entity" یا "corporation" در آن باشد. این مکانیسم مانع از آن می‌شود که مدل یک جمله تصادفی را برای توجیه یک پاسخ غلط بهانه کند.
عملکرد در دنیای واقعی
در تست‌های ۳ اکتبر ۲۰۲۶، سیستم توانست به پرسشی پیچیده به زبان کره‌ای پاسخ دهد: «کجا می‌توانم به‌تنهایی، بدون شرکت، بدون حضور در خارج از کشور و بدون مصاحبه انگلیسی درخواست دهم؟»
سیستم به‌درستی Hustle Fund، TheVentures، FuturePlay و Mashup Ventures را به‌عنوان گزینه‌های مناسب شناسایی کرد. برای مثال، تأیید شد که Hustle Fund مبلغ ۱۵۰ هزار دلار چک اول را ارائه می‌دهد و هیچ الزامی برای اقامت فیزیکی ندارد. همچنین ذکر شد که Mashup Ventures ضرب‌الاجل جاری (Rolling Deadline) دارد و مبلغ سرمایه‌گذاری آن تا ۵۰۰ میلیون وون کره (₩500M KRW) است.
در مقابل، برنامه‌های بزرگی به‌دلیل واقعیت‌های تأییدشده حذف شدند:
- Y Combinator: به‌دلیل الزام اقامت در سان‌فرانسیسکو (دوره ها به‌صورت حضوری اجرا می‌شوند) و مصاحبه‌های ویدئویی انگلیسی (نوامبر-دسامبر) حذف شد. ضرب‌الاجل آن ۲ نوامبر ساعت ۸ شب به وقت PT ثبت شد. همچنین اشاره شد که YC به محض پذیرش در شرکت‌ها سرمایه‌گذاری می‌کند، هرچند ثبت شرکت قبل از درخواست الزامی نیست.
- Founder University: به‌دلیل اینکه برنامه‌ای مبتنی بر پرداخت هزینه (Fee-based) با جلسات انگلیسی است، حذف شد. این برنامه چک‌هایی به مبلغ ۲۵ هزار یا ۱۲۵ هزار دلار برای فارغ‌التحصیلان برتر ارائه می‌دهد و به‌عنوان یک پیش-شتاب‌دهنده برای استارتاپ‌های در مرحله ساخت/راه‌اندازی توصیف شده است.
- SparkLabs: به‌دلیل الزام صریح به داشتن شرکت ثبت‌شده و ذکر اینکه بنیان‌گذاران تک‌نفره (استارتاپ‌های یک نفره) واجد شرایط نیستند، حذف شد. این برنامه معمولاً ۱۰۰ میلیون وون یا بیشتر را از طریق CPS یا SAFE سرمایه‌گذاری می‌کند و درخواست‌ها دو بار در سال (آوریل و سپتامبر) برای مدت حدود ۱.۵ ماه باز است.
- Betaworks Camp: به‌دلیل الزام حضور فیزیکی ۱۲ هفته‌ای در منطقه Meatpacking نیویورک حذف شد. زمان درخواست‌ها دسامبر تا ژانویه است.
- Antler Korea: در وضعیت «مشروط» قرار گرفت؛ زیرا هرچند برای درخواست نیازی به شرکت نیست، اما حضور تمام‌وقت (۹ صبح تا ۶ عصر، روزهای کاری) برای فاز اول ۱۱ هفته‌ای در سئول الزامی است. این برنامه تا ۲۶۰ هزار دلار (۳۵۰ میلیون وون) به هر تیم ارائه می‌دهد و هیچ هزینه‌ای از بنیان‌گذاران دریافت نمی‌کند.
جزئیات استخراج و واقعیت‌های تأییدشده
برای نمایش دقت سیستم، لاگ‌های داخلی عامل نشان می‌دهد که چگونه با داده‌های خاص برخورد می‌کند:
- Hustle Fund: برای الزام شرکت مقدار "no" (با نقل‌قول: "Not stated as a requirement") و برای اقامت حضوری مقدار "no" ثبت کرد. هدف این برنامه آمریکا، کانادا و جنوب شرق آسیا است.
- TheVentures: به‌عنوان یک VC مستقر در کره شناسایی شد. عامل اشاره کرد که کل فرآیند تا دریافت سرمایه کمتر از یک هفته زمان می‌برد و بررسی‌ها از روز بعد از درخواست آغاز می‌شود.
- FuturePlay: به‌عنوان یک شرکت سرمایه‌گذاری خطرپذیر در حوزه Deep Tech در سئول تأیید شد. درخواست‌ها از طریق بخش "Submit pitch" در وب‌سایت آن‌ها مدیریت می‌شود.
- Mashup Ventures: تأیید شد که درخواست‌ها بدون نیاز به بیزنس پلن آماده پذیرفته می‌شوند و تمرکز روی توانمندی تیم و درک بازار است.
لجستیک و صلاحیت‌ها
- Antler Korea: تأیید شد که تیم‌ها در طول برنامه شکل گرفته و ثبت می‌شوند، بنابراین برای درخواست نیازی به شرکت نیست. اما حضور سخت‌گیرانه در سئول الزامی است.
- Y Combinator: عامل یک مراسم افتتاحیه ۳ روزه حضوری در سان‌فرانسیسکو را شناسایی کرد. ضرب‌الاجل ۲ نوامبر و اعلام نتایج تا ۱۱ دسامبر تأیید شد.
- Founder University: تأیید شد که کاملاً دورکار/مجازی است و جلسات زنده دوشنبه‌ها و پنجشنبه‌ها (هر کدام ۱ ساعت در ساعت ۵ عصر به وقت CT) برگزار می‌شود.
- Betaworks Camp: به‌طور دقیق در منطقه Meatpacking نیویورک مستقر است.
مسائل مالی و روش‌های درخواست
- مبالغ سرمایه‌گذاری: عامل اعداد دقیقی را استخراج کرد: Hustle Fund (۱۵۰ هزار دلار)، Antler Korea (۲۶۰ هزار دلار / ۳۵۰ میلیون وون)، Mashup Ventures (تا ۵۰۰ میلیون وون) و SparkLabs (۱۰۰ میلیون وون به بالا).
- کانال‌های درخواست: سیستم بین وب‌سایت‌های عمومی (Hustle Fund, TheVentures, FuturePlay) و فرم‌های خاص، مانند «فرم درخواست بررسی سرمایه‌گذاری» در Mashup Ventures تفاوت قائل شد.
- ضرب‌الاجل‌ها: عامل درخواست‌های «جاری» (Rolling) برای Antler Korea، Mashup Ventures و Betaworks Camp را شناسایی کرد، در حالی که ضرب‌الاجل سخت ۲ نوامبر برای YC را ثبت نمود.
غلبه بر محدودیت‌های مدل‌های کوچک
پارک در طول توسعه با چندین باگ مواجه شد که خطرات استفاده از مدل‌های ۴ میلیارد پارامتری را برجسته می‌کند.
خطاهای منطقی و عنوان‌بندی
در ابتدا، مدل عناوینی مانند "Eligibility Matrix"، "Sources" و "Check-Size Comparison" را به‌جای نام سرمایه‌گذاران لیست می‌کرد. پارک این مشکل را با اجبار مدل به استخراج نام‌ها فقط از ورودی‌های پروفایل حل کرد. مورد دیگر زمانی رخ داد که مدل جمله «پیتچ کردن سریع‌ترین راه برای پاسخ گرفتن به سوالات است» را به‌عنوان دلیلی برای وجود مصاحبه‌های ویدئویی انگلیسی در Hustle Fund نقل کرد. کد به‌روزرسانی شد تا اطمینان حاصل شود که خط نقل‌قول حتماً حاوی کلمات کلیدی مربوط به آن فیلد خاص باشد.
توهمات و قطع شدن متن (Truncation)
مدل گاهی در خلاصه نهایی واقعیت‌هایی را اختراع می‌کرد، مثلاً ادعا می‌کرد FuturePlay نیاز به حضور حضوری دارد. برای حل این مشکل، خلاصه نهایی اکنون توسط کد و فقط بر اساس واقعیت‌های تأییدشده نوشته می‌شود؛ مدل فقط می‌خواند و نقل‌قول می‌کند، اما هرگز تصمیم نمی‌گیرد که چه کسی واجد شرایط است.
علاوه بر این، منابع طولانی برای Antler Korea باعث می‌شد خروجی JSON مدل ۴ میلیاردی قطع شود. پارک این مشکل را با اجرای استخراج‌های کوچک برای هر بخش و سپس ادغام آن‌ها حل کرد، به‌طوری که یک مقدار تأییدشده بر مقدار تأییدنشده اولویت دارد. این کار اجازه داد عامل به‌درستی فرآیند درخواست جاری و الزامات اقامت در سئول برای Antler را شناسایی کند.
محدودیت‌های فعلی
سیستم در حال حاضر با مجموعه‌ای ثابت از معیارها عمل می‌کند. اگرچه می‌تواند تشخیص دهد برنامه‌ای در کره است یا خیر، اما هنوز نمی‌تواند سرمایه‌گذاران را بر اساس سرعت پاسخ‌دهی رتبه‌بندی کند. برای مثال، با اینکه منابع ذکر می‌کنند TheVentures کسب‌وکارها را روز بعد از درخواست بررسی می‌کند، اما عامل هنوز بر اساس این سرعت مرتب‌سازی نمی‌کند.
سایر محدودیت‌ها عبارتند از:
- فیلتر کردن: عامل فاقد فیلتر خاص «زبان درخواست» یا «کشور» است، به این معنی که برنامه‌های مستقر در آمریکا ممکن است همچنان در جست‌وجوهای داخلی ظاهر شوند.
- سرعت: مدل محلی ۴ میلیاردی نسبتاً کند است و روی یک لپ‌تاپ استاندارد بین ۱۰۰ تا ۲۰۰ ثانیه برای هر پرسش زمان می‌برد. برای مثال، پرس‌وجو درباره سرمایه‌گذاران کره‌ای ۱۹۶ ثانیه و پرس‌وجو درباره درخواست‌های جاری ۱۸۵ ثانیه زمان برد.
- کامل بودن: عبارت "Not in sources" (در منابع نیست) یک نتیجه رایج است، به این معنی که بنیان‌گذاران هنوز باید برخی صفحات را به‌صورت دستی بررسی کنند.
جزئیات پیاده‌سازی
این پروژه با استفاده از Python 3.10 و کتابخانه mcp ساخته شده است. معماری بر دو فایل اصلی متکی است:
kb_client.py: یک کلاینت کوچک برای نقطه انتهایی Sanity Context MCP که مدیریت نشست‌ها و فراخوانی ابزارها را بر عهده دارد.funding_fit.py: حلقه اصلی عامل که پرامپت‌های LLM، منطق استخراج و بررسی نهایی مبنی‌سازی (Grounding Check) را مدیریت می‌کند.
این پروژه نشان‌دهنده چرخش به سمت «هوش مصنوعی قابل تأیید» برای تصمیمات حساس شخصی است. این رویکرد در واقع نمونه‌ای از ساخت سیستم‌عامل‌های هوش مصنوعی توسط بنیان‌گذاران است که به‌جای تکیه بر پرامپت‌های ساده، جریان‌های کاری پیچیده و خودکار را جایگزین می‌کنند. با انتقال منطق از حدس‌های احتمالی مدل به تأیید کد-محورِ نقل‌قول‌های مستقیم، یک مدل زاینده به یک موتور استخراج داده قابل اعتماد تبدیل می‌شود.
اگر شما یک بنیان‌گذار تک‌نفره هستید، اکنون می‌توانید از معماری‌های مشابه Local-first برای بازرسی اسناد حقوقی یا الزامات گرنت‌ها استفاده کنید، بدون اینکه حریم خصوصی داده‌های خود را به خطر بیندازید یا به خلاصه‌های تأییدنشده هوش مصنوعی اعتماد کنید.
گام بعدی شما
- اگر بنیان‌گذار هستید، از معماری‌های Local-first برای بررسی اسناد حقوقی یا شرایط گرنت‌ها استفاده کنید تا حریم خصوصی داده‌هایتان حفظ شود.
- برای کاهش نرخ توهم در پروژه‌های خود، به‌جای درخواست خلاصه‌سازی، مدل را مجبور به استخراج نقل‌قول‌های مستقیم کنید.
- مدل‌های کوچک (SLM) را برای کارهای استخراجی به جای تحلیل‌های پیچیده به کار ببرید و تأیید نهایی را به لایه کد بسپارید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو