اگر امروز یک عامل هوش مصنوعی را برای مدیریت داده‌های حساس شرکتتان به کار می‌گیرید، احتمالاً تنها راه اطمینان شما، وعده‌های شفاهی فروشنده یا چند اسکرین‌شات از کنسول مدیریتی است. اما اکنون یک خط کد می‌تواند این «جعبه سیاه» را به یک دفترچه حسابرسی دقیق و غیرقابل‌دستکاری تبدیل کند. پروژه halo-record سیستمی برای ثبت زمان‌بندی اجرا (Runtime Recording) معرفی کرده است که مانع از آن می‌شود تا فروشندگان، تاریخچه اقدامات عامل (Agent) خود را ویرایش کنند. طبق مستندات این پروژه، هر اقدامی که یک عامل انجام می‌دهد — از فراخوانی ابزارها، فراخوانی‌های مدل، دسترسی به داده‌ها و تاییدیه ها — به صورت یک رکورد واحد در یک لاگ «فقط-افزودنی» (Append-only) با زنجیره‌بندی هش ذخیره می‌شود.
در حال حاضر، بررسی‌های امنیتی برای هوش مصنوعی سازمانی بر پایه تضمین‌های کتبی، اسکرین‌شات‌ها یا چک‌لیست‌های SOC 2 است. اما با افزایش خودمختاری عامل‌ها در دسترسی به داده‌های حساس، یک پاراگراف امضا شده دیگر برای تیم‌های امنیتی کافی نیست. همان‌طور که در تحلیل‌های پیشین ما درباره امنیت مدل‌های بازمتن اشاره کردیم، جابه‌جایی از «اعتماد به فروشنده» و ادعاهای متنی به سمت «تأیید ریاضی»، تنها راه نجات در مقیاس سازمانی است. این پروژه صنعت را به سمتی می‌برد که هر طرف ثالثی بتواند بدون نیاز به اعتماد به تولیدکننده، صحت لاگ‌ها را بررسی کند و مطمئن شود که هیچ رکوردی تغییر نکرده است.
ادغام این سیستم برای توسعه‌دهندگان بسیار ساده طراحی شده است تا کمترین اصطکاک ایجاد شود. طبق اعلام سازندگان، برنامه‌نویسان می‌توانند نقطه ورود عامل خود را با دستور from halo import trace محصور کنند تا هر فراخوانی ابزار در یک فایل JSONL ثبت شود. برای مثال، با استفاده از کد agent = trace(run_my_agent, profile="my-agent", log="audit.jsonl") نقطه ورود برنامه محصور شده و تمام وقایع ثبت می‌شوند. در صورتی که پارامتر log= حذف شود، رکوردها به صورت پیش‌فرض در مسیر ~/.halo/my-agent.jsonl ذخیره می‌گردند و برای هر عامل یک زنجیره مجزا ایجاد می‌شود.
زیرساخت و اعتماد
این سامانه برای آنکه به‌سادگی قابل بازرسی و حسابرسی باشد، بسیار کوچک طراحی شده و تنها شامل حدود ۴۳۰۰ خط کد پایتون تحت لایسنس Apache-2.0 است. برای تضمین امنیت حداکثری، این ابزار هیچ وابستگی (Dependency) در زمان اجرا ندارد و صرفاً بر پایه کتابخانه استاندارد پایتون کار می‌کند.
به گزارش تیم توسعه، کاربرانی که از طریق pip install halo-record این ابزار را نصب می‌کنند، دقیقاً یک بسته دریافت می‌کنند. رکوردگر هیچ تماس شبکه‌ای برقرار نمی‌کند، مگر در مورد «کلاینت شاهد» (Witness Client) که اختیاری است؛ این کلاینت تنها تعداد رکوردها و اثر انگشت زنجیره را ارسال می‌کند. این معماری تضمین می‌کند که محتوای خام رکوردها و داده‌های زیرساختی هرگز از محیط کاربر خارج نشوند.
سازوکارهای فنی و امنیت
halo-record برای حفاظت از داده‌ها و یکپارچگی آن‌ها بر چند اصل امنیتی بنیادین متکی است:
- زنجیره‌بندی هش (Hash-Chaining): هر رکورد از طریق یک هش SHA-256 به رکورد قبلی متصل می‌شود. برای محاسبه هش، محتوای رکورد (به جز هش فعلی) با
prev_hashرکورد پیشین ترکیب شده و طبق استاندارد RFC 8785 (طرح یک-پیکره‌سازی JSON) مرتب می‌شود. نخستین رکورد در هر زنجیره، همواره دارای ۶۴ صفر به عنوانprev_hashاست. - حذف داده‌های حساس (Redaction): ورودی‌های خام هرگز وارد رکوردها نمی‌شوند. سیستم از عبارات منظم (Regex) بر روی فرمت‌های رایج اسرار (Secrets) و اطلاعات شناسایی شخصی (PII) استفاده می‌کند تا بهترین تلاش را برای حذف آن‌ها به کار بندازد. آرگومان‌ها تنها به صورت خلاصه‌های سانسور شده ذخیره می‌شوند؛ این قابلیت بیشتر به عنوان یک لایه «دفاع در عمق» عمل می‌کند تا یک تضمین مطلق.
- پروتکل شاهد (Witness Protocol): یک زنجیره داخلی ثابت می‌کند که ترتیب رکوردها تغییر نکرده است، اما نمی‌تواند «کامل بودن» را تضمین کند؛ زیرا یک اپراتور می‌تواند یک روز کامل از لاگ‌های «روزهای بد» را حذف کرده و زنجیره را دوباره ببندد. برای حل این مشکل، یک «شاهد» — که طرفی خارج از کنترل اپراتور است — اثر انگشت‌های دوره‌ای را نگه می‌دارد. این فرآیند از طریق دستور
halo anchor audit.jsonl witness.jsonlمدیریت می‌شود. - سازگاری گسترده: این ابزار با آداپتورهایی برای OpenTelemetry GenAI (شامل CrewAI و LlamaIndex)، LiteLLM، LangChain، LangGraph و SDK عامل‌های OpenAI سازگار است. همچنین از MCP interceptors، خروجی‌های Langfuse و قلاب‌های (hooks) مربوط به Claude Code/Agent SDK پشتیبانی می‌کند.
- پشتیبانی از زبان‌های مختلف: نسخه تایپ‌اسکریپت این ابزار با نام halo-record-ts، آداپتورهای بومی برای Vercel AI SDK و اکوسیستم عامل‌های جاوااسکریپت فراهم می‌کند. هر دو زبان از یک فرمت زنجیره و پروتکل شاهد یکسان استفاده می‌کنند، به این معنی که رکوردهای نوشته شده در هر زبان، توسط هر یک از تاییدکننده‌ها (Verifiers) قابل بررسی است.
ادغام با استانداردهای انطباق
این ابزار به جای صدور گواهینامه، به عنوان یک «لایه شواهد» عمل می‌کند و مستندات و مصنوعات (Artifacts) خاص مورد نیاز چندین چارچوب جهانی را تولید می‌کند:
- قانون هوش مصنوعی اتحادیه اروپا (EU AI Act): الزامات مربوط به ثبت وقایع و نگهداشت سوابک (Logging and Record-keeping) برای سیستم‌های AI پرخطر را پوشش می‌دهد.
- AARM (CSA): رسیدهای عملیاتی غیرقابل‌دستکاری را تولید می‌کند که در استانداردهای R5/R6 ذکر شده است. زمانی که این ابزار با یک درگاه اجرایی (Enforcement Gateway) جفت شود، یک سیستم کامل AARM ایجاد می‌کند.
- پروژه امنیتی GenAI OWASP: شواهد زمان اجرا را برای «ابتکار امنیتی عامل-محور» (Agentic Security Initiative) و لیست ۱۰ مورد برتر OWASP برای اپلیکیشن‌های LLM فراهم می‌کند، به‌ویژه در مورد «عاملیت بیش‌ازحد» (Excessive Agency)، سوءاستفاده از ابزارها و افشای اطلاعات حساس. این رویکرد تکمیلی بر روش‌های تهاجمی است، مشابه آنچه در پروژه ArgusRed برای اثبات حفره‌های امنیتی مدل‌ها مشاهده می‌کنیم تا نقاط ضعف پیش از بهره‌برداری شناسایی شوند.
- ISO 42001 / NIST AI RMF: شواهد عملیاتی لازم برای کنترل‌های سیستم مدیریت را تأمین می‌کند.
- SOC 2: به فروشندگان اجازه می‌دهد به جای ارسال اسکرین‌شات‌ها و متون توصیفی در پرسشنامه‌های امنیتی خاصِ هوش مصنوعی، یک «گزارش زمان اجرا» (Runtime Report) تأییدپذیر ارائه دهند.
ابزارهای عملیاتی
خروجی نهایی برای کاربر، یک فایل متنی خام نیست، بلکه یک گزارش HTML خود-تأییدگر است که با دستور halo report audit.jsonl -o report.html تولید می‌شود. در محیط‌های چند-مستاجری (Multi-tenant)، با اجرای halo serve ./records --port 8721 فروشنده می‌تواند گزارش‌های دسترسی-محدود شده را ارائه دهد که از طریق halo grant (بر اساس ایمیل یا دامنه) برای هر مشتری تعریف شده‌اند.
توسعه‌دهندگان می‌توانند بلافاصله با دستور uvx --from halo-record halo demo --serve یا نصب با pip و اجرای دستور demo، عملکرد سیستم را آزمایش کنند. این دمو یک فروشنده فرضیِ «عامل پشتیبانی» را با دو مشتری و یک شاهد شبیه‌سازی می‌کند. کاربران می‌توانند یک «تست دستکاری» را با حذف یک خط از فایل .jsonl و بارگذاری مجدد گزارش تجربه کنند تا ببینند سیستم چگونه ویرایش را شناسایی می‌کند.
این رویکرد، فرض فنی را تغییر می‌دهد؛ نظارت بر عامل‌ها دیگر یک مسئله «تلیمتری» (Telemetry) یا عیب‌یابی نیست، بلکه یک ضرورت امنیتی است. با تبدیل لاگ‌ها از ابزار دیباگ به یک مصنوع امنیتی، halo-record توسعه‌دهندگان را مجبور می‌کند اولویت را به پاسخگویی (Accountability) بدهند. اگر پروتکل شاهد به استانداردی تبدیل شود، ماهیت «جعبه سیاه» در گردش‌کارهای عامل‌محور به پایان می‌رسد.
گام بعدی شما
- اگر از LangChain یا CrewAI برای اتوماسیون‌های حساس استفاده می‌کنید، کتابخانه halo-record را نصب کرده و لایه تأییدپذیری را به نقطه ورود عامل خود اضافه کنید.
- برای ارتقای گزارش‌های امنیتی SOC 2، به جای اسکرین‌شات از خروجی HTML این ابزار استفاده کنید تا اعتماد مشتریان سازمانی را جلب کنید.
- پروتکل شاهد (Witness) را در یک سرور مجزا یا محیط ایزوله پیاده‌سازی کنید تا احتمال حذف دسته‌ای لاگ‌ها توسط اپراتورهای داخلی را به صفر برسانید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو