تصور کنید سیستمی را که در آن هوش مصنوعی پیشنهاد می‌دهد، انسان تصمیم می‌گیرد، بلاک‌چین ثبت می‌کند و هر کسی می‌تواند صحت آن را بررسی کند. این معماری LexAegis است؛ نمونه‌ای اولیه که برای هکاتون Monad Metropolis توسعه یافته و ثابت می‌کند یک هوش مصنوعی حقوقی که «حق تصمیم‌گیری ندارد»، بسیار ارزشمندتر از مدلی است که سعی می‌کند جایگزین قاضی یا وکیل شود. با پیاده‌سازی یک مرز سخت‌گیرانه، LexAegis تضمین می‌کند که مدل Qwen 3.8 Max تحلیل و استدلال را بر عهده بگیرد، در حالی که انسان‌ها اختیار مطلق بر تمام نتایج حقوقی را حفظ کنند.
بسیاری از ابزارهای حرفه‌ای امروز با شکاف اعتماد دست‌وپنجه نرم می‌کنند. یک وکیل نمی‌تواند صرفاً به خلاصه‌ای که مدل با اطمینان ارائه داده اعتماد کند؛ او باید بداند دقیقاً کدام سند از این ادعا حمایت می‌کند و آیا یک انسان واقعاً نتیجه را بررسی کرده است یا خیر. برای مثال، یک وکیل استخدامی که یک توافق‌نامه تسویه حساب را بررسی می‌کند، باید مفاد مربوط به پرداخت‌ها، تعهدات محرمانگی و الزامات مربوط به دریافت مشاوره حقوقی مستقل را رصد کند. او نیاز دارد بداند آیا ارقام مالی با هم مطابقت دارند یا اینکه پیوست‌های مهمی از پرونده گم شده است. بدون این پاسخ‌های دقیق، هوش مصنوعی شاید سرعت مطالعه را بالا ببرد، اما فرآیند کلی بررسی را برای حسابرسی سخت‌تر می‌کند. LexAegis با جداسازی تحلیل‌های به کمک هوش مصنوعی از تایید شواهد، این مشکل را حل می‌کند. این رویکرد یادآور چالش‌های مشابه در حوزه‌ی برنامه‌نویسی است، جایی که شکاف درک فنی میان خروجی‌های هوش مصنوعی و نظارت انسانی می‌تواند مالکیت و مسئولیت نهایی کد را به خطر اندازد.
به نقل از گزارشی در dev.to که در ۱۴ اکتبر ۲۰۲۶ منتشر شد، این سامانه با مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — نه به‌عنوان یک مرجع، بلکه به‌عنوان یک موتور استدلال برخورد می‌کند. این سیستم از طریق API شرکت Alibaba Cloud در حالت سازگار (compatible-mode) و با استفاده از خروجی‌های ساختاریافته JSON و قابلیت فراخوانی ابزارهای بومی (native tool calling) متصل شده است. هدف از این طراحی، استفاده از یک گردش‌کار محدود است تا مدل را از ارائه نظرات حقوقی بدون محدودیت بازدارد و در عوض، تمرکز او را بر توضیح بندها و شناسایی ریسک‌ها معطوف کند.
معماری محدودیت
برای حذف توهمات در داده‌های حیاتی، LexAegis به‌جای دسترسی آزاد، چهار ابزار «فقط-خواندنی» در اختیار Qwen 3.8 Max قرار می‌دهد. مدل مسئول تصمیم‌گیری درباره اعتبار قانونی یک تسویه حساب نیست؛ بلکه بدون جایگزینی وکیل، به بررسی‌کننده کمک می‌کند. این ابزارها عبارت‌اند از:
- read_sources: بازیابی قطعات شواهد که در اختیار مدل قرار گرفته است، تا پاسخ‌های مدل بتواند به متون واقعی منبع ارجاع دهد.
- check_payments: استفاده از کدهای برنامه‌نویسی قطعی (Deterministic) برای بررسی ارقام پرداختی. در این محاسبات، به‌جای تکیه بر توانایی ریاضی مدل زبانی، از نمایش اعداد صحیح برای «پنس‌های پوند استرلینگ» (GBP pence) استفاده می‌شود.
- check_evidence: بررسی اطلاعات شواهد موجود و شناسایی شکاف‌های مرتبط با فرآیند بررسی.
- get_status: بازیابی اطلاعات مربوط به وضعیت مجاز برنامه یا وضعیت بررسی پرونده.
این ابزارها کاملاً «فقط-خواندنی» هستند. اپلیکیشن تمام آرگومان‌ها را اعتبارسنجی کرده و اجرا را کنترل می‌کند؛ همچنین محدودیت‌هایی برای زمان اجرا، تعداد تلاش‌های ارائه‌دهنده و میزان استفاده از ابزارها وضع شده است. مدل نمی‌تواند توافق‌نامه‌ها را امضا کند، حقایق تایید شده را تغییر دهد یا به‌طور مستقل تراکنش‌های بلاک‌چین را اجرا کند. این تفکیک حیاتی است؛ زیرا توانایی یک مدل در «پیشنهاد» یک اقدام، به معنای داشتن «اختیار» برای اجرای آن نیست.
تست سازوکار «حقیقت»
در یک تست با ارائه‌دهنده زنده، تیم توسعه از یک پرونده ساختگی تسویه حساب استخدامی برای سنجش دقت سیستم استفاده کرد. در این توافق‌نامه ساختگی، مبلغ کل تسویه ۲۴,۰۰۰ پوند ذکر شده بود، در حالی که قسط اول ۱۰,۰۰۰ پوند و قسط دوم ۱۲,۰۰۰ پوند بود. این یعنی مجموع اقساط ۲۲,۰۰۰ پوند می‌شد و یک اختلاف توضیح‌نشده‌ی ۲,۰۰۰ پوندی وجود داشت.
در حالی که یک مدل زبانی استاندارد ممکن است این اختلاف ۲,۰۰۰ پوندی را نادیده بگیرد یا دلیلی خیالی برای آن بتراشد، ابزار بررسی پرداخت قطعی LexAegis تفاوت دقیق را شناسایی کرد: مبلغ کل ۲,۴۰۰,۰۰۰ پنس در مقابل مجموع اقساط ۲,۲۰۰,۰۰۰ پنس، که منجر به تفاوتی معادل ۲۰۰,۰۰۰ پنس شد. همچنین Qwen اطلاعاتی درباره شکاف شواهد دریافت کرد که نشان می‌داد هیچ مدرکی برای «مشاوره حقوقی مستقل» پیوست نشده است. سپس مدل این نتایج واقعی را در قالب یک توضیح متصل به منابع ادغام کرد، به‌جای آنکه ادعایی بدون پشتوانه مطرح کند.
حریم خصوصی و مرکز فرماندهی
حریم خصوصی کاربران از طریق یک Vault رمزنگاری‌شده در سمت کلاینت برای ذخیره‌سازی اسناد مدیریت می‌شود. پیش از آنکه هر داده‌ای به هوش مصنوعی برسد، اپلیکیشن یک درخواست آماده می‌کند و به کاربر اجازه می‌دهد دقیقاً بررسی کند چه اطلاعاتی از مرورگر خارج خواهد شد. تنها قطعات مجاز و زمینه‌های تایید شده گنجانده می‌شوند و اپلیکیشن متون منبع را با مراجع اسناد ذخیره شده تطبیق می‌دهد.
باید توجه داشت که این یک رمزنگاری سرتاسری (End-to-End) در حین استنتاج مدل نیست. اطلاعات افشا شده برای Qwen باید توسط ارائه‌دهنده مدل قابل خواندن باشد و LexAegis به‌طور مستقل سیاست‌های نگهداری یا آموزش ارائه‌دهنده را تعیین نمی‌کند. بنابراین، افشای داده‌ها یک تصمیم صریح توسط کاربر است.
رابط کاربری این سیستم که در ۱۳ اکتبر ۲۰۲۶ روی Railway مستقر شد، دارای یک «مرکز فرماندهی» (Command Centre) است. پیش از این، کاربران مجبور بودند قطعات اسناد را به‌صورت دستی انتخاب کنند که فرآیندی دشوار بود. گردش‌کار جدید به وکیل اجازه می‌دهد پرونده‌ای را باز کند و از Aegis بخواهد: «این پرونده تسویه حساب استخدامی را تحلیل کن. ریسک‌های اصلی، شواهد ناقص و گام‌های پیشنهادی بعدی را شناسایی کن».
برای حفظ کنترل، سیستم درخواست را به انتخاب محدودی از اسناد تایید شده محدود می‌کند، نه کل پرونده. یک پیش‌نمایش افشا (Disclosure Preview) محدوده مطالبی که به اشتراک گذاشته می‌شود را مشخص می‌کند و به مدل دستور داده می‌شود که به‌جای ادعای بررسی کل پرونده، صراحتاً به ناقص بودن پوشش داده‌ها اذعان کند. با این حال، وکلا همچنان می‌توانند از رابط بررسی (Review interface) اختصاصی برای قطعات مجزا استفاده کنند.
ردیابی نتایج هوش مصنوعی
یکی از مهم‌ترین تصمیمات معماری، اعتبارسنجی ارجاعات شواهد بود. وقتی Qwen متون منبع را دریافت می‌کند، اپلیکیشن آن‌ها را با «دستگیره‌های ارجاع» (Reference Handles) مرتبط می‌کند. مدل این دستگیره‌ها را در خروجی خود ذکر می‌کند و LexAegis بررسی می‌کند که آیا این ارجاعات واقعاً با شواهدی که در آن اجرای خاص در دسترس بود، مطابقت دارد یا خیر. این کار مانع از آن می‌شود که ارجاعات ساختگی به‌عنوان استنادات واقعی ظاهر شوند. اگرچه این روش تضمین نمی‌کند که هر تفسیری درست باشد، اما به وکیل اجازه می‌دهد به‌جای پذیرش یک پاسخ بدون پشتوانه، متن زیربنایی را بازرسی کند.
پاسخگویی متکی بر بلاک‌چین
برای تبدیل فرآیند بررسی به یک سیستم قابل حسابرسی، LexAegis به شبکه آزمایشی Monad (با Chain ID: 10143) متصل شده است. این سامانه از یک قرارداد هوشمند به نام ProofOfReviewRegistry (آدرس: 0x453bfd1602d8a8666f55bf9a8d87b127cb94048f) برای ثبت تعهدات رمزنگاری‌شده مرتبط با بررسی استفاده می‌کند. این رویکرد مشابه پیاده‌سازی‌های پیشین است که در آن‌ها اتصال شواهد محلی RAG به اثبات‌های بلاک‌چین در شبکه Sepolia برای ایجاد لایه‌ای از اعتماد و شفافیت در داده‌ها مورد استفاده قرار گرفته بود.
این ساختار یک زنجیره مسئولیت سه‌لایه ایجاد می‌کند:
۱. Qwen: در تحلیل و توضیح کمک می‌کند.
۲. وکیل: شواهد را بررسی کرده، تصمیم می‌گیرد و بسته تایید شده را مجاز می‌کند.
۳. Monad: یک تعهد رمزنگاری‌شده از بررسی را ثبت می‌کند.
یک بازرس مستقل می‌تواند بررسی کند که آیا بسته بررسی با رکورد روی زنجیره مطابقت دارد یا خیر. این رسید بلاک‌چینی ثابت می‌کند که یک تعهد ثبت شده است، هرچند ثابت نمی‌کند که توصیه حقوقی درست بوده یا بررسی‌کننده دارای مدارک حرفه‌ای خاصی بوده است. Qwen نمی‌تواند به‌طور مستقل تاییدیه صادر کند یا تراکنشی را ارسال نماید.
اعتبارسنجی و نتایج
تست‌های ادغام Qwen شامل درخواست‌های واقعی به ارائه‌دهنده Qwen 3.8 Max، فراخوانی توابع بومی، اعتبارسنجی خروجی‌های ساختاریافته و اعتبارسنجی ارجاعات منبع بود. تست اولیه (Smoke Test) شامل شش شناسه درخواست ارائه‌دهنده بود. تیم همچنین رفتار سیستم در زمان لغو درخواست‌ها را تست کرد؛ یک درخواست لغو شده، اجرای ابزارهای محلی را متوقف می‌کرد، هرچند نمی‌توانست اطلاعاتی را که قبلاً به ارائه‌دهنده ارسال شده بود، پس بگیرد. در نهایت، یک توضیح واقعی از Qwen از طریق رابط Review تولیدی با استفاده از یک سند ساختگی تسویه حساب استخدامی با موفقیت مشاهده شد.
تحلیل تحریریه
این رویکرد، پارادایم هوش مصنوعی را از «کمک‌خلبان» (Copilot) به «منشی شواهد» (Evidence Clerk) تغییر می‌دهد. با سلب اختیار محاسبه یا تصمیم‌گیری از LLM، LexAegis ریسک اصلی هوش مصنوعی در حقوق‌های حساس را حذف می‌کند: «دروغ‌های با اعتمادبه‌نفس». بدون Qwen، سیستم LexAegis همچنان Vault رمزنگاری‌شده و ثبت بلاک‌چینی خود را داشت، اما فاقد رابط زبانی دسترسی‌پذیری بود که به وکیل اجازه دهد شواهد پیچیده را به‌صورت گفتگو محور بررسی کند.
برای متخصص حقوقی، این بدان معناست که هوش مصنوعی جایگزین ساعت‌های کاری قابل صورت‌حساب برای بررسی نمی‌شود، بلکه آن بررسی را سریع‌تر و ردیابی‌پذیرتر می‌کند. اثر ثانویه این سیستم، ایجاد یک «ردپای حسابرسی قابل تایید» برای مسئولیت حرفه‌ای است، جایی که بلاک‌چین ثابت می‌کند انسان وظیفه بررسی دقیق (Due Diligence) خود را انجام داده است.
گام‌های بعدی
شما می‌توانید اپلیکیشن زنده را در استقرار Railway (https://terrific-joy-production-54e8.up.railway.app) بررسی کنید، از تاییدکننده مستقل (https://lexaegis-verifier-production.up.railway.app) استفاده کنید یا کد منبع را در GitHub (https://github.com/ejasuave/LexAegis) مطالعه کنید تا ببینید ابزارهای قطعی چگونه پیاده‌سازی شده‌اند.
به‌عنوان یک نمونه اولیه هکاتون، تحلیل‌های حقوقی آن باید توسط متخصصان واجد شرایط ارزیابی شود. گام‌های آینده شامل بهبود پوشش شواهد در سطح کل پرونده، گسترش تست‌ها و تقویت تجربه تایید کارهای حرفه‌ای به کمک هوش مصنوعی است. دقت کنید که چگونه این مدل «اثبات بررسی» (Proof of Review) ممکن است به سایر صنایع نظارتی مانند حسابداری یا پزشکی گسترش یابد.
گفتگو