دقیقاً ۰.۵۰ دلار؛ نه یک سنت بیشتر و نه کمتر. این سطح از دقت در کنترل هزینه‌ها، ویژگی اصلی Mole است؛ یک عامل پژوهش عمیق که در ۱۴ اوت ۲۰۲۶ منتشر شد. در حالی که اکثر عامل‌های هوش مصنوعی تخمین‌هایی از هزینه ارائه می‌دهند که اغلب بیشتر از مقدار واقعی می‌شود، Mole یک سیستم دفتر کل (Ledger) با محدودیت‌های غیرمنفی در طرح پایگاه داده خود پیاده‌سازی کرده است تا تضمین کند سقفی که شما تعیین می‌کنید، دقیقاً همان سقفی باشد که سیستم به آن برخورد می‌کند.
بسیاری از کاربران با «شوک صورت‌حساب» در مواجهه با عامل‌های خودمختار آشنا هستند؛ ابزارهایی که گاهی در حلقه‌های تکراری گیر می‌کنند یا توکن‌ها را سریع‌تر از حد انتظار می‌سوزانند. این اتفاق در حالی رخ می‌دهد که صنعت به سمت گردش‌کارهای عامل‌محور (Agentic) — شبیه به داشتن تیمی از دستیاران که هر کدام بخشی از یک پروژه را پیش می‌برند — حرکت می‌کند که برای حل یک مسئله، نیاز به چندین فراخوانی مدل دارند. این رویکرد با تلاش‌های اخیر Meta و Anthropic برای تغییر معیار هزینه از توکن به وظیفه موفق هم‌سو است تا پیش‌بینی‌پذیری مالی برای کاربران افزایش یابد. برای یک کاربر عملی، تفاوت این ابزار با بقیه، تفاوت بین یک آزمایش کنترل‌شده و یک تراکنش باز و خطرناک با کارت اعتباری است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، جداسازی لایه‌ی استدلال از لایه‌ی اجرا، کلید دستیابی به اعتماد است. Mole دقیقاً همین مسیر را طی کرده است.
به نقل از مستندات گیت‌هاب این پروژه، Mole صرفاً صفحات وب را خلاصه نمی‌کند، بلکه یک خط لوله سخت‌گیرانه را دنبال می‌کند: ابتدا یک برنامه‌ریز (Planner)، پرسش را به زیرپرسش‌های کوچک‌تر تجزیه می‌کند و با رسیدن شواهد جدید، برنامه‌ریزی را به‌روز می‌کند؛ سپس یک مجری (Executor)، سرنخ‌ها را به صورت تک‌به‌تک برای هر کارگر مدیریت می‌کند؛ و در نهایت یک بازیگر (Actor)، فرآیند جست‌وجو، واکشی و استخراج را بر عهده می‌گیرد.
هر ادعایی در گزارش نهایی باید دارای یک نقل‌قول مستقیم و کلمه-به-کلمه از منبع باشد. اگر نقل‌قولی دقیقاً مطابق متن استخراج‌شده نباشد، Mole آن را در مرحله استخراج، پیش از آنکه بتواند به پاسخ نهایی برسد، دور می‌ریزد. این سازوکار مانع از توهم (Hallucination) — شبیه به دوستی که با اطمینان خاطره‌ای را اشتباه تعریف می‌کند — می‌شود، جایی که مدل‌ها حقایق را به اشتباه به منبعی نسبت می‌دهند یا جزئیات را اختراع می‌کنند. این تمرکز بر دقت، یادآور رویکرد حافظه PRISMA در جایگزینی حافظه احتمالی با منطق قطعی برای حذف کامل توهمات است. ادعاهایی که از این فیلتر اولیه رد شوند، بعداً دوباره در برابر منبع خود خوانده می‌شوند؛ اگر مشخص شود که ادعایی بدون پشتوانه است، در گزارش به جای حذف شدن، به عنوان «بدون پشتوانه» علامت‌گذاری می‌شود.
مدیریت بودجه در Mole از طریق دو حالت متضاد انجام می‌شود:
- حالت دلاری: کاربر می‌تواند سقفی مثل
--usd 0.50تعیین کند. هر فراخوانی API پیش از اجرا در برابر این بودجه رزرو و پس از آن تسویه می‌شود. توسعه‌دهنده گزارش داده است که در مجموعه‌ی آزمایشی آن‌ها، نرخ تخطی از سقف بودجه ۰٪ بوده است. - حالت توکنی: برای مدل‌های میزبانی‌شده توسط Ollama، llama.cpp، vLLM یا DeepSeek، کاربر می‌تواند محدودیت توکن (Token) — تکه‌های کوچکی از متن که مدل تکه‌تکه می‌خورد — تعیین کند (مثلاً
--tokens 200000) تا مصرف محاسباتی را محدود کند. مدل‌هایی که از localhost سرویس می‌دهند، قیمت صفر دارند اما همچنان توکن‌هایشان شمارش می‌شود.
حریم خصوصی نیز با یک مرز سخت‌گیرانه برای داده‌های محلی مدیریت می‌شود. وقتی Mole را به یک فایل CSV یا پوشه متصل می‌کنید، مدل هرگز داده‌های خام یک ردیف را نمی‌بیند. در عوض، مدل یک قالب فرضیه و نام ستون‌ها را انتخاب می‌کند و Mole دستور SQL را به‌صورت محلی رندر می‌کند. این استراتژی مشابه بهره‌گیری از Hybrid RAG در Token Saver است که با ترکیب پردازش محلی و ابری، هم حریم خصوصی را حفظ و هم هزینه‌ها را به شدت کاهش می‌دهد. تنها داده‌های تجمیعی (Aggregates) — مانند شمارش‌ها، میانگین‌ها، نتایج تست یا دسته‌بندی‌هایی که حداقل پنج رکورد را پوشش می‌دهند — اجازه خروج از دستگاه را دارند. کاربران با دستور mole crossings <session-id> می‌توانند دقیقاً ببینند چه داده‌ای از سیستم خارج شده است.
جزئیات فنی و قابلیت‌ها
منابع داده و بازیگران
Mole از سه نوع بازیگر متمایز برای تغذیه گراف ادعاهای خود استفاده می‌کند:
- وب: جست‌وجوهای استاندارد را انجام داده و صفحات را می‌خواند.
- آکادمیک: پرس‌وجو از Crossref, OpenAlex, arXiv و PubMed را انجام می‌دهد. این بازیگر نتایج را بر اساس DOI حذف تکرار کرده و متن‌های کامل با دسترسی-باز (Open-access) را در اولویت قرار می‌دهد.
- محاسبات محلی: اجرای SQL قطعی روی داده‌های محلی ثبت‌شده (CSV, TSV, JSON و JSONL) را انجام می‌دهد. لازم به ذکر است که فرمت Parquet پشتیبانی نمی‌شود.
ساخت مجموعه داده
این ابزار فراتر از متن، می‌تواند مجموعه‌های داده ساختاریافته بسازد. با استفاده از --mode dataset و تعریف یک طرح (Schema) — برای مثال --schema 'company:text!,revenue:number=annual revenue in GBP,employees:number' — ابزار Mole ردیف‌ها را از منابع مختلف با استفاده از کلیدهای تقریبی (Fuzzy keys) ادغام می‌کند. برای مثال، «Aldi» و «Aldi UK» در یک ردیف ادغام می‌شوند.
- خروجی‌های CSV: این فایل‌ها یک مقدار در هر سلول نگه می‌دارند و شامل یک شمارنده منبع و یک ستون «مورد مناقشه» (Contested) هستند که فیلدهایی را که منابع در مورد آن‌ها اختلاف نظر دارند، نام می‌برد.
- خروجی‌های JSON: این فایل‌ها هر مقدار متناقض را به همراه منابع خاصی که پشت هر مقدار هستند، ذخیره می‌کنند.
پیکربندی و امنیت
برای اولویت‌بندی امنیت، از متغیرهای محیطی (Environment Variables) که ممکن است در لیست پردازش‌ها نشت کنند، اجتناب شده است. کلیدها در مسیر ~/.config/mole/config.json با دسترسی محدود ۰۶۰۰ ذخیره می‌شوند. کاربران می‌توانند سیستم را از طریق دستوراتی مانند mole config set search.provider tavily و mole config set llm.model claude-sonnet-5 پیکربندی کنند.
- گزینه‌های ارائه‌دهنده: کاربران می‌توانند بین Tavily یا Brave برای جست‌وجو، و Anthropic یا ارائه‌دهندگان سازگار با OpenAI برای LLMها انتخاب کنند.
- نقاط اتصال سفارشی: هر نقطه اتصال سازگار با OpenAI، از جمله DeepSeek، کار می‌کند. کاربران می‌توانند URL پایه را از طریق
mole config set llm.base-url https://api.deepseek.com/v1تنظیم کنند. - تأییدیه: دستور
mole doctorبرای تأیید کل پیکربندی در دسترس است.
یکپارچه‌سازی و استقرار
Mole به صورت یک فایل باینری استاتیک تکه ساخته شده با Go 1.25+ (با CGO_ENABLED=0) توزیع شده است، به این معنی که هیچ وابستگی زمان-اجرایی (Runtime dependencies) ندارد. پایگاه داده آن SQLite است که در اولین استفاده در دایرکتوری داده‌های XDG ایجاد می‌شود. این ابزار از چندین ارائه‌دهنده جست‌وجو از جمله Tavily و Brave پشتیبانی کرده و با هر نقطه اتصال سازگار با OpenAI سازگار است.
گزینه‌های نصب عبارتند از:
- اسکریپت Curl: از طریق
curl -fsSL https://raw.githubusercontent.com/lajosdeme/mole/main/install.sh | sh. این اسکریپت آرشیو انتشار را دانلود کرده، SHA-256 آن را با چک‌سام‌های منتشر شده تأیید می‌کند وmoleوmole-mcpرا در~/.local/bin(یا/usr/local/binدر صورت قابلیت نوشتن) نصب می‌کند. این روش تنها در صورت نیاز از sudo استفاده می‌کند و--dry-runاقدامات مورد نظر را نمایش می‌دهد. - Homebrew: از طریق
brew install lajosdeme/mole/mole. این مسیر کامل الزامی است زیرا یک ابزار پاک‌سازی macOS نامرتبط به نام "mole" در homebrew/core وجود دارد؛ از آنجایی که هر دو یک باینری به نامmoleنصب می‌کنند، در هر لحظه تنها یکی می‌تواند لینک شود. - Arch Linux: از طریق AUR به صورت
mole-research-bin(پیش‌ساخته) یاmole-research(ساخت از منبع) در دسترس است. این کار از تداخل با ابزار تونل‌زنی SSH به نامmole-binکه از سال ۲۰۲۰ وجود داشته، جلوگیری می‌کند. بسته/usr/bin/moleرا نصب کرده و تداخل را اعلام می‌کند تا pacman بتواند به کاربر اطلاع دهد. - Debian/Ubuntu: از طریق صفحه انتشارها به صورت بسته‌های
.debیا.rpmارائه شده است. - از منبع (Source): نیاز به Go 1.25+ دارد. کاربران می‌توانند دستورات
go install github.com/lajosdeme/mole/cmd/mole@latestوgo install github.com/lajosdeme/mole/cmd/mole-mcp@latestرا اجرا کنند، یا مخزن را کلون کرده و ازmake installبرای ثبت تگ نسخه استفاده کنند.
برای توسعه‌دهندگان، Mole با پروتکل زمینهٔ مدل (MCP) صحبت می‌کند. این ابزار روی یک یونیکس ساکت (unix socket) با دسترسی ۰۶۰۰ در یک دایرکتوری خصوصی گوش می‌دهد و اتصالات از سایر کاربران را رد می‌کند. این امر به یک عامل کدنویسی اجازه می‌دهد تا Mole را به دو روش هدایت کند:
۱. حالت خودمختار: Mole برنامه‌ریزی، استخراج و نوشتن را با استفاده از کلید API کاربر مدیریت می‌کند. عامل صرفاً یک پرسش را به Mole می‌دهد و پاسخ را دریافت می‌کند.
۲. حالت ابزار: عامل خارجی (مانند Claude Code یا Qwen Code) استدلال را انجام می‌دهد، در حالی که Mole تعداد ۱۴ ابزار قطعی (مانند mole.search ،mole.verify_quote و mole.aggregate) را برای تأیید نقل‌قول‌ها و رندر کردن SQL فراهم می‌کند. این حالت برای کاربرانی که اشتراک‌های موجود دارند و توکن‌های مدلشان قبلاً پرداخت شده است، ایده‌آل است.
ابزارها و بازرسی
کاربران می‌توانند جلسات پژوهشی خود را با دستورات خاص بازرسی و مدیریت کنند:
- مدیریت جلسه:
mole sessionsلیست جلسات اخیر و هزینه‌های آن‌ها را نمایش می‌دهد.mole ask <session-id> "question"اجازه می‌دهد پرسش‌های تکمیلی با استفاده از ادعاهایی که قبلاً جمع‌آوری شده‌اند، پرسیده شود، که در این صورت به جز فراخوانی برای عبارت‌بندی، نیاز به جست‌وجوی جدید یا هزینه اضافی نیست. - عیب‌یابی:
mole trace <session-id>تجزیه و تحلیل هزینه و زمان هر فراخوانی را ارائه می‌دهد.mole stats --fetchتحلیل می‌کند که چرا واکشی‌ها (fetches) در چندین جلسه با شکست مواجه شده‌اند.
عملکرد و ارزیابی
برای تضمین صداقت، Mole اجراهای خود را از طریق mole eval <session-id> نمره می‌دهد که یک کارت امتیاز (Scorecard) چاپ می‌کند. هر معیاری که نتواند محاسبه کند، به جای گزارش صفر، صراحتاً ذکر می‌شود. پروژه معیارهای زیر را گزارش کرده است:
- تخطی از بودجه: ۰٪ — هیچ اجرای آزمایشی از سقف خود فراتر نرفته است.
- یکپارچگی ادعاها: ۱۰۰٪ — هر ادعای ذخیره شده دارای یک منبع و یک نقل‌قول کلمه-به-کلمه است.
- صحت استنادها: ۱۰۰٪ — هر نقل‌قول در منبعی که به آن استناد شده، یافت می‌شود.
- نرخ مبنی‌سازی (Grounding): ۸۰٪ — از ادعاهایی که دوباره در برابر منبع خوانده شدند، تأیید شدند.
- دقت تناقض (Contradiction Precision): ۷۰٪ با گذر تأیید (confirm pass) و ۵۱٪ بدون آن.
- دقت/بازیافت ادغام (Merge Precision/Recall): ۱.۰۰۰ / ۱.۰۰۰ روی حقیقت زمینی (ground truth) ساخته شده.
توسعه و مشارکت
مشارکت در پروژه نیازمند یک CLA است. پروژه فرهنگ تست سخت‌گیرانه‌ای دارد: از توسعه‌دهندگان خواسته می‌شود که «اصلاحیه خود را ابطال کنند». این بدان معناست که پس از اعمال یک تغییر، توسعه‌دهنده باید مکانیسم را به حالت قبل برگرداند تا تأیید کند تست شکست می‌خورد و بدین ترتیب ثابت شود که تست واقعاً اصلاحیه را اثبات می‌کند. پروژه الزامی دارد که gofmt -l . هیچ چیزی چاپ نکند و تمام اجراهای go test ./... بدون هیچ skip جدیدی، پاک باشند. پروژه تحت لایسنس Apache-2.0 منتشر شده است.
این تغییر رویکرد به سمت تأیید قطعی، این فرض را که پژوهش‌های AI باید یک «جعبه سیاه» باشند، تغییر می‌دهد. با جداسازی استدلال (مدل) از تأیید (باینری استاتیک)، اعتماد از توزیع احتمالی مدل به یک دفتر کل قابل تأیید و الگوریتم تطبیق متن منتقل می‌شود.
برای کاربر نهایی، این بدان معناست که شما در نهایت می‌توانید با یک عامل هوش مصنوعی مانند یک ابزار خدماتی با هزینه ثابت برخورد کنید، نه یک قمار. این فرآیند پژوهش را به یک خط لوله داده ساختاریافته تبدیل می‌کند که در آن هر جمله در گزارش نهایی، توسط یک اشاره‌گر به یک رشته متن واقعی در دنیای واقعی پشتیبانی می‌شود.
برای کاربر نهایی، این بدان معناست که شما در نهایت می‌توانید با یک عامل هوش مصنوعی مانند یک ابزار خدماتی با هزینه ثابت برخورد کنید، نه یک قمار. این فرآیند پژوهش را به یک خط لوله داده ساختاریافته تبدیل می‌کند که در آن هر جمله در گزارش نهایی، توسط یک اشاره‌گر به یک رشته متن واقعی در دنیای واقعی پشتیبانی می‌شود.
گام بعدی شما
- اگر از عامل‌های پژوهشی با هزینه‌های متغیر استفاده می‌کنید، Mole را با یک سقف دلاری پایین (مثلاً ۰.۱ دلار) تست کنید تا دقت سیستم حسابداری آن را بسنجید.
- برای تحلیل داده‌های حساس محلی، از قابلیت اجرای SQL محلی این ابزار استفاده کنید تا از نشت داده‌ها به ابر جلوگیری شود.
- اگر توسعه‌دهنده هستید، پروتکل MCP را برای اتصال Mole به عامل‌های کدنویسی خود فعال کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو