یک توهم متقاعدکننده درباره سیاست‌های داخلی شرکت می‌تواند هزینه‌های مالی واقعی به سازمان تحمیل کند. برای حل این مشکل، NanoAgent چارچوبی را برای پیاده‌سازی تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — در محیط PHP ارائه داده است تا اطمینان حاصل شود مدل‌های زبانی بزرگ (LLM) به‌جای تکیه بر حافظه آموزشی، از اسناد ارسالی پاسخ دهند.
بسیاری از توسعه‌دهندگان تصور می‌کنند RAG لزوماً به مجموعه‌ای پیچیده از مدل‌های بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که همسایگی کلمات را مشخص می‌کند — و ذخیره‌سازهای برداری نیاز دارد. اما برای مجموعه‌های داده کوچک، یک ابزار جست‌وجوی ساده بر پایه کلیدواژه‌ها اغلب کافی است تا مدل را به داده‌های واقعی متصل کند. این رویکرد به برنامه‌نویسان اجازه می‌دهد پیش از مقیاس‌بندی به زیرساخت‌های گران‌تر، کارایی الگو را بسنجند. در این راستا، مقایسه چارچوب‌های مختلف RAG نشان می‌دهد که انتخاب ابزار مناسب باید بر اساس نیازهای سخت‌افزاری و حریم خصوصی سازمان صورت گیرد.
طبق یک راهنمای فنی که در ۲۷ سپتامبر ۲۰۲۶ منتشر شد، پیاده‌سازی NanoAgent از ابزاری به نام FunctionTool با عنوان search_knowledge_base استفاده می‌کند. این ابزار یک تطبیق رشته‌ای (substring match) بدون حساسیت به حروف بزرگ و کوچک را روی یک آرایه ساده PHP که شامل عناوین و محتوای اسناد است، اجرا می‌کند.
زمینه: مشکل توهم در داده‌های سازمانی
وقتی یک مدل زبانی با پرسش‌های داخلی مواجه می‌شود، اغلب دچار توهم (Hallucination) — شبیه دوستی که خاطره‌ای را با اطمینان اما اشتباه تعریف می‌کند — می‌شود و سیاست‌هایی را ابداع می‌کند که درست به نظر می‌رسند اما هرگز نوشته نشده‌اند. پرسشی مثل «آیا می‌توانم دو ماه از هاوایی دورکاری کنم؟» نمونه‌ای است که در آن یک پاسخ غلط اما مطمئن، مسئولیت‌های حقوقی ایجاد می‌کند.
همان‌طور که در بحث‌های گذشته ما درباره امنیت مدل‌های بازمتن اشاره کردیم، کنترل خروجی مدل از طریق محدود کردن منبع داده، تنها راه مقابله با این خطاهای ساختاری است. برای دستیابی به دقت بالاتر، برخی توسعه‌دهندگان از روابط ساختاریافته برای بهبود استدلال استفاده می‌کنند تا نرخ خطا را به حداقل برسانند.
جزئیات: سازوکار بازیابی در NanoAgent
- پایگاه دانش (Knowledge Base): یک آرایه ساختاریافته شامل اسناد سیاستی؛ مانند «سیاست دورکاری ۲۰۲۴» (محدودیت‌های WFH و مالیات بین‌المللی)، «تقویم تعطیلات ۲۰۲۴» و «تماس‌های پشتیبانی IT».
- ابزار جست‌وجو: تابعی که کلیدواژه‌های متنی را می‌گیرد و یا اسناد منطبق را برمی‌گرداند یا صراحتاً پیام «موردی یافت نشد» را ارسال می‌کند و هرگز حدس نمی‌زند.
- پرامپت ایمنی: دستورالعمل سیستمی که عامل را موظف می‌کند فقط بر اساس نتایج جست‌وجو پاسخ دهد، در صورت نبود اطلاعات مودبانه عذرخواهی کند و همیشه عنوان سند را ذکر نماید.
این معماری مانع از حدس زدن مدل می‌شود. برای مثال، در مورد دورکاری از هاوایی، ابزار سند «سیاست دورکاری ۲۰۲۴» را بازیابی می‌کند که کار بین‌المللی را به دلیل مسائل مالیاتی به ۳۰ روز در سال محدود کرده است. سپس عامل یک پاسخ مستدل و مستند بر اساس این متن ارائه می‌دهد.
استفاده از ابزارها برای RAG به‌مراتب بهینه‌تر از «پیش-پرامپت» است؛ جایی که کل سند در پنجره متنی (Context Window) — شبیه میز کاری که فقط جای چند ورق دارد — چپانده می‌شود. بازیابی ابزار-محور از سرریز پنجره متنی جلوگیری کرده و با استخراج تکه‌های مرتبط، در مصرف توکن (Token) — تکه‌های کوچکی از متن که مدل می‌خورد — صرفه‌جویی می‌کند.
با رشد پروژه، منطق داخلی ابزار جست‌وجو را می‌توان بدون تغییر در کد اصلی عامل ارتقا داد. این مسیر ارتقا به ترتیب زیر است:
- دمو: اسکن کلیدواژه‌ای در آرایه PHP.
- مقیاس کوچک: پرس‌وجو از جداول SQL یا Postgres.
- مقیاس بزرگ: استفاده از بردار معنایی برای اتصال به ذخیره‌سازهایی مثل Qdrant یا pgvector.
این تغییر در رویکرد به این معناست که توسعه‌دهندگان PHP می‌توانند بدون خروج از اکوسیستم بومی خود یا مدیریت خوشه‌های دیتابیس خارجی، دستیارهای هوش مصنوعی قابل‌اعتمادی بسازند. این کار سد ورود برای ساخت بات‌های سازمانی «ایمن» را که سیاست‌ها را از خود اختراع نمی‌کنند، پایین می‌آورد. در نهایت، برای رفع شکاف‌های دقت در سیستم‌های پیچیده‌تر، رویکردهای بازیابی ترکیبی به عنوان راهکاری جامع برای ترکیب جست‌وجوی کلیدواژه‌ای و معنایی پیشنهاد شده است.
برای کسانی که بات‌های HR یا IT می‌سازند، اولویت با قابلیت ردیابی است نه ظرافت‌های معنایی. یک تطبیق ساده کلیدواژه‌ای که سندی مستند را برمی‌گرداند، ارزشمندتر از یک جست‌وجوی برداری است که خلاصه‌ای محتمل اما بدون منبع ارائه می‌دهد.
توسعه‌دهندگان می‌توانند با پیاده‌سازی جست‌وجوی آرایه‌ای شروع کنند تا پیش از سرمایه‌گذاری روی خط لوله‌های Embedding، قوانین ایمنی پرامپت خود را اعتبارسنجی کنند.
گام بعدی شما
- اگر پایگاه دانش شما زیر ۱۰۰ سند است، به‌جای نصب Vector DB، از متد آرایه‌ای NanoAgent برای کاهش تأخیر استفاده کنید.
- پرامپت‌های سیستمی خود را به‌گونه‌ای تنظیم کنید که در صورت عدم یافتن نتیجه در ابزار جست‌وجو، مدل اجازه پاسخ‌دهی آزاد نداشته باشد.
- برای انتقال به مقیاس بزرگتر، ابتدا از SQL Full-text search استفاده کنید و سپس به سراغ pgvector بروید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو