یک سیاست اشتباه در دسترسی به داده‌ها (RLS) در بخش بک‌اندِ یک سامانه بهداشت‌درمانی، صرفاً یک باگ ساده نیست؛ بلکه یک حادثه امنیتی جدی است. برای جلوگیری از این شکست‌ها، Supabase چارچوب Supabase Evals را منتشر کرد تا دقت عامل‌های هوش مصنوعی (AI Agents) را در مواجهه با وظایف واقعی پایگاه‌داده بسنجد.
به گزارش وب‌سایت marktechpost.com، این ابزار برخلاف روش‌های سنتی که از داده‌های ساختگی استفاده می‌کنند، مدل‌ها را در محیط‌های ایزوله (Containerized) و واقعی آزمایش می‌کند. این رویکرد، در واقع گامی در جهت جایگزینی سنتی «سنجش کیفیت متن» با «صحت اقدام» در عامل‌های DevOps است تا اطمینان حاصل شود که مدل تنها ادعا نمی‌کند، بلکه واقعاً کد صحیح را اجرا می‌کند. این عرضه در حالی رخ می‌دهد که توسعه‌دهندگان از تعاملات ساده‌ی «پرسش و پاسخ» به سمت استقرار عامل‌های کامل حرکت می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی شناسایی شکست‌های پنهان در زیر-عامل‌های Claude Code اشاره کردیم، نیاز به ابزارهای نظارتی دقیق‌تر هرگز تا این حد حیاتی نبوده است. برای یک برنامه‌نویس، این ابزار شبیه به داشتن یک سیستم «تست خودکار» برای سنجش سطح هوش مدل است تا پیش از انتشار هر نسخه، از عدم پس‌رفت (Regression) قابلیت‌ها مطمئن شود.
سازوکار آزمایش
این چارچوب سه dimension اصلی را هدف قرار می‌دهد: محصولات (مانند احراز هویت، ذخیره‌سازی و بردارها)، موضوعات (شامل RLS و مهاجرت داده‌ها) و مراحل اجرا (ساخت، استقرار، بررسی و رفع مشکل). این سیستم از یک محیط اجرای سبک بر پایه @supabase/lite استفاده می‌کند و برای اجرا در محیط محلی، به یک موتور Docker و مدیریت بسته pnpm نیاز دارد.
یافته‌های کلیدی مدل‌ها
بر اساس مستندات این پروژه، نتایج خیره‌کننده و در عین حال نگران‌کننده‌ای به دست آمده است:
- مدل‌های Opus 5 و Kimi K3 هر دو بدون هیچ کمکی به امتیاز کامل ۱۰۰٪ در مرحله ساخت دست یافتند.
- مدل Sonnet 5 پس از بارگذاری مهارت‌های خاص، شاهد جهش امتیاز از ۷۸٪ به ۱۰۰٪ بود.
- مدل GPT-5.6 Sol از ۸۹٪ به ۱۰۰٪ رسید و GPT-5.4 mini امتیاز خود را از ۷۸٪ به ۸۹٪ ارتقا داد.
با وجود این اعداد بالا، بنچ‌مارک‌ها سه نقطه ضعف بحرانی را افشا کردند. عامل‌ها به‌جای استفاده از طرح‌های تعریف‌محور (Declarative Schemas)، اغلب مهاجرت‌های داده را به‌صورت دستی می‌نویسند و احراز هویت را به‌جای استفاده از @supabase/server، به روش‌های دستی تایید می‌کنند. تکان‌دهنده‌ترین یافته مربوط به استفاده از مستندات است؛ در حالی که Codex و GPT-5.6 در هر سناریو حدود ۸ صفحه از مستندات را می‌خوانند، Claude Code در کمتر از ۴۰٪ موارد به مستندات مراجعه می‌کند، حتی وقتی مهارت‌های لازم بارگذاری شده باشند. این چالش در تحلیل مستندات، یادآور اهمیت بهینه‌سازی در فرآیندهای بازبینی است؛ برای نمونه، ابزار code-review-graph توانسته است مصرف توکن‌های بازبینی کد را با تحلیل ساختاری تا ۸۲ برابر کاهش دهد تا بهره‌وری مدل‌ها در مواجهه با کدهای حجیم افزایش یابد.
برای متخصصان، این یعنی «هوش» یک مدل لزوماً به «سواد ابزاری» تبدیل نمی‌شود. فاصله میان امتیاز ۷۸٪ و ۱۰۰٪ ثابت می‌کند که تنظیم دقیق (Fine-tuning) — شبیه وقتی به یک پزشک عمومی تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — برای مدل‌های کوچک‌تر جهت رسیدن به سطح تولید (Production-ready) همچنان اجباری است. ما شاهد تغییری هستیم که در آن معیار موفقیت دیگر «توانایی کدنویسی» نیست، بلکه «پیروی از الگوهای معماری خاص یک پلتفرم» است.
شما می‌توانید همین حالا این چارچوب را از مخزن گیت‌هاب supabase/evals تحت لایسنس Apache-2.0 مستقر کنید.
گام بعدی شما
- اگر از مدل‌های کوچک‌تر برای اتوماسیون دیتابیس استفاده می‌کنید، مهارت‌های ابزاری (Tool-literacy) آن‌ها را با این بنچ‌مارک تست کنید.
- بررسی کنید که آیا عامل‌های شما در حال بازنویسی دستی مهاجرت‌ها هستند یا از استانداردهای پلتفرم پیروی می‌کنند.
- نرخ مراجعه مدل‌های خود را به مستندات بررسی نمایید تا از توهمات احتمالی در پیاده‌سازی جلوگیری کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو