تصور کنید یک عامل هوش مصنوعی حقوقی مامور شده است تا تداوم یک پروندهٔ پیچیده دادگاهی را حفظ کند. در حالی که سیستم‌های بازیابی (Retrieval) می‌توانند اسناد خاصی را پیدا کنند، اما در به خاطر سپردن تاریخچهٔ تثبیت‌شدهٔ یک پرونده ناتوان هستند. این نقص منجر به تناقضات بحرانی در لوایح جدید می‌شود و ثابت می‌کند که جست‌وجو به‌تنهایی برای مدیریت پرونده‌های حقوقی ناکافی است.
با تکیه بر پوشش‌های قبلی ما درباره اینکه چرا عامل‌های حقوقی باید پیش از صدور نظرات نهایی متوقف شوند، این چالش یک شکاف بنیادی در معماری‌های فعلی هوش مصنوعی را برجسته می‌کند. در یک محیط حقوقی واقعی، هر لایحه یا درخواست (Motion) جدید باید با اظهارات قبلی شاهدان، ادعاهای واقع‌گرایانه، درخواست‌های پیشین و پرونده‌های مرتبط هم‌راستا باشد. اگر یک هوش مصنوعی با هر پرسش مانند یک جست‌وجوی تازه برخورد کند، «رشتهٔ روایت» پرونده را گم می‌کند.
زمینه و ضرورت تداوم پرونده
وکیلی که روی یک پروندهٔ جاری کار می‌کند، با یک پرسش واحد و یک سند مجزا سر و کار ندارد. هر لایحهٔ جدید باید با تمام آنچه پیش از آن آمده است، سازگار باشد. مشکل اصلی، متقاعد کردن یک مدل زبانی بزرگ (LLM) برای درک اسناد حقوقی نیست، بلکه این است که سیستم به یاد بیاورد آن اسناد پیش از این چه واقعیت‌هایی را تثبیت کرده‌اند.
این درک منجر به توسعه Legal Hindsight Agent شد. هدف این بود که از بازیابی ساده فراتر رفته و به سیستمی دست یابیم که تاریخچهٔ پرونده را به خاطر بسپارد و تضمین کند که اظهارات جدید با واقعیت‌های پذیرفته‌شده در تضاد نباشند.
برای حل این مسئله، توسعه‌دهندگان یک نمونهٔ اولیه با استفاده از Hindsight ساختند؛ یک سامانهٔ حافظهٔ پایدار با منبع‌باز. این سیستم با استفاده از یک پروندهٔ شبیه‌سازی شده به نام Riverside Logistics v. Halden Manufacturing آزمایش شد که موضوع آن تأخیر در تحویل ۵۰۰۰ واحد کالا بود.
جزئیات پرونده و داده‌های شبیه‌سازی شده
این نمونهٔ اولیه از شش سند تخیلی برای شبیه‌سازی یک محیط حقوقی واقعی استفاده کرد:
- یک شکایت رسمی (Formal Complaint)
- خلاصهٔ جلسهٔ استماع یا شهادت تحت سوگند (Deposition Summary)
- یک لایحه یا درخواست رسمی (Motion)
- اظهارات یک شاهد (Witness Statement)
- دو پروندهٔ قضایی تخیلی از گذشته
محور اصلی این پرونده، شکست در تحویل کالا است؛ جایی که شرکت Halden نتوانست واحدها را تا تاریخ ۱۵ مارس تحویل دهد. این تأخیر باعث توقف خط تولید شرکت Riverside برای ۱۲ روز شد و منجر به ضرر ۲۴۰ هزار دلاری در تولیدات گمشده گردید. سایر اسناد، زمینه‌های بیشتری درباره مکاتبات طرفین و اختلافات قراردادی ارائه دادند.
معماری این سیستم، بازیابی ساده را با یک گردش‌کار حافظهٔ سه‌مرحله‌ای جایگزین کرده است:
- نگهداری (Retain): ذخیره اطلاعات ورودی پرونده در یک بانک حافظهٔ پایدار.
- فراخوانی (Recall): بازیابی خاطراتی که به‌طور خاص با یک پیش‌نویس یا پرسش جدید مرتبط هستند.
- تامل (Reflect): استدلال روی آن خاطرات برای شناسایی شکاف‌های منطقی و تناقضات.
پیاده‌سازی فنی
پشتهٔ فنی (Technical Stack) این پروژه از زبان Python به همراه FastAPI برای بخش بک‌اند و Next.js با TypeScript برای بخش فرانت‌اند استفاده می‌کند. سیستم Hindsight وظیفه مدیریت حافظهٔ پایدار پرونده را بر عهده دارد. برای اثبات کاربردی بودن این حافظه، تیم توسعه‌دهنده، عامل مجهز به Hindsight را با یک مدل Groq ساده که هیچ دسترسی به حافظهٔ پرونده نداشت، مقایسه کرد.
برای اینکه سیستم قابل بازرسی باشد، توسعه‌دهندگان حافظه را در رابط کاربری نمایش دادند. فرانت‌اند دارای دو ستون «بدون حافظه» و «با حافظهٔ Hindsight» است و یک پانل مجزا وجود دارد که دقیقاً نشان می‌دهد عامل چه مواردی را به یاد آورده است. این طراحی مانع از آن می‌شود که ادعای «حافظه هوش مصنوعی» به یک جعبه سیاه تبدیل شود.
آزمایش برای شناسایی تناقضات
در یک تست کلیدی، پاراگرافی جدید به عامل داده شد که ادعا می‌کرد تأخیر در تحویل تنها یک «مزاحمت جزئی» بوده و منجر به «ضررهای ناچیزی» شده است. سیستم بلافاصله این مورد را به عنوان یک تناقض علامت‌گذاری کرد. عامل توانست شکایت اصلی را فراخوانی کند که در آن توقف ۱۲ روزه و ضرر ۲۴۰ هزار دلاری مستند شده بود.
عامل تنها به دنبال کلمه «ضرر» نگردید، بلکه رابطهٔ بین ادعای جدید و تاریخچهٔ تثبیت‌شدهٔ پرونده را درک کرد. در طول آزمایش، سیستم به‌طور مشخص زبان جدید را به شکایت، جلسه استماع و لایحه مرتبط کرد و یک سطح اطمینان (Confidence Level) ارائه داد. در مقابل، وقتی پاراگرافی سازگار با واقعیت‌های پرونده آزمایش شد، سیستم هیچ هشداری نداد؛ این امر ثابت می‌کند که مدل صرفاً به دلیل مواجهه با کلمات ناآشنا، هشدار نمی‌دهد.
این تغییر در رویکرد نشان می‌دهد که صنعت در حال عبور از RAG ساده است. تشخیص تناقضات، گواه ملموس بر مفید بودن حافظه است، اما قابلیت عمیق‌تر، حفظ زمینه (Context) در طول زمان است تا وکیل مجبور نباشد برای هر سند جدید، کل پرونده را از ابتدا بازسازی کند.
برای متخصصان حقوقی، این به معنای تبدیل شدن هوش مصنوعی از یک دستیار پژوهشی به یک «نگهبان تداوم» است. این سیستم از «توهمِ ناسازگاری» جلوگیری می‌کند؛ وضعیتی که در آن هوش مصنوعی با یک دستور جدید موافقت می‌کند، حتی اگر آن دستور با حقیقتی که هفته‌ها پیش تثبیت شده، در تضاد باشد.
توسعه‌دهندگان اکنون می‌توانند از طریق مخزن گیت‌هاب Hindsight این معماری را بررسی کنند تا وضعیت پایدار (Persistent State) مشابهی را در عامل‌های خود پیاده‌سازی نمایند.
گام بعدی شما
- مخزن گیت‌هاب Hindsight را بررسی کنید تا نحوه پیاده‌سازی وضعیت پایدار (Persistent State) را در عامل‌های خود بیاموزید.
- اگر از RAG استفاده می‌کنید، تست‌های «تضاد زمانی» را روی داده‌های خود اجرا کنید تا نقاط ضعف حافظه مدل را بیابید.
- بررسی کنید که آیا مدل شما می‌تواند بین دو سند با فاصله زمانی زیاد، تناقض منطقی پیدا کند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو