ThreadWeaver v3 قابلیت Causal Work Graph خود را راهاندازی کرد؛ یک موتور ردیابی منشأ (lineage) بینابزاری که به پرسوجوهای مبتنی بر هوش مصنوعی اجازه میدهد نه تنها یک سند، بلکه زنجیرهای اثباتپذیر از شواهد را برگردانند که چتهای Slack، تیکتهای Jira، کامیتهای GitHub و سایر آرتیفکتها را به هم متصل میکند. تیمهایی که از آن استفاده میکنند، میتوانند به جای یک پاراگراف مبتنی بر حدس و گمان، با یک زیرگراف قابل مشاهده به این سوال پاسخ دهند که «چرا این مورد ساخته شد؟».
زمینه: دادههای پراکنده، پیوندهای گمشده
گروههای مهندسی امروزی در میان مجموعهای از پلتفرمهای مختلف و پراکنده فعالیت میکنند. یک شکایت مشتری در یک سیستم تیکتینگ قرار دارد، بحثهای ناشی از آن در یک اپلیکیشن چت، تصمیم طراحی در یک برد مدیریت پروژه، کد در یک مخزن (repository) و یادداشتهای انتشار در یک ابزار مستندسازی قرار میگیرند. اطلاعات خام وجود دارد، اما پیوندهای علی بین آنها نامرئی است. وقتی یک مدیر محصول میپرسد چرا یک ویژگی منتشر شده است، پاسخ در شبکهای از پیامها، مسائل (issues) و کامیتها پنهان شده است. ابزارهای جستجوی سنتی میتوانند مواردی را که حاوی کلمات کلیدی مشابه هستند پیدا کنند، اما نمیتوانند بگویند کدام مورد واقعاً باعث ایجاد مورد بعدی شده است.
چرا این موضوع اهمیت دارد: منشأ در برابر توهم
بیشتر مدلهای زبانی بزرگ (LLMs) با تطبیق شباهت معنایی پاسخ میدهند. یک تیکت Jira که به یک کانال Slack اشاره میکند ممکن است مرتبط به نظر برسد، اما مدل نمیتواند ثابت کند که آن چت باعث ایجاد تیکت شده است. نتیجه، «توهم» (hallucination) است – پاسخی که منطقی به نظر میرسد اما فاقد منبع قابل راستیآزمایی است. در محیطهای تحت نظارت، یا هر زمان که پاسخگویی اهمیت دارد، این شکاف هزینهبر است. Causal Work Graph حدس و گمان را با گرافهایی جایگزین میکند که یالهای آنها توسط اثباتهای ملموس پشتیبانی میشوند: برچسبهای زمانی، شناسههای عامل، انواع رابطه و امتیازهای اطمینان.
Causal Work Graph چگونه کار میکند
- مدلسازی رویداد-محور – هر گره به جای یک سند ایستا، نشاندهنده یک رویداد است (مثلاً یک پیام Slack یا ایجاد یک مسئله در Jira).
- روابط صریح – یالها ادعای علی خاص («بحث در Slack بر تصمیم مدیر محصول تأثیر میگذارد») را همراه با شواهد پشتیبان کدگذاری میکنند.
- متادیتای منشأ (Provenance) – هر یال، منبع، مقصد، برچسب زمانی، عامل، سطح اطمینان و اشارهگری به آرتیفکت اصلی که ادعا را اثبات میکند، ذخیره میکند.
- مدیریت عدم قطعیت – اگر سیستم نتواند یک رویداد پیونددهنده را پیدا کند، به جای ساختن یک اتصال ساختگی، عبارت «Unknown» را برمیگرداند.
- نمایش مبتنی بر سطح دسترسی – کاربران فقط یالهایی را میبینند که آرتیفکتهای زیربنایی آنها را مجاز به مشاهده دارند؛ یک پیام Slack مفقود شده، به سادگی یال مربوطه را پنهان میکند.
- LLM به عنوان مفسر، نه مخزن – مدل زبانی گراف را به توضیحات زبان طبیعی ترجمه میکند، در حالی که خودِ گراف به عنوان منبع اصلی و معتبر حقیقت باقی میماند.
وقتی کاربر میپرسد: «چه چیزی منجر به این انتشار شد؟»، موتور یک زیرگراف را ایجاد میکند که ممکن است به این شکل باشد:
- شکایت مشتری ← بحث در Slack (برچسب زمانی، کاربر)
- بحث در Slack ← تصمیم مدیر محصول (تیکت Jira)
- تصمیم مدیر محصول ← کامیت GitHub (تغییر کد)
- کامیت GitHub ← انتشار (آرتیفکت)
پاسخ شامل لینکهایی به پیام دقیق Slack و کامنت Jira است که به پرسشگر اجازه میدهد هر مرحله را راستیآزمایی کند.
نتیجهگیری
Causal Work Graph در ThreadWeaver v3، آرتیفکتهای پراکنده مهندسی را به یک زنجیره واحد و قابل حسابرسی از علت و معلول تبدیل میکند. با مطالبه شواهد برای هر پیوند، این ابزار از توهماتی که پاسخهای مبتنی بر LLM خالص را دچار میکند دوری کرده و راهی ملموس برای ردیابی «چراییِ» پشت هر انتشار در اختیار تیمها قرار میدهد.