ThreadWeaver v3 telah melancarkan Causal Work Graph, sebuah enjin salasilah merentas alatan yang membolehkan pertanyaan dipacu AI mengembalikan bukan sekadar dokumen, tetapi rantaian bukti yang boleh dibuktikan yang menghubungkan sembang Slack, tiket Jira, komit GitHub dan artifak lain. Pasukan yang menggunakannya boleh menjawab “Mengapa ini dibina?” dengan subgraf yang nyata dan bukannya perenggan spekulatif.

Konteks: data yang berselerak, sambungan yang hilang

Kumpulan kejuruteraan hari ini beroperasi dalam pelbagai platform yang tidak tersusun. Aduan pelanggan berada dalam sistem tiket, perbincangan susulan berada dalam aplikasi sembang, keputusan reka bentuk berada dalam papan pengurusan projek, kod berada dalam repositori, dan nota keluaran berada dalam alatan dokumentasi. Maklumat mentah memang ada, tetapi pautan sebab-akibat antara mereka tidak kelihatan. Apabila pengurus produk bertanya mengapa sesuatu ciri dikeluarkan, jawapannya tersembunyi dalam rangkaian mesej, isu dan komit. Alatan carian tradisional boleh memaparkan item yang mengandungi kata kunci serupa, tetapi ia tidak dapat memberitahu item mana yang sebenarnya mencetuskan item seterusnya.

Mengapa ia penting: asal-usul berbanding halusinasi

Kebanyakan model bahasa besar (LLM) menjawab dengan memadankan keserupaan semantik. Tiket Jira yang menyebut saluran Slack mungkin kelihatan berkaitan, namun model tersebut tidak dapat membuktikan bahawa sembang itu menyebabkan tiket tersebut wujud. Hasilnya ialah “halusinasi” – jawapan yang kedengaran munasabah tetapi kekurangan sumber yang boleh disahkan. Dalam persekitaran yang dikawal selia, atau bila-bila masa akauntabiliti adalah penting, jurang tersebut mendatangkan kos yang tinggi. Causal Work Graph menggantikan tekaan dengan graf yang tepinya (edges) disokong oleh bukti konkrit: cap masa, pengenal pasti pelakon, jenis hubungan dan skor keyakinan.

Cara Causal Work Graph berfungsi

  • Pemodelan berpusatkan peristiwa – setiap nod mewakili sesuatu peristiwa (cth., mesej Slack, penciptaan isu Jira) dan bukannya dokumen statik.
  • Hubungan eksplisit – tepi (edges) mengekod dakwaan sebab-akibat yang khusus (“perbincangan Slack memaklumkan keputusan PM”) bersama dengan bukti sokongan.
  • Metadata asal-usul – setiap tepi menyimpan sumber, sasaran, cap masa, pelakon, tahap keyakinan dan penunjuk ke artifak asal yang menyokong dakwaan tersebut.
  • Pengendalian ketidakpastian – jika sistem tidak dapat mencari peristiwa penghubung, ia akan mengembalikan “Tidak Diketahui” dan bukannya mereka-reka sambungan.
  • Pendedahan berasaskan kebenaran – pengguna hanya melihat tepi yang artifak asasnya dibenarkan untuk dilihat; mesej Slack yang hilang akan menyembunyikan tepi yang berkaitan secara automatik.
  • LLM sebagai pentafsir, bukan repositori – model bahasa menterjemah graf kepada penjelasan bahasa semula jadi, manakala graf itu sendiri kekal sebagai sumber kebenaran yang berautoriti.

Apabila pengguna bertanya, “Apakah yang membawa kepada keluaran tersebut?” enjin akan menyusun subgraf yang mungkin kelihatan seperti:

  1. Aduan pelanggan → perbincangan Slack (cap masa, pengguna)
  2. Perbincangan Slack → keputusan PM (tiket Jira)
  3. Keputusan PM → komit GitHub (perubahan kod)
  4. Komit GitHub → Keluaran (artifak)

Respons tersebut menyertakan pautan ke mesej Slack dan komen Jira yang tepat, membolehkan penanya mengesahkan setiap langkah.

Kesimpulan

Causal Work Graph milik ThreadWeaver v3 menukarkan artifak kejuruteraan yang berselerak kepada satu rantaian sebab dan akibat yang boleh diaudit. Dengan menuntut bukti bagi setiap pautan, ia mengelakkan halusinasi yang sering melanda jawapan LLM tulen dan memberikan pasukan cara yang konkrit untuk menjejaki “mengapa” di sebalik setiap keluaran.