ما برای بهبود تجربه از تحلیلگری استفاده میکنیم. هر زمان بخواهید میتوانید انتخاب خود را بهروزرسانی کنید.
واژهنامه
تعریف اصطلاحاتی که هنگام ساخت سیستمهای پاسخگوی خودکارسازی کار با هوش مصنوعی مهماند.
Answer Engine Optimization (AEO)
marketing
Answer engine optimization یعنی ساختار دادن به محتوا بهگونهای که موتورهای پاسخ AI و دستیارهای گفتگو بتوانند آن را پیدا، نقل و دقیق خلاصه کنند. جایی که SEO لینکهای رتبهبندیشده را هدف میگیرد، AEO خود پاسخ ترکیبشده را هدف میگیرد و برای تعریفهای روشن، داده ساختاریافته و فایلهای منبع machine-readable بهینه میشود.
مترادفها: AEO, generative engine optimization, GEO, AI search optimization
AEO چه تفاوتی با SEO دارد؟
SEO برای رتبه گرفتن بهعنوان یک لینک قابل کلیک در صفحه نتایج بهینه میکند. AEO برای انتخاب، نقل و citation درون یک پاسخ AI-generated بهینه میکند؛ چیزی که تعریف دقیق، داده ساختاریافته و feedهای clean machine-readable را پاداش میدهد.
چه سیگنالهایی به یک answer engine کمک میکند صفحهای را cite کند؟
نوشتن definition-first، داده ساختاریافته معتبر schema.org، یک index به نام llms.txt، FAQ markup و URLهای canonical پایدار، همگی بازیابی و attribution محتوا را برای answer engine آسانتر میکنند.
Chunking
ai
Chunking فرایند شکستن سندهای منبع به واحدهای کوچکتر retrieval پیش از embedding آنهاست. اندازه chunk و راهبرد مرزها تعیین میکند retriever با چه دقتی fact مرتبط را پیدا میکند و recall، precision و هزینه embedding را در یک knowledge base متوازن میسازد.
مترادفها: text chunking, document segmentation, passage splitting, chunk strategy
چه چیزی یک chunk خوب میسازد؟
یک chunk خوب از نظر معنایی self-contained است، آنقدر اندازهگذاری شده که یک fact واحد میان مرزها split نشود، و metadata پایدار دارد تا بتواند با اطمینان filter، refresh و cite شود.
Chunking چگونه بر کیفیت پاسخ اثر میگذارد؟
chunkهای بیش از حد بزرگ relevance را dilute و token را هدر میدهند، و chunkهای بیش از حد کوچک context را میشکنند و معنا را از دست میدهند. انتخاب مرزها مستقیماً recall و groundedness پاسخهای generated را شکل میدهد.
Citation شواهد
ai
Citation شواهد یعنی پیوست کردن referenceهای source قابل راستیآزمایی به هر claimی که یک سامانه AI مطرح میکند. هر passage cited به سند، record یا knowledge assetی که از آن آمده وصل میشود تا یک شخص پیش از اعتماد یا اقدام، grounded بودن پاسخ را تأیید کند.
حداقل source identifier و passage دقیق استفادهشده، و ideally یک link پایدار و timestamp، تا بازبینان تأیید کنند شواهد هنگام تولید پاسخ current بوده است.
چرا citation برای automation govern شده ضروری است؟
citation پاسخ را auditable میکند. بدون آن، پاسخ خودکار بیپاسخگویی است؛ با آن، بازبین میتواند grounding را verify کند و audit trail ثابت کند چه شواهدی تصمیم را هدایت کرده است.
Embedding
ai
Embedding یک vector عددی است که معنای متن، تصویر یا داده دیگر را در فضایی high-dimensional نمایش میدهد. آیتمهایی با معنای مشابه vectorهایی نزدیک به هم میسازند و این به سامانهها اجازه میدهد محتوا را با similarity معنایی، نه match دقیق، مقایسه، cluster و retrieve کنند.
مترادفها: vector embedding, text embedding, semantic vector, dense representation
چرا version مدل embedding مهم است؟
vectorهای مدلهای متفاوت قابل مقایسه نیستند. ذخیره version مدل با هر embedding اجازه میدهد drift را تشخیص دهید و هنگام upgrade مدل embedding با اطمینان reindex کنید.
آیا embeddingها به متن اصلی reversible هستند؟
نه دقیقاً؛ اما embeddingها میتوانند اطلاعات حساس را leak کنند، بنابراین باید همان tenant isolation و access control محتوای منبعی را که نمایندگی میکنند به ارث ببرند.
Grounding
ai
Grounding یعنی محدود کردن خروجی مدل AI به شواهد source قابل راستیآزمایی، نه حافظه پارامتری آن. پاسخ grounded با passageهای بازیابیشدهای پشتیبانی میشود که قابل cite و check هستند و دفاع اصلی در برابر پاسخهای fabricated یا با اعتمادبهنفس اما wrong است.
Retrieval فقط passageهای source مرتبط را به مدل میدهد، prompt از مدل میخواهد از همان evidence پاسخ دهد، و مرحله verification claimهایی را که citation پشتیبان ندارند رد میکند.
وقتی evidence برای grounding وجود ندارد چه میشود؟
یک سامانه grounded خوب طراحیشده بهجای invent کردن پاسخ، decline میکند یا به انسان escalate میکند و بهجای حدس مطمئن، gap صریح را نشان میدهد.
Hallucination
ai
Hallucination خروجی مطمئن اما unsupported یا fabricated از یک مدل زبانی است؛ claimی که plausible به نظر میرسد اما در شواهد ارائهشده یا واقعیت پایهای ندارد. Hallucination ریسک مرکزی در خودکارسازی knowledge work است و grounding با evidence cited مهمترین mitigation آن است.
مترادفها: AI hallucination, fabrication, confabulation, ungrounded output
چرا مدلهای زبانی hallucinate میکنند؟
مدلها متن محتمل را پیشبینی میکنند، نه factهای verified را. بدون evidence بازیابیشده که آنها را constrain کند، gapها را با statementهای statistically plausible اما unverified پر میکنند.
چگونه hallucination را کاهش میدهید؟
پاسخها را در sourceهای بازیابیشده ground کنید، citation بخواهید، claimها را با evidence verify کنید و موردهای low-confidence یا unsupported را بهجای بازگرداندن حدس، به انسان route کنید.
Human-in-the-Loop
governance
Human-in-the-loop یک الگوی طراحی است که در آن انسانها proposalهای یک سامانه AI را پیش از اثرگذاری review، approve یا correct میکنند. این الگو judgment انسانی را برای تصمیمهای high-risk یا low-confidence در critical path نگه میدارد، در حالی که automation حجم routine را مدیریت میکند.
مترادفها: HITL, human in the loop, human oversight, human review
چه زمانی یک مرحله باید human-in-the-loop باشد؟
هرگاه تصمیم high-risk، irreversible، low-confidence یا governed by policy باشد. مرحلههای routine، grounded و low-risk میتوانند خودکار اجرا شوند و انسان exceptionها را review کند.
این چه تفاوتی با full automation دارد؟
Full automation بدون review عمل میکند. Human-in-the-loop یک checkpoint صریح وارد میکند تا انسان بتواند proposal را approve، edit یا reject کند و accountability برای outcomeهای حساس حفظ شود.
Model Context Protocol (MCP)
ai
Model Context Protocol یک استاندارد باز است که به دستیارهای AI اجازه میدهد از طریق interface یکپارچه به ابزارهای خارجی و sourceهای داده وصل شوند. یک MCP server toolها و resourceهای typed را expose میکند که client مدل میتواند discover و call کند، پس capabilityها بدون code اختصاصی برای هر integration اضافه میشوند.
مترادفها: MCP, model context protocol, MCP server, tool protocol
یک MCP server چه چیزی expose میکند؟
toolهای typed که مدل میتواند invoke کند و resourceهایی که میتواند بخواند؛ هرکدام با schema و annotation توصیف میشوند تا client قابلیتها را discover و با امنیت call کند.
چرا MCP برای automation govern شده مهم است؟
به assistantهای خارجی راهی standard و schema-described برای عمل روی platform میدهد؛ بنابراین tool callها میتوانند validate، scoped به tenant و از همان policy تأیید دیگر actionها عبور داده شوند.
MongoDB Vector Search
infrastructure
فرایند تبدیل محتوا به vector embedding و ذخیره آنها در indexهای vector در MongoDB Atlas Search همراه metadata برای similarity search کارآمد.
چرا از MongoDB Atlas Search برای knowledge retrieval استفاده کنیم؟
MongoDB Atlas Search جستوجوی سریع vector similarity با امکان ترکیب queryهای vector و traditional، metadata filtering یکپارچه و scaling روان در زیرساخت MongoDB موجود شما فراهم میکند.
چه metadataیی مهم است؟
tenant ID، language، URL، content hash، updated timestamp و model version را ذخیره کنید تا filtering، freshness check و controlled reindexing ممکن شود.
Retrieval ترکیبی
ai
Retrieval ترکیبی semantic vector search را با lexical keyword search ترکیب میکند تا passageهای مرتبط را بازیابی کند. Vector search معنا و paraphrase را میگیرد، keyword search اصطلاحها و شناسههای دقیق را میگیرد، و مرحله fusion هر دو مجموعه نتیجه را merge میکند تا نه tokenهای دقیق و نه matchهای مفهومی از دست بروند.
Vector search ممکن است اصطلاحهای دقیق نادر مثل SKU یا error code را از دست بدهد، و keyword search paraphraseها را از دست میدهد. fusion هر دو، قوتهای هرکدام را برمیگرداند و recall را روی queryهای واقعی بالا میبرد.
دو مجموعه نتیجه چگونه ترکیب میشوند؟
یک روش fusion مانند reciprocal rank fusion یا weighted score blend candidateهای merge شده را rerank میکند، و اغلب برای precision نهایی یک cross-encoder reranker هم بعد از آن میآید.
Retrieval-Augmented Generation (RAG)
ai
Retrieval-augmented generation تکنیکی است که خروجی مدل زبانی را به سندهای source بازیابیشده ground میکند، نه اینکه فقط به حافظه پارامتری آن تکیه کند. سامانه passageهای مرتبط را از knowledge base fetch میکند، آنها را context میدهد و از مدل میخواهد فقط با همان evidence پاسخ دهد.
RAG دانش را در store خارجی نگه میدارد که فوراً update میشود، بنابراین پاسخها current میمانند و هر claim به source قابل trace است. Fine-tuning دانش را در weightها bake میکند که refresh آن کندتر و attribution آن سختتر است.
یک RAG pipeline شامل چیست؟
معمولاً ingestion و chunking، embedding، index برای vector یا hybrid search، retriever و مرحله generation که مدل را روی passageهای بازیابیشده condition میکند و evidence cited برمیگرداند.
Single Sign-On (SSO)
security
یک روش authentication که به کاربران اجازه میدهد با یک مجموعه credential ورود، از طریق protocolهای identity federation مانند SAML یا OpenID Connect، به چند application دسترسی داشته باشند.
identity را متمرکز میکند، policyهای امنیتی enterprise مانند MFA و conditional access را enforce میکند و provisioning کاربر را در shellها، packها و workspaceهای govern شده سرعت میدهد.
SAML در برابر OIDC؟
SAML مبتنی بر XML است و در stackهای enterprise قدیمی رایج است؛ OIDC که بر OAuth2 ساخته شده سبکتر و مدرنتر است. پشتیبانی از هر دو compatibility با IdPهای مشتری را بیشینه میکند.
Vector Search
ai
Vector search محتوا را بر اساس معنا پیدا میکند، نه واژههای exact. متن به embeddingهای high-dimensional تبدیل میشود و similarity metric مانند cosine distance، vectorهای ذخیرهشده را بر اساس نزدیکی به query vector رتبهبندی میکند و حتی وقتی keywordها match نمیشوند passageهای conceptually related را برمیگرداند.
embedding یک vector عددی است که معنای یک قطعه متن را نمایش میدهد و توسط مدل embedding تولید میشود. متنهایی با معنای مشابه در vector space نزدیک هم قرار میگیرند.
approximate nearest neighbor (ANN) search چیست؟
ANN search مقدار کمی accuracy را با gainهای بزرگ speed معاوضه میکند و از index structure استفاده میکند تا similarity lookupها با رشد تعداد vectorهای ذخیرهشده تا میلیونها همچنان سریع بمانند.
Vertical Pack
platform
Vertical pack یک configuration بستهبندیشده است که platform را برای یک domain مشخص از کار تنظیم میکند: intentها، fieldهای extraction، sourceهای evidence، policyها و actionها. Packها اجازه میدهند team یک workflow متمرکز، مثل IT access یا vendor security، را بدون بازسازی engine زیرین launch کند.
intentهایی که میشناسد، fieldهایی که extract میکند، evidenceی که پاسخها را در آن ground میکند، policyهای تأییدی که enforce میکند و actionهای govern شدهای که برای آن domain کاری میتواند propose کند.
آیا packها customizable هستند؟
بله. pack یک configuration آغازین است که teamها در Studio با تنظیم intentها، promptها، sourceهای evidence و policyها آن را با process واقعی خود تطبیق میدهند.
Work Packet
platform
Work packet بسته contextی است که پیرامون WorkItem assembled میشود تا بتوان درباره آن reasoning و action کرد: درخواست اصلی، fieldهای extracted، evidence بازیابیشده، policy قابل اعمال و هر action پیشنهادی. این briefing کامل و self-contained برای یک قطعه کار است.
مترادفها: work bundle, context packet, task packet, work context
Work packet چه تفاوتی با WorkItem دارد؟
WorkItem record tracked خود درخواست است. Work packet context assembled، یعنی evidence، policy و proposalها، است که پیرامون آن record جمع میشود تا answer یا action را هدایت کند.
چرا context را در packet جمع کنیم؟
یک packet self-contained به مدل یا بازبین اجازه میدهد بدون جستوجو در سامانهها تصمیم بگیرد و دقیقاً حفظ میکند چه evidenceیی در زمان decision برای audit trail در دسترس بوده است.
WorkItem
platform
WorkItem واحد کار در Threada است: یک درخواست ورودی منفرد، از email، chat، document یا form، که به recordی structured و trackable normalize میشود. هر WorkItem intent، fieldهای extracted، evidence و history کامل هر decision و action انجامشده روی خود را حمل میکند.
مترادفها: work item, task record, tracked request, unit of work
WorkItem چه تفاوتی با support ticket دارد؟
ticket معمولاً conversation را track میکند. WorkItem خود کار را track میکند: intent classified، fieldهای extracted، evidenceی که هر answer را ground میکند و actionهای govern شده، همگی end to end auditable.
WorkItem از چه lifecycleی عبور میکند؟
Intake درخواست را normalize میکند، intent classification آن را route میکند، evidence retrieval پاسخ پیشنهادی را ground میکند و هر action پیش از resolve و record شدن WorkItem از approval policy عبور میکند.
پروتکل Agent2Agent (A2A)
ai
پروتکل Agent2Agent یک استاندارد باز است تا عاملهای خودمختار یکدیگر را کشف کنند، کارها را مبادله کنند و بیرون از مرزهای سازمانی هماهنگ شوند. این پروتکل تعریف میکند یک عامل چگونه قابلیتهایش را اعلام میکند و عامل دیگر چگونه کاری را تفویض و تا تکمیل دنبال میکند.
MCP یک مدل را به ابزارها و دادهها وصل میکند. A2A عاملها را به یکدیگر وصل میکند و تعریف میکند یک عامل چگونه کاری را به عامل دیگر میسپارد و وضعیت آن را دنبال میکند، نه اینکه مدل چگونه یک ابزار منفرد را فراخوانی کند.
کارهای A2A چگونه دنبال میشوند؟
یک کار A2A به یک record کاری tracked نگاشت میشود تا lifecycle، شواهد و نتیجه آن درست مانند کاری که از انسان یا فرم آمده قابل حسابرسی باشد.
پیشنهاد اقدام
platform
پیشنهاد اقدام یک پیشنهاد ساختاریافته و قابل بازبینی برای تغییر یک سامانه کسبوکار متصل است؛ خودکارسازی آن را ایجاد میکند اما هنوز اجرا نشده است. این پیشنهاد سامانه هدف، عملیات و پارامترهای دقیق را نام میبرد تا یک شخص یا policy بتواند پیش از هر رخدادی آن را تأیید، ویرایش یا رد کند.
چرا بهجای اجرای مستقیم، ابتدا اقدام را پیشنهاد کنیم؟
پیشنهاد کردن، intent را از اثر جدا میکند. policy تأیید و بازبینان میتوانند عملیات و پارامترهای دقیق را بررسی کنند و نگذارند یک خطای خودکار به system of record برسد.
پیشنهاد اقدام شامل چه چیزهایی است؟
integration هدف، عملیاتی که باید انجام شود، پارامترهای resolve شده، شواهد پشتیبان و تصمیم policy درباره اینکه پیش از اجرا تأیید لازم است یا نه.
تفویض اختیار به عامل
security
تفویض اختیار به عامل یعنی اعطای کنترلشده اختیاری محدود و زماندار به یک عامل AI تا از طرف یک کاربر یا عامل دیگر عمل کند. تفویض دقیقاً مشخص میکند کدام قابلیتها، tenantها و اقدامها مجازند، بنابراین عامل زیر حدودی صریح، قابل لغو و قابل حسابرسی کار میکند.
مترادفها: delegated authority, scoped delegation, agent authorization, agent grant
دامنه تفویض چه چیزی را تعریف میکند؟
قابلیتهایی که عامل میتواند استفاده کند، tenantی که در آن میتواند عمل کند، اقدامهایی که میتواند پیشنهاد یا اجرا کند و زمان انقضا را تعریف میکند؛ بنابراین اختیار محدود، زماندار و قابل لغو میماند.
تفویض چگونه پاسخگو میماند؟
هر اقدام تفویضشده هم به عامل و هم به principal تفویضکننده نسبت داده میشود و در audit trail ثبت میگردد؛ اقدامهای حساس همچنان از policy تأیید عبور میکنند.
جداسازی Tenant
security
جداسازی tenant تضمین میکند داده و configuration هر مشتری در یک سامانه multi-tenant بهصورت منطقی جدا و برای tenantهای دیگر غیرقابل دسترس بماند. این جداسازی در هر layer، storage، retrieval و access control، enforce میشود تا یک سازمان هرگز کار سازمان دیگر را نبیند یا بر آن اثر نگذارد.
مترادفها: multi-tenant isolation, tenant scoping, data partitioning, tenancy boundary
در هنگام retrieval، جداسازی tenant چگونه enforce میشود؟
هر query به tenant درخواستکننده scoped میشود و محتوای ذخیرهشده tenant identifier دارد، بنابراین vector و keyword search فقط evidence همان tenant را میتوانند برگردانند.
آیا isolation فقط درباره data است؟
نه. configuration، policy، embeddingها و audit logها را هم پوشش میدهد، تا هیچ جنبهای از کار یک tenant حتی روی infrastructure مشترک به دیگری leak نکند.
خودکارسازی Intake
platform
خودکارسازی intake فرایند تبدیل درخواستهای ورودی unstructured به recordهای structured و machine-readable بدون ورود دستی داده است. درخواست را classify میکند، fieldهای مهم را extract میکند و نتیجه را به workflow میفرستد تا کار بهصورت سازگار پاسخ داده یا action شود.
email، chat message، web form، uploaded document و recordهای synced از سامانههای متصل همگی میتوانند به همان شکل structured برای handling downstream normalize شوند.
آیا خودکارسازی intake جای انسان را میگیرد؟
نه. بار data entry و triage دستی را حذف میکند تا انسانها روی exceptionهای judgment-heavy، approvalها و تصمیمهای high-riskی تمرکز کنند که policy به آنها route میکند.
طبقهبندی Intent
ai
طبقهبندی intent مرحلهای است که مشخص میکند یک درخواست ورودی واقعاً چه میخواهد و متن unstructured را به یک دسته تعریفشده از کار map میکند. classification دقیق هر WorkItem را به workflow، sourceهای evidence و policy درست route میکند و بنیاد automation قابل اعتماد است.
کل مسیر downstream را تعیین میکند. درخواست misclassified evidence غلط را retrieve و policy غلط را apply میکند، بنابراین accuracy classification کیفیت همه مراحل بعدی را gate میکند.
accuracy classification چگونه اندازهگیری میشود؟
با evaluation gate روی یک set برچسبخورده، tracking precision و recall برای هر intent و پایش confusion میان categoryهای مشابه پیش از live شدن workflow.
گردشکار تأیید
governance
گردشکار تأیید دنبالهای govern شده از checkpointهاست که یک اقدام پیشنهادی باید پیش از اجرا از آنها عبور کند. هر مرحله تصمیم را بر اساس ریسک، نقش یا policy به بازبین درست میرساند و ثبت میکند چه کسی چه چیزی را تأیید کرده تا نتیجه کاملاً پاسخگو باشد.
مترادفها: approval flow, review workflow, authorization workflow, sign-off process
چه چیزی میتواند نیاز به تأیید را فعال کند؟
نیازها میتوانند بر اساس workflow، channel، کلاس ریسک، آستانه مالی یا نوع اقدام اعمال شوند؛ بنابراین فقط مرحلههایی که واقعاً نیاز به نظارت دارند برای بازبین متوقف میشوند.
گردشکار تأیید چگونه قابل حسابرسی میماند؟
هر درخواست، تأیید، ویرایش و رد با actor و timestamp ثبت میشود و trail انتها به انتهایی میسازد که ثابت میکند هر اقدام govern شده را چه کسی مجاز کرده است.
نقض SLA
operations
نقض SLA زمانی رخ میدهد که کار تعهدی تعریفشده در service-level agreement، مانند deadline پاسخ یا حل، را از دست بدهد. تشخیص و escalation خودکار breachها accountability را visible نگه میدارد و مطمئن میکند کار در معرض ریسک پیش از از دست رفتن تعهد به افراد درست برسد.
مترادفها: service level breach, SLA violation, missed SLA, deadline breach
نقض SLA چگونه خودکار تشخیص داده میشود؟
هر WorkItem timerهای تعهد خودش را دارد و سامانه elapsed time را با thresholdها میسنجد، با نزدیک شدن deadline escalation ایجاد میکند و اگر missed شود breach را ثبت میکند.
وقتی breach نزدیک است چه میشود؟
Policy میتواند WorkItem را escalate کند، به ownerها notify کند یا queue را reprioritize کند تا توجه پیش از missed شدن واقعی تعهد به کار at-risk منتقل شود.