Identity
source_id، authority، title، version، زبان، حوزه و effective date.
فصل ۰۴ · حکمرانی دانش
منبع، پیش از مدل
کیفیت RAG از مدل شروع نمیشود؛ از حق استفاده، طبقهبندی، نسخه، checksum، chunk، retrieval و اتصال citation به همان شواهد شروع میشود.
Corpus موک PILOTRAG تولیدی UNAVAILABLEحافظه کارشناسی LIVE
طبقهبندی داده، مسیر فنی را تعیین میکند
| رده | مثال | Cloud egress | قاعده کلیدی |
|---|---|---|---|
| Public | محتوای عمومی منتشرشده یا mock/synthetic برچسبخورده | فقط provider مصوب | منبع و ادعا روشن؛ synthetic هرگز دادهٔ واقعی معرفی نشود |
| Internal | پاسخ تولیدشدهٔ دستیار، rulebook و telemetry پالایششده | طبق policy نگهداری | پاسخ دستیار authoritative یا قابل بازتوزیع فرض نشود؛ raw محرمانه log نشود |
| Confidential | دادهٔ مشتری یا فایل سازمان | local-only | هیچ fallback پنهان به cloud |
| Restricted | متن دارای حقوق محدود | local-only مگر مجوز حقوقی | may_embed مستقل از may_train |
| Official-code | شناسه و جدول رسمی | نیاز ندارد | exact lookup + citation، نه similarity |
| Personal | نام/موبایل هویتی آینده | هرگز به AI provider | حداقلسازی و retention کوتاه |
چرا «داده داریم» کافی نیست؟
ممکن است سازمان اجازهٔ دیدن یک سند را داشته باشد اما اجازهٔ embedding یا آموزش مدل با آن را نداشته باشد. این سه مجوز متفاوتاند و باید جداگانه ثبت شوند.
شناسنامهٔ هر منبع
پیش از ingest، این metadata باید مشخص باشد؛ در غیر این صورت منبع وارد corpus رسمی نمیشود.
Integrity
checksum، snapshot ID، زمان retrieval و مسیر artifact غیرقابل تغییر.
Rights
license، data owner، may_embed، may_train، may_redistribute و retention.
RAG واقعاً چه میکند؟
Corpus gaterights + classification
←Chunkقطعه با source metadata
←Embed/indexartifact نسخهدار و hash-bound
←Retrievetop-k با trace
←Rerankحفظ pairing شواهد
←Generate/abstaincitation متصل یا توقف
Citation binding
شناسهٔ citation باید دقیقاً به chunk بازیابیشدهٔ همان درخواست وصل باشد. مدل اجازه ندارد منبعی را که retrieval نکرده اختراع کند.
مرز فعلی
کد guard و corpus موک وجود دارد، اما snapshot تولیدی معتبر ساخته و فعال نشده است؛ بنابراین RAG زنده UNAVAILABLE است.
تشبیه ساده
RAG مانند کارشناس کتابخانه است: ابتدا سند مجاز را پیدا میکند، صفحهٔ مرتبط را روی میز میگذارد و بعد پاسخ باید به همان صفحه ارجاع دهد. اگر صفحهای پیدا نشد، پاسخ معتبر «مدرک کافی ندارم» است.
چهار صفحهٔ حافظه را مخلوط نکنید
| حافظه | کارکرد | دوام/اختیار |
|---|---|---|
| Session | پیوستگی کوتاه گفتوگو برای انسان نامدار | process-local، TTL دو ساعت؛ canonical نیست |
| Feedback candidate | قبول/رد/ویرایش و reason code | hash-chain append-only؛ خودکار promote نمیشود |
| Canonical expert memory | تصمیم مرجع تصویبشده | فقط workflow کارشناسی/کمیته |
| Retrieval snapshot | دانش corpus برای پرسش مستند | نسخهدار، rights-bound و جدا از حافظه نشست |
«سامانه خودآموز است» عبارت درستی نیست
سامانه بازخورد را برای ارزیابی جمع میکند؛ اما یک کلیک شرکت یا استان قاعده، prompt یا حافظهٔ canonical را تغییر نمیدهد. بهبود نیازمند replay آفلاین، اندازهگیری و تصویب مالک است.
دفاع در برابر prompt injection و poisoning
Data fence
متن منبع داده است، نه دستور سیستم. دستورهای داخل سند نباید tool یا policy را تغییر دهند.
Tool allowlist
فقط ابزار و قابلیت مصوب در context همان workflow؛ URL و مقصد خروجی تحت SSRF guard.
Post-validation
Schema، identifier، proper noun، citation و risk پس از تولید دوباره کنترل میشوند.
دروازههای فعالسازی RAG
- Corpus رسمیمالک، حقوق، classification و provenance تصویبشده.
- Snapshot نسخهدارvectors/chunks با hash و manifest معتبر؛ rebuild درجا ممنوع.
- ارزیابی retrievalRecall@k، MRR/NDCG، citation correctness و abstention روی holdout.
- امنیت و هویتOIDC/mTLS یا پذیرش محدود صریح؛ egress و retention مصوب.
- Canary و rollbackپاسخ واقعی مستند، هزینه محدود، خاموشسازی و evidence.