تصور کنید از یک دستیار هوشمند میپرسید: «آیا داروی X با بیماری قلبی تداخل دارد؟» دستیار با اطمینان پاسخ میدهد، اما از کجا این را میداند؟ از کدام سند، کدام پایگاه داده، کدام پژوهش؟ اگر جواب اشتباه باشد، کجا باید دنبال مشکل گشت؟ این سوال ساده، در پسزمینهی خود یک بحران معماری را پنهان کرده است.
سیستمهای RAG (Retrieval-Augmented Generation) که امروز پشتوانهی بسیاری از دستیارهای هوشمند سازمانی هستند؛ از یک ایدهی ساده شروع کردند: به جای اینکه مدل زبانی همه چیز را از حفظ بداند، بگذاریم اطلاعات را از یک پایگاه دانش بازیابی کند. اما همین ایدهی ساده، وقتی با پیچیدگی دنیای واقعی مواجه میشود، شکافهایی پدید میآورد که میتوانند خطرناک باشند.
از فهرست به نقشه: ظهور گرافرگ
مشکل RAG سنتی آن است که دانش را به صورت «فهرست» میبیند. هر تکه متن، مستقل از بقیه شناوری میکند و شباهت هندسی آن با پرسش، تعیین میکند که آیا بازیابی میشود یا نه. اما دانش واقعی اینگونه نیست؛ دانش شبکهای است.
گرافرگ اما این شبکه را شفاف میکند. موجودیتها به گرهها تبدیل میشوند و روابط به لبهها. وقتی عامل هوش مصنوعی دنبال پاسخی میگردد، دیگر در یک فضای برداری معلق نیست؛ بلکه روی یک نقشه راه میرود. میتواند بگوید: «از اینجا بروم به آنجا، از آن گره به این گره، از این رابطه به آن نتیجه.»
پژوهشهای اخیر نشان داد که این رویکرد برای پرسشهای چند-گامه (multi-hop) یعنی پرسشهایی که پاسخشان به زنجیرهای از استدلال نیاز دارد به طرز قابل توجهی از RAG معمولی بهتر است.
عاملهای هوشمند روی گراف: قدرت جدید، مسئلهی جدید
در گرافرگ عاملی (Agentic)، ماجرا یک قدم فراتر میرود. عامل نهتنها اطلاعات را بازیابی میکند؛ بلکه برنامهریزی میکند که چه چیزی را بازیابی کند. میپرسد، نتیجه را ارزیابی میکند، مسیر خود را اصلاح میکند، و دوباره میپرسد. مثل یک کارآگاه که از سرنخی به سرنخ دیگر میرود.
اما این قدرت، یک پرسش جدی را بیپاسخ میگذاشت: وقتی عامل از گره A به گره B میرود، آیا میداند چرا؟
مسئلهی همسایهها: آنچه در مسیر جا میماند
مقالهی Terrenzi و همکارانش دقیقاً همین سوال را هدف میگیرد. در پیادهسازیهای رایج گرافرگ، عامل وقتی گرهای را بازیابی میکند، آن گره را بیزمینه میگیرد. محتوای گره A را میخواند بدون اینکه بداند از کدام گره آمد، چرا آن مسیر را انتخاب کرد، یا چه گرههایی در «همسایگی» آن قرار دارند و چه رابطهای با یکدیگر دارند.
این مثل آن است که کسی در یک شهر ناآشنا راه برود، اما هر بار که به تقاطعی میرسد، فراموش کند از کجا آمده. ممکن است در نهایت به یک مقصد برسد اما نه میداند چطور رسید، نه میتواند مسیر را توضیح دهد، نه اگر اشتباه کرده قادر به تصحیح است.
نویسندگان این پدیده را «از دست رفتن زمینهی پیمایش» مینامند. و ادعا میکنند که این یکی از دلایل اصلی است که چرا سیستمهای GraphRAG در بسیاری از موارد پاسخهایی میدهند که درست به نظر میرسند ولی ردیابیناپذیرند.
دو ستون پیشنهاد: زمینه و منشأ
پاسخ مقاله بر دو مفهوم کلیدی استوار است:
زمینهی پیمایش (Traversal Context)
هر قدم عامل باید همراه با حافظهی مسیر باشد. نهتنها «کجا هستم» بلکه «از کجا آمدم و از چه راهی». گرههای همسایه و روابطی که عامل از میان آنها گذشته، باید بخشی از زمینهای باشند که به مدل زبانی میرسد و نه فقط محتوای گرهی فعلی.
این ساده به نظر میرسد، اما تأثیرش عمیق است: عامل میتواند تشخیص دهد که آیا مسیری که پیموده منطقی بوده یا تصادفی. میتواند بفهمد که «این گره دربارهی الف است چون از گرهی مربوط به ب از طریق رابطهی سین به اینجا رسیدم». نه فقط اینکه «این گره دربارهی االف است.»
منشأ (Provenance)
هر بار که عامل اطلاعاتی را برای ساختن پاسخ استفاده میکند، باید بتواند بگوید این اطلاعات دقیقاً از کجا آمده. نه فقط «از دانشپایه» بلکه از کدام گره، از کدام سند، از کدام مسیر پیمایش.
این چیزی نیست که صرفاً برای شفافیت خوب باشد. منشأ، پیششرط قابلاعتمادی سیستم است. اگر پاسخی اشتباه باشد، منشأ به ما میگوید از کجا اشتباه وارد شد. اگر پاسخی درست باشد، منشأ به کاربر دلیل اعتماد میدهد.
چرا این برای عاملهای هوشمند حیاتی است
در سیستمهای تک-پرسشی، شاید این کمبود تحملپذیر باشد. اما عاملهای هوش مصنوعی مدرن وظایف چند-مرحلهای را انجام میدهند: اسناد را بررسی میکنند، تصمیم میگیرند، ایمیل میفرستند، کد مینویسند. هر قدم روی قدم قبلی بنا میشود.
در چنین زنجیرهای، یک خطای ردیابیناپذیر مثل ترک در بنیاد یک ساختمان است. هر چه بالاتر بروی، خطر بیشتر میشود. اگر عامل در قدم سوم از اطلاعاتی استفاده کرده که منشأش مبهم بوده، هر چیزی که بر آن بنا شده زیر سوال میرود.
نویسندگان استدلال میکنند که در سیستمهای اعتمادپذیر، زمینهی پیمایش و منشأ باید شهروندان درجهی اول معماری باشند و نه یک ویژگی اضافه که بعداً وصله شود.
تصویر بزرگتر
این مقاله بخشی از یک مکالمهی گستردهتر در جامعهی هوش مصنوعی است. در سالهای اخیر، بهخصوص با گسترش عاملهای هوشمند در محیطهای سازمانی، یک سوال مرکزی مطرح شده: قابلتوضیح بودن تا چه حد مهم است؟
سیستمهای RAG اولیه جواب میدادند اما توضیح نمیدادند. گرافرگ مسیر را رسم میکند، اما حافظهی مسیر ندارد. مقالهی Terrenzi و همکارانش میگویند: قدم بعدی، نگه داشتن این حافظه و انتقال آن به مدل است.
در دنیایی که عاملهای هوش مصنوعی به تدریج به مشاورین، تحلیلگران، و حتی تصمیمگیرندگان تبدیل میشوند، توانایی پاسخ به سوال «چطور به اینجا رسیدی؟» دیگر یک ویژگی لوکس نیست. شرط اعتماد است.
برگرفته از مقالهی «Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG»
نوشتهی Riccardo Terrenzi، Maximilian von Zastrow، Serkan Ayvaz
مقالهی اصلی ۷ صفحه دارد و در کارگاه مشترک GENAIK و NORA در IJCAI-ECAI 2026 ارائه شده است.
