راهنماها و بررسیهای تخصصی برای انتخاب آگاهانهتر.
LangSmith لاگهای اپلیکیشن LLM شما را به دیتاست ارزیابی تبدیل میکند. با create_dataset و create_examples (یا POST /api/v1/datasets و /api/v1/examples/bulk در REST) دیتاست بسازید، با فیلتر کردن traceها و افزودن metadata آن را پالایش کنید و سپس با evaluate() روی مدلهای سازگار با OpenAI — مانند مدلهای APX24 — رگرسیون اجرا کنید.
کالکشن در Milvus مثل جدول است؛ با create_collection(name, dimension) در یک خط ساخته میشود و با اسکیمای سفارشی کنترل کامل فیلدها و ایندکس دارید. جستجو فقط بعد از Load ممکن است؛ پارتیشن (سقف ۱۰۲۴) مقیاس میدهد و Alias تعویض بدون Downtime ممکن میکند.
AutoGen به عاملها اجازه میدهد کد تولیدشدهٔ LLM را واقعاً اجرا کنند. در نسخهٔ ۰.۴+ عامل CodeExecutorAgent بلاکهای کد را در Docker یا لوکال اجرا و خروجی را به مکالمه برمیگرداند؛ در ۰.۲ با UserProxyAgent و code_execution_config. برای APX24، مدل را با OpenAIChatCompletionClient و base_url=https://api.apx24.ir/v1 پیکربندی کنید.
بازیاب در LangChain رابط استانداردی است که پرسوجوی متنی میگیرد و سندهای مرتبط برمیگرداند؛ پایهٔ آن BaseRetriever است و با invoke() اجرا میشود. بازیابهای MultiQuery، Compression و Ensemble مشکلات پرسوجوی مبهم، زمینهٔ شلوغ و جستجوی ترکیبی را حل میکنند. اتصال به APX24 فقط با تغییر base_url و کلید انجام میشود.
ممیزی هوش مصنوعی یعنی ارزیابی مستند و قابلبازرسی سیستمهای AI در چهار بُعد دقت، امنیت، انطباق و شفافیت. چارچوب اجرا پنج فاز دارد: موجودیسازی، ارزیابی ریسک، آزمون فنی با API، بایگانی شواهد و پایش مستمر؛ و اپهایی که فقط از API مدل شخص ثالث استفاده میکنند هم مشمول تعهدات deployer هستند. اجرای همهٔ فازها با کد واقعی روی POST /v1/chat/completions و قیمتهای روز اپکس۲۴.
شرایط استفاده Google AI سه سند است: ToS عمومی (از ۳۰ ژوئیهٔ ۲۰۲۶)، سیاست استفاده ممنوع مولد و شرایط تکمیلی Gemini API. بندهای کلیدی: سن ۱۸+، عدم ادعای مالکیت گوگل بر خروجی، استفاده از دادهٔ tier رایگان برای بهبود + بازبینی انسانی، عدم استفاده از دادهٔ tier پرداختی، سقف مسئولیت ۲۰۰ دلار و خارج بودن ایران از مناطق مجاز. برای دادهٔ حساس فقط tier پرداختی/Vertex AI؛ برای تیمهای داخل ایران، APX24.
در ChromaDB هر رکورد میتواند متادیتای کلید-مقداری داشته باشد و پارامتر where نتایج get و query را روی همین فیلدها محدود میکند. تساوی کوتاهنویسی یا $eq، مقایسهٔ عددی $gt/$gte/$lt/$lte، فهرستها $in/$nin و ترکیبها $and/$or هستند؛ هر where در سطح بالا فقط یک کلید میپذیرد. where_document جستجوی متنی را اضافه میکند و n_results پس از فیلتر اعمال میشود. همهٔ کدها روی chromadb 1.5.9 اجرا شدهاند.
Milvus برای سه نوع بردار (float/dense، binary، sparse) خانوادهٔ ایندکس جداگانه دارد. FLAT و BIN_FLAT جستجوی دقیق با recall کامل میدهند؛ IVF_FLAT تعادل سرعت/دقت است؛ HNSW سریعترین گزینهٔ پر recall با مصرف حافظهٔ بالا؛ IVF_SQ8/IVF_PQ و HNSW_SQ/PQ برای RAM محدود؛ DISKANN/AISAQ برای دادهٔ بزرگتر از RAM؛ GPU_CAGRA و خانوادهٔ GPU برای سختافزار گرافیکی؛ و SPARSE_INVERTED_INDEX برای بردار sparse. ایندکسهای اسکالر (INVERTED، BITMAP، STL_SORT، Trie) فیلترینگ متادیتا را تا ۳۰ برابر سریع میکنند.
در Weaviate کوئریها با GraphQL و از طریق POST /v1/graphql اجرا میشوند: Get اشیاء را با nearText، bm25، hybrid و فیلتر where برمیگرداند و Aggregate آمار کالکشن را میدهد. فرادادهها مثل id و distance و score در _additional هستند. مهم: GraphQL منسوخ شده و در Weaviate Cloud از ۱ مه ۲۰۲۷ خاموش میشود؛ جایگزین: REST Search API و کلاینتهای v4 (gRPC).
ایندکسگذاری در Pinecone چهار تصمیم دارد: نوع ایندکس (پیشفرض ۲۰۲۶: serverless؛ podها legacy)، معیار فاصله (dense: cosine پیشفرض؛ sparse: فقط dotproduct)، dimension برابر خروجی مدل embedding (۱۵۳۶ برای text-embedding-3-small) و namespace برای multi-tenancy. metric و dimension پس از ساخت قفل میشوند؛ بردار را با POST /v1/embeddings اپکس۲۴ بگیرید و با vectors/upsert ذخیره کنید.
Weaviate معماری ماژولار دارد: هستهٔ پایه فقط وکتور ذخیره و جستجو میکند و هر قابلیت اضافه (برداریسازی، RAG، reranking) یک ماژول اختیاری است. ماژولها با ENABLE_MODULES فعال میشوند، کلیدها با <PROVIDER>_APIKEY یا هدر X-<Provider>-Api-Key پاس میشوند و از v1.40 vectorizer باید per-collection ست شود. هدر X-OpenAI-Baseurl ماژولهای OpenAI را به هر API سازگار با OpenAI (مثل اپکس۲۴) وصل میکند.
فیلترهای Qdrant وقتی روی فیلد payload ایندکس نداشته باشند به اسکن وسیع میرسند و کند میشوند. با ساخت Payload Index مناسب (keyword، integer، datetime و…)، استفاده از Query API بهجای points/search و تنظیم full_scan_threshold_kb و hnsw_ef، پرسوجوهای فیلترشده سریع میشوند و Filterable HNSW کیفیت بازیابی را حفظ میکند.
در CrewAI واگذاری وظایف پیشفرض خاموش است. با allow_delegation=True هر ایجنت دو ابزار Delegate Work و Ask Question میگیرد؛ برای پروژههای پیچیده، Process.hierarchical با manager_llm الزامی است و مدیر تقسیم کار و اعتبارسنجی را انجام میدهد. اتصال به APX24 با کلاس LLM و base_url سازگار با OpenAI انجام میشود و هزینه با تفکیک مدل مدیر/متخصص کنترل میشود.
namespace پارتیشن ایزولهٔ داخل یک ایندکس Pinecone است: upsert و query با فیلد namespace فقط همان بخش را میبینند و بدون آن، "__default__" استفاده میشود. برای هر مشتری یک namespace بسازید تا داده ایزوله بماند، offboarding با delete_all تقریباً آنی باشد و هزینهٔ کوئری (۱ RU به ازای هر ۱GB) متناسب با اندازهٔ همان namespace بماند.
ChromaDB فقط بردارها را ذخیره و جستوجو میکند؛ تبدیل متن به بردار کارِ تابع امبدینگ است. اگر هنگام create_collection تابعی ندهید، مدل محلی all-MiniLM-L6-v2 (۳۸۴ بعد) انتخاب میشود. برای امبدینگ حرفهایتر، OpenAIEmbeddingFunction را با api_key و api_base مربوط به سرویس سازگار با OpenAI (مانند https://api.apx24.ir/v1) پیکربندی کنید؛ برای سرویسهای دیگر، کلاس EmbeddingFunction را با متد __call__ سفارشی بسازید. فقط مدل را وسط کار عوض نکنید — ابعاد بردار باید ثابت بماند.
چت گروهی (Group Chat) در AutoGen چند عامل با نقشهای مکمل را در یک گفتوگوی مشترک کنار هم میگذارد و GroupChatManager نوبتدهی و توقف را مدیریت میکند. در این راهنما با pyautogen یک تیم سهنفره (برنامهریز، کدنویس، بازبین) روی API آپکس۲۴ میسازید: پیکربندی base_url سازگار با OpenAI، انتخاب گوینده، مکانیزم TERMINATE، رفع خطاهای ۴۰۱/۴۰۴/۴۲۹ و محاسبهٔ دقیق هزینهٔ توکن با قیمت روز آپکس۲۴.
LangSmith هر درخواست اپلیکیشن LLM را به یک trace ساختاریافته تبدیل میکند: درختی از runها با ورودی/خروجی، latency، توکن و خطا. فعالسازی فقط دو متغیر محیطی است و برای APX24 کافی است کلاینت OpenAI را با base_url اپکس۲۴ بسازید و با wrap_openai بپوشانید. سپس با UI و REST API تأخیر (first_token_time)، خطا (status=error) و هزینه (توکن × قیمت هر ۱M) را تحلیل میکنید.
در CrewAI دو الگوی فرآیند وجود دارد: sequential (پیشفرض) که تسکها را بهترتیب اجرا میکند و خروجی هر تسک را به تسک بعدی میدهد، و hierarchical که یک مدل مدیر (manager_llm) تسکها را پویا بین عاملها تخصیص و بازبینی میکند و تعیین آن الزامی است. برای خطوط کاری خطی sequential و برای هماهنگی پویا hierarchical را انتخاب کنید و با کلاس LLM عاملها را به endpoint سازگار با OpenAI اپکس۲۴ وصل کنید.
مادهٔ ۵ EU AI Act ده دستهٔ کاربرد با «خطر غیرقابلقبول» را مطلقاً ممنوع کرده است: دستکاری فریبنده، بهرهکشی از آسیبپذیری، NCII و CSAM، امتیازدهی اجتماعی، پیشبینی جرم از پروفایل، اسکرپ بیهدف چهره، تشخیص احساسات در محل کار و آموزش، دستهبندی بیومتریک حساس و شناسایی بیومتریک بلادرنگ. هشت دسته از فوریهٔ ۲۰۲۵ و دو مورد از دسامبر ۲۰۲۶ اجراییاند؛ جریمه تا ۳۵ میلیون یورو یا ۷٪ گردش مالی جهانی است.
مادهٔ ۵۰ EU AI Act از ۲ اوت ۲۰۲۶ چهار تعهد دارد: provider باید چتبات را طوری طراحی کند که کاربر بداند با AI حرف میزند (۵۰-۱) و خروجی مصنوعی را machine-readable علامت بزند (۵۰-۲)؛ deployer باید تشخیص احساسات را اعلام (۵۰-۳) و دیپفیک و متن عمومی تولیدی را برچسب بزند (۵۰-۴). جریمه تا ۱۵M€ یا ۳٪ گردش مالی است و قلمرو فراملی است. پیادهسازی: بنر افشا در UI + system prompt + متادیتای provenance.
OpenAI در نسخهٔ مؤثر ۲۰۲۶ شرایط استفاده، مالکیت کامل خروجی را به کاربر میدهد، اما همزمان دادهٔ API را حداکثر ۳۰ روز برای پایش سوءاستفاده نگه میدارد (بدون آموزش پیشفرض)، داوری اجباری و سقف خسارت ۱۰۰ دلار تعیین میکند و استفاده از مناطق پشتیبانینشده مانند ایران را با بند Trade Controls ممنوع میسازد. برای تیمهای داخل ایران، مسیر عملی، پلتفرم واسط سازگار با OpenAI مانند APX24 است.
کپیرایت AI سه پرسش دارد: آموزش مدل روی آثار، مالکیت خروجی، و نقش پرامپت انسانی. ایران به کنوانسیون برن نپیوسته، پس آثار خارجی در داخل کشور حمایت نمیشوند؛ آثار داخلی با قانون ۱۳۴۸ و نرمافزار با قانون ۱۳۷۹ محافظت میشوند. خروجی صرفاً AI در آمریکا غیرقابل حمایت است (حکم Thaler) و در ایران قانون صریح ندارد. راهکار توسعهدهنده: پرامپت امن، بازبینی شباهت، ثبت provenance و رعایت شرایط سرویس.
وبسایتهایی که محتوا را با AI تولید میکنند باید آن را شفاف اعلام کنند. گوگل محتوای AI را ممنوع نمیکند و فقط «سوءاستفادهٔ مقیاسی» را جریمه میکند؛ اما مادهٔ ۵۰ قانون AI اروپا (۲ اوت ۲۰۲۶) و مقررات برچسبگذاری چین (۱ سپتامبر ۲۰۲۵) افشا را الزامی کردهاند. الگوی عملی سهلایه است: سیاست مکتوب + فیلد منشأ در CMS، برچسب قابلمشاهده برای انسان، و متادیتای ماشینخوان (C2PA/IPTC) برای نرمافزار.
EU AI Act (Regulation 2024/1689) با رویکرد ریسکپایه، کاربردهای AI را در ۴ پله دستهبندی میکند: ممنوع (مادهٔ ۵)، ریسک بالا (ضمیمههای I و III با الزامات کامل)، ریسک محدود (شفافیت مادهٔ ۵۰) و ریسک حداقلی (بدون الزام). مدلهای GPAI تعهدات جداگانه دارند. شفافیت مادهٔ ۵۰ از ۲ اوت ۲۰۲۶ لازمالاجرا شده، اما الزامات ریسک بالا با اصلاحیهٔ ۲۰۲۶ به دسامبر ۲۰۲۷ و اوت ۲۰۲۸ موکول شده است.
ممیزی هوش مصنوعی یعنی سنجش نظاممند سامانهٔ AI در چهار لایهٔ داده، مدل، خروجی و فرایند. برای مدلهای کلاسیک از Fairlearn/AIF360 (عدالت) و SHAP/LIME (توضیحپذیری) استفاده میشود؛ برای مدلهای زبانی از promptfoo (ارزیابی) و PyRIT/garak (قرمزتیمینگ امنیتی). میتوانید با یک درخواست POST به https://api.apx24.ir/v1/chat/completions یک داور خودکار ساخت که هر پاسخ مدل را با rubric نمره میدهد. ممیزی باید مستمر باشد، نه یکباره.
از ۲ اوت ۲۰۲۶ علامتگذاری محتوای مصنوعی در اروپا (مادهٔ ۵۰ EU AI Act) و از ۱ سپتامبر ۲۰۲۵ برچسب صریح و ضمنی در چین الزامی است؛ گوگل پلی و اپاستور هم سازوکار گزارش و فیلتر میخواهند. راهحل عملی یک الگوی سهلایه است: نشان «ساختهشده با AI» در UI، فیلدهای ai_generated و ai_disclosure در متادیتا، و لاگ پرووننس — همه از یک middleware واحد روی API سازگار با OpenAI در APX24.
در LangGraph، یال شرطی تعیین میکند بعد از یک گره کدام گره اجرا شود و این تصمیم را به زمان اجرا موکول میکند. شما یک تابع روتر مینویسید که از روی state مقصد را برمیگرداند و آن را با add_conditional_edges به گرهٔ مبدأ وصل میکنید. خروجی روتر میتواند یک نام گره، یک فهرست (اجرای موازی در superstep بعدی) یا END باشد؛ با path_map میتوانید کلیدهای دلخواه را به نام گره نگاشت کنید. یال شرطی state را تغییر نمیدهد — اگر تغییر state و مسیریابی را با هم میخواهید از Command استفاده کنید. در این مقاله یک روتر واقعی تیکت پشتیبانی میسازیم که دستهبندی را با مدل اقتصادی از طریق API سازگار با OpenAI اپکس۲۴ انجام میدهد و بر اساس آن بین تیم فنی، تیم مالی و پایان گراف مسیریابی میکند.
AI Act رویکرد ریسکمحور دارد: ممنوع، پرریسک، محدود، حداقلی. کاربرد در حوزههای پیوست III یعنی هفت ستون تکالیف (مواد ۹ تا ۱۵) + ارزیابی انطباق + نشان CE که طبق اصلاحیهٔ 2026/1744 از ۲ دسامبر ۲۰۲۷ اجباری میشوند. ممنوعیتها، تکالیف GPAI و شفافیت مادهٔ ۵۰ همین حالا اجراییاند؛ استفاده از API شما را از مسئولیت خارج نمیکند.
State در LangGraph حافظهٔ کاری گراف شماست: یک اسکیمای TypedDict که هر نود آن را میخواند و فقط بهروزرسانی جزئی برمیگرداند. LangGraph بهروزرسانیها را با reducer ترکیب میکند (پیشفرض: overwrite، برای پیامها: add_messages) و با checkpointer و thread_id میتوانید وضعیت را بین فراخوانیها نگه دارید. در این مقاله با کد پایتون اجرایی و اتصال به API هوش مصنوعی APX24 همهٔ اینها را میسازید.
افشای استفاده از AI یعنی اعلام صریح نقش هوش مصنوعی به مخاطب. در اروپا (مادهٔ ۵۰ از ۲ اوت ۲۰۲۶) و چین (از ۱ سپتامبر ۲۰۲۵) الزامی است؛ یوتیوب و متا سیاست پلتفرمی دارند و گوگل فقط کیفیت را میسنجد. با endpoint سازگار با OpenAI در APX24 میتوانید تولید متن افشا را خودکار کنید.
ترکیبگر پاسخ، آخرین حلقهٔ RAG در LlamaIndex است: نودهای بازیابیشده را با LLM به پاسخ نهایی تبدیل میکند. انتخاب response_mode مشخص میکند چند فراخوانی LLM انجام شود: refine به ازای هر نود یک فراخوانی، compact با چسباندن نودها معمولاً ۱-۲ فراخوانی، tree_summarize برای خلاصهٔ کلی. با OpenAILike و api_base=https://api.apx24.ir/v1 همین ترکیبگر روی مدلهای اپکس۲۴ مثل claude-sonnet-5 کار میکند.
Anthropic دو قرارداد جدا دارد: نسخهٔ مصرفی (claude.ai) که در آن آموزش مدل روی گفتوگوها پیشفرض روشن است و باید دستی خاموشش کنید، و نسخهٔ تجاری (API) که در آن آموزش روی دادهٔ مشتری صراحتاً ممنوع است و مالکیت خروجی با مشتری میماند. استفاده از کشورهای خارج از فهرست Supported Regions — از جمله ایران — مجاز نیست. سقف مسئولیت در نسخهٔ مصرفی حداکثر مبلغ ۶ ماه یا ۱۰۰ دلار و در نسخهٔ تجاری حقالزحمهٔ ۱۲ ماه است. توسعهدهندگان ایرانی معمولاً از APIهای سازگار با OpenAI مانند APX24 استفاده میکنند که مدلهای Claude را با پرداخت تومانی ارائه میدهد.
در آمریکا آثار کاملاً تولیدشدهٔ AI کپیرایت ندارند؛ شرط نویسندگی انسانی طبق USCO و رأی ۱۸ مارس ۲۰۲۵ D.C. Circuit الزامی است. پرامپت بهتنهایی کافی نیست؛ فقط ویرایش، گزینش و چیدمان خلاقانهٔ انسانی محافظت میشود و باید در ثبت اعلام شود. در آموزش مدلها، رأی ژوئن ۲۰۲۵ آموزش با کتابهای قانونبهدستآمده را منصفانه دانست و توافق ۱.۵ میلیارد دلاری Anthropic به دلیل نسخههای کتابخانهٔ دزدی رخ داد.
با فراخوانی interrupt() درون یک نود، اجرای گراف LangGraph متوقف و یک payload (سؤال/زمینه) به کلاینت برگردانده میشود؛ وضعیت در چکپوینتر ذخیره میشود و با graph.invoke(Command(resume=...), config) ادامه مییابد. مقدار resume دقیقاً همان مقدار بازگشتی interrupt() است. الزامات: checkpointer و thread_id. هشدار: پس از resume، نود از ابتدا اجرا میشود، پس side effects را بعد از interrupt بگذارید.
اروپا آموزش هوش مصنوعی را با همان کپیرایت کلاسیک + دو استثنای جدید تنظیم میکند. مادهٔ ۴ دستور DSM استثنای TDM میدهد اما حقدار میتواند با اعلام ماشینخوان (TDMRep: هدر، متاتگ یا /.well-known/tdmrep.json) از آن بگذرد. مادهٔ ۵۳ AI Act از ۲ اوت ۲۰۲۵ ارائهدهندگان GPAI را به سیاست کپیرایت و خلاصهٔ عمومی دادهٔ آموزشی ملزم میکند. سه حکم ۲۰۲۴–۲۰۲۵ نشان داد: دیتاست پژوهشی اوکی، حفظشدن اثر در مدل اوکی نیست، و وزنهای مدل بهخودیخود نسخهٔ متضاد نیستند.
CrewAI سه فیلد متنی role، goal و backstory را به system prompt هر ایجنت تزریق میکند تا شغل، هدف قابلارزیابی و شخصیت او ساخته شود. هر ایجنت میتواند مدل مستقل داشته باشد؛ با LLM(model="openai/<model-id>", base_url="https://api.apx24.ir/v1", api_key="sk-apx-...") به APX24 وصل شوید، ایجنتها را در Crew بگذارید و با kickoff اجرا کنید. مدل سبک برای نقشهای پرتکرار و مدل قوی برای تحلیل، هزینه را حداکثر نصف میکند.
Node Parser در LlamaIndex مرحلهٔ «تقسیم» در خط ورود دادهٔ RAG است: سند را به Nodeهایی میشکند که هر کدام متن + metadata + relationships دارند. پیشفرض کار SentenceSplitter (۱۰۲۴ توکن، همپوشانی ۲۰) است؛ برای Markdown از MarkdownNodeParser و برای مرز معنایی از SemanticSplitter استفاده کنید. چون APX24 سازگار با OpenAI است، با OpenAILike و api_base کل خط تولید به LLM واقعی وصل میشود.
ایندکس در LlamaIndex ساختار دادهای است که nodeهای سند شما را برای «بازیابی» سازماندهی میکند؛ انتخاب ایندکس یعنی انتخاب استراتژی پیدا کردن متن مرتبط. VectorStoreIndex برای جستوجوی معنایی، SummaryIndex و TreeIndex برای خلاصهسازی، KeywordTableIndex برای کلیدواژهٔ دقیق، DocumentSummaryIndex برای مجموعههای چندسندی و PropertyGraphIndex برای روابط. همه با یک LLM سازگار با OpenAI مثل APX24 کار میکنند و با persist/save دوبارهسازی نمیخواهند.
Query Engine در LlamaIndex رابط آمادهٔ پرسشوپاسخ روی دادههای شماست: بازیابی معنایی (Retriever) + سنتز پاسخ با LLM. با index.as_query_engine() ساخته و با .query() اجرا میشود. برای APX24، کلاس OpenAILike را با api_base=https://api.apx24.ir/v1 و کلید sk-apx- پیکربندی کنید؛ هر پرسوجو یک POST /v1/chat/completions است و توکنهای ورودی (پرامپت + K قطعه) هزینه را تعیین میکنند.
LCEL (LangChain Expression Language) سینتکس اعلانی لنگچین برای ساخت زنجیرههای LLM است: هر جزء یک Runnable با متدهای invoke/stream/batch است و اپراتور | آنها را به RunnableSequence تبدیل میکند. در این مقاله با langchain-openai و base_url=https://api.apx24.ir/v1 به مدلهای اپکس۲۴ وصل میشویم، اولین زنجیره را میسازیم، استریم و batch میگیریم، با RunnableParallel زنجیرهٔ RAG میسازیم و با with_fallbacks/with_retry آن را production-ready میکنیم.
کالبک در لنگچین یعنی کد شما در لحظههای کلیدی اجرا (شروع و پایان مدل، هر توکن، ابزار، خطا) صدا زده شود. یک کلاس از BaseCallbackHandler بسازید، متدهای on_* لازم را بازتعریف کنید و با config={'callbacks': [...]} به invoke بدهید. همین سیستم پایهٔ استریم توکن، لاگ مصرف توکن و LangSmith است و با endpoint سازگار با OpenAI اپکس۲۴ هم بدون تغییر کد کار میکند.
ایجنت LangChain = LLM + ابزار + حلقه. مدل در هر دور یا پاسخ نهایی میدهد یا tool_calls صادر میکند؛ نتیجهٔ ابزار به تاریخچه برمیگردد و دور تکرار میشود. در v1 استاندارد این حلقه create_agent روی LangGraph است و AgentExecutor به legacy رفته. برای اپکس۲۴ فقط ChatOpenAI را با base_url="https://api.apx24.ir/v1" تنظیم کنید؛ حافظه با checkpointer و thread_id و هزینه با تعداد دورها ضرب میشود.
GLM با دو قرارداد عرضه میشود: توS بینالمللی z.ai (سنگاپور) و توS داخلی bigmodel.cn (چین). مالکیت پرامپت و خروجی اختصاصی با کاربر است، استفادهٔ تجاری در قابلیتهای پولی مجاز است و دادهٔ کاربران API بدون رضایت صریح برای آموزش بهکار نمیرود. آموزش مدل رقیب، حذف نشانگر AI و بازفروش کلید API ممنوع است و سقف مسئولیت z.ai حداکثر ۱۰۰ دلار یا پرداختی ۶ ماه اخیر است.
قرارداد xAI (نسخهٔ ۲۷ اکتبر ۲۰۲۶) با SpaceX Super Intelligence LLC بسته میشود و دو رژیم دارد: Consumer برای گروک فردی، Enterprise برای API. در Enterprise مالکیت Output دائماً به مشتری میرسد، آموزش مدل با دادهٔ مشتری ممنوع است و داده حداکثر ۳۰ روز (در ZDR حداکثر ۱ ساعت) حذف میشود. در Consumer مجوز استفاده از محتوا دائمی است. سقف مسئولیت: ۱۰۰ دلار یا هزینهٔ ۱۲ ماه؛ قانون حاکم تگزاس.
شرایط استفادهٔ DeepSeek (نسخهٔ ۲۷ مارس ۲۰۲۶): مالکیت ورودیها نزد شما میماند و خروجیها به شما واگذار میشود؛ استفادهٔ تجاری، پژوهشی و حتی تربیت مدل دیگر مجاز است. استفاده از گفتگوها برای بهبود مدل حداقلی و قابلانصراف است. سرویس API تابع سند Open Platform است: پیشپرداخت، بازپرداخت یکجا و سقف مسئولیت معادل کارمزد ۱۲ ماه. قانون حاکم چین است؛ وزن مدلها اما با لایسنس MIT آزاد است.
مدلهای زبانی stateless هستند؛ «حافظه» یعنی ذخیره و ارسال دوبارهٔ تاریخچهٔ پیامها در هر فراخوانی. الگوی رسمی امروز، checkpointer در LangGraph است: InMemorySaver برای توسعه، PostgresSaver برای production و thread_id برای جداکردن مکالمهها. کلاسهای قدیمی مثل ConversationBufferMemory از v0.3.x منسوخاند؛ و چون تاریخچه هر بار پرداخت میشود، با window memory و مدل اقتصادی تا ۳۰ برابر صرفهجویی کنید.
ISO/IEC 42001:2023 نخستین استاندارد بینالمللی «سیستم مدیریت هوش مصنوعی» است؛ یعنی مجموعهٔ سیاستها، فرایندها و کنترلهایی که تعیین میکند سازمان چطور AI را بهشکل مسئولانه توسعه دهد، در محصولاتش ادغام کند، از آن استفاده کند یا سیستمهای AI شخص ثالث را مدیریت کند. گواهینامهٔ آن داوطلبانه است و توسط مؤسسهٔ گواهیدهندهٔ مستقل صادر میشود: ابتدا تحلیل شکاف و دامنهبندی، سپس ارزیابی ریسک و تأثیر AI، مستندسازی و پیادهسازی ۳۸ کنترل پیوست A، ممیزی داخلی و در نهایت ممیزی مرحلهٔ ۱ و ۲. گواهینامه معمولاً ۳ سال اعتبار دارد و ممیزی نظارت سالانه میخواهد. برای تیمهایی که فقط از API مصرف میکنند، کنترلهای A.9 و A.10 مهمتریناند و لاگ ممیزی فراخوانیها ملموسترین شاهد است.
زنجیرهٔ LangChain خط لولهٔ «قالب پرامپت ← مدل ← پارسر» است که با عملگر pipe ساخته میشود و هر جزءش یک Runnable با متدهای invoke/stream/batch است. چون گیتوی APX24 سازگار با OpenAI است، با یک ChatOpenAI و base_url=https://api.apx24.ir/v1 کل خط لوله بدون تغییر معماری اجرا میشود؛ این مقاله استریم، حافظه، خطاها و هزینهٔ واقعی را هم پوشش میدهد.
چارچوب NIST AI RMF 1.0 (ژانویهٔ ۲۰۲۳) مرجع داوطلبانهٔ مدیریت ریسک هوش مصنوعی است و چهار کارکرد دارد: GOVERN (حاکمیت)، MAP (شناسایی زمینه و ریسک)، MEASURE (سنجش) و MANAGE (کنترل و اولویتبندی). NIST گواهینامه صادر نمیکند؛ گواهی رسمی از مسیر ISO/IEC 42001:2023 با ممیزی نهاد معتبر انجام میشود. تیمهای فنی میتوانند کنترلهای سنجش را با API سازگار با OpenAI مانند APX24 خودکار کنند.
Payload در Qdrant متادیتای JSON هر نقطه است و بدون ایندکس، هر فیلتر یعنی اسکن کامل payload. با PUT /collections/{collection_name}/index برای هر فیلد فیلترشونده یک payload index بسازید (انواع keyword، integer، float، bool، datetime، uuid، geo، text). ساخت ایندکس پسزمینهای است و بهتر است قبل از درج داده انجام شود؛ فقط فیلدهای پرکاربرد در فیلترها را ایندکس کنید.