ThreadWeaver v3 wprowadził Causal Work Graph – silnik śledzenia pochodzenia danych (lineage engine) między narzędziami, który pozwala zapytaniom opartym na AI zwracać nie tylko dokument, ale sprawdzalny łańcuch dowodów łączący czaty na Slacku, zgłoszenia w Jira, commity w GitHubie i inne artefakty. Zespoły, które go wdrożą, mogą odpowiedzieć na pytanie „Dlaczego to zbudowano?”, przedstawiając widoczny podgraf zamiast spekulatywnego akapitu.

Kontekst: rozproszone dane, brakujące powiązania

Dzisiejsze zespoły inżynieryjne funkcjonują w mozaice różnych platform. Reklamacja klienta znajduje się w systemie zgłoszeń, wynikająca z niej dyskusja w aplikacji do czatowania, decyzja projektowa na tablicy do zarządzania projektami, kod w repozytorium, a notatki z wydania w narzędziu do dokumentacji. Surowe informacje są dostępne, ale związki przyczynowo-skutkowe między nimi pozostają niewidoczne. Gdy product manager pyta, dlaczego dana funkcja została wydana, odpowiedź kryje się w gąszczu wiadomości, zgłoszeń i commitów. Tradycyjne narzędzia wyszukiwania potrafią wyświetlić elementy zawierające podobne słowa kluczowe, ale nie potrafią określić, który element faktycznie wywołał kolejny.

Dlaczego to ma znaczenie: pochodzenie danych kontra halucynacje

Większość dużych modeli językowych (LLM) odpowiada poprzez dopasowywanie podobieństwa semantycznego. Zgłoszenie w Jira, które wspomina o kanale na Slacku, może wydawać się powiązane, jednak model nie jest w stanie udowodnić, że to właśnie czat spowodował powstanie zgłoszenia. Rezultatem jest „halucynacja” – odpowiedź, która brzmi wiarygodnie, ale nie posiada weryfikowalnego źródła. W środowiskach regulowanych lub wszędzie tam, gdzie liczy się odpowiedzialność, ta luka jest kosztowna. Causal Work Graph zastępuje domysły grafem, którego krawędzie są poparte konkretnymi dowodami: znacznikami czasu, identyfikatorami aktorów, typami relacji i wskaźnikami pewności.

Jak działa Causal Work Graph

  • Modelowanie skoncentrowane na zdarzeniach – każdy węzeł reprezentuje zdarzenie (np. wiadomość na Slacku, utworzenie zgłoszenia w Jira), a nie statyczny dokument.
  • Jawne relacje – krawędzie kodują konkretne twierdzenie przyczynowe („dyskusja na Slacku wpływa na decyzję PM-a”) wraz z dowodami wspierającymi.
  • Metadane pochodzenia – każda krawędź przechowuje źródło, cel, znacznik czasu, aktora, poziom pewności oraz wskaźnik do oryginalnego artefaktu potwierdzającego dane twierdzenie.
  • Obsługa niepewności – jeśli system nie może zlokalizować łączącego zdarzenia, zwraca wartość „Nieznane” zamiast fabrykować połączenie.
  • Dostęp zgodny z uprawnieniami – użytkownicy widzą tylko te krawędzie, do których artefaktów mają uprawnienia; brakująca wiadomość na Slacku po prostu ukrywa odpowiadającą jej krawędź.
  • LLM jako interpretator, a nie repozytorium – model językowy tłumaczy graf na wyjaśnienia w języku naturalnym, podczas gdy sam graf pozostaje autorytatywnym źródłem prawdy.

Gdy użytkownik pyta: „Co doprowadziło do wydania?”, silnik składa podgraf, który może wyglądać następująco:

  1. Reklamacja klienta → dyskusja na Slacku (znacznik czasu, użytkownik)
  2. Dyskusja na Slacku → decyzja PM-a (zgłoszenie w Jira)
  3. Decyzja PM-a → commit w GitHubie (zmiana kodu)
  4. Commit w GitHubie → Wydanie (artefakt)

Odpowiedź zawiera linki do dokładnej wiadomości na Slacku i komentarza w Jira, co pozwala pytającemu zweryfikować każdy krok.

Podsumowanie

Causal Work Graph w ThreadWeaver v3 przekształca rozproszone artefakty inżynieryjne w pojedynczy, podlegający audytowi łańcuch przyczynowo-skutkowy. Wymagając dowodów dla każdego połączenia, omija halucynacje, które nękają odpowiedzi generowane wyłącznie przez LLM, i daje zespołom konkretny sposób na prześledzenie „dlaczego” stojącego za każdym wydaniem.