معرفی Django AI Validator: وقتی Regex کافی نیست

Regex برای ایمیل، کدپستی و رشته‌های مرتب عالیه، اما وقتی می‌شنوید «لطفاً مطمئن شو بیو حرفه‌ایه» یا «بررسی کن واقعاً دارد یک ماشین رو توصیف می‌کنه»، کل ماجرا فرو می‌ریزه. هرچقدر هم الگوی بیشتر بچسبونید، هنوز دارید نحو رو قضاوت می‌کنید و نه معنا رو.

Django AI Validator پاسخم به این شکاف معناییه؛ یک پکیج تازه PyPI که به فیلدهای Django اجازه می‌ده به LLMهای مدرن (OpenAI، Anthropic، Gemini یا حتی Ollama روی سیستم خودتون) وصل بشن و همون لحظه اعتبارسنجی و تمیزکاری انجام بدهند.

چرا یک اعتبارسنجِ دیگه؟

چون کیفیت محتوا دیگه فقط «کاراکتر مجاز» نیست. باید لحن، نیت و نقض سیاست‌ها رو بدون ساختن سیستم تعدیل پیچیده تشخیص بدیم. به جای کنار هم چیدن فیلترهای کلمه کلیدی و هک‌های شکننده، می‌گید «خوب» یعنی چی و بقیه‌اش رو خود اعتبارسنج انجام می‌ده.

این پکیج چی میاره؟

• اعتبارسنجی معنایی: AISemanticValidator پرامپت شما (مثلاً «آیا این توضیح محترمانه و مرتبط است؟») رو می‌خونه و متن رو ارزیابی می‌کنه.
• تمیزکاری خودکار: AICleanedField ورودی رو قبل از ذخیره بازنویسی می‌کنه یا حتی می‌ره سراغ حذف PII، اصلاح گرامر و نرمال‌سازی و لحن و والخ…
• امکانات UX در ادمین: داده‌های مشکوک داخل Django Admin علامت می‌خورند و اکشن‌های پاکسازی گروهی در دسترسه تا تیم محتوا در جریان بمونه.
• پشتیبانی از پردازش غیرهمزمان: فراخوانی‌های طولانی LLM رو می‌تونید به Celery بسپارید تا درخواست اصلی سریع تمام شه.

مستندات: mazafard.github.io/Django-AI-Validator

سورس کد: github.com/Mazafard/Django-AI-Validator

تور معماری (بخش عاشقان جزئیات)

برای اینکه کتابخونه انعطاف‌پذیر و Provider-agnostic بمونه از الگوهای طراحی کلاسیک کمک گرفتم:

1. Adapter Pattern: اینترفیس LLMAdapter متدهای validate و clean رو تعریف می‌کنه و آداپترهای OpenAIAdapter، AnthropicAdapter، GeminiAdapter و OllamaAdapter درخواست‌ها رو مطابق API هر سرویس ترجمه می‌کنند.
2. Abstract Factory: وقتی به کلاس AIProviderFactory می‌گید «openai» یا «ollama»، بسته کامل آداپتر و تنظیمات صحیح رو می‌ده؛ خبری از if provider == ... های پخش و پلا نیست.
3. Singleton Cache: کلاس LLMCacheManager کش اشتراکی برای جفت پرامپت+متن نگه می‌دارد تا اعتبارسنجی تکراری هزینه توکن اضافه نداشته باشه.
4. Proxy Pattern: کلاس CachingLLMProxy قبل از تماس با آداپتر واقعی، کش رو چک می‌کنه، روی miss درخواست رو می‌فرسته و نتیجه رو ذخیره می‌کنه، بی‌آنکه شما تغییری بدید.
5. Facade Pattern: کلاس AICleaningFacade همه این پیچیدگی‌ها رو می‌پوشاند؛ Validator فقط facade.validate() یا facade.clean() رو صدا می‌زنه.
6. Template Method: کلاس AISemanticValidator روند ثابت prepare_input → call_llm → parse_response → raise_validation_error رو تعریف می‌کنه؛ می‌توانید گام‌های لازم رو override کنید و اسکلت رو دست‌نخورده نگه دارید.

استفاده داخل مدل

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

from django.db import models
from django_ai_validator.validators import AISemanticValidator
from django_ai_validator.fields import AICleanedField

class Product(models.Model):
    name = models.CharField(
        max_length=100,
        validators=[
            AISemanticValidator(
                prompt_template="Check if this name is catchy and marketing-friendly. Return VALID if yes."
            )
        ],
    )

    description = AICleanedField(
        cleaning_prompt="Fix grammar, remove profanity, and keep it professional.",
        use_async=True,
    )

پشت صحنه، Facade آداپتر مناسب رو انتخاب می‌کنه Proxy کش رو چک می‌کنه و Validator یا ValidationError یا خروجی تمیز شده رو برمی‌گردونه.

شروع سریع

1. pip install django-ai-validator
2. کلیدهای OpenAI/Anthropic/Gemini/Ollama رو در تنظیمات بذارید
3. AISemanticValidator یا AICleanedField رو به فیلدهای مورد نظرتون اضافه کنین

همین. به جای نوشتن صد خط Regex بروی حدس زدن محترمانه بودن یک متن، رفتار مطلوب رو توضیح بدهید و بذارید LLM حکم نهایی رو صادر کند. مشتاقم ببینم شما چه‌چیزهایی رو اعتبارسنجی می‌کنید!