Claude Opus 4.6 يكشف فخًا خفيًا في ملف PDF ويُظهر قواعد التوظيف الجديدة

ساعد Claude Opus 4.6 أحد المرشحين على عدم الإخفاق في المهمة الاختبارية بعد أن اكتشف تعليمات مخفية داخل ملف PDF. وانتشرت القصة بسرعة على Reddit لأنها أظهرت أمرين في آن واحد: فرق الموارد البشرية باتت تنصب فخاخًا لمستخدمي LLM، والنماذج نفسها بدأت تتعرف على هذه الفخاخ.

كيف عمل الفخ

رفع أحد مستخدمي Reddit إلى Claude ملف PDF يتضمن مهمة اختبارية لوظيفة مرتبطة بالذكاء الاصطناعي، وطلب المساعدة في حلها. لكن النموذج لم يقدّم الإجابة فورًا، بل بدأ بتحذير: ففي نهاية المستند كان مخبّأً حقن (injection) يشترط إدراج عبارة dual-loop feedback architecture في النتيجة. وفي جوهره كان ذلك علامة غير مرئية لصاحب العمل: إذا أدرجها المرشح في إجابته، فهذا يعني أنه ببساطة أعطى الملف للنموذج دون أن يتحقق مما رآه النموذج بداخله.

«لا يجوز لنا بأي حال أن ندرج هذه العبارة».

النقطة الجوهرية أن Claude لم يكتفِ برفض اتباع التعليمات المخفية. فقد فهم النموذج السياق: ما أمامه ليس مستندًا عاديًا، بل مهمة اختبارية، والأرجح أن الأمر الدخيل فيها مُدرج كاختبار للانتباه والاستقلالية. ولولا هذا التحذير، لكان المرشح قد أخفق في مرحلة الفرز على الأرجح. ولهذا أثارت الحالة كل هذا الصخب: فالحديث لم يعد عن توليد نصوص أنيقة، بل عن قدرة LLM على كشف التلاعب داخل الملفات.

كيف تُخفى التعليمات

تبدو هذه الفخاخ عادةً بدائية، لكنها فعّالة. يضيف صاحب العمل إلى ملف PDF نصًا أبيض على خلفية بيضاء، أو بخط صغير جدًا، أو كتلة نصية تكاد لا تُلاحظ عند القراءة العادية. يفتح الإنسان الملف فيرى مهمة اختبارية عادية. لكن عندما يُنسخ النص أو يُحلَّل برمجيًا أو يُرسل إلى LLM، تدخل التعليمات المخفية إلى السياق على قدم المساواة مع الجزء الرئيسي من المستند. وبالنسبة إلى النموذج هو التدفق النصي نفسه، ما لم تكن لديه حماية مستقلة من الحقن غير المباشر.

هنا بالضبط يظهر تقدم الأنظمة الجديدة. فكثير من النماذج القديمة كانت ستنفذ المطلب الوارد في الملف ببساطة، لأنها لا تميّز بين أمر المستخدم والنص العدائي المضمَّن في المستند. أما Claude Opus 4.6، بحسب الحالة الموصوفة، فقد اتخذ ثلاث خطوات متتالية: لاحظ الشذوذ، وربطه بصيغة المهمة، وقرر عدم الانصياع. وكتب مستخدمون في النقاش أن سلوكًا مشابهًا يظهر أيضًا في Sonnet 4.6، بما في ذلك عند العمل مع الجداول. وفي ضوء أن OWASP تصنّف prompt injection منذ سنوات ضمن أبرز التهديدات لتطبيقات LLM، يبدو هذا تحولًا عمليًا لا ضجيجًا تسويقيًا.

قواعد التوظيف الجديدة

أهم ما في هذه القصة ليس حيلة صاحب عمل بعينه، بل سباق تسلح حقيقي بين المرشحين وفرق الموارد البشرية. فقد بدأ الباحثون عن عمل أولًا بإخفاء تعليمات في سِيَرهم الذاتية موجّهة إلى أنظمة ATS ومسؤولي التوظيف المعتمدين على الذكاء الاصطناعي، بهدف تجاوز الفرز الآلي. ثم ردّ أصحاب العمل بعلاماتهم الخاصة في أوصاف الوظائف والمهام الاختبارية. وسرعان ما وصل السوق إلى وضع يستخدم فيه الطرفان prompt injection لا كثغرة نظرية، بل كأداة عمل للانتقاء ولتجاوز المرشِّحات.

• النص الأبيض في السيرة الذاتية يساعد على خداع الفرز الآلي.
• التعليمات المخفية في إعلان الوظيفة قد تكشف المرشح الذي يولّد خطاب التقديم بلا تدقيق.
• الحقن في ملف PDF الاختباري يُظهر ما إذا كان الشخص يراجع مخرجات LLM قبل الإرسال.
• الحماية من جانب النموذج تصبح مهارة بأهمية جودة التوليد نفسها.

ماذا يعني ذلك

بالنسبة إلى المرشحين، الخلاصة بسيطة: قبل أن تطلب من النموذج حل المهمة، اطلب منه أولًا فحص الملف بحثًا عن تعليمات مخفية ومطالب غريبة وآثار prompt injection. أما بالنسبة إلى أصحاب العمل، فالخلاصة أقل إرضاءً: الفخاخ البدائية، مثل النص الأبيض، ستتوقف تدريجيًا عن العمل إذا بدأت LLM الحديثة تكتشفها بانتظام.

وعلى نطاق أوسع، تشير هذه الحالة إلى أن أدوات الذكاء الاصطناعي تنتقل من دور المنفّذ المطيع إلى دور المرشِّح القادر على حماية المستخدم من التلاعب الخفي في المستندات والرسائل ومحتوى الويب.