تصور کنید یک مهندس ارشد هر بار که برای قهوه میرود، تمام جزئیات پروژه را فراموش کند و مجبور شود دوباره فایل README را بخواند؛ این دقیقاً وضعیتی است که امروز اکثر عاملهای (Agent) — تشبیه روزمره: مثل دستیاری دیجیتال که میتواند بهجای شما کد بنویسد و ابزارها را اجرا کند — هوش مصنوعی در کدنویسی تجربه میکنند.
باید بدانید که مشکل اصلی این نیست که مدلها حافظه ندارند، بلکه مشکل در «وسواس متنی» آنهاست. طبق گزارش منتشر شده در ۹ مه ۲۰۲۶، ابزار AICTX با جایگزینی بافت استاتیک با «تداوم عملیاتی»، این چرخه تکراری را میشکند.
همانطور که در تحلیلهای پیشین ما دربارهی محدودیتهای پنجره متنی (Context Window) — تشبیه روزمره: میزان متنی که مدل همزمان «در ذهن» نگه میدارد — مثل میز کاری که جا برای چند ورق دارد — اشاره کردیم، افزایش حجم دادههای ورودی همیشه راهکار بهینه نیست. AICTX بهجای تزریق دادههای بیشتر، یک حلقه اجرا ایجاد میکند که در آن عامل، هدف را استخراج کرده و بر اساس تصمیمات و شکستهای جلسات قبلی، کار را ادامه میدهد.
به نقل از گزارش dev.to، در دموهای اجرا شده با مدل Codex، نتایج خیرهکنندهای در جلسه دوم هر وظیفه به دست آمده است:
- بررسی فایلها: کاهش ۵۰ درصدی (از ۱۰ فایل به ۵ فایل).
- تستهای اجرا شده: کاهش ۷۵ درصدی (از ۴ تست به ۱ تست).
- زمان تکمیل: کاهش از ۱۱۹ ثانیه به ۷۲ ثانیه (۳۹.۵٪ سریعتر).
- هزینه API: کاهش از ۰.۸۷ دلار به ۰.۵۹ دلار (۳۱.۹٪ ارزانتر).
بر اساس مستندات این ابزار، این تغییر رویکرد از «بافت بیشتر» به «تداوم»، معیار کارایی را تغییر میدهد. AICTX کیفیت کد را بهطور جادویی بالا نمیبرد، اما «نویز عملیاتی» را حذف میکند تا عاملها بهجای رفتار شبیه به یک کارآموز، مانند یک همتیمی باسابقه عمل کنند که میداند دقیقاً کدام فایلها اهمیت دارند.
گام بعدی شما
- اگر از عاملهای کدنویسی در پروژههای بزرگ استفاده میکنید، این ابزار را از طریق دستور
pipx install aictxنصب و تست کنید. - بررسی کنید که آیا تداوم عملیاتی میتواند تعداد توکنهای مصرفی در هر جلسه را کاهش دهد.
- روی مخازنی تمرکز کنید که دارای ساختار پیچیده هستند تا تفاوت در نرخ «کشف مجدد» فایلها را مشاهده کنید.
اما چالش بعدی، مقیاسپذیری این حافظه در پروژههای عظیم است — در گزارشهای آتی بررسی خواهیم کرد که آیا این رویکرد در مخازن میلیونخطی نیز پاسخ میدهد یا خیر.
گفتگو