اگر مدیر پروژه یا برنامهنویسی هستید که هر بار ۱۰ دقیقه وقت صرف توضیح پیشینهٔ پروژهاش به هوش مصنوعی میکند، در حال از دست دادن مزیت رقابتی خود هستید. تصور کنید دستیاری داشته باشید که تمام یادداشتهای شما را خوانده و دقیقاً میداند در کدام مرحله از پروژه هستید.
مشکل اصلی اینجاست که اکثر کاربران با مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — شبیه به یک ماهی گهر رفتار میکنند؛ یعنی با هر بار بستن تب مرورگر، تمام حافظهٔ کوتاه مدل پاک میشود. همانطور که در تحلیل قبلی ما دربارهی برتری Claude یا ChatGPT در محیطهای تجاری اشاره کردیم، مسئلهٔ اصلی نه هوش مدل، بلکه حافظهٔ آن است.
طبق راهنمایی که در ۶ ژوئن ۲۰۲۶ در وبسایت dev.to منتشر شد، راهاندازی این سیستم تنها ۱۰ دقیقه زمان میبرد. محوریت این روش بر مبنیسازی (Grounding) است — شبیه این است که به جای تکیه بر حافظه، یک دفترچه راهنمای دقیق را جلوی مدل باز بگذارید — تا Claude بتواند پوشههای خاصی از Obsidian را به عنوان مرجع دائمی شناسایی و از آنها استفاده کند.
این تغییر، هوش مصنوعی را از یک ابزار سادهٔ چت به یک شریک دانشی تبدیل میکند. برای یک توسعهدهنده، این یعنی پایان مشکل «شروع سرد»؛ وضعیتی که در آن باید یک پرامپت ۵۰۰ کلمهای بنویسید تا مدل را با موضوع آشنا کنید. در واقع، یادداشتهای شخصی شما به یک سامانه بازیابی (Retrieval system) برای مدل تبدیل میشوند.
به گزارش منابع فنی، برای شروع باید ابتدا یادداشتهای Obsidian خود را بازبینی کنید و پوشههایی را که منطق حیاتی پروژههایتان در آنهاست، شناسایی کنید. جزئیات کامل این پیمایش فنی در مستندات Medium موجود است.
گام بعدی شما
- پوشههای حیاتی پروژههای خود را در Obsidian سازماندهی کنید.
- از قابلیتهای اتصال پوشهای در Claude برای ایجاد مرجع دائمی استفاده کنید.
- پرامپتهای تکراری خود را حذف کرده و از مدل بخواهید پاسخها را مستقیماً از یادداشتها استخراج کند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ اثر این مدلهای حافظهدار بر مصرف GPU را در گزارش بعدی بررسی خواهیم کرد.
گفتگو