تصور کنید دستیاری دارید که حتی وقتی با او صحبت نمیکنید، در پسزمینه بیدار است تا یادداشتهای پراکنده شما را بخواند و آنها را در دستههای منطقی سازماندهی کند. اگر از پیچیدگیهای مدیریت پایگاهدادههای برداری خسته شدهاید، راهکار جدید گوگل کلود دقیقاً برای حذف این لایه طراحی شده است.
به نقل از مستندات جدید مخزن generative-ai گوگل، یک فرآیند پسزمینه با استفاده از مدل Gemini 3.1 Flash-Lite میتواند نیاز به پایگاهدادههای پیچیده برداری را از بین ببرد. این عامل (Agent) — که مانند یک کارمند اداری دقیق، اطلاعات خام را به پروندههای مرتب تبدیل میکند — حافظه را نه بهعنوان یک بازیابی غیرفعال، بلکه بهعنوان یک چرخه مستمر از تجمیع (Consolidation) میبیند. این سیستم جدید که Always-On Memory Agent نام دارد، بار حافظه را از بازیابی غیرفعال به سنتز فعال و زمانبندیشده منتقل میکند. این رویکرد با تلاشهای گوگل برای استانداردسازی تعاملات همسو است که پیشتر در معرفی رابط پیشفرض جدید برای ارتقای توانمندی عاملهای Gemini بررسی کردیم.
همانطور که در پوشش پیشین ما از پروژه Echostats دیدیم که چگونه Gemini دادههای اسپاتیفای را تحلیل میکرد، این چارچوب جدید از فراخوانیهای ساده API فراتر رفته و یک حلقه عاملمحور پایدار ایجاد میکند. در حالی که عاملهای رایج پس از هر درخواست، زمینه (Context) را فراموش میکنند، این پیادهسازی بهصورت ۲۴ ساعته اجرا میشود و شبیه به چرخه خواب انسان، در زمانهای بیکاری مشغول سازماندهی اطلاعات است تا بدون نیاز به اعلان کاربر، دادهها را مرتب کند.
معماری و ساختار عملیاتی
بر اساس گزارش Marktechpost، این پروژه به عنوان یک عامل پسزمینه سبک طراحی شده است که هرگز متوقف نمیشود. این سیستم با استفاده از Google ADK (کیت توسعه عامل) ساخته شده است و از مدل Gemini 3.1 Flash-Lite برای حفظ تأخیر پایین و هزینه کم در عملیاتهای مداوم خود بهره میبرد. نکته کلیدی اینجاست که هیچ پایگاهداده برداری (Vector Database) یا بردار معنایی (Embedding) — که شبیه کارت معرفی عددی برای هر واژه است تا همسایگان معناییاش شناخته شوند — در این سیستم وجود ندارد. بهجای آن، یک مدل زبانی بزرگ (LLM) مستقیماً میخواند، فکر میکند و حافظههای ساختاریافته را در SQLite مینویسد.
این معماری بر پایه یک ارکستراتور است که هر درخواست را به یکی از سه زیر-عامل تخصصی هدایت میکند. هر یک از این زیر-عاملها ابزارهای خاص خود را برای خواندن یا نوشتن در مخزن حافظه دارند:
- IngestAgent: با استفاده از قابلیتهای چندوجهی (Multimodal) — یعنی مدلی که همزمان متن، عکس و صدا را میفهمد — خلاصهها، موجودیتها، موضوعات و امتیازات اهمیت را استخراج میکند. این رکوردهای ساختاریافته سپس در جدول memories ذخیره میشوند.
- ConsolidateAgent: این عامل بهطور پیشفرض هر ۳۰ دقیقه یکبار فعال میشود. درست مانند چرخههای خواب، رکوردهای تجمیعنشده را بررسی کرده، ارتباطات بین آنها را مییابد و یک خلاصه سنتز شده به همراه یک بینش کلیدی را دوباره در پایگاهداده مینویسد.
- QueryAgent: برای پاسخ به سوالات، تمام حافظهها و بینشهای تجمیعشده را میخواند. نکته مهم این است که برای تضمین شفافیت، این عامل شناسههای (ID) خاص حافظه را بهعنوان منبع ذکر میکند.
جزئیات حافظه و پشتیبانی از ورودیها
این عامل در پردازش دادهها بسیار منعطف است. IngestAgent میتواند ۲۷ نوع فایل مختلف را در پنج دسته مجزا بپذیرد. این فایلها میتوانند بهسادگی با انداختن در پوشه ./inbox بهطور خودکار شناسایی و پردازش شوند:
- متنی: .txt, .md, .json, .csv, .log, .xml, .yaml, .yml
- تصویری: .png, .jpg, .jpeg, .gif, .webp, .bmp, .svg
- صوتی: .mp3, .wav, .ogg, .flac, .m4a, .aac
- ویدیویی: .mp4, .webm, .mov, .avi, .mkv
- سند: .pdf
این روش برخلاف تولید بازیابیافزا (RAG) — که شبیه دانشآموزی است که فقط هنگام پاسخ به سوال کتاب را باز میکند — بهطور فعال حافظه را پردازش میکند. در یک ساختار RAG، پردازش غیرفعال است و در خلاصهسازیهای گفتگو، جزئیات از دست میروند. گرافهای دانش اگرچه دقیق هستند، اما ساخت و نگهداری دستی آنها بسیار گران است. در مقابل، Always-On Memory Agent از ردیفهای ساختاریافته در SQLite و تجمیع مداوم استفاده میکند و QueryAgent تا ۵۰ حافظه اخیر را برای پاسخگویی میخواند. این مکانیسم شباهت ساختاری به رویکرد EverOS در تبدیل تجربات به مهارتهای قابل بازاستفاده دارد که در آن دادهها به شکلی تکاملی ذخیره میشوند.
پیادهسازی و کاربردهای عملی
این الگو برای هر حجم کاری که نیاز به زمینه بادوام و تکاملیافته دارد، مناسب است. برای مثال، یک دستیار پژوهشی میتواند تمام هفته فایلهای PDF و صداهای جلسات را دریافت کند و در نهایت بهطور خودکار پیوند بین یک «هدف هزینه» و یک «مشکل قابلیت اطمینان» را کشف کند. یک پایگاه دانش شخصی میتواند تصاویر و یادداشتها را جذب کرده و بهمرور زمان تمهای اصلی را نمایان کند. یک عامل پشتیبانی نیز میتواند تیکتهای قدیمی را بهعنوان حافظههای ساختاریافته ذخیره کند تا به سوالات جدید با ارجاع دقیق به پروندههای پیشین پاسخ دهد.
برای استقرار این نمونه، مهندسان میتوانند وابستگیها را از طریق دستور pip install -r requirements.txt نصب کرده و یک کلید API گوگل تنظیم کنند. این عامل پوشه /inbox را مانیتور کرده و یک API ایاچتیپی (HTTP) را روی پورت ۸۸۸۸ ارائه میدهد. توسعهدهندگان میتوانند از curl برای وارد کردن متن یا پرسوجو از عامل از طریق نقاط انتهایی (Endpoints) مانند /status ، /memories ، /consolidate ، /delete و /clear استفاده کنند.
علاوه بر این، یک داشبورد اختیاری Streamlit رابط کاربری بصری برای مرور و حذف حافظهها فراهم میکند. همچنین پرچمهای CLI به کاربران اجازه میدهند تا پوشه نظارتی، پورت و فاصله زمانی تجمیع را سفارشی کنند (مثلاً با دستور python agent.py --consolidate-every 15).
این الگو نشان میدهد که حافظه در سیستمهای عاملمحور، بهجای یک شاخص ایستا، به یک ساختار داده زنده تبدیل شده است. این رویکرد صنعت را به سمت سیستمهای «واقعاً عاملمحور» میبرد که میتوانند بهطور خودکار در بازههای زمانی طولانی ادراک کنند، برنامهریزی نمایند، عمل کنند و بازتاب (Reflect) داشته باشند. در واقع، این معماری تکاملی یادآور ساختار حلقههای مستقل در معماری نانوبات است که در آن هر بخش برای بهینهسازی یک هدف خاص عمل میکند.
گام بعدی شما
- اگر از RAG برای مدیریت دانش استفاده میکنید، مدل SQLite گوگل را برای کاهش هزینهی عملیاتی و حذف پیچیدگیهای Embedding تست کنید.
- پوشه
./inboxرا به عنوان یک نقطه ورود متمرکز برای تمام دادههای غیرساختاریافته (صدا، تصویر، متن) در گردشکارهای خود تعریف کنید. - فاصله زمانی تجمیع (Consolidation Interval) را بر اساس حجم دادههای ورودی تنظیم کنید تا نرخ بهروزرسانی بینشها بهینه شود.
این الگو نشان میدهد که حافظه در سیستمهای عاملمحور، بهجای یک شاخص ایستا، به یک ساختار داده زنده تبدیل شده است؛ اما اثر این تغییر بر سختافزارهای استنتاج چه خواهد بود؟ تحلیل ما درباره تراشههای Blackwell را بخوانید.
گفتگو