چگونه «تراشیدن بافت» حافظه، نویز عامل‌های هوش مصنوعی را پاکسازی می‌کند؟

اگر امروز در حال ساخت عامل‌های هوش مصنوعی هستید، احتمالاً با مشکل «فقط-افزودنی» بودن پنجره‌ی متنی دست‌وپنجه نرم می‌کنید. طبق گزارش مورخ ۶ ژوئن ۲۰۲۶ از Perception Theory، روشی به نام «تراشیدن بافت» (Context Sculpting) ثابت می‌کند که یک مدل بزرگ‌تر می‌تواند به‌طور فعال حافظه‌ی کاری یک مدل کوچک‌تر را ویرایش کند تا داده‌های زائد حذف شوند.

bسیاری از توسعه‌دهندگان با حافظه‌ی مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — مانند یک صورت‌جلسه‌ی حقوقی رفتار می‌کنند؛ یعنی فقط به انتهای آن متن اضافه می‌کنند. این رویکرد منجر به «تورم بافت» می‌شود؛ جایی که فراخوان‌های ابزار بی‌ربط و خطاهای تکراری، مدل را از هدف اصلی منحرف می‌کنند. در این روش، پنجره متنی (Context Window) — که شبیه میز کاری است که فقط جای چند ورق کاغذ دارد، نه کل کتابخانه — به‌جای یک گزارش ثابت، به عنوان یک بوم قابل تغییر دیده می‌شود.

همان‌طور که در تحلیل قبلی ما درباره‌ی محدودیت‌های پنجره‌های متنی اشاره کردیم، مدیریت حافظه کلید بهره‌وری عامل‌هاست. بر اساس مستندات این مطالعه، نویسنده سیستمی را با استفاده از چارچوب عامل Pi (Pi agent framework) طراحی کرد که در آن gpt-5.4 به عنوان «عامل بیرونی» و gpt-5.4-mini به عنوان «عامل داخلی» عمل می‌کنند. عامل بیرونی چهار اقدام مشخص را مدیریت می‌کند:

• عبور مستقیم (pass_through)
• بازنویسی بافت (rewrite_context)
• بازگشت به عقب (rollback)
• پایان عملیات (terminate)

طبق اعلام Perception Theory، در یک وظیفه‌ی ترکیب داده‌ها، عامل بیرونی توانست متن‌های سنگین را به یک زنجیره‌ی شواهد concise تبدیل کند و پاسخ نهایی را بهینه سازد. اما در یک پروژه‌ی اصلاح کد، سیستم دچار «فاجعه‌ی فرمان‌پذیری بیش از حد» شد. در این مورد، هزینه استنتاج (Inference) — یعنی همان لحظه‌ی آشپزی و تولید جواب نهایی — ۷۰ برابر بیشتر از حالت عادی شد و سیستم حتی پس از اصلاح کد، به سقف مجاز تکرار رسید.

این تجربه نشان می‌دهد که در دنیای عامل‌ها، «پرامپت همان سیاست است». یک سیاست محافظه‌کارانه هیچ تغییری ایجاد نمی‌کند و یک سیاست تهاجمی می‌تواند با دخالت بیش از حد، بودجه‌ی پروژه را نابود کند. برای توسعه‌دهندگان، این یعنی لایه‌ی کنترل دیگر فقط یک زیرساخت فنی نیست، بلکه یک سازوکار هدایت رفتاری است.

گام بعدی شما

• مخزن عمومی گیت‌هاب نویسنده را برای بررسی پیاده‌سازی کامل کدها بررسی کنید.
• در پروژه‌های خود، توازن بین «حذف نویز» و «هزینه توکن‌ها» را با مدل‌های کوچک‌تر بسنجید.
• استراتژی‌های بازنویسی بافت را جایگزین افزودن ساده‌ی متن در حافظه کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.