تنسنت لایهٔ حافظهٔ مشترک برای عامل‌های برنامه‌نویسی را متن‌باز کرد

تصور کنید هر بار که یک چت جدید با دستیار کدنویسی خود باز می‌کنید، مجبورید تمام جزئیات پیچیده پروژه را دوباره توضیح دهید. تنسنت با متن‌باز کردن TencentDB Agent Memory v2.0، این نیاز به تکرار دائمی را برای توسعه‌دهندگان تک‌نفره و تیم‌های کوچک از بین برد. این سیستم به طور خاص «شرکت‌های تک‌نفره» را هدف قرار داده است، هرچند سازمان‌های متوسطی که دارای عملکردهای تجربه توسعه‌دهنده (DevEx) هستند نیز می‌توانند از آن به عنوان یک زیرساخت مشترک استفاده کنند.

این ابزار در واقع یک حافظهٔ عامل (Agent Memory) — شبیه به یک دفترچه یادداشت دیجیتال که هر عضو تیم به آن دسترسی دارد و تغییرات را ثبت می‌کند — است تا زمینه پروژه بین جلسات مختلف حفظ شود. این قابلیت مکمل ابزارهایی است که امکان ساخت عامل‌ها را فراهم می‌کنند؛ برای instance، اگر به دنبال محیط‌هایی برای پیاده‌سازی سریع هستید، ۱۰ پلتفرم متن‌باز برای ساخت برنامه‌های LLM و عامل‌های هوش مصنوعی بدون کدنویسی گزینه‌های متنوعی را ارائه می‌دهند. همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن و نحوه نشت ناخواسته‌ی داده‌های حساس مانند کلیدهای SSH توسط عامل‌های کدنویسی اشاره کردیم، ریسک امنیتی در این ابزارها بالاست؛ به همین دلیل این نسخه بر لایهٔ حکمرانی و امنیت تمرکز ویژه‌ای دارد. در دنیایی که اکثر عامل‌ها در ایزوله عمل می‌کنند، این هاب اجازه می‌دهد عامل یک هم‌تیمی از یافته‌های عامل شما یاد بگیرد، در حالی که به شدت به نشانگرهای حریم خصوصی احترام می‌گذارد.

به نقل از مستندات پروژه، نسخه پایدار ۲.۰.۰ در تاریخ ۳ آگوست ۲۰۲۶ منتشر شده است. این سیستم تحت لایسنس MIT است و می‌تواند از طریق سه تصویر داکر (Docker Image) که هر دو معماری linux/amd64 و linux/arm64 را پوشش می‌دهند، مستقر شود. طراحی میزبانی شخصی (Self-hosting) باعث می‌شود حافظه کاملاً درون شبکه داخلی تیم بماند که برای شرکت‌های SaaS، فین‌تک و آژانس‌های مشاوره که با داده‌های حساس سر و کار دارند، حیاتی است.

چهار دارایی حافظه

تنسنت داده‌های خام کاری را به چهار دارایی متمایز و نسخه‌مند تبدیل می‌کند. هر چهار مورد به طور یکسان به عنوان «دارایی‌های حافظه» ثبت می‌شوند؛ به این معنا که مالکیت، نسخه، وضعیت و قابلیت رویت (Visibility) در تمامی آن‌ها به شکل یکسانی عمل می‌کند:

• حافظه چت (Chat Memory): ثبت و نگهداری ترجیحات، واقعیت‌ها، تصمیمات و تاریخچه کامل تعاملات.
• مهارت (Skill): استخراج رویه‌های تکرارپذیر از وظایف تکمیل‌شده. این بخش شامل نسخه‌ها، فایل‌های منبع، مرزهای تحریک (Trigger Boundaries)، مراحل اجرا و قوانین اعتبارسنجی است.
• ویکی-LLM: تبدیل مستندات به صفحات ساختاریافته با یک گراف لینک. این رویکرد از ایده آندری کارپاتی درباره پایگاه دانشی که توسط LLM نگهداری شود، الهام گرفته شده است.
• گراف کد (CodeGraph): ایندکس‌گذاری نمادها (Symbols)، فایل‌ها، روابط فراخوانی (Call Relationships) و مسیرهای اثرگذاری.

سازوکار فنی و بازیابی

این سیستم از یک فرآیند تقطیر لایه‌بندی شده استفاده می‌کند. گفتگوها ابتدا در سطح L0 (داده‌های خام) ذخیره می‌شوند و سپس یک خط لوله غیرهمزمان (Async Pipeline) آن‌ها را پالایش کرده و به سطوح L1 (اتم)، L2 (سناریو) و L3 (هسته/پرسونا) ارتقا می‌دهد.

برای بازیابی (Retrieval)، سیستم نیز لایه‌بندی شده است. سطوح L2 و L3 یک «بوت‌استرپ زمینه» سریع را فراهم می‌کنند. هنگامی که واقعیت‌های خاص مورد نیاز باشد، سیستم ترکیبی از BM25، جست‌وجوی برداری (Vector Retrieval) و ادغام رتبه متقابل (RRF) را به کار می‌گیرد و در صورت نیاز به سطوح L1 و L0 بازمی‌گردد. برای جلوگیری از شلوغ شدن پنجرهٔ زمینه (Context Window) و اشغال توکن‌ها، نتایج به شدت توسط تعداد آیتم‌ها، بودجه کاراکتری و زمان‌های تعیین‌شده (Timeouts) محدود می‌شوند.

حکمرانی و یکپارچه‌سازی

طبق اعلام تنسنت، کنترل دسترسی نقطه تمایز اصلی این ابزار است. قابلیت رویت به سه دسته «خصوصی»، «تیمی» و «محدود» تقسیم می‌شود. دارایی‌های خصوصی فقط برای مالک قابل مشاهده هستند و حتی برای مدیران تیم نیز نامرئی می‌مانند. حافظه‌های چت و مهارت‌های جدید به صورت پیش‌فرض «خصوصی» هستند و اشتراک‌گذاری آن‌ها تنها از طریق اقدام صریح کاربر با استفاده از اتصال‌های ثابت و لیست‌های کنترل دسترسی (ACL) امکان‌پذیر است.

پروکسی حافظه (Memory Proxy) از پروتکل‌های Anthropic و OpenAI پشتیبانی می‌کند و نقاط انتهایی (Endpoints) مانند /claude-code/<spaceId>/v1/messages و /v1/chat/completions را ارائه می‌دهد. در اولین نوبت (Turn)، این پروکسی با استفاده از ابزار AskUserQuestion در Claude Code، تیم، عامل و وظیفه را شناسایی کرده و سپس حافظه مرتبط L2/L3 را به پرامپت سیستمی تزریق می‌کند.

برای استقرار، پورت‌های پیش‌فرض ۸۴۲۰ (هسته حافظه)، ۸۱۲۵ (پنل مدیریت)، ۸۴۲۴ (سرویس دانش) و ۸۰۹۶ (پروکسی) هستند. SDKهای رسمی برای تایپ‌اسکریپت و پایتون موجود است و یکپارچه‌سازی با ابزارهایی نظیر OpenClaw، Hermes، Claude Code و CodeBuddy پشتیبانی می‌شود.

نتایج و به‌روزرسانی‌های نسخه ۲.۰

به‌روزرسانی ۲.۰.۰ قابلیت Cost Guard را برای تخصیص مدل‌های ارزان‌تر به عامل‌های خاص اضافه کرد تا هزینه‌ها بهینه شود. همچنین همگام‌سازی زمان‌بندی‌شده مخازن در CodeGraph، آرشیو اجباری مهارت‌ها و قابلیت تغییر زبان پنل بین انگلیسی و چینی به آن اضافه شده است.

تنسنت گزارش داده که دقت PersonaMem از ۴۸٪ به ۷۶٪ رسیده است (بهبود نسبی ۵۹٪)، هرچند این اعداد داخلی هستند و توسط شخص ثالث تأیید نشده‌اند. برای کاربر، این یعنی یک عامل AI اکنون می‌تواند قبل از بازسازی کد (Refactor) تحلیل اثرگذاری انجام دهد، چک‌لیست‌های انتشار (Release Checklists) را دنبال کند، دفترچه‌های راهنمای حوادث (Incident Runbooks) را مدیریت کند یا مستندات محصول را به صفحاتی تبدیل کند که برای عامل‌ها قابل خواندن باشد. این قابلیت، یک چت‌بات یک‌بارمصرف را به یک عضو دائمی و باحافظه در تیم تبدیل می‌کند.

سازمان‌های بزرگ و تحت نظارت (Regulated) باید با این ابزار در حال حاضر به عنوان یک پروژه آزمایشی (Pilot) برخورد کنند، زیرا ویژگی‌هایی مانند مسیریابی خودکار حافظه و قابلیت‌های CodeGraph برای مخازن خصوصی هنوز در حال تکامل و اصلاح هستند.

گام بعدی شما

• اگر از Claude Code یا CodeBuddy استفاده می‌کنید، مخزن گیت‌هاب TencentDB را برای پیاده‌سازی حافظه مشترک بررسی کرده و راهنمای INSTALL.md را مطالعه کنید.
• ساختار لایه‌بندی شده L0 تا L3 را برای مدیریت بهینه توکن‌ها در پروژه‌های بزرگ بررسی کنید.
• تنظیمات دسترسی (ACL) را برای جداسازی داده‌های حساس هر توسعه‌دهنده در تیم پیکربندی کنید.

اما چالش اصلی در استقرار این سیستم‌ها، تأمین سخت‌افزار است — به تحلیل ما درباره تراشه‌های Blackwell برای بهینه‌سازی استنتاج مراجعه کنید.