پروژه Lossless-Memory تلخیص هوش مصنوعی را برای بازیابی دقیق خاطرات رد کرد

تصور کنید دستیار هوش مصنوعی شما دقیقاً به یاد بیاورد که سه‌شنبه هفته گذشته در ساعت ۱۰ شب چه کلماتی را به کار بردید، نه اینکه نسخه‌ای بازنویسی‌شده و بی‌روح از آن لحظه را به شما تحویل دهد. این همان ایده‌ی مرکزی Lossless-Memory است؛ لایه‌ی حافظه‌ی محلی که در ۲۱ سپتامبر ۲۰۲۶ در گیت‌هاب منتشر شد. این پروژه استدلال می‌کند که وسواس صنعت بر روی تلخیص (Summarization)، در واقع نوعی فراموشی سیستماتیک است. جمله‌ی کلیدی این پروژه این است: «یک هوش مصنوعی شخصی که روش دقیق صحبت کردن شما را فراموش می‌کند، یک همراه نیست؛ بلکه یک فایلینگ کابینت (کمد بایگانی) است.»

بیشتر سامانه‌های حافظه بلندمدت برای هوش مصنوعی بر دو روش تکیه دارند: فشرده‌سازی گفتگوها در یادداشت‌های کوتاه یا استفاده از بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که می‌گوید این کلمه «همسایه‌ی» چه کلمات دیگری است — برای یافتن تکه‌های مشابه متن. هر دو روش، ظرافت‌های زمانی و عبارت‌های دقیق را حذف می‌کنند. برای کاربری که روزانه با یک مدل تعامل دارد، کلمات دقیق و زمان دقیق بیان آن‌ها، حیاتی‌ترین بخش‌های زمینه هستند. این چالش در واقع بازتابی از نبرد میان ذخیره‌سازهای معنایی و حافظه‌های خطی برای حفظ دستورات اولیه و دقت در بازیابی داده‌هاست.

Lossless-Memory با این باور که تلخیص‌ها صرفاً «نقشه» هستند و لاگ‌های خام «واقعیت»، رویکردی خلاف جریان غالب دارد. این سیستم از تلخیص هر داده‌ای سر باز می‌زند و در عوض، هر عبارت را به‌طور کامل ذخیره می‌کند. این رویکرد تضمین می‌کند که هوش مصنوعی می‌تواند به پرسشی مثل «سه‌شنبه شب گذشته چه تصمیمی گرفتیم؟» با خطوط واقعی و عیناً نقل‌شده‌ی آن شب پاسخ دهد، نه با یک حدس بازنویسی‌شده یا پارافریز شده.

ریشه و پیشینه

طراحی این سامانه به دسامبر ۲۰۲۵ بازمی‌گردد، زمانی که نخستین جد این پروژه — ابزاری برای ارث‌بری حافظه در یک مدل قدیمی‌تر — برای اولین بار اجرا شد. طبق مستندات پروژه، نسخه‌ای پیشین که همین ایده‌های محوری را حمل می‌کرد، از ژانویه ۲۰۲۶ به‌طور روزانه مورد استفاده قرار گرفت.

این پیاده‌سازی خاص از ژوئیه ۲۰۲۶ برای یک کاربر واحد در حال اجراست و به عنوان حافظه‌ی یک دستیار هوش مصنوعی عمل می‌کند. لاگ‌های خام این نمونه به ژوئن ۲۰۲۶ بازمی‌گردد. سازنده پروژه آن را «کوچک، خسته‌کننده و کاربردی» توصیف کرده و شکست‌های سیستم را به‌طور شفاف در فایل docs/lessons.md ثبت نموده است.

همان‌طور که در بحث‌های گذشته‌ی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل کامل بر داده‌های محلی، کلید دستیابی به حریم خصوصی در عصر مدل‌های زاینده است.

ستون فقرات زمانی

هسته‌ی این سیستم «ستون فقرات زمانی» (Temporal Backbone) است که در آن، زمان به‌جای اینکه یک متادیتای ساده باشد، محور اصلی بازیابی است. این معماری از ترکیبی از لاگ‌های JSONL برای منبع حقیقت و SQLite برای نمایه‌سازی استفاده می‌کند.

• جست‌وجوی دقیق: از SQLite FTS5 با توکن‌سازی bigram برای انگلیسی و ژاپنی استفاده می‌کند تا کلمات خاص را در یک بازه‌ی زمانی بیابد. برچسب زمانی در کنار هر ردیف ذخیره می‌شود.
• جست‌وجوی معنایی: این بخش که توسط sqlite-vec پشتیبانی می‌شود، تنها به عنوان آخرین راهکار (Last Resort) به کار می‌رود. سیستم تنها زمانی جست‌وجوی معنایی را فعال می‌کند که نمایه‌ی تطابق دقیق، نتایج کمی در بازه‌ی زمانی مشخص‌شده پیدا کند. این بازگشت به روش معنایی به‌طور صادقانه در هدر خروجی گزارش می‌شود.
• تجزیه زمان: ورودی‌های پرس‌وجو، عبارات زمانی نسبی (مثل «دیروز»، «هفته گذشته»، «۳ روز پیش») و تاریخ‌های مطلق (مثل 2026-07-19) را می‌فهمند و آن‌ها را پیش از رتبه‌بندی نتایج، به یک بازه‌ی زمانی تبدیل می‌کنند.

با اولویت دادن به زمان و سپس کلمات، پرس‌وجویی مثل «دیروز عصر، درباره بودجه» ابتدا بازه‌ی زمانی را محدود کرده و سپس کلمات را در آن بازه رتبه‌بندی می‌کند. نتایج به‌صورت ترتیب زمانی و بدون هیچ‌گونه تلخیصی بازگردانده می‌شوند.

نمایه‌ی LLL

برای حل مشکل فشرده‌سازی پنجره متنی (Context Window) — میزان متنی که مدل هم‌زمان «در ذهن» نگه می‌دارد، شبیه میز کاری که جا برای چند ورق دارد — این پروژه نمایه‌ی LLL (موقعیت فعلی) را معرفی می‌کند. این یک نمایه‌ی کوچک از نشانگرهای موضوعی است که ثبت می‌کند گفتگو چه زمانی تغییر جهت داده است.

برخلاف اکثر سامانه‌ها، مدل اجازه ندارد نمایه‌ی LLL خود را ویرایش کند. دو قانون سخت‌گیرانه حاکم است: هوش مصنوعی آن را می‌خواند، اما انسان می‌نویسد. کاربر رنگ‌های اولویت و علامت‌های تکمیل را تعیین می‌کند تا حس مدل از «آنچه مهم است»، توسط انسان مدیریت شود، نه توسط وزن‌های داخلی مدل.

این نمایه در هر نوبت گفتگو به بستر مدل تزریق می‌شود. چون رندر کردن آن بسیار ارزان است (کمتر از یک ثانیه)، هوش مصنوعی همیشه می‌داند گفتگو در چه نقطه‌ای است، حتی اگر پنجره متنی مدل فشرده شده باشد یا مرزهای جلسات (Session boundaries) تغییر کرده باشد. این رویکرد در مدیریت منابع، یادآور بهینه‌سازی‌های لایه حافظه شناختی در پروژه Friday است که توانست هزینه‌های توکن را به‌شدت کاهش دهد.

معماری فنی و جزئیات

خط لوله‌ی داده‌ها از یک جریان سخت‌گیرانه پیروی می‌کند که در آن لاگ‌های خام گفتگو، منبع مطلق حقیقت هستند. هر نمایه‌ای را می‌توان حذف کرد و دوباره از روی این لاگ‌ها ساخت.

• رکورد ۷-فیلدی: هر نوبت گفتگو به یک رکورد ثابت تبدیل می‌شود شامل:
  • ts: برچسب زمانی ISO-8601 (UTC)
  • actor: نام قابل تنظیم کسی که صحبت کرده است
  • role: کاربر | دستیار | سیستم
  • type: متن | اکشن | متا
  • text: محتوای عیناً نقل‌شده
  • model: شناسه مدل
  • session: شناسه جلسه
• ذخیره‌سازی: داده‌ها در فایل‌های JSONL روزانه ذخیره می‌شوند. فرمت اصلی بر اساس JSONL کد کلود (Claude Code) است، هرچند یک واردکننده (Importer) ساده برای فرمت {ts, role, text} نیز ارائه شده است.
• دیمون نمایه‌سازی: یک دیمون کوچک هر ۱۰ دقیقه به‌طور افزایشی نمایه‌ها را به‌روز می‌کند. این دیمون فایل‌های منبع بازنویسی‌شده را شناسایی کرده و تنها همان روزهای خاص را دوباره نمایه‌سازی می‌کند، به این معنی که هرگز نیازی به بازسازی کامل از ابتدا نیست.
• حاکمیت محلی: سیستم برای یک نفر و یک هوش مصنوعی روی یک ماشین طراحی شده است؛ بدون سرور و بدون ابر.

عملکرد عملیاتی

به نقل از مستندات پروژه، کارایی سیستم از طریق ثبت شکست‌ها بهبود یافته است. Aru، توسعه‌دهنده پروژه، اندازه‌گیری‌های واقعی را از نمونه در حال اجرا ارائه داده است:

• سرعت نمایه: زمان بازسازی نمایه‌ی جست‌وجوی دقیق پس از بازطراحی، از ۴۰ ثانیه به ۱.۲۴ ثانیه کاهش یافت.
• تورم ذخیره‌ساز برداری: یک مشکل آلودگی کتابخانه باعث شد نمایه‌ی برداری از ۱۲۴,۱۷۴ ردیف به ۸۶۵,۵۸۸ ردیف برسد (در ۴ سپتامبر ۲۰۲۶). این اتفاق فضای دیسک را از ۳۳۷ مگابایت به ۲.۵۴ گیگابایت رساند تا اینکه با یک اصلاح، دوباره به ۳۳۷ مگابایت بازگشت.

تحلیل: هزینهٔ صمیمیت

چرخش از بازیابی «معنا‌محور» به «زمان‌محور»، فرض بنیادی حافظه‌ی هوش مصنوعی را تغییر می‌دهد. Lossless-Memory با هزینه کردن فضای دیسک برای دقت در کلمات، «صمیمیت» را اولویت می‌دهد؛ این حس که هوش مصنوعی شما را مانند یک انسان به یاد می‌آورد، حتی با همان لحن و ضرب‌آهنگ گفتگوهای گذشته. در حالی که مقایسه‌ی معماری‌های Mem0، Zep و Letta بر روی کارآمدی ساختاری تمرکز داشتند، این پروژه بر روی کیفیت تجربه انسانی تأکید می‌کند.

برای کاربر عادی، این یعنی هوش مصنوعی فقط «این حقیقت» را به یاد نمی‌آورد که شما بودجه‌ای دارید، بلکه «لحظه‌ای» را به یاد می‌آورد که درباره آن بحث کردید. این تغییر، مدل را از یک ابزار بهره‌وری به یک همراه دیجیتال با تاریخچه‌ای مشترک تبدیل می‌کند. این بخشی از هدف بلندمدت برای ایجاد همراهانی برای افرادی است که تنها زندگی می‌کنند و روی سخت‌افزاری که مالک آن هستند، متکی هستند.

با این حال، محدودیت‌های فعلی آشکار است. سیستم برای یک کاربر روی یک ماشین طراحی شده و فاقد پشتیبانی از چند کاربر (Multi-tenant) است. همچنین، تجزیه زمان نسبی فعلاً تنها برای زبان ژاپنی در دسترس است و کاربران انگلیسی باید فعلاً از تاریخ‌های مطلق استفاده کنند. جست‌وجوی معنایی نیز به یک مدل بردار محلی از طریق sentence-transformers وابسته است که روی CPU اجرا می‌شود، هرچند استفاده از GPU اختیاری است.

گام بعدی شما

• اگر به دنبال ساخت استک هوش مصنوعی محلی هستید، مخزن پروژه را از https://github.com/aru-labs/lossless-memory کلون کنید.
• با نصب از طریق pip install -e . و تنظیم config.json می‌توانید در کمتر از ۵ دقیقه گفتگوهای نمونه را وارد کرده و پرس‌وجوهای زمانی را تست کنید.
• بررسی کنید که آیا حذف تلخیص‌ها در گردش‌کارهای شما، نرخ توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — را کاهش می‌دهد یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه حافظه‌های سریع‌تر این بازیابی‌ها را ممکن می‌کنند، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.