تصور کنید تیمی دارید که هر یک از اعضایش هر صبح با فراموشی کامل بیدار میشوند؛ شما باید هر روز محصول، مخاطبان و تغییرات دیروز را برای تکتک آنها توضیح دهید تا بتوانند کار کنند. این دقیقاً همان کابوسی است که کاربران هنگام استقرار چندین عامل (Agent) — شبیه به کارمندانی دیجیتال که هر کدام فقط یک تخصص دارند — برای مدیریت لینکدین، ایکس و سئو تجربه میکنند.
به گزارش منتشر شده در ۲۶ سپتامبر ۲۰۲۶ در وبسایت dev.to، مشکل اصلی در این جریانهای کاری، کیفیت متن تولید شده نیست، بلکه تکه تکه شدن زمینه (Context) — یعنی همان حافظه کوتاهمدت مدل که مثل میز کاری است و فقط جای چند ورق کاغذ دارد — در ابزارهای مختلف است. در واقع، وقتی از چندین عامل تخصصی استفاده میکنید، هر کدام در جزیرهای جداگانه عمل میکنند.
همانطور که در تحلیلهای قبلی ما دربارهی مدیریت حافظه در مدلهای زبانی اشاره کردیم، نبود یک لایه حافظه مشترک باعث میشود هر تغییر کوچک در استراتژی، به یک بحران هماهنگی تبدیل شود. طبق این گزارش، کاربر برای حل این شکاف همگامسازی، سه روش مختلف را آزمایش کرد:
- پرامپتهای غولآسا: ایجاد یک دستورالعمل جامع برای همه عاملها که با اولین تغییر در برنامهها، نگهداری آن غیرممکن شد.
- اسناد مشترک پروژه: استفاده از فایلهای مرجع که عاملها بتوانند بخوانند، اما این اسناد بهسرعت قدیمی میشدند یا برای پنجره متنی (Context Window) مدلها بیش از حد طولانی میشدند.
- یادداشتهای روزانه دستی: نوشتن دستی یک یادداشت کوتاه برای «امروز» که بهترین نتیجه را داد، اما خودش به یک بار اضافی و دستی تبدیل شد.
بنیاد این مشکل در این است که عاملها دانش خود را به اشتراک نمیگذارند. عامل لینکدین نمیداند عامل ایکس یک ساعت پیش چه منتشر کرده است و عامل برنامهریز ممکن است تاریخ تغییریافتهی یک عرضه را نادیده بگیرد. طبق بررسیهای این کاربر، وقتی برای حل این مشکل، حجم زیادی از اطلاعات به مدل داده میشود، عاملها جزئیات نامرتبط را استخراج میکنند و کیفیت خروجی افت میکند.
این اصطکاک نشان میدهد که صنعت در حال برخورد با یک «دیوار زمینه» است. برای یک متخصص، مزیت استفاده از عاملهای تخصصی در حال حاضر توسط زمانی که صرف نقش «مسیریاب انسانی اطلاعات» میشود، خنثی شده است. اکنون ارزش واقعی دیگر در توانایی مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — برای نوشتن نیست، بلکه در زیرساختی است که حافظه آن را مدیریت میکند.
به همین دلیل، نویسنده این گزارش در حال همکاری با تیمی برای ساخت Pryveo است؛ لایهای اختصاصی برای زمینه و حافظه که هدفش همگامسازی ابزارهای هوش مصنوعی است تا یک بهروزرسانی در برنامه، فوراً به تمام عاملهای زنجیره منتقل شود.
گام بعدی شما
- به جای جستوجوی مدلهای قدرتمندتر، به دنبال ابزارهای «لایه حافظه» (Memory Layer) باشید که بتوانند متغیرهای پروژه را بین ابزارهای مختلف سینک کنند.
- اگر از چندین عامل استفاده میکنید، یک سند «حقیقت واحد» (Single Source of Truth) ایجاد کنید و فقط بخشهای ضروری را در هر پرامپت تزریق کنید.
- تعداد عاملهای خود را کاهش دهید و روی مدلهای چندوجهی متمرکز شوید که بتوانند نقشهای مختلف را در یک جلسه متنی ایفا کنند.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو