چرا عامل‌های هوش مصنوعی شما باید مثل انسان‌ها فراموش کنند؟

تصور کنید دستیار هوش مصنوعی شما هر بار که با او صحبت می‌کنید، تمام جزئیات حیاتی پروژه‌تان را فراموش کرده باشد. این کابوس «روز زمین‌موش» برای بسیاری از توسعه‌دهندگانی که با عامل‌های هوشمند (AI Agents) کار می‌کنند، به واقعیت تبدیل شده است.

YourMemory (یور مموری) که در ۲۶ آوریل ۲۰۲۶ منتشر شد، ادعا می‌کند با شبیه‌سازی منحنی فراموشی انسان، بازدهی بازیابی حافظه را دو برابر می‌کند. به نقل از مستندات این پروژه، این ابزار در بنچمارک LoCoMo-10 به نرخ بازیابی ۵۹٪ دست یافته است، در حالی که رقیب ابری آن یعنی Zep Cloud تنها ۲۸٪ بازدهی داشت.

این موتور از منحنی فراموشی ابینگ‌هاوس (Ebbinghaus forgetting curve) برای مدیریت حافظه استفاده می‌کند. در این مدل، هرچه اهمیت یک داده یا دفعات بازیابی آن بیشتر باشد، سرعت فراموشی کاهش می‌یابد. هر بار که یک خاطره بازیابی شود، قدرت آن ۲۰٪ افزایش می‌یابد و داده‌هایی که قدرت آن‌ها به زیر ۰.۰۵ برسد، پس از ۲۴ ساعت حذف می‌شوند.

همان‌طور که در تحلیل قبلی ما درباره‌ی معماری‌های تولید بازیابی‌افزا (Retrieval-Augmented Generation - RAG) اشاره کردیم، مدیریت حافظه بلندمدت همواره پاشنه آشیل مدل‌های زبانی بوده است. YourMemory با دسته‌بندی خاطرات، این مشکل را حل می‌کند؛ مثلاً یک «استراتژی» تا ۳۸ روز باقی می‌ماند، اما یک «خطای گذرا» طی ۱۱ روز محو می‌شود.

فرآیند بازیابی در این سیستم در دو مرحله انجام می‌شود:

• ابتدا از بردار معنایی (Embedding) با ابعاد ۷۶۸ برای یافتن کاندیداهای اولیه استفاده می‌شود.
• سپس از طریق گسترش گراف (Graph BFS)، خاطرات مرتبطی که لزوماً کلمات مشابهی ندارند اما از نظر معنایی متصل هستند، استخراج می‌شوند.

طبق اعلام سازنده، راه‌اندازی این سیستم تنها با دو دستور ساده در محیط پایتون (نسخه‌های ۳.۱۱ تا ۳.۱۴) امکان‌پذیر است و از ابزارهای زیر استفاده می‌کند:

• DuckDB: برای ذخیره‌سازی محلی بردارها و محاسبه شباهت کسینوسی.
• NetworkX: برای مدیریت گراف معنایی روی دیسک.
• sentence-transformers: برای اجرای مدل all-mpnet-base-v2 به صورت محلی.
• spaCy: برای حذف داده‌های تکراری و استخراج سه‌گانه‌های SVO.

این ابزار از پروتکل MCP (Model Context Protocol) پشتیبانی می‌کند و به راحتی به Claude Code، Cursor، Windsurf و Zed متصل می‌شود. همچنین تیم‌ها می‌توانند از یک نمونه واحد برای چندین عامل استفاده کنند، به طوری که هر عامل حافظه خصوصی خود را داشته باشد اما به مستندات استراتژیک مشترک دسترسی یابد.

اما این تنها بخشی از ماجراست؛ تأثیر این مدل حافظه بر همکاری‌های تیمی در مقیاس بزرگ و تضادهای احتمالی لایسنسینگ، ابعادی است که در گزارش‌های آتی بررسی خواهیم کرد.

گام بعدی شما

• نصب YourMemory از گیت‌هاب و اتصال آن به ویرایشگر Cursor برای تجربه حافظه پویا.
• تعریف یک فایل CLAUDE.md در سطح پروژه برای اتوماسیون چرخه «بازیابی-ذخیره-به‌روزرسانی».
• بررسی تفاوت عملکرد عامل خود در مدیریت داده‌های استراتژیک در مقابل خطاهای فنی گذرا.