تصور کنید پایگاه داده شما دیگر فقط انباری برای ذخیره اطلاعات نباشد، بلکه خودش فکر کند و تصمیم بگیرد. اگر هنوز برای ساخت عامل‌ها به فریم‌ورک‌های سنگین پایتونی تکیه می‌کنید، احتمالاً در حال پذیرش یک کندی غیرضروری در سیستم خود هستید.
در ۶ می ۲۰۲۶، کتابخانه adam در گیت‌هاب منتشر شد تا با شعار «SQLiteی فریم‌ورک‌های عامل‌محور»، یک انقلاب در نحوه پیاده‌سازی عامل (Agent) ایجاد کند. به نقل از مستندات گیت‌هاب، این کتابخانه تمام چرخه حیات یک عامل را در یک فایل هدر (Header File) واحد جمع کرده و اجازه می‌دهد منطق‌های پیچیده مستقیماً درون SQLite و PostgreSQL به عنوان افزونه‌های SQL جای بگیرند.
این یعنی شما می‌توانید با یک دستور ساده مانند SELECT adam_ask('تعداد کاربرانی که ماه پیش ثبت‌نام کردند چند نفر است؟'); عاملی را فعال کنید که ابتدا ساختار داده‌ها را تحلیل کرده و سپس کوئری لازم را اجرا کند.
طبق اعلام توسعه‌دهندگان، مشخصات فنی این ابزار به شرح زیر است:
- سازگاری گسترده: پشتیبانی از APIهای ابری Anthropic، OpenAI، Google Gemini، Groq، Together و xAI در کنار مدل‌های محلی از طریق llama.cpp.
- حافظه پیشرفته: پیاده‌سازی سیستم ترکیبی BM25 و جستجوی برداری با استفاده از sqlite-vector برای پایداری بلندمدت بردار معنایی (Embedding).
- یکپارچگی سیستمی: بهره‌گیری از ۱۳ ابزار داخلی برای مدیریت فایل، اجرای شل و جستجوی وب، که همگی در یک محیط ایزوله (Sandbox) محدود شده‌اند.
- بهینه‌سازی حافظه: استفاده از تخصیص‌کننده‌های آرنا (Arena Allocators) برای تضمین عدم نشت حافظه در هر تکرار.
برای تضمین پایداری، این پروژه با ۱۶۱ تست واحد و ابزارهای شناسایی خطای حافظه (ASan و UBSan) اعتبارسنجی شده است. این کتابخانه به‌صورت چندپلتفرمی برای macOS، لینوکس، ویندوز، iOS، اندروید و WASM کامپایل می‌شود.
همان‌طور که در تحلیل قبلی ما درباره‌ی باز شدن سیری در iOS ۲۷ اشاره کردیم، adam گامی در جهت تمرکززدایی از ارکستراسیون هوش مصنوعی زاینده (Generative AI) است. به جای تکیه بر میان‌افزارهای ابری حجیم، توسعه‌دهندگان اکنون می‌توانند منطق عامل‌محور (Agentic) را مستقیماً در لبه (Edge) یا درون خود پایگاه داده مستقر کنند.
در حالی که استنتاج (Inference) محلی برای حفظ حریم خصوصی به یک استاندارد تبدیل می‌شود، نبرد میان ارکستراسیون‌های سطح بالا و یکپارچگی‌های سطح پایین در زبان C، نسل بعدی هوش مصنوعی لبه را تعریف خواهد کرد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه این مدل‌های بهینه چگونه روی سخت‌افزارهای جدید می‌نشینند، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- اگر از SQLite استفاده می‌کنید، کتابخانه Adam را برای تبدیل کوئری‌های متنی به عملیات دیتابیس تست کنید.
- مدل‌های GGUF را برای اجرای محلی و کاهش هزینه‌های API در محیط‌های حساس بررسی کنید.
- ساختار Sandbox این کتابخانه را برای مدیریت دسترسی‌های سیستمی عامل‌های خود مطالعه کنید.
گفتگو