اگر برای کاهش هزینه‌ها یا تست قابلیت‌ها بین مدل‌های مختلف جابه‌جا می‌شوید، احتمالاً هر بار ۱۰ دقیقه وقت خود را صرف توضیح دوباره پروژه می‌کنید. باید بدانید که این اتلاف وقت، نتیجه‌ی مستقیم «شکاف دانشی» است که هنگام شروع یک چت تازه ایجاد می‌شود.
این مشکل زمانی رخ می‌دهد که شما برای پاک‌سازی پنجره متنی (Context Window) — مثل میز کاری که فقط جای چند ورق کاغذ دارد و کل کتابخانه در آن جا نمی‌شود — یا برای انتقال از Claude به GPT، یک جلسه جدید باز می‌کنید. در این لحظه، مدل تمام باگ‌های حل‌شده و تصمیمات معماری گذشته را فراموش می‌کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدیریت حافظه مدل‌ها اشاره کردیم، راهکار رایج برای این مشکل استفاده از سیستم‌های پیچیده‌ی تولید بازیابی‌افزا (RAG) است — شبیه دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد. اما Dory مسیر ساده‌تری را انتخاب کرده است.
بر اساس مستندات این ابزار که در ۱۰ ژوئن ۲۰۲۶ معرفی شد، Dory از یک فایل متنی ساده به‌نام CHANGELOG.md یا AI_CONTEXT.md در ریشه مخزن کد استفاده می‌کند. طبق گزارش dev.to، این سیستم از یک فرمت سخت‌گیرانه «یک خط برای هر ورودی» بدون تیتر یا خط خالی پیروی می‌کند. گردش‌کار این متد به این شکل است:
- شروع جلسه: فایل changelog را در محیط چت قرار دهید.
- پایان جلسه: به هوش مصنوعی بگویید: «فایل changelog را به‌روزرسانی کن».
- بازگشت: از مدل بخواهید لاگ را بخواند و وضعیت فعلی پروژه را شناسایی کند.
این سازوکار با مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به‌جای یک پایگاه داده، به‌عنوان یک «خواننده لاگ» برخورد می‌کند. تفاوت کلیدی این روش با تاریخچه Git در این است که Git ثبت می‌کند «چه چیزی» تغییر کرد، اما Dory ثبت می‌کند «چرا» این تغییر اعمال شد. این رویکرد بار ذهنی برنامه‌نویس را کم می‌کند و مانع از آن می‌شود که مدل پیشنهاداتی بدهد که شما قبلاً در جلسات پیشین اصلاح کرده‌اید.
گام بعدی شما
- به مخزن گیت‌هاب tjqscott/dory مراجعه کنید تا قالب‌ها و نمونه لاگ‌ها را کپی کنید.
- در پروژه فعلی خود یک فایل
AI_CONTEXT.mdبسازید و تصمیمات کلیدی معماری را در آن ثبت کنید. - در پایان هر جلسه چت، دستور به‌روزرسانی لاگ را به مدل بدهید تا حافظه پروژه منتقل شود.
اما اثر این متد بر همکاری‌های تیمی حتی جذاب‌تر است — در گزارش بعدی به بررسی ابزارهای مدیریت دانش جمعی می‌پردازیم.
گفتگو