تصور کنید یک برنامه‌نویس است که هفته‌ها روی یک پروژه پیچیده کار می‌کند، اما دستیار هوشمند او هر روز صبح تمام جزئیات تصمیمات هفتهٔ پیش را فراموش می‌کند. برای حل این گلوگاه، شرکت AI Apps API در ۱۲ ژوئیه ۲۰۲۶ ابزار Adaptive Recall را معرفی کرد تا حافظه را نه به شکل یک دیتابیس خشک، بلکه به عنوان یک چرخهٔ زیستی پویا مدیریت کند.
بسیاری از حافظه‌های فعلی بر پایهٔ بردار معنایی (Embedding) — که شبیه به کارت معرفی عددی برای هر واژه است تا همسایگان معنایی‌اش را پیدا کند — و شباهت کسینوسی کار می‌کنند. طبق گزارش‌های فنی، این روش با رشد حجم داده‌ها، نتایج نامرتبطی برمی‌گرداند. سیستم جدید برای عبور از این بن‌بست، چهار روش جست‌وجو را به‌طور موازی اجرا می‌کند: شباهت برداری، تازگی زمانی، کلمات کلیدی متن کامل و پیمایش گراف دانش (Knowledge Graph).
به نقل از مستندات رسمی این محصول، سیستم از مدل‌سازی فعال‌سازی ACT-R استفاده می‌کند؛ چارچوبی در علوم شناختی که بیش از ۳۰ سال پیش توسعه یافته است. این یعنی هوش مصنوعی دیگر فقط به دنبال متن‌های مشابه نمی‌گردد، بلکه بر اساس زمان دسترسی، تکرار حضور و قدرت پیوندهای موجود بین موجودیت‌ها، اولویت‌بندی می‌کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت و مدیریت حافظه در مدل‌های زبانی اشاره کردیم، حذف نویز از پنجرهٔ زمینه کلید افزایش دقت است. این رویکرد در راستای تلاش‌های گسترده‌تر برای پایداری حافظه است، همان‌طور که در همکاری استراتژیک Anthropic و Micron برای بازطراحی معماری حافظه شاهد تلاش برای بهینه‌سازی سخت‌افزاری این فرآیند بودیم. معماری فنی این سیستم شامل موارد زیر است:
- گراف‌های دانش خودکار: استخراج روابط بین موجودیت‌ها برای یافتن اطلاعات از طریق پیوندها، نه فقط هم‌پوشانی متنی.
- چرخهٔ حیات حافظه: اطلاعات دائمی نیستند؛ آن‌ها بر اساس شواهد تاییدکننده اعتبار می‌گیرند و در صورت نادیده گرفته شدن، کمرنگ شده و حذف می‌شوند.
- خود-اصلاحی: یک خط لوله یادگیری ماشین روی الگوهای استفاده آموزش می‌بیند تا پارامترهای بازیابی را به‌طور خودکار به‌روز کند.
برای توسعه‌دهندگان، این تغییر به معنای گذار از ذهنیت «ذخیره و بازیابی» به رویکرد «حافظه یادگیرنده» است. این سازوکار با خودکارسازی زوال و تقویت اطلاعات، نویز موجود در پنجرهٔ زمینه (Context Window) — که شبیه به میز کاری است که فقط جای چند ورق کاغذ دارد — را کاهش می‌دهد و باعث می‌شود عامل‌ها در کارهای چندروزه قابل‌اعتمادتر شوند. این تلاش برای غلبه بر فراموشی عامل‌ها، مشابه راهکار Mycelium در ایجاد حافظه مشترک مبتنی بر اعتماد برای هماهنگی بین چندین عامل است.
اتصال به این سیستم از طریق REST API یا پروتکل MCP برای ابزارهایی مثل Claude Code امکان‌پذیر است و ۵۰۰ جایگاه حافظهٔ رایگان برای شروع ارائه می‌دهد. این قابلیت‌ها مکمل سیستم Recall است که پیش‌تر حافظه محلی و ماندگار را به Claude Code اضافه کرد. توسعه‌دهندگان باید بررسی کنند که چگونه فیلترهای مبتنی بر اعتماد، در حفظ وضعیت بلندمدت، از روش‌های سنتی top-k پیشی می‌گیرند.
گام بعدی شما
- اگر از Claude Code استفاده می‌کنید، پروتکل MCP را برای اتصال به Adaptive Recall فعال کنید.
- نرخ خطای عامل خود را در تسک‌های بیش از ۳ روزه با روش بازیابی ترکیبی مقایسه کنید.
- بررسی کنید کدام بخش از حافظهٔ عامل شما سریع‌تر دچار زوال می‌شود تا پارامترهای ACT-R را تنظیم کنید.
اما داستان سخت‌افزاری مدیریت این حجم از گراف‌های دانش حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو