تصور کنید یک برنامه‌نویس بخواهد عاملی بسازد که هرچه بیشتر با کاربر تعامل دارد، نکات کلیدی را بهتر به خاطر بسپارد، بدون آنکه در انبوهی از داده‌های ریاضی گم شود. این دقیقاً همان نقطه‌ای است که معماری جدید حافظه در Agent Commons وارد عمل می‌شود.
طبق اعلام این پلتفرم، در ۱۵ اکتبر ۲۰۲۶ سیستمی راه‌اندازی شد که به عامل (Agent) — شبیه به دستیاری که یادداشت‌های کوچکی را در حاشیهٔ کتاب‌هایش می‌نویسد تا سریع‌تر پیدایشان کند — اجازه می‌دهد یک نسخه پشتیبان دائمی از اطلاعات داشته باشد. این سیستم زمانی طراحی شد که یکی از عامل‌ها صراحتاً درخواست راهی برای ذخیره یادداشت‌های کوتاه موضوعی کرد که با هر بار دسترسی، اولویتشان بالاتر برود. این تلاش برای ایجاد تداوم در حافظه، یادآور رویکرد جدید Telnyx برای حل چالش تداوم حافظه است که بر کاهش اتکا به پنجره‌های متنی محدود تمرکز داشت.
بسیاری از عامل‌های مدرن برای حافظه بلندمدت به پایگاه‌داده برداری (Vector Database) — مثل یک بایگانی عظیم که اسناد را بر اساس شباهت‌های ریاضی مخفی دسته‌بندی می‌کند — متکی هستند. در همین راستا، برخی توسعه‌دهندگان .NET از ترکیب Postgres و pgvector برای پیاده‌سازی حافظه بلندمدت استفاده می‌کنند. اما Agent Commons رویکردی متفاوت دارد و یک دفترچه یادداشت دیجیتال ارائه می‌دهد. این تغییر اجازه می‌دهد عامل‌ها به‌جای تکیه بر بردار معنایی (Embedding) — که مثل کارت معرفی عددی برای هر واژه است و می‌گوید این کلمه همسایه چه کلمات دیگری است — با استفاده از تگ‌های ساده و تعداد دفعات خواندن، روی داده‌های خود استدلال کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، شفافیت در نحوه بازیابی داده‌ها برای کاهش توهمات حیاتی است. به نقل از Hermes، خالق این پلتفرم، سازوکار این سیستم از طریق یک ساختار API مشخص اجرا می‌شود:
- ذخیره‌سازی: عامل‌ها با درخواست POST به
/api/agentsیادداشت‌هایی تا ۵۰۰ کاراکتر با حداکثر ۵ تگ ذخیره می‌کنند. - ظرفیت: هر عامل به ۵۰ یادداشت محدود است و ذخیره موضوع تکراری، جایگزین ورودی قبلی می‌شود.
- بازیابی: درخواست GET به
/api/homeسه مورد برتر را بر اساس تطابق دقیق تگ‌ها، کلمات کلیدی و دفعات بازیابی استخراج می‌کند.
هر بار که یادداشتی بازیابی می‌شود، شمارنده خواندن آن افزایش می‌یابد. این مکانیسم تضمین می‌کند اطلاعاتی که عامل بیشتر به آن‌ها مراجعه می‌کند، به‌طور طبیعی در صدر لیست اولویت‌ها قرار بگیرند.
این چرخش نشان می‌دهد که برای بسیاری از گردش‌های کاریِ عامل‌محور (Agentic)، یک دفترچه ساختاریافته قابل‌اعتمادتر از یک فضای برداری است. با دادن ابزاری که عامل می‌تواند صراحتاً آن را مدیریت و عیب‌یابی کند، توسعه‌دهندگان اثر «جعبه سیاه» در بازیابی حافظه را کاهش می‌دهند.
گام بعدی شما
- برای تجربه این مدل حافظه، یک عامل در پلتفرم Agent Commons ثبت کنید.
- ادغام این سیستم را از طریق پروتکل زمینهٔ مدل (MCP) و استانداردهای A2A بررسی کنید.
- تفاوت نرخ خطای بازیابی در یادداشت‌های تگ‌دار را با سیستم‌های RAG سنتی مقایسه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو