یک پرامپت ساده می‌تواند جلوی فراموشی مطلق عامل‌های هوش مصنوعی در هر شروع جلسه جدید را بگیرد. در ۱۸ اوت ۲۰۲۶، اندرو دی‌تایلر (Andrew Detwiler) رویکردی به نام «شبکه‌ی حافظه» را به نمایش گذاشت که یک مخزن کد خام را به محیطی آگاه از بافت پروژه تبدیل می‌کند. این کار از طریق مجموعه‌ای از فایل‌های کوچک و پایدار با فرمت markdown انجام می‌شود.
بسیاری از برنامه‌نویسان با یک اصطکاک تکراری روبه‌رو هستند: در هر جلسه چت جدید، باید قوانین پروژه یا پیچیدگی‌های معماری را دوباره توضیح دهند. این مشکل به این دلیل رخ می‌دهد که عامل (Agent) — شبیه دستیاری که هر شب حافظه‌اش پاک می‌شود — فاقد تداوم وضعیت در بلندمدت است. طبق گزارش dev.to، روش دی‌تایلر با تبدیل خودِ مخزن کد به یک هارد دیسک خارجی برای عامل، این مشکل را حل می‌کند؛ به‌طوری که عامل فایل‌های ساده‌ای را می‌خواند و به‌روزرسانی می‌کند. این رویکرد شباهت زیادی به سیستم MemoBase دارد که با استفاده از حافظه محلی و گیت تلاش می‌کند توهمات مدل را از طریق دسترسی به داده‌های کد-محور حذف کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت بافت در مدل‌های زبانی اشاره کردیم، محدودیت پنجره متنی همواره یک چالش بوده است. دی‌تایلر این سیستم را روی مخزن سایت andrewdetwiler.com آزمایش کرد. پیش از اجرا، وضعیت مخزن شامل ۳۴ کامیت و یک فایل README بود، اما هیچ فایل حافظه‌ای برای عامل در آن وجود نداشت.
بدون این سیستم، عاملی که برای نخستین بار وارد مخزن شود، هیچ اطلاعی از محدودیت‌های خاص پروژه ندارد؛ مواردی مانند «دروازه ام-دش» (em dash gate)، لیست تحریم‌ها یا منطق خاصی که پشت لینک‌های کوتاه قرار دارد، برای هوش مصنوعی ناشناخته می‌ماند.
بر اساس مستندات این پروژه، پرامپتِ راه‌اندازی، پنج فایل کوچک در مجموع حدود ۹۰ خط تولید کرد. مرکز این سیستم فایل CLAUDE.md است که به‌عنوان شاخص اصلی قوانین و دستورات سایت عمل می‌کند. این فایل به‌جای ابداع قوانین، آن‌ها را مستقیماً از README استخراج کرد؛ مثلاً قانون «همه چیز بدون محدودیت است» (everything-is-ungated) یا رویکرد «حداقل جاوااسکریپت» (near-zero JS) را ثبت نمود. این متدولوژی در واقع پاسخی به چالش فساد دستورالعمل‌های هوش مصنوعی است که در آن نسخه‌بندی قوانین برای حفظ استانداردهای کدگونه ضروری است.
جزئیات این شبکه‌ی حافظه شامل موارد زیر است:
- CLAUDE.md: فایل اصلی شامل تعریف اینکه سایت چیست، دستورات واقعی و قوانینی که اهمیت دارند.
- AGENTS.md: یک اشاره‌گر دو خطی به فایل اصلی که تضمین می‌کند هر ابزاری بتواند بافت پروژه را پیدا کند.
- docs/now.md: ردیابی کارهای جاری. عامل با خواندن کامیت‌های اخیر متوجه شد که یک پست وبلاگی در حال حاضر در مراحل ویرایش متن (wording passes) قرار دارد.
- docs/decisions.md: دفتر کل استدلال‌های تاریخی. این فایل با چهار تصمیم استخراج‌شده از تاریخچه کد مقداردهی اولیه شد؛ از جمله این استدلال که لیست کلمات تحریم‌شده برای جلوگیری از لو رفتن نام‌ها، خارج از git نگه داشته شده است.
- docs/notes.md: مجموعه‌ای از نکات کلیدی و «دام‌های» فنی (gotchas).
یک دستاورد حیاتی در این اجرا، کشف یک باگ پنهان بود. عامل متوجه شد که یک قلاب پیش از کامیت (pre-commit hook) تا زمانی که کاربر دستور git config core.hooksPath .githooks را در کلون خود اجرا نکند، غیرفعال می‌ماند. دی‌تایلر هرگز این نکته را جایی ننوشته بود، به این معنی که هر کلون جدید از مخزن، تنها به اندازه یک کامیت بی‌دقت با دور زدن دروازه امنیتی فاصله داشت. عامل تنها با خواندن دقیق مخزن، این موضوع را استنتاج کرد.
رفتارهای فنی کلیدی این سیستم عبارتند از:
- یکپارچگی غیرتخریبی: پرامپت به‌جای بازنویسی، به فایل‌های موجود اضافه می‌کند. در این دمو، مخزن از قبل دارای یک واژه‌نامه و لیستی از موارد باز بود؛ عامل آن‌ها را خواند و در فایل اصلی به آن‌ها ارجاع داد.
- استخراج مبتنی بر شواهد: قوانین از README و تاریخچه کامیت‌ها گرفته می‌شوند تا از توهم (Hallucination) — شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — جلوگیری شود و استانداردهای پروژه ابداع نشوند.
- نگهداری عادت‌محور: سیستم به‌گونه‌ای طراحی شده که تصمیمات جدید به‌صورت خطوط تاریخ‌دار در لحظه اضافه شوند و یک دفتر کل زنده از تکامل پروژه ایجاد کنند.
این تغییر، نقش هوش مصنوعی را از یک مشاور بدون حافظه به یک تاریخ‌نگار پروژه تبدیل می‌کند. برای برنامه‌نویس، هزینه ورود (onboarding cost) به هر جلسه جدید تقریباً به صفر می‌رسد. این رویکرد، تمرین بنیادی پرامپت‌نویسی را از «توضیح پروژه» به «مرور یادداشت‌های به‌روز شده‌ی عامل» تغییر می‌دهد.
با این حال، اثربخشی این روش به‌شدت به کیفیت README و تاریخچه کامیت‌ها وابسته است. در مخازن کوچک و مستند، عامل عالی عمل می‌کند، اما در پروژه‌های به‌هم‌ریخته یا خالی، خروجی‌ها نیاز به یک مرحله اصلاح دستی دارند تا دقت آن‌ها تضمین شود. در واقع، برای جلوگیری از هرگونه خطای احتمالی در حافظه، می‌توان یک گیت بازبینی انسانی را به این چرخه اضافه کرد تا از فساد حافظه در مقیاس‌های بزرگتر جلوگیری شود.
اگر می‌خواهید این سیستم را پیاده کنید، می‌توانید پرامپت خام را در سایت buildwithamemory.com بیابید. خروجی این سیستم، فایل‌های markdown ساده‌ای است که مالکیت آن‌ها با شماست و در کنار کدی که توصیف می‌کنند ذخیره می‌شوند. گام بعدی برای کسانی که از این گردش کار استفاده می‌کنند، تست این موضوع است که عامل چگونه با تصمیمات متناقض در یک کدبیس بزرگتر با مشارکت چندین برنامه‌نویس برخورد می‌کند.
گام بعدی شما
- پرامپت خام این روش را در سایت buildwithamemory.com بررسی و در پروژه‌های کوچک خود تست کنید.
- فایل‌های Markdown را در ریشه مخزن کد قرار دهید تا عامل‌ها در اولین تماس، بافت پروژه را شناسایی کنند.
- تاریخچه کامیت‌های خود را با پیام‌های توصیفی‌تر بنویسید تا عامل بتواند استدلال‌های پشت تصمیمات شما را استخراج کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو