تصور کنید یک برنامه‌نویس هستید که هر صبح با این استرس بیدار می‌شود که عامل هوش مصنوعی‌اش تمام جزئیات پیچیده پروژه دیروز را فراموش کرده است. برای رهایی از این «آلزایمر دیجیتال»، تیمی چهارنفره در BKS-Lab به مدت سه ماه کل فرآیند مشاوره فنی خود را به سیستمی منتقل کرده‌اند که در آن یک مخزن گیت (Git Repo) نقش مغز مشترک عامل‌ها را ایفا می‌کند. آن‌ها با تبدیل یک مخزن شامل فایل‌های Markdown و YAML به یک لایه حافظه دائمی، تلاش کرده‌اند تا فراموشی معمول در شروع هر نشست (Session) جدید هوش مصنوعی را به طور کامل حذف کنند.
بسیاری از توسعه‌دهندگان با این چالش روبروند که عامل‌های هوش مصنوعی، بستر متنی (Context) پروژه را شبانه گم می‌کنند. در حالی که بسیاری از کاربران از سیستم‌های مدل Obsidian برای یادداشت‌های شخصی استفاده می‌کنند، اما این سیستم‌ها وقتی در مقیاس چندین مشتری، اعضای مختلف تیم و نقشهای حرفه‌ای متمایز به کار گرفته می‌شوند، اغلب شکست می‌خورند. BKS-Lab این مشکل را با ایجاد یک محیط ساختاریافته و تحت کنترل نسخه (Version-controlled) حل کرد که عامل‌ها در ابتدای هر جلسه، ابتدا آن را می‌خوانند تا با وضعیت فعلی پروژه همگام شوند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی پروتکل‌های مدیریت زمینه (Context Management) اشاره کردیم، کلید موفقیت عامل‌های هوشمند در دسترسی سریع به داده‌های مرتبط است، نه لزوماً حجم زیاد حافظه.
این سیستم که open-bridge نام دارد، بدون هیچ پایگاه‌داده یا سرویس میزبانی (Hosting) کار می‌کند. در واقع این ابزار مجموعه‌ای از فایل‌های Markdown و YAML است که ابزارهایی مثل Claude Code، Codex یا Copilot CLI در شروع هر نشست مطالعه می‌کنند. به نقل از مستندات این پروژه، این سازوکار به عامل اجازه می‌دهد فوراً شناسایی کند کدام مخازن و مشتریان وجود دارند، کدام وظایف باز هستند و دقیقاً در روز گذشته چه اتفاقاتی رخ داده است.
وقتی کاربر عبارت «صبح بخیر» را تایپ می‌کند، عامل بر اساس این فایل‌ها پاسخ می‌دهد. او می‌داند کدام مشتری در میانه یک حادثه (Incident) است، گام بعدی چیست و چه مواردی در انتظار بررسی هستند. این سیستم همه چیز، از پروژه‌های مشتریان و مدیریت ماشین‌ها گرفته تا ایمیل‌ها و کاغذبازی‌های اداری خانه را مدیریت می‌کند. طبق اعلام سازندگان، این ابزار می‌تواند صورت‌جلسات را از روی ضبط صدا بنویسد، پیش‌نویس ایمیل‌ها را آماده کند، یک سرور خانگی را بیدار کند و حتی تأیید کند که بک‌آپ‌ها به‌روز هستند.
جزئیات فنی اجرای این سیستم شامل موارد زیر است:
- لاگ روزانه: این بخش به عنوان حافظه واقعی سیستم عمل می‌کند. هر واحد کاری در یک ردیف ثبت می‌شود که شامل تاریخ، زمان، یک نماد (Glyph)، نام پروژه و نتیجه نهایی است. برای جلوگیری از اصطکاک و فراموشی، هر ردیف در همان لحظه اتمام کار نوشته می‌شود و هرگز برای ثبت در پایان روز انباشته نمی‌شود. این رویکرد ثبت دقیق وقایع، شباهت زیادی به روش‌های استخراج تاریخچهٔ عامل‌های کدنویس دارد که برای جلوگیری از اتلاف بودجه و تحلیل عملکرد به کار می‌رود.
- ساختار وظایف: به‌جای استفاده از یک فایل یادداشت بزرگ، برای هر وظیفه یک پوشه مجزا ایجاد می‌شود. هر پوشه شامل یک فایل
STATUS.mdبا یک سرآهنگ YAML کوچک (شامل وضعیت، اولویت و منبع) و متن آزاد در زیر آن است. تخته مدیریت وظایف (Board) مستقیماً از روی این پوشه‌ها تولید می‌شود و هرگز به صورت دستی ویرایش نمی‌شود تا از انحراف داده‌ها نسبت به واقعیت جلوگیری شود. - جداسازی داده‌ها: داده‌های مشتریان در مخازن جداگانه نگهداری می‌شوند تا حریم خصوصی به طور کامل تضمین شود. برای هر شرکت یک نمونه (Instance) مجزا استفاده می‌شود تا داده‌های یک مشتری هرگز در یک مخزن با مشتری دیگر قرار نگیرند.
- لایه‌های دسترسی: داده‌های خصوصی کاربر در شاخه‌های (Branches) جداگانه از قالب اصلی قرار دارند. آن‌ها از مسیرهای مجزا استفاده می‌کنند که باعث می‌شود به‌روزرسانی قالب‌ها به یک ادغام (Merge) ساده تبدیل شود. همچنین قلاب‌های پیش از ارسال (Pre-push hooks) مانع از رسیدن شاخه‌های خصوصی به مخازن عمومی (Public Remotes) می‌شوند. این لایه‌بندی امنیتی در راستای پیاده‌سازی لایه‌های حفاظتی برای جلوگیری از فاجعه‌های امنیتی در هنگام استقرار عامل‌های کدنویس است.
- نظارت انسانی (Human-in-the-Loop): در این سیستم، عامل پیشنهاد می‌دهد اما انسان دکمه نهایی را می‌زند. ایمیل‌ها فقط به صورت پیش‌نویس آماده می‌شوند، ادغام‌ها توسط انسان مدیریت می‌شوند و هرگونه حذف داده نیاز به تایید صریح «بله» دارد.
- مدیریت پنجره متنی: برای جلوگیری از پر شدن پنجره متنی (Context Window) — که شبیه میز کاری است که فقط جای چند ورق دارد — یک «بودجه بایتی» برای فایل‌هایی که همیشه بارگذاری می‌شوند تعریف شده است. اگر حجم این فایل‌ها از حد مجاز فراتر رود، سیستم CI با خطا مواجه می‌شود. بقیه داده‌ها به صورت یک ایندکس با یک خط برای هر مخزن یا مشتری هستند و تنها زمانی بازیابی می‌شوند که نام آن‌ها ذکر شود.
- نقشه دانش: برای پاسخ به این سوال که «این اطلاعات کجا قرار دارد؟»، یک جدول ساده پرسش‌های روزمره را به فایل خاصی که پاسخ را در خود دارد متصل می‌کند. همچنین بررسی‌هایی انجام می‌شود تا اطمینان حاصل شود که تمام لینک‌ها به درستی باز می‌شوند.
برای تیم‌ها، BKS-Lab یک لایه مشترک ایجاد کرده است. مهارت‌های شرکت، حساب‌ها، پروژه‌ها و قوانین در یک مخزن لایه (Overlay Repo) مجزا قرار دارند که هر نمونه از سیستم مشترک آن است. وقتی عضو جدیدی به تیم می‌پیوندد، از روز اول یک Bridge دریافت می‌کند که از پیش مشتریان و روتین‌ها را می‌شناسد، در حالی که داده‌های شخصی او در شاخه اختصاصی خودش باقی می‌ماند.
بر اساس گزارش‌های آماری این تیم، بین ۲۰ ژوئن تا ۲۴ سپتامبر ۲۰۲۴، یک نمونه از این سیستم ۲۴۲۶ کامیت و ۴۰۷۲ ردیف لاگ کاری ثبت کرده که منجر به بسته‌شدن ۱۶۴ وظیفه شده است. این حجم از داده ثابت می‌کند که یک رویکرد ساده و کم‌تکنولوژی مبتنی بر فایل می‌تواند تمام سربارهای مدیریتی یک آژانس حرفه‌ای را مدیریت کند.
این تغییر رویکرد نشان می‌دهد که آینده گردش‌کارهای عامل‌محور (Agentic) شاید نه در پایگاه‌داده‌های برداری (Vector Databases) پیچیده، بلکه در فایل‌های ساختاریافته و خوانا برای انسان و ماشین باشد. با استفاده از گیت، تیم یک ردپای حسابرسی (Audit Trail) کامل از نحوه تکامل «حافظه» هوش مصنوعی در طول زمان به دست می‌آورد.
برای کاربر نهایی، این یعنی تبدیل عامل از یک ابزار بدون وضعیت (Stateless) به یک «رئیس دفتر دیجیتال» که در لحظه گفتن «صبح بخیر»، دقیقاً می‌داند کدام مشتری در وضعیت بحرانی است و برای هر ایمیل خاص باید از کدام امضا استفاده کند.
نحوه آزمایش و اجرا
توسعه‌دهندگان می‌توانند با کپی کردن پرامپت راه‌اندازی از وب‌سایت open-bridge و قرار دادن آن در Claude Code، Codex یا Copilot CLI این سیستم را پیاده کنند. عامل ابتدا ابزارها را بررسی می‌کند، یک برنامه ارائه می‌دهد، یک مخزن خصوصی می‌سازد و کاربر را در مراحل پذیرش (Onboarding) راهنمایی می‌کند.
همچنین کاربران می‌توانند یک دموی زنده دو دقیقه‌ای را مشاهده کنند که یک آژانس فرضی با دو مشتری و یک حادثه سطح یک (P1) در جریان را نمایش می‌دهد. این مخزن تحت لایسنس MIT منتشر شده و تاکنون مشارکت‌هایی از جمله تم زبان فرانسوی، یک Playbook برای ردیاب GitLab و تنظیمات ویندوز برای Cursor را دریافت کرده است.
اینکه آیا این حافظه مبتنی بر فایل می‌تواند برای صدها کارمند مقیاس‌پذیر باشد یا خیر، هنوز یک سوال باز است، اما در حال حاضر نقشهای جامع برای تیم‌های کوچک فراهم می‌کند تا بستر متنی با دقت بالا را در پروژه‌های پراکنده حفظ کنند.
گام بعدی شما
- اگر از Claude Code یا Copilot CLI استفاده می‌کنید، پرامپت راه‌اندازی را از وب‌سایت open-bridge کپی کرده و در محیط ترمینال اجرا کنید.
- ساختار پوشه‌بندی وظایف (یک پوشه برای هر Task) را در پروژه‌های فعلی خود پیاده کنید تا از پراکندگی یادداشت‌ها جلوگیری شود.
- برای مدیریت حریم خصوصی، از شاخه‌های جداگانه (Private Branches) در گیت استفاده کنید تا داده‌های حساس به مخزن اصلی منتقل نشوند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو