اگر هر بار مجبورید به هوش مصنوعی بگویید «خیلی طولانی نوشتی» یا «رسمی‌تر جواب بده»، در واقع دارید با یک نقص ساختاری در حافظه مدل می‌جنگید. این اصلاحات معمولاً فقط برای یک چت کوتاه اثر دارند و رفتار بلندمدت عامل را تغییر نمی‌دهند.
برای حل این مشکل، توسعه‌دهنده‌ای به نام ابراهیم کوبیسی (Ibrahim Kobeissy) در ۲۶ ژوئن ۲۰۲۶ سامانه /calibrate-comms را منتشر کرد. این ابزار ترجیحات کاربر را به یک حالت کامپایل‌شده و ماندگار تبدیل می‌کند تا عامل‌های هوشمند دقیقاً بدانند چگونه با شما speak کنند.
بیشتر کاربران با پدیده‌ای به نام «لغزش پرامپت» (prompt drift) دست‌وپنجه نرم می‌کنند؛ وضعیتی که در آن عامل، استایل موردنظر کاربر را در میانه گفتگو فراموش می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مدیریت وضعیت (state) در مدل‌های زبانی همیشه چالشی کلیدی بوده است. این رویکرد جدید، سبک ارتباطی را نه به عنوان یک ویژگی شخصیتی، بلکه مانند یک فایل تنظیمات یا کانفیگ می‌بیند؛ بنابراین اگر شما ترجیح می‌دهید پاسخ‌ها با «نتیجه در ابتدا» شروع شوند، این تنظیم در تمام جلسات ثابت می‌ماند.
طبق مستندات این پروژه در گیت‌هاب، این سامانه از طریق ۹ «دک تنظیم عملیاتی» عمل می‌کند:
- تراکم (Density): انتخاب بین بخش‌های فشرده یا استدلال‌های کامل.
- توالی (Sequence): تصمیم‌گیری درباره اینکه پاسخ اول بیاید یا روند ساختار زمانی رعایت شود.
- وجه (Modality): اولویت‌بندی متن یا نمودار برای مفاهیم رابطه‌ای.
- انتزاع (Abstraction): شروع با یک مثال عینی یا یک اصل کلی.
- موازنه (Tradeoff): ارائه یک پیشنهاد واحد در مقابل چندین گزینه.
- جزئیات (Detail): تمرکز بر مسیر اصلی یا پرداختن به موارد خاص (edge cases).
- اصطلاحات (Jargon): تعریف تمام کلمات یا فرض بر تسلط تخصصی کاربر.
- لحن (Tone): تنظیم سطح صمیمیت، خنثی یا رسمی.
- ارائه زمینه (Context-giving): تصمیم درباره اینکه عامل زمینه گم‌شده را استخراج کند یا خلاصه را تقسیم کند.
به نقل از مستندات پروژه، گردش کار این سیستم از سه مرحله تشکیل شده است: یک «فرضیه اولیه» (Prior)، یک «واکنش نمونه» (Sample Reaction) برای بازنگری تجربی و در نهایت یک «کامپایل‌کننده» (Compiler). کاربران می‌توانند حالت سریع (Quick mode) را برای پاسخ به سوالات جایگزین یا حالت عمیق (Deep mode) را که از ابزارهای روان‌سنجی استفاده می‌کند، انتخاب کنند. وقتی کاربر یک نمونه را ترجیح می‌دهد — مثلاً پاسخ مستقیم را به شرح طولانی ترجیح دهد — این ترجیح بر فرضیه اولیه اثر می‌گذارد.
پروفایل نهایی در یک بلوک مشخص به نام COMMS-PROFILE درون فایل CLAUDE.md در یک فضای Obsidian ذخیره می‌شود. از آنجا که Claude Code و Codex هر دو به این منبع واحد اشاره می‌کنند، کاربر بدون نیاز به کپی‌برداری دستی، یک استاندارد ارتباطی یکپارچه در ابزارهای مختلف دارد.
این چرخش از «طبقه‌بندی» به «کالیبراسیون»، یعنی فاصله گرفتن از مدل‌های صلب شخصیتی مثل MBTI. بر اساس بررسی منابع متعدد، این سیستم با تمرکز بر انتخاب‌های دوتایی و اصلاحات زنده، اندازه‌گیری می‌کند که چه چیزی واقعاً برای کاربر «جا می‌افتد». این یعنی پروفایل ارتباطی می‌تواند در لحظه تکامل یابد و یک اصلاح ساده مثل «خیلی طولانی شد» در حین انجام یک تسک، دستور تراکم را به‌روزرسانی کند.
برای حفظ حریم خصوصی، معماری سیستم دفتر کل شخصی را از قالب عمومی جدا می‌کند. فضای خصوصی دستورات کامپایل‌شده را ذخیره می‌کند، در حالی که نسخه عمومی فقط شامل جای‌گذارهایی است. یک تأییدکننده همگام‌سازی داخلی نیز مانع از نشت تصادفی پروفایل‌های پر شده به نسخه‌های عمومی می‌شود.
گام بعدی شما
- مخزن رسمی پروژه را در گیت‌هاب بررسی کنید تا کامپایل‌کننده را با جریان‌های کاری عامل‌محور خود تطبیق دهید.
- یک فایل CLAUDE.md در محیط Obsidian ایجاد کنید تا تست کنید چگونه ابزارهای مختلف یک استایل واحد را می‌خوانند.
- متغیر «تراکم» و «توالی» را در اولین تست‌های خود تغییر دهید تا تفاوت در خروجی مدل‌ها را حس کنید.
اما مدیریت حافظه عامل‌ها تنها بخشی از این پازل است؛ برای درک اینکه چگونه پروتکل‌های جدید زمینه را منتقل می‌کنند، به تحلیل ما درباره‌ی MCP مراجعه کنید.
گفتگو