تصور کنید دستیاری دارید که هر بار برای ویرایش یک خط کد، باید تمام تاریخچهٔ پروژه را از نو برایش تعریف کنید. این «مالیات توکن» دقیقاً همان چیزی است که توسعه‌دهندگان در مواجهه با عامل‌های هوش مصنوعی تجربه می‌کنند.
بسیاری از عامل‌های فعلی از «فراموشی جلسه» رنج می‌برند؛ یعنی به محض بستن یک گفتگو، تمام بستر (Context) پاک می‌شود یا کاربر مجبور است هزینه‌ی گزافی برای بازخوانی تاریخچه‌های حجیم بپردازد. بر اساس مستندات فنی منتشرشده در ۱۸ جولای ۲۰۲۶، رویکرد معماری جدیدی به نام Cortex معرفی شده است تا این شکاف پایداری را بدون تکیه بر حافظه‌های ابری یا پنجره‌های متنی (Context Window) — شبیه میز کاری که جا برای چند ورق دارد، نه برای کل کتابخانه — حل کند. این رویکرد در واقع پاسخی به چالش‌هایی است که در ناکامی سیستم‌های RAG صرفاً برداری در عامل‌های کدنویس مشاهده شده بود.
همان‌طور که در پوشش پیشین ما از امنیت مدل‌های بازمتن اشاره کردیم، انتقال پردازش به لبه، امنیت را بالا می‌برد. Cortex را بر همین اساس، با ایجاد یک لایه‌ی پایداری سبک‌وزن که کدها و منطق را روی ماشین کاربر نگه می‌دارد، پیاده‌سازی کرده است.
به نقل از تحلیل فنی وب‌سایت dev.to، این سامانه از طریق یک خط لوله (Pipeline) چهار مرحله‌ای عمل می‌کند:
- سیاست ضبط (Capture Policy): حذف نویزها (مثل پیام‌های «انجام شد!») از طریق حذف موارد تکراری و نرمال‌سازی.
- پیوندهای منشأ (Provenance Links): استفاده از لینک‌های تایپ‌شده برای اتصال خاطرات به قطعات خاص کد.
- ذخیره‌سازی: استفاده از یک فایل تک SQLite و یک پردازش محلی برای مدیریت ایندکس کل‌متن.
- موتور رتبه‌بندی: بهینه‌سازی بازیابی (Retrieval) بر اساس بودجه‌ی سختگیرانه‌ی توکن برای اطمینان از تزریق مرتبط‌ترین داده‌ها.
این تلاش برای بهبود بازیابی داده‌ها، مشابه رویکردی است که در جایگزینی بازیابی غیرفعال با لایه‌ی استدلال در پروژه Sonn برای دستیابی به نتایج دقیق‌تر دنبال شد.
این تغییر، ابزار را از یک وسیله‌ی «بدون حالت» به دستیاری با حافظهٔ حرفه‌ای و ماندگار تبدیل می‌کند. طبق گزارش سازندگان، این یعنی اگر شما سه جلسه پیش یک باگ خاص را رفع کرده باشید، عامل آن را به خاطر می‌آورد و دیگر نیازی نیست هر بار موضوع را یادآوری کنید.
علاوه بر حافظه، این سیستم شامل Autopilot برای مدیریت درخت کاری git و مسیریابی مدل است. کاربران اکنون می‌توانند از طریق یک داشبورد، فرآیندهای تفکر عامل را زیر نظر بگیرند و امتیاز جست‌وجوی خاطرات بازیابی‌شده را بررسی کنند.
در حال حاضر سازندهٔ این پروژه برای بهبود دقت سیستم، به‌ویژه در منطق رتبه‌بندی حافظه، از طریق مخزن گیت‌هاب (GitHub) به‌دنبال بازخورد جامعهٔ برنامه‌نویسان است.
گام بعدی شما
- اگر از عامل‌های کدنویسی استفاده می‌کنید، ساختار SQLite در Cortex را برای ذخیره‌سازی متادیتای پروژه بررسی کنید.
- منطق رتبه‌بندی (Ranking) را در گیت‌هاب پروژه تحلیل کنید تا متوجه شوید چگونه توکن‌های کمتری مصرف شود.
- قابلیت Autopilot را برای مدیریت شاخه‌های git در پروژه‌های حجیم تست کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چگونه حافظه محلی با سخت‌افزار گره می‌خورد، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو