اگر همین حالا در حال توسعه عامل‌هایی هستید که پس از پایان هر جلسه تمام جزئیات کاربر را فراموش می‌کنند، با یک سقف فنی سخت روبرو هستید. این وضعیت شبیه به داشتن یک عامل با «حافظه ماهی قرمز» است که در آن زنجیره‌های ساده‌ی RAG و پرامپت‌ها به محض پایان نشست (Session) از بین می‌روند. برای حل این مشکل، EdosAI در ۱۹ ژوئیه ۲۰۲۶ معماری شناختی جدیدی را منتشر کرد که به‌جای تکیه بر پنجره‌های متنی محدود، یک «مغز» ساختاریافته با هشت لایه حافظه را جایگزین می‌کند.
مسئله‌ی حافظه
بسیاری از توسعه‌دهندگان حافظه را صرفاً فهرستی از پیام‌های قبلی می‌بینند و از توابع ساده‌ای مانند chat_history.append() استفاده می‌کنند، اما هوش واقعی مستلزم دانستن دلیل تصمیماتی است که هفته‌ها پیش گرفته شده است. در همین راستا، شناسایی و رفع نشت‌های حافظه در این سیستم‌ها گامی حیاتی برای رسیدن به پایداری در عامل‌های هوشمند است. بر اساس مستندات فنی این پروژه، عامل‌های فعلی عملاً طوطی‌هایی با موتور جست‌وجو هستند؛ آن‌ها فاقد هویت پایدارند و نمی‌توانند از اشتباهات خود درس بگیرند. همین موضوع باعث می‌شود کاربر تجربه تکراری و کسل‌کننده‌ای از «دژاوو» یا تکرار اتفاقات داشته باشد.
هوش واقعی نیازمند چیزی فراتر از بازیابی ساده‌ی یک سند است؛ مدل باید بداند «چرا» اتفاقی رخ داده، بتواند با استدلال‌های خلاف-واقع (Counterfactual Reasoning) پیش‌بینی کند که اگر متفاوت عمل می‌کرد چه اتفاقی می‌افتاد و همچنین سطح اطمینان خود را ارزیابی کند تا بداند چه زمانی در حال «چرت‌پرت گفتن» (Bullshitting) برای کاربر است.
در حالی که عامل‌های استاندارد صرفاً بر اساس تطبیق الگوها (Pattern-matching) عمل می‌کنند، این چارچوب جدید یک موتور علی اختصاصی را پیاده می‌کند تا شبیه‌سازی خلاف-واقع را انجام دهد و بپرسد: «اگر من متفاوت عمل می‌کردم، چه اتفاقی می‌افتاد؟»
طبق گزارش وب‌سایت dev.to، این معماری حاصل ۶ ماه مهندسی وسواس‌گونه است و شامل بیش از ۲۳٬۰۰۰ خط کد در ۵۱ ماژول تولیدی و ۴۰ مجموعه تست (Test Suites) است.
لایه‌های شناختی
این سیستم از لایه‌های شناختی زیر تشکیل شده است:
- L0 ادراک (Perception): یک بافر حسی برای پردازش داده‌های لحظه‌ای.
- L1 حافظه فعال (Working Memory): پنجره متنی پویا — مثل تخته‌سیاهی که اطلاعات ضروریِ همین لحظه روی آن نوشته می‌شود.
- L2 حافظه اپیزودیک (Episodic Memory): شاخص زمانی برای ردیابی و ثبت زمان وقوع رویدادها.
- L3 حافظه معنایی (Semantic Memory): ادغام بردار معنایی (Embedding) — شبیه کارت معرفی عددی برای هر واژه که همسایه‌هایش را می‌شناساند — و گراف‌های دانش.
- L4 حافظه رویه‌ای (Procedural Memory): حافظه مربوط به گردش‌کارهای یادگرفته شده و مهارت‌های عملی.
- L5 فراشناخت (Meta-Cognition): نظارت بر زنجیره‌های استدلالی در زمان واقعی برای شناسایی توهم (Hallucination) پیش از رسیدن جواب به کاربر. این لایه به‌طور مشخص می‌داند که چه چیزهایی را نمی‌داند.
- L6 استدلال علی (Causal Reasoning): یک موتور خلاف-واقع که گراف‌های علی می‌سازد و زنجیره‌های علت و معلولی را مدل‌سازی می‌کند.
- L7 خودآگاهی (Self-Consciousness): تعریف هویت و اهداف بر اساس «نظریه فضای کاری جهانی» (Global Workspace Theory) که اجازه می‌دهد عامل تکامل یابد، به یاد آورد کیست و پس از ریبوت (Reboot) نیز بقای هویت خود را حفظ کند. این رویکرد تکامل‌یافته، یادآور تلاش‌های پیشین برای شبیه‌سازی آگاهی از طریق لایه‌های هدف و حافظه است که مسیر را برای چنین معماری‌های پیچیده‌ای هموار کرد.
- L8 همراستاسازی ارزشی (Value Alignment): استفاده از هوش مصنوعی قانون‌مدار (Constitutional AI) برای تعبیه ایمنی در بنیاد سیستم به‌جای افزودن آن به صورت تکمیلی.
زیرساخت فنی
برای تبدیل این ایده از یک دمو در نوت‌بوک یا یک «هک آخر هفته» به یک محصول صنعتی با قابلیت اطمینان بالا، از ابزارهای مشخصی استفاده شده است:
- ChromaDB: برای اجرای جست‌وجوی برداری معنایی در زمان کمتر از یک ثانیه.
- PostgreSQL: برای تضمین یکپارچگی رابطه‌ای (Relational Integrity) در داده‌های ذخیره شده.
- Constitutional AI: ایمنی در لایه‌های بنیادی سیستم تزریق شده است.
- TypeScript: پیاده‌سازی تایپ‌های کامل در ۵۱ ماژول مستقل، به توسعه‌دهندگان اجازه می‌دهد تا تنها لایه‌های مورد نیاز خود را (از ۲ لایه تا تمام ۸ لایه) به سیستم متصل کنند.
پایداری و قیمت‌گذاری
توسعه‌دهنده برای جلوگیری از «سوزش توسعه‌دهنده» (Maintainer Burnout) که در پروژه‌های متن‌باز رایج است، مدل پرداخت هزینه را انتخاب کرد. سطوح قیمت‌گذاری برای شفافیت طراحی شده‌اند تا از «تماس‌های فروش سازمانی» یا بازی‌های تبلیغاتی (Bait-and-switch) جلوگیری شود:
- SaaS API (۲۹۹ دلار در ماه): میزبانی ابری با نصب صفر و دسترسی کامل به ۸ لایه از طریق REST API.
- SDK کامپایل‌شده (۲٬۹۹۹ دلار یک‌بار): فایل‌های باینری کامپایل‌شده با Cython برای استقرار روی زیرساخت‌های خصوصی با لایسنس دائمی.
- لایسنس سورس (۹٬۹۹۹ دلار یک‌بار): دسترسی کامل به کد منبع برای شخصی‌سازی مطلق. می‌توانید آن را تغییر دهید و متعلق به خود کنید.
این چرخش نشان‌دهنده‌ی حرکت از خروجی‌های احتمالی مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به سمت معماری‌های شناختی قطعی (Deterministic) است. برای برنامه‌نویسان، مزیت رقابتی از «بهترین پرامپت» به «پایدارترین وضعیت (State) عامل» تغییر می‌کند.
اگر در حال ساخت عامل‌هایی هستید که نیاز به روابط بلندمدت با کاربر، تحقیق در معماری‌های شناختی یا خود-اصلاحی پیچیده دارند، این لایه‌ها زیرساخت لازم را فراهم می‌کنند. این ابزار به‌طور مشخص برای کسانی که تصور می‌کنند یک گفت‌وگوی ساده‌ی سه‌مرحله‌ای حافظه کافی است، طراحی نشده است.
گزارش‌ها حاکی از آن است که فاز بعدی توسعه شامل موارد زیر خواهد بود:
- اشتراک حافظه بین چندین عامل: اجازه دادن به عامل‌ها برای یادگیری از تجربیات یکدیگر.
- فشرده‌سازی حافظه: هدف‌گذاری برای کاهش ۱۰ برابری حجم ذخیره‌سازی بدون هیچ‌گونه افت کیفیت.
- مدل‌های بردار معنایی سفارشی: مدل‌هایی که به‌طور خاص برای الگوهای حافظه عامل Fine-tune شده‌اند.
- بازارچه پلاگین: افزونه‌های شناختی که توسط جامعه کاربران ساخته می‌شوند.
آیا این رویکرد ماژولار می‌تواند بدون ایجاد تأخیر (Latency) شدید مقیاس‌پذیر شود؟ این یک پرسش باز است که جامعه توسعه‌دهندگان باید آن را آزمایش کنند.
گام بعدی شما
- بررسی مستندات EdosAI برای جایگزینی
chat_historyساده با لایه‌های L2 و L3. - تحلیل هزینه-فایده استفاده از SDK خصوصی در برابر API برای داده‌های حساس.
- آزمایش لایه L5 (فراشناخت) برای کاهش نرخ توهم در عامل‌های تخصصی.
گفتگو