تصور کنید هر بار که محیط کدنویسی خود را باز می‌کنید، باید ۱۵ دقیقه وقت صرف کنید تا دوباره به هوش مصنوعی توضیح دهید که پروژه شما از چه تکنولوژی‌هایی استفاده می‌کند و در جلسه قبلاً کجا شکست خوردید. برای حذف این اتلاف وقت و ناکارآمدی، یک توسعه‌دهنده در ۲۲ ژوئن ۲۰۲۶ ابزار EGC را منتشر کرد؛ ابزاری که وضعیت پروژه را به‌طور خودکار از یک فایل محلی بارگذاری می‌کند.
بسیاری از دستیارهای کدنویسی در جلسات مجزا هیچ حافظه‌ای ندارند (Stateless هستند) و کاربر مجبور است دستورات را تکرار کند. این موضوع دقیقاً همان malat-penhan-faramoushi-dar-amel-haye-hoosh-e-masnoui است که باعث اتلاف ساعت‌ها زمان توسعه‌دهندگان در محیط‌های بدون حافظه می‌شود. این امر منجر به «سوزاندن» تمرکز توسعه‌دهنده با توضیح مجدد پشته تکنولوژی (Tech Stack) و تصمیماتی می‌شود که در جلسات قبلی گرفته شده‌اند. EGC مانند یک لایه حافظه دائمی عمل می‌کند که بین فایل‌های محلی شما و مدل زبانی بزرگ (LLM) انتخابی شما قرار می‌گیرد — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد. به نقل از گزارش dev.to، این ابزار هر پروژه را به شکل یک سند Markdown زنده مدیریت می‌کند که در مسیر ~/.egc/state/ ذخیره می‌شود.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت زمینه در مدل‌های زبانی اشاره کردیم، محدودیت‌های حافظه همواره گلوگاه بهره‌وری بوده‌اند. در عمل، وقتی یک جلسه شروع می‌شود، این ابزار وضعیت را به‌طور خودکار از طریق فایل ~/.egc/state/Projects-MyApp.md بارگذاری می‌کند. این مکانیسم به هوش مصنوعی اجازه می‌دهد تا بلافاصله ترجیحات شما (مانند پاسخ‌های کوتاه و موجز) را تشخیص دهد و لیست دقیقی از موارد بعدی را ارائه کند؛ مواردی نظیر تست نصب‌های کامل در ماشین‌های پاک (Clean Machines)، انتشار اصلاحات npm یا افزودن موارد خاص مانند mcp_server_count به یک فایل audit.js.
این سیستم از طریق دو سرور پروتکل زمینه مدل (MCP) کار می‌کند. سرور اول، egc-memory، شامل ۱۴ ابزار تخصصی است. ابزاری مانند get_state برای شروع جلسات و lesson_save برای ذخیره دانش بین‌جلسه‌ای استفاده می‌شود. این سرور از SQLite برای ذخیره تصمیمات فردی و الگوریتم BM25 برای جست‌وجوی تاریخچه در جلسات مختلف بهره می‌برد.
ویژگی‌های کلیدی ابزار egc-memory عبارتند از:
- ماندگاری: استفاده از
update_stateبرای ذخیره ترجیحات وstore_decisionبرای ثبت انتخاب‌های فردی. - بازیابی دانش: بهره‌گیری از
search_historyبرای جست‌وجوی متنی کامل وlesson_recallبرای بازیابی دانش با سیستم «زوال اطمینان» (Confidence Decay). - تشخیص الگو: ابزار
detect_patternsدستورات تکراری و خطاهای رایج را از طریق رویدادهای هوک (Hook events) شناسایی و استخراج می‌کند. - حافظه کوتاه‌مدت: توابع
working_memory_set/getزمینه‌های گذرای دارای TTL (زمان انقضا) را فراهم می‌کنند.
سرور دوم، egc-guardian، بر ایمنی و کارایی تمرکز دارد. این بخش دستورات شل (Shell) را از طریق validate_command با قوانین پروژه می‌سنجد و از مسیرهای فایل با validate_write محافظت می‌کند. همچنین با استفاده از reduce_context حجم داده‌های ارسالی (File Payloads) را فشرده می‌کند تا هزینه استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی، نه دوره‌ی آموزش آشپز — کاهش یابد. علاوه بر این، قابلیت auto_learn درس‌های کاربردی حاصل از شکست‌های جلسه را مستقیماً در فایل‌های پیکربندی ابزار AI می‌نویسد.
توسعه‌دهنده این ابزار، آن را با ۴۷۹ مؤلفه پرامپت عرضه کرده است که شامل ۶۳ عامل (Agent)، ۲۲۹ مهارت (Skill)، ۷۶ دستور (Command) و ۱۱۱ قانون (Rule) است که همگی از جلسات واقعی مهندسی استخراج شده‌اند. در این راستا، رویکردهای متفاوتی برای تثبیت رفتار مدل‌ها وجود دارد، مانند آنچه ArcOS برای جلوگیری از محو شدن شخصیت عامل‌ها با استفاده از کدنویسی قطعی به کار گرفته است.
EGC مستقل از ابزار است (Tool-agnostic) و از Claude Code، Cursor، Gemini CLI، Windsurf و Kiro پشتیبانی می‌کند. این سیستم با هر مدلی که از طریق OpenRouter در دسترس باشد، مثل Llama 4، GPT-4o، DeepSeek یا Qwen3 سازگار است. یک دیمون (Daemon) پس‌زمینه به نام egc watch تضمین می‌کند اگر شما تغییری در زمینه پروژه در Cursor ایجاد کنید، این تغییر فوراً در Gemini CLI، Copilot و Windsurf هم اعمال شود.
استفاده از Markdown ساده باعث می‌شود نیازی به حساب‌های ابری یا کلیدهای API نباشد. این رویکرد «اول محلی» (Local-first) تضمین می‌کند حافظه پروژه تحت کنترل ورژن‌بندی (Version Control) توسعه‌دهنده باشد و در برابر قطع سرورها مصون بماند. این استراتژی یادآور تلاش‌های مشابهی است که در پروژه CodeAnswr برای دائمی کردن حافظه موقت با هزینه‌ای بسیار اندک دیده شد. سرورهای MCP به صورت پردازش‌های Node.js محلی اجرا می‌شوند، به این معنی که هیچ داده‌ای از دستگاه خارج نمی‌شود مگر اینکه ارائه‌دهنده AI به آن نیاز داشته باشد.
برای توسعه‌دهنده مدرن، این ابزار نقش هوش مصنوعی را از یک «پیمانکار موقت» به یک «هم‌تیمی با حافظه بلندمدت» تغییر می‌دهد. این سیستم بدهی فنی مربوط به «مهندسی پرامپت» را با خودکارسازی مستندسازی تصمیمات معماری حل می‌کند.
این معماری نشان‌دهنده چرخش به سمت ارکستراسیون محلی است؛ جایی که «هوش» متعلق به مدل است، اما «خرد» در یک فایل محلی و خوانای انسانی ذخیره می‌شود. این روش محدودیت‌های پنجره متنی (Context Window) — میزان متنی که مدل هم‌زمان در ذهن نگه می‌دارد، شبیه میز کاری که جا برای چند ورق دارد — را با بازیابی گزینشی تنها وضعیت‌های مرتبط دور می‌زند.
گام بعدی شما
- نصب ابزار از طریق دستور
npm install -g @egchq/egc && egc install - بررسی کد منبع MIT-licensed در گیت‌هاب به آدرس
github.com/Fmarzochi/EGC - تعریف اولین فایل وضعیت پروژه برای حذف تکرار دستورات در جلسات بعدی
اما این تنها بخشی از تحول در حافظه مدل‌هاست؛ برای درک نحوه مدیریت حافظه در مقیاس سازمانی، تحلیل ما درباره مدل‌های استدلالی را بخوانید.
گفتگو