تصور کنید هر روز صبح باید تمام جزئیات پروژه را برای پیمانکاری توضیح دهید که هر شب حافظه‌اش پاک می‌شود. برای پایان دادن به این چرخه خسته‌کننده، JackHamr در ۳۰ سپتامبر ۲۰۲۶ قابلیتی به نام «ویکی حافظه» را معرفی کرد تا عامل‌ها بدون درخواست صریح کاربر، یاد بگیرند.
بیشتر عامل‌های امروز بر پایه یک پنجره زمینه (Context Window) — شبیه میز کاری که فقط جای چند ورق کاغذ دارد و بقیه کتابخانه را نمی‌بیند — عمل می‌کنند. به همین دلیل، به محض شروع یک چت جدید، مدل تمام قراردادهای کدنویسی شما یا اشتباهات قبلی‌اش را فراموش می‌کند. طبق گزارش JackHamr، این وضعیت باعث ایجاد یک «مالیات توجیهی» می‌شود که در آن کاربر زمان زیادی را صرف تکرار دستورات می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی حافظه بلندمدت مدل‌ها اشاره کردیم، تبدیل دانش به یک دارایی بادوام به‌جای پرامپت‌های موقت، کلید بهره‌وری است. این رویکرد در راستای تلاش‌های گسترده‌تر برای بهینه‌سازی هزینه‌هاست، مشابه آنچه در لایه حافظه شناختی Friday برای کاهش هزینه‌های توکن مشاهده کردیم.
این سامانه از طریق یک حلقه تقطیر (Distillation) مداوم کار می‌کند. به نقل از مستندات فنی این پلتفرم، در پایان هر گفتگو، عامل یادگیری‌های کلیدی — مانند ساختار کد، دستورات موفق یا الگوهای ردشده — را شناسایی کرده و به یک صندوق ورودی می‌فرستد. سپس در طول شب، یک فرآیند «کتابدار»، این یادداشت‌ها را با صفحات ویکی ساختاریافته ادغام کرده، تضادها را حل می‌کند و یک شاخص قابل جست‌وجو می‌سازد. این مکانیسم یادگیری فعال، پاسخی به نقص‌های مدل‌های سنتی است که معماری Crystals با جایگزینی مدل Pull با Push سعی در رفع آن‌ها داشت.
قابلیت‌های کلیدی این ویکی حافظه عبارتند از:
- یادگیری خودکار: عامل مشاهده می‌کند چه چیزی را پذیرفته یا تغییر داده‌اید و آن الگوها را به قوانین دائمی تبدیل می‌کند.
- دستور مستقیم: کاربران می‌توانند با جملاتی مثل «این را به خاطر بسپار» یا «از این سند یاد بگیر»، مدل را مجبور به ثبت فوری اطلاعات کنند.
- ارث‌بری ناوگانی: وقتی یک عامل مادر، نسخه‌های کپی (Clone) می‌سازد، تمام آن‌ها ویکی مادر را به ارث می‌برند تا کل ناوگان عامل‌ها دانش یکسانی از پروژه داشته باشند.
این طراحی از الگوی «ویکیِ مدل زبانی» که توسط آندری کارپاتی پیشنهاد شده بود، پیروی می‌کند. در این روش، به‌جای انباشتن همه داده‌ها در پنجره زمینه، عامل ابتدا صفحه مربوطه در ویکی را می‌خواند تا پاسخ را بیابد.
برای یک برنامه‌نویس، این یعنی ارزش ابزار هوش مصنوعی هر هفته بیشتر می‌شود. دیگر نیازی نیست به مدل یادآوری کنید که از خط تیره در متون مشتریان استفاده نکند یا فقط یک دستور خاص برای استقرار (Deployment) جواب می‌دهد؛ مدل به‌سادگی این‌ها را می‌داند.
با حرکت به سمت جریان‌های کاری چندعاملی، توانایی همگام‌سازی وضعیت بین نسخه‌های مختلف، مرز بین یک «ابزار» و یک «هم‌تیمی» را تعیین می‌کند. چالش بعدی، مدیریت «انحراف دانش» خواهد بود؛ یعنی زمانی که پروژه تکامل می‌یابد و قوانین قدیمی ویکی منسوخ می‌شوند.
گام بعدی شما
- اگر از عامل‌های کدنویس استفاده می‌کنید، فهرستی از «قوانین طلایی» پروژه خود را تهیه و در اولین فرصت به حافظه مدل تزریق کنید.
- بررسی کنید آیا ابزار فعلی شما قابلیت ذخیره دانش بین جلسات (Cross-session) را دارد یا هر بار از صفر شروع می‌کند.
- در پروژه‌های تیمی، ساختار ویکی مشترک را برای همگام‌سازی دانش بین اعضا به کار بگیرید.
اما مدیریت این حجم از دانش در مقیاس سازمانی چالش‌های امنیتی جدیدی می‌سازد — به تحلیل ما درباره‌ی حریم خصوصی در حافظه‌های مدل‌های زبانی مراجعه کنید.
گفتگو