«جداسازی حافظه از دانش»؛ راهکار LLM Wiki برای ردیابی منابع پژوهشی

اگر همین حالا در حال مدیریت یک پروژه پژوهشی پیچیده با هوش مصنوعی هستید، احتمالاً با «دیواره‌ی بافت» (Context Cliff) مواجه شده‌اید؛ لحظه‌ای که گفتگو چنان طولانی می‌شود که مدل، تز اصلی شما را فراموش می‌کند. LLM Wiki که در ۱۸ ژوئن ۲۰۲۶ عرضه شد، با تبدیل عامل (Agent) از یک شریک گفتگوی گذرا به یک کتابدار که یک پایگاه دانش محلی و دائمی را مدیریت می‌کند، این مشکل را به‌طور کامل حل می‌کند.

بسیاری از کاربران در حال حاضر به یک رشته گفتگو (Thread) طولانی یا پوشه‌ای به‌هم‌ریخته از PDFها تکیه می‌کنند. این وضعیت یک گلوگاه ایجاد می‌کند که در آن عامل مجبور است برای حفظ جهت‌گیری، هر بار همه چیز را از ابتدا بخواند. LLM Wiki این رویکرد را با سیستمی ساختاریافته از منابع خام تغییرناپذیر و مقالات سنتز شده جایگزین می‌کند تا تضمین شود که هر اجرای جدید، دانش کلی سیستم را به‌صورت ترکیبی افزایش می‌دهد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدیریت حافظه در مدل‌های زبانی اشاره کردیم، جداسازی داده‌های خام از استنتاج، کلید دستیابی به دقت صنعتی است. در این سیستم، مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — دیگر به حافظه کوتاه‌مدت خود متکی نیست.

موتور پژوهش چند-عاملی

قدرت اصلی این سیستم در قابلیت پژوهش موازی است. طبق مستندات این پروژه، یک دستور ساده مانند /wiki:research می‌تواند تا ۱۰ عامل را به‌طور هم‌زمان فعال کند. این عامل‌ها صرفاً وب‌گردی نمی‌کنند، بلکه موضوع را از پنج زاویه مجزا مورد حمله قرار می‌دهند: آکادمیک، فنی، کاربردی، خبری و متناقض.

برای کسانی که به‌دنبال پاسخ قطعی هستند و نه صرفاً یک خلاصه، «حالت تز» (Thesis Mode) تعبیه شده است. در این حالت، عامل‌ها به گروه‌های موافق، مخالف، مکانیکی، بازبین/مرور و مجاور تقسیم می‌شوند تا یک حکم نهایی صادر کنند و نه فقط یک چکیده. احکام ممکن شامل «تأیید شده»، «تأیید جزئی»، «رد شده»، «شواهد ناکافی» یا «ترکیبی» است. برای مبارزه با سوگیری تأییدی، سیستم می‌تواند در چندین دور اجرا شود (با استفاده از پرچم --min-time؛ برای مثال --min-time 2h)، به‌طوری که دور دوم به‌طور خاص روی شکاف‌ها و تناقضات یافت شده در دور اول تمرکز می‌کند.

کاربران می‌توانند با پرچم --plan موضوعات گسترده را به مسیرهای مستقل تجزیه کنند. برای مثال، یک درخواست پژوهش درباره «درمان با نور قرمز» ممکن است به این مسیرها تقسیم شود:

• مکانیسم‌ها: سیتوکروم سی اکسیداز، ویژگی‌های طول موج و پاسخ به دوز
• شواهد بالینی: آزمایشات تصادفی کنترل‌شده (RCTs) برای پوست، مفاصل، زخم‌ها و شناخت
• دستگاه‌ها: مقایسه LED و لیزر، اندازه پنل‌ها و مجوزهای FDA
• نقدهای فنی: اثرات پلاسیبو، سوگیری در انتشار و نگرانی‌های ایمنی

هر مسیر توسط یک گروه ۵-عاملی پیش برده می‌شود و در نهایت یک مرحله تدوین، نتایج را در تمامی مسیرها ترکیب و سنتز می‌کند. پس از هر دور، عامل یک «گزارش شکاف» ارائه می‌دهد و پیشنهاد می‌کند که قطعات گم‌شده خاص (مثلاً «منحنی‌های پاسخ-دوز برای ویژگی‌های طول موج») را به‌صورت موازی پر کند.

معماری: هاب‌ها و موضوعات

LLM Wiki داده‌ها را در یک سلسله‌مراتب سخت‌گیرانه سازمان‌دهی می‌کند تا از «نویز بین-موضوعی» جلوگیری کند. دایرکتوری ریشه (~/wiki/) به‌عنوان یک هاب سبک عمل می‌کند که فقط شامل یک دفتر ثبت (wikis.json)، گزارش فعالیت جهانی (log.md) و یک فایل _index.md است که لیست تمام ویکی‌های موضوعی را به همراه آمار آن‌ها نمایش می‌دهد. تمام محتوا در «ویکی‌های موضوعی» مجزا قرار می‌گیرد.

ساختار داخلی هر ویکی موضوعی به شرح زیر است:

• raw/: منابع تغییرناپذیر شامل URLها، فایل‌ها، PDFها، ورودی‌های اینباکس، مخازن مستندات گیت، دامپ‌های MediaWiki، آرشیوهای پیام و اسنپ‌شات‌های CDX سایت Wayback. این فایل‌ها پس از جذب هرگز تغییر نمی‌کنند تا یک ردپای حسابرسی دائمی فراهم شود.
• wiki/: مقالات سنتز شده که به سه دسته تقسیم می‌شوند: مفاهیم (ایده‌های بنیادی، مکانیسم‌ها، تئوری‌ها)، موضوعات (سوژه‌های خاص، مقایسه‌ها، وضعیت فعلی حوزه) و مراجع (ابزارها، چارچوب‌ها، جداول داده، منابع جستجو). این مقالات دارای امتیاز اعتماد (بالا/متوسط/پایین) و لینک‌های دوطرفه هستند.
• inventory/: لایه‌ای برای ردیابی آیتم‌ها، کاندیداهای منبع، کورپوس‌ها، موجودیت‌ها، سوالات باز، موارد تحت‌نظر و اقدامات بعدی. این بخش به‌طور عمدی از شواهد واقعی جدا شده است و نماهای چت برای این بخش به‌صورت جداول فشرده نمایش داده می‌شوند.
• datasets/: مانیفست‌هایی برای داده‌های خارجی حجیم، تغییرپذیر یا عملیاتی. این بخش اجازه می‌دهد ویکی اطلاعات را (از طریق نمونه‌ها، پروفایل‌ها و دستورهای کوئری) ایندکس کند بدون اینکه مجبور باشد فایل‌های غول‌آسا را در کورپوس محلی کپی کند.
• output/: خروجی‌های تولید شده مانند گزارش‌ها، اسلایدهای ارائه، راهنماهای مطالعه، کتاب‌های راهنما (Playbooks)، برنامه‌های پیاده‌سازی، تایم‌لاین‌ها و واژه‌نامه‌ها.

هر دایرکتوری دارای یک _index.md است. این فایل‌ها کش‌های مشتق‌شده‌ای هستند که از frontmatter فایل‌ها بازسازی می‌شوند تا تضمین شود عامل ابتدا ایندکس‌ها را می‌خواند و هرگز دایرکتوری‌ها را به‌صورت کورکورانه اسکن نمی‌کند.

حل معضل حافظه

یکی از مهم‌ترین تغییرات فنی در LLM Wiki، رویکرد آن به حافظه نشست است. به‌جای انباشت تاریخچه‌های کامل چت که پنجره متنی (Context Window) — مثل میز کاری که فقط جای چند ورق دارد، نه کل کتابخانه — را اشغال می‌کند، از یک لایه عملیاتی پنهان در .sessions/ (یا HUB/.sessions/) استفاده می‌کند.

این لایه چک‌پوینت‌های سانسور شده، وضعیت JSON و خلاصه‌های فشرده Markdown را ثبت می‌کند. ساختار آن شامل موارد زیر است:

• config.json: مدیریت تنظیمات فعال‌سازی، حالت، حریم خصوصی و بازسازی (rehydrate).
• registry.jsonl: یک لاگ append-only از رویدادهای چرخه حیات.
• queue/YYYY-MM-DD.jsonl: رویدادهای قلاب (hook) کوچک و سانسور شده.
• state/<harness>/<session_id>.json: آخرین وضعیت ماشین برای هر نشست.
• digests/YYYY/MM/<harness>-<session_id>.md: خلاصه‌های تقطیر شده از جلسات.
• feedback/candidates.jsonl: اصلاحات با سیگنال بالا، ترجیحات و تاییدات کاربر.
• indexes/: کش‌های مشتق‌شده برای جستجوی دایرکتوری فعلی، موضوع و نشست.

وقتی کاربر به یک پروژه بازمی‌گردد، دستور /wiki:session rehydrate یک بلوک متنی فشرده را بارگذاری می‌کند که عامل را به خلاصه‌های مرتبط برای دایرکتوری، موضوع یا شناسه نشست فعلی هدایت می‌کند. این یعنی مدل بدون اینکه تاریخچه چت‌های خصوصی را به‌عنوان دانش معتبر بشناسد، سریعاً با موضوع هماهنگ می‌شود.

اصلاحات با سیگنال بالا، ترجیحات و پذیرش برنامه‌ها به‌عنوان «کاندیداهای بازخورد» ذخیره می‌شوند. تاییدات کلی مانند «اوکی»، «ممنون» یا «عالی» نادیده گرفته می‌شوند. این کاندیداها باید صریحاً از طریق دستور /wiki:feedback promote ارتقا یابند تا به دانش بادوام در دایرکتوری raw/notes/ تبدیل شوند.

استقرار و سازگاری

به نقل از مستندات llm-wiki.net، این سیستم هیچ وابستگی زمان-اجرایی (Runtime) ندارد و کاملاً به ابزارهای داخلی عامل میزبان متکی است. این ابزار به‌عنوان پلاگین بومی برای Claude Code (با دستور claude plugin install wiki@llm-wiki) و OpenAI Codex (با دستور codex plugin marketplace add nvk/llm-wiki و فراخوانی با @wiki) عرضه شده است.

برای محیط‌های دیگر، گزینه‌های زیر در دسترس است:

• OpenCode: از طریق فایل دستورالعمل opencode.json یا ~/.config/opencode/AGENTS.md. جستجوی وب در این حالت نیازمند فعال‌سازی OPENCODE_ENABLE_EXA=1 است.
• Pi: یک فایل دستورالعمل بهینه‌شده برای مدل‌های محلی با پنجره متنی ۳۲ هزار توکنی که از فضای ۱ هزار توکنی پرامپت سیستمی Pi استفاده می‌کند.
• Portable AGENTS.md: فایلی که می‌توان آن را از گیت‌هاب curl کرد و در ریشه پروژه هر عاملی قرار داد؛ این فایل با هر LLM که قابلیت خواندن/نوشتن فایل و جستجوی وب داشته باشد، کار می‌کند.

برای کاربران حرفه‌ای، این سیستم کاملاً با Obsidian سازگار است. این سیستم از فرمت لینک دوگانه ([[wikilink]] در کنار لینک‌های استاندارد Markdown) استفاده می‌کند تا پایگاه دانش را بتوان به‌صورت یک گراف بصری در Obsidian تحلیل کرد. همچنین حالت «retardmax» برای سرعت حداکثری وجود دارد که ۱۰ عامل را بدون برنامه‌ریزی قبلی برای گسترده‌ترین جستجوی ممکن فعال می‌کند تا سرعت اولویت یابد.

اعتماد و تأیید صحت

برای جلوگیری از انحراف دانش، دو تابع «کتابدار» و «حسابر» تعریف شده است. کتابدار (/wiki:librarian) مقالات را از نظر تازگی و کیفیت با یک اسکن دو مرحله‌ای می‌سنجد: ابتدا یک بررسی سریع متادیتا و سپس یک خواندن عمیق محتوا برای مقالاتی که علامت‌گذاری شده‌اند. این تابع از بازیابی چک‌پوینت پشتیبانی می‌کند و خروجی‌های آن هم به صورت JSON (ماشینی) و هم گزارش‌های انسانی است.

تابع حسابرس (/wiki:audit) سپس زنجیره شواهد یک خروجی را از وضعیت ویکی تا رسیدن به منابع خام اولیه ردیابی می‌کند. این تابع انحرافات را شناسایی کرده و منشأ داده‌ها را بازرسی می‌کند. اگر شواهد محلی برای پاسخ به یک پرسش درباره اعتماد کافی نباشد، سیستم به‌طور خودکار پژوهش جدیدی را فعال می‌کند. این یعنی گزارشی که امروز تولید می‌شود، صرفاً یک حدس بر اساس پرامپت نیست، بلکه سندی است که هر ادعای آن به یک فایل تغییرناپذیر روی دیسک کاربر لینک شده است.

گردش‌کارهای پیشرفته

سیستم فراتر از پژوهش ساده، وظایف مدیریت دانش پیچیده‌ای را پشتیبانی می‌کند:

جمع‌آوری و جذب داده:

• جمع‌آوری: دستور /wiki:collect مصنوعات، مثال‌ها، میم‌ها و ابزارها را می‌یابد و موارد تکراری را حذف می‌کند. این دستور نام‌های مستعار، منشأ در بافت، مسیر دارایی‌های محلی، هش‌ها، مقیاس و سیاست رسانه‌ای را ثبت می‌کند. کاربران می‌توانند مقیاس (از بسیار کوچک تا غول‌آسا) و رفتار رسانه (آرشیو، تامنیل یا ارجاع) را کنترل کنند. این ابزار می‌تواند یک رکورد کورپوس واحد برای مجموعه‌های غنی از رسانه یا رکوردهای مجزا برای لیست‌های کوچک ایجاد کند.
• جذب: دستور /wiki:ingest لینک‌ها و فایل‌ها را مدیریت می‌کند، در حالی که /wiki:ingest-collection برای جذب انبوه مانند مخازن مستندات گیت، مجموعه‌های پیشنهادی مدل BIP، دامپ‌های MediaWiki/API، آرشیوهای پیام یا اسنپ‌شات‌های CDX سایت Wayback استفاده می‌شود.

نگهداری و برنامه‌ریزی:

• آرشیو کردن: ویکی‌های موضوعی قدیمی را می‌توان با ذکر دلیل به topics/.archive/ منتقل کرد (مثلاً /wiki:archive topic old-interest --reason "No longer active"). این کار ساختار دانش را حفظ می‌کند اما آن را از جستجوهای پیش‌فرض، تدوین و پژوهش پنهان می‌کند، مگر اینکه پرچم --include-archived استفاده شود. همچنین می‌توان با /wiki:archive peek بدون خواندن متن کامل، در ایندکس‌های آرشیو جستجو کرد.
• برنامه‌ریزی: دستور /wiki:plan پایگاه دانش را می‌خواند، با کاربر درباره الزامات مصاحبه می‌کند و یک برنامه پیاده‌سازی مرحله‌به‌مرحله در قالب‌هایی مانند RFC، ADR یا Spec تولید می‌کند و از مقالات ویکی به‌عنوان مدرک استفاده می‌کند.
• پاکسازی (Linting): دستور /wiki:lint بررسی‌های سلامت برای لینک‌های شکسته، ایندکس‌های گم‌شده و مقالات یتیم انجام می‌دهد. پرچم --fix موارد ایمن را به‌طور خودکار تعمیر می‌کند و --deep تأیید وب برای واقعیت‌ها را انجام می‌دهد.
• درس‌آموختن: دستور /wiki:ll الگوهای «خطا $
  ightarrow$ اصلاح» و اکتشافات را از یک جلسه استخراج کرده و به‌عنوان یادداشت‌های ساختاریافته ذخیره می‌کند. استفاده از --rules به‌جای متن ساده، قوانین اجرایی صادر می‌کند.

تولید خروجی:

• تحویل دادنی‌ها: دستور /wiki:output گزارش‌ها، راهنماهای مطالعه، اسلایدهای ارائه، تایم‌لاین‌ها، واژه‌نامه‌ها و مقایسه‌ها را تولید می‌کند. این‌ها دوباره در ویکی ذخیره می‌شوند تا خروجی‌های آینده بر پایه قبلی‌ها بنا شوند.
• بافت بین-ویکی: با پرچم --with <wiki> می‌توان دانش یک ویکی را به خروجی ویکی دیگر تزریق کرد (مثلاً ترکیب داده‌های تغذیه با دانش هنر نویسندگی مقالات).
• گروه‌بندی پروژه: دستور /wiki:project خروجی‌های مرتبط را در پوشه‌هایی با اهداف و مانیفست‌های مشخص گروه‌بندی می‌کند و یک فایل WHY.md برای ثبت هدف پروژه ایجاد می‌کند.

دسترسی‌ها و iCloud

برای کسانی که از iCloud Drive برای هاب‌های مشترک استفاده می‌کنند، سیستم از پیکربندی‌های قابل‌حمل hub-path در ~/.config/llm-wiki/config.json استفاده می‌کند تا تضمین شود یک هاب واحد در چندین مک دیده شود. این کار از مسیرهای مطلق وابسته به ماشین جلوگیری می‌کند. ورودی‌های wikis.json مشترک باید مسیرهای موضوعی نسبی (مثلاً topics/bitcoin) را ذخیره کنند، نه دایرکتوری‌های مطلق کاربر.

به‌دلیل اینکه مجوزهای حریم خصوصی macOS محلی (وابسته به ماشین و اپلیکیشن اجراکننده) هستند، کاربران باید دسترسی Full Disk Access را به اپلیکیشن خاص (مثلاً Terminal.app برای Claude Code، یا لانچر VS Code/Cursor برای Codex) بدهند. برای نشست‌های Codex که از طریق SSH اجرا می‌شوند، مجوزها باید به /usr/libexec/sshd-session و /usr/libexec/sshd-keygen-wrapper (و احتمالاً /usr/sbin/sshd) داده شود تا از خطاهای "Operation not permitted" جلوگیری شود.

این تحول در واقع گذاری از «مهندسی پرامپت» به «مهندسی دانش» است. با جداسازی شواهد خام از مقالات سنتز شده و حافظه عملیاتی، یک عامل می‌تواند ثباتی در تفکر داشته باشد که در رابط‌های چت استاندارد غیرممکن است.

گام بعدی شما

• اگر روی یک پروژه فنی بلندمدت کار می‌کنید، «حالت تز» (Thesis Mode) را روی یک ادعای بحث‌برانگیز فنی تست کنید تا ببینید سیستم چگونه با شواهد متناقض برخورد می‌کند.
• سورس‌کد این پروژه با لایسنس MIT در گیت‌هاب در دسترس است؛ آن را بررسی کنید تا ساختار دایرکتوری‌های raw و wiki را ببینید.
• سعی کنید یک جریان کاری را با دستور /wiki:plan طراحی کنید و خروجی آن را با مستندات RFC مقایسه کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.