تصور کنید یک برنامه‌نویس هستید که ساعتی پیش با هوش مصنوعی تصمیم گرفته ساختار دیتابیس را تغییر دهد، اما حالا مدل دوباره همان راهکار ردشده را پیشنهاد می‌دهد. این «فراموشیِ زمینه‌ای» بزرگ‌ترین نقطه ضعف عامل‌های کدنویسی است که پروژه myc برای حل آن متولد شده است.
عامل‌هایی مثل Claude Code و Codex قدرت پردازشی بالایی دارند، اما وقتی پنجرهٔ زمینه (Context Window) — که شبیه میز کاری است و فقط جای چند ورق کاغذ دارد، نه کل کتابخانه — پر می‌شود، مدل مجبور است بخش‌هایی از حافظه را پاک کند. در ۱۵ سپتامبر ۲۰۲۶، پروژه myc (مخفف mycelium) با مجوز MIT معرفی شد تا حافظه را به‌جای APIهای ابری، به یک فایل محلی SQLite متصل کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، انتقال داده‌ها به محیط محلی هم امنیت را بالا می‌برد و هم تأخیر را کم می‌کند. طبق مستندات این پروژه در dev.to، ابزار myc برای جلوگیری از «آمنزیا یا فراموشیِ متنی»، چهار سازوکار کلیدی را اجرا می‌کند:
- قلاب پیش‌از-فشرده‌سازی (PreCompact Hook): درست پیش از پاک‌سازی زمینه، جلسه جاری روی دیسک ذخیره شده و یک «بسته نجات» دوباره به پرامپت تزریق می‌شود.
- جست‌وجوی ترکیبی (Hybrid Search): برای بازیابی تصمیمات گذشته، از ترکیبی از BM25 و بردار معنایی (Embedding) — که مثل کارت معرفی عددی برای هر واژه است تا همسایگان معنایی‌اش را بشناسد — استفاده می‌کند.
- لنگرگذاری کد (Code Anchoring): حافظه به قطعات خاصی از کد گره می‌خورد؛ اگر کدی حذف شود، اعتبار حافظه مرتبط با آن ۰.۲ برابر می‌شود تا مدل آن را به‌عنوان حقیقت فعلی نپذیرد.
- صف وظایف (Task Queue): یک سامانه اتمیک که مانع از اجرای هم‌زمان یک وظیفه توسط دو عامل مختلف می‌شود.
به نقل از توسعه‌دهنده این ابزار، سرعت در اولویت طراحی بوده است. نتایج بنچمارک‌ها نشان می‌دهد زمان راه‌اندازی سرد (Cold Start) — یعنی فاصله از لحظه اجرای برنامه تا آماده شدن برای اولین پاسخ — تنها ۲۱ میلی‌ثانیه و سرعت بازیابی بسته‌های زمینه ۰.۶ میلی‌ثانیه است. البته این ابزار فعلاً فقط روی محیط Bun اجرا می‌شود و محدود به سیستم‌عامل‌های macOS و Linux در حالت تک‌کاربره است.
این تغییر، نقش عامل هوش مصنوعی را از یک رابط چت بدون حافظه به یک همکار دائمی تبدیل می‌کند. با حذف وابستگی به ابر، دیگر خبری از تأخیرهای شبکه یا نگرانی‌های حریم خصوصی نیست و مدل دیگر راهکارهای ردشده را برای بار سوم در یک ساعت پیشنهاد نمی‌کند.
گام بعدی شما
- اگر از محیط Bun استفاده می‌کنید، مخزن گیت‌هاب myc را برای تست بنچمارک‌های سرعت بررسی کنید.
- ساختار SQLite این پروژه را تحلیل کنید تا ببینید چگونه می‌توان حافظه محلی را به عامل‌های شخصی خود اضافه کرد.
- بررسی کنید آیا لنگرگذاری کد (Code Anchoring) می‌تواند نرخ توهم مدل شما را در پروژه‌های بزرگ کاهش دهد؟
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو