تصور کنید تیمی از دستیاران دیجیتالی دارید که هر کدام بخشی از یک پروژه را پیش می‌برند، اما مدام اطلاعات متناقضی به شما می‌دهند چون هر کدام حافظه جداگانه‌ای دارند. Mycelium با ایجاد یک شبکه حافظه مشترک و آگاه از اعتماد (trust-aware)، این «فراموشی» یا جدایی اطلاعاتی را به پایان می‌رساند تا تداوم عملیاتی تضمین شود.
طبق اعلام توسعه‌دهندگان در ۵ ژوئیه ۲۰۲۶، این فریم‌ورک مبتنی بر TypeScript مکانیزمی را معرفی کرده که در آن تنها یک فراخوانی از مدل gpt-4o-mini می‌تواند تضادهای حافظه در کل یک ناوگان از عامل‌ها (agents) را با هزینه‌ای بسیار پایین، تقریباً ۰.۰۰۱ دلار، Resolve کند. این رویکرد تکاملی را می‌توان در راستای جایگزینی بات‌های تک‌کاربره با عامل‌های چندنفره در مدیریت دانش سازمانی دید که بهره‌وری سیستم‌های جمعی را افزایش می‌دهد.
در وضعیت فعلی، اکثر عامل‌ها حافظه خود را در سیلوهای ایزوله ذخیره می‌کنند؛ یعنی نمی‌توانند روی یک نسخه واحد از حقیقت توافق کنند. حتی سیستم‌های حافظه پایدار نیز معمولاً حقایق را به مرز یک عامل محدود می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی قراردادهای انتقال (handoff contracts) برای جلوگیری از شکست سیستم‌ها اشاره کردیم، Mycelium حالا گلوگاه بعدی را هدف گرفته است: وقتی دو عامل مستقل درباره یک حقیقت اختلاف‌نظر دارند، چه اتفاقی می‌افتد؟ به کدام‌یک باید اعتماد کرد؟
برای حل این مسئله، Mycelium یک «فدراسیون حافظه» ایجاد کرده است. نام این سیستم از شبکه قارچ‌ها (Mycelium) در طبیعت الهام گرفته شده که قارچ‌های مجزا را به یک شبکه اطلاعاتی مشترک متصل می‌کند تا مواد مغذی، هشدارها و سیگنال‌ها جریان یابند. این تلاش برای ایجاد یک بستر حافظه یکپارچه، یادآور همکاری‌های استراتژیک میان Anthropic و Micron برای بازطراحی معماری حافظه+ است تا محدودیت‌های سخت‌افزاری و نرم‌افزاری در ذخیره‌سازی داده‌های مدل‌ها کاهش یابد. در این معماری، به‌جای استفاده از یک ذخیره‌ساز برداری (vector store) ساده، هر عامل یک مجموعه داده Cognee را در بر می‌گیرد که از یک پایگاه‌داده گرافی Kuzu توکار استفاده می‌کند. این ساختار به عامل‌ها اجازه می‌دهد موجودات (entities) و روابط را به‌صورت یک گراف دانش (Knowledge Graph) ذخیره کنند، به‌جای اینکه اطلاعات را به صورت تکه‌های متن پراکنده و خرد شده نگه دارند.
معماری چهار لایه
بر اساس مستندات فنی منتشر شده در dev.to، این سیستم از طریق چهار لایه‌ی متمایز فعالیت می‌کند:
- حافظه گراف دانش: این لایه از Cognee برای جذب متن، اجرای یک خط لوله (pipeline) مدل زبانی برای استخراج موجودات و روابط، و تولید برداربندی‌های (embeddings) محلی از نوع ONNX (مدل bge-small-en-v1.5) برای جست‌وجوی معنایی استفاده می‌کند. این قابلیت باعث می‌شود عامل‌ها بتوانند در روابط پیمایش کنند و به‌جای تطبیق‌های ساده‌ی شباهتی، پاسخ‌هایی بر اساس تکمیل گراف (graph-completion) دریافت کنند.
- ردیابی منشاء (Provenance): هر حقیقت مشترک پیش از ذخیره، با یک طرحواره (schema) مشخص تگ می‌شود:
__provenance__:{"sourceAgentId":"agent_a","factId":"f123","timestamp":1700000000000}. این تگ حتی پس از رفت‌وبرگشت در فرآیند استخراج گراف Cognee باقی می‌ماند و تضمین می‌کند که داده‌ها در حوزه‌های حساس و با ریسک بالا مانند مراقبت‌های بهداشتی و امور مالی، کاملاً قابل حسابرسی (auditable) باشند. - تشخیص تضاد: به‌جای مقایسه تک‌تک حقایق — که منجر به پیچیدگی O(n²) در تعداد فراخوانی‌ها می‌شد — موتور سیستم تمام حقایق منبع و مشترک را در یک پرامپت واحد برای بررسی دسته‌ای (batched) به LLM می‌فرستد. مدل در اینجا به عنوان یک ردیاب عمل کرده و پاسخ را در قالب یک JSON ساختاریافته شامل
sIndex(اندیس منبع)،tIndex(اندیس هدف)،reason(دلیل) وconfidence(میزان اطمینان) برمی‌گرداند تا از هرگونه ابهام در تجزیه متن (parsing) جلوگیری شود. - امتیازدهی اعتماد: تمامی عامل‌ها با امتیاز اعتماد ۰.۵ شروع می‌کنند. این امتیاز بر اساس رویدادهای خاص تکامل می‌یابد:
- ادغام خودکار (بدون تضاد): +۰.۰۵
- پذیرش دستی (پس از بررسی): +۰.۰۵
- رد دستی: -۰.۲۰
- تشخیص تضاد (به‌صورت خودکار): -۰.۲۰
تضادها وزن بسیار زیادی دارند؛ یک تضاد واحد، فارغ از اینکه امتیاز فعلی چقدر باشد، وضعیت داده را به pending_review (در انتظار بررسی) تغییر می‌دهد. این مکانیسم انگیزه‌ای قوی ایجاد می‌کند تا عامل‌ها تنها حقایق قابل‌اعتماد و بدون تضاد را به اشتراک بگذارند.
اعتبارسنجی در دنیای واقعی و موارد کاربردی
تطبیق‌پذیری این فریم‌ورک در پنج دامنه متمایز تست شده است، در حالی که هر پنج مورد از یک موتور هسته یکسان بدون هیچ تغییر در کدهای مربوط به دامنه استفاده می‌کردند. هر دمو در کمتر از ۳۰ ثانیه اجرا شده و هزینه فراخوانی‌های LLM در هر مورد تقریباً یک دهم سنت بوده است:
- تطبیق دارویی در سلامت: تصور کنید یک کلینیک ثبت کرده است: «متفورمین ۵۰۰ میلی‌گرم، یک بار در روز، بدون حساسیت»، در حالی که یک داروخانه ثبت کرده: «متفورمین ۵۰۰ میلی‌گرم، دو بار در روز، حساس به آموکسی‌سیلین». Mycelium پیش از ادغام، هر دو تضاد را پرچم‌گذاری می‌کند. این موضوع مشکلی حیاتی است، زیرا خطاهای دارویی سالانه باعث مرگ هزاران نفر می‌شوند.
- انحراف موجودی زنجیره تأمین: سیستم تضادها را بین انبار آلفا («۵۰۰ واحد از SKU WX-1001») و انبار بتا («۲۰۰ واحد، قیمت واحد ۱۴.۹۹ دلار») شناسایی کرده و هر دو تضاد تعداد و قیمت را علامت می‌زند.
- تلفیق حسگرهای خانه هوشمند: شناسایی تضاد بین یک هاب پذیرایی که گزارش می‌دهد «حرکت در ساعت ۲:۳۰ صبح شناسایی شد» و یک هاب امنیتی که گزارش می‌دهد «هیچ حرکتی شناسایی نشد — سیستم امنیتی فعال است».
- تأیید اخبار: در تستی روی دو خبرگزاری که یک کنفرانس خبری را پوشش می‌دادند، NewsWire گزارش داد «پارک محله خیابان Elm، بودجه ۲ میلیون دلار» اما CityPress گزارش داد «کتابخانه عمومی خیابان Oak، بودجه ۵ میلیون دلار». موتور سیستم ۵ تضاد را شناسایی کرد و پیشنهاد داد که احتمالاً هر دو پروژه واقعی هستند.
- همگام‌سازی دستیارهای سفر: سیستم تضادها را زمانی پرچم‌گذاری می‌کند که یک برنامه‌ریز سفر، پرواز را به دلیل ترافیک کنترل فضای هوایی (ATC) به ساعت ۸ شب به‌روزرسانی می‌کند، اما دستیار شخصی همچنان زمان departure اصلی یعنی ساعت ۵ عصر را نشان می‌دهد.
پشته فنی و بهره‌وری طراحی
توسعه‌دهنده برای به حداقل رساندن تأخیر (latency) و هزینه، رویکرد Local-first را انتخاب کرده است. این پشته بر پایه Node.js از طریق tsx (اجرای ES2022) است تا تمام مراحل Build حذف شوند؛ به این معنا که فیلد main در package.json مستقیماً به سورس کد .ts اشاره می‌کند. این تصمیم نیاز به tsup، typescript یا Turborepo را به‌طور کامل حذف کرده است. پروژه به‌صورت یک Monorepo با استفاده از pnpm workspaces سازمان‌دهی شده است.
سایر تصمیمات فنی کلیدی عبارتند از:
- حافظه گرافی: استفاده از SDK راستِ Cognee (نسخه v0.1.2 @cognee/cognee-ts) و دیتابیس توکار Kuzu.
- برداربندی محلی: مدل‌های ONNX به‌طور خودکار دانلود می‌شوند تا نیاز به سرویس‌های ابری یا برداری خارجی مانند Pinecone نباشد.
- استقلال از ارائه‌دهنده: کاربران می‌توانند تنها با تغییر یک متغیر محیطی به نام
USE_LLM_PROVIDERمدل را از OpenAI به Groq، Ollama یا LM Studio تغییر دهند.
این طراحی، گلوگاه را از «ذخیره‌سازی حافظه» به «منطق» منتقل می‌کند. با سپردن تشخیص تضاد به یک خروجی JSON دسته‌بندی شده از یک مدل ارزان مثل gpt-4o-mini، بهره‌وری هزینه به شدت افزایش یافته و سیستم بسیار بهینه باقی می‌ماند.
نقشه راه آینده
این فریم‌ورک در حال حاضر در نسخه آلفا قرار دارد. قابلیت‌های برنامه‌ریزی شده شامل همگام‌سازی زنده با WebSocket برای به‌روزرسانی‌های آنی، یک رابط کاربری سه پانله (شبیه به Merge در Git) برای بررسی بصری تضادها و قابلیت «زوال اعتماد» (trust decay) است که در آن امتیازات در صورت سکوت Prolonged عامل‌ها کاهش می‌یابد. ویژگی‌های پیشرفته‌تر شامل «اعتماد چندگام» (Multi-hop trust) است (به این معنا که A به C اعتماد می‌کند زیرا B به C اعتماد دارد)، همچنین «حافظه قانون‌مند» (Constitutional Memory) برای رد حقایقی که قوانین پیش‌فرض را نقض می‌کنند و «استناد به شواهد تضاد» که در آن LLM قطعات دقیق متنی متضاد را بازمی‌گرداند.
برای توسعه‌دهندگان، این یعنی سامانه‌های چندعاملی بالاخره می‌توانند یک «منبع حقیقت» (source of truth) داشته باشند که به‌طور پویا تکامل می‌یابد. این یک چرخش در صنعت از تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که صرفاً قبل از جواب دادن، کتاب را باز می‌کند — به سمت یک سیستم حافظه اجتماعی است که در آن عامل‌ها باید حق به‌روزرسانی گراف مشترک را «به دست آورند».
کاربران در حال حاضر می‌توانند نسخه آلفا را با کلون کردن مخزن گیت‌هاب، نصب از طریق pnpm و اجرای healthcare-demo برای مشاهده تغییر لحظه‌ای امتیازات اعتماد تجربه کنند.
گام بعدی شما
- مخزن گیت‌هاب Mycelium را کلون کنید و با استفاده از
pnpmنصب نمایید. - دمو
healthcare-demoرا اجرا کنید تا تغییر لحظه‌ای امتیازات اعتماد را مشاهده کنید. - ساختار گراف دیتابیس Kuzu را بررسی کنید تا متوجه شوید چگونه روابط معنایی جایگزین جست‌وجوی ساده متنی می‌شوند.
اما تأثیر این مدل حافظه بر کاهش نرخ توهمات در مدل‌های استدلالی حتی عمیق‌تر است — به تحلیل ما درباره مدل‌های Reasoning مراجعه کنید.
گفتگو