عامل‌های هوش مصنوعی با جایگزینی پنجرهٔ زمینه با حافظهٔ فایل‌محور ابدی شدند

تصور کنید یک کارمند دیجیتال دارید که به‌جای تلاش برای به خاطر سپردن هر چیز در ذهن خود، یک دفترچه یادداشت روی میز دارد و هر نکته مهمی را آنجا می‌نویسد. اگر امروز از ابزارهایی مثل Grok Bot یا Claude Code استفاده می‌کنید، در واقع با همین سیستم مواجه هستید؛ جایی که حافظه دیگر یک محدودیت فنی نیست، بلکه یک ساختار فایل است. این رویکرد در راستای چشم‌انداز گسترده‌تری است که در آن همکاران مجازی به‌جای چت‌بات‌های ساده به‌عنوان عامل‌های شخصیتی با محیط‌های محاسباتی اختصاصی تعریف می‌شوند.

بر اساس گزارشی از Ben's Bites که در ۱۴ اوت ۲۰۲۶ منتشر شد، جادوی پشت عامل‌های شخصی محبوب امروز، نه در تغییر معماری مدل‌ها، بلکه در یک چیدمان ساده از دستورالعمل‌ها، ابزارها و فایل‌های متنی است. اکثر کاربران با هوش مصنوعی به‌عنوان یک رابط چت برخورد می‌کنند، اما یک عامل (Agent) — شبیه به یک دستیار اداری که برای هر پروژه یک پرونده جداگانه دارد — بیشتر شبیه به یک سیستم فایل عمل می‌کند. وقتی جلسه ریست می‌شود یا پنجرهٔ زمینه (Context Window) — که مثل میز کاری است و فقط جای چند ورق کاغذ دارد، نه کل کتابخانه — پر می‌شود، عامل به‌سادگی دفترچه یادداشت (یک فایل .md) را می‌خواند تا به یاد آورد شما کیستید و روی چه موضوعی کار می‌کردید.

درک چرخهٔ عملکرد عامل

مکانیزم اصلی این عامل‌ها یک چرخهٔ مداوم است: عامل فکر می‌کند، از یک ابزار استفاده می‌کند و دوباره فکر می‌کند. اما با پیشرفت جلسه، پنجرهٔ زمینه پر می‌شود. برای جلوگیری از دست رفتان داده‌ها، فرآیند «فشرده‌سازی» (Compaction) جلسه را پاک می‌کند. به همین دلیل است که سیستم فایل حیاتی است؛ اگر اطلاعاتی مهم باشد، عامل باید آن را در یک فایل ذخیره کند تا در جلسات بعدی هم در دسترس باشد.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت حافظه در سیستم‌های استنتاج اشاره کردیم، بهینه‌سازی فضای ذخیره کلید پایداری مدل است. در این ساختار دو رویکرد رایج برای سازماندهی وجود دارد. روش «جارویس» از یک عامل ارشد استفاده می‌کند که فایل‌های خاص هر وظیفه (مثلاً یک فایل با نام newsletter-research.md) را می‌خواند تا زمینه و تمرکز خود را عوض کند. در روش دوم، کاربران عامل‌ها را به نقش‌های تخصصی تقسیم می‌کنند؛ مثلاً یک عامل مدیریت مالی، یک عامل بازاریابی یا یک عامل کپی‌رایتینگ که هر کدام پوشه، شخصیت و فایل دستورالعمل مخصوص خود را دارند. این تغییر رویکرد از رابط‌های چت به محیط‌های متمرکز بر تکلیف، مشابه همان چیزی است که در معماری xAgent برای جایگزینی رابط‌های سنتی چت پیاده‌سازی شده بود.

نقشه فنی ساخت یک عامل شخصی

برای ساخت یک عامل شخصی در ابزارهایی مثل Claude Code یا Codex، یک الگوی تکرارپذیر دنبال می‌شود:

• پوشهٔ عامل: یک دایرکتوری اختصاصی برای تمام داده‌های مربوط به آن عامل.
• فایل دستورالعمل: سندی که شغل، قوانین، محدودیت‌ها و شخصیت عامل را تعریف می‌کند. در این راستا، استاندارد AGENTS.md تلاش می‌کند تا رفتار این عامل‌ها را در مخازن کد به‌صورت یکپارچه و قابل پیش‌بینی تعریف کند.
• فایل‌های کاربر و حافظه: لاگ‌های متنی که رویدادها و ترجیحات را ثبت می‌کنند تا حافظه بلندمدت را شبیه‌سازی کنند. باید توجه داشت که این یک حافظه واقعی در لایه مدل نیست، بلکه صرفاً یک لاگ متنی از اتفاقاتی است که رخ داده است.
• مجوزهای ابزار: دسترسی به ابزارهای کنترل کامپیوتر (Computer-use) برای گشت‌وگذار در وب‌سایت‌ها، نصب اپلیکیشن‌ها یا پر کردن فرم‌های آنلاین.
• رشته‌های پین‌شده: در Codex یا Claude، کاربران می‌توانند رشته‌های چت را به پوشه‌های خاصی متصل (Pin) کنند تا جریان‌های کاری مجزا و متمرکز برای هر وظیفه داشته باشند.

Grok Bot این ایده را با استفاده از یک محیط کامپیوتری مشترک پیش می‌برد. تمام چت‌های عامل روی یک ماشین واحد با لاگین‌ها، نصب‌های نرم‌افزاری و فایل‌های یکسان اجرا می‌شوند، هرچند هر چت صفحه نمایش خود را دارد. این ساختار به عامل‌ها اجازه می‌دهد تا با خواندن فایل‌های لاگ یکدیگر، حافظه را به اشتراک بگذارند. اگر دستورالعمل‌های اصلی تأکید کنند که اطلاعات مهم در حافظه مشترک ذخیره شود، عامل‌های تودرتو (Nested Agents) می‌توانند تصمیم بگیرند که چه زمانی داده‌های یک جلسه به اندازه کافی مهم هستند تا در آنجا ذخیره شوند.

قابلیت‌ها و اتوماسیون

به دلیل دسترسی به ابزارها و کنترل مستقیم کامپیوتر، این عامل‌ها می‌توانند طیف گسترده‌ای از کارهای واقعی را انجام دهند:

• لجستیک و سفر: جستجو و رزرو پروازها یا سفارش غذا.
• عملیات تجاری: مذاکره بر سر قیمت‌های پیشنهادی پیمانکاران و جمع‌آوری فاکتورها از ایمیل‌ها برای بایگانی کردن آن‌ها.
• تولید محتوا و توسعه: ساخت اسلایدهای ارائه (Decks)، طراحی وب‌سایت‌ها و اپلیکیشن‌ها، یا تولید گزارش‌های خلاصه صبحگاهی.
• سازماندهی: مدیریت، مرتب‌سازی و سازماندهی فایل‌ها و پوشه‌ها.

لایه نهایی این ساختار، اتوماسیون است. کاربران می‌توانند کارهای تکراری را زمان‌بندی کنند یا از قابلیت «آموزش» (Teach) استفاده کنند؛ به این صورت که یک جلسه از صفحه نمایش انسانی که در حال انجام یک کار است ضبط می‌شود و سپس عامل آن را تحلیل می‌کند تا آن را به یک گردش‌کار تکرارپذیر تبدیل کند. برخی از این اتوماسیون‌ها یک جلسه جدید را با همان دستورالعمل‌ها شروع می‌کنند، در حالی که برخی دیگر یک رشته (Thread) موجود را بیدار می‌کنند تا کار را ادامه دهد.

این چرخش به این معناست که مزیت رقابتی از قدرت خام مدل به مهارت سازماندهی کاربر منتقل شده است. کسی که بتواند پوشه‌ها و فایل‌های دستورالعمل خود را بهتر ساختاردهی کند، تواناترین عامل را خواهد داشت. در واقع مدیریت هوش مصنوعی از یک مسئلهٔ مهندسی پرامپت (Prompt Engineering) — که مثل هنر سؤال درست پرسیدن از یک مشاور است — به یک مسئلهٔ معماری داده تبدیل شده است.

گام بعدی شما

برای کسانی که می‌خواهند از چت‌های ساده فراتر روند، گام بعدی ممیزی گردش‌کارهای دیجیتال فعلی است تا مشخص شود کدام‌یک را می‌توان به یک فایل دستورالعمل استاتیک و یک لاگ حافظه تبدیل کرد.

• گردش‌کارهای دیجیتال فعلی خود را بررسی کنید و ببینید کدام‌یک را می‌توان به یک فایل دستورالعمل استاتیک و یک لاگ حافظه تبدیل کرد.
• برای هر نقش شغلی (مثلاً تحلیلگر بازار یا برنامه‌نویس) یک پوشه مجزا با فایل .md برای ثبت ترجیحات ایجاد کنید.
• در ابزارهایی مثل Claude Code، تست کنید که چگونه پین کردن رشته‌ها به پوشه‌های مختلف، دقت پاسخ‌ها را در پروژه‌های طولانی افزایش می‌دهد.

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