تصور کنید هر بار که از یک ابزار هوش مصنوعی به ابزاری دیگر می‌روید، تمام توافقات فنی و محدودیت‌های پروژه را فراموش می‌کند و باید دوباره همه چیز را توضیح دهید. این «ریست شدنِ زمینه» بزرگ‌ترین مانع در مسیر بهره‌وری تیم‌های فنی است که حالا Tencent Cloud Database Team راهکاری برای آن یافته است.
به نقل از مستندات این پروژه، تیم تنسنت با افزودن پشتیبانی از کلاینت دسکتاپ DeepSeek Harness (DSH) به پروژه متن‌باز TencentDB Agent Memory، تجربه کاربر را از یک تاریخچه چت ساده به یک دارایی قابل انتقال تبدیل کرده است. در واقع، این سیستم اجازه می‌دهد دانش نامرئی — یعنی همان روش‌هایی که رد شده‌اند، اصطلاحات پذیرفته‌شده و محدودیت‌های خاص کسب‌وکار — بین عامل‌های مختلف جابه‌جا شود.
بسیاری از تعاملات ما با هوش مصنوعی زودگذر هستند. تکمیل یک تسک با یک عامل هوش مصنوعی اغلب دانش مفیدی تولید می‌کند که بسیار بیشتر از خروجی نهایی است. وقتی یک برنامه‌نویس از یک عامل پژوهشی به یک عامل نویسنده تغییر وضعیت می‌دهد، معمولاً زمان انسانی زیادی را صرف توضیح دوباره مرزهای پروژه می‌کند. این ادغام، تجربه را به جای یک تاریخچه چت وابسته به جلسه، به عنوان یک دارایی قابل حمل در نظر می‌گیرد.
زمینه و بستر فقدان دانش
کار فنی فراتر از یک خروجی نهایی است. برای مثال، نوشتن یک مقاله فنی نیازمند توافق بر سر اصطلاحات محصول، مرزهای ویژگی‌ها، مخاطبان هدف و نحوه بیان ادعاهاست. به همین ترتیب، رفع یک باگ نیازمند درک محدودیت‌های کسب‌وکار، فرآیند بررسی و دانستن این است که کدام رویکردها پیش از این امتحان شده و شکست خورده‌اند.
وقتی یک تسک به پایان می‌رسد، این دانش معمولاً در میان گفتگوها، اسناد و کدهای مختلف پراکنده می‌شود. اگر توسعه‌دهنده‌ای کلاینت خود را تغییر دهد، جلسه جدیدی را آغاز کند یا کار را به عامل دیگری بسپارد، کسی باید تمام این موارد را دوباره توضیح دهد. در حالی که عامل‌ها در اجرای تسک‌ها سریع‌تر شده‌اند، انتقال تجربه همچنان زمان انسانی می‌برد.
یک تیم نویسندگی فنی را تصور کنید که در آن یک عامل پژوهشی مستندات را جمع‌آوری می‌کند و یک عامل بازبین، دقت مطالب را چک می‌کند. به جای اینکه عامل بازبین درباره محدودیت‌های محصول حدس بزند، مرزهای دقیق ویژگی‌ها را که توسط عامل پژوهشی تعیین شده است، از یک مرکز حافظه مشترک فراخوانی می‌کند. این امر از «ریست شدن زمینه» که جریان‌های کاری حرفه‌ای هوش مصنوعی را کند می‌کند، جلوگیری می‌کند.
چهار ستون حافظه عامل
طبق اعلام تیم تنسنت، این سامانه از یک «مرکز حافظه» (Memory Hub) برای مدیریت چهار نوع دارایی متمایز استفاده می‌کند. این سازماندهی باعث می‌شود یک گفتگوی طولانی — که ممکن است شامل حقایق تایید شده، حدس‌های احتمالی و رویکردهای رد شده باشد — به متریال ساختاریافته‌ای تبدیل شود که عامل دیگر بتواند از آن استفاده کند:
- حافظه چت (Chat Memory): اطلاعات و تجربیات حاصل از گفتگوها را حفظ می‌کند و به تسک‌های بعدی کمک می‌کند تا زمینه پروژه، محدودیت‌های کسب‌وکار و تصمیمات اولیه را به یاد داشته باشند.
- مهارت (Skill): متدهای تکرارپذیر تسک‌ها، از جمله چک‌لیست‌ها و جریان‌های کاری (Workflows) را که پیش از این موفقیت‌آمیز بوده‌اند، ثبت می‌کند.
- ویکی مدل زبانی (LLM-Wiki): دانش مستندات را سازماندهی کرده و به تسک‌ها اجازه می‌دهد به اطلاعات محصول، طراحی‌ها و مشخصات فنی دسترسی داشته باشند.
- گراف کد (CodeGraph): روابط بین کدها را نمایش می‌دهد و به عامل‌ها کمک می‌کند تا ساختار کد، وابستگی‌ها و زمینه مهندسی را درک کنند.
این دارایی‌ها از هر چارچوب یا فریم‌ورک خاصی مستقل (Decoupled) هستند. به این معنا که یک تیم می‌تواند یک بدنه مرکزی از دانش را داشته باشد و هم‌زمان بین ابزارهای مختلفی مانند Claude Code، CodeBuddy، Codex، WorkBuddy، OpenCode، Hermes یا OpenClaw جابه‌جا شود. توسعه‌دهندگان همچنین می‌توانند اسناد موجود، مخازن کد و جلسات تاریخی را وارد کنند تا به یک عامل جدید، بدنه اولیه‌ای از دانش ارائه دهند.
سناریوی کاربردی: همکاری در محتوای فنی
این مکانیسم روشی برای سازماندهی همکاری در محتوای فنی، مانند مقاله‌ای درباره یک نسخه جدید، پیشنهاد می‌دهد. جریان کاری را می‌توان بر اساس دارایی‌های مخصوص هر نقش تقسیم کرد:
- عامل پژوهشی: به مستندات محصول و اطلاعات تایید شده دسترسی دارد و منابع پشتیبان را هنگام جمع‌آوری مطالب در دسترس نگه می‌دارد.
- عامل نویسنده: دستورالعمل‌های اصطلاحات، زمینه مخاطبان و جریان کاری تولید مقاله را دریافت می‌کند تا نیاز به راهنمایی‌های تکراری کاهش یابد.
- عامل بازبین: مرزهای ویژگی‌ها، نظرات بازبینی قبلی و یک چک‌لیست را دریافت می‌کند تا اطمینان حاصل کند ادعاها از قابلیت‌های تایید شده فراتر نمی‌روند.
با تخصیص دارایی‌ها بر اساس تسک، اطلاعات غیرضروری پنجره متنی (Context Window) را اشغال نمی‌کند. دستورالعمل‌های نویسندگی را می‌توان به عنوان دانش مستنداتی سازماندهی کرد و یک فرآیند بازبینی موفق را به عنوان یک «مهارت» ثبت نمود. اگر مقاله درباره یک پیاده‌سازی کد باشد، گراف کد مربوطه نیز به آن مرتبط می‌شود.
ادغام با DeepSeek Harness
اتصال کلاینت دسکتاپ DSH نیازمند سرویس پروکسی حافظه است. پیش از شروع، کاربران باید یک سرویس پروکسی حافظه با مدل بالادستی (Upstream) پیکربندی شده DSH، فعال‌سازی مقداردهی اولیه جلسه، یک user_key برای استفاده در اپلیکیشن و نقطه اتصال (Endpoint) کامل ادغام DSH آماده کنند.
فرآیند پیکربندی در سه گام رخ می‌دهد:
- پیکربندی اتصال مدل: در DSH به مسیر Settings $
ightarrow$ Models بروید و کارت DeepSeek (deepseek-official) را ویرایش کنید.user_keyاپلیکیشن را وارد کنید. در بخش Custom Settings، نقطه اتصال کامل ادغام را وارد کرده و ذخیره کنید. - آغاز یک گفتگوی جدید: یک پیام با مدل پیکربندی شده ارسال کنید تا وارد جریان مقداردهی اولیه جلسه شوید.
- مرتبط کردن دارایی‌های تیمی: انتخاب کنید که آیا می‌خواهید دارایی‌های تیمی برای تسک جاری مرتبط شوند یا خیر و دستورالعمل‌های مقداردهی اولیه را دنبال کنید.
برای تایید اتصال، تیم پیشنهاد می‌کند از یک تسک با محدوده کوچک استفاده کنید. برای مثال، کاربر می‌تواند بررسی کند که آیا یک جلسه جدید، بدون نیاز به دستور مجدد، یک محدودیت کسب‌وکار که قبلاً تعیین شده بود را به درستی رعایت می‌کند یا خیر. این کار مشخص می‌کند که آیا دارایی‌ها واقعاً در دسترس کار جاری هستند یا خیر.
مدیریت مرزهای دانش
استفاده مجدد از تجربه نیازمند حاکمیت (Governance) سخت‌گیرانه است. بازاستفاده به دو شرط بستگی دارد: دارایی‌ها باید آماده باشند و عامل فعلی باید اجازه استفاده از آن‌ها را داشته باشد. همه حافظه‌ها نباید به اشتراک گذاشته شوند؛ پیش‌نویس‌های شخصی، اطلاعات مشتریان و دستورالعمل‌های مشترک تیمی ممکن است به مرزهای دسترسی متفاوتی نیاز داشته باشند.
مدیران تیم باید مالکیت دارایی‌ها، نسخه‌ها و قابلیت مشاهده آن‌ها را مدیریت کنند. این امر تضمین می‌کند که قوانین به‌روز شده محصول از نتایج قدیمی متمایز شوند و از استفاده عامل از مشخصات قدیمی پروژه جلوگیری شود. کاربران همچنین باید اطمینان حاصل کنند که سرویس پروکسی، مدل بالادستی و محدوده اشتراک‌گذاری دارایی‌ها با کار خاص آن‌ها سازگار است.
در حالی که حافظه، شواهد تاریخی و متدهای قابل استفاده مجدد را فراهم می‌کند، خروجی‌های نهایی همچنان نیاز به بازبینی دارند. توصیفات انتشار (Release descriptions) و آموزش‌های ادغام، به‌ویژه باید منعکس‌کننده مستندات جاری باشند و در محیط هدف بررسی شوند.
چرخش به سمت هوش مصنوعی مبتنی بر دارایی
این حرکت نشان‌دهنده چرخش از «مهندسی پرامپت» (Prompt Engineering) به سمت «مدیریت دارایی‌های دانشی» است. با تبدیل تجربه به یک دارایی نسخه‌بندی شده، تیم‌ها هزینه کشف مجدد متدها را در هر بار تغییر IDE، ابزارهای خط فرمان یا اپلیکیشن‌های دسکتاپ کاهش می‌دهند. این رویکرد مشابه استراتژی‌های پیشرفته‌تری است که در ابزارهایی مانند SignalForge برای شناسایی تغییرات استراتژیک رقبا از طریق حافظه پایدار Hindsight به کار گرفته می‌شود تا تداوم تحلیل در طول زمان حفظ شود.
برای توسعه‌دهنده، این بدان معناست که ابزار تنها یک رابط (Interface) است، اما حافظه، مالکیت فکری تیم محسوب می‌شود. بهره‌وری حاصل از توانایی عامل در ورود به یک تسک با یک تاریخچه حرفه‌ای پیش‌بارگذاری شده است.
چه تیم در حال پیش‌نویس توصیف یک نسخه جدید باشد و چه در حال رفع یک باگ پیچیده، هدف این است که هر تسک، یک دارایی قابل استفاده برای عامل بعدی به جای بگذارد. این امر باعث ایجاد اثر ترکیبی از دانش سازمانی در لایه‌های هوش مصنوعی می‌شود. ادغام دسکتاپ DSH نقطه ورود دیگری به این رویکرد است و به تیم‌ها اجازه می‌دهد تجربه خود را پس از هر بار استفاده، گسترش داده و اصلاح کنند.
گام بعدی شما
- اگر از کلاینت‌های مختلف DeepSeek استفاده می‌کنید، ساختار TencentDB Agent Memory را برای متمرکز کردن دانش پروژه بررسی کنید.
- دارایی‌های تیمی خود را به چهار دسته (چت، مهارت، ویکی و گراف کد) تقسیم‌بندی کنید تا استنتاج مدل دقیق‌تر شود.
- برای هر پروژه، یک لایه دسترسی تعریف کنید تا اطلاعات حساس با دستورالعمل‌های عمومی مخلوط نشوند.
اما این تنها بخشی از معماری حافظه است؛ اثر این رویکرد بر کاهش هزینه‌های استنتاج را در گزارش بعدی بررسی خواهیم کرد.
گفتگو