اگر در حال ساخت عاملی هستید که ماه‌ها فعال می‌ماند، متوجه خواهید شد که روش‌های رایج حافظه به‌سرعت شکست می‌خورند. شما یا با لبریز شدن پنجره متنی مواجه می‌شوید یا می‌بینید عامل شما اشتباهاتی را تکرار می‌کند که هفته‌ها پیش اصلاح کرده بودید. این چالش‌ها با یافته‌های اخیر هم‌سو است که نشان می‌دهد بسیاری از عامل‌های پیشرفته در محیط‌های پیچیده هنوز با سد موفقیت ۶۰ درصدی مواجه‌اند.
بسیاری از توسعه‌دهندگان حافظه را صرفاً یک ذخیره‌ساز برداری می‌بینند. اما تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی است که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — در مقیاس بلندمدت ناکارآمد است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های پنجره متنی اشاره کردیم، حجم زیاد داده‌ها دقت مدل را کاهش می‌دهد.
به نقل از راهنمای فنی منتشرشده در ۱۸ مه ۲۰۲۶ در وب‌سایت dev.to، راهکار جایگزین، یک خط لوله تقطیر رفتاری است. این معماری از چهار نوع حافظه استفاده می‌کند:
- کاری (Working)
- رویدادی (Episodic)
- معنایی (Semantic)
- رویه‌ای (Procedural)
یک موتور مشاهده (Observation Engine) شبانه، سیگنال‌های خام را پردازش می‌کند تا الگوهای تکراری را به قوانین تبدیل کند. برای مثال، اگر کاربر سه بار علامت نقطه-کاما را از پیش‌نویس‌هایش حذف کند، موتور قانونی می‌سازد با این مضمون: «هرگز از نقطه-کاما استفاده نکن». این رویکرد برای کاهش تکرارهای بیهوده، مشابه راهکاری است که در پروژه‌ی AICTX برای کاهش ۵۰ درصدی جست‌وجوهای تکراری در مخازن کد به کار گرفته شده است.
برای جلوگیری از لبریز شدن حافظه، یک سیستم فشرده‌سازی به کار می‌رود. رویدادهای خام (لایه ۰) پس از ۳۰ روز به سوابق هفتگی (لایه ۱) و پس از ۹۰ روز به خلاصه‌های ماهانه (لایه ۲) تبدیل می‌شوند. طبق مستندات این پروژه، این فرآیند در لایه اول، نسبت ذخیره‌سازی ۸ به ۱ را ایجاد می‌کند.
این رویکرد فرض بنیادی حافظه را تغییر می‌دهد. هدف دیگر «پیدا کردن سند درست» نیست، بلکه «حفظ یک پروفایل رفتاری» است. با اولویت دادن به قوانین رویه‌ای بر رویدادهای خام، توسعه‌دهندگان می‌توانند دقت بالا را با مصرف توکن بسیار کم به دست آورند.
گام بعدی شما
- برای پیاده‌سازی این سیستم، از رمزگذارهای متنی مانند خانواده E5 استفاده کنید تا نفی‌ها را درست تشخیص دهد.
- برای رعایت قوانین حریم خصوصی (GDPR)، از فضای نام‌های کاربر-محور استفاده کنید تا حذف کامل داده‌ها در تمام لایه‌ها ممکن باشد.
- بررسی کنید که کدام الگوهای رفتاری کاربران شما بیشترین تکرار را دارند تا موتور مشاهده را بهینه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو