پرش به محتوای اصلی
پرش به محتوای مقاله

OpenClaw حافظهٔ داخلی اضافه کرد؛ رقابت با لایهٔ حافظهٔ PLUR

·۲۵ مرداد ۱۴۰۵۳ دقیقه مطالعه۴ بازدید
OpenClaw حالا حافظه داخلی دارد. آیا هنوز به PLUR نیاز دارید؟
OpenClaw حالا حافظه داخلی دارد. آیا هنوز به PLUR نیاز دارید؟
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

ورود حافظه بومی به OpenClaw؛ حالا تداوم جلسات بدون نیاز به افزونه فراهم شده، اما تفاوت ساختاری بین «انباشت داده» در OpenClaw و «مدل زوال و تقویت» در PLUR برجسته شده است.

اگر هر بار در شروع یک جلسه کاری مجبورید استانداردهای کدنویسی پروژه را برای هوش مصنوعی تکرار کنید، دوران این اتلاف وقت به پایان رسیده است. OpenClaw اکنون حافظهٔ بومی بین‌جلسه‌ای را فعال کرده تا مشاهده‌ها و زمینه‌های سطح پروژه را مستقیماً در خود ذخیره کند.

این به‌روزرسانی در حالی رخ می‌دهد که عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیاران اداری که هر روز صبح با یادداشت‌های روز قبل شروع به کار می‌کنند — از پنجره‌های چت ساده به همکارانی دائمی تبدیل می‌شوند. برای اکثر کاربران، این سیستم مانند یک دفترچه یادداشت دیجیتال عمل می‌کند که هر چه عامل انجام داده و کاربر چه خواسته را به خاطر می‌سپارد و اصطکاک پرامپت‌های تکراری را حذف می‌کند.

همان‌طور که در تحلیل قبلی ما درباره‌ی پروتکل‌های ارتباطی عامل‌ها اشاره کردیم، تداوم حافظه کلید بهره‌وری است. طبق گزارشی در dev.to که در ۱۵ اوت ۲۰۲۶ منتشر شد، OpenClaw این قابلیت را از طریق یادداشت‌های هر جلسه که در یک پایگاه‌داده SQLite محلی فهرست شده‌اند، مدیریت می‌کند. این سیستم از جست‌وجوی کلیدواژه‌ای و بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که همسایگی معنایی آن را مشخص می‌کند — در کنار وارد کردن داده‌ها از Codex و Claude Code پشتیبانی می‌کند. این رویکرد در حالی است که برخی توسعه‌دهندگان برای کنترل بیشتر، جایگزینی پایگاه‌داده‌های برداری با Git و Markdown را برای حافظهٔ عامل‌ها ترجیح می‌دهند.

با این حال، این حافظه یک حلقه بسته است و با PLUR تفاوت بنیادین دارد. در حالی که حافظه OpenClaw فقط محدود به پلتفرم خودش است، PLUR یک لایه حافظه مشترک میان Claude Code، Cursor، Codex و Hermes فراهم می‌کند.

تفاوت‌های فنی

  • مدل یادگیری: OpenClaw صرفاً داده‌ها را انباشته می‌کند، اما PLUR از یک مدل فعال‌سازی و زوال (برگرفته از ACT-R) استفاده می‌کند؛ یعنی حقایقی که بیشتر تأیید شوند تقویت شده و اطلاعات قدیمی کمرنگ می‌شوند.
  • شفافیت: فهرست SQLite در OpenClaw غیرشفاف است، اما PLUR «انگرام‌ها» را به صورت فایل‌های متنی YAML در مسیر ~/.plur/ ذخیره می‌کند که خواندن، ویرایش و کنترل نسخه آن‌ها ممکن است.
  • توزیع: PLUR دارای یک بازارچه برای نصب بسته‌های زمینه (Context Packs) پیش‌آموزش‌دیده برای چارچوب‌های خاص است، قابلیتی که OpenClaw فاقد آن است.

برای توسعه‌دهنده‌ای که فقط در یک محیط کار می‌کند، حافظه داخلی به دلیل رایگان بودن و عدم نیاز به تنظیمات، کافی است. اما برای تیم‌هایی که دانش سازمانی ارزشمندی دارند، یک لایه unified حیاتی است. استفاده از PLUR در کنار OpenClaw اجازه می‌دهد توسعه‌دهنده هم از سرعت بازیابی داخلی بهره ببرد و هم یک پایگاه دانش قابل‌حمل داشته باشد که در تمام ابزارهای هوش مصنوعی او جابه‌جا شود.

این وضعیت سلسله‌مراتب جدیدی در پشته فناوری ایجاد می‌کند: حافظه بومی برای راحتی، و لایه‌های انگرام خارجی برای حاکمیت و قابلیت جابه‌جایی. انتخاب شما بستگی به این دارد که حافظه عامل خود را یک حافظه موقت (Cache) ابزاری ببینید یا یک دارایی حرفه‌ای قابل‌حمل.

گام بعدی شما

  • برای ایجاد دایرکتوری محلی انگرام‌ها، دستور npx @plur-ai/mcp init را اجرا کنید.
  • اگر از OpenClaw استفاده می‌کنید، PLUR را به عنوان افزونه با دستور openclaw plugins install @plur-ai/claw نصب کنید.
  • بررسی کنید کدام بخش از دانش پروژه شما نیاز به «تثبیت» در PLUR دارد تا در تمام ابزارها در دسترس باشد.

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

چرا این موضوع مهم است؟

این رقابت تعیین می‌کند که آیا حافظه عامل‌ها در حصار شرکت‌های نرم‌افزاری باقی می‌ماند یا به استانداردی باز تبدیل می‌شود. بر اساس تجربه استقرار ابزارهای Agentic، قابلیت جابه‌جایی حافظه تنها راه جلوگیری از وابستگی شدید (Vendor Lock-in) به یک پلتفرم خاص است.

تأثیر برای ایران

توسعه‌دهندگان ایرانی می‌توانند با استفاده از PLUR، پایگاه دانش پروژه‌های خود را مستقل از ابزارهای ابری مدیریت کنند و از محدودیت‌های احتمالی دسترسی به اکوسیستم‌های بسته در آینده بکاهند.

·نگاه ما
تحریریه دات‌هوش

تفکیک حافظه به دو لایه «راحتی» (بومی) و «حاکمیت» (خارجی) نشان می‌دهد که مالکیت داده‌های استدلالی در حال تبدیل شدن به یک دارایی استراتژیک است. دیگر بحث بر سر توانایی مدل در یادآوری نیست، بلکه بحث بر سر این است که چه کسی کنترل «انگرام‌های» دانش را در دست دارد تا بتواند آن‌ها را بین مدل‌های مختلف منتقل کند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.