اگر در حال ساخت یک دستیار هوش مصنوعی هستید که باید تاریخچه کاربر را به یاد بیاورد، احتمالاً مجبورید تمام زیرساخت خود را به یک ارائه‌دهنده ابری خاص بسپارید. TerseAI در ۶ اکتبر ۲۰۲۶ با معرفی Durable Actors این بازی را تغییر داد تا توسعه‌دهندگان بتوانند بدون ترس از وابستگی به یک شرکت (Vendor Lock-in)، توابع بدون سرور دارای وضعیت را در زبان‌های تایپ‌اسکریپت و پایتون پیاده کنند.
بیشتر توابع بدون سرور (Serverless) «بدون وضعیت» یا Stateless هستند؛ یعنی مثل تخته‌سیاهی که بعد از هر پاسخ کاملاً پاک می‌شود و هیچ‌چیز از درخواست قبلی به یاد نمی‌آورد. برای ساخت ابزارهایی مثل Notion یا چت‌بات‌های پیشرفته، برنامه‌نویسان معمولاً از پایگاه‌داده‌های خارجی برای ذخیره وضعیت استفاده می‌کنند که این امر باعث ایجاد تأخیر (Latency) و پیچیدگی‌های شدید در هماهنگی داده‌ها می‌شود. Durable Actors این مشکل را حل می‌کند؛ چراکه خودِ «عامل» را به منبع حقیقت (Source of Truth) تبدیل می‌کند تا داده‌ها حتی پس از کرش کردن یا ری‌استارت شدن سرور، باقی بمانند.
زمینه و موارد استفاده
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدیریت حافظه در مدل‌های زبانی اشاره کردیم، حفظ وضعیت (State) کلید تبدیل یک چت‌بات ساده به یک عامل هوشمند است. در همین راستا، راهکار MemorySync برای تثبیت حافظه در AI تلاش می‌کند تا مشکل فراموشی در سیستم‌های چندعاملی را برطرف کند. این چارچوب در واقع جایگزینی متن‌باز برای Durable Objects شرکت کلودفلر است. این سیستم به‌طور خاص برای حذف محدودیت‌های حافظه و ایجاد قابلیت نظارت (Observability) داخلی طراحی شده است تا توسعه‌دهندگان کنترل بیشتری بر رفتار عامل‌ها داشته باشند.
طبق مستندات منتشرشده در github.com، این سیستم برای سه دسته از کاربردهای پیچیده ایده‌آل است:
- سامانه‌های چت زنده: قدرت بخشیدن به رابط‌های کاربری مشابه ChatGPT یا Codex.
- ابزارهای همکاری: ایجاد محیط‌های ویرایش چندکاربره و هم‌زمان مانند Notion.
- سربارهای عاملی (Agent Swarms): هماهنگ‌سازی سیستم‌های خودمختار و پیچیده مانند Devin.
در این سیستم، سخت‌ترین بخش‌های سیستم‌های توزیع‌شده یعنی «پایداری داده‌ها» (Persistence) و «هماهنگی» (Coordination) انتزاع شده‌اند. این رویکرد شباهت زیادی به استراتژی Dapr برای بازیابی عامل‌های هوش مصنوعی دارد که بر حذف مدیریت دستی وضعیت تمرکز کرده است. توسعه‌دهندگان یک عامل را به‌صورت یک کلاس تعریف می‌کنند و فیلدهایی که باید ذخیره شوند را با دکوراتور @Persisted علامت‌گذاری می‌کنند تا runtime به‌طور خودکار عملیات ذخیره‌سازی داده‌ها را مدیریت کند.
هسته فنی و قابلیت‌ها
از نظر فنی، این ابزار قابلیت‌های کلیدی زیر را ارائه می‌دهد:
- اجرای سریال‌شده (Serialized Execution): فراخواننده‌های هم‌زمان می‌توانند یک عامل را بدون ایجاد تداخل داده‌ها (Race Conditions) به‌روزرسانی کنند. این قابلیت برای همکاری‌های چندکاربره حیاتی است؛ مثلاً زمانی که یک عاملِ سند، ویرایش‌های چندین نفر و چندین عامل هوش مصنوعی را به‌طور هم‌زمان هماهنگ می‌کند.
- پشتیبانی از Interleave: استفاده از دکوراتور
@Interleaveاجازه می‌دهد تا در زمان انتظار برای پاسخ‌های نامتقارن (Asynchronous)، درخواست‌های دیگر نیز اجرا شوند. برای مثال، در حالی که یک پاسخ در حال استریم شدن است، سیستم می‌تواند اتصالات جدید را پردازش کند. - SDK با تایپ‌سیف: این چارچوب به‌طور خودکار کلاینت‌هایی برای پایتون و تایپ‌اسکریپت تولید می‌کند تا بک‌اند و فرانت‌اند از طریق دستور
npx durable-actors generateیک قرارداد سخت‌گیرانه و دقیق را به اشتراک بگذارند. - انعطاف در استقرار: در حالی که این ابزار از توسعه محلی با یک دستور ساده پشتیبانی می‌کند، runtime آن می‌تواند به‌صورت شخصی (Self-hosted) روی Google Cloud Platform (GCP) مستقر شود.
جزئیات پیاده‌سازی
به گزارش تیم توسعه، برای شروع کار به Node.js نسخه ۲۲.۱۹ به بالا و Bun نسخه ۱.۳.۹ به بالا نیاز است. یک پروژه با استفاده از دستور npx durable-actors init مقداردهی اولیه شده و با دستور npx durable-actors dev به‌صورت محلی اجرا می‌شود.
در یک سناریوی عملی، یک عامل چت می‌تواند تاریخچه گفتگو را ذخیره کند تا حتی اگر مدل زبانی بزرگ (LLM) دچار خطا شد یا سرور کرش کرد، اطلاعات از بین نرود. در محیط‌های چت هوش مصنوعی چندکاربره، runtime عامل‌ها را بر اساس نیاز (On-demand) بارگذاری کرده و از WebSockets برای پخش به‌روزرسانی‌های زنده به تمام کلاینت‌های متصل استفاده می‌کند. این سیستم می‌تواند با SDKهای هوش مصنوعی ادغام شود؛ مثلاً استفاده از مدل gpt-5-mini برای استریم کردن پاسخ‌های متنی مستقیماً به یک وضعیت پخش‌شده (Broadcasted State).
این تغییر رویکرد، صنعت را از الگوی سنتی «تابع بدون وضعیت + پایگاه‌داده» به سمت مدل ارگانیک‌تر «شیء دارای وضعیت» می‌برد. برای توسعه‌دهندگان، این به معنای حذف مقدار زیادی از کدهای تکراری (Boilerplate) برای مدیریت نشست‌ها (Session Management) و رسیدن به مسیری سریع‌تر برای استقرار سربارهای عاملی مانند Devin است.
شرکت TerseAI با حذف محدودیت‌های حافظه و افزودن قابلیت نظارت داخلی، دقیقاً نقاط اصطکاکی را هدف قرار داده است که معمولاً مانع از مقیاس‌پذیری عامل‌های هوش مصنوعی در محیط عملیاتی (Production) می‌شوند. قابلیت میزبانی شخصی روی GCP به سازمان‌ها اجازه می‌دهد تا کنترل کاملی بر محل ذخیره داده‌ها (Data Residency) و هزینه‌های زیرساختی خود داشته باشند.
گام بعدی شما
- اگر روی ابزارهای همکاری زنده یا عامل‌های پیچیده هوش مصنوعی کار می‌کنید، با دستور
npx durable-actors initیک پروژه محلی راه‌اندازی کنید. - مستندات GCP را برای بررسی هزینه‌های میزبانی شخصی در مقایسه با سرویس‌های Managed بررسی کنید.
- در گیت‌هاب پروژه، گسترش SDK به زبان‌های دیگر را دنبال کنید.
اما کنترل کامل روی داده‌ها تنها نیمی از مسیر است؛ برای درک چگونگی بهینه‌سازی هزینه‌های استنتاج در این مقیاس، تحلیل ما درباره‌ی تراشه‌های Blackwell را بخوانید.
گفتگو