تصور کنید عامل‌های هوش مصنوعی شما در تاریکی مطلق کار می‌کنند و از اطلاعاتی که هم‌تیمی‌هایشان دارند کاملاً بی‌خبرند. اگر هنوز از حافظه‌های مجزا برای هر عامل استفاده می‌کنید، در واقع دارید هوش سیستم خود را در سیلوهای بسته می‌سوزانید.
در ۴ مه ۲۰۲۶، شرکت Eidetic Labs نسخه‌ی ۱.۰ ابزار Stigmem را منتشر کرد؛ یک مشخصات فنی و پیاده‌سازی متن‌باز برای ایجاد یک بستر دانش فدرال. به نقل از وبلاگ رسمی این پروژه در dev.to، این سیستم با حذف پروتکل‌های پیچیده‌ی ارتباطی نقطه‌به‌نقطه، به عامل‌ها اجازه می‌دهد «ردپاهایی» از اطلاعات را در محیط مشترک به جای بگذارند.
این معماری بر پایه‌ی مفهوم استیگمرژی (Stigmergy) طراحی شده است؛ مکانیزم هماهنگی در کلونی‌های مورچه‌ها که در آن هوش سیستم نه از طریق یک کنترل‌کننده‌ی مرکزی، بلکه از طریق تغییرات محیطی ظهور می‌کند. در این مدل، عامل‌ها حقایقی را با برچسب منشأ در یک زیرلایه مشترک می‌نویسند. این داده‌ها شامل موارد زیر هستند:
- موجودیت (Entity): موضوع مورد بحث (مثلاً
user:alice). - رابطه (Relation): گزاره‌ی ارتباطی (مثلاً
memory:prefers). - میزان اطمینان (Confidence): امتیازی بین ۰.۰ تا ۱.۰ که در صورت عدم تقویت، به مرور زمان کاهش می‌یابد تا از انباشت داده‌های قدیمی جلوگیری شود.
- دامنه (Scope): مرزهای دسترسی سخت‌گیرانه از حالت عمومی و شرکتی تا خصوصی.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی معماری‌های عامل‌محور (Agentic) اشاره کردیم، چالش اصلی همواره مدیریت کانتکست در مقیاس بالا بوده است. Stigmem برای حل این مشکل با پروتکل کانتکست مدل (Model Context Protocol - MCP) ادغام شده است. طبق اعلام سازندگان، این یعنی هر محیط سازگار با MCP مانند Claude Code، Cursor یا Zed می‌تواند از ابزارهای کلیدی این سیستم استفاده کند.
این رویکرد نیاز به مدیریت دستی بردار معنایی (Embedding) یا خط لوله‌های بازیابی را از بین می‌برد و تضادهای اطلاعاتی را به جای پاک کردن، به عنوان «سوابق درگیری» ثبت می‌کند تا مسیر استدلال عامل‌ها کاملاً شفاف و قابل بازرسی باشد.
اما این تنها بخشی از معماری است؛ تأثیر این رویکرد بر کاهش هزینه‌های استنتاج (Inference) را در گزارش بعدی بررسی خواهیم کرد.
گام بعدی شما
- بررسی مستندات MCP برای ادغام Stigmem در محیط توسعه خود.
- مطالعه‌ی پیش‌نویس «پوش فعال‌ساز قصد» (Intent envelope) برای مدیریت بهتر اهداف عامل‌ها.
- تست پیاده‌سازی‌های فعلی بر پایه‌ی FastAPI و SQLite برای ارزیابی سرعت بازیابی داده‌ها.
گفتگو