تصور کنید یک عامل هوش مصنوعی تکه‌ای از اطلاعات را با اطمینان کامل از پایگاه‌داده استخراج می‌کند، اما باز هم پاسخ اشتباه می‌دهد؛ فقط به این دلیل که از «درِ غلط» وارد شده است. طبق گزارشی که در ۲۸ اوت ۲۰۲۶ در وب‌سایت dev.to منتشر شد، این شکست‌ها به‌ندرت ناشی از ضعف در سیستم بازیابی (Weak RAG) هستند و در واقع به دلیل نبود یک «قرارداد حافظه» (Memory Contract) رخ می‌دهند که تعیین کند چه چیزی باید به خاطر سپرده شود و عامل چگونه به آن دسترسی یابد. نویسنده استدلال می‌کند وقتی ایندکس کردن داده‌ها گران است اما ورودی‌ها «زباله» هستند، عامل هوش مصنوعی صرفاً با سرعت بیشتری به اشتباه می‌رسد.
این وضعیت شبیه به کتابداری در یک آرشیو عظیم است. حتی با داشتن یک ایندکس بی‌نقص، اگر کتابدار به جای کاتالوگ رسمی، شروع به جست‌وجو در سطل زباله کند، تکه‌هایی از اطلاعات را پیدا می‌کند که «درست» به نظر می‌رسند اما در واقع منسوخ شده‌اند. این همان مشکل اصلی تکیه بر جست‌وجوی شباهت (Similarity Search) در محیط‌های پیچیده است. اگر عامل به جای مرکز مدیریت (Hub)، یک فایل پشتیبان قدیمی (.bak) را با دستور grep بخواند، دیگر فرقی نمی‌کند که لوگوی پایگاه‌داده شما چقدر پیشرفته باشد؛ شما عملاً یک هزارتو را ایندکس کرده‌اید.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مدیریت دسترسی به داده‌ها کلید ثبات سیستم است. در چشم‌انداز سال ۲۰۲۶، بحث از «کدام پایگاه‌داده برداری را انتخاب کنیم» به این تغییر کرده است که آیا از بردارها، گراف‌ها یا ترکیبی از هر دو استفاده کنیم. نویسنده نمایی از توازن‌های فعلی را ارائه می‌دهد:
- تولید بازیابی‌افزا برداری (Vector RAG): معمولاً در جست‌وجوهای ساده برنده است، مانند «مهلت این قرارداد چیست؟».
- GraphRAG: در ترکیب مفاهیم بین موجودیت‌ها می‌درخشد، مانند «ریسک‌های کلی در تمام قراردادها چیست؟»، اما هزینه نگهداری آن به طور قابل توجهی بالاتر است.
- رویکرد ترکیبی (Hybrid): به عنوان یک مسیریاب (Router) بین این دو عمل می‌کند.
بردار معنایی (Embedding) — که مثل کارت معرفی عددی برای هر واژه است و می‌گوید این کلمه همسایه‌ی چه کلمات دیگری است — می‌تواند از نظر ریاضی «درست» باشد، اما اگر به یک راهنمای مرده یا یک سیاست حذف‌شده اشاره کند، بی‌فایده است. نویسنده اشاره می‌کند که بدون قرارداد، یک عامل ممکن است خاطرات روزانه را با دفترچه راهنمای فنی در یک پنجره زمینه (Context Window) — شبیه به میز کاری که فقط جای چند ورق دارد — ترکیب کند و قوانینی وارونه را با اطمینان کامل ارائه دهد. قرارداد حافظه جایگزین GraphRAG برای ترکیب موجودیت‌ها نمی‌شود، بلکه با کنترل نقطه ورود، از روز اول ارزش‌آفرین است.
برای جلوگیری از جست‌وجو در «قبرستان فایل‌های قدیمی»، چهار رکن برای قرارداد حافظه پیشنهاد شده است که می‌تواند در هر مخزنی (Vault) جای بگیرد:
- منبع واحد مرجع (Single Canonical Source): ایجاد یک مخزن اصلی؛ هر چیز دیگری یا یک آینه (Mirror) است یا زباله. این تنها منبع حقیقت است.
- محدوده‌های تعریف‌شده (Defined Scopes): دسته‌بندی داده‌ها به جعبه‌هایی مثل «شخصی»، «شغلی»، «عملیاتی» یا «متا». هر صفحه جدید باید جعبه خود را اعلام کند تا جست‌وجو، گزارش‌های حوادث را با یادداشت‌های روزانه ترکیب نکند.
- ورود اول-هاب (Hub-First Entry): عامل باید ابتدا یک محدوده را انتخاب و یک «هاب» را باز کند و سپس جست‌وجو کند. جست‌وجو یک مکمل است؛ استفاده از grep برای یافتن «X کجاست؟» بدون باز کردن هاب، یک الگوی ضدکارآمد (Anti-pattern) است.
- حداقل دسترسی حافظه (Memory Least Privilege): ممنوعیت شدید ورود اسرار، اطلاعات شناسایی شخصی (PII) و پرونده‌های شناسایی‌شده شرکت به بستر متن. این یک الزام حاکمیتی (Governance) است، نه یک ویژگی در ابزارهایی مثل Pinecone.
این رویکرد مشکل «هزارتو» را حل می‌کند، جایی که عامل‌ها با باز کردن فایل‌های متعدد، توکن‌های زیادی را هدر می‌دهند. در تحلیل‌های فنی این گزارش، تفاوت بین «چرخش‌های گران» و «چرخش‌های ارزان» در متن گفتگوها برجسته شده است:
- چرخش گران: عامل در کل حافظه عبارت «memory» را جست‌وجو می‌کند، یک فایل README.bak را می‌خواند و سه فایل زباله دیگر را بررسی می‌کند تا در نهایت پاسخی با قوانین وارونه اما با اطمینان بالا بدهد.
- چرخش ارزان: عامل محدوده را روی
scope = meta / opsتنظیم می‌کند، هاب مرجع را می‌خواند و تنها در صورت نیاز جست‌وجوی تکه تکه انجام می‌دهد. در این حالت، پاسخ صراحتاً ذکر می‌کند که از کدام هاب استفاده شده است.
در مشاهده‌ای جداگانه درباره ایندکس کردن کدها، نویسنده دریافت که عامل‌ها اغلب کل فایل‌های تست (Test Dumps) را در چت می‌ریزند. این اتفاق باعث می‌شود پنجره زمینه سریعاً ناپدید شده و هزینه‌ها به شدت افزایش یابد؛ زیرا عامل فاقد حافظه دامنه (Domain Memory) است و کل مخزن کد (Monorepo) را به عنوان یک هزینه خواندن تخت و یکنواخت می‌بیند. این چالش در پردازش حجم عظیم داده‌ها مشابه موانعی است که در سیستم‌های غربالگری مدارک جنایی با هوش مصنوعی برای کاهش زمان بررسی شواهد با آن‌ها روبرو هستیم.
برای متخصصان، دلیل اثبات این ادعا در متن گفتگوها (Transcript) است. اگر عاملی نمی‌تواند ذکر کند که برای یافتن پاسخ از کدام هاب وارد شده، شما فقط یک ایندکس دارید، نه یک قرارداد. هدف، حرکت از «حدس بر اساس شباهت» به سمت «مسیر ساختاریافته» است. این تغییر، معیار موفقیت RAG را از نرخ بازیابی ساده به «دقت نقطه ورود» (Entry-point Accuracy) تغییر می‌دهد. این نشان می‌دهد که مرز بعدی در جریان‌های کاری عامل‌محور، مدل‌های بزرگ‌تر نیست، بلکه حاکمیت سخت‌گیرانه‌تر بر نحوه پیمایش داده‌های خصوصی است.
گام بعدی شما
- بررسی کنید آیا عامل‌های شما در پاسخ‌ها به فایل‌های منسوخ یا نسخه‌های پشتیبان (Backup) ارجاع می‌دهند یا خیر.
- برای داده‌های خود یک ساختار «هاب-مرکز» تعریف کنید تا عامل ابتدا محدوده (Scope) را تعیین کند.
- در پرامپت سیستمی، الزام کنید که عامل نام منبع یا هابی که از آن استفاده کرده را در پاسخ ذکر کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو