اگر از رفتارهای غیرقابل‌پیش‌بینی و «حس‌محور» عامل‌های هوش مصنوعی خسته شده‌اید، احتمالاً با مشکل اشباع حافظه رو‌به‌رو هستید. انمار هانی در ۲۶ ژوئیه ۲۰۲۶ با انتشار Swarmvault، رویکردی تهاجمی را برای حذف ویژگی‌های تکراری در پیش گرفت که باعث کندی و خطای مدل‌ها می‌شد. او معتقد است کتابخانه گسترده‌ای از مهارت‌های هوش مصنوعی اغلب به تله‌ای تبدیل می‌شود که عملکرد مدل را تخریب می‌کند. این دیدگاه با تحلیل‌های ما هم‌راستا است که نشان می‌دهد چگونه استخراج الگوهای منطقی می‌تواند جایگزین نصب گسترده و بی‌رویه مهارت‌ها شود تا از سردرگمی مدل جلوگیری شود.
بسیاری از چارچوب‌های فعلی، توسعه‌دهندگان را مجبور می‌کنند پیش از نوشتن اولین خط کد، با تنظیمات پیچیده و تعداد زیادی عامل دست‌وپنجه نرم کنند تا بتوانند آن‌ها را به‌درستی مدیریت کنند. در این میان، افزودن مهارت‌های زیاد، پنجرهٔ زمینه (Context Window) — مثل میز کاری که جا برای چند ورق دارد، نه برای کل کتابخانه — را پر می‌کند و در نتیجه مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه خوانده و حالا با همان لحن جواب می‌دهد — به‌جای بهبود، ضعیف‌تر می‌شود. Swarmvault این مشکل را با حفظ مجموعه‌ای حداقلی از ابزارهای اصلی حل می‌کند که هر انسانی بتواند آن‌ها را در ذهن خود نگه دارد. این رویکرد در واقع پاسخی به چالش‌های مدیریت ابزارهاست، مشابه آنچه در بحث زرادخانه‌های پویا در برابر فراخوانی‌های سخت‌افزاری برای بهینه‌سازی دسترسی به مهارت‌ها بررسی کردیم.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت و مدیریت حافظه در مدل‌های بازمتن اشاره کردیم، کنترل دقیق روی ورودی‌ها کلید پایداری است. طبق مستندات این پروژه در dev.to، Swarmvault بر یک گردش‌کار سخت‌گیرانه تمرکز دارد: یک مصاحبه برای استخراج نیازمندی‌ها که منجر به تدوین یک سند واقعی «مشخصات نرم‌افزاری» (SRS) می‌شود، و سپس تصمیمات طراحی و بلیت‌های کاری با ترتیب وابستگی مشخص که در آن‌ها، تست‌ها بخشی از «تعریف پایان کار» (Definition of Done) هستند.
فلسفهٔ طراحی
- قدرت عدد ۱۳: این سیستم دقیقاً از ۱۳ مهارت تشکیل شده است. این عدد یک هدف پیش‌فرض نبود، بلکه نتیجهٔ بازنویسی مهارت‌های موجود با مدل Claude برای این بود که مهارت‌ها با هم هماهنگ شوند و هم‌پوشانی‌ها حذف گردند.
- حفاظت از زمینه: هر مهارت هزینه دارد و افزودن تعداد زیاد از آن‌ها، کیفیت مدل را کاهش می‌دهد. برای نیازهای جدید، به‌جای تعریف مهارت‌های کامل که برای تصاحب زمینه با هم رقابت کنند، از افزونه‌های بسیار سبک (Thin Extensions) استفاده می‌شود.
- قابلیت جابه‌جایی مستقل: هر مهارت به‌صورت مستقل اجرا می‌شود. شما می‌توانید یک مهارت را در هر دایرکتوری مهارت‌های عامل کپی کنید و بدون نیاز به خزانه، اسکریپت یا مهارت‌های همسایه، آن را اجرا کنید؛ زیرا این مهارت‌ها از یک «مشخصات فنی» (Spec) پیروی می‌کنند، نه از یک «حس یا فضای کلی» (Vibe).
بر اساس مستندات پروژه، یک مدل قوی در هر مرحله از مسیر، کارها را بازرسی می‌کند تا «کدهای پرکننده» — یعنی مراسمات کدنویسی غیرضروری یا مستنداتی که فقط برای کامل به نظر رسیدن نوشته شده‌اند و کسی آن‌ها را نمی‌خواند — حذف شوند و دقت محصول نهایی افزایش یابد. این تأکید بر بازرسی دقیق و خروجی‌های واقعی، یادآور تحلیل ما در مورد دلایل شکست لایه‌های گزارش‌دهی در مقیاس واقعی است که در آن متوجه شدیم موفقیت عامل‌ها بیش از آنکه به پرامپت وابسته باشد، به کدهای خروج (Exit Codes) و بازرسی‌های سخت‌گیرانه بستگی دارد.
معماری فنی
- خزانه (The Vault): یک پوشه ساده که به پنج دسته تقسیم شده است: ۱۰ پروژه‌ها، ۲۰ حافظه، ۳۰ برنامه‌ها، ۴۰ جلسات و ۵۰ تصمیمات.
- همگام‌سازی بدون وابستگی: یک اسکریپت واحد به هر عامل (Agent) — برنامه‌ای که می‌تواند اهداف را تحلیل کرده و ابزارها را به کار بگیرد — قابلیت پرس‌وجو (Query)، همگام‌سازی (Sync)، ادعا (Claim) و دسترسی به زمینه در خزانه را می‌دهد.
- سازگاری با پلتفرم‌ها: این ابزار به‌صورت بومی با Claude Code، Codex و Cursor کار می‌کند و پشتیبانی «بهترین تلاش» (Best-effort) را برای Gemini CLI، OpenCode و Copilot ارائه می‌دهد.
- کنترل مستقیم: هیچ پردازش پس‌زمینه، تماس شبکه‌ای یا سیستم تله‌متری در آن فعال نیست؛ مگر اینکه ارکستراتور فعال شده باشد.
- پشتیبانی از سیستم‌عامل: پشتیبانی درجه‌یک (First-class) از لینوکس، مک و WSL؛ در حالی که پشتیبانی از ویندوز بومی به‌صورت «بهترین تلاش» پیاده شده است.
ارکستراسیون و هوشمندی
- توزیع مدل‌ها: ارکستراتور اختیاری، کارها را بر اساس نقاط قوت هر مدل در انجام وظایف خاص و با در نظر گرفتن محدودیت‌های مصرف (Quota)، بین پلتفرم‌های مختلف تقسیم می‌کند.
- یکپارچگی با CLI: افزودن یک رابط خط فرمان جدید به‌جای پلاگین، تنها از طریق یک قالب دستور اجرا (Launch-command template) انجام می‌شود. همچنین یک تخته مرکزی برای نظارت بر کل فرآیند وجود دارد.
- حل تعارض: هر بلیت کاری متعلق به کسی است که زودتر آن را «ادعا» کند تا از تداخل دو عامل موازی در انجام یک کار تکراری جلوگیری شود.
ادغام یک مهارت جدید به‌گونه‌ای طراحی شده است که یک افزونه سبک باشد، نه یک مهارت کامل که با دیگران رقابت کند. برای توسعه‌دهنده، این یعنی «وضعیت» (State) یک پروژه در واقع فقط مجموعه‌ای از فایل‌های markdown روی دیسک است. شما می‌توانید یک جلسهٔ جدید باز کنید و به‌سادگی بگویید «پروژه X را ادامه بده» و عامل دقیقاً از همان‌جایی که جلسه قبلی متوقف شده بود، شروع می‌کند.
این چرخش از طراحی «ویژگی-محور» به «محدودیت-محور»، روند فعلی صنعت را که به‌دنبال افزودن قابلیت‌های بی‌پایان به ارکستراتورهای عامل است، به چالش می‌کشد. Swarmvault قابلیت‌های طولانی پلاگین‌ها را فدای قابلیت اطمینان و خوانایی کرده و صراحتاً از خدمات میزبانی‌شده (Hosted Services) و داشبوردهای پیچیده دوری می‌کند.
اگر از ناپایداری و رفتارهای «حس‌محور» عامل‌های خود خسته شده‌اید، می‌توانید کد منبع این پروژه را که تحت مجوز MIT است در گیت‌هاب بررسی کنید تا ببینید چگونه یک مجموعه مهارت محدود، باعث بهبود ثبات می‌شود. کل سیستم به‌قدری کوچک است که می‌توان در یک بعدازظهر آن را خواند و سپس به آن اعتماد کرد تا کدهای شما را مدیریت کند.
گام بعدی شما
- اگر از ناپایداری عامل‌های خود خسته شده‌اید، کد منبع این پروژه با مجوز MIT را در گیت‌هاب بررسی کنید.
- ساختار «خزانه» (Vault) را برای مدیریت حافظه در پروژه‌های کوچک خود پیاده‌سازی کنید.
- مهارت‌های تکراری در پرامپت‌های سیستمی خود را شناسایی و با مدل‌های استدلالی ادغام کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو