🤖 روش GAM: حافظهٔ بدون‌اتلاف برای ایجنت‌های هوشمند
پژوهشگران رویکرد تازه‌ای برای مدیریت حافظهٔ ایجنت‌های هوش مصنوعی معرفی کرده‌اند: General Agentic Memory (GAM).
برخلاف روش‌های سنتی مبتنی بر فشرده‌سازی ایستا (AOT)، این سیستم از رویکرد نوعی JIT برای حافظه استفاده می‌کند.
🔹 واحد Memorizer تمام تاریخچه و نقاط کلیدی را بدون حذف در page-store ذخیره می‌کند.
🔹 واحد Researcher هنگام نیاز، یک فرایند «تحقیق عمیق» اجرا می‌کند: برنامه‌ریزی، جستجو و استخراج دقیق اطلاعات مرتبط.
📊 دستاوردهای GAM:
• عملکرد بهتر نسبت به A-Mem، Mem0 و MemoryOS در بنچمارک‌های LoCoMo، HotpotQA و RULER
• پشتیبانی پایدار از زمینه‌هایی تا ۴۴۸ هزار توکن
• کارایی نزدیک به بهترین روش‌های موجود در سیستم‌های حافظهٔ ایجنتیک
این نتایج نشان می‌دهد جستجوی انعطاف‌پذیر روی کل تاریخچه می‌تواند مؤثرتر از فشرده‌سازی پیشینی حافظه باشد. 🚀
🔗 ریپوی پروژه:
https://github.com/VectorSpaceLab/general-agentic-memory
🔗 متن مقاله:
https://arxiv.org/abs/2511.18423
#AI #AgenticAI #Memory #Research
پژوهشگران رویکرد تازه‌ای برای مدیریت حافظهٔ ایجنت‌های هوش مصنوعی معرفی کرده‌اند: General Agentic Memory (GAM).
برخلاف روش‌های سنتی مبتنی بر فشرده‌سازی ایستا (AOT)، این سیستم از رویکرد نوعی JIT برای حافظه استفاده می‌کند.
🔹 واحد Memorizer تمام تاریخچه و نقاط کلیدی را بدون حذف در page-store ذخیره می‌کند.
🔹 واحد Researcher هنگام نیاز، یک فرایند «تحقیق عمیق» اجرا می‌کند: برنامه‌ریزی، جستجو و استخراج دقیق اطلاعات مرتبط.
📊 دستاوردهای GAM:
• عملکرد بهتر نسبت به A-Mem، Mem0 و MemoryOS در بنچمارک‌های LoCoMo، HotpotQA و RULER
• پشتیبانی پایدار از زمینه‌هایی تا ۴۴۸ هزار توکن
• کارایی نزدیک به بهترین روش‌های موجود در سیستم‌های حافظهٔ ایجنتیک
این نتایج نشان می‌دهد جستجوی انعطاف‌پذیر روی کل تاریخچه می‌تواند مؤثرتر از فشرده‌سازی پیشینی حافظه باشد. 🚀
🔗 ریپوی پروژه:
https://github.com/VectorSpaceLab/general-agentic-memory
🔗 متن مقاله:
https://arxiv.org/abs/2511.18423
#AI #AgenticAI #Memory #Research
GitHub
GitHub - VectorSpaceLab/general-agentic-memory: A general memory system for agents, powered by deep-research
A general memory system for agents, powered by deep-research - VectorSpaceLab/general-agentic-memory
❤3✍1🔥1
👾 عامل‌های کدنویسی به حافظه بیشتر نیاز ندارند؛ به «تداوم قصد» نیاز دارند
یک برنامه‌نویس یک سیستم کامل با زبان پایتون ساخته که بدون هیچ مدل زبانی، بدون پایگاه داده برداری و بدون embedding کار می‌کند. هدفش حل یک مشکل بزرگ است: عامل‌های کدنویسی قوانین پروژه را فراموش می‌کنند.
🔍 مشکل اصلی چیست؟
فرض کنید روز اول به عامل کدنویسی می‌گویید: «هیچ‌وقت شناسه‌های داخلی دیتابیس را در پاسخ API نشان نده.» حالا ۶۰ پیام بعد، از او می‌خواهید یک سیستم ورود جدید بسازد. این درخواست جدید هیچ ربطی به شناسه‌ها ندارد، پس عامل دلیلی نمی‌بیند قانون قبلی را یادآوری کند. نتیجه؟ یک API می‌سازد که دقیقاً همان اطلاعاتی را بیرون می‌ریزد که نمی‌خواستید.
🧠 چرا بزرگ‌تر کردن حافظه کافی نیست؟
خیلی‌ها فکر می‌کنند اگر پنجره کانتکست مدل را بزرگ‌تر کنیم، مشکل حل می‌شود. اما این‌طور نیست. حتی اگر مدل همه اطلاعات قبلی را داشته باشد، باز هم باید خودش بفهمد که آن قانون قدیمی به این کار جدید مربوط است. مشکل «فراموشی» نیست؛ مشکل «نفهمیدن ارتباط» است.
💡 تداوم قصد یعنی چه؟
سه سوال جدا از هم وجود دارد:
🔹 بازیابی: چه اطلاعات قدیمی ممکن است به این کار مربوط باشد؟
🔹 راستی‌آزمایی: آیا آن اطلاعات هنوز معتبر است؟
🔹 تداوم قصد: کدام قانون قدیمی باید همین حالا روی این کار اثر بگذارد؟
⚙️ این سیستم چطور کار می‌کند؟
سیستم پنج مرحله دارد:
۱. پیدا کردن قوانین: پیام‌های چت را می‌خواند و جملاتی که شبیه قانون و الزام هستند را پیدا می‌کند. در آزمایش با ۷۰ گفتگو، ۱۰۰٪ قوانین را درست پیدا کرد.
۲. پیدا کردن موارد مرتبط: به‌جای جستجوی کلمه‌به‌کلمه، از یک نقشه ارتباطات بین بخش‌های سیستم استفاده می‌کند. مثلاً کار روی ورود کاربر به امنیت و API هم مربوط می‌شود.
۳. بررسی درستی: دو چیز را چک می‌کند: آیا قانون جدیدتری جای این قانون را گرفته؟ و آیا این قانون برای محیط فعلی (تولید یا آزمایش) معتبر است؟
۴. آماده‌سازی: قوانینی که از بررسی رد شدند را به یک بسته تمیز و آماده تبدیل می‌کند.
۵. نمره‌دهی: هر بار اجرا را با یک معیار ثابت امتیاز می‌دهد.
📊 نتیجه آزمایش
در ۸ کار پیچیده:
🔹 بدون حافظه: ۰ موفقیت
🔹 جستجوی کلمه‌ای ساده: ۴ موفقیت (فقط ۵۷٪ قوانین پیدا شد)
🔹 جستجوی قصد-آگاه: ۸ موفقیت (۱۰۰٪ قوانین پیدا شد)
🎯 نکته مهم
این سیستم نشان می‌دهد می‌توان بدون مدل زبانی و بدون پایگاه داده برداری، یک حافظه کارآمد برای عامل‌ها ساخت. مهم‌ترین بخش، بررسی درستی قوانین و فهمیدن این است که قانون جدید کدام قانون قدیمی را باطل می‌کند.
📄 منبع: Towards Data Science
#AI #CodingAgents #Memory
🆔 @asrgooyeshpardaz
یک برنامه‌نویس یک سیستم کامل با زبان پایتون ساخته که بدون هیچ مدل زبانی، بدون پایگاه داده برداری و بدون embedding کار می‌کند. هدفش حل یک مشکل بزرگ است: عامل‌های کدنویسی قوانین پروژه را فراموش می‌کنند.
🔍 مشکل اصلی چیست؟
فرض کنید روز اول به عامل کدنویسی می‌گویید: «هیچ‌وقت شناسه‌های داخلی دیتابیس را در پاسخ API نشان نده.» حالا ۶۰ پیام بعد، از او می‌خواهید یک سیستم ورود جدید بسازد. این درخواست جدید هیچ ربطی به شناسه‌ها ندارد، پس عامل دلیلی نمی‌بیند قانون قبلی را یادآوری کند. نتیجه؟ یک API می‌سازد که دقیقاً همان اطلاعاتی را بیرون می‌ریزد که نمی‌خواستید.
🧠 چرا بزرگ‌تر کردن حافظه کافی نیست؟
خیلی‌ها فکر می‌کنند اگر پنجره کانتکست مدل را بزرگ‌تر کنیم، مشکل حل می‌شود. اما این‌طور نیست. حتی اگر مدل همه اطلاعات قبلی را داشته باشد، باز هم باید خودش بفهمد که آن قانون قدیمی به این کار جدید مربوط است. مشکل «فراموشی» نیست؛ مشکل «نفهمیدن ارتباط» است.
💡 تداوم قصد یعنی چه؟
سه سوال جدا از هم وجود دارد:
🔹 بازیابی: چه اطلاعات قدیمی ممکن است به این کار مربوط باشد؟
🔹 راستی‌آزمایی: آیا آن اطلاعات هنوز معتبر است؟
🔹 تداوم قصد: کدام قانون قدیمی باید همین حالا روی این کار اثر بگذارد؟
⚙️ این سیستم چطور کار می‌کند؟
سیستم پنج مرحله دارد:
۱. پیدا کردن قوانین: پیام‌های چت را می‌خواند و جملاتی که شبیه قانون و الزام هستند را پیدا می‌کند. در آزمایش با ۷۰ گفتگو، ۱۰۰٪ قوانین را درست پیدا کرد.
۲. پیدا کردن موارد مرتبط: به‌جای جستجوی کلمه‌به‌کلمه، از یک نقشه ارتباطات بین بخش‌های سیستم استفاده می‌کند. مثلاً کار روی ورود کاربر به امنیت و API هم مربوط می‌شود.
۳. بررسی درستی: دو چیز را چک می‌کند: آیا قانون جدیدتری جای این قانون را گرفته؟ و آیا این قانون برای محیط فعلی (تولید یا آزمایش) معتبر است؟
۴. آماده‌سازی: قوانینی که از بررسی رد شدند را به یک بسته تمیز و آماده تبدیل می‌کند.
۵. نمره‌دهی: هر بار اجرا را با یک معیار ثابت امتیاز می‌دهد.
📊 نتیجه آزمایش
در ۸ کار پیچیده:
🔹 بدون حافظه: ۰ موفقیت
🔹 جستجوی کلمه‌ای ساده: ۴ موفقیت (فقط ۵۷٪ قوانین پیدا شد)
🔹 جستجوی قصد-آگاه: ۸ موفقیت (۱۰۰٪ قوانین پیدا شد)
🎯 نکته مهم
این سیستم نشان می‌دهد می‌توان بدون مدل زبانی و بدون پایگاه داده برداری، یک حافظه کارآمد برای عامل‌ها ساخت. مهم‌ترین بخش، بررسی درستی قوانین و فهمیدن این است که قانون جدید کدام قانون قدیمی را باطل می‌کند.
📄 منبع: Towards Data Science
#AI #CodingAgents #Memory
🆔 @asrgooyeshpardaz
Towards Data Science
Coding Agents Don't Need Longer History — They Need Intent Continuity
I built a system that automatically discovers, verifies, and applies relevant requirements from earlier interactions without asking the user where they came from.
❤3