أربع منصات ذاكرة للذكاء الاصطناعي توسّع قدرات الوكلاء والنماذج اللغوية

مع توسع استخدام الوكلاء المعتمدين على الذكاء الاصطناعي في الأعمال والبرمجة وخدمة العملاء، برزت مشكلة قديمة لكن تأثيرها اليوم أكبر من أي وقت مضى: الذاكرة. فالنماذج اللغوية الكبيرة قادرة على توليد إجابات دقيقة ومقنعة، لكنها لا تحتفظ بالسياق لفترات طويلة بالطريقة التي يحتاجها المستخدم أو التطبيق. لذلك ظهرت طبقة جديدة من الأدوات المصممة لإطالة عمر الذاكرة، وربط المحادثات السابقة بالمعلومات والوثائق والبيانات الخارجية.

الفكرة الأساسية ليست مجرد تخزين المزيد من النصوص. المطلوب هو تنظيم ما يستحق التذكر، وتحديد متى يجب استرجاعه، وكيفية إعادة صياغته داخل سياق المحادثة حتى يفيد الوكيل الذكي بدلاً من إرباكه. هنا يأتي دور أدوات الذاكرة الخارجية التي تعمل جنباً إلى جنب مع النماذج اللغوية ومع أسلوب الاسترجاع المعزز بالمعلومات، المعروف اختصاراً بـ RAG.

في هذا السياق، تبرز أربع منصات ومشاريع لافتة أصبحت من أبرز الأسماء في سوق ذاكرة الوكلاء الذكيين: Graphiti وHindsight وMem0 وSupermemory. ورغم أن الهدف النهائي متشابه، فإن كل مشروع يتبنى فلسفة مختلفة في التعامل مع البيانات والسياق والتكاملات.

Graphiti: ذاكرة مبنية على الرسوم البيانية والزمن

يقدّم Graphiti نفسه كإطار مفتوح المصدر لبناء “رسم معرفي زمني”، وهو وصف يعكس فكرة المشروع بدقة. بدلاً من التعامل مع الذاكرة ككتلة واحدة من النصوص أو السجلات، يعتمد Graphiti على بنية رسومية تربط الكيانات والأحداث والعلاقات عبر الزمن. هذه المقاربة تسمح للنظام بأن يفهم أن بعض الحقائق تتغير بمرور الوقت، وأن السياق السابق لا يجب التعامل معه دائماً باعتباره ثابتاً.

أهمية Graphiti تظهر أيضاً في دعمه لعدد كبير من مزودي النماذج اللغوية، من بينهم Anthropic وAzure OpenAI وGoogle Gemini وGroq، إضافة إلى دعمه للواجهات المتوافقة مع OpenAI وOllama، ما يجعله مناسباً للتشغيل السحابي أو المحلي على حد سواء. كما يمكنه سحب البيانات من مصادر شائعة مثل GitHub وGmail وOneDrive وNotion، وهو ما يجعله عملياً في بيئات العمل التي تتوزع فيها المعرفة عبر أدوات متعددة.

من الناحية التقنية، يحتاج تشغيل Graphiti محلياً إلى قاعدة بيانات رسوم بيانية، مع Neo4j كخيار افتراضي وأكثر الخيارات دعماً، إلى جانب Amazon Neptune وFalkorDB وKuzuDB. هذا التصميم يجعله أكثر ملاءمة للفرق التي تريد بنية ذاكرة عميقة ومترابطة، حتى لو كان ذلك على حساب البساطة التشغيلية.

Hindsight: ثلاث واجهات لإدارة التذكر والاسترجاع والتفكير

أما Hindsight فيقدّم نموذجاً مختلفاً يركّز على إدارة الذاكرة عبر مجموعة محددة من الأدوات البرمجية. المنصة متاحة كخدمة سحابية ويمكن تشغيلها محلياً أيضاً، وهي تنظّم ذاكرة الجلسات ضمن أربع فئات، مع أربع استراتيجيات للتخزين والاسترجاع. هذا التقسيم يمنح المطورين مرونة أكبر في تحديد نوع البيانات التي ينبغي حفظها وما إذا كان يجب استدعاؤها مباشرة أو تركها للنظام ليقرر متى تصبح مفيدة.

تقوم البنية البرمجية لـ Hindsight على ثلاث وظائف رئيسية: retain لحفظ المعلومة أو المحادثة، وrecall لاستدعاء ما تم تخزينه، وreflect لتشغيل حلقة استدلالية تستفيد من البيانات السابقة أثناء معالجة سؤال جديد. هذا الأسلوب يضع Hindsight في موقع مناسب للتطبيقات التي تحتاج إلى ذاكرة قابلة للتحكم الدقيق، لا مجرد أرشفة صامتة للمحادثات.

الميزة الأخرى هي مجموعة التكاملات الواسعة مع أدوات الوكلاء والنماذج، بما فيها الاستخدام مع إضافة Continue داخل Visual Studio Code. وبذلك يمكن للمطور الذي يعمل مع نموذج محلي أن يضيف ذاكرة طويلة الأمد إلى التفاعل البرمجي نفسه، مع إمكانية إدخال الذاكرة يدوياً عبر وسم خاص أو الاعتماد على قواعد إدراج تلقائية قابلة للتعديل.

Mem0: ذاكرة متعددة الطبقات للفرق والوكلاء

يأخذ Mem0 نهجاً قريباً من Hindsight لكنه يميّز نفسه بتفصيل إضافي مهم: وجود ذاكرة تنظيمية منفصلة يمكن مشاركتها بين عدة وكلاء أو بين فرق مختلفة. هذه الفكرة تعالج إحدى المشكلات المتكررة في أنظمة الذكاء الاصطناعي المؤسسية، حيث لا تكون المعرفة محصورة في جلسة واحدة أو وكيل واحد، بل تحتاج إلى مستوى أعلى من المشاركة والتنظيم.

يعتمد Mem0 على عملية تنقية أو “تقطير” للمعلومة قبل تخزينها، ثم يوزع البيانات بحسب طبيعتها على قواعد مختلفة مثل قواعد المتجهات أو الرسوم البيانية أو SQL. هذا التعدد في طبقات التخزين يساعد على التعامل مع أنواع مختلفة من الذاكرة بكفاءة، بدلاً من إجبار كل شيء على المرور عبر بنية واحدة.

ومن ناحية النشر، يدعم Mem0 خيارات شهيرة مثل Anthropic وGoogle Gemini وOpenAI، إضافة إلى أدوات وبيئات محلية مثل LangChain وLiteLLM وLM Studio وOllama. وإذا تم تشغيله محلياً، فغالباً ما يحتاج إلى بيئة Python وقاعدة بيانات متجهات خاصة به، مع Postgres وامتداد pgvector كخيار شائع وبسيط.

من أبرز سمات Mem0 أيضاً أنه لا يحذف البيانات القديمة مباشرة، بل يمكن وسمها على أنها بيانات منتهية أو أقل أولوية. هذا السلوك ينسجم مع فكرة بناء سياق طويل المدى أكثر مرونة، خاصة في الاستخدامات التي تحتاج إلى مراجعة تاريخ التفاعل بدل طيّه بالكامل.

Supermemory: جاهزية عالية وتشغيل محلي سريع

يأتي Supermemory كخيار يركز على سهولة الاستخدام وتنوع مصادر الإدخال. المنصة قادرة على استيعاب نصوص بسيطة وبيانات منظمة وملفات شائعة مثل PDF ومستندات Microsoft Office، إضافة إلى الصوت والفيديو والصور. ومن ثم تبني منها رسماً سياقياً يساعد الوكيل الذكي على فهم المحادثات والرجوع إلى المعلومة المناسبة عند الحاجة.

تتوفر المنصة كخدمة سحابية وكبرنامج مفتوح المصدر يمكن تشغيله محلياً. وفي النسخة المفتوحة المصدر، تتمثل إحدى نقاط القوة المهمة في أنها تأتي في ملف تنفيذي واحد تقريباً، ما يقلل الحاجة إلى تجهيزات معقدة أو قواعد بيانات خارجية. هذا يجعلها جذابة للتجارب السريعة وللمطورين الذين يريدون اختبار مفهوم الذاكرة دون الدخول مباشرة في بنية تحتية ثقيلة.

ورغم أن النسخة المؤسسية توفر تكاملات وخدمات توسع مثل Gmail وGoogle Drive وNotion، فإن النسخة المحلية تبقى عملية بما يكفي لسيناريوهات التطوير والاختبار. لذلك يمكن اعتبار Supermemory خياراً يوازن بين تنوع البيانات وسهولة النشر، وهو توازن قد يكون حاسماً في المراحل الأولى من بناء منتج قائم على الذكاء الاصطناعي.

ما الذي يميز هذه الأدوات عن RAG التقليدي

الاسترجاع المعزز بالمعلومات كان خطوة مهمة في تحسين موثوقية النماذج اللغوية، لكنه لا يحل كل شيء. فالمشكلة ليست فقط في العثور على المعلومة، بل في تحديد كيفية تمثيلها، ومدة صلاحيتها، وعلاقتها بما قاله المستخدم سابقاً. الأدوات الأربع هنا تحاول سد هذه الفجوة عبر منطق ذاكرة أكثر تقدماً من مجرد فهرسة نصوص وحقنها في السياق.

Graphiti يضيف طبقة زمنية ورسومية، Hindsight ينظم الذاكرة في مسارات عملية للاستدعاء والتفكير، Mem0 يمنح الشركات ذاكرة تنظيمية قابلة للمشاركة، وSupermemory يركز على سرعة الوصول وتنوع المدخلات. هذا التنوع يعكس اتجاهاً واضحاً في سوق الذكاء الاصطناعي: لم تعد المنافسة محصورة في من يبني النموذج الأكبر، بل أيضاً في من يوفر أفضل بنية للذاكرة حوله.

ومع انتقال الوكلاء الذكيين من عروض تجريبية إلى أدوات إنتاجية، ستزداد أهمية هذه الطبقة البرمجية. فالذاكرة ليست مجرد ميزة إضافية، بل عنصر أساسي في جعل المساعدات الذكية أكثر اتساقاً وفعالية وقابلية للاستخدام في البيئات الاحترافية.