اجرای تکالیف پیچیده و طولانیمدت توسط ایجنتهای مبتنی بر مدلهای زبانی بزرگ (LLM) اغلب با دو مانع اساسی مواجه میشود: سرریز شدن حافظه زمینه (Context Overflow) و از دست دادن تمرکز بر هدف اصلی (Goal Loss). گزارشهای فنی نشان میدهد که این مشکلات نه ناشی از نقص مدل، بلکه نتیجه مستقیم مدیریت نادرست منابع حافظه در حلقههای اجرایی است.
چرا پنجره متن بزرگتر کافی نیست؟#
تحقیقات اخیر، از جمله گزارش Context Rot شرکت Chroma که ۱۸ مدل مختلف از جمله GPT-4.1 و Claude 4 را ارزیابی کرد، نشان میدهد عملکرد مدلها با افزایش طول ورودی کاهش پیدا میکند. دلیل این پدیده آن است که مکانیزم توجه (Attention) برای هر توکن اضافی، روابط جفتوپارینه بیشتری ایجاد میکند و بودجه محدود توجه را تخلیه میسازد. در سناریوهایی مانند پروژه Manus که نسبت توکنهای ورودی به خروجی حدود ۱۰۰ به ۱ است، دستورالعملهای اولیه به تدریج از مرکز پنجره متن دور شده و احتمال نادیده گرفته شدن آنها بالا میرود.
چهار مکانیسم اصلاحی در لایه هارنس#
لایه هارنس یا چارچوب مدیریتی که مسئولیت مدیریت همه چیز به جز خود مدل را بر عهده دارد، با چهار مکانی机制م اصلی این چالش را حل میکند:
- بودجهبندی و جابجایی خارجی (Offloading): سیستمهایی مانند LangChain Deep Agents و Claude Code قبل از پر شدن حافظه، دادههای حجیم را به دیسک منتقل میکنند. برای مثال، اگر پاسخ یک ابزار بیش از ۲۰,۰۰۰ توکن باشد، فقط مسیر فایل و پیشنمایش خط اول آن در حافظه نگه داشته میشود. همچنین در Claude Code، اسکیماهای ابزارها به صورت پیشفرض Deferred هستند و تنها نام آنها بارگذاری میشود.
- فشردهسازی هوشمند (Compaction): وقتی حافظه رو به اتمام است، مکالمات خلاصه میشوند. نکته کلیدی حفظ اطلاعات حیاتی است. Claude Code تصمیمات معماری و باگهای حلنشده را حفظ کرده و فایلهای اخیراً تغییر یافته را دوباره میخواند. در مقابل، OpenAI Codex از API سمت سرور برای فشردهسازی استفاده میکند و آیتمهای فشردهشده را بدون تغییر به تماس بعدی منتقل میکند تا زنجیره استدلال قطع نشود.
- حالت وظایف (Todo-State): این مکانیسم بین لحظات فشردهسازی عمل میکند. پروژه Manus از یک فایل todo.md استفاده میکند که گامبهگام بازنویسی میشود تا ایجنت همیشه بداند مرحله بعدی چیست و هدف اصلی گم نشود.
- معماری زیرعاملها (Subagents): به جای اینکه یک ایجنت واحد همه کارها را انجام دهد، سیستمهایی مانند AWS Bedrock AgentCore از زیرعاملهای موازی استفاده میکنند. یک ایجنت هماهنگکننده، چندین زیرعامل را در محیطهای ایزوله (مانند MicroVM) اسپان میکند و نتایج ساختاریافته آنها را دریافت میکند که باعث کاهش قابل توجه زمان اجرا میشود.
منبع: MarkTechPost
دیدگاهها
برای گذاشتن دیدگاه وارد شو
دیدگاهها فقط از حسابهای کاربری پذیرفته میشوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.