MarkTechPost در تاریخ ۲۴ اکتبر ۲۰۲۶ یک آموزش عملی منتشر کرده که در آن یک ایجنت «معاون مهندسی» با قابلیت حافظه‌ی پایدار و چندبلوکی در چارچوب Letta ساخته می‌شود. هدف آموزش نشان‌دهنده‌ی این است که حافظه‌ی ایجنتی می‌تواند فراتر از مکالمه‌ی مبتنی بر پرامپت عمل کند.

معماری حافظه: چهار بلوک با سقف مشخص#

ایجنت با چهار بلوک حافظه ساخته می‌شود که هرکدام شرح و سقف کاراکتری خود را دارند:

  • persona (۳۰۰۰ کاراکتر): هویت ایجنت — در اینجا «Mnemo»، یک معاون مهندسی که کوتاه پاسخ می‌دهد و حقیقت اختراع نمی‌کند.
  • human (۳۰۰۰ کاراکتر): اطلاعات پایدار درباره‌ی کاربر — نام، نقش، پشته‌ی فنی، ترجیحات.
  • project_state (۵۰۰۰ کاراکتر): وضعیت زنده‌ی پروژه — مایلستون‌ها، موانع، تصمیمات و دلیل‌شان.
  • lessons (۲۰۰۰ کاراکتر): درس‌های آموخته‌شده، فقط افزودنی، یک خطی.

ایجنت می‌تواند این بلوک‌ها را به‌صورت خودکار به‌روزرسانی کند و از طریق API به‌صورت برنامه‌ای قابل‌خواندن و نوشتن باشند.

سایر اجزای معماری#

علاوه بر بلوک‌های حافظه‌ی اصلی، آموزش چند لایه‌ی دیگر را هم پیاده‌سازی می‌کند:

  • حافظه‌ی برداری آرشیوی برای بازیابی معنایی (semantic retrieval) با مدل openai/text-embedding-3-small.
  • یک ابزار سفارشی سمت‌سرور برای تخمین ریسک قطعی (deterministic risk estimation).
  • Streaming برای مشاهده‌ی زنده‌ی اجرای ایجنت.
  • تاریخچه‌ی پیام سمت‌سرور برای مکالمات پایدار.
  • خروجی با فرمت .af برای انتقال ایجنت بین محیط‌ها.

مدل‌ها و SDK#

آموزش به ترتیب اولویت سه مدل را امتحان می‌کند: openai/gpt-4.1، سپس openai/gpt-4o-mini، و در نهایت anthropic/claude-sonnet-4-20250514. SDK مورد استفاده letta-client پایتون است و اتصال از طریق LETTA_API_KEY و LETTA_BASE_URL انجام می‌شود.

خوانش تحریریه#

این یک آموزش است، نه معرفی محصول. اما ارزشش در جزئیات معماری حافظه‌ی ایجنتی است که در مستندات رسمی Letta کمتر به‌صورت یکپارچه نشان داده می‌شود. برای کسی که همین حالا ایجنت می‌سازد، سه نکته عملی دارد: اول، تفکیک حافظه به بلوک‌های نام‌دار با سقف کاراکتری (به‌جای یک context window یکپارچه) مدل ساده‌تر و قابل‌مشاهده‌تری برای مدیریت state است. دوم، فرمت .af برای خروجی نشان می‌دهد Letta روی قابلیت انتقال ایجنت بین محیط‌ها سرمایه‌گذاری کرده — اگرچه هنوز مشخص نیست این فرمت چه چیزهایی را حمل می‌کند و چه چیزهایی را نه. سوم، هم‌گامی بین‌ایجنتی روی بلوک‌های حافظه در این آموزش نشان داده شده، اما سناریوی واقعی چندایجنتی (تعارض نوشتن، اولویت‌بندی) عملاً هنوز مسئله‌ی باز است. در مجموع، اگر از Letta یا چارچوب مشابه استفاده می‌کنید، الگوی بلوک‌های persona/human/project_state/lessons الگویی است که می‌توانید مستقیم در پروژه‌تان کپی کنید.

منبع: MarkTechPost