Cədvəllə işləyən AI agentlərinə həqiqətən vektor bazası lazımdır?

Cədvəllə işləyən AI agenti n8n daxilində yaşayıb hər səhər saat altıda işə düşərək gecə gələn dəstək müraciətlərini ayıra bilər, ya da həftəlik müştəri hesabatını hazırlayan Make ssenarisi ola bilər. Gec-tez eyni divara çatılır: agent boş oyanır və dünən nə baş verdiyini bilmir. Agenta yaddaş vermək üzrə təlimatlar demək olar həmişə eyni cür başlayır: vektor verilənlər bazası, embeddings boru xətti və məlumatlarla sinxron saxlanan indeks.

Bütün bunları qurmadan əvvəl developer Abdeljabbar Elassali dev.to-dakı təhlilində daha sadə sual verir: cədvəllə işləyən agentə həqiqətən vektor bazası lazımdır? Onun fikrincə avtomatlaşdırma iş yüklərinin çoxunda dürüst cavab xeyrdir: hələ yox, bəlkə də heç vaxt.

Axtarış indeksi yaddaş deyil

Vektor bazası embeddings-ləri saxlayır və sorğuya məna baxımından ən yaxın qeydləri qaytarır. Hansı keçmiş işlərin geri qaytarma mübahisələrinə aid olduğunu soruşsanız, heç birində refund sözü olmasa da mənaca oxşar qeydləri tapır. Bu faydalıdır, yazır müəllif, və vəzifə təsviri də bununla bitir. Baza nəyin yadda saxlamağa dəyər olduğuna qərar vermir və köhnəlmiş faktları silmir; nə saxlanılır, nə prompt-a daxil edilir və nə silinir, onun ətrafında qurulan arxitekturadır.

Cədvəl agentinin əslində nəyə ehtiyacı var

İşin əvvəlində agent işin sabit faktlarına (müştərinin adı, brend səsi, hədlər), əvvəlki işin dayandığı nöqtəyə (son emal olunan müraciət ID-si, kursor), nadir hallarda dəyişən seçimlərə və öyrənilmiş dərslərə ehtiyac duyur; məsələn hesab-fakturaları həmişə ikinci baxış tələb edən təchizatçı kimi. Bu dörd kateqoriyadan üçü açar əsaslı axtarışdır: agent müştəri adına oxşar bir şey axtarmır, ona adın özü lazımdır. Belə faktları embeddings boru xəttindən keçirmək hər oxunuşda embedding çağırışı ödəmək və gecikmə əlavə etmək deməkdir. Onun qaydası budur: yaddaş bir ekrana sığırsa və hər xatırlama məlum açarla baş verirsə, vektor bazası heç nə qazandırmır.

Oxşarlıq axtarışı nə vaxt özünü doğruldur

Vektorlar o zaman işə düşür ki, arxiv böyük və struktursuzdur, xatırlama sualı isə qeyri-müəyyəndir. Elassali vektor axtarışını ayrı vektor bazasından fərqləndirir: artıq istifadə olunan Postgres daxilindəki pgvector agent iş yüklərinin çoxunu örtür, Pinecone, Qdrant, Weaviate və Milvus isə yüksək sorğu həcmi, hibrid axtarış və ağır filtrləmə üçün qurulub. Əsl agent yaddaşının, deyə əlavə edir, dörd vəzifəsi var: saxlama, çıxarma, seçim və gigiyena; vektor bazası ikinci vəzifənin yarısı üçün yalnız bir mümkün backend-dir. Qısa yol kimi o, Vilix AI-ı qeyd edir: MCP vasitəsilə alətlərə qoşulur və agenti n8n, Make, Claude, Codex, Cursor və OpenClaw boyunca izləyir, pulsuz plan və 7 günlük Pro sınaq təklif edir. Nəticə: agentin həqiqətən soruşduğu şeydən başlayın, vektor axtarışını yalnız qeyri-müəyyən xatırlama ölçülə bilən ehtiyac olanda əlavə edin.