AI აგენტებს დოკუმენტაცია სჭირდებათ და არა retrieval-ზე დაფუძნებული მეხსიერება

დოკუმენტაცია გახსენების ნაცვლად

მეხსიერების პლაგინები, როგორც წესი, სესიის ტრანსკრიპტებს ცალკეულ ნაწყვეტებად ამუშავებენ, ვექტორულ მონაცემთა ბაზაში ინახავენ და ყოველი მოთხოვნისთვის ხუთ ყველაზე მსგავს ერთეულს აბრუნებენ. აგენტებს შეუძლიათ არქივშიც მოძებნონ, მაგრამ მხოლოდ მსგავსებით ვერ დგინდება, სწორია, აქტუალურია თუ სრულია ნაწყვეტი. კონტექსტი, მოტივაცია, გაკვეთილები და გარემოს დეტალები შეიძლება დაიკარგოს, როცა საუბრები ნაწყვეტებამდე მცირდება.

წყაროს თანახმად, ეს გაუმჭვირვალე საცავს ქმნის. მოყავს მაგალითები: აუთენტიფიკაციასთან დაკავშირებული ასობით ნაწყვეტი მოძველდება კოდის ცვლილებასთან ერთად, ხოლო SQLite-ში არსებული embedding-ები შესაძლოა მოძველებული, გამოუყენებელი ან არასწორი იყოს. აგენტს არ შეუძლია საიმედოდ მოძებნოს უცნობი ხარვეზები, რადგან არ იცის, რა არ იცის. არგუმენტი ასეთია: გუნდები შეზღუდვებსა და გადაწყვეტილებებს აფიქსირებენ და არა ძველი შეხვედრებიდან აღადგენენ, ამიტომ აგენტებმა გახსენების ნაცვლად შენახულ და განახლებულ ჩანაწერებს უნდა მიმართონ.

სტრუქტურირებული სამუშაო სივრცე აგენტებისთვის

AGENTS.md ფაილები უკვე აძლევენ აგენტებს პროექტის დონის მითითებებს, მაგრამ წყარო ამბობს, რომ ერთი ფაილი იშვიათად საკმარისია. ის გვირჩევს უფრო ფართო სამუშაო სივრცეს, რომელიც მოიცავს ინსტრუქციებს, სპეციფიკაციებს, გადაწყვეტილებებს, კვლევას და ინდექსებს. აგენტებმა მუშაობამდე უნდა წაიკითხონ შესაბამისი დოკუმენტები, შემდეგ კი განაახლონ მოძველებული ან დაკარგული მასალა. ეს სამუშაო პროცესს „prompt, build and forget“ პრინციპიდან „prompt, consult, build and update“ პრინციპზე გადაიყვანს და კონტექსტს წაკითხვადს, რედაქტირებადსა და გაზიარებადს ხდის.

მოდელი წარმოდგენილია როგორც დოკუმენტებზე დაფუძნებული მეხსიერება: მუდმივი ცოდნის ბაზა და არა მოძიებული საუბრის ფრაგმენტების მონაცემთა ბაზა. მიზანია, აგენტმა უფრო სრულყოფილი სურათი მიიღოს იმაზე, თუ რატომ არსებობს ფუნქციები, რაზე შეთანხმდნენ და როგორ მუშაობს პროექტი, ამავდროულად ადამიანებს საშუალება ჰქონდეთ, შეამოწმონ და შეინარჩუნონ საბაზისო ჩანაწერები.

Operator Memory მოდელს Markdown-ში აქცევს

Operator Memory წყაროს ავტორის ღია კოდის რეალიზაციაა ამ მიდგომისა. ის აგენტებს აძლევს Markdown სამუშაო სივრცეს ინსტრუქციების, სპეციფიკაციების, კვლევისა და ინდექსებისთვის. აგენტები მუშაობამდე კითხულობენ შესაბამის დოკუმენტებს, შემდეგ კი განაახლებენ სამუშაო სივრცეს მოძველებული მასალის გადახედვით და დაკარგული დოკუმენტების დამატებით.

წყაროს თანახმად, სისტემა არ იყენებს ვექტორულ მონაცემთა ბაზებს, embedding-ებს, შემაჯამებლებს, კურატორებს, განახლების მექანიზმებს, ფონურ დემონებს ან შავი ყუთის პრინციპით მოძიებას. მისი ჩანაწერები რჩება ჩვეულებრივ Markdown ფაილებად, რომელთა წაკითხვა, განახლება, commit-ში შეტანა და გუნდთან გაზიარება შეიძლება. ავტორი ამბობს, რომ ამ სისტემას საკუთარ პროექტებში ერთ წელზე მეტია იყენებს და პროგრამა უფასო და ღია კოდისაა.