إنتقل إلى المحتوى الرئيسي

لماذا منحنا وكيل الذكاء الاصطناعي ذاكرة orbital بدلاً من قاعدة بيانات متجهة

· 6 دقائق قراءة
أسامة الغانمي
أسامة الغانمي
المؤسس المشارك والقائد التقني

لماذا منحنا وكيل الذكاء الاصطناعي ذاكرة orbital بدلاً من قاعدة بيانات متجهة

الجميع يبني أنظمة RAG مع قواعد بيانات متجهة. لقد منحنا ذكاءنا الاصطناعي نظام ذاكرة مهيكل يفهم السياق بالفعل.

مشكلة RAG​

التوليد المُعزَّز بالاسترجاع (RAG) هو النهج المعياري لإعطاء وكلاء الذكاء الاصطناعي ذاكرة:

  1. تلقي استعلام المستخدم: "كيف تعاملت مع المصادقة آخر مرة؟"
  2. توليد متجه التضمين
  3. البحث في قاعدة البيانات المتجهة عن متجهات مشابهة
  4. حقن أعلى K نتيجة في الطلب
  5. توليد الاستجابة

المشكلة؟ التشابه المتجهي لا يساوي الصلة السياقية.

عندما يفشل RAG​

السيناريو 1: السياق الزمني

  • المستخدم: "ماذا فعلت يوم الثلاثاء الماضي؟"
  • قاعدة البيانات المتجهة: تعثر على مستندات عن "العمل" و"اجتماعات الثلاثاء"
  • الواقع: يريد المستخدم جلسته المحددة من قبل 5 أيام

السيناريو 2: مطابقة الـ Patterns

  • المستخدم: "أرني جميع عروض القوائم التي بنيتها"
  • قاعدة البيانات المتجهة: تعثر على مستندات تحتوي على "قائمة" و"عرض"
  • الواقع: يريد المستخدم patterns الـ entity-table المستخدمة عبر الجلسات

السيناريو 3: الاستدلال السببي

  • المستخدم: "لماذا فشل تطبيق المصادقة الخاص بي؟"
  • قاعدة البيانات المتجهة: تعثر على مستندات عن المصادقة
  • الواقع: يحتاج المستخدم سلسلة الخطأ ثم الإصلاح ثم النجاح

البحث المتجهي يجد نصاً مشابهاً. لكنه لا يفهم ما تسأل عنه بالفعل.

بديل الذاكرة الـ Orbital​

بدلاً من التضمينات المتجهة، يستخدم ذكاء Almadar الاصطناعي ذاكرة orbital (وحدة مدارية مهيكلة):

// الذاكرة مهيكلة كـ orbital schemas
interface MemoryOrbital {
  userPreferences: {
    namingConvention: 'PascalCase' | 'camelCase';
    preferredPatterns: string[];
    commonEntities: string[];
    validationStyle: 'strict' | 'minimal';
  };

  generationSessions: {
    threadId: string;
    prompt: string;
    skill: string;
    patterns: string[];
    entities: string[];
    success: boolean;
    createdAt: Date;
  }[];

  projectContext: {
    appId: string;
    existingEntities: string[];
    conventions: string[];
    domain: string;
  };
}

هذه ذاكرة كـ بيانات مهيكلة مع علاقات، وليست أجزاء نصية مع متجهات.

لماذا تصنع الـ Orbitals ذاكرة أفضل​

1. الـ State Transitions الزمنية​

بدلاً من مجرد الطوابع الزمنية، نلتقط الرحلة:

{
  "sessionId": "sess_123",
  "prompt": "Create Order entity",
  "timeline": [
    { "state": "generated", "timestamp": "2025-03-01T10:00:00Z" },
    { "state": "validation_failed", "timestamp": "2025-03-01T10:02:00Z", "errors": ["Missing INIT"] },
    { "state": "fixed", "timestamp": "2025-03-01T10:05:00Z" },
    { "state": "compiled", "timestamp": "2025-03-01T10:06:00Z" }
  ]
}

الآن يمكن للذكاء الاصطناعي الإجابة على:

  • "ما الأخطاء التي أصلحتها الأسبوع الماضي؟" -- البحث عن transitions من validation_failed إلى fixed
  • "ما معدل نجاحي؟" -- عد مسارات generated إلى compiled
  • "أي الـ patterns تسبب أخطاء؟" -- ربط الـ patterns بحالات الفشل

2. الاستعلام المهيكل​

البحث في الجلسات بحقول فعلية:

// البحث عن جميع الجلسات الناجحة التي تستخدم pattern الـ entity-table
const sessions = await memoryManager.getUserGenerationHistory(userId, {
  filter: {
    success: true,
    patterns: { $contains: 'entity-table' }
  }
});

// البحث عن سياق المشروع
const context = await memoryManager.getProjectContext(appId);
// يُرجع: { existingEntities: ['Order', 'User'], conventions: [...] }

لا تضمينات. لا عتبات تشابه. مجرد استعلامات دقيقة.

3. ذاكرة قابلة للتركيب​

الـ orbitals تتركب مثل الـ orbitals العادية:

{
  "name": "UserMemory",
  "orbitals": [
    { "name": "PreferenceMemory", "entity": "UserPreference" },
    { "name": "GenerationMemory", "entity": "GenerationSession" },
    { "name": "ProjectMemory", "entity": "ProjectContext" }
  ],
  "listens": [
    { "event": "SESSION_COMPLETED", "triggers": "UPDATE_MEMORY" }
  ]
}

تحديثات الذاكرة هي أحداث تُطلق state transitions — تماماً مثل تطبيقات Almadar العادية.

كيف يعمل​

تسجيل جلسة​

// داخلي: نظام ذاكرة Almadar يسجل جلسات التوليد
const memoryManager = createMemoryManager(db);

// بعد إكمال جلسة توليد
await memoryManager.recordGeneration(userId, {
  threadId: 'thread_123',
  prompt: 'Create Order entity with validation',
  skill: 'kflow-orbitals',
  patterns: ['entity-form', 'validation-rules'],
  entities: ['Order', 'OrderItem'],
  success: true,
});

// تحديث تفضيلات المستخدم بناءً على الـ patterns المستخدمة
await memoryManager.updateUserPreferences(userId, {
  preferredPatterns: ['entity-form', 'validation-rules'],
  commonEntities: ['Order', 'OrderItem'],
});

// تحديث سياق المشروع
await memoryManager.updateProjectContext(appId, {
  existingEntities: ['Order', 'OrderItem'],
  conventions: ['use-entity-table-for-lists'],
});

استخدام الذاكرة في التوليد​

// داخلي: عندما يبدأ الوكيل، يتم تحميل الذاكرة تلقائياً
const agent = createAgent({
  skill: 'kflow-orbitals',
  userId: 'user_123',
  appId: 'app_456',
});

// سياق الذاكرة يُحقن تلقائياً في طلب النظام

يتلقى الذكاء الاصطناعي:

## سياق المستخدم

### تفضيلات المستخدم
- التسمية المفضلة: PascalCase
- الـ patterns المفضلة: entity-form, validation-rules
- الـ entities شائعة الاستخدام: Order, OrderItem

### سياق المشروع
- المشروع: منصة تجارة إلكترونية
- الـ entities الموجودة: Order, OrderItem
- اصطلاحات المشروع: use-entity-table-for-lists

لا حاجة للاسترجاع — السياق المناسب موجود بالفعل.

تشبيه واقعي: السجلات الطبية مقابل محرك البحث​

نهج قاعدة البيانات المتجهة = بحث جوجل:

  • البحث: "مشاكل القلب"
  • النتيجة: ملايين النتائج عن القلوب
  • المشكلة: عامة جداً، ليست عن قلبك أنت

نهج الذاكرة الـ orbital = سجلك الطبي:

  • الاستعلام: رقم المريض 12345
  • النتيجة: تاريخ كامل، أدوية، حساسيات، تشخيصات سابقة
  • الميزة: مهيكل، دقيق، شخصي

عندما يعالجك طبيبك، لا يبحث في جوجل عن "أعراض القلب". إنه ينظر في سجلك المهيكل.

المقارنة: RAG مقابل الذاكرة الـ Orbital​

الجانبRAG (قاعدة بيانات متجهة)الذاكرة الـ Orbital
التخزينأجزاء نصية + تضميناتorbital schemas مهيكلة
الاستعلامبحث بالتشابهاستعلامات مبنية على الحقول
الزمنيطوابع زمنية فقطstate transitions
العلاقاتغير صريحةعلاقات entities، مفاتيح خارجية
الاستدلالتشابه سطحيدلالي عميق + سببي
التحديثاتإعادة تضمين المستنداتstate machine transitions
قابلية التفسير"درجة التشابه: 0.87""الحقل المُطابَق: patterns"

الـ Schema الخاص بذاكرة الـ Orbital​

هذا هو هيكل الذاكرة الفعلي:

{
  "name": "AgentMemory",
  "version": "1.0.0",
  "orbitals": [
    {
      "name": "UserPreferenceMemory",
      "entity": {
        "name": "UserPreference",
        "fields": [
          { "name": "userId", "type": "string", "required": true },
          { "name": "namingConvention", "type": "enum", "values": ["PascalCase", "camelCase", "snake_case"] },
          { "name": "preferredPatterns", "type": "array", "items": { "type": "string" } },
          { "name": "commonEntities", "type": "array", "items": { "type": "string" } },
          { "name": "confidence", "type": "number", "default": 0.5 }
        ]
      }
    },
    {
      "name": "GenerationHistoryMemory",
      "entity": {
        "name": "GenerationSession",
        "fields": [
          { "name": "threadId", "type": "string", "required": true },
          { "name": "prompt", "type": "string", "required": true },
          { "name": "skill", "type": "string", "required": true },
          { "name": "patterns", "type": "array", "items": { "type": "string" } },
          { "name": "entities", "type": "array", "items": { "type": "string" } },
          { "name": "success", "type": "boolean" },
          { "name": "createdAt", "type": "timestamp" }
        ]
      }
    }
  ]
}

الذاكرة هي orbital schema. تستخدم نفس الـ patterns كأي تطبيق آخر.

جرّبها: ابنِ وكيلاً واعياً بالذاكرة​

// داخلي: وكيل الذكاء الاصطناعي في Almadar يستخدم ذاكرة مهيكلة
// (هكذا يعمل من الداخل — ليس واجهة برمجية عامة)

const memoryManager = createMemoryManager(db);

// الوكيل يُنشأ مع إمكانية الوصول للذاكرة
const agent = createAgent({
  skill: 'kflow-orbitals',
  workDir: '/workspace',
  userId: 'user_123',
  appId: 'app_456',
});

// الوكيل الآن لديه وصول إلى:
// - الـ patterns المفضلة للمستخدم
// - الـ entities المُولَّدة سابقاً
// - اصطلاحات المشروع
// - النهج الناجحة/الفاشلة السابقة

const result = await agent.run({
  input: 'Create a Product entity',
});

// بعد الإكمال، تُزامَن بيانات الجلسة مع الذاكرة تلقائياً
// التسجيل: ما تم توليده، أي الـ patterns استُخدمت، النجاح/الفشل

الخلاصة​

تعتبر قواعد البيانات المتجهة رائعة لإيجاد نص مشابه. لكن وكلاء الذكاء الاصطناعي يحتاجون فهماً مهيكلاً:

  • ما الـ patterns التي يفضلها هذا المستخدم؟
  • ما الـ entities الموجودة في هذا المشروع؟
  • ما الذي نجح من قبل وما الذي فشل؟
  • كيف أصلحنا الأخطاء السابقة؟

الذاكرة الـ orbital توفر هذا الهيكل. ليست قاعدة بيانات — إنها تمثيل معرفي يتطابق مع طريقة تفكير Almadar حول التطبيقات.

لأن أفضل نظام ذاكرة ليس الذي يعثر على كلمات مشابهة. إنه الذي يفهم السياق.

التالي: البحث الوكيلي: تعليم الذكاء الاصطناعي التذكر كالإنسان.

أحدث المنشورات