محرك Memori: ذاكرة مفتوحة المصدر وقائمة على SQL لتعزيز ذكاء نماذج اللغة الكبيرة

يُعدّ التذكّر أحد أهم سمات الذكاء البشري، فهو يُمكّننا من التعلّم من التجارب، والتكيّف مع المواقف الجديدة، واتخاذ قرارات أكثر استنارة بمرور الوقت. وبالمثل، تزداد ذكاء وكفاءة وكلاء الذكاء الاصطناعي (AI Agents) مع امتلاكهم لآلية ذاكرة فعّالة. فمثلاً، يمكن لوكيل الذكاء الاصطناعي أن يتذكّر مشترياتك السابقة، وميزانيتك، وتفضيلاتك، وأن يقترح هدايا لأصدقائك بناءً على تعلّمه من المحادثات السابقة.

التحديات التي تواجه وكلاء الذكاء الاصطناعي عديمي الحالة (Stateless)

غالباً ما يقسّم وكلاء الذكاء الاصطناعي المهام إلى خطوات (التخطيط → البحث → استدعاء واجهة برمجة التطبيقات (API) → التحليل → الكتابة)، لكنهم قد ينسون ما حدث في الخطوات السابقة بدون ذاكرة فعّالة. هذا يؤدي إلى تكرار استدعاء الأدوات، وجلب نفس البيانات مرة أخرى، أو تفويت قواعد بسيطة مثل “الرجوع إلى اسم المستخدم دائمًا”. نتيجة لتكرار السياق نفسه مرارًا وتكرارًا، قد يستهلك الوكلاء المزيد من الرموز (tokens)، ويحققون نتائج أبطأ، ويقدمون إجابات غير متناسقة.

وقد أنفقت الصناعة مليارات الدولارات على قواعد البيانات المتجهة (vector databases) وبنية التشفير (embedding infrastructure) لحلّ ما هو في جوهره مشكلة استمرار البيانات لوكلاء الذكاء الاصطناعي. لكن هذه الحلول تخلق أنظمة “صندوق أسود” لا يستطيع المطورون فحصها، أو الاستعلام عنها، أو فهم سبب استرجاع ذكريات معينة.

Memori: الحل الأمثل لتحديات الذاكرة في وكلاء الذكاء الاصطناعي

قام فريق GibsonAI ببناء Memori لحل هذه المشكلة. Memori هو محرك ذاكرة مفتوح المصدر يوفر ذاكرة دائمة وذكية لأي نموذج لغة كبير (LLM) باستخدام قواعد بيانات SQL القياسية (PostgreSQL/MySQL).

مميزات Memori:

• ذاكرة دائمة وقابلة للاستعلام: يتيح Memori للنماذج LLM الاحتفاظ بالمعلومات والرجوع إليها بسهولة.
• بنية SQL: يستخدم Memori قواعد بيانات SQL، مما يجعله سهل الاستخدام والصيانة.
• شفافية كاملة: يمكن للمطورين الاستعلام عن كل قرار يتعلق بالذاكرة وفهمه بسهولة.
• مرونة عالية: يمكن نقل ذاكرة Memori بسهولة بين الأنظمة المختلفة.
• فعالية من حيث التكلفة: أكثر فعالية من حيث التكلفة من الحلول القائمة على قواعد البيانات المتجهة.
• متوافق مع اللوائح: يُسهّل Memori الامتثال للوائح المتعلقة بخصوصية البيانات.

مقارنة Memori بحلول الذاكرة الأخرى

قواعد البيانات المتجهة (Vector Databases)

معظم أنظمة ذاكرة الذكاء الاصطناعي المنافسة مبنية على قواعد بيانات متجهة. ورغم أنها تبدو متقدمة على الورق، إلا أنها تأتي بتكاليف ومعقدات خفية:

• أجزاء متعددة: يحتاج الإعداد النموذجي إلى قاعدة بيانات متجهة، وذاكرة تخزين مؤقتة، وقاعدة بيانات SQL لتعمل بشكل صحيح.
• اعتماد البائع: غالبًا ما توجد بياناتك داخل نظام خاص بالبائع، مما يجعل من الصعب نقلها أو مراجعتها.
• استرجاع “صندوق أسود”: لا يمكنك بسهولة رؤية سبب استخراج ذاكرة معينة.
• تكلفة عالية: تتزايد تكاليف البنية التحتية والاستخدام بسرعة، خاصة على نطاق واسع.
• صعوبة تصحيح الأخطاء: لا يمكن قراءة التشفير (embeddings) بواسطة الإنسان، لذلك لا يمكنك ببساطة الاستعلام باستخدام SQL والتحقق من النتائج.

الجانب	قواعد البيانات المتجهة / حلول استرجاع المعلومات (RAG)	نهج Memori
الخدمات المطلوبة	3-5 (قاعدة بيانات متجهة + ذاكرة تخزين مؤقتة + SQL)	1 (SQL فقط)
قواعد البيانات	متجهة + ذاكرة تخزين مؤقتة + SQL	SQL فقط
لغة الاستعلام	واجهة برمجة تطبيقات خاصة	SQL قياسية
تصحيح الأخطاء	تشفير “صندوق أسود”	استعلامات SQL قابلة للقراءة
النسخ الاحتياطي	تنسيق معقد	نسخ قاعدة البيانات بسهولة
معالجة البيانات	التشفير: تكلفة منخفضة في البداية، لكنها تزداد مع حجم البيانات	استخراج الكيانات: تكلفة أعلى في البداية لكنها أكثر فعالية مع حجم البيانات الكبير
تكاليف التخزين	مرتفعة	منخفضة
تكاليف الاستعلام	مرتفعة	منخفضة
البنية التحتية	أجزاء متعددة، صيانة عالية	قاعدة بيانات واحدة، سهلة الإدارة

لماذا تعمل Memori؟

إذا كنت تعتقد أن SQL لا يمكنه التعامل مع الذاكرة على نطاق واسع، فكر مرة أخرى. SQLite، واحدة من أبسط قواعد بيانات SQL، هي قاعدة البيانات الأكثر انتشارًا في العالم:

• أكثر من 4 مليارات عملية نشر
• تعمل على كل جهاز iPhone و Android ومتصفح ويب
• تنفذ تريليونات الاستعلامات كل يوم

إذا كان بإمكان SQLite التعامل مع هذه الأحمال الضخمة بسهولة، فلماذا بناء ذاكرة الذكاء الاصطناعي على مجموعات متجهة باهظة الثمن وموزعة؟

نظرة عامة على حل Memori

يستخدم Memori استخراج الكيانات المُهيكلة، وربط العلاقات، واسترجاع البيانات القائم على SQL لإنشاء ذاكرة ذكاء اصطناعي شفافة، وقابلة للنقل، وقابلة للاستعلام. يستخدم Memori وكلاء متعددين يعملون معًا لتعزيز الذكريات طويلة الأمد الأساسية إلى التخزين قصير الأجل من أجل حقن سياق أسرع. بخطوة واحدة من التعليمات البرمجية memori.enable()، يكتسب أي نموذج LLM القدرة على تذكر المحادثات، والتعلّم من التفاعلات، والحفاظ على السياق عبر الجلسات. يتم تخزين نظام الذاكرة بأكمله في قاعدة بيانات SQLite قياسية (أو PostgreSQL/MySQL للنشر على مستوى المؤسسات)، مما يجعله قابلًا للنقل بالكامل، وقابلًا للمراجعة، ومملوكًا للمستخدم.

حالات استخدام Memori

• تجربة تسوق ذكية مع وكيل ذكاء اصطناعي يتذكر تفضيلات العملاء وسلوكهم في التسوق.
• مساعدون شخصيون للذكاء الاصطناعي يتذكرون تفضيلات المستخدم وسياقه.
• روبوتات دعم العملاء التي لا تطرح نفس السؤال مرتين.
• مدرسون تعليميون يتكيفون مع تقدم الطلاب.
• أنظمة إدارة المعرفة الجماعية مع ذاكرة مشتركة.
• تطبيقات تركز على الامتثال تتطلب سجلات مراجعة كاملة.

الابتكارات التقنية في Memori

يقدم Memori ثلاث ابتكارات أساسية:

• نظام ذاكرة ثنائي الوضع: الجمع بين ذاكرة العمل “الواعية” والبحث الذكي “التلقائي”، محاكاة الأنماط المعرفية البشرية.
• طبقة تكامل عالمية: حقن ذاكرة تلقائي لأي نموذج LLM بدون رمز محدد للإطار.
• هندسة متعددة الوكلاء: وكلاء ذكاء اصطناعي متخصصون متعددون يعملون معًا لذاكرة ذكية.

الحلول الموجودة في السوق

هناك بالفعل عدة طرق لمنح وكلاء الذكاء الاصطناعي شكلاً من أشكال الذاكرة، ولكل منها نقاط قوتها وعيوبها. يدخل Memori المشهد بفلسفة مختلفة، حيث يجلب الذاكرة إلى شكل مفتوح المصدر قائم على SQL، وهو بسيط وشفاف وجاهز للإنتاج.

Memori مبنية على بنية قاعدة بيانات قوية

بالإضافة إلى ذلك، لا يحتاج وكلاء الذكاء الاصطناعي فقط إلى الذاكرة، بل يحتاجون أيضًا إلى بنية أساسية لقاعدة البيانات لجعل هذه الذاكرة قابلة للاستخدام وقابلة للتطوير. فكر في وكلاء الذكاء الاصطناعي الذين يمكنهم تشغيل الاستعلامات بأمان في بيئة قاعدة بيانات معزولة، وتحسين الاستعلامات بمرور الوقت، والتوسع التلقائي عند الطلب، مثل بدء قاعدة بيانات جديدة لمستخدم للحفاظ على بياناته ذات الصلة منفصلة. تدعم بنية قاعدة بيانات قوية من GibsonAI Memori. هذا يجعل الذاكرة موثوقة وجاهزة للإنتاج مع:

• توفير فوري
• توسيع نطاق عند الطلب
• تفرع قاعدة البيانات
• إصدار قاعدة البيانات
• تحسين الاستعلام
• نقطة استرداد

الرؤية الاستراتيجية

بينما يسعى المنافسون إلى التعقيد مع الحلول المتجهة الموزعة والتشفير (embeddings) الخاص، فإن Memori تعتمد على الموثوقية المثبتة لقواعد بيانات SQL التي تعمل على تشغيل التطبيقات منذ عقود. الهدف ليس بناء نظام الذاكرة الأكثر تطوراً، بل الأكثر عملية. من خلال تخزين ذاكرة الذكاء الاصطناعي في نفس قواعد البيانات التي تعمل بالفعل على تشغيل تطبيقات العالم، يُمكّن Memori مستقبلاً حيث تكون ذاكرة الذكاء الاصطناعي قابلة للنقل والاستعلام وإدارتها مثل أي بيانات تطبيق أخرى.

صفحة GitHub

المصدر: MarkTechPost