Cognee تخزّن ذاكرة الوكلاء في LanceDB: مجلد مستقل لكل اختبار بدلًا من خادم
يحتاج الوكيل ذو الذاكرة عادةً إلى رسم بياني للعلاقات، وقاعدة بيانات متجهية للبحث بالمعنى، وشيفرة خاصة تمنع تشتّت هذه المكونات. جمعت Cognee ذلك كله في خط معالجة واحد، وتخزّن المتجهات في LanceDB، وهي قاعدة بيانات تُحفظ بياناتها في ملفات عادية. لذلك يحصل كل اختبار وكل مستخدم وكل مساحة عمل على مجلد خاص على القرص، بدلًا من خادم منفصل. وهكذا لا تتداخل الاختبارات المتوازية، وينتقل المشروع من الحاسوب المحمول إلى السحابة دون إعادة تصميم.
معالج بواسطة الذكاء الاصطناعي من LanceDB Blog؛ بتحرير Hamidun News
كي يتذكّر الوكيل ما جرى سابقًا، يحتاج إلى ذاكرة. وتُبنى هذه الذاكرة عادةً من عدة أجزاء: قاعدة بيانات متجهية تبحث عن مقاطع النصوص بحسب المعنى، وقاعدة رسومية تخزّن العلاقات بين الأشخاص والمهام والمستندات، وإلى جانبهما مخزن للملفات نفسها، وبينها جميعًا شيفرة لاصقة تضمن ألا يتشتّت كل شيء. تطوّر شركة Cognee الناشئة محرّك ذاكرة يجمع هذه الأجزاء في خط معالجة واحد. وهو يخزّن المتجهات في LanceDB، وهي قاعدة بيانات تُحفظ بياناتها في ملفات عادية ولا تتطلب تشغيل خادم. لذلك يحصل كل اختبار وكل مستخدم وكل مساحة عمل على مجلد مستقل خاص به، بدلًا من نسخة منفصلة من قاعدة البيانات. وقد تحدّثت مدوّنة LanceDB عن ذلك.
تنبيه مهم: هذه حالة عرضها المورّد نفسه، ولا تتضمن قياسات محددة. فالحديث عن تحسّن الدقة في الأسئلة التي تتطلب المرور بعدة حلقات من الاستدلال جاء وصفًا نوعيًا، ولم تُذكر أي أرقام. وتكمن قيمة المادة في القرارات المعمارية لا في اختبارات الأداء المرجعية (benchmarks).
كيف تُبنى الذاكرة: ثلاث خطوات ورسم بياني
تستقبل Cognee الملفات وواجهات API وقواعد البيانات، وتمرّرها عبر خط المعالجة Extract–Cognify–Load (ECL)، أي «استخراج — استيعاب — تحميل». في الخطوة الأولى تُجمع البيانات من مصادرها. وفي الثانية يُقسَّم المحتوى إلى مقاطع، وتُستخلص منه الكيانات والعلاقات، ويُضاف إليه سياق زمني. وفي الثالثة تُكتب النتيجة في مكانين: بنية الرسم البياني تذهب إلى المخزن الرسومي، والتضمينات إلى المخزن المتجهي.
نتيجة ذلك أن الوكيل يستطيع الإجابة عن أسئلة تتطلب المرور بعدة حلقات. مثلًا: «من يجب أن يراجع الإصدار، ومتى لا يجوز نشره؟» يعثر البحث المتجهي على المقاطع المتشابهة، بينما يوضّح الرسم البياني كيف ترتبط الحقائق ببعضها. ويؤكد المؤلفون أن الإجابات تأتي بمصدر أوضح، إذ يمكن معرفة من أي مصدر وعبر أي سلسلة من الروابط حصل النموذج على الحقيقة.
وهناك جزء مستقل هو خط Memify. فبعد التشغيل في بيئة الإنتاج ينظّف العقد القديمة في الرسم البياني، ويقوّي الروابط، ويعيد احتساب وزن الحقائق المهمة. والوعد بسيط: تتحسّن جودة البحث دون إعادة بناء الذاكرة بالكامل. وفي المثال الوارد في المقال، تُبنى من محادثتين قصيرتين («نلتزم بـ PEP8، ونضيف type hints» و«لا إصدارات أيام الجمعة، وسوزان تراجع PR») رسم بياني، ثم يستخرج نوع بحث مستقل منه قواعد كتابة الشيفرة.
لماذا LanceDB: مجلد بدلًا من خادم
الحجة الهندسية الرئيسية هي نموذج العزل. تريد Cognee أن يكون لكل مطوّر ولكل مستخدم ولكل تشغيل اختباري فضاء مستقل تمامًا. أما قاعدة البيانات المتجهية التقليدية فتتطلب لذلك خوادم ومنافذ وتنسيقًا للمهام (orchestration). في المقابل تخزّن LanceDB البيانات في ملفات، فتصبح مساحة العمل مجرد دليل على القرص. وإنشاء مخزن نظيف للاختبار وحذفه بعد انتهاء التشغيل لا يكلّف تقريبًا شيئًا.
المزايا العملية التي يذكرها المؤلفون:
- لا تتشارك الاختبارات المتوازية في CI حالةً واحدة، ولذلك تقلّ الأخطاء المتقطعة؛
- تُنشأ العروض التجريبية وبيئات الاختبار التجريبية (sandboxes) وتُتلف دون تشغيل خدمات؛
- يبدأ المطوّر الجديد محليًا دون بنية تحتية منفصلة؛
- تُحفظ البيانات الأصلية والتضمينات معًا، فلا حاجة إلى شيفرة للمزامنة بينها.
وهذا توفير ملحوظ في التطوير متعدد المستخدمين. فكل نسخة مستقلة من قاعدة البيانات المتجهية تكلّف مالًا واهتمامًا، أما الدليل على القرص فلا يكلّف شيئًا. وفي الوقت نفسه توفّر LanceDB فهارس يمكن ضبط اكتمال البحث وزمن الاستجابة والمساحة المشغولة فيها. والنصيحة الواردة في المادة معقولة: ابدأ بالإعدادات الافتراضية، وتحقق من السلوك، ثم اضبط الفهرس والتكميم (quantization) بحسب التكلفة وزمن الاستجابة المستهدفين.
من الحاسوب المحمول إلى بيئة الإنتاج
محليًا، يعمل الفريق عبر واجهة Cognee: يربط البيانات، ويبني الذاكرة، ويراجع الإجابات ورسم الاستدلال. وعند الحاجة إلى التوسّع والتحكم، ينتقل المشروع نفسه إلى خدمة Cognee السحابية (cogwit)، التي تضيف التوسّع التلقائي وإدارة الوصول. ويُذكر أن هياكل البيانات وواجهة API متطابقة، ولذلك لا حاجة إلى إعادة كتابة النظام.
ماذا يعني ذلك عمليًا
الفكرة مفيدة سواء اعتمدت Cognee أم لا. فإذا كان وكيلك يفقد السياق بين الجلسات، وكانت اختبارات الذاكرة تفشل بسبب الحالة المشتركة، فمن المجدي الانتقال إلى العزل بالمجلدات وحفظ البيانات بجوار متجهاتها. وإذا كنت تحتاج إلى إجابات قائمة على سلسلة من الحقائق، فإن إضافة رسم بياني فوق البحث المتجهي تبدو تعقيدًا له ما يبرره.
والقيود واضحة أيضًا. فالادعاءات حول تحسّن الدقة وتوفير الوقت لم تُدعَّم في النص بأرقام، والعزل بالملفات مناسب للتطوير والاختبارات، لكن العمل مع المخزن تحت حمل مرتفع في بيئة الإنتاج سيحتاج إلى قياس الأداء (profiling) بشكل مستقل. وقبل الاعتماد، من المفيد إجراء تجربة صغيرة على بياناتك الخاصة ومقارنة الإجابات مع الرسم البياني ودونه.
- 21 نوفمبر 2026أسعار ذاكرة الفلاش لأقراص SSD تتراجع بنسبة 19–32% في الصفقات الفورية — وقد تنخفض أسعار وحدات التخزين
- 21 نوفمبر 2026Unsloth تحدّث نسخ Qwen3.8-27B المضغوطة: الدقة ارتفعت بنسبة 5–10% عند الحجم نفسه
- 21 نوفمبر 2026الذكاء الاصطناعي يكتب شيفرة مليئة بالثغرات في 44% من الاختبارات: Positive Technologies تزوّد الوكلاء بماسح أمني
- 21 نوفمبر 2026إف بي آي: أداة الذكاء الاصطناعي ARTEX تخترق الشبكات في أقل من ثلاث ساعات
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول كيف تُبنى الذاكرة: ثلاث خطوات ورسم بياني؟
تستقبل Cognee الملفات وواجهات API وقواعد البيانات، وتمرّرها عبر خط المعالجة Extract–Cognify–Load (ECL)، أي «استخراج — استيعاب — تحميل». في الخطوة الأولى تُجمع البيانات من مصادرها. وفي الثانية يُقسَّم المحتوى إلى مقاطع، وتُستخلص منه الكيانات والعلاقات، ويُضاف إليه سياق زمني. وفي الثالثة تُكتب النتيجة في مكانين: بنية الرسم البياني تذهب إلى المخزن الرسومي، والتضمينات إلى المخزن المتجهي. نتيجة ذلك أن الوكيل يستطيع الإجابة عن أسئلة تتطلب المرور بعدة حلقات.
ما أبرز التفاصيل حول لماذا LanceDB: مجلد بدلًا من خادم؟
الحجة الهندسية الرئيسية هي نموذج العزل. تريد Cognee أن يكون لكل مطوّر ولكل مستخدم ولكل تشغيل اختباري فضاء مستقل تمامًا. أما قاعدة البيانات المتجهية التقليدية فتتطلب لذلك خوادم ومنافذ وتنسيقًا للمهام (orchestration). في المقابل تخزّن LanceDB البيانات في ملفات، فتصبح مساحة العمل مجرد دليل على القرص. وإنشاء مخزن نظيف للاختبار وحذفه بعد انتهاء التشغيل لا يكلّف تقريبًا شيئًا.
ما أبرز التفاصيل حول من الحاسوب المحمول إلى بيئة الإنتاج؟
محليًا، يعمل الفريق عبر واجهة Cognee: يربط البيانات، ويبني الذاكرة، ويراجع الإجابات ورسم الاستدلال. وعند الحاجة إلى التوسّع والتحكم، ينتقل المشروع نفسه إلى خدمة Cognee السحابية (cogwit)، التي تضيف التوسّع التلقائي وإدارة الوصول. ويُذكر أن هياكل البيانات وواجهة API متطابقة، ولذلك لا حاجة إلى إعادة كتابة النظام.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.