Context در AI Agentها چیست؟ تفاوت Context و Memory

در قسمت قبل مجموعه «پشت پرده AI Agentها» درباره Memory یا حافظه در ایجنت‌های هوش مصنوعی صحبت کردیم؛ اینکه Agent چطور بعضی اطلاعات را نگه می‌دارد تا در مراحل بعدی یا تعاملات آینده دوباره از آن‌ها استفاده کند.

اما مفهوم دیگری وجود دارد که گاهی با Memory اشتباه گرفته می‌شود:

Context در AI Agentها چیست؟

Context یا «زمینه» مجموعه اطلاعاتی است که Agent در همین لحظه برای تصمیم‌گیری و تولید پاسخ در اختیار دارد.

این اطلاعات می‌توانند شامل پیام‌های اخیر گفتگو، نتیجه ابزارهای استفاده‌شده، فایل یا داده‌ای که در حال بررسی است، هدف فعلی کاربر و دستورهای سیستم باشند.

به زبان ساده، اگر Memory را اطلاعات ذخیره‌شده برای استفاده احتمالی در آینده بدانیم، Context همان اطلاعاتی است که AI Agent الان جلوی خودش دارد و براساس آن تصمیم می‌گیرد.

Context در AI Agent دقیقاً چه اطلاعاتی را شامل می‌شود؟

محتوای Context بسته به نوع Agent و کاری که انجام می‌دهد متفاوت است.

برای مثال، Context می‌تواند شامل موارد زیر باشد:

پیام‌های اخیر کاربر و Agent
دستور فعلی کاربر
هدفی که Agent باید به آن برسد
نتایج ابزارهایی که قبلاً اجرا شده‌اند
محتوای یک فایل PDF، Excel یا سند
داده‌های دریافت‌شده از یک API
اطلاعات بازیابی‌شده از Memory
دستورهای سیستمی و محدودیت‌های Agent

در واقع هر اطلاعاتی که مدل برای تصمیم‌گیری در مرحله فعلی به آن نیاز دارد، می‌تواند بخشی از Context باشد.

یک مثال ساده از Context در AI Agent

فرض کنید یک فایل گزارش فروش را در اختیار Agent قرار داده‌اید و می‌گویید:

«همین فایل را بررسی کن و سه نکته مهم آن را بگو.»

برای انجام این درخواست، Agent حداقل باید سه نوع اطلاعات را هم‌زمان در اختیار داشته باشد:

درخواست شما، محتوای فایل و هدف فعلی کار.

اگر محتوای فایل از Context خارج شود، Agent دیگر نمی‌تواند براساس آن تحلیل انجام دهد.

اگر درخواست شما از Context خارج شود، ممکن است نداند دقیقاً باید چه خروجی‌ای تولید کند.

بنابراین کیفیت Context تأثیر مستقیمی بر کیفیت تصمیم‌گیری Agent دارد.

تفاوت Context و Memory چیست؟

Context و Memory به هم مرتبط هستند، اما یک مفهوم نیستند.

Memory اطلاعاتی را نگهداری می‌کند تا در صورت نیاز در آینده دوباره استفاده شوند.

اما Context اطلاعاتی است که مدل در همان لحظه برای پردازش و تصمیم‌گیری در اختیار دارد.

به زبان ساده:

اطلاعاتی که برای بعد نگه می‌داریم = Memory

اطلاعاتی که Agent همین الان برای فکر کردن استفاده می‌کند = Context

مثلاً یک Agent ممکن است در Memory ذخیره کرده باشد که شما گزارش‌های کوتاه مدیریتی را ترجیح می‌دهید.

وقتی از آن می‌خواهید گزارشی آماده کند، این اطلاعات از Memory بازیابی می‌شود و وارد Context می‌شود تا مدل در همان لحظه از آن استفاده کند.

Context Window چیست؟

مدل‌های زبانی نمی‌توانند حجم نامحدودی از اطلاعات را هم‌زمان پردازش کنند.

هر مدل یک ظرفیت مشخص دارد که معمولاً با اصطلاح Context Window شناخته می‌شود.

Context Window مشخص می‌کند چه مقدار متن، پیام، فایل یا داده می‌تواند در یک زمان در اختیار مدل قرار بگیرد.

هرچه گفتگو طولانی‌تر شود یا Agent فایل‌ها و نتایج بیشتری دریافت کند، Context بزرگ‌تر می‌شود.

در یک نقطه ممکن است تمام اطلاعات دیگر در این ظرفیت جا نشوند.

اینجاست که Context Management اهمیت پیدا می‌کند.

اگر Context بیش از حد بزرگ شود چه اتفاقی می‌افتد؟

فرض کنید یک Agent ساعت‌ها روی یک پروژه کار کرده است.

در طول این مدت ممکن است:

ده‌ها پیام ردوبدل شده باشد، چند فایل بررسی شده باشد، ابزارهای مختلف اجرا شده باشند و نتایج زیادی تولید شده باشند.

نگه داشتن تمام این اطلاعات در Context همیشه منطقی یا حتی ممکن نیست.

Agent باید تشخیص دهد کدام اطلاعات برای مرحله فعلی مهم هستند و کدام اطلاعات را می‌توان کنار گذاشت یا خلاصه کرد.

برای مثال ممکن است:

پیام‌های قدیمی خلاصه شوند
فقط بخش‌های مرتبط یک فایل وارد Context شوند
اطلاعات غیرضروری حذف شوند
بعضی داده‌ها در Memory ذخیره شوند
فقط نتایج مهم ابزارها نگه داشته شوند

این فرآیند را می‌توان بخشی از Context Management دانست.

چرا Context Management برای AI Agentها مهم است؟

یکی از تفاوت‌های مهم میان یک چت ساده و یک Agent پیچیده، نحوه مدیریت Context است.

یک Agent ممکن است برای انجام یک وظیفه چندمرحله‌ای نیاز داشته باشد دائماً تصمیم بگیرد:

«در این مرحله دقیقاً به چه اطلاعاتی نیاز دارم؟»

اگر Context حاوی اطلاعات اضافی و نامرتبط باشد، ممکن است مدل دچار سردرگمی شود یا بخش مهمی از اطلاعات را کمتر مورد توجه قرار دهد.

از طرف دیگر، اگر اطلاعات ضروری از Context حذف شوند، Agent ممکن است تصمیم اشتباهی بگیرد.

بنابراین یک Context خوب باید تا حد ممکن شامل اطلاعات مرتبط، کافی و به‌روز باشد.

ارتباط Memory و Context چگونه است؟

Memory و Context معمولاً مکمل یکدیگر هستند.

می‌توان این فرآیند را این‌طور تصور کرد:

یک اطلاعات مهم در Memory ذخیره شده است.

Agent هنگام انجام یک وظیفه متوجه می‌شود به آن اطلاعات نیاز دارد.

سیستم اطلاعات مرتبط را از Memory پیدا می‌کند.

اطلاعات وارد Context می‌شود.

مدل براساس آن تصمیم می‌گیرد.

بنابراین مدل لزوماً تمام Memory را هم‌زمان نمی‌بیند؛ بلکه فقط بخش‌هایی از حافظه که برای کار فعلی لازم هستند، می‌توانند وارد Context شوند.

Context فقط شامل گفتگو نیست

گاهی تصور می‌شود Context فقط همان پیام‌هایی است که کاربر و مدل در یک چت ردوبدل کرده‌اند.

اما در Agentها Context می‌تواند بسیار گسترده‌تر باشد.

برای مثال یک Agent برنامه‌نویسی ممکن است در Context خود موارد زیر را داشته باشد:

کد پروژه، خطای اجرای برنامه، توضیحات کاربر، مستندات یک API و نتیجه تست‌های قبلی.

یا یک Agent مالی ممکن است فایل Excel، داده‌های فروش، دستور مدیر و نتایج تحلیل‌های قبلی را در Context داشته باشد.

بنابراین Context را بهتر است فضای کاری فعلی مدل در نظر بگیریم.

یک مثال واقعی‌تر

فرض کنید از یک Agent می‌خواهید:

«گزارش فروش سه ماه گذشته را بررسی کن، افت‌های غیرعادی را پیدا کن و یک خلاصه مدیریتی آماده کن.»

Agent ممکن است ابتدا فایل فروش را بخواند.

نتایج مربوط به سه ماه موردنظر وارد Context می‌شوند.

سپس تحلیل داده انجام می‌شود و نتیجه تحلیل هم به Context اضافه می‌شود.

بعد Agent باید با استفاده از درخواست اولیه شما، داده‌ها و نتیجه تحلیل، گزارش نهایی را تولید کند.

اگر Context به‌درستی مدیریت شود، مدل اطلاعات مهم را در اختیار خواهد داشت و می‌تواند پاسخ دقیق‌تری ارائه دهد.

جمع‌بندی

Context در AI Agentها مجموعه اطلاعاتی است که ایجنت در همان لحظه برای تصمیم‌گیری، تحلیل و انجام وظیفه در اختیار دارد.

این اطلاعات می‌توانند شامل گفتگو، فایل‌ها، نتایج ابزارها، اهداف کاربر و حتی اطلاعاتی باشند که از Memory بازیابی شده‌اند.

اما Context ظرفیت محدودی دارد؛ بنابراین Agentهای پیشرفته باید بتوانند اطلاعات مهم را انتخاب کنند، داده‌های قدیمی را خلاصه کنند و اطلاعات غیرضروری را کنار بگذارند.

اگر بخواهیم تفاوت اصلی را خیلی ساده بیان کنیم:

Memory جایی است که اطلاعات برای بعد نگه داشته می‌شوند؛ Context اطلاعاتی است که Agent همین حالا برای فکر کردن از آن‌ها استفاده می‌کند.

درباره فیلاگر

فیلاگر، جامعه هوش مصنوعی ایران، مرجعی برای آموزش و بررسی مفاهیم و فناوری‌های روز AI است. در مجموعه «پشت پرده AI Agentها» تلاش می‌کنیم ایجنت‌های هوش مصنوعی، نحوه کار آن‌ها و کاربردهای واقعی‌شان را با زبانی ساده، دقیق و کاربردی توضیح دهیم.