🧠 معرفی mem-agent — عامل هوش مصنوعی با حافظه شبیه Obsidian

یک مدل سبک LLM که دانش را در قالب فایل‌های Markdown ذخیره می‌کند و از آن‌ها برای پاسخ‌گویی استفاده می‌کند. این ایجنت فقط جواب نمی‌دهد، بلکه واقعاً «به خاطر می‌سپارد» و در طول کار، اطلاعات را به‌روزرسانی می‌کند.

📌 ویژگی‌ها:

❌ذخیره‌ی دانش در فایل‌های Markdown مثل memory/user.md
❌ارتباط بین فایل‌ها به سبک Obsidian با [[entity]]
❌امکان به‌روزرسانی اطلاعات یا پرسیدن سؤال تکمیلی در صورت ناقص بودن ورودی
❌به‌جای پر کردن کانتکست‌های حجیم، mem-agent بخش‌های لازم را از حافظه‌ی محلی استخراج، فشرده و به مدل منتقل می‌کند.

📊 آموزش و نتایج:

✅مدل پایه: Qwen3-4B-Thinking-2507
✅روش یادگیری: Online RL (GSPO)
✅تست روی md-memory-bench
✅کیفیت نزدیک به مدل‌های بزرگ حتی در نسخه‌های فشرده (4bit/8bit)


💡 مزایا:

✳️حافظه قابل‌خواندن و قابل‌ویرایش دستی است
✳️سرعت و کارایی بالا حتی در اندازه‌ی کوچک
✳️مناسب برای استفاده به‌عنوان بخشی از سیستم‌های بزرگ‌تر (مثل MCP)


🟠 مدل: https://huggingface.co/driaforall/mem-agent
🟠 بلاگ: https://huggingface.co/blog/driaforall/mem-agent
🟠 ریپو: https://github.com/firstbatchxyz/mem-agent-mcp

@rss_ai_ir

#هوش_مصنوعی #LLM #MemAgent #Agents #LocalAI #MCP