🚀 عامل هوش مصنوعی شما فراموش‌کار است، فقط چون اجازه می‌دهید!

بیشتر عامل‌ها (AI agents) هر بار از صفر شروع می‌کنند — انگار هیچ تجربه‌ای از پروژه‌های قبلی ندارند.
اما پژوهش جدید MIT نشان می‌دهد راه‌حلی ساده وجود دارد که کیفیت عامل را تا ۵۱٪ بهبود می‌دهد ✨


---

🧠 این روش «Workflow Memory» نام دارد.
ایده ساده است: عامل باید نه فقط نتیجه، بلکه فرآیند انجام کار را به خاطر بسپارد — مثل یادگیری واقعی.

مثلاً شما از عامل می‌خواهید یک مدل ML روی فایل CSV بسازد:
او با PyTorch کدنویسی می‌کند، هیپرفرآمترها را تغییر می‌دهد، پیکربندی را اصلاح می‌کند و در نهایت اسکریپت نهایی را می‌سازد.
چند روز بعد، دوباره همان درخواست را می‌دهید و... عامل تمام مسیر را از نو طی می‌کند 😩


---

💡 در Workflow Memory، عامل در پایان هر پروژه:

خلاصه‌ای از کار، مشکلات و راه‌حل‌های مؤثر را در یک فایل ساده Markdown ذخیره می‌کند (workflow.md)

در پروژه‌های بعدی، هنگام شروع کار، به این فایل‌ها نگاه می‌کند و یاد می‌گیرد از تجربه‌های خودش استفاده کند.


📂 یعنی عامل شما عملاً صاحب «حافظه کاری» می‌شود، بدون نیاز به context عظیم یا مدل‌های گران.


---

📊 نتیجه:
✅ مصرف کمتر توکن‌ها و هزینه
✅ عدم تکرار خطاهای گذشته
✅ یادگیری واقعی بر اساس تجربه‌های خود عامل


---

📚 تحقیقات MIT:
در تست‌های مربوط به وب‌نویگیشن و اجرای وظایف پیوسته، استفاده از Workflow Memory باعث افزایش عملکرد تا ۲۴.۶٪ و ۵۱.۱٪ شد.


---

🔗 پروژه‌های آماده برای آزمایش:
👉 GitHub:
CAMEL-AI Workflow Memory

👉 مقاله‌ی پژوهشی (arXiv:2409.07429)

📡 @rss_ai_ir
#هوش_مصنوعی #AI #Agent #WorkflowMemory #CamelAI #Memory #LLM #یادگیری #MIT