Blank white background with no objects or features visible.

تحية إلى منطقة أوروبا والشرق الأوسط وأفريقيا! توسع TrueFoundry نطاق حضورها في هذه المنطقة الحيوية. اقرأ المزيد ←

TrueMem: بناء طبقة ذاكرة مستقلة عن النموذج للذكاء الاصطناعي

Updated: November 3, 2026

Published: July 2, 2026

الطقس الأسبوعي

في كل يوم جمعة، أكتب الشيء نفسه:

"أنا Prathamesh. مهندس برمجيات أول في TrueFoundry. أعمل على خدمة الذاكرة. التنسيق: ما أنجزته، ما هو قيد التنفيذ، المعوقات. اجعل الأمر موجزًا."

ثم أطلب تحديثي الأسبوعي.

يكتبه الذكاء الاصطناعي بشكل مثالي. ولكن الجمعة القادمة؟ الطقس نفسه. لن يتذكر اسمي، أو دوري، أو مشروعي، أو أنني ذكرت المعوق نفسه لثلاثة أسابيع متتالية.

لقد بنيت هذا المساعد بنفسي: واجهة دردشة بسيطة، مع AI Gateway من TrueFoundry على الخلفية. إنه يتعامل مع الاجتماعات السريعة، والبريد الإلكتروني، ورسائل Slack، ومسودات التوثيق. إنه مفيد حقًا. لكن كل جلسة تبدأ من الصفر. أنا لا أستخدم ذاكرة الذكاء الاصطناعي. أنا أمثل ذاكرة الذكاء الاصطناعي.

حل ChatGPT هذه المشكلة بذاكرة مدمجة. ولكن عندما تبني تطبيق LLM الخاص بك، فإن تلك البنية التحتية غير موجودة. أنت بمفردك. ما لم تبنِها بنفسك.

لذلك قمت بذلك. TrueMem هي طبقة ذاكرة مستمرة لتطبيقات الذكاء الاصطناعي. إنها تمنح أي LLM ذاكرة طويلة الأمد تعمل عبر الجلسات وحتى عبر النماذج المختلفة. لا مزيد من تكرار نفسك. الذكاء الاصطناعي يتذكر بالفعل.

لماذا لا تعمل النهج الحالية

الحلول البادية للعيان بها مشاكل واضحة.

الذاكرة المدمجة في ChatGPT مغلقة داخل منظومة OpenAI. لا يمكنك الوصول إليها برمجيًا، أو استخدامها مع نماذج أخرى، أو تدقيق ما يتم تخزينه. يساعدنا AI Gateway من TrueFoundry على الوصول إلى نماذج متعددة وتدقيق ما يتم تخزينه. بالنسبة لأي شخص يبني تطبيقاته الخاصة، فهذا خيار غير مطروح.

التوليد المُعزز بالاسترجاع (RAG) يحل مشكلة مختلفة. يسترجع RAG المعلومات من المستندات. إنه يجيب على "ماذا يقول ملف PDF هذا؟". ذاكرة المستخدم مختلفة جوهريًا. إنها شخصية ومطورة وتعتمد على العلاقات. الحقائق التي أشاركها في المحادثة ليست مستندات تُمهر بفهرسة؛ بل هي سياق يجب أن يشكل كل تفاعل مستقبلي.

توسيع نوافذ السياق هو نهج القوة الغاشمة: تضمين سجل المحادثة بأكمله. تدعم النماذج الحديثة 128 ألف رمز (token) أو أكثر، فلماذا لا نفعل ذلك؟ لأن الرموز مكلفة، والسياق الأكبر يعني استنتاجًا أبطأ، وكل شيء يختفي عند انتهاء الجلسة. أنت تدفع ثمنًا باهظًا لفقدان الذاكرة مع خطوات إضافية.

ما نحتاجه هو طبقة مخصصة تقوم بتخزين الحقائق المستخلصة عن المستخدمين بشكل دائم وتسترجع فقط ما هو ذو صلة بكل استعلام. هذه هي الفجوة التي يسدها TrueMem.

التعلم من العلوم المعرفية

لا تعمل الذاكرة البشرية عن طريق تخزين كل محادثة حرفيًا. لدينا ذاكرة عمل للمهمة الحالية وذاكرة طويلة الأمد للمعرفة المستمرة. يتفاعل النظامان باستمرار: توجه الذكريات طويلة الأمد كيفية تفسيرنا للمعلومات الجديدة، بينما يتم دمج التجارب الجديدة المهمة في التخزين طويل الأمد.

يعكس TrueMem هذه البنية مع مكونين متميزين: الذاكرة قصيرة الأمد (STM) لسياق المحادثة والذاكرة طويلة الأمد (LTM) للحقائق المستمرة للمستخدم.

Fig-1.png

الفصل مهم لأن أنواع الذاكرة هذه تخدم أغراضًا مختلفة. تلتقط STM ما يحدث الآن، التدفق الكامل للمحادثة الحالية. تخزن LTM الحقائق المستخلصة التي تستمر عبر جميع المحادثات. يتم تضمين STM دائمًا في السياق؛ يتم استرجاع LTM بناءً على الصلة الدلالية. محاولة حل كليهما باستخدام آلية واحدة تجبر على تقديم تنازلات. النهج المزدوج يتجنب ذلك تمامًا.

الذاكرة قصيرة الأمد: الحفاظ على تماسك المحادثات

خلال جلسة دردشة واحدة، يحتاج الذكاء الاصطناعي إلى تذكر ما ناقشته قبل خمس دقائق. هذه هي وظيفة STM، وهي تحافظ على مكونين: ملخص جاري للرسائل القديمة وأحدث عشرين رسالة بدقة كاملة.

مع نمو المحادثة، نتابع باستمرار إجمالي عدد الرموز. عندما يتجاوز حدًا معينًا، يقوم عامل في الخلفية بضغط الرسائل القديمة في الملخص الجاري مع الحفاظ على الرسائل الحديثة كما هي.

 

Fig-2.png
تدفق ضغط STM

‍

عملية التلخيص غير متزامنة، لذلك لا ينتظر المستخدمون حدوثها أبدًا. عند تجاوز الحد الأقصى، تقوم مهمة خلفية بجلب الرسائل غير المُلخصة، ودمجها مع أي ملخص موجود، وتوليد ملخص شامل محدث. يتم تمييز تلك الرسائل على أنها "مُلخصة" وتستمر الدورة. الضغط التدريجي يعني أن المحادثات التي تستغرق ساعة تبقى ضمن حدود السياق المعقولة.

لكن سياق المحادثة وحده لا يكفي. ماذا يحدث عندما يعود المستخدم غدًا؟ هنا يأتي دور الذاكرة طويلة الأمد.

الذاكرة طويلة الأمد: بناء فهم مستمر

تخزن LTM حقائق عن المستخدمين تستمر لأجل غير مسمى: أسماؤهم، مهنتهم، تفضيلاتهم، أسلوب التواصل، وأي شيء آخر يستحق التذكر عبر المحادثات. لا يتم تخزينها كنص خام. يتم تحويلها إلى تضمينات موجهة (vector embeddings)، مما يسمح بـ بحث التشابه الدلالي.

عندما يسأل المستخدم "ما هي لغة البرمجة التي يجب أن أستخدمها؟"، فإننا لا نقوم بمطابقة الكلمات الرئيسية مقابل الذكريات المخزنة. نقوم بتضمين الاستعلام وإيجاد الذكريات ذات الصلة دلاليًا. تظهر ذكريات مثل "المستخدم يفضل Python" و"يعمل على البنية التحتية لـ ML" لأنها ذات صلة مفاهيمية، حتى بدون كلمات رئيسية مشتركة.

يقوم النظام بملء LTM من خلال قناتين. تأتي الذكريات الصريحة من الطلبات المباشرة: "تذكر أنني أفضل النقاط" أو "لا تنس أن لدي حساسية من الفول السوداني". نكتشف العبارات المحفزة، ونستخرج حقيقة أساسية، ونخزنها بأقصى قدر من الأهمية. لا يتم حذف هذه الذكريات تلقائيًا أبدًا.

تأتي الذكريات التلقائية من تحليل المحادثة. عندما يذكر المستخدم "لقد كنت أقود فريق منصة ML"، فهذا سياق قيّم حتى بدون طلب حفظ صريح. بعد كل تفاعل، يفحص عامل في الخلفية المحادثة ويستخرج الحقائق التي تستحق التخزين، وكل منها موسوم بدرجة أهمية.

تتراوح درجات الأهمية من واحد إلى خمسة. تعني درجة خمسة معلومات بالغة الأهمية لا ينبغي نسيانها أبدًا: تعليمات المستخدم الصريحة، التفضيلات القوية، الحساسية. تمثل درجة أربعة حقائق شخصية رئيسية مثل المهنة أو الموقع. الدرجة ثلاثة هي سياق عام مثل الهوايات والاهتمامات. تغطي الدرجة اثنان معلومات مؤقتة مثل المشاريع الحالية. الدرجة واحد تفاصيل ثانوية. تحصل الذكريات الصريحة تلقائيًا على درجة خمسة؛ بينما تتراوح الاستخراجات التلقائية عادةً بين واحد وأربعة بناءً على مدى أهمية الحقيقة.

Fig-3.png
مسار إنشاء الذاكرة

‍

ينشأ تحدٍ مع الاستخراج التلقائي: ماذا لو قال المستخدم "أنا أحب Python" في جلسة واحدة و"أفضل Python على JavaScript" في جلسة أخرى؟ التخزين الساذج يخلق تكرارات. يحل TrueMem هذا بإزالة التكرار الدلالي. قبل التخزين، نبحث عن الذكريات الموجودة بتشابه يزيد عن 85%. إذا وجد تكرار شبه كامل، نقوم بتحديثه بدلاً من إنشاء إدخال جديد. تظل قاعدة البيانات نظيفة مع ظهور كل حقيقة مرة واحدة بالضبط في أحدث شكل مكتمل لها.

يتم التعامل مع الخصوصية من خلال الشفافية. يمكن للمستخدمين عرض أي ذاكرة مخزنة وإيداعها وحذفها. جميع الذكريات معزولة بشكل صارم لكل مستخدم. بالنسبة لنشرات المؤسسات، يعمل النظام بأكمله على البنية التحتية الخاصة بك. لا شيء يغادر بيئتك.

ماذا عن دقة الاستخراج؟ تعالج عدة آليات هذا الأمر: تقييم الأهمية يعني أن الاستخراجات التلقائية يتم تقليمها قبل الذكريات الصريحة؛ يمكن للمستخدمين مراجعة الأخطاء وتصحيحها؛ والمعلومات الصحيحة المعززة عبر المحادثات تراكم أهمية أعلى بينما تتلاشى الاستخراجات الخاطئة الفردية من خلال التقليم الطبيعي.

الاسترجاع: العثور على الذكريات ذات الصلة بسرعة

تخزين الذكريات هو نصف المشكلة فقط. عندما يرسل مستخدم رسالة، نحتاج إلى المجموعة الفرعية الصحيحة: ليس كل شيء، فقط ما هو ذو صلة. قد يمتلك المستخدم المتقدم 150 حقيقة مخزنة؛ وتضمينها جميعًا سيؤدي إلى تفجير نافذة السياق.

تقوم العملية بتضمين رسالة المستخدم، وإجراء بحث تشابه جيب التمام (cosine similarity search)، وإعادة أفضل عشر تطابقات. يستغرق هذا أقل من 10 مللي ثانية مع الفهرسة المناسبة.

استثناء واحد: المستخدمون الجدد. إذا كان لدى شخص ما أقل من عشر ذكريات، فإننا نضمنها جميعًا بغض النظر عن التشابه. في بداية العلاقة، كل جزء من السياق يهم. بمجرد أن يتجاوز العدد عشرة، ننتقل إلى الاسترجاع القائم على التشابه البحت.

هذا الاسترجاع جزء من تدفق إعداد سياق أكبر، ويجب أن يكون سريعًا.

تحدي الأداء

تكون طبقة الذاكرة مفيدة فقط إذا لم تضف زمن انتقال ملحوظًا. المستخدمون حساسون للتأخير؛ حتى 200 مللي ثانية تبدو بطيئة. كان هدفنا أقل من 80 مللي ثانية لإعداد السياق.

المفتاح هو التوازي. يتضمن إعداد السياق عدة عمليات مستقلة: توليد تضمين، وجلب الرسائل الحديثة، والتحقق من المحفزات الصريحة، والبحث في الذكريات طويلة الأمد. بدلاً من تشغيلها بشكل تسلسلي، نقوم بإطلاقها بالتوازي.

Fig-4.png
الجدول الزمني للتنفيذ المتوازي

‍

توليد التضمين هو الأبطأ بحوالي 30 مللي ثانية، ولكنه يعمل جنباً إلى جنب مع استعلامات قاعدة البيانات التي تكتمل في 10 مللي ثانية. نحن ندفع ثمن أطول عملية، وليس المجموع. يصل إجمالي زمن الانتقال إلى حوالي 45 مللي ثانية، وهو أقل بكثير من الهدف.

العمليات الثقيلة مثل التلخيص واستخراج الذاكرة تعمل بشكل غير متزامن بعد إرسال الاستجابة. لا ينتظر المستخدم أبدًا؛ حيث يتم المعالجة في عمال الخلفية. هذا الفصل بين المسار المتزامن السريع والمسار غير المتزامن البطيء ضروري للاستخدام الإنتاجي.

مع عمل الذاكرة بموثوقية، ظهرت فائدة غير متوقعة: لقد بنينا شيئًا مستقلًا عن النموذج بالصدفة.

الفائدة غير المتوقعة: لا مزيد من الانغلاق مع مورد واحد

إليك ما لم نتوقعه. بمجرد أن تعيش الذاكرة خارج النموذج، لم تعد مقيدًا بـ مزود واحد.

هل تريد التبديل من GPT-4 إلى Claude؟ تتطابق ذاكرتك وتستمر. هل تستخدم نماذج مختلفة لمهام مختلفة، مثل الاستدلال المعقد مع نموذج والكتابة الإبداعية مع آخر؟ كلاهما يتشاركان الفهم نفسه لك. هل تقوم بضبط دقيق لنموذج مخصص؟ إنه يرث علاقات المستخدم الحالية من اليوم الأول.

تصبح طبقة الذاكرة هي الثابت لديك؛ وتصبح النماذج قابلة للتبديل.

يظل التكامل في حده الأدنى: جلب السياق قبل استدعاء LLM، وتسجيل التفاعل بعد ذلك. يحول استدعاءان لـ API أي نموذج لا يحفظ الحالة إلى نموذج بذاكرة مستمرة. لا يوجد انغلاق لـ SDK، ولا يوجد تكامل معقد. مجرد نقاط نهاية HTTP تناسب أي بنية هندسية.

بالطبع، لا يمكن للذكريات أن تنمو إلى الأبد. نظام بدون إدارة دورة الحياة سيغرق في الحقائق القديمة.

إدارة دورة حياة الذاكرة

لكل ذاكرة درجة أهمية من واحد إلى خمسة. تحظى التعليمات الصريحة بدرجة خمسة. وتحصل الحقائق الشخصية الرئيسية على درجة أربعة. والسياق العام يحصل على درجة ثلاثة. والمعلومات المؤقتة تحصل على درجة اثنين. والتفاصيل الثانوية تحصل على درجة واحد.

عندما يتجاوز العدد الحد اللين (150 بشكل افتراضي)، يبدأ التقليم. لا يمس النظام الأهمية بدرجة أربعة أو أعلى أبداً. ومن بين الذكريات ذات الأهمية المنخفضة، يزيل النتيجة الأدنى أولاً، باستخدام العمر لكسر التعادل.

تظل تعليمات المستخدم الصريحة لأجل غير مسمى. يتم إعادة تدوير الاستخراجات التلقائية ذات القيمة المنخفضة لإفساح المجال للمعلومات الجديدة. تظل الذاكرة ذات صلة دون الحاجة لتقييم يدوي.

تجميع كل العناصر معًا

يفتح المستخدم الدردشة ويكتب: "ساعدني في صياغة تحديثي الأسبوعي، بناءً على النقاط التالية …"

Fig-5.png
تدفق الطلب من البداية إلى النهاية

‍

يطلب التطبيق TrueMem للحصول على السياق. يجمع TrueMem ذاكرة STM و LTM ذات الصلة، بما في ذلك "الاسم Prathamesh"، "مهندس ML أول"، "يعمل على خدمة الذاكرة". يستغرق هذا 45 مللي ثانية.

يولد LLM استجابة مخصصة: "إليك تحديثك الأسبوعي، Prathamesh..." لا طقوس. لا إعادة تقديم. الذكاء الاصطناعي يعرف من يسأل.

بعد الاستجابة، يسجل التطبيق التفاعل. يخزن عمال الخلفية الرسائل، ويستخرجون أي حقائق جديدة، ويحدثون الملخصات حسب الحاجة. يتم العمل الشاق بشكل غير مرئي.

الخيارات التقنية

اخترنا PostgreSQL مع pgvector على حساب قواعد بيانات المتجهات المخصصة لأسباب عملية. تعملظم الفرق تشغل Postgres بالفعل. تجلس الذكريات جنباً إلى جنب مع بيانات المستخدم مع ضمانات ACID الكاملة. بالنسبة لمجموعات من 100-200 متجه لكل مستخدم، يوفر pgvector بحث تشابه في أقل من 10 مللي ثانية. بالنسبة للذاكرة المخصصة للمستخدم، فهو الخيار الصحيح.

يعمل عمال الخلفية على زمام قائمة الانتظار المدعومة بـ Redis لأن استدعاءات LLM تستغرق ثوانٍ، وهو وقت طويل جداً لإعاقة الطلبات. يمكن للعمال إعادة محاولة الفشل، وتجميع العمليات، والتوسع بشكل مستقل دون التأثير على زمن الانتقال الموجه للمستخدم.

لا مزيد من الطقوس

تذكر طقوس يوم الجمعة؟ "أنا Prathamesh. مهندس برمجيات أول. أعمل على خدمة الذاكرة."

مع TrueMem، يحدث هذا مرة واحدة. الذكاء الاصطناعي يتذكر. تحديث الجمعة القادم يعمل فقط. مسودة بريد الشهر القادم تعرف توقيعي. السياق موجود دائمًا.

والأفضل من ذلك: انتقل إلى نموذج مختلف، وستنتقل الذاكرة معك. يصبح المساعد اليومي مستقلًا عن النموذج دون عمل إضافي.

هذا هو الهدف. ذكاء اصطناعي يتذكرك. ليس لأنك تستمر في تذكيره، ولكن لأنه يفعل ذلك بالفعل.

‍

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Start free
Table of Contents

One Gateway for Every LLM, Agent and MCP Server

Book a 30-min with our AI expert

Book a Demo

The fastest way to build, govern and scale your AI

Book Demo
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Discover More

No items found.
November 17, 2026
|
5 min read

شرح قيود Claude Code (إصدار 2026)

No items found.
Guide to Langgraph vs Langchain
November 16, 2026
|
5 min read

مقارنة بين LangChain وLangGraph: أيهما الأفضل لك؟

مقارنة
A detailed guide on Claude Fable 5
November 16, 2026
|
5 min read

كلود فيبل 5: واجهة برمجة التطبيقات، المعايير، التسعير وكيفية استخدامه

الهندسة والمنتج
openrouter vs litellm
November 17, 2026
|
5 min read

LiteLLM مقابل OpenRouter: أيهما الأنسب لك؟

مقارنة
No items found.

Recent Blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Take a quick product tour
Start Product Tour
Product Tour