Session و Memory دقیقاً یک چیز نیستند، Session یعنی «وضعیت و هویت یک تعامل»، در حالی که Memory یعنی «اطلاعاتی که Agent میتواند از تعاملات قبلی نگه دارد و بعداً استفاده کند».
Ephemeral Session : موقت. با پایان برنامه، Session از بین میرود. Agent مکالمه جاری را میداند، ولی بعد از خروج برنامه چیزی باقی نمیماند. مناسب برای: پرسشهای ساده، تست Agent ،CLI ، ابزارهای کوتاهمدت
Persistent Session : دائمی . اطلاعات Session در Storage ذخیره میشود و بعداً کاربر میتواند همان Session را ادامه دهد. Agent میتواند Session قبلی را بازیابی کند.
Multi-Session : یک User میتواند چند Session داشته باشد و همزمان روی پروژه های مختلف کار کند. این مدل برای Enterprise بسیار مهم است.
Shared / Collaborative Session : چند عضو تیم ، اطلاعات را در یک Session به اشتراک میگذارند. این برای Team Agent / Enterprise Collaboration بسیار جالب است.
Parent / Child Session : یک Session اصلی میتواند Sessionهای فرعی ایجاد کند. این معماری برای Multi-Agent بسیار مناسب است. هر Agent میتواند Context مخصوص خودش را داشته باشد.
Background / Long-Running Session : این نوع Session برای مدت طولانی فعال میماند. مناسب برای: Monitoring, Workflow, Scheduled jobs, Enterprise processes, Long-running agents
Stateless Session : در این مدل Server هیچ چیزی از Session نگه نمیدارد و Context در خود Request ارسال میشود. مزیت آن مقیاس پذیری Scalability بالای آن است و عیب آن این است که Memory داخلی ندارد. برای APIهای بزرگ میتواند مفید باشد.
Short-Term Memory : حافظه کوتاهمدت. Agent میتواند ازهمان Context/Conversation جاری پاسخ دهد.
Long-Term Memory : اطلاعاتی که برای مدت طولانی ذخیره میشوند. Session تمام شود، این اطلاعات باقی میمانند.
Working Memory : اطلاعاتی است که Agent در حین انجام یک Task نگه میدارد. این اطلاعات لزوماً Memory دائمی User نیست. مثلا مراحل فعلی حل یک مسئله چندمرحلهای.
Semantic Memory : دانش و مفاهیم عمومی و بدون وابستگی مستقیم به یک رویداد را نگه میدارد. مثلا Python یک زبان برنامهنویسی است. کلیه اطلاعات به صورت Embedding / Vector ذخیره میشود. بعدا به هنگام جستجو، سیستم میتواند Memory مرتبط را پیدا کند، حتی اگر کلمات دقیقاً یکسان نباشند. این همان پایه Vector Search / RAG است.
Episodic Memory : حافظه اتفاقات گذشته. Agent میتواند تجربههای قبلی را بازیابی کند. این برای Agentهای هوشمند بسیار ضروری است. مثلا در جلسه قبلی، کاربر مشکل اتصال Ollama داشت.
Procedural Memory: روش انجام کارها، مهارتها و دستورالعملها را ذخیره میکند. حافظه مربوط به روش انجام کارها. یعنی" چگونه کاری را انجام بده؟" نه اینکه: "چه چیزی میدانی؟" . مثلا برای اجرای پروژه ابتدا .venv را فعال کن.
User/Profile/ Preference Memory : حافظه مرتبط با ترجیحات کاربر. ویژگیها، ترجیحات و تنظیمات پایدار یک کاربر را نگه میدارد. مثلا زبان مورد علاقه، سبک پاسخدهی، تنظیمات ترجیحی. این Memory بین Sessionها قابل استفاده است. این نوع حافظ برای Personalization بسیار مفید است.
Declarative Memory : حافظه مرتبط با دانش و Facts. یعنی: "چه چیزی درست است؟"
Knowledge-Base Memory : دانش سازمان، مانند مستندات فنی، بخشنامه ها، دستورالعملها و آئین نامه های سازمان، سیاستهای امنیتی،Wiki، .... این بخش معمولاً با RAG + Vector DB پیادهسازی میشود.
Entity Memory : اطلاعات مربوط به اشخاص، شرکتها، پروژهها و سایر موجودیتها را ذخیره میکند. مثلا Project X از Ollama و Qwen استفاده میکند.
Conversation Summary Memory : به جای ذخیره تمام مکالمه،خلاصه آنها ذخیره میشود. مزیت آن کاهش Context Window و مصرف Token است.
Vector/ Embedding Memory : اطلاعات را برای جستوجوی معنایی ذخیره میکند. مثلا پیدا کردن اسناد مرتبط با عبارت خطای اتصال Agent . یک Memory عمومی مبتنی بر Vector Databaseمانند Qdrant, PostgreSQL + pgvector, Chroma, FAISS, Milvus.
Graph Memory : در این مدل ارتباط Entityها ذخیره میشود. این نوع حافظه برای روابط پیچیده بکار گرفته میشود.
Shared/Collective Memory : حافظهای مشترک میان چند Agent یا چند Session است. حافظه کل سازمان با مجوزهای RBAC/ABAC . مثلا Agent فروش و Agent پشتیبانی به اطلاعات مشترک مشتری دسترسی دارند.
Audit Memory : این Memory برای یادگیری Agent نیست؛ برای ثبت تاریخچه و Compliance است.
Tool Memory : اجنت میتواند درباره استفاده قبلی از Tools اطلاعات داشته باشد. این پایهای برای Agentهای Adaptive است.
Task/State/ Prospective Memory : اطلاعات و وضعیت فعلی یک Workflow یا Task را حفظ میکند تا اجرای آن قابل ادامه باشد.. این برای Long-Running Agentها بسیار مهم است.