ویرگول
ورودثبت نام
خشایار جام سحر
خشایار جام سحرمهندسی نرم افزار
خشایار جام سحر
خشایار جام سحر
خواندن ۴ دقیقه·۳ ماه پیش

انواع Session و Memory در Agentic AI

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».

انواع Sessionها را میتوان به 7 دسته مختلف طبقه بندی نمود که به شرح زیر هستند :

  • 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.

انواع Memoryها را میتوان به 17 دسته مختلف طبقه بندی نمود که به شرح زیر هستند :

  • 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.

۱
۰
خشایار جام سحر
خشایار جام سحر
مهندسی نرم افزار
شاید از این پست‌ها خوشتان بیاید