ایجنت‌های بلندمدت: فراتر از یک پنجره چت
هوش مصنوعیخلاصهٔ کامل‌تر
تا حالا تصویر رایج از یه «ایجنت هوش مصنوعی» یه پنجره چت بود که یه حلقه باهوش داخلش داره. یه هدف می‌دی، ایجنت چند تا ابزار صدا می‌زنه، توکن‌ها می‌ریزن پایین، و وقتی کانتکست پر میشه یا حوصله‌ات سر می‌ره، همه چیز تموم میشه. این مدل یه مدت خوب کار کرد، ولی سقف داره.
مشکل اصلی اینه که مدل فراموش می‌کنه. باگی که ده مرحله پیش درستش کرده بود رو دوباره برمی‌گردونه. وقتی کارش تموم نشده می‌گه «تمام شد». کل ساختار دور یه نشست کاری می‌چرخه، نه یه پروژه واقعی بلندمدت.
ایجنت‌های بلندمدت جواب این مشکله. ایده ساده‌ست: ایجنتی که بتونه روی یه هدف در طول چند سشن، چند سندباکس، و شاید چند روز یا هفته پیشرفت واقعی داشته باشه؛ بدون اینکه هر بار از صفر شروع کنه. اما پیاده‌سازی سخت‌تره. باید مشکلات persistence، بازیابی از خطا، و تأیید کیفیت کار رو به شکل درست حل کرد.
توی دنیای واقعی، «بلندمدت» سه معنی مختلف داره. اول «استدلال بلندمدت» که یعنی مدل باید روی صدها گام وابسته به هم برنامه‌ریزی کنه. دوم «اجرای بلندمدت» که یعنی فرایند ایجنت ساعت‌ها یا روزها در حال اجراست. سوم «agency پایدار» که یعنی ایجنت یه هویت داره که از هر تسک خاصی فراتر می‌ره و ترجیحات کاربر رو یاد می‌گیره.
سازمان METR یه متریک به اسم «time horizon» داره که نشون می‌ده مدل‌های مرزی چقدر طول می‌کشه کارهایی رو با ۵۰٪ موفقیت انجام بدن. جالبه که این متریک از سال ۲۰۱۹ هر هفت ماه دو برابر شده. اگه این روند ادامه پیدا کنه، ایجنت‌های مرزی تا ۲۰۲۸ کارهای چند روزه و تا ۲۰۳۴ کارهای چند ماهه رو مدیریت می‌کنن.
اهمیت این موضوع از دو جهت مهمه. اول اینکه چیزهایی که میشه به ایجنت واگذار کرد عوض میشه؛ یه ایجنت ده‌دقیقه‌ای جواب سؤال می‌ده، ولی یه ایجنت ده‌ساعته می‌تونه یه فیچر کامل رو پیاده کنه یا یه مایگریشن شش‌ماهه رو تموم کنه. Anthropic گزارش داده که در تست‌های داخلی، ۳۰ ساعت کدنویسی خودکار داشتن که یه اپ استایل اسلک با ۱۱۰۰۰ خط کد تولید کرد. دوم اینکه persistence ماهیت ایجنت رو عوض می‌کنه؛ یه ایجنت بدون حافظه جواب می‌ده و می‌ره، ولی یه ایجنت بلندمدت کانتکست جمع می‌کنه.
سه دیوار اصلی جلوی هر ایجنت بلندمدت قرار می‌گیره. اول پنجره کانتکست محدود که حتی یه پنجره یه میلیون توکنی هم برای یه اجرای ۲۴ ساعته کافی نیست. دوم نبود state پایدار که هر سشن جدید از صفر شروع می‌کنه. Anthropic این رو با تشبیه تیم نرم‌افزاری با شیفت‌های کاری توضیح داده؛ مثل اینکه هر برنامه‌نویس جدید هیچ حافظه‌ای از شیفت قبلی نداره. سوم نبود تأیید ذاتی؛ مدل‌ها وقتی از خودشون می‌پرسی کارم تمومه؟ بیشتر از حد لازم می‌گن «آره».
یه راه‌حل ساده و عملی که بین توسعه‌دهنده‌ها محبوب شده «حلقه رالف» یا Ralph Loop هست. این روش اساساً یه اسکریپت bash ساده‌ست که: تسک بعدی رو از یه فایل JSON برمی‌داره، یه پرامپت با کانتکست مناسب می‌سازه، ایجنت رو صدا می‌زنه، تست‌ها رو اجرا می‌کنه، نتیجه رو ثبت می‌کنه، و این چرخه رو ادامه می‌ده. راز موفقیتش اینه که state بیرون از کانتکست ایجنت زندگی می‌کنه. فایل‌های JSON، progress.txt و AGENTS.md حافظه واقعی سیستم هستن، نه خود مدل.
نکات کلیدی:
- ایجنت‌های بلندمدت می‌تونن روی یه هدف برای روزها یا هفته‌ها بدون فراموشی پیش برن
- کلید اصلی نگه داشتن state خارج از پنجره کانتکست مدله
- سه چالش اصلی: پنجره کانتکست محدود، نبود حافظه پایدار، و تأیید نادرست تکمیل کار
- حلقه رالف یه راه‌حل عملی ساده با bash و JSON فایله
- Anthropic با تست ۳۰+ ساعت کدنویسی خودکار نشون داد این رویکرد در عمل کار می‌کنه
- متریک time horizon هر هفت ماه دو برابر میشه؛ ایجنت‌های چندروزه تا ۲۰۲۸ در دسترس خواهند بود
