چرا ایجنت‌های کدنویسی رم مک رو پر می‌کنن
هوش مصنوعیخلاصهٔ کامل‌تر
نویسنده می‌گه اگه موقع کار با ایجنت‌های کدنویسی مک‌ات مدام کم میاره، مقصر اصلی خود مدل نیست. استدلال مدل‌هایی مثل Codex یا Claude Code تو دیتاسنتر انجام میشه، ولی سرور توسعه، مرورگری که برای تست باز میشه، ابزارهای بیلد و نصب dependencyها همه روی سیستم خودت اجرا می‌شن. خیلی از این‌ها بعد از اینکه کار «تموم» شد هم باز می‌مونن و با هر ایجنت یا harness جدید، فشار روی سیستم بیشتر میشه.
برای پیدا کردن مشکل، مقاله پیشنهاد می‌ده Activity Monitor رو باز کنی و بری تو تب Memory. اونجا یه نمودار memory pressure هست (یعنی چقدر سیستم برای رم تحت فشاره) که سبز یعنی همه چی اوکیه و زرد و قرمز یعنی سیستم داره اذیت میشه. زیرش هم لیست برنامه‌ها با مصرف رمشون هست. بعدش باید فضای دیسک رو تو System Settings چک کنی، چون وقتی رم کم میاد macOS از دیسک به عنوان swap (یعنی رم موقت روی دیسک) استفاده می‌کنه. اگه دیسک پر از کش و لاگ و فایل بیلد باشه، سیستم از دو طرف تحت فشاره.
گزارش‌های واقعی هم این رو نشون می‌دن. یه کاربر Codex پوشهٔ crash reportای پیدا کرده که از ۵۰ گیگ رد شده بود، یکی دیگه بیشتر از ۱۰۰ گیگ Git object مربوط به checkpointها داشت و یه گزارش هم حدود ۳۷ ترابایت نوشتن روی SSD تو ۲۱ روز رو به خاطر لاگ‌گیری زیادی ثبت کرده بود. OpenAI بعداً مصرف حافظهٔ Codex رو کم کرد و مشکل لاگ رو هم پچ کرد. ولی نویسنده می‌گه اگه چندتا harness رو با هم اجرا کنی (مثلاً Codex و Claude Code و یه مدل محلی مثل Qwen)، پچ هیچ شرکتی کل سیستمت رو پوشش نمی‌ده.
برای پاک‌سازی، توصیه اینه که اول بررسی کنی و بعد پاک کنی، نه اینکه فقط بر اساس حجم پوشه چیزی رو حذف کنی. میشه از خود ایجنت خواست بدون تغییر دادن چیزی، بزرگ‌ترین مصرف‌کننده‌های رم و دیسک رو پیدا کنه، بگه هر کدوم مال چیه و پیشنهاد بده. بعد چیزهای رهاشده رو ببندی و دوباره Activity Monitor رو نگاه کنی. اگه پروژه‌ای ممکنه دوباره لازم بشه، قبل از پاک کردن فایل‌های بیلد مطمئن شو می‌تونی از سورس دوباره بسازیش.
سه عادت هم جلوی برگشتن مشکل رو می‌گیره. اول، برای هر ایجنت مشخص کن «تموم شد» یعنی چی، چون ایجنت‌ها به طور پیش‌فرض ادامه می‌دن. دوم، کارهای سنگین رو یکی‌یکی یا دوتا دوتا اجرا کن، چون دو ایجنتی که منتظر جواب کلود هستن تقریباً منابعی نمی‌گیرن، ولی دو ایجنتی که بیلد محلی می‌گیرن همه چی رو می‌خورن. سوم، اگه از Ollama یا LM Studio یا Docker Desktop استفاده می‌کنی، اندازهٔ context، تعداد درخواست موازی و مدت لود موندن مدل رو تنظیم کن. لود نگه داشتن مدل جواب بعدی رو سریع‌تر می‌کنه ولی تمام مدت رم رو اشغال می‌کنه.
نویسنده معتقده خرید مک قوی‌تر فقط بعد از این مراحل منطقیه، چون کار ایجنت‌ها هر ظرفیتی بهشون بدی رو پر می‌کنه. اگه هم ارتقا دادی، مک قبلی رو کنار نذار و کارهای پس‌زمینه‌ای و کندتر ایجنت‌ها رو بده به اون.
نکات کلیدی:
- مصرف رم بیشتر از ابزارهای محلی (dev server، مرورگر، بیلد) میاد، نه از خود مدل.
- تو Activity Monitor، تب Memory نمودار فشار حافظه رو با رنگ سبز، زرد و قرمز نشون می‌ده.
- گزارش‌ها: crash report بالای ۵۰ گیگ، داده‌های checkpoint بالای ۱۰۰ گیگ و حدود ۳۷ ترابایت نوشتن روی SSD تو ۲۱ روز که پچ شد.
- اول بررسی، بعد پاک کردن؛ میشه از خود ایجنت خواست فقط گزارش بده.
- تو Ollama و LM Studio، اندازهٔ context و مدت لود موندن مدل روی مصرف پایهٔ رم اثر داره.
