العقل التنظيمي الثاني لشركة Meta: لماذا ينبغي أن تعيش ذاكرة وكلاء الذكاء الاصطناعي في الملفات، لا في أوزان النماذج

يقدّم العقل المؤسسي الثاني من Meta حجة قوية للاحتفاظ بالمعرفة المؤسسية سريعة التغيّر في ملفات صريحة، بدلاً من محاولة تضمين كل تصحيح وسياسة وحكم خبير في أوزان النموذج. وتُكثّف Meta معرفة الخبراء في نظام ملفات منظَّم يمكن للبشر والوكلاء قراءته، وربطه من خلال التبعيات، واختباره بعد التغييرات، وإدارة إصداراته، ومراجعته، وتحسينه من دون إعادة تدريب النموذج الأساسي. يوفّر النموذج الذكاء؛ بينما تحافظ طبقة المعرفة على ما تعلّمته المؤسسة.

هذا لا يعني أن كل أشكال ذاكرة الذكاء الاصطناعي يجب أن تكون في Markdown، أو أن نظام RAG قد أصبح بالياً. فما زالت أوزان النماذج توفّر المعرفة العامة، ويظل الاسترجاع مفيداً للمواد المرجعية المتناثرة، وقد تنتمي حالة المهمة المباشرة إلى قواعد البيانات أو بيئات تشغيل الوكلاء. وتحل Meta مشكلة أضيق نطاقاً لكنها تزداد أهمية: كيف نحافظ على المعرفة المؤسسية التي تتغير بمرور الوقت، وتحتاج إلى مصدر موثوق، ويجب أن تبقى صالحة أياً كان النموذج الذي يستخدمها.

ما هو العقل المؤسسي الثاني من Meta؟

العقل المؤسسي الثاني من Meta هو بنية داخلية لوكلاء الذكاء الاصطناعي، صُممت لالتقاط معارف المتخصصين التي كانت ستظل مبعثرة في المستندات أو حبيسة عقول الخبراء. وتصف Meta النظام بأنه خبير ثانوي في مجال معيّن، لا روبوت دردشة للأغراض العامة.

وفقاً لـ البنية الرسمية لنظام العقل المؤسسي الثاني من Meta، يجمع النظام بين أربع طبقات مترابطة:

النقطة المهمة هي أن Meta لا تعتمد على إعادة تدريب النموذج في كل مرة يصحح فيها خبيرٌ الوكيل. بدلاً من ذلك، يمكن أن تصبح التصحيحات تغييرات على ملفات المعرفة الخارجية أو إجراءات الاستدلال.

وهذا يحوّل تفاعلاً واحداً مع خبير من تصحيح مؤقت للدردشة إلى أصل مؤسسي يُحتمل أن يكون دائماً.

لماذا لا تُعد آلاف المستندات بمنزلة ذاكرة للوكيل؟

المجلد المليء بالمستندات هو أرشيف. ولا يصبح ذا فائدة كذاكرة للوكيل إلا عندما يفهم النظام ما هو مهم، وكيف ترتبط المصادر، ومتى تنطبق قواعد أو تفسيرات معينة.

تمتلك المؤسسات الكبيرة بالفعل كميات هائلة من المواد المكتوبة: السياسات، والمواصفات، والقرارات التاريخية، وقوائم التحقق، والتقارير، وملاحظات المشروعات، والمعايير، والوثائق الداخلية. لكن المشكلة هي أن أكثر المعارف قيمة غالبًا ما تكمن بين هذه المستندات.

قد يعرف الخبير:

• وأي سياسة لها الأولوية عند تعارض قاعدتين،
• وأي استثناء لا ينطبق إلا في ظل شرط محدد،
• وأي قرار تاريخي لا يزال ذا صلة،
• وما المصطلحات التي تستخدمها المؤسسة داخليًا،
• عندما تكون الحالة ملتبسة بما يكفي لتتطلب تصعيدًا،
• ولماذا ينبغي التعامل مع حالتين تبدوان متشابهتين على نحو مختلف.

يمكن لنظام استرجاع تقليدي العثور على المستندات المصدر، لكن قد يظل على النموذج إعادة بناء ذلك التفسير من الصفر في كل مرة.

تصف Meta ذلك بأنه أحد أوجه القصور في التعامل مع المستندات الخام نفسها باعتبارها معرفة مؤسسية. إذ يتعين على الوكيل الذي يسترجع المقاطع وقت الاستدلال أن يستنتج مرارًا من تلك الأجزاء منطق المؤسسة، ما قد يكون بطيئًا وغير متسق.

كانت Meta قد واجهت مشكلة مشابهة في وقت سابق من عام 2026. ففي عملها السابق على تجميع المعرفة غير الرسمية في ملفات سياق للوكلاء، حلّل أكثر من 50 وكيلًا متخصصًا ما يزيد على 4,100 ملف عبر أربعة مستودعات، وأنتجوا 59 ملف سياق موجزًا. وأفادت Meta بأن الاختبارات الأولية أظهرت انخفاضًا بنحو 40% في عدد استدعاءات أدوات الوكيل لكل مهمة.

والدرس مشابه: لا تؤدي زيادة المعلومات الخام تلقائيًا إلى تحسين سلوك الوكيل. وغالبًا ما تكون الطبقة المفقودة هي البنية المستخلصة.

لماذا تخزّن Meta معرفة وكيلها في ملفات منظّمة؟

تنظّم Meta أكثر من 200 ملف ضمن تصنيف صارم بدلًا من الحفاظ على وثيقة تعليمات واحدة ضخمة. وتمثل الملفات أنواعًا مختلفة من المعرفة المؤسسية ومسؤوليات توجيه مختلفة.

تستخدم Meta أيضًا واجهة YAML الأمامية لإعلان العلاقات بين الملفات. ويمكن لملف أن يحدّد ما depends_on والملفات الأخرى التي يرتبط بها referenced_by.

قد يبدو المثال المبسّط على النحو التالي:

---
النوع: موقف
الموضوع: customer-data-retention
يعتمد_على:
  - data-classification.md
مُحال_إليه_من:
  - privacy-review-recipe.md
ينطبق_عندما:
  - customer_pii = true
---

# الاحتفاظ ببيانات العملاء

## الموقف
حدّد الموقف المؤسسي الحالي هنا.

## الحدود
وثّق أين ينطبق الموقف وأين لا ينطبق.

## الاستثناءات
اذكر الاستثناءات المعروفة.

## التصعيد عند الحاجة
صِف الحالات التي تتطلب مراجعة خبير.

هذا مثال توضيحي وليس نسخة من ملفات Meta الداخلية، لكنه يوضح سبب جاذبية الملفات المهيكلة البسيطة.

وهي:

• مقروءة بشريًا،
• مقروءة آليًا،
• سهلة مقارنة الفروقات،
• سهلة الإحالة المتبادلة،
• سهلة الفحص بحثًا عن الأخطاء،
• قابلة لإدارة الإصدارات،
• وقابلة للعكس فرديًا.

كما أن رسم الاعتماديات مهم عندما يقترح وكيل تغييرًا. فإذا تغيّر ملف سياسة واحد، يستطيع النظام تحديد الإجراءات والفهارس والقواعد اللاحقة التي قد تتأثر، بدلًا من افتراض أن التعديل قائم بمعزل عن غيره.

هل يحل «العقل الثاني» لدى Meta محل التوليد المعزّز بالاسترجاع؟

لا. تحافظ Meta عمدًا على كلٍّ من طبقة معرفة منسّقة والاسترجاع. إذ تعالج كل منهما مشكلة معلومات مختلفة.

تقسّم Meta المعلومات وفقًا لكثافتها ومعدل تكرار استخدامها المتوقع.

تخزّن الطبقة المنسّقة المعلومات التي يُرجّح أن يحتاج إليها الوكيل مرارًا، والتي تمثّل التفسير المتطور للمؤسسة لمجالها. وتظل المواد النادرة متاحة عبر الاسترجاع الدلالي أو المعجمي عندما تتطلب حالة محددة ذلك.

يتوافق هذا مع التمييز الأوسع الذي أرساه البحث الأصلي حول التوليد المعزّز بالاسترجاع، والذي يميّز بين المعرفة المخزنة بارامتريًا في النموذج والذاكرة الخارجية الصريحة غير البارامترية التي يمكن استرجاعها عند الحاجة.

تضيف Meta فعليًا طبقة أخرى بين هذين الطرفين.

أوزان النموذج
الذكاء العام
        |
        v
المعرفة المنسقة
المواقف
القواعد
التفسير
أطر اتخاذ القرار
        |
        v
الاسترجاع المعزز بالتوليد / البحث
أدلة تفصيلية
السجلات التاريخية
مراجع نادرة
        |
        v
المصادر الأولية

من الطرق المفيدة لوصف التقسيم:

يساعد الاسترجاع المعزز بالتوليد الوكيلَ على العثور على الأدلة. وتمنع طبقة معرفة منسّقة الوكيلَ من إعادة استنتاج تفسير المؤسسة من الصفر في كل مرة.

لماذا ينبغي لوكيل الذكاء الاصطناعي أن يفصل بين ما يعرفه وكيف يستدل؟

يتمثل أحد أهم قرارات التصميم لدى ميتا في فصل المعرفة التصريحية عن الاستدلال الإجرائي.

تصف ملفات المعرفة ما تعرفه المؤسسة أو تؤمن به. أما «وصفات» ميتا فتصف كيفية تعامل الوكيل مع المشكلة.

يجعل هذا الفصل تشخيص حالات الفشل أسهل.

إذا توصل الوكيل إلى الاستنتاج الخاطئ، يمكن للمسؤولين أن يسألوا:

• هل كانت المعرفة الصحيحة موجودة؟
• هل حُمّل الملف الصحيح؟
• هل كان الموقف التنظيمي نفسه خاطئًا أو متقادمًا؟
• أم أن إجراء الاستدلال أساء استخدام معرفة صحيحة في الأساس؟

تقول ميتا إن إضافة منصب تنظيمي جديد قد تعني إضافة ملف معرفة وتحديث فهرس التوجيه دون تغيير وصفة الاستدلال. وعلى العكس، يمكن إصلاح مشكلة منهجية بتغيير الوصفة دون إعادة كتابة حقائق المجال الأساسية.

وتزداد قيمة هذه الوحدات مع نمو قاعدة المعرفة.

كيف خفّض الإفصاح التدريجي استخدام ميتا للرموز بنحو 80%؟

لا تلغي نوافذ السياق الكبيرة الحاجة إلى هندسة المعلومات. فقد يقبل النموذج تقنيًا مئات الآلاف أو حتى ملايين الرموز، لكن هذا لا يعني أنه ينبغي تحميل كل سياسة ومرجع وتعليمة في كل مهمة.

استخدم تنفيذ ميتا السابق بنية تعليمات مسطّحة نسبيًا وبحثًا دلاليًا كان يمكنه سحب قدر كبير من المواد متفاوتة الصلة إلى نافذة السياق.

غيّر نظام الوصفات النمط إلى الإفصاح التدريجي.

النهج القديم

المهمة
  |
  v
مجموعة تعليمات كبيرة
+ العديد من المصادر المسترجعة
+ سياق واسع للمجال
  |
  v
النموذج


الإفصاح التدريجي

المهمة
  |
  v
الخطوة 1
حمّل تعليمات الخطوة 1 ومعرفتها فقط
  |
  v
الخطوة 2
حمّل تعليمات الخطوة 2 ومعرفتها فقط
  |
  v
الخطوة 3
استرجع الأدلة عند الحاجة فقط

بعد الانتقال إلى مراحل موجّهة بالوصفات، تفيد ميتا بأن كل استعلام لم يصل إلا إلى مجموعة فرعية صغيرة ومحددة من نظام المعرفة، وأن عدد الرموز المستهلكة في كل دور انخفض بنحو 80%.

هذا لا يعني أن «العقل الثاني» خفّض التكلفة الإجمالية للذكاء الاصطناعي بنسبة 80%. فالنتيجة تتعلق تحديدًا باستهلاك الرموز في كل دور بعد إعادة هيكلة استراتيجية تحميل السياق.

الدرس الأكثر عمومية مهم:

السؤال الأفضل ليس «ما مقدار السياق الذي يمكن للنموذج استيعابه؟» بل «ما أقل قدر من السياق يحتاج إليه هذا الإجراء لحل المشكلة بشكل صحيح؟»

كيف تحوّل Meta ملاحظات الخبراء إلى ذاكرة دائمة للوكيل؟

يمكن القول إن حلقة التحسين الذاتي هي الجزء الأهم في بنية Meta، لأن تخزين المعرفة سهل مقارنةً بالحفاظ على صحتها بمرور الوقت.

تتعامل Meta مع الصيانة باعتبارها مشكلة تجميع. وتمر تصحيحات الخبراء عبر أربع مراحل:

1. شخّص الملاحظات وحدد سببها الجذري.
2. جمّع المشكلة في تعديلات محدودة تم التحقق منها.
3. تحقق من أن التغيير يحل المشكلة من دون التسبب في تراجعات.
4. راجع التغيير المقترح مع خبير في المجال.

تحاول مرحلة التشخيص تحديد ما إذا كان الخطأ ناتجًا عن معرفة مفقودة، أو إجراء استدلال معيب، أو غموض حقيقي.

إذا كانت الإجابة الصحيحة موجودة بالفعل في المادة المصدرية، لكن الوكيل أخفق رغم ذلك، فتتعامل Meta مع الأمر باعتباره مشكلة منهجية. أما إذا كانت المعلومات اللازمة غائبة، فهذه فجوة معرفية. وإذا اختلف الخبراء أنفسهم، فيمكن تصعيد الحالة بدلًا من إجبار النظام على ترميز يقين زائف.

تقترح مرحلة التجميع بعد ذلك تعديلات محدودة. وتقول Meta إن وكلاء منفصلين يفحصون مسائل مثل تأثير المراجع المتبادلة، والتعارضات مع المواقف الحالية، والتكرار، وتأثيرات ميزانية الرموز، وتغطية الاختبارات.

يتلقى مُراجع خصمي جديد التغييرات المقترحة من دون المبررات الأصلية للتحسين، ويحاول العثور على التناقضات أو الحالات الطرفية. ثم يتحقق التحقق البنيوي الحتمي من مشكلات مثل المراجع المعطلة، ودورات التبعيات، وتعارضات المعرّفات، وقيود حجم الملفات.

يمكن تلخيص العملية كما يلي:

تصحيح الخبراء
        |
        v
تشخيص السبب الجذري
        |
        v
اقتراح تعديل محدود
        |
        v
مراجعة خصمية
        |
        v
التحقق البنيوي
        |
        v
إعادة التشغيل + اختبارات التراجع
        |
        v
مراجعة بشرية
        |
        v
اعتماد التغيير
        |
        v
إضافة حالة الفشل إلى مجموعة الاختبارات

بمجرد اعتماد إصلاح، يصبح السيناريو الأصلي الذي تسبب في الفشل جزءًا من مجموعة اختبارات التراجع. لذلك يتعين على التغييرات المستقبلية الحفاظ على ذلك السلوك المصحح حديثًا.

تفيد Meta بعدم حدوث أي تراجعات عبر دورات التحسين لديها خلال فترة التطوير الممتدة لستة أسابيع والموصوفة في الإصدار، بينما انخفضت التقييمات الفردية التي كانت تستغرق أيامًا إلى دقائق. وهذه النتائج هي نتائج النشر الداخلية الخاصة بـMeta، وليست معيارًا مستقلًا.

لماذا يسهل تحديث الملفات أكثر من أوزان النموذج؟

بالنسبة إلى المعرفة المؤسسية سريعة التغيّر، تجعل الملفات التغيير مرئيًا. وهذه أقوى حجة تدعم العنوان الرئيسي.

هذا لا يعني أن تحرير النموذج غير ضروري أو مستحيل. إذ تستكشف أبحاث مثل أبحاث تحرير النماذج MEMIT كيفية تغيير الارتباطات الواقعية مباشرةً داخل نماذج Transformer.

تطرح Meta سؤالًا معماريًا مختلفًا:

إذا كانت معرفة المؤسسة تتغير باستمرار وكان البشر بحاجة إلى فحص كل تحديث مهم، فلماذا نضع تلك المعرفة داخل النموذج من الأساس؟

تقول Meta إن الناتج النهائي لخط أنابيب التحسين الخاص بها هو فرق يمكن لخبير في المجال مراجعته بسرعة. ويتمثل مبدأ التصميم الأوسع لديها في إبقاء هذا التعقيد داخل نص يظل خاضعًا للتحكم في الإصدارات، وقابلًا للمقارنة، وقابلًا للعكس.

وهذا يجعل صيانة المعرفة أقرب بكثير إلى إدارة إعدادات البرمجيات منها إلى إعادة تدريب النموذج.

هل تتحول Markdown وYAML إلى طبقة ذاكرة محمولة لوكلاء الذكاء الاصطناعي؟

يُعد تصميم Meta جزءًا من حركة أوسع نحو تمثيلات للمعرفة يمكن للبشر والوكلاء فحصها مباشرة.

في أبريل 2026، نشر أندريه كارباتي نمط LLM Wiki. تتمثل الفكرة في أن يحافظ نموذج لغوي كبير تدريجيًا على ويكي منظّم ودائم، بدلًا من إعادة بناء المعرفة العابرة للوثائق من نتائج RAG الخام عند كل استعلام.

الخاصية المهمة هي التراكم.

المصدر A
   |
   v
ويكي منظّم

المصدر B
   |
   v
حدّث الصفحات الحالية
أضف العلاقات
أشر إلى التناقضات

المصدر C
   |
   v
تصبح المعرفة أكثر ثراءً
من دون البدء من الصفر

تدفع مواصفة تنسيق المعرفة المفتوحة من Google الفكرة نفسها نحو قابلية التشغيل البيني. يعرّف OKF v0.2 تنسيقًا بسيطًا عمدًا، قائمًا على أدلة تحتوي على ملفات Markdown ذات واجهة YAML أمامية، ويمكن للبشر والوكلاء قراءته دون الحاجة إلى سجل مخططات مركزي أو بيئة تشغيل احتكارية.

This suggests a potentially important direction:

وهذا يشير إلى اتجاه مهم محتمل:

قد تصبح معرفة الوكلاء النصية العادية طبقةً للتشغيل البيني.

              إذا كانت المعرفة المهمة في المؤسسة موجودة كملفات صريحة بدلاً من إخفائها داخل نظام ذاكرة مملوك لمزوّد واحد، فيمكن نظرياً استخدام طبقة المعرفة نفسها من قِبل وكلاء ونماذج مختلفة.
            المعرفة
                 |
       +---------+---------+
       |         |         |
       Markdown / YAML
    v         v         v
       |         |         |
       +---------+---------+
                 |
              Claude     Gemini     Qwen

الوكلاء

يصبح النموذج قابلاً للاستبدال، أما المعرفة المتراكمة فلا يلزم أن تكون كذلك.

إذا أصبحت ذاكرة وكيل الذكاء الاصطناعي ملفات، فأين ينبغي تخزين هذه الملفات؟

بمجرد أن تصبح معرفة الوكيل مجموعة دائمة من الملفات، يظهر سؤال جديد حول البنية التحتية: تحتاج هذه الملفات إلى وسائل الحماية نفسها التي تحتاج إليها أي بيانات تنظيمية قيّمة أخرى.

• قد تحتوي طبقة معرفة جادة على:
• والمواقف المنسقة،
• وقرارات الخبراء،
• والتصنيفات،
• ووصفات الاستدلال،
• ومنطق التوجيه،
• وحالات التقييم،
• والوثائق المصدرية،
• والاستشهادات،
• والتحسينات التي ينشئها الوكيل،

وهذا يفرض متطلبات لا علاقة كبيرة لها بحجم نموذج اللغة الكبير:

يمكن تنفيذ هذه المتطلبات على محطة عمل أو خادم خاص أو وحدة NAS لمعارف الوكلاء طويلة الأمد أو مستودع Git أو بيئة سحابية خاضعة للتحكم. ولا تتطلب بنية Meta أي منتج تخزين محدد.

النقطة الأوسع هي أن معرفة الوكيل بدأت تبدو أقل شبهاً بسياق المطالبة المؤقت، وأكثر شبهاً بأصل بيانات طويل الأمد.

لماذا لا يكفي التحكم في الإصدارات لذاكرة الذكاء الاصطناعي؟

التحكم في الإصدارات بأسلوب Git مفيد للغاية للمعرفة المنظمة للوكلاء، لأنه يوفّر الفروقات والسجل والمراجعة والفروع والرجوع المنطقي. لكنه ليس استراتيجية مكتملة لحماية البيانات.

يجيب التحكم في الإصدارات أساسًا عن:

ما الذي تغيّر؟

تجيب لقطات نظام الملفات للاسترداد السريع عن سؤال مختلف:

هل يمكنني استعادة حالة العمل الكاملة بسرعة من الفترة التي سبقت التغيير السيئ؟

يجيب النسخ الاحتياطي عن سؤال آخر:

هل يمكنني الاسترداد إذا فُقد نظام التخزين الأصلي نفسه أو تعرض للتلف؟

يصبح هذا التمييز أكثر أهمية عندما يُسمح للوكلاء بتحديث طبقة المعرفة الخاصة بهم.

قد يكون من السهل التراجع عن تعديل غير صحيح في Git. أما تلف المستودع، أو فقدان مجموعة المرفقات، أو تلف فهرس المتجهات، أو حذف أرشيف المصادر الأولية عن طريق الخطأ، أو تعطل جهاز التخزين، فتمثل فئة مختلفة من المشكلات.

إذا أصبحت قاعدة المعرفة جزءًا من طريقة عمل المؤسسة، فينبغي التعامل مع حماية تلك المعرفة باعتبارها بنية تحتية للبيانات، لا مجرد هندسة للمطالبات.

كيف تبدو حزمة معرفة محلية متينة للوكيل؟

يمكن لبنية عملية لذاكرة الوكيل أن تفصل بين الذكاء والمعرفة المنسقة والاسترجاع وبيانات المصدر والحماية، بدلًا من جمعها في طبقة واحدة.

نموذج الذكاء الاصطناعي
Claude / Gemini / Qwen / أخرى
        |
        v
بيئة تشغيل الوكيل
الأدوات / التوجيه / الجلسات
        |
        v
المعرفة المنسقة
المواقف
التصنيف
الوصفات
القواعد
        |
        v
الاسترجاع المعزز بالتوليد / البحث
الفهارس
التضمينات
البحث المعجمي
        |
        v
المصادر الأولية
ملفات PDF
المستندات
الشفرة
السجلات التاريخية
        |
        v
حماية البيانات
التحكم في الإصدارات
اللقطات
النسخ الاحتياطي

ميزة هذه البنية هي الاستقلالية.

يمكن تغيير النموذج من دون إعادة كتابة قاعدة المعرفة. ويمكن تغيير محرك الاسترجاع من دون حذف المصادر الأولية. ويمكن استبدال إطار عمل الوكيل من دون فقدان قرارات الخبراء. ويمكن ترقية أجهزة التخزين من دون تغيير البنية المنطقية للمعرفة نفسها.

هذا تعريف أكثر استدامة بكثير لذاكرة الذكاء الاصطناعي من عبارة «أيًّا كان السياق الذي يتذكره روبوت الدردشة الحالي».

هل يُظهر «العقل الثاني» لدى Meta إلى أين تتجه ذاكرة وكلاء الذكاء الاصطناعي؟

تشير بنية Meta إلى أن الأصل طويل الأمد في نظام وكيل ذكاء اصطناعي قد يكون على نحو متزايد طبقة المعرفة بدلًا من النموذج.

ستواصل النماذج تحسّنها سريعاً. وقد تنتقل المؤسسات بين نماذج رائدة مملوكة، ونماذج محلية مفتوحة الأوزان، ووكلاء متخصصين، أو مزيج من هذه الخيارات الثلاثة.

تتغير المعرفة المؤسسية على مقياس زمني مختلف.

قد تمضي الشركة سنوات في اكتشاف:

• وأيّ الإجراءات تنجح فعلاً،
• وأيّ الاستثناءات مهمة،
• وأيّ المصطلحات تتجنب الالتباس،
• وأيّ القرارات التاريخية تظل ذات صلة،
• وما التصحيحات التي يقدمها الخبراء ولا ينبغي اكتشافها من جديد أبداً.

وينبغي ألا تصبح هذه المعرفة بلا قيمة لمجرد تغيّر نموذج الاستدلال.

يوضح تصميم Meta أيضاً أن الذاكرة القائمة على الملفات ليست بديلاً عن كل تقنيات الذاكرة الأخرى. فالبنية الأقوى متعددة الطبقات:

أوزان النموذج للذكاء العام، والملفات المنظّمة للمعرفة المؤسسية التي تتم صيانتها، وتقنية RAG للأدلة المتناثرة، والوصفات للمنهجية، وحالة التشغيل للمهام النشطة، مع إدارة الإصدارات والنسخ الاحتياطي لضمان الاستمرارية.

وتغيّر النتيجة طريقة تفكيرنا في «الدماغ الثاني» للذكاء الاصطناعي.

وليست مجرد نافذة سياق أكبر.

وليست مجلداً مليئاً بملفات PDF.

وليست قاعدة بيانات متجهية بحد ذاتها.

كما أنها ليست معرفة عالقة بشكل دائم داخل نموذج واحد.

الدماغ الثاني المستدام هو نظام معرفة تتم صيانته، ويمكن فحصه وتصحيحه واختباره واستعادته وتسليمه إلى النموذج التالي.

يمكن استبدال النموذج الشهر المقبل. أما المعرفة التي أمضت المؤسسة سنوات في بنائها، فينبغي أن تبقى بعد استبداله.

الأسئلة الشائعة: «الدماغ الثاني التنظيمي» من Meta وذاكرة وكلاء الذكاء الاصطناعي

ما «الدماغ الثاني التنظيمي» من Meta؟

إنها بنية داخلية لوكلاء الذكاء الاصطناعي طوّرتها Meta للحفاظ على المعرفة التنظيمية المتخصصة. وتجمع بين ملفات المعرفة المنظّمة، ووصفات الاستدلال القابلة للتركيب، والتقييم، وحلقة للتحسين الذاتي تحوّل تصحيحات الخبراء إلى تحديثات مختبرة من دون إعادة تدريب النموذج الأساسي.

هل تخزّن Meta كل ذاكرة وكلائها للذكاء الاصطناعي في ملفات Markdown؟

لا. يستخدم النظام طبقة معرفة منظّمة قائمة على الملفات لحفظ المعرفة المؤسسية عالية القيمة، مع الإبقاء على الاسترجاع الدلالي والمعجمي للمواد المرجعية المتناثرة. ولا يزال النموذج نفسه يوفّر الذكاء العام، وقد توجد حالات تشغيلية أخرى خارج ملفات المعرفة.

هل يستبدل «الدماغ الثاني» من Meta تقنية RAG؟

لا. تجمع Meta عمداً بين المعرفة المنسّقة وتقنية RAG. تُلخَّص المواقف المستخدمة بكثرة، وأطر اتخاذ القرار، والتفسيرات في ملفات منظّمة، بينما تظل المواصفات التفصيلية والسجلات التاريخية والأدلة النادرة الاستخدام متاحة عبر الاسترجاع.

لماذا لا نستخدم ببساطة نافذة سياق بسعة مليون رمز؟

لا تجعل نافذة السياق الكبيرة السياق غير ذي الصلة مجانيًا أو مفيدًا. وجدت Meta أن الكشف التدريجي المرحلي أتاح لكل خطوة استدلال تحميل التعليمات والمعرفة التي تحتاج إليها فقط، مما خفّض عدد الرموز المستهلكة في كل دور بنحو 80% مقارنةً بنهج التحميل الأوسع السابق.

لماذا نحتفظ بالمعرفة المؤسسية خارج أوزان النموذج؟

تسهُل على البشر معاينة الملفات الخارجية وتحريرها والاستشهاد بها وإدارة إصداراتها ومقارنة الفروقات بينها واختبارها والتراجع عنها. كما تتيح للمؤسسة الاحتفاظ بالمعرفة نفسها عند تغيير مزوّدي النماذج أو ترقية نموذج LLM الأساسي.

ما هي وصفات الاستدلال لدى Meta؟

الوصفات هي تعليمات إجرائية تحدد كيفية تحليل الوكيل لمهمة ما. وهي منفصلة عمدًا عن ملفات المعرفة: إذ تصف ملفات المعرفة حقائق المؤسسة ومواقفها، بينما تصف الوصفات عملية الاستدلال المستخدمة لتطبيقها.

كيف يتعلم Second Brain من Meta من الخبراء؟

تُشخَّص تصحيحات الخبراء لتحديد الأسباب الجذرية، وتُترجم إلى تعديلات محدودة، وتُراجَع عبر تحقق عدائي وبنيوي، وتُختبر مقابل مجموعات اختبار الإعادة والانحدار، ثم يراجعها خبير بشري. وتُضاف الإصلاحات الناجحة إلى مجموعة اختبار الانحدار، بحيث يتعين على التحديثات المستقبلية الحفاظ عليها.

هل ذاكرة الوكيل القائمة على الملفات هي نفسها قاعدة بيانات متجهية؟

لا. قاعدة البيانات المتجهية هي في الأساس آلية للاسترجاع. ويمكن لملفات المعرفة المنظّمة حفظ التفسيرات المنقّحة، والقواعد، والتبعيات، وحدود الاستدلال، والاستشهادات، والتغييرات التي راجعها البشر. ويمكن استخدام الاثنين معًا.

هل يمكن لملفات المعرفة نفسها أن تعمل مع نماذج ذكاء اصطناعي مختلفة؟

نعم، من المحتمل. يمكن لبيئات تشغيل الوكلاء المختلفة استهلاك التنسيقات المستقلة عن النموذج، مثل Markdown وYAML، ما دامت الأدوات المحيطة تفهم المخطط وقواعد التوجيه. وهذا أحد أسباب ازدياد الاهتمام بتنسيقات المعرفة المحمولة.

هل تحتاج ذاكرة الوكيل إلى جهاز NAS أو خادم منزلي؟

ليس بالضرورة. يمكن أن توجد المعرفة على أي نظام تخزين موثوق ومصرّح به. ويصبح خادم محلي أو جهاز NAS لمشاركة المعرفة الدائمة بالذكاء الاصطناعي مفيدًا عندما تحتاج قاعدة المعرفة أيضًا إلى لقطات محفوظة، وأرشيفات كبيرة للمصادر، ونسخ احتياطية مستقلة.