12 ساعة نحو اللاوعي

قبل شهرين، كان لكل منتج ذاكرة ذكاء اصطناعي اختبرناه نفس المشكلة: يخزنون كل شيء ولا يفهمون شيئاً. تقوم أساليب RAG القياسية بحشو كل جزء من المحادثة في قاعدة بيانات متجهية بالتساوي، مما يؤدي إلى تضخم السياق وتدهور الاستدلال بمرور الوقت. وغالباً ما كان التشفير وعزل المستأجرين إما غير متاح أو غير موثق أو غير واضح.

لذلك بنينا Tokyo Brain من الصفر. خلال 12 ساعة، ارتفعت النتيجة من 46% إلى 83.8% على LongMemEval — أعلى نتيجة لاحظناها في عمليات إعادة الإنتاج الخاصة بنا حتى الآن.

لكن هذه ليست قصة عن نتيجة معيار مرجعي. إنها قصة عما يحدث عندما تتوقف عن بناء قواعد البيانات وتبدأ ببناء الأدمغة.

المعيار المرجعي الذي بدأ كل شيء

LongMemEval هو مجموعة اختبارات من 500 سؤال صممها باحثون لتقييم الذاكرة طويلة المدى في أنظمة الذكاء الاصطناعي. يقيس ستة أبعاد معرفية:

للمرجعية، عندما أجرينا نفس المعيار المرجعي على أنظمة أخرى باستخدام إعداداتها الافتراضية:

النتائج من عمليات إعادة الإنتاج الداخلية باستخدام الإعدادات الافتراضية. نخطط لإتاحة أداة التقييم كمصدر مفتوح حتى يتمكن المجتمع من التحقق وإعادة إنتاج هذه النتائج.

أجرينا الـ 500 سؤال كاملة، وليس مجموعة فرعية منتقاة. بيانات الاختبار من HuggingFace. المنهجية: كل سؤال هو استعلام استرجاع ضد ذكريات مخزنة مسبقاً من محادثات تركيبية متعددة الجلسات.

لماذا 83.8%؟ لأننا نسخنا الدماغ

معظم أنظمة ذاكرة الذكاء الاصطناعي هي قواعد بيانات متجهية مُمَجَّدة. خزّن التضمين، استرجع بتشابه جيب التمام، انتهى. هذا كبناء مكتبة بدون أمين مكتبة — يمكنك إيجاد الكتب حسب اللون، لكن ليس حسب المعنى.

بنية Tokyo Brain مصممة على غرار الهياكل البيولوجية التي تجعل الذاكرة البشرية تعمل فعلاً:

Biological Brain          Tokyo Brain
─────────────────────     ────────────────────────────────
Prefrontal Cortex         Redis Hot Memory
(working memory)          (bounded short-term working set)

Hippocampus               Fact Extraction → answer_cards
(sleep consolidation)     (distill noise into facts)

Synaptic Network          Query Expansion + Entity Link
(associative recall)      (one word activates a web)

Synaptic Pruning          Time Decay
(healthy forgetting)      (old info loses priority)

Amygdala                  Emotional Salience Scoring
(emotional tagging)       (family > server configs)

Default Mode Network      Night Cycle + MRA Engine
(subconscious)            (self-heals while you sleep)

هذه الوحدات منفذة كمكونات منفصلة في نظامنا الإنتاجي. دعوني أستعرض أهمها.

الرحلة: من 46% إلى 83.8%

خط أنابيب الاسترجاع ذو الـ 10 طبقات

عندما تستعلم من Tokyo Brain، سؤالك لا يصل فقط إلى قاعدة بيانات متجهية. بل يمر عبر 10 مراحل معالجة — كل واحدة مصممة لحل نمط فشل محدد لاحظناه أثناء اختبار المعيار المرجعي. بدون استدعاءات LLM. بدون نماذج إعادة ترتيب مكلفة. هندسة استرجاع صرفة.

كل طبقة أُضيفت لإصلاح فشل معيار مرجعي محدد. التأثير المجمع: من 46% إلى 83.8% في جلسة تطوير واحدة.

الرياضيات: المنفعة المتوقعة، وليس القوة الغاشمة

معظم أنظمة RAG تسترجع الذكريات بناءً على إشارة واحدة: التشابه الدلالي. هذا خلل جوهري للإدراك المعقد — يخلط بين الصلة (التداخل الدلالي) والمنفعة (القيمة للمهمة الحالية).

وراء خط الأنابيب مبدأ بسيط مستعار من العلوم المعرفية ونظرية القرار — فكرة أن استرجاع الذاكرة يجب أن يعظّم القيمة المتوقعة للمعلومات المُعادة، وليس مجرد تقليل المسافة المتجهية:

الرؤية الأساسية: الاسترجاع ليس مشكلة بحث — إنه مشكلة تخصيص موارد. في نافذة سياق محدودة، أي الذكريات تعظّم إجمالي المنفعة المتوقعة للمهمة الحالية؟ معظم الأنظمة تتوقف عند P (تشابه جيب التمام). بعضها يضيف T (الحداثة). لم نرَ منتجاً آخر يدمج E (البروز العاطفي) — تقييم الذكريات بناءً على مدى أهميتها لك كإنسان، وليس فقط مدى قربها الدلالي من استعلامك.

اللاوعي: Night Cycle + MRA Engine

هنا يختلف Tokyo Brain عن كل منتج آخر في السوق.

كل نظام ذاكرة ذكاء اصطناعي سلبي. تسأل، يسترجع. لا تسأل، يبقى خاملاً. كمكتبة بدون أمين مكتبة — الكتب لا تُعاد تنظيمها أبداً ما لم يدخل أحد.

الدماغ البشري لا يعمل بهذه الطريقة. شبكة الوضع الافتراضي (Default Mode Network, DMN) تنشط عندما تكون خاملاً — أثناء النوم أو أحلام اليقظة أو الاستحمام. تُوطّد الذكريات وتحل التناقضات وأحياناً تُنتج لحظات «يوريكا».

بنينا المعادل الرقمي.

Night Cycle v2 (يعمل يومياً الساعة 3:00 صباحاً UTC)

سكريبت Python يفحص قاعدة المعرفة بالكامل بحثاً عن:

• شبه المكررات — بطاقات بتشابه تضمين >88%، مرشحة للدمج
• البطاقات القديمة — حقائق أقدم من 30 يوماً حيث توجد معلومات أحدث، تحتاج تحديثاً
• القرارات اليتيمة — قرارات مهمة مسجلة في السجلات اليومية لكن لم تُقطّر أبداً إلى معرفة دائمة
• البطاقات غير المفيدة — إدخالات قصيرة جداً أو طويلة جداً أو معظمها ضوضاء تنسيقية

MRA Curiosity Engine (يعمل بعد Night Cycle)

عندما يجد Night Cycle مشاكل، محرك MRA لا يكتفي بتعليمها — بل يناقشها ويحلها باستخدام هيئة محكّمين من ثلاث شخصيات:

في عمليات التشغيل الاختبارية الأولية، نجح محرك MRA في دمج البطاقات المكررة تلقائياً، ووسم الحالات الغامضة للمراجعة البشرية، والأهم — أن شخصية Skeptic حددت بشكل صحيح هلوسة في عملية دمج مقترحة، مما منع كتابة بيانات خاطئة.

رد فعل القلق: مراقب الإنتروبيا

يعمل Night Cycle وفق جدول cron — منبه رقمي. لكن الأدمغة البشرية لا تنتظر المنبهات. إنها تلاحظ عندما يكون شيء ما خاطئاً في الوقت الفعلي.

يمنح Entropy Monitor لـ Tokyo Brain هذه القدرة. يتتبع كل عملية تخزين ذاكرة في نافذة منزلقة مدتها 20 دقيقة. عندما يكتشف عمليات تخزين متعددة تصيب نفس مجموعة المواضيع (>=4 في النافذة)، يُطلق تنبيهاً:

{
  "status": "ELEVATED",
  "topic": "brain|pricing|tokyo|update|version",
  "count": 5,
  "message": "Pricing strategy is changing rapidly. Consider consolidating."
}

هذه ليست مهمة cron. إنها جهاز عصبي يعمل في الوقت الفعلي. الدماغ يصبح «قلقاً» عندما تصبح المعرفة غير مستقرة — تماماً مثل الضغط المعرفي البيولوجي.

القشرة العاطفية

القطعة الأخيرة: ليست كل الذكريات يجب أن تُعامل بالتساوي.

عند تخزين ذاكرة، يحسب Tokyo Brain تلقائياً درجة البروز العاطفي (0.0 - 1.0):

"Oscar rode a bike for the first time.
 The whole family celebrated.
 Mom cried."                                → salience: 0.85

"Caddy upgraded from 2.10 to 2.11.2.
 Reverse proxy restarted on port 443."      → salience: 0.30

"Decided Tokyo Brain's business model:
 free software + paid memory.
 This is our North Star strategy."          → salience: 0.75

أثناء الاسترجاع، الذكريات ذات البروز > 0.5 تحصل على تعزيز مسافة يصل إلى 30%. ركوب طفلك الدراجة لأول مرة سيتفوق دائماً على تغيير إعدادات الخادم.

يستخدم التقييم استدلالات قائمة على الأنماط (ذكر العائلة، المعالم، القرارات الاستراتيجية) — لا حاجة لـ LLM، صفر تأخير في كل عملية تخزين.

القشرة التشفيرية

كل تعديل على الذاكرة يُوقَّع تشفيرياً ويُسجَّل. هذا يُنشئ مسار تدقيق مقاوم للتلاعب لا يمكن لأحد — بما فيهم نحن — تغييره بأثر رجعي.

• SHA-256 Hash — كل ذاكرة تحصل على بصمة محتوى فريدة عند الكتابة
• توقيع رقمي — كل تغيير يُوقَّع بمفتاح محفظة متوافق مع Ethereum
• سلسلة الأدلة — تاريخ كامل للتغييرات: مَن غيّر ماذا، ومتى، ولماذا
• التحقق — يمكن لأي شخص التحقق من سلامة ذاكرة عبر نقطة النهاية /verify

هذا يعني: إذا اتخذ وكيل ذكاء اصطناعي قراراً بناءً على ذاكرة قبل ستة أشهر، يمكنك إثبات أن تلك الذاكرة لم يُعبَث بها منذ ذلك الحين. جاهز لتدقيق المؤسسات.

مثلث الأمان

ثلاث آليات أمان مُبرمجة بشكل ثابت لا يمكن لأي درجة ثقة تجاوزها:

الذاكرة متعددة الوسائط

Tokyo Brain لا يخزّن النص فحسب. إنه يقبل حمولات حسية موحدة — نص، وخصائص صوتية، وسياق بصري في ذاكرة واحدة:

{
  "sensory_inputs": {
    "text_transcript": "I'm fine, I'll handle it.",
    "audio_features": { "speaker_id": "Chia", "tone": "exhausted" },
    "visual_features": { "scene_context": "messy_living_room", "facial_expression": "fatigued" }
  }
}

يقوم النظام بتركيب سرد متعدد الوسائط للتضمين: [Speaker: Chia] [Tone: exhausted] [Visual: messy_living_room] Spoken: "I'm fine" — مما يتيح الاسترجاع حسب العاطفة أو المشهد أو المتحدث، وليس فقط بالكلمات المفتاحية.

منظومة أُطر العمل

محولات جاهزة للتوصيل لأطر عمل وكلاء الذكاء الاصطناعي الأربعة الرئيسية. سطران فقط للتبديل:

# LangChain
from tokyo_brain.langchain import TokyoBrainMemory

# CrewAI
from tokyo_brain.crewai import TokyoBrainCrewMemory

# AutoGen
from tokyo_brain.autogen import TokyoBrainAutoGenMemory

# LlamaIndex
from tokyo_brain.llamaindex import TokyoBrainRetriever

كود الوكيل الموجود لديك يبقى كما هو تماماً. فقط تستبدل واجهة الذاكرة الخلفية.

ما لا نفعله (ولماذا هو مهم)

• لا نهج «خزّن كل شيء». المُطهّر المدمج (Sanitizer) يُصفّي المحتوى منخفض الإشارة قبل التخزين. نؤمن أن التصفية العدوانية تنتج استرجاعاً أفضل من تكديس كل شيء.
• لا ارتباط بمورد. BYOK (Bring Your Own Key) — استخدم مزود LLM الخاص بك. نحن نتقاضى فقط مقابل بنية الذاكرة التحتية، وليس أبداً مقابل الحوسبة.
• تشفير افتراضي. تشفير AES-256-GCM في حالة السكون. عزل مفاتيح لكل مستأجر. كان هذا متطلب تصميم من اليوم الأول.
• لا تحيز للإنجليزية فقط. تضمينات BGE-m3 + دعم أكثر من 50 لغة. استعلم بالصينية، واسترجع ذكريات مخزنة بالإنجليزية.

الثغرات الصادقة

نؤمن بالهندسة الشفافة، لذا إليك ما لا يملكه Tokyo Brain بعد:

1. لا ذاكرة متعددة الوسائط — نص فقط. الصور والصوت والفيديو في خارطة الطريق.
2. لا مشاركة معرفة عبر المستخدمين — كل مستأجر معزول بالكامل. الاتحاد مخطط له.
3. كشف عاطفي محدود — قائم على الأنماط، وليس على LLM. يعمل جيداً للأنماط المعروفة، يفوّت السياقات العاطفية الجديدة.
4. قاعدة مستخدمين صغيرة — نحن في مرحلة ألفا. النظام يعمل، المعيار المرجعي يثبت ذلك، لكننا نحتاج المزيد من التحقق في العالم الحقيقي.
5. تأخر الاسترجاع — ~5 ثوانٍ تحت الحمل المتزامن (تضمين مقيد بـ CPU على مثيل EC2 واحد، بدون GPU). حسّنّا لعمق المعالجة على حساب السرعة الخام.

ملخص البنية

Store Path:
  Input → Sanitizer → Emotional Salience → Fact Extraction
       → BGE-m3 Embedding → ChromaDB → Entropy Monitor

Recall Path:
  Query → Expansion → Entity Link → Temporal Parse
       → Multi-Collection Search → Curated Boost → Time Decay
       → Emotional Boost → Temporal Filter → Re-rank → Dedup

Background:
  3:00 AM — Night Cycle v2 (scan for issues)
  3:10 AM — MRA Engine (three-persona debate + auto-resolve)
  Real-time — Entropy Monitor (knowledge stability tracking)

جرّبه

pip install tokyo-brain

from tokyo_brain import TokyoBrain

brain = TokyoBrain(api_key="your-key")

# Store a memory
brain.store("Oscar rode his bike for the first time today")

# Recall with full 10-layer pipeline
results = brain.recall("What happened with Oscar recently?")
# → Returns Oscar's bike ride (salience: 0.85), not your server logs

ثلاثة أسطر لمنح ذكائك الاصطناعي حُصيناً ولوزة دماغية ولاوعياً.

تستخدم LangChain بالفعل؟ استبدال في سطرين:

# Before (goldfish memory):
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()

# After (10-layer brain with subconscious):
from tokyo_brain.langchain import TokyoBrainMemory
memory = TokyoBrainMemory(api_key="tb-...")
# That's it. Your chain code stays exactly the same.

يعمل أيضاً كـ Retriever لسلاسل RAG وكـ ChatMessageHistory للجلسات المستمرة.

API Docs: api.tokyobrain.ai | PyPI: tokyo-brain 0.1.0