یکی از اعصاب‌خردکن‌ترین اتفاقات هنگام کار طولانی با AI این است که بعد از چند ساعت یا چند روز، احساس می‌کنی باید دوباره همه‌چیز را توضیح بدهی.
مثلاً به AI می‌گویی:
«همون پروژه‌ای که هفته پیش داشتیم روش کار می‌کردیم رو ادامه بده.»
و جواب می‌دهد:
«حتماً! لطفاً کمی درباره پروژه توضیح بده.»
اینجا مشکل لزوماً «حافظه ضعیف AI» نیست. مسئله این است که اطلاعات پروژه به شکل مناسبی در Context قرار نگرفته‌اند.
و این تفاوت خیلی مهمی است.
اول یک سوءتفاهم را برطرف کنیم
وقتی می‌گوییم AI چیزی را «یادش مانده»، الزاماً منظورمان این نیست که مدل همه مکالمات قبلی را مثل مغز انسان به خاطر سپرده.
در سیستم‌های جدید چند مفهوم متفاوت وجود دارد:
Context
اطلاعاتی که همین الان در اختیار مدل قرار گرفته.
Memory
اطلاعاتی که سیستم برای استفاده در تعاملات آینده ذخیره می‌کند.
Project Knowledge
مجموعه فایل‌ها و اطلاعات ثابت مربوط به یک پروژه.
RAG
سیستمی که به‌جای فرستادن تمام اطلاعات، فقط بخش مرتبط را هنگام نیاز پیدا و وارد Context می‌کند.
مثلاً Claude در Projects امکان قرار دادن فایل‌ها و دستورالعمل‌های پروژه را دارد و در پروژه‌های بزرگ‌تر می‌تواند از RAG برای جست‌وجوی اطلاعات مرتبط استفاده کند.
ترفند اصلی: یک «Source of Truth» بساز
یکی از بهترین تکنیک‌ها این است که اطلاعات مهم پروژه را داخل یک فایل مرکزی نگه داری.
مثلاً:
PROJECT.mdداخلش بنویس:
# Project: Socket
## هدف پروژه
ساخت یک پلتفرم برای مقایسه محصولات،
فروشندگان و قیمت‌ها.
## قوانین مهم
- Socket فروشگاه نیست.
- قیمت متعلق به Offer فروشنده است.
- واحد پول اصلی IRT است.
- قیمت‌ها باید زمان آخرین بروزرسانی داشته باشند.
## صفحات
- Product
- Seller
- Login
- Favorites
- Reviews
- Blog
- Admin
## تصمیم‌های قطعی
- Virtual SIM در پروژه نیست.
- Gift Card denomination جدا از قیمت نگهداری می‌شود.حالا به‌جای اینکه هر بار ۲۰ پیام قبلی را توضیح بدهی، می‌توانی بگویی:
«قبل از هر تغییر، PROJECT.md را بخوان و تصمیم‌های داخل آن را مرجع اصلی پروژه در نظر بگیر.»
این یعنی داری برای AI یک حافظه خارجی و قابل کنترل می‌سازی.
ترفند دوم: Memory را با Context قاطی نکن
یک اشتباه رایج این است که همه چیز را داخل یک Prompt عظیم بریزیم:
این پروژه است...
این قوانین است...
این فایل‌ها هستند...
این تصمیم قبلی است...
این هم ۵۰ پیام قبلی...این روش همیشه بهتر نیست.
Anthropic در بحث Context Engineering هم روی همین مسئله تأکید کرده: مسئله فقط «اطلاعات بیشتر» نیست؛ باید اطلاعات درست را در زمان درست وارد Context کرد.
بهترین معماری معمولاً چیزی شبیه این است:
Permanent Knowledge
↓
Project Rules
↓
Current Task
↓
Relevant Context
↓
AIنه:
Everything Ever Said
↓
AIترفند سوم؛ از AI بخواه خودش Memory را آپدیت کند
این یکی برای پروژه‌های طولانی خیلی کاربردی است.
مثلاً در پایان هر Session بگو:
«قبل از پایان، تصمیم‌های جدید، تغییرات مهم، خطاهای کشف‌شده و کارهای باقی‌مانده را استخراج کن و به شکل یک Project Memory Update بنویس.»
خروجی می‌تواند این شکلی باشد:
# Memory Update — 2026/09/11
## New Decisions
- Product prices use IRT.
- Gift card denomination is separate.
## Changed
- PriceLine now shows denomination.
## Fixed
- RTL issue with mixed Persian/Latin text.
## Pending
- Review seller page.
- Test mobile layout.Session بعدی کافی است همین Memory Update را در اختیار AI قرار بدهی.
این تکنیک مخصوصاً برای پروژه‌های Coding فوق‌العاده است.
ترفند چهارم؛ AI را مجبور کن قبل از تغییر، Memory را بررسی کند
یکی از بهترین Promptهایی که می‌توانی برای پروژه‌های جدی استفاده کنی:
Before making any changes:
1. Read the project memory.
2. Identify relevant constraints.
3. Identify previous decisions.
4. Check whether the requested change conflicts
with any existing decision.
5. Only then propose the implementation.
Never silently override an existing project decision.این یک تفاوت مهم ایجاد می‌کند.
AI دیگر فقط نمی‌پرسد:
«کاربر الان چه چیزی می‌خواهد؟»
بلکه می‌پرسد:
«کاربر الان چه چیزی می‌خواهد و این درخواست چه ارتباطی با تصمیم‌های قبلی پروژه دارد؟»
ترفند پنجم؛ برای هر پروژه یک «Decision Log» داشته باش
این یکی خیلی underrated است.
یک فایل بساز:
DECISIONS.mdو هر تصمیم مهم را ثبت کن:
# Decision Log
## 001
Decision:
Socket is not an online store.
Reason:
It compares sellers and offers.
Status:
Confirmed
---
## 002
Decision:
Base currency is IRT.
Reason:
Platform payments are in Iranian Rial.
Status:
Confirmedحالا اگر سه هفته بعد AI پیشنهاد کرد:
«بیایید Socket را به یک فروشگاه تبدیل کنیم.»
می‌توانی به Decision Log ارجاع بدهی و جلوی تغییر معماری اشتباه را بگیری.
حتی Claude Code هم دقیقاً به سمت همین مدل رفته
این ایده فقط یک ترفند Prompt نیست.
Claude Code امکان استفاده از فایل‌های CLAUDE.md برای نگهداری دستورالعمل‌های پایدار پروژه را دارد و قابلیت Auto Memory هم می‌تواند یادگیری‌های مربوط به پروژه را بین Sessionها نگه دارد.
حتی Anthropic در توضیحات مربوط به مدل‌های جدیدش روی long-running tasks و حفظ Context در پروژه‌های چندروزه تأکید می‌کند.
یعنی جهت حرکت AIها مشخص است:
از Chat -> به Workspace -> به Agent -> به حافظه پایدار پروژه
یک معماری خفن‌تر
اگر پروژه جدی باشد، می‌توانی Memory را به چند لایه تقسیم کنی:
AI AGENT
│
┌────────────┼────────────┐
↓ ↓ ↓
PROJECT DECISIONS CURRENT TASK
MEMORY LOG
│ │ │
└────────────┼────────────┘
↓
CONTEXT
↓
MODELاین یعنی AI لازم نیست همه‌چیز را بداند.
فقط باید چیزی را که برای تصمیم فعلی لازم است، در لحظه مناسب پیدا کند.
و این دقیقاً همان جایی است که Memory، Context Engineering و RAG به هم نزدیک می‌شوند.
یک Prompt نهایی برای امتحان
اگر می‌خواهی همین تکنیک را روی ChatGPT یا Claude تست کنی، این Prompt را امتحان کن:
You are working on a long-running project.
Before answering any request:
1. Review the available project context.
2. Identify relevant previous decisions.
3. Identify constraints that apply to the current task.
4. Do not contradict confirmed decisions without explicitly
asking for a change.
5. If important project context is missing, state exactly
what is missing.
6. At the end of each major task, generate a short
"Memory Update" containing:
- New decisions
- Changes
- Important discoveries
- Remaining tasks
Treat the project memory as the source of truth.ترفند واقعی این نیست که کاری کنیم AI «همه‌چیز را یادش بماند».
ترفند این است که کاری کنیم AI همیشه بتواند اطلاعات درست را در زمان درست پیدا کند.
و این، یکی از تفاوت‌های مهم بین یک چت معمولی با AI و یک AI Workspace واقعی است.
