یو AI اجنټ د حافظې پرته هره خبره اترې ځان بیا معرفي کولو کې ښکیل دی. حل یو vector ډیټابیس دی — دا ستاسو د سندونو، یادښتونو یا تیرو چټونو embeddingونه زیرموي نو اجنټ کولی شي د غوښتنې پر مهال اړوندې برخې یاد کړي (دا په RAG کې «R» دی). تاسو کولی شئ دا د یوه اداره شوي خدمت په توګه کرایه کړئ، یا کولی شئ پخپله یې په یوه VPS وچلوئ او خپل ډیټا — چې ډیری وخت ستاسو خصوصي ډیټا دی — په یوه box وساتئ چې تاسو یې کنټرولوئ. دلته دی چې څنګه، او دا په RAM کې واقعاً څومره لګښت لري.
دوه ښه انتخابونه
تاسو هیڅ عجیب شي ته اړتیا نلرئ. دوه لارې نږدې هرڅوک پوښي:
pgvector — یو Postgres توسیع. که تاسو لا دمخه Postgres چلوئ (یا خوښ یاست چې وچلوئ)، دا هغه ډیټابیس ته چې تاسو یې لا لرئ vector پلټنه اضافه کوي. یو خدمت، یو بیکاپ، هغه SQL چې پیژنئ. د پراخې فاصلې سره د-لږترلږه-هڅې پیل.
Qdrant — یو د-موخې-جوړ شوی vector engine. هغه وخت ورته لاس ورسوئ چې تاسو ډیر vectorونه لرئ (ټیټ میلیونونه+) یا د ګړندي metadata فلټر کولو او یو dedicated API غواړئ. دا د چلولو لپاره یو جلا خدمت دی، خو دا دقیقاً د دې کار لپاره جوړ شوی.
د ډیری اجنټانو لپاره چې خپلې پښې مومي، pgvector سم لومړی ځواب دی. Qdrant ته حرکت وکړئ کله چې تاسو یې ماتوئ، نه مخکې.
د RAM واقعیت (دا هغه برخه ده چې خلک یې کم اټکل کوي)
Vector پلټنه ګړندۍ ده ځکه چې index په حافظه کې اوسیږي — نو RAM، نه ديسک، ستاسو ریښتینی خنډ دی. یو نږدې لارښود:
- یو څو سوه زره embeddingونه — په ۲ GB کې آرام.
- ټیټ میلیونونه — د ۴ GB+ لپاره پلان وکړئ او index تنظیم کړئ.
- ديسک اسانه برخه ده: یو میلیون embeddingونه یوازې یو څو GB دي، نو ۲۵–۴۵ GB یو جدي store پوښي.
نو د index لپاره اندازه کړئ، نه د فایل. (همدا منطق لکه د عمومي د اندازهکولو لارښود — درانه شی څرګند نه دی تر هغه چې یې اندازه کړئ.)
چټک پیل: pgvector
په یوه box د Postgres سره (Docker ترټولو اسانه دی — همدا نمونه لکه د n8n ځان-کوربهتوب):
CREATE EXTENSION IF NOT EXISTS vector;
CREATE TABLE memory (
id bigserial PRIMARY KEY,
content text,
embedding vector(1536) -- match your embedding model's dimensions
);
-- after you have data, build an index for fast search:
CREATE INDEX ON memory USING hnsw (embedding vector_cosine_ops);
ستاسو اجنټ content + د هغه embedding داخلوي، بیا د ORDER BY embedding <=> $query_embedding LIMIT 5 سره پوښتنه کوي ترڅو تر ټولو نږدې حافظې راکش کړي. دا ټوله حلقه ده.
Qdrant غوره کوئ؟ دا یو واحد Docker کانټینر دی چې یو HTTP/gRPC API څرګندوي؛ تاسو د خپل vector اندازې سره یو collection جوړوئ او پوائنټونه upsert کوئ. همدا نظر، dedicated engine.
ایا دا کولی شي د اجنټ سره یو box شریک کړي؟
هو — د کوچنیو-تر-منځنیو د حافظې storeونو لپاره، vector DB د اجنټ په همدې VPS وچلوئ. دا ساده دی او latency یې اساساً صفر دی. یوازې هغه وخت یې جلا سرورونو ته وویشئ کله چې یو د بل RAM څخه بهر کول پیلوي. دا یوه وروستنۍ، ښه-ستونزه-چې-ولرئ پریکړه ده، نه د لومړۍ-ورځې.
ریښتيني خبرداري
- RAM دیوال دی، او دا آرام دی. پلټنه ګړندۍ پاتې کیږي تر هغه چې index نور په حافظه کې سمون ونلري، بیا خرابیږي. حافظه وګورئ او اندازه یې مخکې بدله کړئ چې ورباندې ولګیږي — د ورو پوښتنو انتظار مه کوئ چې تاسو ته یې ووايي.
- Embeddingونه د جوړولو لپاره tokenونه لګوي. هر سند چې تاسو یې embed کوئ یو embedding مودل ته یو API کاله ده. store د کوربه کولو لپاره ارزانه دی؛ د vectorونو تولید تکراري لګښت دی — د یوه اجنټ چلولو واقعي لګښت پورې اړوند.
- بیکاپ یې کړئ. ستاسو د اجنټ حافظه د هر بل په څیر ډیټا ده. که مهمه وي، سنپشاټ یې کړئ.
د هغه دننه، یو ځان-کوربه شوی vector store یوه پاکه لاره ده چې یو اجنټ ته د خپل خصوصي ډیټا یوې دریمې ډلې ته د سپارلو پرته دوامداره حافظه ورکړئ. په یوه ۲ GB box د pgvector سره پیل وکړئ، په RAM سترګه وساتئ، او یوازې هغه وخت Qdrant یا یوه لویه پلان ته وده وکړئ کله چې شمیرې تاسو ته ووايي.
تبصرې
لا تبصرې نشته. لومړی اوسئ.