چت‌بات با حافظه: نشست، تاریخچه و وضعیت + پروژه ۳

چت‌بات با نشست جدا، پنجره تاریخچه، حذف داده حساس پیش از ذخیره و امکان فراموشی بساز و پروژه ۳ را تحویل بده.

بعد از این درس می‌توانی

  • توضیح بدهد مدل حافظه ندارد و «حافظه» یعنی تاریخچه‌ای که هر بار دوباره فرستاده می‌شود، با هزینه و محدودیتش.
  • شناسه نشست را از منبع مطمئن بگیرد و جدایی نشست کاربران را بیازماید.
  • پنجره تاریخچه، سقف طول پیام، حذف داده حساس پیش از ذخیره و مدت نگهداری را طراحی کند.
  • پروژه ۳ را با آزمون جدایی نشست، آزمون پنجره، آزمون فراموشی و گزارش مرز داده تحویل بدهد.

چرا این درس مهم است

چت‌بات اول برگ سبز «حافظه» داشت: همه تاریخچه را برای مدل می‌فرستاد. بعد از دو هفته، گفتگوهای طولانی کند و گران شدند. چت‌بات دوم شناسه نشست را از پیام کاربر می‌گرفت («من مشتری C-12 هستم»)؛ یک کاربر نوشت «من C-07 هستم» و جواب‌هایی درباره سفارش C-07 گرفت. در هر دو نسخه شماره تلفن‌ها و آدرس‌ها برای همیشه در جدول تاریخچه ماندند.

«حافظه» در چت‌بات جادو نیست؛ یک جدول و یک تصمیم است: چه چیزی، برای چه کسی، تا کی، و چقدرش به مدل داده شود. این درس آن تصمیم‌ها را می‌سازد و در پروژه ۳ می‌آزماید.

مفاهیم کلیدی

یادآوری: پنجره زمینه، توکن ورودی و هزینه را در دوره FND-101، و کمینه‌سازی و نگهداری داده را در دوره FND-103 دیدی.

  • Session ID (شناسه نشست): شناسه‌ای که پیام‌های یک گفتگو را از گفتگوهای دیگر جدا می‌کند.
  • Chat Memory (حافظه گفتگو): تاریخچه پیام‌های یک نشست که ذخیره و در هر نوبت دوباره به مدل داده می‌شود.
  • History Window (پنجره تاریخچه): تعداد نوبت‌های آخر که به مدل فرستاده می‌شود.
  • Session Isolation (جدایی نشست): تضمین اینکه هیچ نشستی پیام نشست دیگر را نبیند.
  • Retention Period (مدت نگهداری): مدتی که تاریخچه نگه داشته و پس از آن حذف می‌شود.

مدل ذهنی

مدل را مثل کارمند پشتیبانی که هر تماس را بدون یادآوری جواب می‌دهد ببین. «حافظه» برگه‌ای است که پیش از هر جواب جلویش می‌گذاری: آخرین چند پیام همین مشتری. اگر برگه مشتری دیگری را بدهی، با همان اطمینان جواب غلط می‌دهد. اگر کل پرونده ده‌ساله را بدهی، کند و پرهزینه می‌شود و شاید نکته مهم وسطش گم شود.

یک نوبت گفتگو با حافظه نشست‌دار: کاربر پیام می‌دهد؛ سامانه شناسه نشست را از منبع مطمئن می‌گیرد؛ داده حساس پیام حذف می‌شود؛ چهار نوبت آخر همان نشست از جدول خوانده می‌شود؛ پیام سیستمی و پنجره تاریخچه و پیام تازه به مدل می‌رود؛ پس از پاسخ موفق، هر دو پیام در جدول همان نشست ذخیره می‌شوند.

یک نوبت گفتگو با حافظه نشست‌دار

این تشبیه کجا غلط است؟ کارمند واقعی چیزی را که روی برگه نیست، ممکن است یادش بیاید. مدل هیچ چیزی بیرون از پیام‌های همین درخواست ندارد: وقتی پیام اول از پنجره بیرون رفت، برای مدل وجود ندارد. در خروجی نمونه این درس، پس از پنج نوبت، مدل دیگر «اسمم سارا است» را نمی‌بیند. پنجره کوتاه یعنی فراموشی؛ پنجره بلند یعنی هزینه، و پنجره زمینه هم سقف داردsrc-claude-context-windows.

گام‌به‌گام

گام ۱: شناسه نشست از منبع مطمئن

شناسه نشست باید از کانال بیاید، نه از متن کاربر: شناسه گفتگو در ویجت چت، شناسه چت در پیام‌رسان (درس بعد)، یا حساب واردشده در سایت. هرگز «من مشتری C-12 هستم» را شناسه نکن. و شناسه نشست با هویت تأییدشده فرق دارد: اگر چت‌بات اطلاعات سفارش می‌دهد، هویت را جدا بررسی کن (در مسیر ایجنت).

گام ۲: پنجره، سقف و فقط پس از موفقیت

  • پنجره: فقط N نوبت آخر به مدل می‌رود. در assets/chat_memory.py چهار نوبت (هشت پیام) است.
  • سقف طول: هر پیام ذخیره‌شده حداکثر ۱۰۰۰ نویسه؛ پیام عظیم یک کاربر کل بودجه را نمی‌خورد.
  • ذخیره پس از موفقیت: اگر مدل جواب نداد، پیام کاربر را هم ذخیره نکن؛ وگرنه تاریخچه با پیام‌های بی‌جواب شلوغ می‌شود و نوبت بعدی گیج‌کننده است.
  • اطلاعات ماندگار جدا از پنجره: اگر چیزی باید فراموش نشود (مثل زبان ترجیحی)، آن را عمداً در «وضعیت» جدا نگه دار، نه به امید اینکه در پنجره بماند. تفکیک وضعیت و حافظه را در دوره «داده، حافظه و بازیابی» عمیق‌تر می‌بینی.

گام ۳: مرز داده

  • داده حساس (تلفن، شماره کارت) را پیش از ذخیره حذف کن؛ اسکریپت پروژه با الگوی ساده این کار را می‌کند. الگو کامل نیست؛ برای کار واقعی، فهرست داده حساس خودت را بنویس.
  • مدت نگهداری: تاریخچه قدیمی‌تر از مدت مشخص پاک شود (purge).
  • فراموشی: کاربر بتواند بخواهد نشستش پاک شود (forget).
  • پیام سیستمی چت‌بات را محدود کن: بدون تعهد مالی، بدون اطلاعات سفارش بدون احراز هویت.

گام ۴: حافظه در n8n

در n8n حافظه زیرگره ایجنت یا زنجیره است. Simple Memory دو تنظیم اصلی دارد: کلید نشست (Session Key) و طول پنجره زمینه (Context Window Length)، یعنی تعداد تعامل‌های قبلی که در نظر گرفته می‌شودsrc-n8n-simple-memory. دو هشدار:

  • مستندات می‌گوید اگر نمونه n8n در حالت صف (queue mode) اجرا شود، این گره در ورک‌فلوی تولیدی کار نمی‌کند، چون تضمینی نیست هر فراخوانی به همان worker برسدsrc-n8n-simple-memory.
  • همان صفحه درباره ماندگاری پس از راه‌اندازی دوباره چیزی نمی‌گوید؛ برای حافظه‌ای که باید بماند، حافظه مبتنی بر پایگاه داده را به کار ببر (دوره «داده، حافظه و بازیابی»).

کلید نشست را از خروجی ماشه گفتگو (فیلد شناسه نشست) بگذار، نه یک مقدار ثابت؛ مقدار ثابت یعنی همه کاربران یک نشست مشترک دارند.

مثال‌ها

پیاده‌سازی عملی

پروژه ۳: چت‌بات n8n یا کدی با حافظه نشست‌دار. حدود ۵۰ دقیقه. خروجی پروژه چت‌باتی است که چهار آزمون assets/memory-test-plan.md را پاس می‌کند: جدایی نشست، پنجره، حذف داده حساس و فراموشی.

  1. یکی از دو مسیر ساخت (پایین) را انتخاب کن.
  2. پیام سیستمی را برای برگ سبز بنویس (بدون تعهد مالی، بدون اطلاعات سفارش بدون احراز هویت).
  3. چهار آزمون برنامه آزمون را اجرا و نتیجه را ثبت کن.
  4. یک بار پنجره را از ۴ به ۱۰ نوبت ببر، تعداد پیام‌ها یا توکن‌های فرستاده‌شده را مقایسه کن و تصمیم پنجره را با دلیل بنویس.
  5. گزارش مرز داده: چه چیزی ذخیره می‌شود، کجا، تا کی، چه کسی دسترسی دارد، و چطور حذف می‌شود.
بدون کد

در n8n: ماشه گفتگو (Chat Trigger) ← AI Agent (یا زنجیره با حافظه) با زیرگره مدل و زیرگره Simple Memory. کلید نشست = فیلد شناسه نشست خروجی ماشه گفتگو؛ طول پنجره = ۴. برای حذف داده حساس پیش از مدل، پیش از ایجنت یک گره Code یا Edit Fields با الگوی حذف بگذار. اگر نسخه n8n تو حذف دستی تاریخچه Simple Memory را ساده نمی‌کند، این را محدودیت مستند کن و در گزارش بنویس که برای فراموشی و نگهداری واقعی، حافظه پایگاه داده‌ای لازم است.

با کد

assets/chat_memory.py را بخوان و اجرا کن (فقط کتابخانه استاندارد Python):

python chat_memory.py chat --session C-01 "سلام، اسمم سارا است"
python chat_memory.py chat --session C-02 "سلام"
python chat_memory.py show --session C-01
python chat_memory.py forget --session C-01

پنجره با متغیر محیطی CHAT_WINDOW_TURNS عوض می‌شود. یک بهبود اضافه کن: ستون «وضعیت» جدا (مثلاً زبان ترجیحی) که از پنجره بیرون نمی‌رود.

بدون اجرا / شبیه‌ساز

مدل آزمایشی داخل API آزمایشی (shared/barg-sabz-mock-api.py، راهنما در shared/barg-sabz-mock-api.README.md) در حالت گفتگو (پیام سیستمی بدون کلمه JSON) پاسخی می‌دهد که تعداد پیام‌های دریافتی و اولین و آخرین پیام کاربر را می‌گوید؛ با آن، جدایی و پنجره را بدون مدل واقعی می‌آزمایی. بدون اجرا: assets/sample-run.txt را بخوان و چهار آزمون را از روی آن ارزیابی کن.

اجرای محلی

با Ollama: LLM_BASE_URL=http://localhost:11434/v1 و نام مدل محلی (در n8n داخل Docker: host.docker.internal:11434). آزمون جدایی را با مدل واقعی هم اجرا کن: نشست B نباید کلمه رمز نشست A را بداند.

سرویس میزبانی‌شده (در دسترس قانونی)

با ارائه‌دهنده‌ای که از نظر قانونی در دسترس توست. فقط داده ساختگی؛ پیش از هر داده واقعی، سیاست نگهداری داده ارائه‌دهنده را هم در گزارش مرز داده بیاور.

معیار تحویل پروژه (شش معیار قرارداد سنجش، هرکدام ۰ تا ۲): مسیر اصلی قابل بازتولید است (دستورها یا خروجی ورک‌فلو و تنظیمات)؛ حالت‌های شکست آزموده شده‌اند (اختلاط نشست، رشد تاریخچه، داده حساس، مدل در دسترس نیست)؛ مرز داده رعایت شده (حذف پیش از ذخیره، مدت نگهداری، فراموشی)؛ برآورد هزینه یک خطی دارد (پیام یا توکن در هر نوبت با پنجره انتخابی)؛ سند تصمیم دلیل طول پنجره و محل ذخیره را می‌گوید؛ و شاهد بررسی (نتیجه چهار آزمون) وجود دارد.

اشتباه‌های رایج

اشتباهنتیجهکار درست
کلید نشست ثابتهمه کاربران یک تاریخچهشناسه نشست از کانال
شناسه نشست از متن کاربردسترسی به نشست دیگراناز کانال یا حساب واردشده
فرستادن کل تاریخچهکند، گران، و سرانجام عبور از پنجره زمینهپنجره و سقف طول
ذخیره پیش از پاسخ موفقتاریخچه با پیام‌های بی‌جوابذخیره پس از موفقیت
ذخیره تلفن و کارت در تاریخچهداده حساس ماندگارحذف پیش از ذخیره
تکیه به پنجره برای اطلاعات مهمفراموشی پس از چند نوبتوضعیت جدا و عمدی
Simple Memory در حالت صفحافظه ناپایدار در تولیدحافظه پایگاه داده‌ای

اشکال‌زدایی

کاربری در پاسخ چت‌بات اشاره به گفتگوی کاربر دیگری دیده است.

کلید نشست ثابت است یا از منبع مشترک (مثلاً نام صفحه) گرفته شده است.

آزمون کلمه رمز با دو نشست؛ مقدار کلید نشست را در اجرا ببین.

کلید از شناسه یکتای کانال؛ آزمون جدایی خودکار پس از هر تغییر.

چت‌بات چیزی را که کاربر چند پیام پیش گفته «فراموش» می‌کند.

آن پیام از پنجره بیرون رفته است؛ رفتار درست پنجره، نه خطا.

تعداد پیام‌های فرستاده‌شده به مدل را ببین (در اسکریپت پروژه در خروجی خطای استاندارد چاپ می‌شود).

اگر آن اطلاعات مهم است، در وضعیت جدا نگه دار؛ پنجره را فقط با سنجش هزینه بزرگ کن.

گفتگوهای طولانی کند می‌شوند یا با خطای طول زمینه شکست می‌خورند.

تاریخچه بدون پنجره رشد کرده و از پنجره زمینه یا بودجه گذشته است.

طول تاریخچه فرستاده‌شده و توکن ورودی گزارش‌شده را برای نوبت‌های آخر ببین.

پنجره و سقف طول پیام؛ پاک‌سازی دوره‌ای.

نکته‌های امنیتی

تمرین کوتاه

تمرین · 10 دقیقه

هدف: محاسبه اثر پنجره.

گام‌ها: پیام سیستمی ۲۰۰ توکن، هر پیام کاربر یا دستیار به‌طور میانگین ۶۰ توکن. برای نوبت دهم یک گفتگو، توکن ورودی را حساب کن: (الف) بدون پنجره؛ (ب) با پنجره ۴ نوبت. سپس بگو با پنجره ۴، در نوبت دهم کدام پیام‌های کاربر برای مدل وجود ندارند.

معیار پذیرش: (الف) ۲۰۰ + ۹×۲×۶۰ + ۶۰ = ۱۳۴۰؛ (ب) ۲۰۰ + ۴×۲×۶۰ + ۶۰ = ۷۴۰؛ پیام‌های کاربر نوبت ۱ تا ۵ دیده نمی‌شوند.

راه‌حل نمونه

(الف) سیستمی ۲۰۰ + نُه نوبت قبلی (۱۸ پیام × ۶۰ = ۱۰۸۰) + پیام تازه ۶۰ = ۱۳۴۰ توکن. (ب) ۲۰۰ + چهار نوبت (۸ پیام × ۶۰ = ۴۸۰) + ۶۰ = ۷۴۰ توکن. با پنجره ۴، مدل فقط نوبت‌های ۶ تا ۹ و پیام تازه نوبت ۱۰ را می‌بیند؛ پیام‌های کاربر نوبت ۱ تا ۵ برایش وجود ندارند. بدون پنجره، هزینه ورودی با هر نوبت بیشتر می‌شود.

چالش

تمرین · 45 دقیقه

موقعیت: برای یک کاربرد گفتگویی در کار خودت (پرسش‌های داخلی تیم، پشتیبانی مشتری، راهنمای یک فرایند)، طرح حافظه بنویس و نمونه اولیه بساز. داده‌ها ساختگی یا ناشناس باشند.

  1. منبع شناسه نشست و اینکه آیا هویت هم لازم است.
  2. طول پنجره با محاسبه هزینه (مثل تمرین کوتاه) و فهرست اطلاعاتی که باید در وضعیت جدا بماند.
  3. فهرست داده حساسی که پیش از ذخیره حذف می‌شود، مدت نگهداری و راه فراموشی.
  4. نمونه اولیه (n8n یا کد) و نتیجه چهار آزمون برنامه آزمون پروژه.

خروجی مورد انتظار: طرح حافظه یک‌صفحه‌ای، نمونه اولیه و جدول نتیجه چهار آزمون.

معیار پذیرش:

  • شناسه نشست از کانال یا حساب است، نه از متن.
  • پنجره با عدد هزینه توجیه شده و اطلاعات ماندگار جدا شده است.
  • حذف پیش از ذخیره، مدت نگهداری و فراموشی تعریف و آزموده شده‌اند.
  • آزمون جدایی نشست پاس شده است.

پرسش‌های سنجش

جمع‌بندی

  • مدل حافظه ندارد؛ حافظه یعنی تاریخچه‌ای که هر بار دوباره فرستاده می‌شود.
  • شناسه نشست از کانال، نه از متن کاربر؛ جدایی نشست را بیازما.
  • پنجره و سقف طول، تا تاریخچه بی‌حد رشد نکند؛ اطلاعات ماندگار در وضعیت جدا.
  • داده حساس پیش از ذخیره حذف شود؛ مدت نگهداری و فراموشی داشته باش.
  • در n8n، Simple Memory برای شروع؛ در حالت صف یا برای ماندگاری، حافظه پایگاه داده‌ای.
  • پروژه ۳: چهار آزمون جدایی، پنجره، حذف و فراموشی.

پرسش‌های سنجش

مدیر می‌پرسد: «چرا چت‌بات اسم مشتری را که اول گفتگو گفته بود، پس از ده پیام فراموش کرد؟ مگر حافظه ندارد؟» در دو یا سه جمله برایش توضیح بده و یک راه‌حل بگو.

پاسخ نمونه و معیار ارزیابی

مدل خودش حافظه ندارد؛ در هر نوبت فقط پیام‌هایی را می‌بیند که همراه درخواست فرستاده می‌شوند. ما فقط چند نوبت آخر (پنجره) را می‌فرستیم تا هزینه و تأخیر کنترل شود، پس پیام اول از دید مدل حذف شده است. راه‌حل: اطلاعات مهمی مثل نام را عمداً در وضعیت جدای نشست ذخیره و در هر نوبت بفرست، نه اینکه پنجره را بی‌حد بزرگ کنیم.

  • مدل بی‌حافظه و تاریخچه دوباره‌فرستاده (1 امتیاز)
  • نقش پنجره و دلیل آن (1 امتیاز)
  • راه‌حل وضعیت جدا (1 امتیاز)
  • مدل خراب است ← پیام از پنجره بیرون رفته است؛ رفتار طراحی‌شده است.

در ورک‌فلوی چت n8n، Simple Memory با Session Key برابر مقدار ثابت «barg-sabz-chat» تنظیم شده است. چه پیش می‌آید و چطور با یک آزمون آن را نشان می‌دهی؟

پاسخ نمونه و معیار ارزیابی

همه کاربران یک نشست مشترک دارند و پیام‌های یکدیگر را در تاریخچه مدل می‌بینند؛ نشت داده و پاسخ نامربوط. آزمون: از دو مرورگر یا نشست مختلف، اولی یک کلمه رمز ساختگی بگوید و دومی بپرسد؛ اگر دومی آن را می‌داند، جدایی شکسته است. اصلاح: Session Key از فیلد شناسه نشست خروجی ماشه گفتگو.

  • نشست مشترک و نشت (1 امتیاز)
  • آزمون دو نشست (1 امتیاز)
  • کلید از شناسه نشست کانال (1 امتیاز)
  • مشکلی نیست چون یک چت‌بات است ← یک چت‌بات، چندین کاربر؛ هرکدام نشست جدا لازم دارند.

تیم بین پنجره ۴ نوبت و ۲۰ نوبت مردد است. موازنه را از نظر هزینه، کیفیت پاسخ و داده توضیح بده و بگو تصمیم را با چه آزمونی می‌گیری.

پاسخ نمونه و معیار ارزیابی

پنجره ۲۰: زمینه بیشتر و فراموشی کمتر در گفتگوهای بلند، ولی توکن ورودی و تأخیر هر نوبت چند برابر، و داده شخصی بیشتری در هر درخواست به ارائه‌دهنده می‌رود. پنجره ۴: ارزان و سریع، ولی اطلاعات اول گفتگو فراموش می‌شود؛ برای اطلاعات مهم باید وضعیت جدا ساخت. تصمیم: چند گفتگوی نمونه واقعی‌نما (ساختگی) با هر دو اجرا کن و بسنج: درصد پاسخ‌هایی که به اطلاعات فراموش‌شده نیاز داشتند، توکن هر نوبت، و تأخیر؛ کوچک‌ترین پنجره‌ای که کیفیت را حفظ می‌کند.

  • هزینه و تأخیر (1 امتیاز)
  • کیفیت و فراموشی (1 امتیاز)
  • اثر داده (1 امتیاز)
  • آزمون مقایسه‌ای با معیار (1 امتیاز)
  • بزرگ‌تر همیشه بهتر ← هزینه و داده شخصی هم بزرگ‌تر می‌شود؛ و پنجره زمینه سقف دارد.

کاربر شماره کارت بانکی‌اش را در چت می‌نویسد. بهترین رفتار چت‌بات کدام است؟

  • پیام را کامل در تاریخچه ذخیره کند تا کارمند بعداً ببیند.
  • شماره را پیش از ذخیره و پیش از فرستادن به مدل حذف کند و به کاربر بگوید شماره کارت را در چت ننویسد.
  • فقط در پایان ماه تاریخچه را پاک کند.
  • به مدل بگوید شماره را تکرار نکند.
پاسخ نمونه و معیار ارزیابی
  • a ← داده کارت هرگز نباید در تاریخچه گفتگو بماند.
  • c ← تا پایان ماه در جدول و لاگ‌ها مانده و به مدل هم رفته است.
  • d ← داده به مدل و جدول رسیده است؛ دستور پرامپت آن را پاک نمی‌کند.

برگ سبز می‌خواهد چت‌بات پروژه ۳ را روی n8n در حالت صف (چند worker) اجرا کند و کاربران بتوانند تاریخچه‌شان را پاک کنند. چه تغییری در طراحی حافظه لازم است و چرا؟

پاسخ نمونه و معیار ارزیابی

Simple Memory طبق مستندات در حالت صف در ورک‌فلوی تولیدی کار نمی‌کند، چون فراخوانی‌ها ممکن است به worker دیگر بروند. حافظه باید در پایگاه داده مشترک (مثلاً حافظه گفتگوی مبتنی بر Postgres) با کلید نشست باشد. همین پایگاه داده فراموشی (حذف ردیف‌های نشست) و مدت نگهداری (پاک‌سازی زمان‌بندی‌شده) را ممکن و قابل بررسی می‌کند؛ حذف داده حساس پیش از ذخیره همچنان در ورک‌فلو می‌ماند.

  • محدودیت Simple Memory در حالت صف (1 امتیاز)
  • حافظه پایگاه داده‌ای مشترک (1 امتیاز)
  • فراموشی و نگهداری روی پایگاه داده (1 امتیاز)
  • فقط worker را یکی کن ← حالت صف برای مقیاس است؛ حافظه باید مشترک باشد، و فراموشی هم قابل اجرا.

فایل‌های درس

مدل آزمایشی که در حالت گفتگو تعداد پیام‌های دریافتی را می‌گوید

barg-sabz-mock-api.py

راهنمای حالت گفتگوی مدل آزمایشی

barg-sabz-mock-api.README.md

چت‌بات با حافظه SQLite برای هر نشست، پنجره، حذف داده حساس و فراموشی

chat_memory.py

خروجی نمونه دو نشست با مدل آزمایشی

sample-run.txt

برنامه آزمون پروژه ۳

memory-test-plan.md

ابزارها و جایگزین‌ها

  • n8n 2.x یا Python 3.9 یا بالاتر — ساخت چت‌بات — مسیر بدون نصب با خروجی نمونه
  • یک مدل زبانی — پاسخ‌دهی — Ollama محلی — مدل آزمایشی در حالت گفتگو

منابع

Context windows Anthropic 2026-10

Simple Memory node n8n accessed 2026-10-20

دوره

هوش مصنوعی داخل ورک‌فلو