Hatırlamak yetmez. Ne zaman unutacağını bil.

Hafıza sohbet arşivi değil, bilişsel bir mimaridir

CoALA bir dil ajanını yalnız LLM değil; çalışma hafızası, uzun dönem hafıza, iç/dış eylemler ve karar döngüsünden oluşan bilişsel mimari olarak ele alır. Uzun dönem hafızayı deneyimler için episodik, dünya bilgisi için semantik, nasıl davranılacağını belirleyen kod ve süreçler için prosedürel katmana ayırır. [01] Bu sınıflandırma üretimde terminoloji değil, veri modeli ve yazma yetkisidir: tekil workflow run’ı prosedüre, model değerlendirmesi aday gerçeğine, eski sözleşme maddesi güncel semantik iddiaya otomatik dönüşmemelidir.

Parametrik hafıza ile kurumun denetlenebilir dış hafızası da ayrılmalıdır. Kurumsal gerçekler güncellenebilir, kaynaklandırılabilir ve silinebilir dış katmanda tutulur; RAG bu ayrımı parametrik model ile açık bilgi indeksi arasında kurdu. [04] MemGPT sınırlı context’i sanal bellek metaforuyla hızlı/yavaş katmanlar arasında yönetir. [02] Context pencere çalışma RAM’i; olay günlüğü, kanonik kayıt, graph ve indeksler farklı amaçlı kalıcı katmanlardır. Daha büyük context kalıcı hafıza ve kaynak yönetişiminin yerine geçmez.

• Working memory: aktif görev ve araç sonuçları; görev sonunda temizlenir.
• Episodic memory: ne oldu; ham olaya geri bağlıdır.
• Semantic memory: neyi geçerli kabul ediyoruz; kaynak ve valid-time taşır.
• Procedural memory: nasıl davranmalıyız; test, sürüm ve yetkili onay gerektirir.

Write path: gözlemden güvenilir iddiaya

Memory demosu retrieval ile başlar; üretimde daha tehlikeli yüzey yazmadır. Yanlış retrieval bir cevabı, yanlış yazma gelecekteki bütün cevapları etkileyebilir. Güvenli hat ham mesaj/belge/araç sonucunu değişmez kimlikle yakalar; tenant, ACL, hassasiyet, amaç ve retention etiketini yazma anında ekler; doğal veri sınırlarıyla segment eder; varlık, ilişki, zaman, iddia ve eylem adaylarını ‘gerçek’ değil doğrulanacak öneri olarak çıkarır. Aynı iddiaları uzlaştırır, çelişkileri silmez ve bütün türevleri ham kanıta bağlar.

TrustMem hafıza transition’larını kapsama, korunma ve sadakat boyutlarında doğrulamayı; atlama, eski bilgiyi bozma ve kaynaksız eklemeyi ayrı hatalar olarak ölçmeyi önerir. [15] Çalışma 2026 ön baskısıdır; bağımsız production kanıtı değil mimari uyarıdır. Her kayıt event_time, valid_from/to ve recorded_at ayrımını taşımalıdır. Confidence kalibre edilmemiş model skoru olarak sunulmamalı; kaynak otoritesi, çıkarım yöntemi ve insan doğrulamasından oluşan açıklanabilir sinyallere bölünmelidir.

Konsolidasyon: özetlemekten fazlası, yeniden üretilebilir türetim

Generative Agents deneyimleri doğal dilde kaydedip zaman içinde üst düzey yansımalara dönüştüren ve planlama için geri çağıran bir mimari gösterdi. [03] A-MEM yeni hafıza için açıklama, anahtar kelime ve etiket üretip geçmiş notlarla bağ kuran dinamik bir ağ önerir. [05] Üretimde bu fikir üç katmana ayrılmalıdır: değişmez ham kanıt; kanıttan çıkarılmış kaynaklı/zamansal iddia; birden fazla iddiadan türetilmiş sonuç, örüntü veya prosedür adayı.

Son katman source of truth değildir. Özet silinirse kanıtlardan yeniden üretilebilmeli; kaynak düzeltildiğinde veya silme talebine konu olduğunda embedding, graph kenarı, özet ve cache türevleri lineage üzerinden bulunmalıdır. Tek bir başarılı run prosedüre dönüşmemeli; temsili test vakaları, yan etki kontrolü, sahip onayı, sürüm ve rollback provası gerekir. Model tarafından üretilmiş öğrenme, doğrulanmış araç sonucu veya yetkili kullanıcı düzeltmesiyle aynı yazma hakkına sahip değildir.

Neden graph + vector: benzerlik, ilişki ve zamanı aynı sorguda birleştirmek

Vektör arama anlamca benzer kayıtları bulur; fakat ‘bu aday hangi kriter sürümüyle değerlendirilmişti?’ veya ‘bu sözleşme hangi zeyilnameyle değişti?’ soruları entity, çok adımlı ilişki ve zaman gerektirir. GraphRAG entity graph ve community summary ile koleksiyon düzeyi anlamlandırmayı hedefler; HippoRAG 2 vektör retrieval ile Personalized PageRank yayılımını birleştirir; Zep/Graphiti iddiaların geçerlilik dönemini koruyan temporal knowledge graph önerir. [06] [07] [08] Bu yöntemler kaynaklı kanonik kaydın alternatifi değil, farklı erişim projeksiyonlarıdır.

Önerilen mimari dört katmandır: ham belge/mesaj/olay için değişmez kanıt deposu; kimlik, zaman, ACL, sürüm ve silme zinciri için kanonik hafıza defteri; dense, lexical ve graph indeksleri; sabit token bütçesinde kanıt paketi üreten context compiler. Hard filter relevance skorundan önce tenant, ACL, amaç, valid-time ve silinme durumunu uygular. Ardından sorguya göre dense benzerlik, lexical exact-match, graph ilişkisi, temporal fit ve source authority birleşir. Vektör deposu source of truth değildir; embedding modeli değişince yeniden üretilebilir olmalıdır.

Context engineering: en çok bilgiyi değil, en yüksek sinyali getirmek

Context engineering her model çağrısında talimat, araç tanımı, dış veri, konuşma geçmişi ve hafızadan hangi token’ların seçileceğini yönetir. Anthropic’in çerçevesi hedefi istenen sonucu en olası kılan en küçük yüksek-sinyalli token kümesi olarak tanımlar. [10] Uzun pencere seçimi ortadan kaldırmaz: Lost in the Middle kanıtın context konumuna duyarlılığı; Context Rot raporu giriş uzadıkça farklı modellerde düzensiz güvenilirlik kaybını gösterir. [09] [11] Bu bulgular evrensel oran değil, ‘sığıyorsa tamamını gönder’ politikasının test edilmesi gerektiğine dair kanıttır.

Üretim döngüsü retrieval gerekip gerekmediğini belirler; amaç, entity, zaman ve sürümü yapılandırır; dense/sparse/graph kanallarından paralel aday toplar; ACL ve geçerlilik filtresinden sonra rerank eder; context’i TASK, CURRENT STATE, AUTHORITATIVE FACTS, RELEVANT EPISODES, PROCEDURES, CONFLICTS ve EVIDENCE MAP bölümlerine derler. Cevap sonrası yalnız kullanıcı düzeltmesi, doğrulanmış araç sonucu veya yetkili prosedür değişikliği write policy’den geçer. Bilgi yok ile erişim yok ayrılır; ajan yetkisiz kaydın varlığını bile sızdırmamalıdır.

• Eski araç çıktısını temizle; sonuç ve source pointer’ı koru.
• Tekrarlanan iddiaları kanonik kayıt + destekleyen kaynak sayısına indir.
• Çelişkileri gizleme; belirsizliği context’in görünür bölümü yap.
• Prosedür token bütçesini episodik benzerliklerin itmesine izin verme.

Evaluation ve governance: cevaptan önce ve sonra ölçmek

Tek doğru cevap oranı hafıza sistemini teşhis etmez; hata write, indexing, retrieval, context packing, reasoning veya tool katmanında olabilir. LongMemEval bilgi çıkarma, oturumlar arası ve zamansal reasoning, güncelleme ve abstention’ı test eder. [12] MemoryAgentBench doğru retrieval, test-time learning, uzun menzilli anlama ve seçici unutmayı ayırır. [13] LongMemEval-V2 çalışma ortamı trajectory’lerinde state, workflow, environment trap ve yanlış öncülü fark etmeyi ölçer; 2026 ön baskısındaki sonuçlar kendi benchmark’ına aittir. [14]

Eval matrisi memory write için extraction precision/recall, contradiction capture, update faithfulness ve deletion completeness; retrieval için Recall@k, evidence coverage, temporal accuracy, ACL violation ve context token; outcome için task success, grounded answer, abstention, human override, latency ve maliyet tutar. NIST GenAI Profile veri gizliliği, bilgi güvenliği, değerlendirme, insan-AI yapılandırması ve olay müdahalesini yaşam döngüsüne yayar. [16] Her test vakası giriş olaylarını, beklenen memory state’i, gold evidence’i, retrieved set’i, seçilen context’i ve bütün model/index sürümlerini saklamalıdır.

Nekibu için ortak hafıza düzlemi, ürün başına ayrı politika

ATS’de episodik kayıt başvuru, değerlendirme, reviewer yorumu ve aday düzeltmesidir; semantik katman kaynaklı CV iddiası ve rol kriteri sürümüdür; prosedür rubrik ve insan onayıdır. Modelin ‘liderlik deneyimi zayıf’ yorumu aday gerçeği değil, kriter/model sürümü ve CV kanıtına bağlı assessment artefaktıdır. Studio’da workflow run’ı episodik; connector şeması ve yetki semantik; sürümlü workflow ve rollback prosedüreldir. Amaç geçmiş run’ı körlemesine kopyalamak değil, benzer istisnayı kanıtıyla getirip test edilmiş çözüm adayı sunmaktır.

Procurement’da teklif, müzakere ve sonuç episodik; tedarikçi, sözleşme maddesi ve risk iddiası semantik; yetki limiti ve onay matrisi prosedüreldir. valid_time ile recorded_at ayrılır; sonradan yüklenen zeyilname karar kronolojisini bozmamalıdır. Uygulama önce common memory ID, ACL, source lineage, bitemporal alan, deletion cascade ve salt-okunur retrieval ile başlar; sonra hybrid retrieval/gold evidence; dar olay sınıflarında kontrollü writeback; yeniden üretilebilir konsolidasyon; en sonunda ürün sonucu optimizasyonu gelir. KVKK kapsamında silme yalnız ana satır değil, chunk, embedding, graph, özet, cache ve yedek politikasını kapsamalıdır. [17] Yüksek etkili kararlar için AI Act kullanım bağlamı ayrıca değerlendirilmelidir. [18]