आज के अधिकांश AI एजेंट मूल रूप से एक महत्वपूर्ण तरीके से खराब हैं—वे सब कुछ भूल जाते हैं। प्रत्येक सेशन के बाद, उनका संदर्भ, सीखे गए व्यवहार और उपयोगकर्ता-विशिष्ट समायोजन गायब हो जाते हैं, जिससे उन्हें हर बार शुरुआत से करनी पड़ती है। यह अवस्थाहीनता स्वायत्त, उपयोगी ऑन-चेन सहायक बनाने की दौड़ में एक चुपचाप सीमा है। DWF Ventures ने अब एक उत्तर पर ध्यान केंद्रित किया है, जिसमें Nous Research के ओपन-सोर्स Hermes फ्रेमवर्क को हाइलाइट किया गया है, जो मूल रिपोर्ट के अनुसार WuBlockchain द्वारा सीधे स्मृति समस्या पर हमला करता है।
DWF का नोट तर्क देता है कि हर्मीस इसलिए अलग है क्योंकि यह केवल एक और एकल-बार का स्वचालन उपकरण नहीं है। यह फ्रेमवर्क स्थायी स्मृति पेश करता है जो समय के साथ उपयोगकर्ता इंटरैक्शन, सत्रों और सीखे गए प्राथमिकताओं को बनाए रखती है। इसे एक स्वचालित कौशल प्रणाली के साथ मिलाया गया है जो एजेंट की क्षमताओं को स्वाभाविक रूप से विस्तारित करती है, और उपयोगकर्ता प्रोफाइल जो स्मृति को एक सुसंगठित पहचान से जोड़ते हैं। एक स्व-सुधार लूप लगातार एजेंट के ज्ञान को सुधारता है, जिससे प्रत्येक चक्र में रीसेट होने के बजाय इसकी उपयोगिता बढ़ती है। एक क्षेत्र के लिए जिसने बाजार में चैटबॉट वैपर्स और पतले API एजेंट्स से भर दिया है, यह डिज़ाइन स्थायी, संयोजित बुद्धिमत्ता की ओर एक संरचनात्मक परिवर्तन को दर्शाता है।
क्यों अवस्थाहीन एजेंट्स मानक बन गए
स्टेटलेस आर्किटेक्चर सस्ते और आसान होते हैं। वे डिज़ाइन के अनुसार स्केल होते हैं और संवेदनशील उपयोगकर्ता डेटा को स्टोर करने से बचते हैं। यह प्रारंभिक क्रिप्टो ट्रेडिंग बॉट और सरल Discord सहायकों के लिए तर्कसंगत था, जिन्हें केवल अलर्ट भेजने या एकल कमांड प्रोसेस करने की आवश्यकता होती थी। जैसे-जैसे AI एजेंट अधिक जटिल कार्यों का प्रबंधन करने लगते हैं—जैसे DeFi पोज़ीशन की व्याख्या करना, मल्टी-स्टेप क्रॉस-चेन ऑपरेशन्स को हैंडल करना, या ऑन-चेन डेटा फीड्स से सीखना—मेमोरी की अनुपस्थिति एक जिम्मेदारी बन जाती है। दोहराव कुशलता को मारता है, और व्यक्तिगतकरण की कमी विश्वास को कमजोर करती है। DWF का प्रस्ताव यह सुझाता है कि वे हाइप के पार देख रहे हैं, और ऐसी इंफ्रास्ट्रक्चर की ओर रुख कर रहे हैं जो सिर्फ डेमो में अच्छा प्रदर्शन करने के बजाय सतत उपयोगकर्ता संलग्नता का समर्थन कर सके।
इस राज्य-संबंधी, स्मृति-सजग एजेंट्स की ओर बढ़ती प्रवृत्ति विकेंद्रीकृत AI बुनियादी ढांचे की व्यापक दिशा के साथ समानांतर है। प्रोजेक्ट्स ने कंप्यूट, स्टोरेज और प्रशिक्षण स्तरों को जोड़ना शुरू कर दिया है, जिससे AI एजेंट्स केंद्रीकृत क्लाउड्स पर निर्भर नहीं होकर चल सकते हैं। उदाहरण के लिए, UXLINK और Origins Network का स्केलेबल AI-संचालित Web3 एप्लिकेशन्स पर काम ऐसे एजेंट्स के लिए स्थायी कंप्यूटेशन की आवश्यकता के लिए बुनियादी ढांचे को कैसे बनाया जा रहा है, इसका प्रदर्शन करता है। हरमेस, Nous के विकेंद्रीकृत Psyche प्रशिक्षण नेटवर्क पर निर्भर करके इसमें योगदान देता है, जो मॉडल सुधार के भारी कार्य को वितरित करता है।
सुरक्षा, सील की गई चाबियाँ, और प्साइक नेटवर्क
अंदरूनी मैकेनिक्स केवल स्मृति के बारे में नहीं है। हर्मीस में पात्रता अलगाव शामिल है ताकि एक्सेस टोकन और प्राइवेट कीज़ एजेंट की कोर तर्क परत के साथ मिश्रित न हों। सीक्रेट रेडेक्शन और स्वचालित की रोटेशन इसे एक सामान्य प्रयोगात्मक बॉट की तुलना में एक कस्टोडियल सिस्टम के समान सुरक्षा स्थिति प्रदान करते हैं। यह आर्किटेक्चर महत्वपूर्ण है क्योंकि उपयोगकर्ता पात्रता धारण करने वाले स्टेटफुल एजेंट हाई-वैल्यू टारगेट बन जाते हैं। इन सुविधाओं को Psyche—एक डिसेंट्रलाइज्ड ट्रेनिंग नेटवर्क—के साथ एकीकृत करने का मतलब है कि मॉडल स्वयं एकल सर्वर के बजाय एक वितरित नोड संरचना द्वारा सुधारे जाते हैं, जिससे केंद्रीय विफलता के बिंदु कम होते हैं।
ऐसे स्थायी, अधिगम एजेंट्स के लिए स्टोरेज की मांग एक पहचाने जाने वाले प्रवृत्ति का अनुसरण करती है। जैसे-जैसे मॉडल ज्ञान और उपयोगकर्ता इतिहास इकट्ठा करते हैं, सस्ते, सत्यापित स्टोरेज की आवश्यकता बढ़ती है। एआई डेटा लेयर्स में बढ़ती रुचि ने पहले ही एआई कार्यभार के लिए विकेंद्रीकृत स्टोरेज समाधान के रूप में फाइलकॉइन जैसी परियोजनाओं को चर्चा में ला दिया है। हरमेस सीधे ऑन-चेन स्टोरेज पर नहीं चल सकता, लेकिन इस पर निर्भर करने वाला स्वयं-सुधार चक्र यदि यह वेब3 उपयोग के मामलों के लिए स्केल करता है, तो अनिवार्य रूप से विकेंद्रीकृत परिवेशों से प्राप्त करेगा और प्रेषित करेगा।
जहाँ लाभ गारंटीड नहीं है
DWF स्पष्ट रूप से हरमेस की तुलना क्लॉड कोड और ओपनएआई कोडेक्स से करता है, और तर्क देता है कि उनकी कोड उत्पन्न करने की क्षणिक क्षमता सप्ताहों के उपयोग के दौरान संचयी क्षमता में अनुवादित नहीं होती। एक स्टेटलेस एजेंट एक दिन परफेक्ट स् की ऑडिट उत्पन्न कर सकता है और अगले दिन प्रोजेक्ट के पूरे संदर्भ को भूल सकता है। हरमेस का अंतर इसकी अनुभवों को स्टैक करने की क्षमता है। यदि निष्पादन साफ है, तो यह एक वास्तविक मोएट है, लेकिन इसके साथ यह भी मांग करता है कि उपयोगकर्ता एकल, लंबे समय तक चलने वाले एजेंट परिवेश के प्रति प्रतिबद्ध हों, जिसके प्रति बाजार ने संकीर्ण वित्तीय संचालन के बाहर धीमी गति से ही प्रतिक्रिया दी है।
हर्मीस की ओपन-सोर्स प्रकृति दोनों तरह से काम करती है। यह व्यापक ऑडिट और समुदाय द्वारा अनुकूलन को आमंत्रित करती है, जिससे DeFi टूलिंग, DAO ऑपरेशन और NFT एनालिटिक्स में अपनाया जाना तेज हो सकता है। एक साथ, अच्छी तरह से वित्तपोषित, बंद-सोर्स प्रतिद्वंद्वियों के विरुद्ध सुरक्षा का लाभ बनाए रखते हुए ओपन-सोर्स बने रहना एक संकटपूर्ण संतुलन है। यह अनिश्चित है कि क्या हर्मीस पर्याप्त डेवलपर माइंडशेयर प्राप्त कर पाएगा ताकि यह स्टेटफुल Web3 एजेंट्स के लिए डिफ़ॉल्ट स्कैफोल्डिंग बन सके। केवल मेमोरी ही उपयोगिता की गारंटी नहीं देती, अगर नींव की तर्क की गुणवत्ता पीछे रह जाए या मौजूदा वॉलेट्स और dApp के साथ एकीकरण कठिन रहे। DWF का स्पॉटलाइट एक संकेत है कि जोखिम पूंजी उपयोगकर्ता संख्या के बजाय आर्किटेक्चर पर ध्यान दे रही है। AI एजेंट स्पेस में बनाने वाली टीमों के लिए, हर्मीस का ब्लूप्रिंट अब चैटबॉट प्रारंभिक काल के बाद के सबकुछ के लिए संदर्भ बन जाता है।