تتطلب الوكلاء الذكيون الذين يعملون لفترات طويلة وجود ذاكرة مستقرة تساهم في تعزيز قدراتهم للتعلم على مدار جلسات متعددة، وتقلل من الحاجة إلى تكرار إدراج السياقات، وتساعد في تنظيم مراجعة القرارات السابقة. ومع ذلك، فإن الأنظمة الحالية لذاكرة الوكلاء والنماذج التقليدية للبيانات تتعامل مع الذاكرة كوسيلة للتخزين فقط، مما يؤثر على دقة البيانات على مستوى السجلات أو التضمينات أو الحواف.

في هذا السياق، تم تحديد أربعة أنماط فشل متكررة تتعلق بإدارة الذاكرة، مثل النمو غير المنظم، وعدم وجود مراجعة دلالية، والنسيان المدفوع بالسعة، واسترجاع البيانات بطريقة قراءة فقط. لذلك، تم تقديم مفهوم جديد للذاكرة طويلة الأمد، والذي يُطلق عليه Governed Evolving Memory (GEM)، حيث يُعتبر تصحيح المعلومات خاصية تتعلق بمسار الحالة بأكمله وليس السجلات الفردية.

يقوم GEM باستبدال العمليات المستندة إلى مستوى السجل بأربعة مشغلات على مستوى الحالة: الإدخال، والمراجعة، والنسيان، والاسترجاع. وقد تم تطوير ستة شروط دقة Governed Evolving Memory التي تحكم كيفية تطور الحالة. ومن خلال ثلاث ملاحظات هيكلية، تم التوصل إلى أن أي نظام على مستوى السجل لا يستطيع تلبية هذه الشروط، بغض النظر عن نموذج التخزين المستخدم.

تم تجسيد هذا المفهوم في نظام MemState، الذي يعتمد على خاصية البيانات والشبكة الهرمية. يقوم MemState بالتحقق من جدوى هذا النموذج وكشف الفجوات التي توجد بينه وبين محرك البيانات الأصلي. كما تم تحديد ثلاثة اتجاهات بحثية جديدة تسهم في تشكيل إدارة البيانات المرتكزة على الذاكرة كعبء عمل متخصص.

تسعى هذه التطورات لتحسين أداء الوكلاء الذكيين وزيادة قدرتهم على التعلم وتحسين الإجراءات بناءً على تجاربهم الطويلة.