في عالم الذكاء الاصطناعي، يعاني العديد من نماذج اللغة الصغيرة من صعوبة في إنتاج مسارات ناجحة وحدها، مما يدفع الباحثين إلى استكشاف تقنيات جديدة لتحسين أدائها. قدمت دراسة جديدة تقنية ثورية تُدعى 'تقطير ذاكرة الوكيل' (Agent Memory Distillation - AMD) التي تهدف إلى تعزيز أداء هذه النماذج من خلال نقل المعرفة من وكيل أكبر.

تعمل تقنية AMD دون الحاجة إلى إدخال متطلبات تدريب جديدة، بل تعتمد على نظام ذاكرة هرمي يُتيح نقل المعرفة بشكل مدروس ومنظم. يتضمن هذا النظام ثلاثة أنواع متكاملة من الذاكرة:
1. **ذاكرة سير العمل** (Workflow Memory): تُسجل استراتيجيات التنفيذ على مستوى المهام.
2. **ذاكرة المهام الفرعية** (Subtask Memory): تقدّم أمثلة سلوكية ملموسة عند مستوى متوسط من التفاصيل.
3. **ذاكرة الوظائف** (Function Memory): تسجل قواعد استدعاء الوظائف والتحديات الشائعة.

تعمل ذاكرتي سير العمل والمهام الفرعية على تعزيز أداء النموذج منذ بداية كل مهمة، بينما تُستدعى ذاكرة الوظائف حال حدوث أخطاء في الاستدعاء.

أظهرت نتائج تقييم التقنية على ثلاثة معايير لاستخدام الأدوات، بفضل استخدام أربعة نماذج طلابية تتراوح بين 4 إلى 8 مليارات معلمة، تحت إشراف نموذج 'GPT-5-mini' كوكيل مُعَلّم، تحقيق زيادة متوسط الدقة كانت 27.2% في معيار AppWorld، 11.2% في معيار BFCL V3، و3.4% في معيار ToolSandbox.

أيضاً، أظهرت التحليلات أن ذاكرة المهام الفرعية تُسهم بأكبر نسبة في تحسين الدقة. يعتمد فعالية المُعَلّم على القدرة الذاتية للمُعَلّم وملاءمته مع الطالب، حيث تستفيد نماذج 4B بشكل أكبر من تطبيق AMD.

تُمثل تقنية AMD خطوة هامة نحو تحقيق أداء أسرع وأكثر كفاءة لنماذج اللغة الصغيرة، وذلك من خلال استخدام استراتيجيات محسّنة تستند إلى المعرفة المكتسبة من نماذج أكبر. فهل نحن على أعتاب مرحلة جديدة في عالم الذكاء الاصطناعي؟