في عصر الذكاء الاصطناعي الحديث، يصبح وكلاء نماذج اللغات الضخمة (Large Language Models) أكثر تفاعلاً مع البيئات الخارجية عبر مسارات طويلة ومعقدة، مما يتطلب منهم الاحتفاظ بتاريخ تفاعل شامل يمكن أن يتجاوز حدود السياق المسموح بها. لضمان موثوقية التفاعلات، يجب على الوكلاء حفظ المعلومات الواقعية على مدى بعيد، وتذكر الأخطاء التقنية، واستقبال التغذية الراجعة التصحيحية، ومتابعة التقدم في أدائهم.

لست وحيدًا في مواجهة هذه التحديات: تم اقتراح عدة طرق لتحقيق ذلك. تشمل هذه الطرق استخدام ذهن الاستدلال وتاريخ الأفعال، وتعلم كيفية الحفاظ على ذاكرة بحجم ثابت من خلال آلية الكتابة المتكررة، وأيضًا تلخيص المعلومات بشكل دوري. لكن يبقى أن هناك صعوبة في التعلم من المكافآت الشحيحة للأداء، مما يجعل الوكلاء يعتمدون بشكل متزايد على ذاكرة الكتابة المتكررة.

هنا يأتي دور AMBER (Append-only Memory Bank for Evidence Retention)، وهو إطار عمل بسيط وقابل للتوسع حيث يتعلم الوكيل كيف يستنتج، يتصرف، ويكتب ذاكرة حرة الشكل في نفس الوقت. يضمن قاعدة الكتابة الدائمة الاحتفاظ بالمعلومات بشكل مضمون.

تشير النتائج التي تحققت على منصة WebArena Lite إلى أن AMBER يحسن متوسط نجاح التطبيقات على الذاكرة المعتمدة على الكتابة المتكررة بمعدل 4.09 نقطة مئوية، ويزيد من نسبة المهام المحلولة في خمس تجارب متكررة بنسبة 4.8 نقطة مئوية، متفوقًا على القاعدة الأصغر حجمًا في التدريب الذي يعتمد على إشراف مكلف.

يحافظ AMBER على ميزانية رمزية عملية، مقدماً توازناً مثالياً بين كفاءة السياق وأداء المهام، مما يسهم بشكل كبير في تنفيذ طويل الأمد موثوق. هذا الابتكار الجديد يعد خطوة كبيرة نحو تحسين كفاءة الذكاء الاصطناعي في التفاعل مع بيئات متعددة ومعقدة.