في عالم الذكاء الاصطناعي المتطور بسرعة، تظهر حاجة ملحة لابتكارات تعزز من كفاءة الوكالات الذاتية. هنا يأتي دور نظام APEX-EM، الذي يقدم نموذجًا غير بارامترى لتخزين التجارب الذي يغير قواعد اللعبة. هذا النظام يقوم بتخزين تفاصيل دقيقة ومتنوعة عن التجارب عبر ما يُعرف بـGraph معرفات المعرفة الإجرائية (PKG)، مما يسهل استرجاع المعلومات عبر قنوات متعددة تشمل البحث الدلالي والتطابق الهيكلي.

واحدة من أبرز ميزات APEX-EM هي أسلوب العمل المُبتكر المعروف باسم Plan-Retrieve-Generate-Iterate-Ingest (PRGII)، الذي يقوم بجودة العمليات ويعتمد على تجارب سابقة كلاهما الناجحة والفاشلة، وذلك لضمان استفادة الوكالات من تجاربها السابقة ومعرفة ما يجب تجنبه في المستقبل.

عند النظر إلى الأداء، أثبت APEX-EM فعاليته من خلال تقييمات عبر خمسة معايير، مثل BigCodeBench وKGQAGen-10k، حيث حقق زيادة ملحوظة في الأداء مقارنةً بالنماذج التقليدية.

على سبيل المثال، أظهر APEX-EM فارقًا يصل إلى +7.6 نقطة مئوية عند اختبار انتقال البيانات باستخدام نموذج GPT-4o المشترك. كما سجلت النتائج على جميع المقاييس الثلاثة زيادة تترواح بين +27 إلى +32 نقطة مئوية، مما يدل على أن هذا النظام لا يعوض قدرة النموذج بل يُزيد منها.

هذه النتائج تشير بوضوح إلى أهمية تطوير ذاكرة نمطية تتوزع حسب المجال، مما يفتح آفاقًا جديدة لعالم تعلم الذكاء الاصطناعي.