في عالم الذكاء الاصطناعي، يتزايد الاهتمام بتطوير وكلاء لغويين قادرين على التعامل مع مهام طويلة الأمد تتجاوز تاريخ تفاعلاتهم الفعالة. وقد قدمت دراسة جديدة مفهوم 'Coding Agent Memory Gym' (CAMG) كأداة ثورية تهدف إلى تحسين ذواكر هذه الوكلاء وقدرتهم على تنفيذ مهام معقدة تمتد عبر زوايا زمنية طويلة.

تستخدم CAMG التعلم المعزز (Reinforcement Learning) كجزء من توجيه سياسة الوكلاء، مما يسمح لهم بتعلم التحكم في الذاكرة بطريقة أكثر مرونة. لكن المشكلة تكمن في أن معظم البيئات التدريبية التقليدية تتطلب واجهات ذاكرة محددة سلفًا، مما يجعل العملاء يواجهون صعوبة في تكيف ذاكرتهم في المهام الطويلة.

تتناول الحلول المقدمة عبر CAMG مجموعة من البيئات مثل 'Shop' و'Coding' و'DeepResearch' و'AutoResearch'. كل بيئة توفر أدلة خاصة بها، إلى جانب إمكانية الوصول إلى واجهة سطر الأوامر وفضاء عمل متواصل خلال التجربة، مما يمكّن الوكلاء من إنشاء وتعديل والبحث وإعادة استخدام الملفات كجزء من ذاكرتهم خلال المهمة.

علاوة على ذلك، تم تقديم نموذج 'CAMG-RL' الذي يسعى لتدريب سياسة واحدة بشكل مشترك عبر جميع البيئات الأربع باستخدام خوارزمية التعلم المعزز المتزامن. وقد أظهرت هذه النماذج تمكنها من التنافس مع نماذج رائدة أخرى في السوق مثل Qwen3.5.

بهذا الشكل، يفتح CAMG آفاقًا جديدة أمام تطوير وكلاء ذكاء اصطناعي أكثر قدرة على التعامل مع المهام المعقدة والتفاعل مع البيانات بشكل أكثر فعالية. فهل سنشهد قريبًا ذكاءً اصطناعيًا يتجاوز حدود التفاعل التقليدي؟