في عالم الذكاء الاصطناعي، تمثل نماذج اللغات الضخمة (LLM) واحدة من أهم التطورات التقنية. لكن مع زيادة الأحمال المعلوماتية، تكون كفاءة هذه الأنظمة عرضة للتدهور. أظهرت دراسة جديدة تناولت إدارة السياقات أن النموذج التقليدي لتحميل السياقات الثابتة، مثل ملف exttt{AGENTS.md}، يجب أن يُعاد النظر فيه.

تعمل الدراسة على تقديم إطار عمل لتحديد مشكلة إدارية جديدة تُسمى مشكلة اختيار مجموعة السياقات المُسندة. ووفقًا لهذا النموذج، فإن إضافة معلومات جديدة لا تؤدي بالضرورة إلى تحسين الأداء. بل قد يتسبب هذا في زيادة التعقيد، حيث أن تكاليف إعداد المعلومات تُنظّم وفقًا لعدد التعليمات المتبقية.

عبر تحليل المعلومات في الجلسات السابقة، أظهرت الدراسة كيف يمكن للذكاء الاصطناعي أن يتعلم من الأخطاء وبالتالي يوجه قرارات إضافة أو إزالة التعليمات بشكل أكثر فاعلية. بشكل مدهش، كشفت النتائج أن حساسية التعليقات يمكن أن تؤثر سلبًا على الأداء إذا كان هنالك تعليمات تم تجاهلها. لذا يجب أن يُجمع دليل كافٍ قبل أي إضافة جديدة، لتفادي مخاطر تقليل الكفاءة.

وأثبتت التجارب العملية أن الالتزام بقوانين غير ذات صلة قد يقلل من امتثال النماذج ويؤثر على كفاءتها. لذا، فإن استراتيجيات إدارة السياقات تُعد ضرورية لدفع نماذج اللغات الضخمة نحو ميزات أداء أعلى.