في سياق تزايد استخدام الوكلاء الذين يعتمدون على نماذج اللغات الضخمة (Large Language Models) في التفاعلات الطويلة الأمد، تصبح استخدمات الذاكرة التراكمية أمرًا بالغ الأهمية لتمكين التخصيص والحفاظ على تناسق الأسلوب. ومع ذلك، تعتمد معظم الأنظمة الحالية نهج "الكل أو لا شيء" في استخدام الذاكرة. فإدراج جميع المعلومات السابقة ذات الصلة قد يؤدي إلى ما يسمى بـ "تثبيت الذاكرة"، حيث يتعثر الوكيل بسبب التفاعلات السابقة، بينما يؤدي استبعاد الذاكرة بالكامل إلى عدم الاستفادة الكاملة وفقدان تاريخ التفاعل الهام.

في دراستنا الجديدة، نعرض كيف يمكن نمذجة اعتماد الوكيل على الذاكرة كبعد يمكن للمستخدم التحكم فيه بشكل صريح. نقدم مقياسًا سلوكيًا لقياس اعتماد الذاكرة، يحدد التأثير الذي تخلفه التفاعلات السابقة على النتائج الحالية. بالإضافة إلى ذلك، نقترح إطار "SteeM"، الذي يمكّن المستخدمين من تنظيم اعتماد الذاكرة بشكل ديناميكي، بدءًا من وضع البداية الجديدة الذي يعزز الابتكار، إلى وضع دقة عالية يتبع تاريخ التفاعل عن كثب.

تظهر التجارب عبر سيناريوهات مختلفة أن نهجنا يتفوق باستمرار على استراتيجيات التحفيز التقليدية والتقنيات الصارمة لتغطية الذاكرة، مما يوفر تحكمًا أكثر دقة وفعالية لتعاون الإنسان والوكيل الشخصي.

في عصر الذكاء الاصطناعي، يُعتبر توازن الذاكرة القابلة للتحكم خطوة حاسمة نحو تحسين التفاعل بين البشر والآلات، مما يؤدي إلى تجارب أكثر تخصيصًا وفاعلية. فما رأيكم في كيفية تحسين استخدام الذكاء الاصطناعي في حياتنا اليومية من خلال أنظمة مثل SteeM؟ شاركونا آراءكم في التعليقات.