في عالم الذكاء الاصطناعي الحديث، بات من الضروري تطوير أساليب جديدة لتحسين استرجاع الذاكرة، مما يعزز قدرة نماذج اللغة الكبيرة (Large Language Models) على التفاعل المستدام مع المستخدمين. ومن هنا، يظهر الابتكار الجديد المعروف بـ ERSkill، وهو إطار يركز على استرجاع المعلومات بتوجيه المهارات، مما يتيح إمكانية الوصول الذاتي المتطور إلى الذاكرة.

يعمل ERSkill على تجميع سجلات التفاعل في ذاكرة منظمة، حيث يتم تمثيل سلوكيات الاسترجاع كمهارات يمكن تنفيذها تتكون من بديهيات أساسية. خلال وقت الاستدلال، يقوم نظام توجيه مدرب بشكل ديناميكي بمطابقة كل استفسار مع المهارة المثلى لبناء أدلة مخصصة لتوليد الإجابات.

لتعزيز التحسين المستمر، يتطور مجموعة المهارات ونظام التوجيه معًا خلال مرحلة التدريب. يستخدم هذا الإطار شجرة تجربة لتسجيل مسارات الاسترجاع التي تم استكشافها بشكل فعال، بالإضافة إلى آلية الحدود المزدوجة التي تفصل بشكل آمن بين توسيع قدرات المهارات الجديدة وطرحها بصورة مستقرة.

أظهرت التجارب عبر مقاييس ذاكرة الوكلاء المتعددة أن ERSkill يتفوق بشكل كبير على الأساليب التقليدية وغير التقليدية. حيث يرتفع الأداء العام بمعدل 31.3% في الدرجات عبر F1 وBLEU-1 ودرجات تقييم نماذج اللغة مع Qwen3-Next-80B-A3B-Instruct، وكذلك تحسن بمعدل 28.1% مع GPT-5.4-nano.

مع هذا الإطار المبتكر، يبدو أن الخطوة التالية في تطوير نماذج الذكاء الاصطناعي تقترب أكثر من المتطلبات الحقيقية للتفاعل الفعال مع المستخدمين. فما رأيكم في إمكانيات هذا التطور؟ شاركونا في التعليقات!