في عالم الذكاء الاصطناعي، تعتبر الذاكرة الخاصة بنماذج اللغة الكبيرة (LLM) عنصراً أساسياً للأداء الفعال في التخطيط على المدى الطويل وحل المشكلات. لكن على الرغم من أهمية الذاكرة، إلا أن إدارة تطورها لا تزال تحتاج إلى استكشاف أعمق.

معظم التقييمات الحالية تركز على الإعدادات الثابتة للمحادثات، حيث يتم استرجاع الذاكرة بشكل سَلِس من الحوار للإجابة على الاستفسارات، مما يتجاهل القدرة الديناميكية على جمع وإعادة استخدام الخبرة عبر مهام متعددة. في البيئات الواقعية مثل مساعدي الحلول التفاعلية أو الوكلاء المجسدين، يتوجب على نماذج اللغة الكبيرة التعامل مع تدفقات مهمة مستمرة، لكن غالباً ما تفشل في التعلم من التفاعلات المتراكمة، مما يفقدها رؤى سياقية ثمينة.

هذا النقص يستدعي ضرورة التفاعل مع الذاكرة بصورة مستمرة خلال فترة التنفيذ. لذا، تمثل Evo-Memory الإطار الشامل الجديد لتقييم الذاكرة الذاتية القابلة للتطور في الوكلاء الذكاء الاصطناعي. تقوم Evo-Memory بترتيب مجموعات البيانات إلى تدفقات مهام تسلسلية، مما يتطلب من نماذج اللغة البحث عن المعلومات، التكيف، وتطوير الذاكرة بعد كل تفاعل.

عبر دمج وتنفيذ أكثر من عشرة وحدات ذاكرة تمثل جوانب مختلفة، تم تقييم هذه التقنية عبر عشرة مجموعات بيانات متنوعة تتناول الأهداف متعددة الأدوار والمهام القصيرة. ولتسليط الضوء على أهمية إعادة استخدام الخبرة، تم تقديم طريقة مرجعية تحت اسم ExpRAG لاسترجاع واستخدام الخبرات السابقة.

ولتعزيز هذا المفهوم أكثر، تم اقتراح نموذج ReMem، الذي يقدم خط أنابيب يربط بين التفكير الإجرائي، الأعمال، وتحديث الذاكرة، مما يحقق تحسيناً مستمراً في الأداء.