في عالم الذكاء الاصطناعي، تظل الحاجة إلى التعلم المستمر (Continual Learning) أولوية قصوى. وقد أُعلن مؤخرًا عن إطار HaMo، الذي يمثل خطوة ثورية في كيفية تعامل الوكلاء الذكيين مع المعرفة المتراكمة. يعاني الوكلاء من صعوبة في الاحتفاظ بالمعرفة واستخدامها بسرعة، مما أثر سلبًا على أدائهم في المهام المتعددة المعقدة.

يعمل HaMo على معالجة هذه المشكلة من خلال دمج آليتين فعالتين - الأولى تعتمد على تراكم الخبرة غير البرمجية بشكل سريع، والثانية تركز على التكيف البارمترية بالدقة. هذا الدمج يتيح للوكلاء استخلاص استراتيجيات فعالة من التجارب السابقة، مما يسهل عليهم استرجاعها في الوقت المناسب.

تتضمن الطريقة المستخدمة في HaMo إنشاء بطاقات خبرة استراتيجية، مما يساعد الوكلاء على تفسير وتحليل وتنفيذ استراتيجيات مسترجعة تتغير مع السياقات المختلفة. ومن ضمن الإنجازات الأخرى، تم تقديم آلية اختيار قائمة على تغطية الاسترجاع، التي تحدد المسارات المضغوطة والمكملة لتحديث المعلمات.

أثبتت التجارب أن HaMo يتفوق على الأساليب السابقة، سواء تلك التي تعتمد على الحزمة فقط أو نموذج التكيف فقط، وذلك في بيئات العمل ضمن المجال وعبر المجالات المختلفة. هذه النتائج تبرز أهمية الحفاظ على الخبرة الإجرائية وقدرة الوكلاء على نقلها وتنفيذها عبر المهام المتنوعة.