تعتبر الذاكرة طويلة الأمد (Long-Term Memory) أحد المكونات الأساسية لوكلاء الذكاء الاصطناعي بناءً على نماذج اللغات الكبيرة (LLM) من أجل الحفاظ على تفاعلات متميزة والانطلاق من تاريخ بعيد موثوق. تواجه الأنظمة الحالية لمتابعة الذاكرة تحديات كبيرة، حيث يتم معالجة المحتوى الحواري غير المتجانس من خلال أنظمة موحدة تستند إلى التلخيص والاسترجاع، مما يؤدي غالبًا إلى استهلاك مفرط للرموز أو فقدان كبير للأدلة الدقيقة.

في هذا السياق، تقدم LeanMem، وهي إطار خفيف الوزن للذاكرة طويلة الأمد، حلاً جديدًا. تبدأ LeanMem بتصفية المحتوى منخفض القيمة، ثم تخزن المقاطع المعلوماتية كذاكرة ملف تعريف مضغوط، أو ذاكرة أحداث منظمة زمنياً، أو ذاكرة مسجلة مستندة إلى المصادر، وفقًا لطبيعة المعلومات. خلال عملية الصيانة، يتم تحديث ذاكرات الأحداث المتغيرة ديناميكيًا بشكل انتقائي، مما يتجنب التكثيف الزائد للملفات الثابتة والسجلات غير القابلة للتغيير.

عند الاستدلال، تقوم LeanMem باختيار أنواع الذاكرة ديناميكيًا وتخصيص ميزانيات الاسترجاع وفقًا لمتطلبات الأدلة المحددة في الاستفسار، مما يعيد تجميع الأدلة ذات الصلة عند الطلب. في اختبارات LoCoMo وLongMemEval-S باستخدام نماذج GPT-4.1-mini وQwen3-8B، أظهرت LeanMem تحسنًا في الدقة مقارنة بأقوى الأنظمة المعتمدة على الذاكرة في كل إعداد، حيث بلغت نسبة التحسن 15.1 نقطة، وذلك بأقل تكلفة للبناء ورموز استدلالية وتأخير.

إن هذا التطور في إطار LeanMem لا يعزز فقط أداء الوكلاء الاصطناعيين، بل يقدم أيضًا قفزة نوعية في كيفية معالجة المعلومات والدروس المستفادة من المحادثات السابقة بطرق مبتكرة ومناسبة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!