في عصر الذكاء الاصطناعي، تعتبر أنظمة الذاكرة واحدة من العناصر الحيوية لتحسين أداء الوكلاء المستقلين القادرين على التعامل مع البيانات الهائلة والمواقف المتغيرة. حيث تتطلب هذه الأنظمة القدرة على الاحتفاظ بالمعلومات التاريخية وتتبع الحالات المتطورة وإعادة استخدام المعرفة المناسبة بفضل قدرتها على تجاوز حدود السياقات الزمنية الضيقة.

ومع ذلك، تظل الأنظمة الحالية للذاكرة الوكالية تعتمد في الغالب على نموذج معروف يسمى "خط أنابيب بناء الذاكرة واسترجاعها" (Memory Construction-Retrieval Pipeline)، حيث يتم تعديل بنك الذاكرة فقط دون أي تغييرات على التصميم العام بعد تنفيذ النظام. هذه العملية الثابتة تواجه صعوبات في التعامل مع أنواع الفشل الخاصة بالمهام المتنوعة وقد تؤدي إلى عدم تطابق مع بنوك الذاكرة بينما تتطور في الحجم والتركيب مع مرور الوقت.

لمعالجة هذه القيود، تم تصميم نظام MemPro، وهو إطار تطوري على مستوى النظام يعامل خط أنابيب MCR بالكامل كبرنامج قابل للتطور. بدلاً من التركيز على تعديل بنك الذاكرة أو نصوص التوجيه، يوفر MemPro طبقة من العمليات التي تتضمن شجرة إصدارات لنماذج أنظمة الذاكرة القابلة للتشغيل، حيث يقوم وكيل متطور (Evolving Agent) باختيار الإصدارات الواعدة بشكل متكرر، تشخيص حالات الفشل المتكررة، وإنشاء إصدارات مُحسَّنة من خلال تعديل التعليمات والتعديل التجريبي.

أظهرت التجارب على مجموعات البيانات مثل LongMemEval وLoCoMo وHotpotQA وNarrativeQA أن MemPro يتفوق باستمرار على نماذج ثابته وتلك التي تعتمد على النصوص عبر عدة تكرارات، ويستمر في تحسين أدائه بفضل عمليه التطور، محققا توازنًا مميزًا بين الأداء والتكلفة.

الغرض من MemPro لا يقتصر فقط على التكيف مع البيانات، بل يتعلق ببناء أنظمة قادرة على التعلم والانتقال من فشل إلى نجاح. هل أنتم مستعدون لاستكشاف آفاق جديدة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم حول هذا الابتكار المذهل في التعليقات.