في عالم الذكاء الاصطناعي، تلعب هياكل ذاكرة الوكلاء (Agent Memory Architectures) دورًا حيويًا في تحديد كيفية تخزين واسترجاع التجارب عبر المهام المختلفة. ولكن، غالبًا ما تكون هذه الهياكل ثابتة بعد نشرها، مما يحد من قابليتها للتكيف مع أنواع المهام المختلفة. ومع التقنيات الحديثة، تم تطوير طرق جديدة تتيح تعديل هذه الهياكل باستخدام تغذية راجعة مستندة إلى التنفيذ، والتي عادة ما تُمثَّل كدرجات تقييم أو ملخصات مضغوطة.

رغم ذلك، فإن هذه التغذية الراجعة الخشنة غالبًا ما تكون غير كافية لتحديد أماكن الفشل بدقة في الأنظمة الحالية، حيث تتضمن مهام التنفيذ الطويلة تفاعل عديد من المكونات. من دون تحديد دقيق لمواقع الفشل، تفتقر الأساليب الحالية إلى هدف واضح على مستوى الكود للتعديل، مما يؤدي غالبًا إلى إعادة كتابة واسعة النطاق لهياكل الذاكرة الفعالة بالفعل.

هنا يأتي دور MemScope، وهو إطار عمل مُصمم لإحداث تطور موضعي في هياكل الذاكرة الموجودة. حيث يستخدم الأداة الذكية Patch Agent لفحص آثار التنفيذ الخام، وحالة الذاكرة أثناء التشغيل، وكود البنية الحالي لتحديد أهداف الإصلاح وتطبيق تعديلات محكمة، وفقًا لمعايير توافق الهوية ومحدودية الذاكرة.

أثبتت التجارب على نظام GAIA أن النسخة الجديدة التي تعتمد على فحص الآثار والذاكرة قد حققت دقة مذهلة تصل إلى 86.67%، بينما كانت النسبة 70.00% للآثار فقط و63.33% للتغذية الراجعة الملخصة فقط. على مهام xBench، تطورت بنية الذاكرة المحسنة من 49 إلى 55 إجابة صحيحة مع DeepSeek V3.2 ومن 50 إلى 53 مع Kimi K2.7 Code.

أما في مهام ALFWorld الغير مرئية، فقد ارتفعت نسبة النجاح من 50.75% إلى 71.64%. عبر الانتقالات في لقطات البنية المؤرشفة، كان متوسط نسبة التغيير في الكود 4.4%. تدعم هذه النتائج أهمية الأدلة المعتمدة على التنفيذ كقاعدة لتطور موضعي في هياكل الذاكرة.