يواجه الوكلاء الذكيون على المدى البعيد تحديات كبيرة عندما يتعلق الأمر بتجميع الأدلة من مسارات المعلومات المتشابكة التي تمتد عبر مئات من خطوات التفكير، العمل، والملاحظة. وقد أظهر الباحثون أنه في بعض الأحيان، قد يعتمد قرار أو استفسار على أدلة مخزنة في ذاكرتهم من فترات سابقة، مما يجعل الأمر أصعب. تتيح أنظمة الذاكرة الخارجية تخزين هذه المسارات كنماذج منظمة، لكن كل نموذج يقدم نظرة مختلفة وغير متكاملة عن المعلومات.

في إطار البحث العلمي، وُجد أن الأنظمة الحالية إما تقرأ مجموعة ثابتة من النماذج لكل استفسار، مما يؤدي إلى تحميل السياق بنسب عالية وإضافة ضجيج، أو تقوم بتوجيه كل استفسار إلى نموذج واحد، مما يمنع جمع الأدلة المكملة لبعضها. تكشف تحليلات دقيقة على AMA-Bench أن التكوين الأمثل لذاكرة الوكلاء ليس نموذجًا واحدًا أو الاتحاد الكامل للنماذج، بل هو تركيبة مصممة خصيصًا من عدة نماذج هيكلية تختلف مع متطلبات الاستفسار والمهمة.

بناءً على هذه النتائج، تم اقتراح مفهوم "اختيار ديناميكي على مستوى الهيكل": حيث يتم اختيار ودمج مجموعة متخصصة من النماذج الهيكلية بما يتناسب مع كل استفسار. وقد تم تطوير MESA (إطار اختيار الدليل متعدد البنى لوكلاء المدى البعيد)، حيث يقوم ببناء خمس رؤى هيكلية مكملة لكل مسار ويتعلم من ملاحظات على مستوى الإجابة لاختيار ودمج مجموعة معينة تتناسب مع كل استفسار.

للتعلم تحت إشراف ضعيف، يستخدم MESA تحسينات موجهة مع بحث موجه بواسطة الأولويات وتجدول مستند إلى UCB لتحقيق توازن بين الاستكشاف والاستغلال. أظهرت النتائج على AMA-Bench أن MESA يتفوق على النموذج الأساسي الأقوى بنسبة 8.5% مع استخدام 41% أقل من رموز الأدلة مقارنةً بالنظام البديل الذي يستخدم جميع النماذج الهيكلية.