في عالم الذكاء الاصطناعي، تبقى ذاكرة المستخدم طويلة الأمد أمرًا بالغ الأهمية لجعل التجارب الحوارية أكثر تخصيصًا وفعالية. رغم ذلك، لا تزال العديد من أنظمة الذاكرة تعتمد على واجهات الاسترجاع السلبي، مما يجعل النموذج مجرد مستهلك للأدلة المحددة مسبقًا. هنا يأتي دور نموذج NapMem، الذي يمثل تقدمًا جذريًا في كيفية استخدام الذكاء الاصطناعي لذاكرة المستخدم.

ينظم NapMem تاريخ المستخدم في هرم ذاكرة متعدد التدرجات، حيث يتم الربط بين المحادثات الخام، سجلات الذاكرة المدخلة، مسارات الموضوعات، وملفات تعريف المستخدم عبر علاقات النشأة. يتم تدريب الوكيل لاختيار الذاكرة بناءً على الاستعلام والأدلة الوسيطة، مما يسمح له بفحص مستويات مختلفة من الذاكرة قبل تقديم الإجابة.

تُظهر التجارب التي أُجريت على مجموعات البيانات PersonaMem-v2 وLongMemEval وLoCoMoMo أن العميل المدرب باستخدام التعلم المعزز للأدوات يعمل بكفاءة في مجموعة متنوعة من المهام التي تتطلب ذاكرة كثيفة. كما تشير التقييمات على المهام غير المرتبطة بالذاكرة إلى أن السياسة المتعلمة تحافظ إلى حد كبير على قدرات التفكير العامة واستخدام الأدوات.

تحليلات إضافية تبحث في تكلفة التخزين والاستدلال وسلوك استخدام الأدوات، بالإضافة إلى التحليلات حول التنقل ودرجة تجزئة الذاكرة وتدريب التعلم المعزز. تشير نتائجنا إلى أن ذاكرة المستخدم طويلة الأمد تستفيد بشكل كبير من ربط التخزين المنظم بالسياسة المتعلمة لاستخدام الذاكرة بالدرجة المناسبة.