في عالم الذكاء الاصطناعي، أصبحت نماذج اللغات الطويلة (Large Language Models) تلعب دورًا حيويًا في تحليل المعلومات من سياقات متكررة، مثل مجموعات الوثائق ومستودعات الأكواد. ومع ذلك، كانت التقنيات الحالية تقصر في الحفاظ على نوع المعرفة الأكثر حاجة: المعرفة السياقية القابلة للاستخدام مرة أخرى. هنا يأتي دور نظام PEEK، الذي يمثل نقلة نوعية في كيفية تفاعل وكلاء النماذج اللغوية مع هذه السياقات.

نظام PEEK يقوم بتخزين المعرفة السياقية كخريطة، مما يمكن الوكلاء من الحصول على لمحة مستدامة عن المحتوى الخارجي. يتم الحفاظ على هذه الخريطة من خلال سياسة مخزن قابلة للبرمجة تتكون من ثلاث وحدات:
- **المكثف (Distiller)**: يساهم في استخراج المعرفة القابلة للتحويل من إشارات وقت الاستدلال.
- **المخطط (Cartographer)**: يقوم بترجمة هذه المعرفة إلى تعديلات منظمة.
- **المسقط (Evictor)**: يفرض ميزانية ثابتة للأزرار المعالجة.

أظهرت دراسات الأداء أن PEEK يحسن من جودة الاستدلال بنسبة تتراوح بين 6.3% إلى 34.0%، ويقلل من عدد الدورات اللازمة في العملية بمعدل 93 إلى 145 دورة أقل. كما يظهر النظام كفاءة أعلى بمقدار 1.7 إلى 5.8 أضعاف مقارنة بإطار التعلم القائم على التعليمات ACE.

من خلال هذه النتائج، يتضح أن خريطة السياق تساعد وكلاء النماذج اللغوية الطويلة على التفاعل بشكل أكثر دقة وكفاءة مع السياقات الخارجية المتكررة، مما يمثل تقدماً حقيقياً في مجال الذكاء الاصطناعي.