تشهد تقنيات الذكاء الاصطناعي، وبالأخص نماذج اللغات الكبيرة (Large Language Models)، تطورات ملحوظة في مجال المساعدات الشخصية. إذ يتم نشر هذه النماذج بشكل متزايد لتوفير مساعدة مخصصة تتفاعل مع المستخدمين على مدار فترات طويلة. ولكن مع تنامي طول المحادثات، تظهر تحديات تضفي تعقيدًا على عملية استرجاع المعلومات، مما يؤدي إلى عدم كفاءة وموثوقية استخدام تاريخ المحادثات.

تكمن المشكلة الرئيسية في أن الاعتماد على السياقات الطويلة يتطلب طاقة حسابية كبيرة، مما يجعل من الصعب على النماذج التعرف بفعالية على المعلومات الأكثر صلة بالطلب الحالي. ولهذا السبب، ظهرت أنظمة الذاكرة التي تهدف إلى هيكلة واسترجاع المعلومات الخاصة بالمستخدمين.

في سياقات تفاعلية واقعية، يسعى المستخدمون غالبًا للحصول على توجيهات عملية مثل التوصيات، التخطيط، ودعم اتخاذ القرار. على عكس مهام استدعاء المعلومات الواقعية، يتطلب التوجيه الشخصي من النماذج دمج المعلومات من محادثات سابقة متعددة والتفكير في تفضيلات وتجارب المستخدم المتغيرة. ومع ذلك، تركز التقييمات الحالية للمحادثات على الاسترجاع واستذكار المعلومات أكثر من تركيزها على توفير التوجيه العملي.

لمعالجة هذه المشكلة، تم تقديم نموذج PRAGMA كمعيار لتقييم التوجيهات الشخصية في المحادثات الطويلة. يشمل PRAGMA سجلات محادثات طويلة تم تنسيقها مسبقًا، وإشارات إلى الأدلة، وسيناريوهات توجيهية تستند إلى السياقات المتغيرة للمستخدم والافتراضات الخاطئة التي قد يحملها البعض.

تظهر التجارب التي أجريت عبر أنظمة الاسترجاع، وأجهزة الذاكرة، والنماذج الطويلة السياق، أن الأنظمة الحالية لا تزال تواجه صعوبة في استرجاع الأدلة الحوارية المناسبة واستخدامها بشكل فعال لتوفير توجيهات شخصية. تكشف نتائج هذه الدراسات عن الحاجة إلى هياكل ذاكرة تدعم استرجاع المحادثات القوي والتفكير القائم على الذاكرة بعيدًا عن مجرد استذكار الأدلة.