في عالم الذكاء الاصطناعي، تعتبر ذاكرة الوكلاء (Agents Memory) عنصرًا أساسيًا لنجاح التطبيقات والمشاريع المختلفة. غالبًا ما يتم بناء هذه الذاكرة إما من خلال تفاعلات تم تنسيقها سلفًا أو من خلال تجارب يتم جمعها بعد إطلاق النظام. ولكن، عندما يتواجد وكيل جديد في بيئة جديدة، يواجه ما يُعرف بفجوة البداية الباردة (Cold-Start Gap)، وهو ما يعيق توظيفه الفعال.

في خطوة جديدة، قدم الباحثون إطار العمل "Preping" الذي يركز على بناء الذاكرة قبل بدء المهام. يطرح السؤال: هل يمكن لوكيل أن يبني ذاكرته التلقائية دون الحاجة لتحقيق تجارب مستهدفة؟ يعتمد هذا النهج على تفاعل ذاتي مُولد بشكل صُنعي.

ومع ذلك، فإن الاعتماد فقط على التفاعلات الاصطناعية غير كاف، حيث قد تصبح هذه المهمة غير فعالة بسبب عدم القدرة على التحكم في ما يتم ممارسته وما يتم تخزينه. وهذا يعني أن التفاعلات قد تُصبح تكرارية وغير مُعلمة، مما يؤدي إلى تدهور الذاكرة بشكل سريع.

من أجل التغلب على هذه التحديات، تم تقديم إطار "Preping"، والذي يقوم على ذاكرة مُقترحة (Proposer Memory) تشكل حالة تحكم منظمة توجه الممارسات المستقبلية. يقوم نموذج المُقترح بإنشاء مهام صُنعية استنادًا إلى هذه الحالة، بينما يتولى نموذج الحل (Solver) تنفيذ هذه المهام، ويتحقق المُقييم (Validator) من المؤهلات اللازمة لإدخال النتائج في الذاكرة، بالإضافة إلى تقديم تغذية راجعة توجيهية لنماذج المُقترح المستقبلية.

تظهر التجارب التي تم إجراؤها على منصات "AppWorld" و"BFCL v3" و"MCP-Universe" أن "Preping" يُظهر تحسنًا كبيرًا مقارنة بنموذج الذاكرة التقليدي، ويحقق أداءً قويًا يتساوى مع الطرق المعتمدة على الكتيبات، بينما تكون تكاليف النشر أقل بـ 2.99 مرة في "AppWorld" و2.23 مرة في "BFCL v3" مقارنة ببناء الذاكرة التقليدي. وتبين المزيد من التحليلات أن الفوائد الرئيسية تنبع من التحكم في الصعوبة والتكرارية ومدى التغطية، بالإضافة إلى تحديثات الذاكرة الاختيارية.

فهل تستعد صناعة الذكاء الاصطناعي لدخول عصر جديد من الفعالية والكفاءة في بناء الذاكرة؟ شاركونا بآرائكم وتجاربكم في التعليقات أدناه!