في عالم الذكاء الاصطناعي، تواجه الأنظمة تحديات معقدة عند التعامل مع المهام الطويلة الأمد. فعندما يتم توظيف وكلاء (agents) في سياقات تتطلب اتخاذ قرارات مستمرة على مدى فترات ممتدة، تصبح البيانات والمعلومات المهمة مشتتة عبر مسارات متعددة. وهذا ما يعرف بـ"تآكل الحالة السلوكية" (behavioral state decay)، حيث يمكن أن تتلاشى المتطلبات، والحقائق البيئية، ونتائج المحاولات السابقة من الذاكرة، مما يؤثر على قدرة الوكيل على اتخاذ قرارات فعّالة في الوقت المطلوب.

حل هذه المشكلة يأتي مع مفهوم "ذاكرة مُبادر"، حيث يعمل وكيل الذاكرة بشكل نشط مع الوكيل الرئيسي للقيام بتحديث تراكمي للذاكرة. يجمع هذا الوكيل المنفصل المعلومات الحيوية من المسار السابق ويتخذ قرارات بشأن إدخال تذكير معتمد على الذاكرة أو عدم التدخل. وهذا النظام يمكن تركيبه بسهولة مع وكلاء العمل الآخرين.

أظهرت الدراسات أن هذه التقنية تعزز الأداء بشكل ملحوظ، حيث حققت سجلات أعلى في اختبارات مثل Terminal-Bench وτ²-Bench. على سبيل المثال، سجلت زيادة في الأداء بنسبة +8.3 نقطة في Terminal-Bench و+6.8 نقطة في τ²-Bench.

تعتبر هذه الطريقة خطوة أولى نحو تطوير سياسات ذاكرية مفتوحة الوزن (open-weight memory policies)؛ حيث تم تدريب نموذج Qwen3.5-27B باستخدام أساليب مثل SFT وGRPO، مما أظهر تحسنًا في المكافآت على الاختبارات وتحقيق انتقال جزئي إلى منصة Terminal-Bench.

بالتالي، يظهر الوكيل المُبادر كأداة ثورية لتحسين فعالية الأنظمة الذكائية في التعامل مع السياقات المعقدة، مما يتيح لها تحقيق أداء أعلى في بيئات متغيرة.