في عالم الذكاء الاصطناعي، تعتبر الذاكرة الطويلة الأمد عنصرًا حيويًا لتفعيل وكالات الذكاء الاصطناعي (LLM Agents) عند التفاعل عبر جلسات متعددة، إلا أن مؤشرات الذاكرة الحالية تركز بصورة رئيسية على استدعاء المعلومات ذات الحافز الأحادي، مما يترك الجمع بين المعلومات المتعددة غير مُقَيَّم كفاية.

لنخوض في التفاصيل، أُعلن عن تطوير نظام 'MemHop'، وهو معيار جديد للذاكرة متعدد الاختيارات يتألف من 1000 سؤال تغطي عمق القفز من 1 إلى 5 عبر 10 سيناريوهات على الشبكات الاجتماعية، مزود بتعليقات توضيحية وفقًا لكل قفز.

بالإضافة إلى ذلك، تم تقديم 'Profile-Graph Memory' أو 'ProGraph'، وهو تصميم ذاكرة بطبقتين يجمع بين توسيع البروفايل (profile expansion) - التنقل عبر أسماء الكيانات التي تظهر بشكل طبيعي في السرد المكتوب بواسطة وكالات الذكاء الاصطناعي، مما يعد بديلاً بسيطًا لبناء الرسم البياني للمعرفة - ونتائج الضغط (compression residuals) - التواريخ الدقيقة، الكميات، والأسماء المُعينة التي تم استخراجها بالتوازي مع كل تحديث للبروفايل دون أي تكلفة إضافية على واجهة برمجة التطبيقات.

أظهرت التجارب أن 'ProGraph' يسجل متوسطًا قدره 80.1% في 'MemHop' (مساويًا لمعيار 'FullContext') و78.4% في 'LoCoMo'، متجاوزًا 'FullContext' بفارق 11.3 نقطة. ومع ذلك، يظهر الأداء تفوقًا ملحوظًا على باقي الأنظمة مثل 'Mem0' و'A-Mem' و'HippoRAG' و'RAG' في كلا الاختبارين.

تم توفير 'MemHop' و'ProGraph' والتنفيذات الأساسية للجمهور لتوسيع آفاق البحث والتطوير في مجال الذاكرة الذكية.