في عالم الذكاء الاصطناعي، يُعتبر استرجاع التجارب السابقة خطوة حيوية، لكنه لا يوضح كيفية استخدام تلك التجارب عند تغيير ظروف المستخدمين أو الكيانات أو البيئة. ليكون هذا التحدي هو المحور الذي يدور حوله البحث الجديد الذي يركز على تعريف خطوة إعادة الاستخدام بعد الاسترجاع باعتبارها نقطة اختناق بالنسبة لذاكرة التجارب على المدى الطويل.

يقدم الباحثون إطار تقييم جديد يحدد بدقة آليات إعادة الاستخدام، وذلك من خلال المبدأ المعروف باسم إعادة استخدام مشروطة بالاستفسار (Query-Conditioned Reuse - QCR). هذا الإطار يُستخدم لاختبار فرضية إعادة الاستخدام وليس لتحديد تنسيق ذاكرة موحد مفضل. من خلال تنفيذ هذا الإطار عبر 2,391 حالة استهداف ضمن بيئات WebArena وWorkArena وAppWorld، حقق الباحثون معدل نجاح بلغ 62.3%، مع انخفاض في استخدام الرموز عبر الإنترنت بنسبة 48.9%.

تظهر نتائج التحليل أن دعم التجارب بشكل مباشر يفقد الكثير من فعاليته مع زيادة طول المسارات أو تغير القيم المرتبطة بالمصدر، بينما يدعم الإطار الجديد الاحتفاظ بنصيب أكبر من الكسب المعروض عند استخدام الدعم المرتبط بالهدف.

ولتحقيق الأداء الأمثل، يفصل هذا الإطار بين جودة الاسترجاع والتحدي المتمثل في تحويل التجارب المستعادة إلى دعم آمن ومفيد لمهمة جديدة، مما يفتح آفاقًا جديدة لتقنيات الذكاء الاصطناعي في المستقبل.