في عالم الذكاء الاصطناعي، يُعد تحسين أداء الوكلاء في المهام طويلة الأمد تحدياً كبيراً. فمن المعروف أن الذاكرة التقليدية قد تسبب تشويشًا في تحديد حالة المهمة بسبب طول السجل التجريبي. ومع ذلك، قدم الباحثون تقنية جديدة تُسمى Recuris، وهي بنية الذاكرة التجريبية المعتمدة (Experiential-Working Memory) التي تهدف إلى معالجة هذه المشكلات.

تعمل Recuris على تتبع تقدم المهام وتوجيه اختيار المهارات من الذاكرة التجريبية، مما يتيح استخدام المهارات بناءً على الاحتياجات الحالية بدلاً من التاريخ الكامل. هذه الصيغة التقريبية تحول التنفيذ إلى أدلة منظمة، مما يساعد على تحديد أسباب الفشل في مكونات الذاكرة المحددة.

بفضل قدرة Recuris على تحسين الأداء المرجعي، قام نظام الوكيل fixe بتوليد تحديثات موثقة تعمل على إعادة تشكيل تنفيذ المهام. تم اختبار Recuris عبر 37 نموذجاً في أربعة معايير طويلة الأمد، وأظهرت النتائج تحسناً في نجاح المهمة بنسبة 35%. من المثير للاهتمام، أن Recuris شهد نقاط نجاح متزايدة عندما كان طول المهمة أكبر، مما يدل على فعالية هذا النظام في معالجة التحديات المعقدة.

يعتبر Recuris خطوة كبيرة نحو تطوير الذاكرة المساعدة القابلة للتطور، مما يتيح للوكلاء تحويل الخبرات المحصلة إلى سلوكيات فعّالة بشكل مستمر. بالتالي يتوقع أن تسهم هذه التقنية في تعزيز قدرات الذكاء الاصطناعي، مما يؤدي إلى نتائج مبهرة في المستقبل القريب.