في عالم الذكاء الاصطناعي، تعتمد_agents (العملاء) على الذاكرة للتفاعل بفعالية، ولكن تقدير كيف يمكن إدارة هذه الذاكرة يعد تحديًا كبيرًا. تأتي نماذج اللغات الضخمة (LLMs) مع قيود تفرضها نوافذ السياق المحدودة وتكاليف الاستدلال، مما يغير من كيفية استخدام الذاكرة.

تتبع الأنظمة الحالية استراتيجيتين رئيسيتين: الاحتفاظ (Retention) والدمج (Consolidation). بينما يحتفظ الاحتفاظ بالسجلات الخام ويحتفظ بالتفاصيل الدقيقة، فإن الأدلة ذات الصلة قد لا تتناسب مع ميزانية ضيقة. من ناحية أخرى، يتيح الدمج ضغط السجلات ودمجها لزيادة التغطية لكل رمز، لكن هذا يأتي مع خطر فقدان بعض التفاصيل الحيوية لاستفسار معين. بمعنى آخر، لا توجد استراتيجية واحدة تفضل الأخرى بشكل مطلق.

يتبادر إلى الذهن سؤالان أساسيان: متى يجب أن يحل الدمج محل الاحتفاظ، وما هو المشغل الأنسب - الدمج (Merge) أم الاختصار (Abstract) أم إعادة الكتابة (Rewrite)؟

تهدف الدراسة إلى فهم هذا القرار من خلال تفكيك فائدة كل مشغل إلى تأثير تغطية الأدلة المتبقية من الاحتفاظ وتأثير الاستبدال على الأدلة الخام التي تتناسب بالفعل مع الميزانية. يفسر توازن هذه العوامل سبب تباين الإجراءات المفضلة بحسب ضغوط الميزانية.

قمنا بتطبيق هذه الآلية من خلال نموذج OAS (Offline Abstraction-Safety)، وهو متعلم خفيف الوزن يقدّر فوائد الإجراءات استنادًا إلى ميزات ما قبل التوليد مع معايرة الأذى المحجوز. تشير المعايير العامة LongMemEval وLoCoMo إلى نمط يعتمد على الميزانية. على LongMemEval، تحسّن عمليات الدمج دقة الأداء بنسبة تصل إلى 48% في الميزانيات الضيقة، بينما يفضل الاحتفاظ في الميزانيات الواسعة.

إجمالًا، تشير النتائج إلى أن دمج النقاط المشتركة والاختصار يتفوقان عمومًا على إعادة الكتابة المحلية عند الحاجة إلى ضغط.