تتطلب الأبحاث في علم الجغرافيا تحليلات معقدة وخبرات متخصصة، حيث تُعتبر مشاهد الاستشعار عن بُعد (Remote Sensing) أساساً محورياً في هذا المجال. ومع ذلك، فإن الوكلاء المستخدمين في الاستشعار عن بُعد والذين يعتمدون على نماذج لغوية عامة (General-Purpose LLMs) غالباً ما تكون أداؤهم ضعيفاً وغير متخصص، مما يؤدي إلى عمليات مليئة بالأخطاء والقصور.

لتعزيز هذا الوضع، تم تقديم آلية RSMeM، التي تُعدّ آلية تطور الذاكرة المعززة بالمعرفة، والتي تبدأ بتزويد وكلاء الاستشعار عن بُعد بمعرفة متخصصة مسبقة وتدمج بشكل دوري الخبرات المكتسبة عبر الإنترنت لضمان تنفيذ الأدوات متعددة الخطوات بشكل فعّال.

يتكون نظام RSMeM من مكونين رئيسيين:
(i) **تأصيل المعرفة الهرمية (Hierarchical Knowledge Grounding)**: حيث يتم استرجاع البيانات بطريقة واعية بالتصنيف من مجموعة بيانات نقطة محورية هرميّة ليوجه خطط العمل واختيار الأدوات.
(ii) **تنقية التجربة المعتمدة على الفشل (Failure-Aware Experience Refinement)**: التي تعمل على استخلاص ثغرات استخدام الأدوات التي تم تدقيقها، لتكون بمثابة قيود قابلة لإعادة الاستخدام في الجولات المقبلة من تنفيذ الأدوات.

عبر استخدام هذين المسارين بشكل متكرر، يتمكن وكلاء الاستشعار عن بُعد من تطوير أنفسهم لاستيعاب المعرفة المتخصصة على مستوى المهام وتحويلها إلى تجارب تنفيذ ملموسة.

أظهرت التجارب الواسعة التي أجريت على منصة EarthBench أن RSMeM تُحقق تحسناً مستمراً في أداء استخدام الأدوات ودقة الإجابات النهائية عبر مجموعة متنوعة من نماذج اللغات الخلفية (LLM backbones). ومن المدهش أن RSMeM قد حققت تحسيناً بنسبة 6% في الدقة على نموذج DeepSeek-V3.2 مع أقل من 1% من وحدات الخبرة الإضافية، مما يبرز الكثافة المعرفية العالية لتجاربنا المصفاة.

للمزيد من التفاصيل، يمكنك زيارة الرمز المصدر على GitHub.

هل أنتم مهتمون بالتطورات التي يقدمها RSMeM في عالم الاستشعار عن بُعد؟ شاركونا آراءكم في التعليقات!