في عالم الذكاء الاصطناعي، قد لا تكتمل المنظومة دون تحسين مستمر لطرق إدارة البيانات. هنا يأتي دور "Self-GC"، وهو نظام مبتكر يهدف إلى معالجة كيفية إدارة السياقات في النماذج اللغوية الطويلة (Long-Horizon LLM agents).

تواجه هذه النماذج تحديات في التعامل مع المعلومات المتزايدة، حيث تتجمع نتائج الأدوات، والملفات، والخطط، والقيود من المستخدمين بشكل معقد يصعب معالجته. الأنظمة التقليدية تعتمد غالبًا على تقنيات مثل تقليم التواريخ أو إخفاء مخرجات الأدوات، وهي تقنيات محدودة بمفاهيم قصيرة المدى.

لكن "Self-GC" يتجاوز ذلك، فهو لا يقتصر على استرجاع الرموز غير المستخدمة، بل يدير دورة حياة كائنات السياق الخاصة بالوكيل بشكل فعال. يقوم هذا النظام بتحويل تدخلات المستخدم، وفترات استخدام الأدوات، وحالة المهارات إلى كائنات مفهرسة، ويستعين بمخطط جانبي لتقديم اقتراحات حول إجراءات التخفيف والتقليل، ما يسمح للقائم بتطبيق حدود الالتزام الآمنة وإدارة التخزين المؤقت بفعالية.

عند إجراء التجارب على مجموعة من البيانات، أظهر "Self-GC" قدرته على تقليص 43.95% من الرموز الأولية مع الحفاظ على 84.85% من استمرار النتائج المستقبلية. فيما أظهرت الأنظمة التقليدية معدلات تأثير أعلى بكثير. بالإضافة إلى ذلك، أظهرت النتائج التشغيلية أن تقسيم الحسابات عبر الإنترنت يمكن أن يقلل من متوسط الرموز المدخلة بنسبة تصل إلى 15% أثناء النهار.

تفتح هذه النتائج آفاقًا جديدة في إدارة السياقات، إذ أبعدت مفهوم "التنظيف النصي التلقائي" لتقديم نظام أكثر دقة وجدارة بالثقة في معالجة البيانات.