تتطلب تطبيقات الذكاء الاصطناعي الشخصي الحديثة بشكل متزايد وجود ذاكرة طويلة الأمد لضمان تخصيص مستمر يتجاوز الجلسات. ومع ذلك، فتعتمد نظم الذاكرة الحالية بشكل أساسي على التشابه الدلالي (semantic similarity)؛ حيث يتم استرجاع بيانات الذاكرة القريبة من الاستفسار الحالي وإدخالها في سياق النموذج. وهذا يفتح فجوة حرجة في الثقة، إذ قد يكون لدى الذاكرة المرتبطة دلالياً محتوى غير مناسب سياقياً، ما يؤدي إلى تهديدات مثل تسرب المعلومات عبر المجالات المختلفة، أو انحراف الأدوات، أو حتى تجاوزات الذاكرة.

في هذا السياق، ندرس البحث في الذاكرة كحدود للثقة في الوكلاء الشخصيين للذكاء الاصطناعي. وقد قمنا بتقييم أطر عمل الذاكرة الوكيلية مثل A-Mem وMem0 وMemOS، بالإضافة إلى OpenClaw، وهو بيئة حقيقية لوكلاء الذكاء الشخصي مع حالة دائمة وقدرة على استخدام الأدوات. تكشف نتائجنا أن الذاكرة طويلة الأمد ليست مجرد طبقة خدمية، بل هي قناة تحكم مستدامة يمكن أن تعيد تشكيل كيفية تفسير الوكلاء للمهام وتنفيذ الإجراءات، مما يجعلها عرضة بشكل كبير للتهديدات المذكورة.

للتخفيف من هذه الثغرات، نقترح MemGate، وهو مكون ذاكرة خفيف وقابل للنشر للبحث الموثوق في الذاكرة، مع 9 مليون معلمة فقط و35.1 ميجابايت كحجم. يتم إدخال MemGate بين تخزين الذاكرة المتجهة والعمود الفقري لنماذج اللغات الضخمة (Large Language Models)، ولا يتطلب تعديل نماذج اللغة، أو إعادة كتابة قاعدة بيانات الذاكرة، أو قاضي لعمل النموذج أثناء الاستدلال. يستخدم MemGate بوابة عصبية مشروطة بالاستفسار لإدارة تمثيلات الذاكرة المرشحة، محولاً البحث في التشابه الخام إلى قبول الذاكرة المشروط بالمهمة.

تظهر النتائج في مختلف الأطر التقليدية للذاكرة، وإعدادات الوكلاء في العالم الحقيقي، وخلفيات نماذج اللغة المتنوعة، أن MemGate يقلل من التهديدات الناتجة عن الذاكرة مع الحفاظ على فائدة الذاكرة طويلة الأمد.