في عصر الذكاء الاصطناعي، أصبحت الحاجة لفهم كيفية إدارة المعلومات المخزنة وصلاحيّتها أمراً بالغ الأهمية. وتبرز الحاجة إلى وكيل لغوي (Language Agent) قادر على التعامل مع المعلومات بدقة، مما يتطلب فصلاً واضحاً بين ما يُخزن من معلومات وما يُستخدم عند تقديم الإجابات.

في هذا السياق، نقدم لكم إطار عمل RD-Forget، الذي لا يتطلب تدريباً معقداً، حيث يعمل على فصل المعلومات المخزنة من تلك المستخدمة في الإجابات. يسمح هذا التصميم الجديد للاحتفاظ بمصدر أرشيفي للمشاهدات، مما يضمن أن المعلومات غير الصالحة لا تؤثر على دقة الإجابات الحالية.

كيف يعمل هذا الإطار؟ يعتمد RD-Forget على ذاكرة مشروطة بالسؤال (Query-Conditioned Memory View) للتحكم في مدى تأثير المعلومات القديمة على الإجابة الحالية. كما يتم استخدام نموذج لغوي مُجمد (Frozen Language Model) لاستخراج الأدلة ذات الصلة، مع تجميع الحقائق في فئات دلالية (Semantic Slots) تساهم في عمليات استدلال متعددة المراحل (Multi-hop Reasoning).

أيضاً، تتيح آلية استرجاع مدركة للنوايا (Intent-Aware Retrieval) إمكانية إعادة تقييم الأدلة السابقة، مما يسهم في تحسين دقة الإجابات. وقد أثبتت التجارب أن أنظمة لا تعتمد على نسيان المعلومات القديمة تكون أكثر عرضة لنتائج أدنى.

باختصار، يفتح RD-Forget أفقاً جديداً في إدارة المعلومات، حيث يمكن للوكيل اللغوي الاحتفاظ بتاريخٍ دقيق، مع إمكانية التحكم في استخدامه لتحسين الردود على الأسئلة المستقبلية.