💻 computer science

M $^2$ : Dual-Memory Augmentation for Long-Horizon Web Agents via Trajectory Summarization and Insight Retrieval

تقترح الورقة البحثية إطار عمل M $^2$ ، وهو إطار عمل ثنائي الذاكرة وخالٍ من التدريب يعزز وكلاء الويب ذوي الأفق الطويل عبر الجمع بين التلخيص الديناميكي للمسار لضغط الحالة الداخلية واسترجاع الرؤى غير المتصلة بالإنترنت للتوجيه الخارجي، محققاً تحسينات كبيرة في معدلات النجاح وكفاءة الرموز (tokens) عبر معايير قياسية متعددة.

المؤلفون الأصليون: Dawei Yan, Haokui Zhang, Guangda Huzhang, Yang Li, Yibo Wang, Qing-Guo Chen, Zhao Xu, Weihua Luo, Ying Li, Wei Dong, Chunhua Shen

نُشر 2026-03-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dawei Yan, Haokui Zhang, Guangda Huzhang, Yang Li, Yibo Wang, Qing-Guo Chen, Zhao Xu, Weihua Luo, Ying Li, Wei Dong, Chunhua Shen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنقل في مكتبة ضخمة وفوضوية للعثور على كتاب محدد للغاية. هذا هو بالضبط ما يفعله وكيل الذكاء الاصطناعي عندما يحاول تصفح الويب لإكمال مهمة ما (مثل "شراء كمبيوتر محمول محدد" أو "إيجاد رحلة طيران").

المشكلة في وكلاء الذكاء الاصطناعي الحاليين هي أنه ليس لديهم ذاكرة ولا خبرة. إنهم يحاولون تذكر كل شيء رأوه منذ اللحظة التي بدأوا فيها.

المشكلة: الوكيل "المُكتنز" (The Hoarding Agent)

تخيل أنك تسير في المكتبة. في كل مرة تلتف فيها عند زاوية، تلتقط صورة للغرفة بأكملها، وتكتب كل كلمة على كل لافتة، وتلصقها في دفتر ملاحظات.

النتيجة: بحلول الخطوة العاشرة، يصبح دفتر ملاحظاتك بطول 500 صفحة. أنت غارق تماماً في الصور المأخوذة للممرات الفارغة، والإعلانات، واللافتات غير ذات الصلة، لدرجة أنك تنسى ما كنت تبحث عنه. تتعثر، وتصاب بالارتباك، وتستسلم.
بمصطلحات الذكاء الاصطناعي: يُسمى هذا "انفجار السياق" (Context Explosion). يحاول الذكاء الاصطناعي تغذية عقله بكل لقطة شاشة وكل نقرة نصية من الخطوات الخمسين الماضية. هذا يجعل الأمر مكلفاً (يستهلك الكثير من المال وقوة الحوسبة) ويجعل الذكاء الاصطناعي "يضيع في المنتصف" وسط كل ذلك الضجيج.

الحل: نظام M2 (نظام "أمين المكتبة الذكي")

يقترح البحث نظاماً جديداً يسمى M2 (تعزيز الذاكرة المزدوجة - Dual-Memory Augmentation). بدلاً من اكتناز كل شيء، يمنح M2 الذكاء الاصطناعي قوتين خارقتين: مذكرات شخصية وورقة غش من مُعلم.

1. الذاكرة الداخلية: "المذكرات الشخصية" (تلخيص المسار)

بدلاً من لصق 50 صورة للمكتبة في دفتر الملاحظات، يتم تعليم الذكاء الاصطناعي كتابة ملخص من جملة واحدة بعد كل خطوة.

كيف يعمل:
- الطريقة القديمة: "رأيت باباً أحمر، ثم باباً أزرق، ثم لافتة تقول 'خروج'، ثم قطة، ثم ملصقاً..." (تفاصيل كثعة جداً).
- طريقة M2: "الخطوة 1: دخلت القاعة الرئيسية. الخطوة 2: اتجهت يساراً نحو قسم التكنولوجيا. الخطوة 3: أنا الآن أنظر إلى ممر أجهزة الكمبيوتر المحمولة."
التشبيه: الأمر يشبه لعب لعبة فيديو. بدلاً من تسجيل فيديو كامل للعب لمدة 10 ساعات لتذكر مكانك، تقوم فقط بكتابة ملاحظة في مذكراتك: "أنا عند بوابة القلعة، ومعي المفتاح، وأحتاج للعثور على التنين".
الفائدة: يظل الذكاء الاصطناعي مركزاً على الحالة الحالية والهدف، متجاهلاً الضجيج البصري (الإعلانات، الأشرطة الجانبية) الذي لا يهمه. هذا يوفر قدراً هائلاً من قوة الحوسبة.

2. الذاكرة الخارجية: "ورقة غش المُعلم" (استرجاع الرؤى)

أحياناً، حتى مع وجود مذكرات جيدة، قد تتعثر لأنك لا تعرف "حيل" المكتبة. ربما هناك طريق مختصر مخفي، أو طريقة معينة لسؤال أمين المكتبة تعمل بشكل أفضل.

كيف يعمل:
- يحتوي النظام على قاعدة بيانات ضخمة لـ الرحلات الناجحة التي قام بها وكلاء ذكاء اصطناعي آخرون في الماضي.
- عندما يتعثر ذكاؤك الاصطناعي أو يبدأ مهمة جديدة، فإنه يسأل: "هل حاول أي شخص آخر البحث عن كمبيوتر محمول على هذا الموقع من قبل؟ وما الذي نجح معه؟"
- يقوم بسحب "ورقة غش" تحتوي على نصائح مثل: "اضغط دائماً على زر 'ترتيب حسب السعر' أولاً"، أو "إذا لم تظهر نتائج في شريط البحث، حاول إزالة اسم العلامة التجارية".
التشبيه: الأمر يشبه وجود أمين مكتبة حكيم يهمس في أذنك: "مهلاً، لا تذهب إلى ممر التاريخ؛ الكتب التي تريدها موجودة في الخلف. وأيضاً، إذا كان الباب مغلقاً، جرب المقبض الجانبي وليس المقبض الدائري".
الفائدة: لا يحتاج الذكاء الاصطناعي لتعلم هذه الحيل من الصفر. فهو يعرف فوراً كيف يتجنب الفخاخ الشائعة والطرق المسدودة.

النتيجة: وكيل فائق الكفاءة

من خلال الجمع بين هاتين الأداتين، يخلق نظام M2 وكيلاً:

أخف وزناً: لا يحمل حقيبة ظهر ثقيلة من الصور غير المجدية (يوفر 50-60% من تكاليف الحوسبة).
أذكى: يعرف حيل المهنة ولا يتشتت بالانشغالات.
لا يحتاج لتدريب: الجزء الأفضل؟ لا تحتاج لقضاء شهور في تعليم الذكاء الاصطناعي مهارات جديدة. فقط أعطه المذكرات وورقة الغش، وسيعمل فوراً.

باختصار: يحول M2 السائح المرتبك والمشتت إلى دليل متمرس يعرف بالضبط أين هو، وماذا يجب أن يفعل تالياً، وكيف يتجنب فخاخ السياح.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "M2: تعزيز الذاكرة المزدوجة للوكلاء الشبكيين ذوي الأفق الطويل عبر تلخيص المسار واسترجاع الرؤى."

1. بيان المشكلة

تواجه الوكلاء الشبكيون المستقلون المدعومون بنماذج اللغات الكبيرة متعددة الوسائط (MLLMs) صعوبة في المهام ذات الأفق الطويل (الملاحة المعقدة التي تتطلب خطوات تفاعل عديدة). تعتمد النهج السائدة حالياً على استراتيجية "السياق الكامل"، والتي تقوم بدمج كامل تاريخ لقطات الشاشة لـ HTML والنصوص التفاعلية في المطالبة (Prompt). يؤدي هذا إلى اختناقين حرجين:

التكلفة الحسابية الباهظة: يؤدي تراكم لقطات الشاشة عالية الدقة والنصوص المطولة إلى نمو نافذة السياق بسرعة، مما يفرض ضغطاً شديداً على موارد الاستدلال وتكاليف الرموز (Tokens).
تدهور الأداء ("الضياع في المنتصف"): السياقات الطويلة جداً والمشوشة تشتت النموذج، حيث تدفن الإشارات ذات الصلة بالمهمة تحت معلومات تاريخية زائدة، مما يؤدي إلى أخطاء في الاستنتاج و"هلوسات سياقية".

تتطلب الحلول الحالية غالباً ضبطاً دقيقاً تحت الإشراف (SFT) مكثفاً أو تعلم تعزيزي (RL)، وهي عمليات تتطلب مجموعات بيانات ضخمة، وموارد حسابية، وتشكيل مكافآت معقداً. بينما تعتمد حلول أخرى على بنيات متعددة الوكلاء تعاني من ارتفاع تكاليف الاتصال وتعقيد النشر.

2. المنهجية: إطار عمل M2

اقترح المؤلفون M2، وهو إطار عمل خالٍ من التدريب ومعزز بالذاكرة، صُمم لتحسين كفاءة السياق ومتانة اتخاذ القرار. يقدم M2 آلية ذاكرة ثنائية الطبقات تستبدل التاريخ الخام بمكونين متخصصين:

أ. الذاكرة الداخلية (In-Mem): التلخيص الديناميكي للمسار

بدلاً من الاحتفاظ بالملاحظات الخام ( $O_{t-k:t-1}$ ) وسجلات التفاعل الكاملة، يتم توجيه الوكيل لإجراء تلخيص ذاتي عند كل خطوة.

الآلية: يقوم الوكيل بتوليد تجريد نصي موجز ( $s_t$ ) يمثل الثلاثية المكونة من (الفكر، الإجراء، الملاحظة) للخطوة الحالية.
العملية:
1. يتلقى الوكيل الملاحظة الحالية ( $O_t$ ) وسلسلة الذاكرة الداخلية الموجودة ( $M^{int}_{t} = \{s_1, ..., s_{t-1}\}$ ).
2. يقوم بإخراج ملخص جديد $s_t$ والإجراء التالي.
3. يتم التخلص من التاريخ الخام ( $O_{t-1}, T_{t-1}, A_{t-1}$ ) من نافذة السياق النشطة.
الفائدة: يحول هذا من سياق عبارة عن قائمة متزايدة خطياً من البيانات الخام إلى سلسلة من التجريدات الدلالية ذات نمو دون خطي، مما يقلل استهلاك الرموز بشكل كبير مع الحفاظ على تاريخ حالة متماسك.

ب. الذاكرة الخارجية (Ex-Mem): تعزيز استرجاع الرؤى

لتوفير استشراف استراتيجي عالمي ومنع تكرار الأخطاء، يستخدم M2 بنك رؤى يعمل خارجياً (Offline).

البناء: يقوم نموذج "المجرد" (Abstractor) باستخلاص قواعد التفاعل عالية التأثير من قاعدة بيانات تحتوي على 55,000 مسار ناجح تم إنشاؤها بواسطة نماذج رائدة متنوعة. تركز هذه القواعد على:
- استراتيجية البحث والتصفية: تحسين بناء الاستعلام.
- كفاءة الملاحة: تحديد "العناصر المرجعية" لتجنب المسارات العميقة وغير ذات الصلة.
- التحقق من الحالة: قواعد استدلالية للتحقق من حالات واجهة المستخدم وتجنب الحلقات اللانهائية.
الاسترجاع: أثناء الاستدلال، يقوم الوكيل بترميز الاستعلام الحالي واسترجاع أفضل $i$ من الرؤى الأكثر صلة من البنك باستخدام تشابه الجمل (Sentence Transformers).
الحقن: يتم حقن هذه الرؤى في مطالب النظام كـ "تلميحات دفاعية"، لتوجيه الوكيل لتجنب العثرات الشائعة الخاصة بنوع المهمة.

ج. بنية الاستدلال

يتكون سياق القرار النهائي ( $C'_t$ ) عند أي خطوة $t$ من:
$C'_t = \{P'_{sys}, Q, M^{int}_t, M^{ext}, O_t\}$
حيث أن $P'_{sys}$ هو المطالب المحسن، و $Q$ هو الاستعلام، و $M^{int}_t$ هي سلسلة الملخص المتكررة، و $M^{ext}$ هي الرؤى المسترجعة، و $O_t$ هي الملاحظة الحالية.

3. المساهمات الرئيسية

بنية ذاكرة مزدوجة خالية من التدريب: إطار عمل خفيف الوزن يدمج التتبع الداخلي المتكرر مع التوجيه الخارجي، مما يلغي الحاجة إلى SFT/RL المكلفة أو الأنظمة متعددة الوامل المعقدة.
الضغط داخل المسار والاسترجاع بين المسارات:
- ضغط تاريخ التنفيذ إلى سلاسل ملخص موجزة (الذاكرة الداخلية).
- استرجاع رؤى الخبراء عبر المهام من قاعدة معرفية مستخلصة (الذاكرة الخارجية).
فعالية قابلة للتوسع: يثبت أن النماذج مفتوحة المصدر المحلية يمكن أن تضاهي أو تتجاوز أداء النماذج المملوكة من خلال إدارة فائقة للذاكرة، محققة ملاحة عالية الدقة بتكاليف حسابية مستدامة.

4. النتائج التجريبية

تم تقييم الإطار على WebVoyager و OnlineMind2Web باستخدام نماذج أساسية متنوعة (Claude-3.7-Sonnet، و Claude-Sonnet-4، و Qwen3-VL-32B مفتوح المصدر).

التحسن في معدل النجاح:
- Qwen3-VL-32B: حقق زيادة بنسبة 16.2% في WebVoyager و 19.6% في OnlineMind2Web. والجدير بالذكر أن النموذج المضاف إليه التعزيز (دقة 74.0%) تفوق على نموذج Claude-3.7-Sonnet الأصلي (دقة 72.0%).
- نماذج Claude: حققت مكاسب في الدقة تصل إلى 12.5% (Claude-3.7) و 5.5% (Claude-Sonnet-4).
مكاسب الكفاءة:
- تقليل الرموز (Tokens): قلل M2 من استهلاك الرموز بنسبة 57% لنموذج Qwen3-VL-32B في WebVoyager (من 215.2 ألف إلى 92.3 ألف رمز لكل مهمة) وما يصل إلى 55% في OnlineMind2Web.
- زمن الاستجابة (Latency): إضافة استرجاع الرؤى لا تسبب عبئاً يُذكر (~6 مللي ثانية لكل مهمة).
دراسات الاستبعاد (Ablation Studies): أكدت أن الجمع بين نوعي الذاكرة يعطي أفضل النتائج. الذاكرة الداخلية حاسمة لتقليل تضخم السياق، بينما توفر الذاكرة الخارجية "التلميحات الدفاعية" الاستراتيجية التي تمنع أنماط فشل محددة.

5. الأهمية

يعالج إطار عمل M2 حداً جوهرياً في الوكلاء الشبكيين الحاليين: المقايضة بين طول السياق وجودة الاستنتاج. من خلال فصل أداء المهمة عن نمو السياق، يوفر M2 مساراً قابلاً للتوسع والمستدامة لنشر الوكلاء المستقلين في بيئات العالم الحقيقي.

فعالية التكلفة: يتيح استخدام نماذج أصغر ومفتوحة المصدر للمهام المعقدة عبر تحسين استخدام السياق، مما يقلل الاعتماد على واجهات برمجة التطبيقات (APIs) المملوكة والمكلفة.
القدرة على التعميم: يثبت نهج "بنك الرؤى" أن قواعد التفاعل مع واجهة المستخدم عالية المستوى قابلة للانتقال عبر مواقع إلكترونية ونماذج مختلفة دون إعادة تدريب.
الواقعية: الطبيعة الخالية من التدريب تسمح بالنشر الفوري والدمج في مسارات الوكلاء الحالية دون الحاجة إلى جمع بيانات ضخمة أو ضبط دقيق للنماذج.

ختاماً، يوضح M2 أن الإدارة الأفضل للذاكرة (التلخيص + الاسترجاع) هي رافعة أكثر فعالية لتحسين الملاحة الشبكية طويلة الأمد من مجرد زيادة حجم بارامترات النموذج أو بيانات التدريب.