🤖 machine learning

MemArchitect: A Policy Driven Memory Governance Layer

يقدم MemArchitect طبقة حوكمة قائمة على السياسات تفصل إدارة دورة حياة الذاكرة عن أوزان النماذج لفرض قواعد بشأن التحلل، وحل النزاعات، والخصوصية، مما يمنع تلوث السياق ويعزز موثوقية الوكلاء المستقلين ذوي الذاكرة المستمرة.

المؤلفون الأصليون: Lingavasan Suresh Kumar, Yang Ba, Rong Pan

نُشر 2026-03-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Lingavasan Suresh Kumar, Yang Ba, Rong Pan

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 أن لديك مساعداً عبقرياً، فائق الذكاء، يتذكر كل ما أخبرته به على الإطلاق. يبدو الأمر رائعاً، أليس كذلك؟ لكن هنا تكمن المشكلة: إذا أخبرت هذا المساعد "أنا أعزب" في عام 2024، ثم قلت له "أنا متزوج" في عام 2025، فقد يرتبك نظام الذكاء الاصطناعي التقليدي. قد يستدعي كلا الحقيقتين في آن واحد، ويشعر بالارتباك، ويبدأ في "الهلوسة" (اختلاق أشياء من عنده) أو تقديم نصائح متناقلة لك. الأمر يشبه امتلاك مكتبة حيث تُلقى الكتب على الأرض فحسب؛ وفي النهاية، لن تتمكن من العثور على الكتاب الصحيح، أو قد تلتقط كتاباً يقول إن السماء خضراء.

تقدم هذه الورقة البحثية MemArchitect، وهو "مدير" جديد لذاكرة الذكاء الاصطناعي يعالج هذه الفوضى. بدلاً من ترك الذكاء الاصطناي يكدس كل حقيقة للأبد، يعمل MemArchitect كـ أمين مكتبة صارم ولكن متعاون يقوم بتنظيم ما يتذكره الذكاء الاصطناعي بنشاط.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: "ذاكرة الزومبي"

تعامل أنظمة الذكاء الاصطناعي الحالية الذاكرة كأنها دلو ضخم وسلبي. أنت تفرغ المعلومات فيه، ويحاول الذكاء الاصطناعي استدعاءها لاحقاً.

المشكلة: مع مرور الوقت، يمتلئ هذا الدلو بـ "ذكريات الزومبي" — حقائق قديمة، وتناقضات، وضجيج. إذا سألت الذكاء الاصطناعي سؤالاً، فقد يسحب حقيقة من قبل ثلاث سنوات لم تعد صحيحة، مما يؤدي إلى الارتباك.
التشبيه: تخيل أنك تحاول طهي وجبة باستخدام خزانة مؤن تحتوي على مكونات قديمة ومنتهية الصلاحية مختلطة مع مكونات طازجة. قد تستخدم الحليب منتهي الصلاحية عن طريق الخط الخطأ، مما يفسد الطبخة.

2. الحل: MemArchitect (أمين المكتبة النشط)

يجلس MemArchitect بين المستخدم والذكاء الاصطناعي. هو لا يقوم فقط بتخزين البيانات؛ بل يحكمها. هو يقرر ما يبقى، وما يذهب، وما يتم تسليط الضوء عليه بناءً على قواعد (سياسات).

فكر في MemArchitect كـ ممرض فرز حالات أو كشاف مواهب للمعلومات. كل قطعة من المعلومات يجب أن "تؤدي تجربة أداء" لتتمكن من دخول نطاق انتباه الذكاء الاصطناعي قصير المدى (نافذة السياق).

3. كيف يعمل أمين المكتبة (القواعد الأربع)

تحدد الورقة البحثية أربع "وظائف" رئيسية يقوم بها أمين المكتبة هذا:

أ. محرك "النسيان" (دورة الحياة والنظافة)

ما يفعله: يحاكي طريقة عمل الأدمغة البشرية. نحن ننسى الأشياء التي لا نستخدمها كثيراً، ونتذكر الأشياء التي نستخدمها بكثرة.
التشبيه: تخيل حديقة. إذا لم تسقِ النبتة (تستخدم الذاكرة)، فإنها تذبل وتموت. يستخدم MemArchitect جدولاً زمنياً خاصاً (يسمى FSRS) لسقاية النباتات المهمة وترك الأعشاب الضارة تموت.
النتيجة: الحقائق القديمة وغير المفيدة (مثل "اشتريت قهوة يوم الثلاثاء") يتم حذفها تلقائياً أو ضغطها في ملخص بسيط ("أنا أحب القهوة"). هذا يحافظ على نظافة الحديقة.

ب. محرك "الحقيقة" (الاتساق والمنفعة)

ما يفعله: يتحقق مما إذا كانت الذاكرة مفيدة وحقيقية بالفعل.
التشبيه: تخيل حارس أمن عند ملهى ليلي. حتى لو بدا الشخص وكأنه ينتمي للمكان (يشبه ما سألت عنه)، فإن الحارس يتحقق من هويته. إذا كان يكذب أو غير ذي صلة، يتم طرده.
النتيجة: إذا حاول الذكاء الاصطناعي تذكر حقيقة تتعارض مع الواقع، فإن النظام يخفض "درجة الثقة" الخاصة بها ويتوقف عن استخدامها. هذا يمنع الذكاء الاصطناعي من تصديق هلوساته الخاصة.

ج. محرك "المزاد" (الاسترجاع التكيفي)

ما يفعله: يقرر أي الذكريات هي الأكثر أهمية الآن.
التشبيه: تخيل عرض مواهب. كل ذاكرة هي متسابق. إذا طرحت سؤالاً معقداً، يعقد النظام مزاداً. الذكريات الأكثر صلة وعالية الجودة "تفوز" بالمزايدة للدخول إلى عقل الذكاء الاصطناعي. أما الذكريات الأقل أهمية فتُترك خارجاً.
النتيجة: يركز الذكاء الاصطناعي على الحقائق الصحيحة للمهمة المحددة، بدلاً من التشتت بالتاريخ غير ذي الصلة.

د. محرك "الميزانية" (الكفاءة)

ما يفعله: يدير "مساحة دماغ" الذكاء الاصطناعي (حد التوكن/الرموز).
التشبيه: فكر في الأمر مثل المحفظة. إذا كنت تقوم بحل مسألة رياضية صعبة، فإن النظام يوفر المزيد من "المال" (المساحة) للتفكير. إذا كنت تبحث فقط عن حقيقة بسيطة، فإنه ينفق أقل.
النتيجة: لا ينفد من الذكاء الاصطناعي المساحة، وهو يستخدم قدراته الذهنية بكفاءة.

4. النتائج: لماذا هذا مهم؟

اختبر الباحثون MemArchitect مقابل أنظمة ذاكرة الذكاء الاصطناعي الأخرى.

الفائز: كان MemArchitect أفضل بكثير في حل المشكلات المعقدة متعددة الخطوات والتفكير عبر فترات طويلة.
المقايضة: هو أسوأ في تذكر كل تفصيل صغير للغاية (مثل طابع زمني محدد من عام مضى) لأنه يحذف بضراوة الحقائق "التي تحدث لمرة واحدة".
الخلاصة: هذا في الواقع أمر جيد. من الأفضل أن يكون لديك ذكاء اصطناعي ذكي، متسق، ولا يرتبك بسبب الأخبار القديمة، بدلاً من ذكاء اصطناعي يتذكر كل شيء ولكنه يهلوِس باستمرار.

الملخص

يغير MemArchitect ذاكرة الذكاء الاصطناعي من مخزن تخزين سلبي (حيث تتراكم الأشياء وتصبح فوضوية) إلى مدير نشط وذكي. هو يقوم بتنظيف المعلومات، والتحقق منها، وترتيب أولوياتها بنشاط، مما يضمن بقاء الذكاء الاصطناعي موثوقاً، وصادقاً، ومركزاً على المهمة التي بين يديه. إنه الفرق بين علية فوضوية ومركز قيادة عالي التقنية ومنظم جيداً.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "MemArchitect: طبقة حوكمة الذاكرة القائمة على السياسات."

1. بيان المشكلة: "فجوة الحوكمة"

مع تطور النماذج اللغوية الكبيرة (LLMs) من مجرد روبوتات دردشة عديمة الحالة (stateless) إلى وكلاء مستقلين، واجهت هذه النماذج نمط فشل حرج يُعرف بـ "هلوسة الذاكرة" (Memory Hallucination). وخلافاً للهلوسة القياسية، يحدث هذا عندما يسترجع الوكيل حقائق متضاربة، أو قديمة، أو متناقضة من تاريخه الخاص (على سبيل المثال، تذكر المستخدم بأنه أعزب ومتزوج في آن واحد).

تعاني النماذج المعمارية الحالية (مثل أنظمة التشغيل مثل MemGPT، أو التدفق الفعال مثل SimpleMem، أو الاستبقاء المنظم مثل MemoryBank) من "فجوة حوكمة". فهي تتعامل مع الذاكرة كأنها سجل سلبي مخصص للإضافة فقط (append-only log) أو وعاء تخزين ثابت. وبناءً على ذلك، تفتقر هذه النماذج إلى آليات لـ:

حل التناقضات في الحالة (state contradictions).
فرض الخصوصية (مثل "الحق في النسيان").
التنقية النشطة للبيانات المهملة ("الذكريات الزومبي").
إدارة تلوث السياق الناتج عن توسع نوافذ السياق.

2. المنهجية: إطار عمل MemArchitect

يقدم MemArchitect طبقة وسيطة للحوكمة تفصل إدارة دورة حياة الذاكرة عن أوزان النموذج. فبدلاً من الاسترجاع السلبي، يطبق الإطار اقتصاد "التصنيف والمزايدة" (Triage & Bid) حيث يجب أن تتنافس المعلومات من أجل دخول نافذة السياق بناءً على سياسات صريحة قائمة على القواعد.

يعمل النظام عبر محرك حوكمة يرتكز على أربع ركائز أساسية:

أ. دورة الحياة والنظافة (محرك "النسيان")

تلاشي FSRS: يستبدل التلاشي الأسي البسيط بـ مجدول التكرار المتباعد الحر (FSRS v4). يتم حساب قابلية استرجاع الذاكرة ( $R$ ) بناءً على الاستقرار ( $S$ ) والزمن ( $t$ )، محاكياً منحنيات النسيان البيولوجية.
التوحيد المدفوع بالاعتلاج (Entropy): تقوم عملية خلفية بمراقبة كثافة المعلومات. يؤدي ارتفاع التكرار (redundancy) إلى تفعيل دورة تنظيف حيث:
- يتم ضغط الذكريات العرضية المتلاشية ( $0.3 \le R \le 0.7$ ) إلى حقائق دلالية مستقرة.
- يتم حذف الضجيج "القابل للنسيان" ( $R < 0.3$ ) فيزيائياً.

ب. الاتساق والحقيقة (محرك "المنفعة")

حلقة مرشح كالمان (Kalman Filter): تتبع "درجة الثقة" ( $U$ ) لكل ذاكرة. تكتسب الذكريات المفيدة عطالة (inertia)، بينما يتم خفض وزن الهلوسات رياضياً بناءً على تغذية راجعة من الاستخدام.
مميّز الصلة (بوابة النقض - Veto Gate): يعمل مشفر ثنائي (Cross-Encoder) كحارس بوابة صارم. حتى لو اجتازت الذاكرة البحث الشعاعي (vector search)، يتم استبعادها إذا فشلت في تحقيق عتبة استلزام صارمة (مثلاً $< 0.1$ )، مما يمنع الضجيج المتشابه دلالياً وغير ذي صلة من تلويث السياق.

ج. الاسترجاع التكيفي (محرك "المزاد")

تفكيك متعدد الخطوات (Multi-Hop): يتم تفكيك الاستعلامات المعقدة إلى أسئلة فرعية ذرية لاسترجاع الحقائق المنفصلة.
التسجيل التكيفي (Adaptive Scoring): تُصنف الاستعلامات (حقيقة، زمنية، استنتاجية) لضبط أوزان الاسترجاع. على سبيل المثال، يتم معاقبة الذكريات القديمة في مهام الاستنتاج الفوري ( $\lambda = 1.0$ ) ولكن تُعامل كحقائق خالدة للمهام الزمنية ( $\lambda = 0$ ).
توسيع الرسم البياني الهيبي (Hebbian Graph Expansion): ينفذ التعلم الترابطي ("الذكريات التي تعمل معاً، تُربط معاً"). إذا تم استرجاع الذاكرة A و B معاً بشكل متكرر ( $P(B|A) > 0.7$ )، فإن استرجاع A يسحب B تلقائياً إلى السياق.

د. الكفاءة (محرك "الميزانية")

تخصيص ميزانية الرموز التكيفي: يخصص النظام نافذة السياق ديناميكياً. الاسترجاع عالي الثقة يحجز رموزاً للاستنتاج (30%)، بينما الاسترجاع منخفض الثقة يعظم "احتياطي الاستدعاء" (10%) للبحث عن الحقائق.

سير العمل التنفيذي:

مسار القراءة: تُصنف الاستعلامات، وتُفكك، وتُصنف المرشحات عبر مزاد، ثم تُفلتر بواسطة بوابة النقض، وتتوسع عبر روابط "هيبي".
مسار التأمل (Reflect Path): بعد التوليد، يحلل النظام أي الذكريات ساهمت في الإجابة، ويقوم بتحديث "منفعة كالمان" ودرجات "استقرار FSRS".
المسار الخلفي: أثناء وقت الخمول، يقوم محرك النظافة بحذف الضجيج منخفض القابلية للاسترجاع وتوحيد الذكريات المتلاشية.

3. المساهمات الرئيسية

تحول في النموذج المعرفي: ينتقل بإدارة الذاكرة من الاسترجاع السلبي إلى التحكيم النشط.
الحوكمة القائمة على السياسات: يقدم بروتوكولاً موحداً يغطي دورة الحياة، والاتساق، والمصدر، والكفاءة، مما يضمن إدارة سياق الوكيل بشكل استباقي.
استقلالية النموذج: على عكس أطر العمل مثل MemOS التي تعدل أوزان النموذج أو تتطلب تكاملاً على مستوى نظام التشغيل، يعمل MemArchitect كطبقة خارجية دون تغيير أوزان النموذج، مما يجعله خفيف الوزن ومتوافقاً مع مختلف النماذج اللغوية الكبيرة.
الصرامة الرياضية: يدمج نظريات راسخة (FSRS، مرشحات كالمان، التعلم الهيبي) في بنية ذاكرة متماسكة.

4. النتائج التجريبية

تم تقييم النظام باستخدام معيار LoCoMo-10 (ذاكرة المحادثة طويلة الأمد) باستخدام نماذج Qwen-3B و Llama-3.1-8B.

المقارنة مع SimpleMem (خط الأساس للكفاءة الخوارزمية):
- حقق MemArchitect تفوقاً كاسحاً، حيث حسّن الدقة بنسبة +27.5% في تحليل المجموعات الفرعية.
- الاستدلال الزمني: تحسن بنسبة +39.2% (فشل SimpleMem بسبب الضغط غير المدروس للعلامات الزمنية؛ بينما أعطى MemArchitect الأولوية لها عبر FSRS).
- الاستدلال متعدد الخطوات: تحسن بنسبة +29.1%.
- الاستنتاج: التحكيم القائم على السياسات يحافظ على سلامة السياق بشكل أفضل من الضغط الدلالي.
المقارنة مع MemOS (خط الأساس لحوكمة مستوى النظام):
- المقايضة: تفوق MemOS (الذي يحتفظ بجميع السجلات) على MemArchitect في مهام الاستدعاء الخام مثل الاستدعاء أحادي الخطوة والزمني لأنه لا يحذف البيانات. شهد MemArchitect انخفاضاً بنسبة -44.9% في الاستدعاء الزمني بسبب الحذف الشرس للحقائق "ذات المرة الواحدة".
- الميزة: تفوق MemArchitect بشكل كبير على MemOS في مهام النطاق المفتوح (+11.3%) و متعدد الخطوات (+4.1%).
- الأهمية: نقل MemArchitect نمط الفشل من "تلوث السياق" الخطير (الهلوسات) إلى "الإفراط في الحذف" القابل للضبط، وهو معلمة يمكن التحكم بها بدلاً من كونه خللاً هيكلياً.
الأداء الإجمالي: أظهر MemArchitect تحسناً في متوسط الدقة بنسبة +7.45% في جميع المهام مقارنة بخطوط الأساس.

5. الأهمية والعمل المستقبلي

يُظهر MemArchitect أن الحوكمة ضرورية لبيئات الوكلاء المستقلين. فمن خلال معاملة الذاكرة كمورد محكوم وليس كقاعدة بيانات ثابتة، فإنه يمنع "انهيار السياق" ويضمن التماسك طويل الأمد.

الاتجاهات المستقبلية:

التقييم على LongMemEval لعدد أكبر بكثير من جولات التفاعل.
التحقق من صحة المعايير المتمحورة حول الشخصية (مثل PreFEval و PersonaMem) لضمان استقرار الهوية.
معايرة FSRS للاحتفاظ بالحقائق منخفضة التكرار وتنفيذ سياسات السلامة المخطط لها (مثل تسلسلات "الحق في النسيان" وفلاتر الذاكرة السامة).

باختدال، يوفر MemArchitect إطاراً قوياً لتحويل النماذج اللغوية الكبيرة من روبوتات دردشة عديمة الحالة إلى وكلاء موثوقين وقادرين على التصحيح الذاتي، قادرين على إدارة دورات حياة ذاكرتهم من خلال الحوكمة القائمة على السياسات.