ContextWeaver: Selective and Dependency-Structured Memory Construction for LLM Agents
إنّ ContextWeaver هو إطار عمل للذاكرة لوكلاء النماذج اللغوية الكبيرة (LLM agents) يعمل على تحسين الاستدلال في السياقات الطويلة عبر تنظيم سجل التفاعلات في رسم بياني ذي بنية تبعية لخطوات الاستدلال، مما يسمح باسترجاع سياقي انتقائي وملخص ومتحقق منه.
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 محقق تحاول حل لغز ضخم ومعقد في قصر عملاق.
بينما تنتقل من غرفة إلى أخرى، تجد أدلة: أثر قدم طيني في المطبخ، مزهرية مكسورة في المكتبة، ومذكرة غامضة في العلية.
المشكلة: المحقق "السمكة الذهبية"
تواجه "الوكلاء" البرمجيون الحاليون (المحققون الرقميون) مشكلة تسمى "حدود نافذة السياق" (Context Window). فكر في الأمر كأن المحقق لديه دفتر ملاحظات صغير جداً. كلما وجد المزيد من الأدلة، نفدت الصفحات من أمامه. وللاستمرار في العمل، يلجأون عادةً إلى أحد أمرين:
النافذة المنزلقة (طريقة "النسيان"): يقومون ببساطة بتمزيق الصفحات القديمة لإفساح المجال للصفحات الجديدة. والمشكلة هي أنهم قد يمزقون الصفحة التي تحتوي على أول دليل (أثر القدم الطيني)، فينسون أن هذا الأثر هو السبب الوحيد الذي جعلهم يبحثون في العلية في المقام الأول!
الملخص (الطريقة "الكسولة"): يحاولون كتابة ملخص صغير لكل ما رأوه حتى الآن. ولكن في عجلتهم، قد يكتبون: "وجدت بعض الأدلة في المطبخ،" ناسيين التفصيل الجوهري بأن أثر القدم كان "للقدم اليسرى".
عندما ينسى المحقق "السبب" وراء أفعاله، يبدأ في السير في دوائر مفرغة، ويكرر الأخطاء، أو يبحث في الغرف الخاطئة تماماً.
الحل: ContextWeaver (شبكة الأدلة)
ابتكر الباحثون ContextWeaver. بدلاً من مجرد دفتر ملاحظات بسيط، تخيل أن المحقق الآن لديه شبكة عنكبوتية متوهجة وعملاقة معلقة في وسط القصر.
في كل مرة يجد فيها المحقق دليلاً جديداً، لا يكتفي بكتابته فحسب؛ بل يربط خيطاً من هذا الدليل الجديد بالدليل القديم المحدد الذي قاده إلى هناك.
يعمل ContextWeaver باستخدام ثلاث حيل ذكية:
1. شبكة التبعية (خيط "السبب")
بدلاً من تذكر الأشياء حسب ترتيب حدوثها فقط (أولاً، ثانياً، ثالثاً...)، يتذكر ContextWeaver الأشياء بناءً على المنطق.
- مثال: "أنا أنظر إلى هذه المزهرية المكسورة (دليل جديد) لأنني رأيت أثر القدم الطيني في المطبخ (دليل قديم)." يبني الذكاء الاصطناعي "خريطة" للروابط. إذا احتاج إلى حل مشكلة في العلية، فهو لا ينظر فقط إلى آخر شيء فعله؛ بل يتبع الخيوط عائداً إلى أهم "الأدلة الجذرية".
2. الملخص الذكي (شريط "أبرز اللقطات")
بما أن الذكاء الاصطناائي لا يمكنه تذكر كل شيء بتفاصيل دقيقة، فإن ContextWeaver ينشئ "قصصاً مصغرة" على طول الخيوط. بدلاً من كومة فوضوية من الملاحظات، فإنه ينشئ سرداً انسيابياً: "بدأت من المطبخ وجدت أثر قدم تتبعت الأثر إلى المكتبة وجدت مزهرية مكسورة." هذا يحافظ على قصة التحقيق قصيرة وسهلة القراءة، مما يوفر مساحة ثمينة.
3. فحص الواقع (فلتر "الحقيقة")
لدى الذكاء الاصطناعي أيضاً "مدقق حقائق" مدمج. إذا حاول المحقق فتح قفل وفشل، يقوم ContextWeaver بتمييز تلك المحاولة على أنها "فاشلة". عند بناء الشبكة، يُقال للذكاء الاصطناعي: "لا تربط أفكارك الجديدة بالمحاولات الفاشلة؛ اربطها فقط بالأشياء التي نجحت بالفعل أو أعطتنا معلومات حقيقية." هذا يمنع الذكاء الاصطناعي من الوقوع في حلقة مفرغة من تكرار أخطائه.
هل يعمل هذا حقاً؟
اختبر الباحثون هذا النظام على "SWE-Bench"، وهو بمثابة امتحان رفيع المستوى حيث يتعين على وكلاء الذكاء الاصطناعي إصلاح أكواد برمجية حقيقية (وهي مهمة فوضوية تشبه "حجم القصر").
أظهرت النتائج ما يلي:
- نجاح أفضل: كان الذكاء الاصطناعي أفضل في حل المشكلات المعقدة التي تتطلب ربط النقاط عبر ملفات مختلفة.
- تخبط أقل: لم يكرر الذكاء الاصطناعي نفس الأخطاء كما يحدث غالباً.
- كفاءة أكبر: وصل إلى الحل باستخدام خطوات أقل و"قدرة ذهنية" (Tokens) أقل، لأنه لم يضع وقته في إعادة قراءة أشياء يعرفها بالفعل أو اتباع طرق مسدودة.
باخت-القول:
يحول ContextWeaver الذكاء الاصطناعي من عامل نساي يهتم فقط بما حدث للتو، إلى مفكر استراتيجي يفهم كيف ترتبط كل خطوة واحدة بالصورة الكبيرة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.