Goal-Oriented Reasoning for RAG-based Memory in Conversational Agentic LLM Systems
تقدم الورقة البحثية Goal-Mem، وهو إطار عمل للتفكير الموجه نحو الأهداف للذاكرة الوكيلة القائمة على التوليد المعزز بالاسترجاع (RAG)، والذي يعمل على تحسين أداء المحادثات طويلة المدى من خلال تفكيك أهداف المستخدم إلى أهداف فرعية ذرية للاسترجاع المستهدف وصياغة هذه العملية في منطق اللغة الطبيعية، مما يجعله يتفوق على الأساليب الحالية في مهام الاستدلال متعدد الخطوات والاستدلال الضمني.
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 تتحدث إلى صديق ذكي جداً ولكنه كثير النسيان، يمتلك مكتبة ضخمة ومتربة في قبو منزله. هذه المكتبة تحتوي على كل محادثة دارت بينكما على الإطلاق. وعندما تسأله سؤالاً بسيطاً مثل: "ماذا أكلتُ في وجبة الإفطار؟"، يمكنه العثور على الإجابة بسرعة.
ولكن ماذا يحدث عندما تسأله سؤالاً صعباً متعدد الخطوات مثل: "بناءً على المقهى الذي زرته الأسبوع الماضي، ما هو المشروب الذي يجب أن أجربه اليوم؟"
المشكلة: فخ "البحث بالكلمات المفتاحية"
تعمل معظم المساعدات الذكية الحالية مثل محرك بحث مكتبة قياسي. تكتب سؤالك، ويبحث النظام عن كتب (ذكريات) تحتوي على كلمات مشابهة لسؤالك.
- الخلل: إذا سألت عن مشروب من مقهى زرته الأسبوع الماضي، فقد يجد النظام ذكرى عن "القهوة" أو "المقاهي" بشكل عام. إنه يفتقد الرابط المحدد: أي مقهى؟ متى كان ذلك؟ ماذا طلبت هناك؟
- النتيجة: يصاب الذكاء الاصطناعي بالارتباك، ويجلب حقائق غير ذات صلة، وقد يهلوس بإجابة تبدو جيدة ولكنها ليست حقيقية. الأمر يشبه محاولة حل لغز من خلال البحث فقط عن الأدلة التي لها نفس لون قميص المشتبه به، مع تجاهل الأدلة الفعلية.
الحل: GOAL-MEM (نهج المحقق)
تقدم الورقة البحثية GOAL-MEM، وهي طريقة جديدة لاستخدام الذكاء الاصطناعي لذاكرته. بدلاً من مجرد البحث عن الكلمات المفتاحية، يعمل GOAL-MEM مثل محقق يعمل من مسرح الجريمة إلى الوراء (سؤالك).
إليك كيف يعمل، باستخدام تشبيه بسيط:
1. الهدف: "من فعلها؟"
عندما تطرح سؤالاً، يعامل GOAL-MEM هذا السؤال كـ هدف (Goal) يجب حله. هو لا يبحث فقط عن الإجابة؛ بل يفكك الهدف إلى قطع أصغر قابلة للتحقق تسمى أهدافاً فرعية (Subgoals).
- مثال: إذا سألت: "ما هو المشروب الذي يجب أن أجربه في المقهى الذي زرته الأسبوع الماضي؟"
- يقوم GOAL-MEM بتفكيكه إلى:
- أي مقهى زرتُ الأسبوع الماضي؟ (هدف فرعي أ)
- ما هي المشروبات الموجودة في قائمة ذلك المقهى؟ (هدف فرعي ب)
- هل أحب نكهات تلك المشروبات؟ (هدف فرعي ج)
2. المطاردة: الاسترجاع المستهدف
بدلاً من إلقاء المكتبة بأكملها أمامك، يذهب الذكاء الاصطنا ملياً إلى المكتبة ويطلب فقط الكتاب المحدد الذي يجيب على الهدف الفرعي (أ).
- يجد الذكرى: "لقت زرت مقهى موموكو الثلاثاء الماضي".
- الآن يعرف أن متغير "المقهى" قد تم ملؤه. ينتقل إلى الهدف الفرعي (ب).
3. سحر "الربط العكسي" (Backward Chaining)
هذا هو السر الكامن وراء نجاحه. إذا لم يجد الذكاء الاصطناعي الإجابة على هدف فرعي على الفور، فإنه لا يخمن. بل يسأل نفسه: "ما الذي أحتاج لمعرفته قبل أن أتمكن من الإجابة على هذا؟"
- سيناريو: يجد الذكاء الاصطناعي ذكرى عن "مقهى موموكو" ولكنه لا يعرف ما إذا كنت قد زرته الأسبوع الماضي أم لا.
- الحركة: يعمل من الوراء إلى الأمام. ينشئ سؤالاً جديداً وأبسط: "هل زارت أليس مقهى الأسبوع الماضي؟" ويبحث في الذاكرة خصيصاً عن ذلك.
- بمجرد أن يجد "نعم، زارت أليس موموكو الثلاثاء الماضي"، يربط النقاط ويتحرك للأمام ليجد المشروب.
4. "التحقق من الحقائق" (التوحيد القابل للتحقق)
قبل أن يعطيك الذكاء الاصطناعي إجابة، يقوم بعملية تحقق صارمة من الحقائق. يستخدم نظاماً منطقياً خاصاً (يسمى المنطق اللغوي الطبيعي) لضمان:
- أن الحقائق التي وجدها تتوافق بالفعل مع متطلبات السؤال (على سبيل المثال: هل المشروب موجود فعلياً في ذلك المقهى المحدد؟).
- أن الحقائق لا تتعارض مع بعضها البعض.
- أنه لم يجد مجرد "تطابق في الأجواء" (على سبيل المثال: إيجاد ذكرى عن "الشاي" عندما سألت عن "القهوة" لمجرد أنهما كلاهما مشروبات).
إذا لم تتطابق الحقائق تماماً، يعترف الذكاء الاصطناعي بـ "لا أعرف"، بدلاً من اختلاق شيء ما.
لماذا هو أفضل؟ (النتائج)
اختبر المؤلفون هذا النظام مقابل ثمانية أنظمة ذاكرة أخرى باستخدام مجموعتي بيانات صعبتين (LoCoMo و LongMemEval) مليئتين بالأسئلة المعقدة متعددة الخطوات.
- التشبيه: تخيل سباقاً يحاول فيه عداء واحد (الذكاء الاصطناعي القديم) الركض بسرعة عبر التخمين، بينما يركض الآخر (GOAL-MEM) ويتوقف لفحص الخريطة عند كل منعطف.
- النتيجة: فاز GOAL-MEM باستمرار، خاصة في الأسئلة متعددة الخطوات (multi-hop questions) (الأسئلة التي تتطلب ربط الحقائق معاً).
- في الأسئلة البسيطة، كان أداؤه مساوياً للآخرين تقريباً.
- في الأسئلة المعقدة التي تتطلب منطقاً (مثل "ما اللعبة التي لعبها جيمس في بطولة أبريل؟")، كان GOAL-MEM أكثر دقة بشكل ملحوظ. لم يضع في ذكريات غير ذات صلة.
الملخص
GOAL-MEM يشبه ترقية الذكاء الاصطناعي من محرك بحث بالكلمات المفتاحية إلى محقق منطقي. بدلاً من مجرد التقاط أي ذكرى تبدو مشابهة لسؤالك، فإنه:
- يفكك سؤالك إلى خطوات منطقية صغيرة.
- يطارد حقائق محددة لملء تلك الخطوات.
- يتحقق مرتين من أن الحقائق تثبت الإجابة بالفعل.
- لا يعطيك الإجابة إلا إذا كان الدليل صلباً.
هذا يجعل الذكاء الاصطناعي أفضل بكثير في التعامل مع المحادثات الطويلة حيث تحتاج لتذكر تفاصيل من أيام أو أسابيع مضت للإجابة على سؤال اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.