🤖 AI

PEEK: Context Map as an Orientation Cache for Long-Context LLM Agents

إن PEEK هو نظام يعزز وكلاء النماذج اللغوية الكبيرة ذات السياق الطويل من خلال تخزين معرفة التوجيه القابلة لإعادة الاستخدام حول السياقات الخارجية المتكررة في "خريطة سياق" صغيرة ومستمرة، مما يحسن دقة وكفاءة الاستدلال بشكل كبير مع تقليل التكاليف الحسابية مقارنة بالنماذج المرجعية الحالية.

المؤلفون الأصليون: Zhuohan Gu, Qizheng Zhang, Omar Khattab, Samuel Madden

نُشر 2026-05-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhuohan Gu, Qizheng Zhang, Omar Khattab, Samuel Madden

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 تم استئجارك لحل سلسلة من القضايا المختلفة، ولكن كل قضية تتضمن التحقيق في نفس خزانة الملفات الضخمة المكونة من 50,000 صفحة في قبو ما.

في الماضي، عندما حاولت وكلاء الذكاء الاصطناعي (برامج كمبيوتر ذكية) حل هذه المشكلات، كانت لديهم طريقتان رئيسيتان للتعامل مع خزانة الملفات تلك:

نهج "طريق الذكريات" (Memory Lane): كانوا يحتفظون بسجل المحادثة الكامل لكل قضية سابقة في عقولهم. ولكن بعد بضع قضايا، تصبح عقولهم ممتلئة جدًا بالدردشة القديمة لدرجة أنهم لا يستطيعون التركيز على الأدلة الجديدة. كان الأمر أشبه بمحاولة العثور على إبرة محددة في كومة قش مليئة أيضًا بكل محادثة أجريتها على الإطلاق.
نهج "محرك البحث" (Search Engine): في كل مرة يتلقون فيها سؤالاً جديداً، يركضون إلى خزانة الملفات، ويبحثون عن بضع صفحات ذات صلة ويحضرونها معهم. كان هذا سريعاً، لكنهم كانوا ينسون باستمرار كيف تم تنظيم الخزانة. كان عليهم إعادة تعلم التخطيط في كل مرة.

المشكلة:
تشير الورقة البحثية إلى أنه بالنسبة للعمل المتكرر على نفس السياق الكبير، يفتقد الذكاء الاصطناعي لأداة حاسمة وهي: المعرفة التوجيهية (Orientation Knowledge).

فكر في الأمر كأنك محلل بشري عمل في ذلك القبو لمدة شهر. أنت لا تحتاج إلى إعادة قراءة الخزانة بأكملها في كل مرة. لديك خريطة ذهنية: "أوه، الإحصائيات الرياضية موجودة في المجلدات الحمراء على اليسار، والبيانات المالية في الزرقاء على اليمين، وهناك قاعدة غريبة بشأن كيفية كتابة التواريخ تعلمتها في اليوم الأول."

تسمي الورقة البحثية هذه الأداة المفقودة خريطة السياق (Context Map).

دخول PEEK: "نظرة خاطفة" على الخزانة

ابتكر المؤلفون نظاماً يسمى PEEK (والذي يرمز إلى الخريطة السياقية كذاكرة توجيهية مؤقتة - Context Map as an Orientation Cache).

فكر في PEEK كـ ملاحظة لاصقة تعيش بشكل دائم على مكتب الذكاء الاصطناعي (داخل "البرومبت" الخاص به). هذه الملاحظة اللاصقة صغيرة ولها حد حجم صارم، لذا لا يمكنها احتواء خزانة الملفات بأكملها. بدلاً من ذلك، فهي تحمل خريطة ملخصة للخزانة.

إليك كيف يعمل PEEK، باستخدام تشبيه إبداعي لـ متدرب مكتبة:

1. المقطّر (The Distiller) - "الشمّام"

بعد أن يحل الذكاء الاصطناعي مشكلة ما، ينظر المقطّر إلى سجل عمل الذكاء الاصطناعي الفوضوي. ويسأل: "ما الذي تعلمه الوكيل فعلياً عن تخطيط المكتبة؟"

هو يتجاهل الإجابة المحددة على السؤال (على سبيل المثال: "الإجابة هي 42").
يركز على التوجيه (على سبيل المثال: "قسم الرياضة يكون دائماً في الخلف"، أو "التواريخ تُكتب بتنسيق غريب").
يقوم بتصفية الضجيج ويحتفظ فقط بمعلومات "الخريطة" القابلة لإعادة الاستخدام.

2. رسم الخرائط (The Cartographer) - "صانع الخرائط"

يأخذ رسام الخرائط تلك الملاحظات ويحولها إلى تحديث نظيف ومنظم للملاحظة اللاصقة.

إذا تعلم الذكال الاصطناعي أن "الرياضة" موجودة في المجلدات الحمراء، فإن رسام الخرائط يدون ذلك بوضوح.
إذا أدرك قاعدة محددة بشأن التواريخ، فإنه يضيفها إلى قسم "الثوابت".
يحرص على ألا تصبح الخريطة مزدحمة بالحقائق التي تنطبق على سؤال واحد فقط.

3. المطرود (The Evictor) - "عامل النظافة"

الملاحظة اللاصقة لها حجم محدود (ميزانية الرموز/Tokens). إذا تعلم الذكاء الاصطناعي شيئاً جديداً، يجب على المطرود أن يقرر ما الذي سيتم التخلص منه لإفساح المجال.

يستخدم نظام أولويات. فهو يحتفظ بأهم معلومات "الخريطة" (مثل تخطيط المبنى) ويرمي التفاصيل الأقل أهمية (مثل تنسيق تاريخ معين كان مفيداً لسؤال واحد فقط).
يضمن هذا بقاء الملاحظة صغيرة، سريعة، ودائمة الصلة.

لماذا يعد هذا أمراً هاماً؟

اختبرت الورقة البحثية نظام PEEK في نوعين من المهام الصعبة:

الاستنتاج (Reasoning): العثور على الأدلة المبعثرة عبر المستند الضخم وتجميعها معاً.
التعلم (Learning): اكتشاف قواعد المستند وتطبيقها على أسئلة جديدة.

النتائج:

أكثر ذكاءً: حل PEEK المشكلات بدقة أكبر بكما من الطرق القديمة (بتحسن يتراوح بين 6% إلى 34%).
أسرع: لأن الذكاء الاصطناعي لم يكن مضطراً لإعادة تعلم تخطيط خزانة الملفات في كل مرة، فقد احتاج إلى عدد أقل بكثير من المحاولات (Iterations) للوصول إلى الإجابة الصحيحة.
أرخص: المحاولات الأقل تعني أن النظام يكلف مالاً أقل بكثير (أرخص بمقدار يصل إلى 5.8 مرة من أفضل طريقة سابقة).

الخلاصة

تزعم الورقة البحثية أنه بالنسبة لوكلاء الذكاء الاصطناعي الذين يعملون بشكل متكرر على نفس مجموعة البيانات الكبيرة، فإن السر ليس فقط في "تذكر المزيد" أو "البحث بشكل أسرع". بل يتعلق الأمر بـ الاحتفاظ بخريطة صغيرة ومنسقة للعالم أمام أعينهم مباشرة.

يمنح PEEK الذكاء الاصطناعي "نظرة خاطفة" (Peek) على السياق تظل ملازمة له، مما يسمح له بالتنقل في العالم الخارجي الضخم بكفاءة، تماماً مثل أمين مكتبة متمرس يعرف بالضبط مكان كل كتاب دون الحاجة إلى إعادة قراءة الفهرس كل يوم.

ملخص تقني: PEEK - خريطة السياق كذاكرة توجيه مؤقتة للوكلاء ذوي السياق الطويل

بيان المشكلة

تعمل وكلاء النماذج اللغوية الكبيرة (LLMs) بشكل متزايد عبر سياقات خارجية طويلة ومتكررة، مثل مجموعات المستندات أو مستودعات الأكواد، حيث تظل البيانات الخارجية ثابتة بينما تتغير المهام. تندرج الطرق الحالية لإدارة هذه السياقات ضمن أربع فئات:

الدردشة/السجل المشترك: يحافظ على مسار الوكيل ولكنه يراكم سياقاً مليئاً بالضجيج ومنخفض الكثافة.
تكثيف السجل: يلخص النشاط السابق ولكنه يتخلص من المعرفة القابلة لإعادة الاستخدام حول السياق الخارجي نفسه.
الوصول السلبي (RAG، الإزاحة، التكثيف): يوفر الوصول إلى مواد خام أو مكثفة، لكنه يفتقر إلى أثر مُنسق ومستمر حول بنية السياق وتنظيمه.
تعلم المطالبة (Prompt Learning): ينسق استراتيجيات على مستوى المهمة، لكنه لا يحافظ على معرفة سياقية حول البيئة الخارجية المتكررة.

يجادل المؤلفون بوجود فجوة حرجة: الافتقار إلى أثر مُدار ومحدود يحافظ على معرفة التوجيه القابلة لإعادة الاستخدام (مثل: ما يحتويه السياق، كيف يتم تنظيمه، أي الكيانات/الثوابت مفيدة) لأعباء العمل المتكررة على نفس السياق.

المنهجية: نظام PEEK

يقدم المؤلفون نظام PEEK، الذي يحافظ على خريطة سياق (Context Map) — وهي أثر صغير وثابت الحجم يستقر في "مطالبة النظام" (system prompt) الخاصة بالوكيل. تعمل هذه الخريطة كـ "ذاكرة توجيه مؤقتة" (orientation cache)، مما يوفر للوكيل "نظرة خاطفة" (peek) مستمرة في السياق الخارجي. يستلهم النظام فكرته من ذاكرة التخزين المؤقت للأجهزة وفهارس قواعد البيانات، ولكنه يعمل على مستوى الوكيل، مع التركيز على المعنى المنسق بدلاً من ضغط حالة الرموز (tokens).

يستخدم PEEK سياسة تخزين مؤقت قابلة للبرمجة تتكون من ثلاثة مكونات نمطية تقوم بتحديث الخريطة بعد كل تنفيذ للاستعلام:

المُقطِّر (Distiller): يحلل مسار تنفيذ الوكيل (خطوات الاستدلال، استدعاءات الأدوات، الملاحظات) لاستخراج المعرفة السياقية القابلة للنقل. ويميز بين عمل التوجيه (فهم بنية السياق، وهو قابل لإعادة الاستخدام) والعمل الخاص بالمهمة (الإجابة على سؤال محدد، وهو غير قابل لإعادة الاستخدام). ويخرج بتشخيص، وعلامات (tags) لعناصر الخريطة الموجودة، ومرشحات لعناصر جديدة في التخزين المؤقت.
رّسام الخرائط (Cartographer): يترجم مخرجات المُقطِّر إلى عمليات تحرير مهيكلة (إضافة ADD، حذف DELETE، استبدال REPLACE) لخريطة السياق. ويضمن أن التحديثات محلية، وقابلة للتتبع، وغير مكررة، مما يمنع الخريطة من أن تصبح صاخبة أو مكررة.
المُخلي (Evictor): يفرض ميزانية ثابتة من الرموز ( $B$ ) للخريطة. ويستخدم استراتيجية إخلاء قائمة على الأولويات، حيث يزيل العناصر ذات القيمة الأقل (مثل مخططات التحليل، أنماط الخطأ) قبل العناصر ذات القيمة الأعلى (مثل ثوابت المجال، فهم السياق) عند تجاوز الميزانية.

تُهيكل خريطة السياق نفسها إلى أقسام:

خارطة طريق السياق: فهرس للمحتوى والموقع.
فهم السياق: أوصاف عالية المستوى، والكيانات الرئيسية، والعلاقات.
ثوابت المجال: القيم الدقيقة، والمعادلات، والمخططات (schemas).
النتائج القابلة لإعادة الاستخدام: الحسابات المستمدة القابلة للتطبيق على استعلامات متعددة.
مخطط التحليل (Parsing Schema): هياكل التنسيق والفواصل.

يدعم النظام معامل "خطوات التطور" ( $m$ )، مما يسمح بتحديث الخريطة لأول $m$ من الاستعلامات ثم تجميدها لإعادة الاستخدام، أو تحديثها بالكامل عبر الإنترنت ( $m=n$ ).

المساهمات الرئيسية

الإطار المفاهيمي: يعرّف البحث "خريطة السياق" كربع متميز في فضاء تصميم إدارة السياق، مما يسد الفجوة المتعلقة بـ حالة السياق الخارجي النشطة.
تصميم النظام: يقوم PEEK بفصل استخراج المعرفة (المُقطِّر) عن التحرير الهيكلي (رّسام الخرائط)، وهو خيار تصميمي ثبت عبر دراسة الاستبعاد (ablation) أنه حاسم لمنع الحقائق الخاصة بالمهمة من تلويث التخزين المؤقت.
آلية الكفاءة: من خلال الحفاظ على خريطة صغيرة وثابتة الحجم، يتجنب PEEK النمو الفائق للرموز المرتبط بسجل الدردشة المشترك والكمون العالي لعمليات تكثيف السياق الكامل.

النتائج التجريبية

قيم المؤلفون نظام PEEK على اثنين من الاختبارات المعيارية: OOLONG (الاستدلال والتجميع في السياق الطويل) و CL-bench (تعلم السياق). كان الوكيل الأساسي المستخدم هو Recursive Language Models (RLM) مع GPT-5-mini.

مكاسب الأداء:

الجودة: تفوق PEEK على جميع النماذج المرجعية، بما في ذلك إطار عمل تعلم المطالبة SOTA المسمى ACE.
- في OOLONG، حسن PEEK الدرجات بنسبة 6.3–34.0% مقارنة بـ RLM وبنسبة 7.8–15.0% مقارنة بـ ACE.
- في CL-bench، حسن PEEK معدلات الحل بنسبة 6.0–14.0% ودقة المعايير بنسبة 7.8–12.1% مقارنة بـ RLM، وبنسبة 6.0% / 9.9% مقارنة بـ ACE.
الكفاءة (التكرارات): تطلب PEEK عدد 93–145 تكراراً أقل من ACE في OOLONG مع تحقيق جودة أعلى. وقد شغل باستمرار منطقة الجودة العالية والتكرار المنخفض في جبهة باريتو (Pareto frontier).
التكلفة: تحمل PEEK تكلفة أقل بمقدار 1.7–5.8 ضعف من ACE في OOLONG و 1.4 ضعف في CL-bench. وقد تحقق ذلك من خلال تقليل عدد التكرارات وتجنب حلقات التكيف الضخمة والمستهلكة للرموز الخاصة بـ ACE.

التعميم:

استقلالية النموذج: كانت المكاسب متسقة عند استبدال النموذج اللغوي الأساسي بـ GPT-5.5 و Qwen3-Coder-Next-FP8 مفتوح المصدر.
استقلالية الوكيل: حسن PEEK الأداء عند تطبيقه على وكيل خلفي مختلف، OpenAI Codex، مما أثبت أن خريطة السياق هي أثر قابل للتعميم.

دراسات الاستبعاد (Ablation Studies):

أدى إزالة المُقطِّر (باستخدام تحديث أحادي) إلى تقليل الأداء بنسبة ~7.7%، مما يؤكد ضرورة فصل التشخيص عن التحرير.
أدت إزالة المُخلي (بتجميد الخريطة عند الميزانية) إلى تحقيق مكاسب عن RLM الأساسي، لكن السياسة الكاملة أضافت تحسيناً إضافياً بنسبة ~10.2%، مما يبرز قيمة الصيانة النشطة.
أظهر التباين في حجم الخريطة ( $B$ ) أن وجود الخريطة أهم من حجمها الدقيق، حيث وفرت حتى الميزانيات الصغيرة (512 رمزاً) تحسينات كبيرة.

الأهمية والادعاءات

يزعم البحث أن PEEK يثبت أن خريطة السياق تساعد وكلاء LLM ذوي السياق الطويل على التفاعل مع السياقات الخارجية المتكررة بدقة وكفاءة أكبر. يجادل المؤلفون بأن:

معرفة التوجيه قابلة للنقل: على عكس سجل المحادثة الخام، فإن المعرفة حول بنية وتنظيم مجموعة بيانات هي معرفة قابلة لإعادة الاستخدام عبر مهام مختلفة.
الإدارة النشطة هي الأفضل: يتفوق الأثر الصغير والمنسق والمُدار بنشاط على كل من الاسترجاع السلبي (RAG) والتراكم غير المُدار (الدردشة المشتركة).
مقايضة التكلفة والجودة: يحقق PEEK مقايضة متفوقة بين التكلفة والجودة، حيث يقع في جبهة باريتو حيث تتطلب الطرق الأخرى (مثل ACE) إما تكلفة أكبر لنتائج أقل جودة أو تتطلب تكرارات أكثر لنتائج مماثلة.

يخلص المؤلفون إلى أن هذا النهج يفتح مجالاً بحثياً جديداً لعمليات التخزين المؤقت من جانب الوكيل، وهو متميز عن تحسينات ذاكرة KV-cache على مستوى النموذج، ويستهدف تحديداً الفهم الدلالي للبيئات الخارجية المستمرة. ويشيرون إلى أن هذا العمل الحالي هو خطوة أولى ويدعون إلى اختبارات معيارية مستقبلية تدعم بطبيعتها الاستعلامات المتكررة على نفس السياق الطويل لاختبار هذا النموذج بشكل أكبر.