🤖 AI

Is Agent Memory a Database? Rethinking Data Foundations for Long-Term AI Agent Memory

تجادل هذه الورقة بأن نماذج قواعد البيانات الحالية غير كافية لذاكرة الوكلاء الاصطناعيين طويلة الأمد بسبب تركيزها على مستوى السجلات، وتقترح "الذاكرة المتطورة المحكومة" (GEM) كعبء عمل جديد لإدارة البيانات على مستوى الحالة، محددةً بأربعة عوامل تشغيل وستة شروط صحة لمعالجة أنماط الفشل المتكررة مثل النمو غير المنظم والمراجعة الدلالية المفقودة.

المؤلفون الأصليون: Abdelghny Orogat, Essam Mansour

نُشر 2026-05-27

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Abdelghny Orogat, Essam Mansour

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 تعليم مساعد آلي (روبوت) ذكي جداً ولكنه كثير النسيان كيف يدير حياتك. تريد منه أن يتذكر تفضيلاتك، ومواعيد مشاريعك النهائية، ومحادثاتك لكي يتمكن من مساعدتك غداً بشكل أفضل مما فعل اليوم.

حالياً، تعمل معظم أنظمة "ذاكرة" الذكاء الاصطائي مثل كومة ضخمة وفوضوية من الملاحظات اللاصقة. في كل مرة تخبر فيها الروبوت بشيء جديد، فإنه يكتفي بلصق ملاحظة جديدة فوق الكومة. هو لا يتخلص من أي شيء أبداً، ولا يقوم بتحديث ملاحظة قديمة إذا غيرت رأيك.

تجادل هذه الورقة البحثية بأن نهج "الملاحظات اللاصقة" هذا معيب. يقول المؤلفان، عبد الغني أورغات وإسام منصور: "لا، ذاكرة الذكاء الاصطناعي لا ينبغي أن تكون قاعدة بيانات للسجلات؛ بل يجب أن تكون حالة حية ومتطورة."

إليك تفصيل فكرتهما باستخدام تشبيهات بسيطة:

1. المشكلة: كارثة "الملاحظات اللاصقة"

تحدد الورقة أربعة طرق محددة يفشل فيها نظام ذاكرة الذكاء الاصطناعي الحالي، والتي يسمونها "أنماط الفشل". تخيل أن لدى مساعدك الآلي كومة من الملاحظات:

📉 النمو غير المنضبط (الكومة تكبر أكثر من اللازم):
- المشكلة: يستمر الروبوت في إضافة الملاحظات دون تنظيفها أبداً. إذا أخبرته أن "اجتماعي في الساعة 2 ظهراً" يوم الاثنين، و"اجتماعي في الساعة 3 عصراً" يوم الثلاثاء، فسيكون لديه الآن ملاحظتان. هو لا يعرف أيهما الحقيقة.
- النتيجة: تصبح الكومة ضخمة جداً لدرجة أن الروبوت يصاب بالارتباك ويتباطأ لأنه يضطر لقراءة آلاف الملاحظات المتكررة للعثور على الإجابة.
🔄 غياب المراجعة الدلالية (زر "التعديل" لا يعمل):
- المشكلة: تتعامل الأنظمة الحالية مع الذاكرة كعملية "إضافة فقط". إذا غيرت موعداً نهائياً، فإن الروبوت لا يصلح الملاحظة القديمة؛ بل يضيف فقط ملاحظة جديدة تقول "تغير الموعد النهائي".
- النتيجة: عندما تسأل: "ما هو الموعد النهائي؟"، قد يستخرج الروبوت الملاحظة القديمة من الأسبوع الماضي بدلاً من الجديدة، ويعطيك الإجابة الخاطئة.
🗑️ غياب النسيان الانتقائي (سلة المهملات معطلة):
- المشكلة: عندما تمتلئ ذاكرة الروبوت، فإنه يحذف أقدم الملاحظات أولاً، بغض النظر عن مدى أهميتها.
- النتيجة: قد يحذف موعد مشروعك النهائي الحرج (لأنه مر عليه أسبوع) ولكنه يحتفظ بملاحظة حول "تفضيلات الغداء" (لأنها أحدث). هو ينسى ما يهم ويتذكر ما لا يهم.
👀 الاسترجاع للقراءة فقط (الروبوت لا يتعلم من الانتباه):
- المشكلة: عندما تسأل الروبوت سؤالاً، فإنه يبحث عن الإجابة ويخبرك بها فحسب. هو لا "يضع علامة" على أن هذه الملاحظة مهمة.
- النتيجة: إذا سألت عن موعد مشروعك النهائي كل يوم، فإن الروبوت يعاملها بنفس الطريقة التي يعامل بها ملاحظة سألت عنها مرة واحدة قبل ستة أشهر. هو لا يدرك أنك تهتم بهذا الموضوع، لذا قد يحذفها لاحقاً.

2. الحل: "الذاكرة المتطورة المحكومة" (GEM)

يقترح المؤلفان طريقة جديدة للتفكير في الذاكرة. بدلاً من كونها قاعدة بيانات لسجلات ثابتة، تخيل الذاكرة كـ حديقة حية.

في الحديقة، أنت لا تكتفي بزراعة البذور (إضافة الملاحظات)، بل تقوم أيضاً بـ:

التقليم: إزالة الأعشف الضارة (نسيان الأشياء غير ذات الصلة).
التطعيم: إذا نما فرع في اتجاه جديد، فأنت تربطه بالشجرة الرئيسية (تحديث الحقائق).
الري: إذا كنت تسقي نباتاً باستمرار، فإنه ينمو بشكل أقوى (استرجاع حقيقة ما يجعلها أكثر "بروزاً" أو أهمية).
فحص التربة: لديك قواعد (سياسات) حول كيفية نمو الحديقة.

يطلقون على هذا اسم الذاكرة المتطورة المحكومة (GEM). وهي تحتوي على أربعة "بستانيين" (مشغلات) رئيسيين بدلاً من أوامر قواعد البيانات القياسية (إنشاء، قراءة، تحديث، حذف):

الاستيعاب (Ingestion): عندما تصل معلومات جديدة، فهي لا تكتفي بلصق ملاحظة على الكومة. بل تجد "النبات" المناسب وتحدثه. إذا تغير الموعد النهائي، فإنها تحدث حلقة نمو النبات، محتفظة بالحلقة القديمة كـ "تاريخ"، ولكنها تظهر التاريخ الجديد كالحقيقة الحالية.
المراجعة (Revision): إذا تغير جزء من الحديقة (مثل تغيير الموعد النهائي)، فإن النظام يتحقق تلقائياً من النباتات المتصلة (مثل: "هل نحتاج إلى إعادة جدولة اجتماع الفريق؟") ويقوم بتحديثها أيضاً.
النسيان (Forgetting): بدلاً من حذف أقدم الأشياء، يقوم النظام بـ "تقليم" الأشياء الأقل أهمية. إذا لم تتحدث عن "تفضيلات الغداء" منذ أشهر، فإن ذلك النبات يصغر ويصبح مخفياً، لكن لا يُدمر. أما إذا كنت تتحدث عن "مواعيد المشاريع" يومياً، فإن هذا النبات ينمو ضخماً ويصبح محمياً.
الاسترجاع (Retrieval): عندما تسأل سؤالاً، فإن النظام لا يكتفي بقراءة الإجابة؛ بل يحدث الذاكرة. السؤال عن الموعد النهائي يجعل تلك الملاحظة "تتوهج" ببريق أقوى، مما يخبر النظام: "حافظ على هذا الشيء بأمان!"

3. النموذج الأولي: "MemState"

لإثبات أن هذا ليس مجرد نظرية، بنى المؤلفان نموذجاً أولياً يسمى MemState.

التشبيه: فكر فيه كـ خزانة ملفات ذكية مبنية فوق قاعدة بيانات رسومية قياسية (مثل خريطة من الاتصالات).
كيف يعمل: بدلاً من تخزين حقائق منفردة، فإنه يخزن "مواضيع" (مثل مجلد لـ "إعادة تصميم الموقع الإلكتروني"). داخل هذا المجلد، يحتفظ بسجل لكل تغيير (من الذي غير الموعد، ومتى، ولماذا).
القواعد: يحتوي على مجموعة من القواعد (السياسات) التي تعمل تلقائياً. على سبيل المثال: "إذا تغير الموعد النهائي، قم تلقائياً بوضع علامة مراجعة على مجلد 'اجتماع الفريق'".
النتيجة: أظهروا أن هذا النظام يمكنه بالفعل القيام بما لا تستطيع أن تفعله أنظمة "الملاحظات اللاصقة": فهو يحافظ على الذاكرة نظيفة، متسقة، ومركزة على ما يهم المستخدم حقاً.

4. الخلاصة الكبرى

تختتم الورقة ببيان جريء: ذاكرة الذكاء الاصطناعي ليست مشكلة قاعدة بيانات؛ بل هي نوع جديد من أعباء عمل إدارة البيانات.

تماماً كما اخترعنا "معالجة التدفق" (Stream Processing) للتعامل مع البيانات التي تتدفق في الوقت الفعلي (مثل أسواق الأسهم)، نحتاج الآن إلى محرك من نوع جديد مخصص لـ وكلاء الذكاء الاصطناعي (AI Agents) الذين يمكنهم:

التطور بمرور الوقت.
النسيان بشكل انتقائي بناءً على الأهمية.
تحديث أنفسهم عندما تسأل سؤالاً.

يجادل المؤلفون بأنه حتى نبني "محركاً أصيلاً" مصمماً خصيصاً لهذا النوع من الذاكرة الحية، سيستمر وكلاء الذكاء الاصطناعي في الارتباك، ونسيان الأشياء المهمة، وتقديم إجابات قديمة. إنهم يدعون إلى عصر جديد من تكنولوجيا قواعد البيانات التي تعامل الذاكرة كـ حالة ديناميكية وليس كقائمة سجلات ثابتة.

ملخص تقني: هل ذاكرة الوكيل هي قاعدة بيانات؟ إعادة التفكير في أسس البيانات لذاكرة الوكيل الذكي طويلة الأمد

1. بيان المشكلة

تعامل أنظمة ذاكرة الوكيل الذكي (AI Agent) ونماذج قواعد البيانات الحالية الذاكرة كآلية تخزين ثابتة، تعتمد على عمليات (CRUD) -الإنشاء، القراءة، التحديث، والحذف- على مستوى السجل. هذا التجريد يفشل في دعم متطلبات الوكلاء الأذكياء الذين يعملون لفترات طويلة، والذين يجب عليهم الحفاظ على المعلومات ومراجعتها والاستدلال عليها عبر جلسات متعددة. يحدد المؤلفون أربعة أنماط فشل متكررة متأصلة في النهج الحالي القائم على "الإضافة فقط" أو "السعة المحدودة":

النمو غير المنضبط: يتم إلحاق المعلومات الجديدة بشكل أعمى، مما يؤدي إلى تراكم مدخلات مكررة ومنخفضة الصلة، مما يزاحم المحتوى المفيد ويزيد من تكاليف الاستدلال.
غياب المراجعة الدلالية: تُخزن التحديثات كسجلات جديدة بجانب السجلات القديمة بدلاً من دمجها. يؤدي هذا إلى وجود تناقضات حيث قد يسترجع الوكيل حقائق قديمة (مثل موعد نهائي قديم) بدلاً من الحالة الراهنة.
غياب النسيان الانتقائي: يتم الإخلاء عادةً بناءً على العمر أو السعة (FIFO - الأول دخولاً أول خروجاً) بدلاً من الصلة بالمستخدم. قد يتم التخلص من حقائق حاسمة بينما يستمر بقاء البيانات التافهة.
الاسترجاع للقراءة فقط: تعيد عمليات الاسترجاع الحقائق دون تحديث حالة الذاكرة. وبناءً على ذلك، فإن المعلومات التي يتم الوصول إليها بشكل متكرر لا تكتسب "أهمية بروز" (Salience) أو حماية من النسيان، بل تتنافس بالتساوي مع المحتوى القديم.

يجادل الورقة البحثية بأن هذه ليست أخطاء تنفيذية بل هي قيود هيكلية ناتجة عن معاملة الذاكرة كمجموعة من السجلات. إن الصحة في الذاكرة طويلة الأمد هي خاصية لـ مسار الحالة (كيف تتطور الذاكرة بمرور الوقت)، وليس لصحة السجلات الفردية.

2. المنهجية: الذاكرة المتطورة المحكومة (GEM)

يقترح المؤلفون الذاكرة المتطورة المحكومة (Governed Evolving Memory - GEM)، وهو تجريد جديد لإدارة البيانات ينقل التركيز من العمليات على مستوى السجل إلى العمليات على مستوى الحالة.

2.1 تجريد GEM

تُصاغ الذاكرة كحالة عالمية $M_t = (D_t, S_t, P_t)$ عند الزمن $t$ :

$D_t$ (المحتوى): وحدات دلالية (مثل المواضيع) التي تحمل سجلات القيم وإشارات البروز، بدلاً من السجلات المعزولة.
$S_t$ (البنية): التنظيم الهيكلي الذي يربط الوحدات الدلالية عبر حواف محددة النوع (مثل حواف "التمديد" لانتشار التبعية، وحواف "الارتباط" للسياق).
$P_t$ (السياسات): قواعد تصريحية $\langle \text{حدث}, \text{شرط}, \text{إجراء} \rangle$ تحكم كيفية السماح بتغيير الحالة.

2.2 العمليات على مستوى الحالة

تستبدل GEM عمليات CRUD بأربع عمليات تعمل على الحالة العالمية تحت قيود السياسة:

الاستيعاب (Ingestion): دمج المدخلات الجديدة في الوحدات الدلالية الموجودة، وإلحاق سجلات القيم بدلاً من إنشاء سجلات مكررة.
المراجعة (Revision): التوفيق بين الوحدات المتداخلة ونشر التحديثات عبر الحواف المحددة النوع (التبعيات) مع الحفاظ على مصدر القيم المستبدلة.
النسيان (Forgetting): تنظيم تأثير المحتوى بناءً على إشارات الصلة (البروز) بدلاً من العمر. وهي تستخدم سلماً تدريجياً للتضاؤل (الضغط $\leftarrow$ الإخفاء $\leftarrow$ الأرشفة) بدلاً من الحذف الثنائي.
الاسترجاع (Retrieval): عملية معدلة للحالة تعيد المخرجات وتحدث في الوقت ذاته بروز الوحدات التي تم الوصول إليها، مما يعزز الحقائق المهمة.

2.3 شروط الصحة

تحدد الورقة ستة شروط للصحة (C1–C6) تحكم مسار الذاكرة:

C1 (سلامة الاستعلام): إرجاع أحدث قيمة غير مؤرشفة.
C2 (سلامة الانتقال): ضمان عدم إرجاع أي قيمة مستبدلة كقيمة حالية بعد عملية المراجعة.
C3 (اتساق التبعية): تنتشر التحديثات عبر الحواف المحددة النوع إلى الوحدات التابعة.
C4 (الحفاظ على المصدر): يحافظ النسيان والمراجعة على سلسلة تاريخ الوحدات التي يمكن الوصول إليها.
C5 (الحالة النشطة المحدودة): حجم الذاكرة النشطة يكون محدوداً بالصلة المحددة بالسياسة، وليس فقط بالسعة.
C6 (التكيف الناجم عن الاسترجاع): كل عملية استرجاع تُحدث بروز الوحدات التي تم الوصول إليها.

2.4 ملاحظات هيكلية

يقدم المؤلفون ثلاث ملاحظات هيكلية تثبت أن أي نظام على مستوى السجل (بغض النظر عن نموذج التخزين) لا يمكنه تلبية هذه الشروط:

الاسترجاع: لا يمكن لعملية استرجاء كدالة نقية (Pure Function) أن تحقق الشرط C6 (تحديثات البروز) لأن خطوة تعديل الحالة منفصلة عن الاستعلام.
النسيان: لا يمكن فرض الاحتفاظ القائم على الصلة (C5) عبر محركات CRUD إذا كان الاسترجاع للقراءة فقط.
الاستيعاب/المراجعة: التخزين بنظام الإضافة فقط بدون وحدات دلالية لا يمكنه تحقيق الشرط C2 (السلامة) أو الشرط C3 (انتشار التبعية) لأن المحرك يفتقر إلى آليات للاختيار بين القيم المتواجدة أو تتبع التبعيات الدلالية.

3. التنفيذ: نموذج MemState الأولي

للتحقق من الجدوى، قام المؤلفون ببناء MemState، وهو نموذج أولي تم تنفيذه باستخدام Kuzu، وهو محرك رسوم بيانية (Property Graph) مدمج.

نموذج البيانات: تُمثل الذاكرة كرسم بياني من "المواضيع" (الوحدات الدلالية). يحتوي كل موضوع على حقول تحتوي على سجلات القيم (أزواج من: القيمة، الطابع الزمني، المصدر) وتضمينات (Embeddings).
العمليات:
- الاستيعاب: يختار النموذج اللغوي الكبير (LLM) موضوعاً مضيفاً ويضيف قيمًا جديدة إلى سجلات الحقول.
- المراجعة: تكتشف التعارضات وتنشر التغييرات عبر حواف "التمديد".
- النسيان: يطبق تضاؤلاً متدرجاً بناءً على درجات البروز (التي ترتفع عند الوصول، وتتضاءل عند عدم الاستخدام).
- الاسترجاع: يوجه الاستعلامات إلى المواضيع ويزيد من بروز الوحدات التي تم الوصول إليها ضمن نفس المعاملة (Transaction).
فرض السياسات: يتم تقييم السياسات مقابل انتقال الحالة المقترح ( $M_{t+1}$ ) قبل التثبيت (Commit). يتم إلغاء الانتقالات التي تنتهك السياسة، مما يضمن تحقيق الشرط C2 (سلامة الانتقال) بالبناء.

4. النتائج والمكتشفات

الجدوى: يثبت MemState أن GEM يمكن تحقيقها على البنية التحتية الشائعة (الرسوم البيانية للملكية) من خلال إعادة بناء سجلات الحقول، وحواف الانتشار، وفحوصات السياسة من خلال بدائيات عامة.
تحديد الفجوات: يكشف النموذج الأولي أنه بينما يعد GEM ممكناً، فإن المحركات الحالية هي مجرد "طبقة توافق". فهي تفتقر إلى الدعم الأصيل لـ:
- السمات ثنائية الزمن (Bitemporal attributes) من الدرجة الأولى لسجلات الحقول.
- دلالات الانتشار المرتبطة بالمخطط (Schema-attached propagation semantics).
- الفهرسة الموحدة للتشابه الدلالي والمحددات الزمنية.
- بدائيات "الاسترجاع كعملية كتابة" التي توحد البحث وتحديثات البروز.

5. الأهمية والأجندة البحثية

تعيد الورقة صياغة ذاكرة الوكيل طويلة الأمد ليس كمسألة قاعدة بيانات، بل كـ عبء عمل جديد لإدارة البيانات محدد بصحة مسار الحالة. يحدد المؤلفون ثلاثة اتجاهات بحثية محددة مطلوبة لبناء محرك أصيل لهذا العبء:

محرك أصيل للذاكرة المحكومة: يتطلب وضع المواضيع، والسجلات، والتضمينات في صفحات مشتركة؛ فهرسة موحدة للاستعلامات الدلالية والزمنية؛ وعمليات تعامل مع الاسترجاع كعملية كتابة.
الصحة والتقييم: تدعو إلى "اختبارات قياس المسار" (Trajectory Benchmarks) التي تقيس تطور الحالة (C2–C6) بدلاً من مجرد استدعاء مستوى الإجابة. كما تقترح لغة سياسات تصريحية لحل النزاعات والتحكم المتعلم المقيد.
الخصوصية وتعدد المستأجرين: تعالج تحدي "تسرب المعلومات الناجم عن الاسترجاع" الجديد، حيث يمكن لتحديثات البروز في نسخة ذاكرة مشتركة أن تسرب المعلومات بين المستأجرين، وصعوبة "المحو القابل للتحقق" في حالة متطورة مع سلاسل المصدر.

الخلاصة: تخلص الورقة إلى أنه لكي يعمل الوكلاء الأذكياء لفترات طويلة بشكل موثوق، يجب أن تتطور الذاكرة من طبقة تخزين سلبية إلى عبء عمل نشط ومحكوم لإدارة البيانات، حيث تُعرف الصحة بمسار الحالة، وليس بسلامة السجلات الفردية.