💻 computer science

TARL: Transaction-Aware Reliable Ledgers for Executable Memory Management in Long-Term Agents

تقدم هذه الورقة إطار عمل TARL، وهو إطار عمل مدرك للمعاملات يعزز إدارة ذاكرة الوكيل طويلة المدى من خلال رسم التحديثات على خمسة إجراءات قابلة للتنفيذ بدلاً من قرار ثنائي، مما يقلل من تلوث الذاكرة والفساد التراكمي من خلال تحسين استعادة الحالة والحفاظ على التعارض.

المؤلفون الأصليون: Han Xiao, Hongjun Xu, Xin Zhang, Yidong Chen, Xiaodong Shi

نُشر 2026-08-05

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Han Xiao, Hongjun Xu, Xin Zhang, Yidong Chen, Xiaodong Shi

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

مشكلة الذاكرة: لماذا تحتاج وكلاء الذكاء الاصطناعي إلى دفتر ملاحظات أفضل

تخيل أنك تعلم روبوتًا ليكون صديقك المفضل. أنت تريد منه أن يتذكر الأشياء التي تخبره بها، مثل لونك المفضل أو أنك تكره البروكلي. في عالم علوم الحاسوب، يسمى هذا منح الذكاء الاصطناعي "ذاكرة طويلة المدى". في الوقت الحالي، تعمل العديد من أنظمة الذكاء الاصطناعي مثل كاتب نساخ متحمس ولكنه أخرق قليلاً. عندما تخبرهم بشيء جديد، غالبًا ما يقررون ببساطة: "اكتب هذا!" أو "تجاهله!". إنه خيار بسيط بنعم أو لا.

لكن الذاكرة البشرية ليست بهذه البساطة. أحيانًا، تتعلم شيئًا جديدًا يغير ما كنت تعتقده سابقًا (مثل إدراك أن البروكلي لذيذ حقًا). وأحيانًا أخرى، تسمع إشاعة لست متأكدًا من صحتها بعد، فتبقيها في "كومة الاحتمالات". وفي أحيان أخرى، تسمع كذبة، وتحتاج إلى رميها في سلة المهملات حتى لا تصدقها لاحقًا. إذا اكتفى الروبوت بالقول "اكتب هذا" لكل شيء، فسيصاب بالارتباك في النهاية، حيث يخلط بين الحقائق والأكاذيب وبين الأفكار القديمة والجديدة. تتناول هذه الورقة البحثية هذا الارتباك عبر التساؤل: كيف يمكننا تعليم الذكاء الاصطناعي أن يكون أمين مكتبة أكثر ذكاءً، أمين مكتبة يعرف تمامًا كيف يحدث ذاكرته بدلاً من مجرد الإضافة أو الحذف بشكل أعمى؟

TARL: حقيبة أدوات الذاكرة ذات الخمس أدوات

قدم الباحثون وراء هذه الورقة، هان شياو وفريقه من جامعة شيامن، نظامًا جديدًا يسمى TARL (سجلات موثوقة مدركة للمعاملات - Transaction-Aware Reliable Ledgers). فكر في TARL كمدير ذاكرة فائق الذكاء يتوقف عن معاملة تحديثات الذاكرة كمفتاح ضوء بسيط (تشغيل/إيقاف) ويبدأ في معاملتها كسكين سويسري بـخمس أدوات متميزة.

بدلاً من مجرد السؤال، "هل يجب أن أتذكر هذا؟"، يسأل TARL: "ما هو نوع التذكر الذي يحتاجه هذا؟" ويقوم بتصنيف كل معلومة جديدة إلى أحد الإجراءات الخمسة المحددة:

الإلحاق (Append): "هذا جديد تمامًا! أضفه إلى القائمة الرئيسية."
المراجعة (Revise): "هذا يحدث شيئًا قديمًا. استبدل الحقيقة القديمة بهذا الجديد، ولكن احتفظ بالقديمة في الأرشيف للاحتياط."
الرفض (Reject): "هذه كذبة أو تعارض. ارمِها في سلة 'المرفوضات' حتى لا تفسد تفكيرنا."
التأجيل (Defer): "لست متأكدًا من هذا بعد. ضعها في مجلد 'قيد الانتظار' للتحقق منها لاحقًا."
عدم الإجراء (Noop): "هذا معروف بالفعل أو عديم الفائدة. لا تفعل شيئًا."

تجادل الورقة بأن معظم أنظمة الذكاء الاصطناعية الحالية ترتكب خطأً عبر دمج هذه الإجراءات الخمسة المختلفة في إجراءين فقط: "الكتابة" (التي تخلط بين الإلحاق والمراجعة) و"الاحتفاظ" (التي تخلط بين الرفض، والتأجيل، وعدم الإجراء). يوضح المؤلفون أن نهج "الكتابة/الاحتفاظ" هذا يشبه محاولة إصلاح سيارة بمطرقة فقط؛ فأحيانًا تحتاج إلى مفك براغي، وأحيانًا تحتاج إلى مفتاح ربط. إذا كان لديك مطرقة فقط، فقد تكسر المحرك.

كيف يعمل TARL: نظام السجلات الثلاثة

لجعل هذه الأدوات الخمس تعمل، ينظم TARL الذاكرة في ثلاثة "سجلات" (أو دفاتر ملاحظات) متميزة:

السجل المقبول (The Accepted Ledger): هذا هو "كتاب الحقيقة". يحتوي على الحقائق التي يثق بها الذكاء الاصطناعي حاليًا.
سجل الانتظار (The Pending Ledger): هذا هو "صندوق الاحتمالات". يحتوي على معلومات مثيرة للاهتمام ولكنها تحتاج إلى مزيد من الإثبات قبل أن تصبح حقيقة.
السجل المرفوض (The Rejected Ledger): هذا هو "سلة المهملات". يحتوي على الأكاذيب، أو التعارضات، أو المعلومات القديمة، لكنه يبقيها مرئية حتى يعرف الذكاء الاصطناعي سبب رفضها.

عندما تأتي معلومة جديدة، لا يخمن TARL فحًا، بل يعمل كالمحقق:

البحث عن الهدف: يبحث عن الحقيقة المحددة في "كتاب الحقيقة" التي قد تتعلق بها هذه المعلومة الجديدة.
التحقق من الموثوقية: يقارن بين موثوقية المعلومة الجديدة والحقيقة القديمة. هل المصدر الجديد أفضل؟ هل الحقيقة القديمة عفا عليها الزمن؟
اختيار الأداة: بناءً على تلك المقارنة، يختار أحد الإجراءات الخمسة. إذا كانت المعلومة الجديدة أفضل، فإنه يقوم بـ مراجعة الحقيقة القديمة ويؤرشف القديمة. إذا كانت المعلومة الجديدة كذبة، فإنه يرفضها.

السر المكنون: التعلم من خلال "ماذا لو"

أحد أروع أجزاء هذه الورقة هو كيفية تدريب TARL. عادةً ما يتعلم الذكاء الاصطناعي من خلال إخباره: "لقد اخترت الكلمة الصحيحة". لكن TARL يتعلم من خلال إخباره: "لقد اخترت النتيجة الصحيحة".

استخدم الباحثون تقنية تسمى الإشراف على التنفيذ المضاد للواقع (Counterfactual Execution Supervision). تخيل لعبة فيديو يمكنك من خلالها تجربة حركات مختلفة ورؤية ما سيحدث للنتيجة. يجرب TARL جميع الحركات الخمس الممكنة على حالة الذاكرة الحالية. ثم ينظر إلى "المعيار الذهبي" (حالة الذاكرة المثالية) ليرى أي حركة حققت النتيجة الصحيحة بالفعل. إنه يتعلم اختيار الحركة التي تؤدي إلى الحالة المستقبلية الصحيحة، وليس فقط الحركة التي تبدو صحيحة في ظاهرها. يساعد هذا الذكاء الاصطناعي على فهم أن مراجعة حقيقة ما تختلف تمامًا عن إلحاق حقيقة جديدة، حتى لو بدا كلاهما كعملية "كتابة" لنظام أبسط.

النتائج: ذاكرة أذكى وأنظف

اختبر الفريق نظام TARL على معيار جديد أنشأوه يسمى TARL-Mem، والذي يحتوي على أكثر من 5,000 مثال لمواقف ذاكرة معقدة. وقارنوا TARL مع سبعة أنظمة ذاكرة شائعة أخرى.

كانت النتائج واضحة:

دقة أفضل: كان TARL أفضل بكثير في اختيار الإجراء الصحيح. حقق درجة Macro F1 قدرها 0.8286، متفوقًا على أقرب نظام منافس (MemAgent) الذي سجل 0.7871.
أخطاء أقل: ارتكب TARL أخطاء "تلوث" أقل (وضع معلومات سيئة في كتاب الحقيقة). كان معدل التلوث لديه 0.2524، وهو أقل بكثير من الأنظمة الأخرى مثل Full History التي سجلت 0.3191.
التعامل مع التعارض: عندما تعارضت الحقائق، كان TARL أفضل في الاحتفاظ بالحقيقة الصحيحة وأرشفة الخاطئة. حقق دقة حفظ التعارض بلغت 0.5476، متفوقًا على المنافسين.
الاستقرار طويل المدى: في الاختبارات التي كان على الذكاء الاصطناعي فيها تذكر تسلسل طويل من الأحداث، لم يصاب TARL بالارتباك أو الفساد مثل الأنظمة الأخرى.

تستبعد الورقة البحثية صراحةً فكرة أن قرارًا بسيطًا بـ "الكتابة أو الاحتفاظ" كافٍ لضمان ذاكرة موثوقة طويلة المدى. وتظهر تجاربهم أنه حتى لو اتخذ الذكاء الاصطناعي القرار الصحيح بشأن "الكتابة/الاحتفاظ"، فقد يفشل في تحديث الذاكرة بشكل صحيح لأنه لا يعرف كيفية التحديث.

لماذا يهم هذا الأمر؟

يشير هذا البحث إلى أنه لكي يكون وكلاء الذكاء الاصطناعي موثوقين حقًا بمرور الوقت — مثل مساعد شخصي لا ينسى عيد ميلادك أو يبدأ في تصديق الأخبار المزيفة — فإنهم يحتاجون إلى ما هو أكثر من مجرد مسجلين. إنهم بحاجة إلى أن يكونوا محررين. من خلال منح الذكاء الاصطناعي مجموعة أكثر دقة من الأدوات لإدارة ذاكرته، يساعد TARL في منع "الفساد التراكمي" حيث تتراكم الأخطاء الصغيرة وتفسد تفكير الذكاء الاصطناعي لاحقًا.

وجد المؤلفون أن هذا النهج لا يعمل فقط في الاختبارات البسيطة، بل أيضًا عندما يواجه الذكاء الاصطناعي أنواعًا جديدة من البيانات أو حقائق زمنية معقدة. وبينما لا يدعون أنهم حلوا كل مشاكل الذاكرة في العالم، فقد أثبتوا أن الانتقال من مفتاح "التشغيل/الإيقاف" الثنائي إلى حقيبة أدوات ذات خمس أدوات هو خطوة كبيرة نحو بناء وكلاء يمكنهم التفكير بوضوح والتذكر بدقة على المدى الطويل.

ملخص تقني: TARL: سجلات موثوقة مدركة للمعاملات لإدارة الذاكرة القابلة للتنفيذ في الوكلاء طويلي الأمد

بيان المشكلة

تعد الذاكرة المستمرة أمراً جوهرياً للوكلاء طويلي الأمد للاحتفاظ بالمعرفة عبر الجلسات، ومع ذلك فهي تفرض ثغرة حرجة: حيث يمكن لخطأ واحد في التحديث أن يستمر، ويظهر بشكل متكرر من خلال الاسترجاع، مما يؤدي إلى تشويه التفكير المستقبلي. تعتمد الأنظمة الحالية عادةً على اختزال تحديثات الذاكرة في قرار ثنائي هو الكتابة/الإبقاء (Write/Hold). هذا المستوى الخشن من التفصيل يفشل في التمييز بين سيناريوهات التحديث المختلفة جوهرياً والتي تشترك في نفس التصنيف الثنائي، مثل:

إلحاق (Appending) معلومات جديدة مقابل تنقيح (revising) اعتقاد قديم.
تجاهل (Ignoring) معلومات زائدة مقابل رفض (rejecting) أدلة متضاربة غير موثوقة مقابل تأجيل (deferring) التحقق.

ولأن هذه الإجراءات المتميزة تنتج حالات ذاكرة مختلفة، فإن الإشراف الثنائي يفقد المعلومات المطلوبة لاستعادة الحالة التالية بدقة. ونتيجة لذلك، قد يراكم الوكلاء "تلوث الذاكرة" (تخزين بيانات غير مؤكدة أو متضاربة) أو يفشلون في الحفاظ على الأدلة الضرورية للبت المستقبلي.

المنهجية

يقدم المؤلفون إطار عمل TARL (السجلات المدركة للمعاملات - Transaction-Aware Reliable Ledgers)، الذي يصنف تحديثات الذاكرة كنماذج لانتقالات حالة صريحة وقابلة للتنفيذ بدلاً من التصنيفات الثنائية.

1. دلالات السجلات الثلاثة
يمثل نظام TARL حالة الذاكرة المستمرة $M_t$ كحاصل ضرب (tuple) لثلاثة سجلات متميزة:

المقبولة ( $A_t$ ): أدلة نشطة وموثوقة متاحة للاسترجاع.
المعلقة ( $P_t$ ): أدلة غير محسومة بانتظار التحقق.
التاريخ/المرفوضة ( $H_t$ ): مدخلات غير نشطة، تشمل السجلات المستبدلة (المؤرشفة من $A_t$ ) والمرشحات المرفوضة.

2. خمسة إجراءات قابلة للتنفيذ
بدلاً من الاختيار الثنائي، يقوم TARL بربط كل عبوة واردة بأحد العمليات الخمس القابلة للتنفيذ:

append (إلحاق): يضيف دليلاً جديداً إلى $A_t$ .
noop (لا شيء): يتجاهل المرشح؛ تظل $M_t$ دون تغيير.
revise (تنقيح): يستبدل مدخلاً محدداً في $A_t$ بالدليل الجديد، ويؤرشف المدخل المزاح في $H_t$ كـ "مستبدل".
reject_conflict (رفض التضارب): يحافظ على المدخل الموثوق الحالي في $A_t$ ويؤرشف المرشح المتضارب في $H_t$ كـ "مرفوض".
defer_verify (تأجيل التحقق): ينقل المرشح إلى $P_t$ للحل المستقبلي.

3. خط أنابيب التنبؤ بالمعاملات
ينفذ النموذج عملية استدلال متعددة المراحل لاختيار الإجراء:

تأسيس الهدف (Target Grounding): يحدد خانة الذاكرة المحددة الموجودة (إن وجدت) التي يؤثر عليها المرشح.
مقارنة الموثوقية (Reliability Comparison): يقارن موثوقية المصدر والصلاحية الزمنية للمرشح الجديد مقابل الذاكرة المؤسسة.
اختيار العملية (Operation Selection): يتنبأ بالإجراء بناءً على المقارنة، باستخدام تمثيلات (embeddings) متعلمة لكل نوع من أنواع العمليات.

4. الإشراف بالتنفيذ المضاد للواقع (Counterfactual Execution Supervision)
الابتكار الرئيسي هو هدف التدريب. لا يكتفي التصنيف القياسي بالتحقق مما إذا كان الإجراء المتوقع يطابق التصنيف، بل يستخدم TARL الإشراف بالتنفيذ المضاد للواقع:

أثناء التدريب، يحاكي النموذج تنفيذ جميع العمليات الخمس الممكنة على الحالة الحالية.
يقارن النتائج المستقبلية (الحالات الافتراضية) مقابل الحالة الذهبية التالية.
تعمل دالة الخسارة على معاقبة الإجراءات التي تؤدي إلى انتقالات حالة غير صحيحة، حتى لو كان اسم الإجراء "قريباً" أو إذا كان التصنيف الثنائي (Write/Hold) صحيحاً. هذا يشجع النموذج على اختيار العملية التي تنتج النتيجة الصحيحة، وليس مجرد الاسم الصحيح.

المساهمات الرئيسية

نظرية التحديث القابل للتنفيذ: يثبت البحث أن الإشراف الخشن (Write/Hold) غير كافٍ معلوماتياً لاستعادة الحالة التالية بدقة. ويصنف خمسة تأثيرات انتقال متميزة يمكن للمنفذ التمييز بينها، وهي ضرورية لإدارة الذاكرة الموثوقة.
إطار عمل TARL: إطار عمل جديد لتحديث حالة الذاكرة يدمج تأسيس الهدف، وحل النطاق الزمني، ومقارنة موثوقية المصدر، والتنفيذ الخاص بالسجلات (مقبولة، معلقة، مرفوضة).
الإشراف بالتنفيذ المضاد للواقع: استراتيجية تدريب توائم السياسة مع جودة حالة الذاكرة المستحثة، بدلاً من مجرد تسمية الإجراء، وذلك عبر تقييم عواقب التحديثات البديلة.
معيار TARL-Mem: معيار جديد مشتق من HaluMem وLoCoMo وLongMemEval. يوفر تسميات إجراءات خماسية دقيقة، وخانات مستهدفة، وأهداف الحالة التالية القابلة للتنفيذ، مما يسمح بتقييم قرارات التحديث بشكل مستقل عن الاسترجاع اللاحق.

النتائج

تم تقييم TARL عبر إعدادات داخل النطاق، وعبر المصادر، والزمنية، والمضادة للواقع، والمتسلسلة، حيث تفوق على سبعة نماذج مرجعية (بما في ذلك Full History وLongMemEval وHippoRAG وMemoryBank وغيرها) عبر أبعاد متعددة:

التنبؤ بالإجراء: حقق أعلى معدل F1 ماكرو (Macro F1) خماسي (0.8286) وأعلى معدل F1 زمني، متفوقاً بشكل كبير على النماذج المرجعية في التمييز بين المعاملات الدقيقة.
استعادة الحالة: حقق أعلى دقة في حالة الذاكرة التالية (0.6621)، مما يدل على قدرة فائقة لإنتاج حالة السجل الصحيحة.
تلوث الذاكرة: قلل من تلوث الذاكرة (0.2524) بشكل أكثر فعالية من النماذح المرجعية، مما يشير إلى توجيه أفضل للأدلة غير الموثوقة.
الحفاظ على التضارب: حافظ على دقة أعلى في الحفاظ على التضارب (0.5476)، مما يضمن عدم استبدال المدخلات الموثوقة الحالية بمرشحات غير موثوقة.
المعايرة: حقق أدنى خطأ معايرة متوقع (ECE)، مما يشير إلى تقديرات ثقة أكثر موثوقية.
التشغيل المتسلسل: في التقييمات المتسلسلة طويلة الأمد، يحد TARL من انتشار الخطأ التراكمي ويحافظ على الحالات المتوسطة الدقيقة، بينما تميل النماذج المرجعية إلى تراكم التناقضات والتشوهات بمرور الوقت.

تحليل الإشراف الثنائي:
تؤكد التجارب أنه حتى مع وجود تسميات ثنائية (Write/Hold) مثالية، تفشل المنفذات الاستدلالية في استعادة الحالة التالية الصحيحة (تنخفض دقة الحالة التالية إلى ~0.45). وهذا يؤكد الادعاء بأن التسميات الثنائية تدمج انتقالات متميزة (مثل append مقابل revise) ولا يمكنها تحديد حالة الذاكرة الناتجة بشكل فريد.

الأهمية والادعاءات

يجادل البحث بأن الذاكرة طويلة الأمد الموثوقة تتطلب من الوكلاء تعلم كيفية تغيير حالة الذاكرة، وليس فقط ما إذا كان يجب التحديث. من خلال التنبؤ الصريح وتنفيذ المعاملات الدقيقة عبر سجل مهيكل، يوفر TARL أساساً أكثر متانة للوكلاء طويلي الأمد مقارنة باتخاذ القرار الثنائي.

يدعي المؤلفون أن نهجهم:

يحل "حد الهوية" (identifiability limit) للإشراف الثنائي، حيث يتوافق تسمية واحدة مع نتائج ذاكرة متميزة متعددة.
يمكّن الوكلاء من الحفاظ على الأدلة المتضاربة دون تلويث الذاكرة النشطة، وهي قدرة حاسمة للتعامل مع عدم اليقين والحقائق المتطورة.
يوفر بنية استقرائية قابلة للنقل لتحديث الذاكرة تتوسع عبر مصادر البيانات المختلفة والتحولات الزمنية.

لا يدعي العمل حل جميع تحديات الذاكرة، ولكنه يضع حجر الأساس بأن الانتقال من قرارات التحديث الثنائية إلى دلالات المعاملات القابلة للتنفيذ هو خطوة ضرورية نحو ذاكرة وكيل موثوقة.