ERSkill: Evolving for Skill-Guided Adaptive Memory Retrieval
تقدم الورقة البحثية ERSkill، وهو إطار عمل متمحور حول الاسترجاع يُمكّن وكلاء النماذج اللغوية الكبيرة (LLM agents) من تطوير استراتيجيات الوصول إلى الذاكرة لديهم باستمرار عبر تمثيل سلوكيات الاسترجاع كمهارات قابلة للتنفيذ، والتحسين المشترك لموجه المهارات ومجموعة المهارات ليتفوق بشكل كبير على النماذج المرجعية الحالية في مهام استعلام الذاكرة غير المتجانسة.
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 آلي فائق الذكاء يتذكر كل ما قلته له على الإطلاق. في عالم الذكاء الاصطناعي، بدأت هذه "النماذج اللغوية الكبيرة" تصبح مثل متعاونين طويلي الأمد، وليس مجرد مساعدين لمرة واحدة فقط. وللقيام بذلك، تحتاج هذه النماذج إلى بنك للذاكرة؛ مكان لتخزين الحقائق، والتفضيلات، والمحادثات الماضية. لكن الجزء الصعب هنا هو أن امتلاك مكتبة ضخمة من الذكريات لا فائدة منه إذا كنت لا تعرف كيفية العثور على الكتاب المناسب. معظم الروبوتات اليوم تستخدم طريقة ثابتة وواحدة تناسب الجميع للبحث في ذاكرتها، مثل استخدام بحث بسيط بالكلمات المفتاحية لكل سؤال. فإذا سألت: "ماذا أكلت في وجبة الإفطار؟"، قد يبحث الروبوت ببساطة عن كلمة "إفطار". ولكن إذا سألت: "لماذا توقفت عن الذهاب إلى الشاطئ بعد تلك العاصفة؟"، يحتاج الروبوت إلى ربط حدث العاصفة بقرار اتُخذ لاحقاً، مما يتطلب استراتيجية بحث أكثر تعقيداً بكثير. السؤال الكبير الذي يطرحه الباحثون هو: هل يمكن للروبوت أن يتعلم كيف يغير طريقة بحثه في ذاكرته الخاصة بناءً على ما يُسأل عنه؟
هنا يأتي دور إطار عمل جديد يسمى ERSkill. فكر في ERSkill كأنه روبوت لا يمتلك ذاكرة فحسب، بل يمتلك أيضاً صندوق أدوات يحتوي على "مهارات بحث" مختلفة يمكنه تعلمها وتطويرها بمرور الوقت. فبدلاً من استخدام طريقة بحث واحدة جامدة، يعامل ERSkill عملية استرجاع الذاكرة كمجموعة من "الوصفات القابلة للتنفيذ". بعض الوصفات قد تكون بسيطة، مثل "ابحث عن اسم محدد". والبعض الآخر قد يكون معقداً، مثل "ابحث عن اسم، ثم انظر ماذا حدث بعد ذلك، ثم ابحث عن أحداث مشابهة من العام الماضي". يستخدم الروبوت "موجهًا" ذكياً (مثل مدير حركة المرور) ليقرر أي وصفة يجب استخدامها لكل سؤال.
ما يجعل ERSkill مميزاً هو أنه يتطور. فهو لا يكتفي بالوصفات التي بدأ بها، بل مع ممارسته للإجابة على الأسئلة، يدرك قائلاً: "مهلاً، هذه الوصفة تعمل بشكل رائع للعثور على الحقائق، لكنها سيئة جداً في العثور على أسباب حدوث الأشياء". لذا، يبدأ في ابتكار وصفات جديدة وتحسين الوصفات القديمة. إنه يستخدم نظاماً ذكياً لتتبع كل مسار بحث جربه من قبل ("تجربة التري" أو experience trie، وهي تشبه خريطة لكل الطرق التي سلكها من قبل) حتى لا يضيع وقته في الدوران في دوائر مفرغة. كما يستخدم شبكة أمان "الحدود المزدوجة": حيث يتم اختبار مجموعة من المهارات لمعرفة ما إذا كانت قادرة على أن تكون رائعة، بينما لا يُسمح للمجموعة الثانية بالانضمام إلى التشكيلة النهائية إلا إذا استطاع "مدير حركة المرور" لدى الروبوت اختيارها بدقة في اللحظة المناسبة.
النتائج مبهرة. فعند اختباره في اختبارات ذاكرة صعبة، لم يتفوق ERSkill بفارق ضئيل فحسب، بل سحق المنافسة. باستخدام نموذج ذكاء اصطناعي قوي يسمى Qwen3-Next-80B-A3B-Instruct، رفع ERSkill درجته الإجمالية بنسبة 31.3% مقارم بأفضل الطرق غير المتطورة. وحتى مع استخدام نموذج أصغر وأسرع يسمى GPT-5.4-nano، فقد عزز الأداء بنسبة 28.1%. تُظهر الورقة البحثية أنه من خلال السماح للروبوت بتعلم كيفية البحث، بدلاً من مجرد إخباره بماذا يبحث، فإنه يصبح شريكاً أكثر فعالية وقدرة على التكيف. إنه لا يتذكر المزيد فحسب، بل يتذكر بذكاء أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.