QUMem: Personalized Memory for Query-Conditioned User-State Inference in LLM Agents
يُعد QUMem إطار عمل ذاكرة مهيكلة يعزز تخصيص وكلاء النماذج اللغوية الكبيرة من خلال تقسيم سجلات التفاعل إلى حلقات دلالية، وتفكيكها إلى أنواع ذاكرة قابلة للاسترجاع بشكل مستقل، وتوظيف عملية استرجاع متعددة الوكلاء لاستنتاج حالات مستخدم صالحة زمنياً وسياقياً، مما يحقق أداءً رائدًا في معايير قياس التخصيص.
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
في عالم الذكاء الاصطناعي المتطور بسرعة، ظهر جيل جديد من برامج الكمبيوتر التي يمكنها فعل ما هو أكثر من مجرد الإجابة على الأسئلة؛ إذ يمكنها العمل كمساعدين دائمين، يتذكرون المحادثات الماضية ويتكيفون مع سلوكهم بمرور الوقت. هذه الأنظمة، المعروفة باسم "الوكلاء" (agents)، تعتمد على شكل من أشكال الذاكرة الرقمية لتعمل بفعالية. تماماً كما يتذكر المساعد البشري طلب القهوة المفضل لعميله أو يتذكر أن موعد تسليم مشروع قد تم نقله الأسبوع الماضي، يحتاج هؤلاء الوكلاء إلى تخزين واسترجاع المعلومات من سجلات طويلة من التفاعل. ومع ذلك، فإن الذاكرة البشرية ليست مجرد خزانة ملفات بسيطة حيث تُخزن كل محادثة ككتلة واحدة غير قابلة للتغيير. بدلاً من ذلك، نحن نفصل طبيعياً بين الحقائق والمشاعر، ونميز بين المزاج المؤقت والتفضيل الدائم، ونفهم أن سياق المحادثة يتغير مع مرور الوقت. ولكي يتمكن الذكاء الاصطناعي من فهم الشخص حقاً، يجب أن يكون قادراً على فعل الشيء نفسه: غربلة سنوات من الحوار، وفصل التفاصيل ذات الصلة عن الضجيج، وإعادة بناء صورة واضحة لمن هو المستخدم في اللحظة الراهنة.
لفترة طويلة، حاول الباحثون حل هذه المشكلة عبر بناء طرق أفضل لتخزين والبحث في هذه المحادثات الرقمية. وكان النهج السائد هو التعامل مع الذاوة كأنها مكتبة يعمل فيها استعلام المستخدم ككلمة بحث، مما يسحب قطعاً نصية متشابهة. وبينما ينجح هذا في الأسئلة البسيطة، فإنه يواجه صعوبة عندما يكون الموقف معقداً. فإذا غير المستخدم رأيه بشأن موضوع ما على مدار عدة أسابيع، أو إذا احتوت محادثة واحدة على شكوى عابرة وقاعدة دائمة يريد اتباعها، فإن الأنظمة القياسية غالباً ما ترتبك. قد تخلط بين أحداث غير مترابطة أو تفشل في رؤية كيفية ارتباط قرار ما بطلب حالي. والنتيجة هي مساعد يتذكر الكلمات لكنه يفتقد المعنى، غير قادر على التمييز بين التفضيل المؤقت والقيمة الجوهرية.
لقد اقترح فريق من الباحثين في جامعة "شيان جياوتونغ" طريقة جديدة للتعامل مع هذا التحدي، حيث قدموا نظاماً يسمى "QUMem". وبدلاً من مجرد البحث عن نص مشابه، صُمم هذا النظام لفهم بنية المحادثة والدور المحدد للمعلومات داخلها. ويرى الباحثون أنه لبناء مساعد شخصي حقيقي، يجب على الكمبيوتر أولاً تنظيم التاريخ الخام للتفاعلات إلى قصص ذات معنى، أو "حلقات" (episodes)، بناءً على التدفق الطبيعي للمحادثة. ثم يقوم بتفكيك هذه القصص إلى ثلاثة أنواع متميزة من المعلومات: حقائق ملموسة عما حدث، وتفضيلات أو قواعد محددة ذكرها المستخدم، ورؤى أو مبادئ أوسع يمكن تطبيقها في مواقف جديدة. ومن خلال فصل هذه العناصر، يمكن للنظام الاحتفاظ بالسياق الكامل للحدث مع السماح للمساعد في الوقت نفسه باختيار التفصيل المحدد الذي يحتاجه للحظة الحالية.
يكمن الابتكار الجوهري في كيفية معالجة النظام لطلب جديد. فبدلاً من مطالبة الكمبيوتر بالتخمين عما يبحث عنه، يستخدم "QUMem" عملية استدلال تتكون من ثلاث خطوات. أولاً، يقوم "وكيل" بتحليل سؤال المستخدم الحالي لتحديد المعلومات المطلوبة بالضبط للإجابة عليه بشكل صحيح؛ حيث يسأل نفسه ما إذا كانت المهمة تتطلب حقيقة محددة، أو تفضيلاً سابقاً، أو قاعدة عامة. بعد ذلك، يقوم "وكيل" ثانٍ بتخطيط عملية البحث، موجهاً النظام للبحث في "الأرفف" المحددة حيث يتم تخزين ذلك النوع من المعلومات، بدلاً من البحث في التاريخ بأكمله دفعة واحدة. وأخيراً، يقوم "وكيل" ثالث بأخذ الأدلة المسترجعة ونسجها معاً لتشكيل صورة متماسكة لحالة المستخدم الحالية. هذه الصورة النهائية ليست مجرد قائمة من الذكريات القديمة، بل هي فهم تركيبي لمن هو المستخدم في هذه اللحظة تحديداً، مع مراعاة كيفية تطور تفضيلاته والقواعد التي لا تزال سارية.
لاختبار هذا النهج، قارن الباحثون نظامهم بعدة طرق موجودة باستخدام معيارين مختلفين مصممين لقياس مدى قدرة الذكاء الاصطناعي على التذكر والتكيف مع المستخدم. في أحد الاختبارات، كان على النظام الإجابة على أسئلة حول تغير تفضيلات المستخدم عبر محادثات طويلة. وقد تفوق النهج الجديد بشكل كبير على الطرق الأخرى، محققاً أداءً رائداً في معيار "PersonaMem". فباستخدام نموذج "GPT-4o-mini"، رفع "QUMem" الدقة الإجمالية إلى 61.02%، ومع نموذج "Gemini-3.5-flash"، وصلت إلى 70.58%، مقارنة بحوالي 53% و63% على التوالي للأنظمة التالية في الأفضلية. وكان التحسن أكثر وضوحاً عندما تطلبت المهمة من المساعد تتبع كيفية تغير تفضيل ما بمرور الوقت أو تطبيق درس مستفاد من الماضي على سيناريو جديد تماماً. وفي اختبار ثانٍ تضمن مساعداً للهواتف المحمولة كان عليه تنفيذ مهام بناءً على عادات المستخدم، حقق النظام مرة أخرى أعلى معدل نجاح، مما أثبت أن هذه الطريقة المهيكلة في التفكير حول الذاكرة تساعد الكمبيوتر على اتخاذ إجراءات أفضل، وليس فقط تقديم إجابات أفضل.
وجد الباحثون أيضاً أن الطريقة التي بُني بها النظام تجعله أكثر كفاءة. فالطرق القديمة غالباً ما تطلق عملية حسابية ثقيلة مع كل رسالة جديدة تصل، بغض النظر عما إذا كانت مهمة أم لا. أما النظام الجديد فينتظر حتى تنتهي محادثة موضوع ما بشكل طبيعي قبل تنظيم الذاكرة، ثم يستخدم عدداً ثابتاً وصغيراً من الخطوات لفرز المعلومات. وهذا يعني أنه يستهلك طاقة حوسبة أقل بك كثيراً لبناء ذاكرته، مما يسمح له بالتعامل مع السجلات الطويلة دون تباطؤ. وتشير الدراسة إلى أن المفتاح للتخصيص طويل الأمد ليس مجرد تخزين المزيد من البيانات، بل تنظيمها بطريقة تحترم الفرق بين الحقيقة، والتفضيل، والدرس. ومن خلال معاملة تاريخ المستخدم كمجموعة من القصص المهيكلة والمتطورة بدلاً من قائمة مسطحة من الكلمات، يمكن للنظام استنتاج فهم أكثر وضوحاً ودقة للشخص الذي يخدمه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.