A Framework for Dynamic Memory Management and Personalized Agent Decision-Making in Retrieval- Augmented Generation

في عالم الذكاء الاصطناعي المتطور بسرعة، أصبحت النماذج اللغوية الكبيرة ماهرة بشكل ملحوظ في توليد نصوص تشبه النصوص البشرية، والإجابة على الأسئلة، وإجراء المحادثات. ومع ذلك، تواجه هذه الأنظمة قيدًا جوهريًا: فهي تمتلك قاعدة معرفية ثابتة لا تنمو أو تتكيف طبيعيًا من خلال المحادثة. فعندما يطرح المستخدم سلسلة من الأسئلة على مدار أيام أو أسابيع، غالبًا ما ينسى النموذج التفاصيل السابقة، ويعامل كل تفاعل كبداية جديدة، ويفشل في تذكر ما يعرفه المستخدم بالفعل أو ما يفضله. ولحل هذه المشكلة، طور الباحثون أنظمة تجمع بين هذه النماذج اللغوية القوية وقواعد البيانات الخارجية، وهي طريقة تُعرف باسم "التوليد المعزز بالاسترجاع" (retrieval-augmented generation). وهذا يسمح للذكاء الاصطناعي بالبحث عن الحقائق قبل الإجابة، ولكن حتى هذه الأنظمة المحسنة غالبًا ما تعاني في الحفاظ على قصة متماسكة عبر المحادثات الطويلة أو في تطويع استجاباتها لتناسب الاحتياجات وأساليب التعلم الخاصة بكل مستخدم على حدة.

اقترح فريق من الباحثين من جامعة هيتشي في الصين وجامعة إنتي الدولية في ماليزيا إطار عمل جديدًا صُمم لمعالجة هذه الفجوات المحددة. وقد أطلقوا على نظامهم اسم DMAP-RAG، وهو هيكل يدمج إدارة الذاكرة الديناميكية واتخاذ القرار الشخصي في عملية الاسترجاع. وبدلاً من معاملة المحادثة كمجرد قائمة بسيطة من الرسائل السابقة، بنى الباحثون نظامًا ينظم المعلومات مثل شجرة متنامية، حيث يفصل التفاعلات الأخيرة عن التاريخ طويل الأمد. وهذا يسمح للذكاء الاصطناعي بتذكر السياق المباشر للدردشة مع تخزين الأحداث الملخصة من أيام أو أسيد سابقة بطريقة منظمة أيضًا. علاوة على ذلك، يبني النظام ملفًا شخصيًا للمستخدم بنشاط أثناء حديثه، حيث يدون مستوى معرفته، وأسلوب التعلم المفضل لديه، ومجالات اهتمامه، ثم يستخدم هذا الملف لتقرير كيفية البحث عن المعلومات وكيفية صياغة الإجابة النهائية.

اختبر الباحثون إطار العمل هذا عبر عدة سيناريوهات مختلفة، بما في ذلك أسئلة البحث الأكاديمي، ومهام الاستدلال المعقدة متعددة الخطوات، ومجموعة بيانات مخصصة لتدريس برمجة الحاسوب. وفي هذه الاختبارات، تفوق النظام الجديد باستمرار على النهج القياسية. فعندما طُلب منه الإجابة على أسئلة بناءً على أوراق علمية، حقق درجة 78.9 بالمائة، وهو تحسن ملحوظ عن الطرق الموجودة. وفي الاختبارات التي تتطلب ربط المعلومات عبر مستندات متعددة، وصل إلى درجة دقة معرفية بلغت 66.1 بالمائة. ولعل الأمر الأكثر بروزًا هو أنه عندما قيّم المقيمون البشريون جودة المحادثات، فقد منحوا النظام قدرته على البقاء ضمن الموضوع والحفاظ على الاتساق المنطقي 4.4 من 5، وقدرته على تخصيص الاستجابات للمستخدم 4.3 من 5. وتشير هذه النتائج إلى أنه من خلال منح الذكاء الاصطناعي طريقة منظمة للتذكر وطريقة محددة لفهم الشخص الذي يتحدث إليه، يمكن للنظام تقديم توجيه يبدو أكثر طبيعية وفائدة.

يكمن جوهر هذا التحسين في كيفية تعامل النظام مع الذاكرة. فبدلاً من تخزين كل رسالة سابقة في قائمة مسطحة وغير منظمة، أنشأ الباحثون نظام تخزين مزدوج. يعمل جزء منه كذاكرة مؤقتة قصيرة المدى، حيث يحتفظ بآخر عشر تبادلات من المحادثة لضمان فهم الذكاء الاصطناعي للسياق المباشر. وعندما تتوقف المحادثة أو تنتهي، يقوم النظام بتلخيص هذه التبادلات ونقلها إلى بنك ذاكرة طويل الأمد. وهذا البنك طويل الأمد ليس مجرد مجلد نصي بسيط؛ بل هو منظم كهيكل شجري حيث تتفرع المواضيع ذات الصلة من بعضها البعض. فإذا سأل مستخدم عن مفهوم معين اليوم وعاد في الأسبوع التالي ليسأل سؤالًا ذا صلة، يمكن للنظام التنقل في هذه الشجرة للعثور على الرابط، بدلاً من الضياع في بحر من البيانات غير المرتبطة. ويساعد هذا الهيكل الذكاء الاصطناعي على تجنب المشكلة الشائعة المتمثلة في نسيان خيط المحادثة بعد فترة انقطاع.

وإلى جانب نظام الذاكرة هذا، نفذ الباحثون وحدة تقوم بتحديث ملف تعريف المستخدم باستمرار. فبينما يتحدث المستخدم، يبحث النظام عن أدلة حول خلفيته. فإذا طرح المستخدم أسئلة بسيطة حول مفاهيم أساسية، يستنتج النظام أنه مبتدئ. وإذا استخدم مصطلحات تقنية أو سأل عن مشكلات تصحيح برمجية معقدة، يقوم النظام بترقية تقييمه لمستوى خبرته. كما يتتبع تفضيلات التعلم لديه؛ فإذا استجاب المستخدم بشكل جيد للتشبيهات أو الأوصاف المرئية، يدون النظام ذلك كـ "متعلم بصري". هذا الملف الشخصي ليس ثابتًا؛ بل ينمو ويتغير مع كل تفاعل. وعندما يكون النظام مستعدًا للإجابة على سؤال، فإنه يستشير هذا الملف لتقرير كيفية صياغة الاستجابة، مما يضمن أن يحصل المبتدئ على شرح بسيط بينما يحصل الخبير على تحليل تقني مفصل.

القطعة الأخيرة من إطار العمل هي نواة قرار الوكيل (agent decision core) التي تعمل كدماغ للعملية. فقبل توليد الإجابة، يقرر هذا المكون ما إذا كان النظام بحاجة للبحث عن معلومات أم يمكنه الإجابة مما يعرفه بالفعل. وهو يزن عوامل مثل تعقيد السؤال، ومستوى معرفة المستخدم، والحالة الراهنة للمحادثة. وإذا كانت هناك حاجة للبحث، يعيد النظام كتابة سؤال المستخدم لجعله أكثر فعالية للبحث، حيث يجمع بين الاستعلام الأصلي وملف تعريف المستخدم والتاريخ الأخير. وهذا يضمن أن المعلومات المسترجعة ليست فقط ذات صلة بالكلمات المكتوبة، بل مصممة أيضًا لتناسب الشخص المحدد الذي يسأل. وبمجرد جمع المعلومات ذات الصلة، يقوم النظام بتركيبها في استجابة نهائية تكون متماسكة ودقيقة ومخصصة.

في حالة اختبار محددة تتعلق بطالب يتعلم لغة البرمجة C، اتضح الفرق بين هذا النظام الجديد والأساللة القديمة. فعندما سأل طالب حدد نفسه كمتعلم بصري عن سبب فشل دالة أحيانًا في تغيير قيمة ما، قدم النظام القياسي تعريفًا تقنيًا جافًا لـ "التمرير بالقيمة" (pass-by-value). أما النظام الجديد، فقد تذكر أن الطالب متعلم بصري وأنه ناقش سابقًا "المؤشرات" (pointers). فرد باستخدام تشبيه للكتاب والنسخة المصورة، موضحًا أن الدالة تعمل على نسخة من الكتاب وليس على الأصل. لم تكن هذه الاستجابة تجيب على السؤال بشكل صحيح فحسب، بل ربطتها أيضًا بالتعلم السابق وكيففت أسلوب الشرح لتناسب احتياجات الطالب. وقد قيم المقيمون البشريون هذه الاستجابة بمستوى أعلى بكثير في كل من التماسك والتخصيص مقارنة باستجابات النماذج الأخرى.

يقر الباحثون بأن هذا النهج يتطلب قوة حوسبة أكبر من الأنظمة الأبسط، لأنه يتضمن صيانة هياكل ذاكرة معقدة وتشغيل خطوات إضافية لاتخاذ القرار. ومع ذلك، وجدوا أن الزيادة في التكلفة الحوسبية كانت مقدورة على الأجهزة الحديثة. كما أن للنظام قيودًا، مثل الوقت المستغرق لبناء ملف تعريف مستخدم موثوق من الصفر وحقيقة أنه يتعامل حاليًا مع النصوص فقط. ورغم هذه القيود، تشير الدراسة إلى أن الجمع بين الذاكرة المهيكلة واتخاذ قرار الوكيل المخصص يقدم مسارًا واعدًا للمستقبل. فمن خلال منح الذكاء الاصطناعي القدرة على التذكر سياقيًا والتكيف مع الفرد، تقترب هذه الأنظمة من أن تصبح شركاء مفيدين حقًا في التعليم، والدعم التقني، والحوار طويل الأمد.