ProGraph: двухслойная память для LLM-агентов обошла Mem0, RAG и HippoRAG
Исследователи представили ProGraph — двухслойную память для LLM-агентов. Она набрала 80,1% на новом бенчмарке multi-hop-памяти MemHop и 78,4% на LoCoMo, обойдя Mem0, A-Mem, HippoRAG и RAG. Вместо явного графа знаний ProGraph использует текстовые профили и совместно извлекаемые точные факты — даты, числа и объекты — без лишних вызовов API.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.AI؛ بتحرير Hamidun News
قدّم باحثون نظام ProGraph (Profile-Graph Memory) — بنية ذاكرة طويلة الأمد ثنائية الطبقات لوكلاء LLM، صدرت كمسودة أولية (preprint) على arXiv في يوليو 2026 وحققت 80.1% على معيار MemHop الجديد و78.4% على LoCoMo، متفوقة على Mem0 وA-Mem وHippoRAG وRAG.
لماذا كانت هناك حاجة إلى معيار جديد
MemHop هو معيار يضم 1000 سؤال بعمق روابط يتراوح من 1 إلى 5 قفزات (hops) عبر 10 سيناريوهات لشبكات التواصل الاجتماعي، مع توثيق الأدلة عند كل قفزة.
وفقًا لمسودة arXiv، فإن اختبارات الذاكرة الحالية تتحقق في الغالب من الاسترجاع أحادي القفزة (single-hop recall) ولا تقيس تقريبًا الارتباطات متعددة القفزات (multi-hop) — أي ربط الحقائق عبر سلسلة من الكيانات الوسيطة.
يسد MemHop هذه الفجوة ويتيح تقييم عمق استدلال الوكيل بشكل منفصل.
كيف يعمل ProGraph
يعمل ProGraph على طبقتين ولا يبني رسمًا بيانيًا صريحًا للمعرفة (knowledge graph).
الطبقة الأولى هي profile expansion: اجتياز عبر سلاسل فرعية لأسماء الكيانات التي تظهر بشكل طبيعي في الملفات التعريفية النصية التي يكتبها النموذج نفسه. وهذا بديل بسيط جدًا عن البناء اليدوي لرسم بياني معرفي.
الطبقة الثانية هي compression residuals: تواريخ دقيقة وكميات وكائنات مسمّاة يتم استخراجها مع كل تحديث للملف التعريفي دون استدعاءات إضافية لواجهة API (zero extra API cost).
أظهر تحليل استبعاد شامل (full-grid ablation) أن الآليتين متخصصتان. حذف profile expansion يكلّف ناقص 22.6 نقطة مئوية على MemHop؛ وعدم استخراج compression residuals معًا يكلّف ناقص 8.6 نقطة على LoCoMo. وتبقى التأثيرات المتقاطعة داخل البنية الواحدة أقل من 3 نقاط.
- معيار MemHop: 1000 سؤال، بعمق 1–5 قفزات، عبر 10 سيناريوهات لشبكات التواصل الاجتماعي
- ProGraph: 80.1% على MemHop (بمستوى خط الأساس Full Context) و78.4% على LoCoMo (+11.3 نقطة مئوية مقارنة بـFull Context)
- profile expansion مسؤول عن الأداء متعدد القفزات: −22.6 نقطة مئوية على MemHop عند إزالته
- compression residuals مسؤولة عن الدقة: −8.6 نقطة مئوية على LoCoMo دون استخراج مشترك
- يتفوق على Mem0 وA-Mem وHippoRAG وRAG في كلا المعيارين
لماذا تُعد هذه النتيجة مهمة
تفوّق ProGraph على خط الأساس Full Context بفارق 11.3 نقطة على LoCoMo، وتساوى معه على MemHop — وكل ذلك دون الاحتفاظ بكامل السجل التاريخي في نافذة السياق ودون بناء رسم بياني صريح. وهذا يعني أن الوكيل قادر على الإجابة عن الأسئلة المتسلسلة بالاعتماد على الملفات التعريفية المضغوطة وبقايا الحقائق، بدلًا من الاعتماد على كامل سجل المحادثة.
«توفّر profile expansion الاستدلال متعدد القفزات، بينما توفّر
compression residuals دقة الاسترجاع»، بحسب ملخص مسودة arXiv.
نشر المؤلفون في متناول الجميع كلًا من معيار MemHop ذاته، وتطبيق ProGraph، وتطبيقات خطوط الأساس للمنافسين — أي أن الأرقام المعلنة يمكن إعادة إنتاجها بشكل مستقل.
ما الذي يعنيه هذا
تتحول ذاكرة وكلاء LLM من نهج «حشر كامل السياق» والرسوم البيانية المعرفية الثقيلة نحو ملفات تعريفية نصية خفيفة تحتوي على حقائق دقيقة ومحددة. يُظهر ProGraph أن طريقة رخيصة التكلفة قادرة على مجاراة السياق الكامل في الأسئلة العميقة — بل والتفوق عليه حيث يكون ربط الحقائق عبر عدة خطوات أمرًا مهمًا.
الأسئلة الشائعة
ما هو MemHop؟
MemHop هو معيار لاختبار الذاكرة متعددة القفزات لوكلاء LLM: 1000 سؤال بعمق روابط يتراوح من 1 إلى 5 قفزات عبر 10 سيناريوهات لشبكات التواصل الاجتماعي، مع توثيق الأدلة عند كل خطوة.
بم يختلف ProGraph عن Mem0 وRAG؟
يستخدم ProGraph طبقتين — اجتياز بالأسماء داخل الملفات التعريفية النصية، وحقائق دقيقة (تواريخ وأرقام وكائنات) يتم استخراجها بشكل مشترك — بدلًا من رسم بياني معرفي صريح. وعلى معياري MemHop وLoCoMo، تفوّق على Mem0 وA-Mem وHippoRAG وRAG.
هل يمكن إعادة إنتاج النتائج؟
نعم. نشر المؤلفون معيار MemHop، وتطبيق ProGraph، وتطبيقات خطوط الأساس، بحيث يمكن إعادة القياسات بشكل مستقل.
هل تحتاج إلى ذكاء اصطناعي يعمل داخل شركتك — وليس فقط في موجز الأخبار؟
أبني ذكاءً اصطناعياً جاهزاً للإنتاج للشركات — أنظمة CRM مخصّصة، أدوات داخلية، وكلاء مستقلون، أتمتة سير العمل. ملك لك، مصمّم وفق عمليتك، دون رسوم لكل مستخدم. من إعداد جمال خميدون، مدير المنتجات في AlpinaGPT (منصة ذكاء اصطناعي، أكثر من 6000 مستخدم).
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.