ProGraph: ذاكرة ثنائية الطبقات لوكلاء LLM تتفوق على Mem0 وRAG وHippoRAG
قدّم باحثون ProGraph، وهي ذاكرة ثنائية الطبقات لوكلاء LLM. حققت 80,1% في MemHop، وهو اختبار جديد لقياس الذاكرة متعددة القفزات، و78,4% في LoCoMo، وتفوقت بذلك على Mem0 وA-Mem وHippoRAG وRAG. لا تعتمد ProGraph على رسم معرفي صريح، بل تستخدم ملفات تعريف نصية وحقائق دقيقة تُستخرج معها، مثل التواريخ والأعداد والكيانات المسمّاة، ودون أي استدعاءات إضافية لواجهة API.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.AI؛ بتحرير Hamidun News
قدّم باحثون ProGraph (Profile-Graph Memory)، وهي معمارية ذاكرة طويلة الأمد ثنائية الطبقات لوكلاء LLM. صدرت الورقة البحثية على arXiv كنسخة أولية في يوليو 2026، وحققت المعمارية 80,1% في اختبار MemHop الجديد و78,4% في LoCoMo، متفوقةً على Mem0 وA-Mem وHippoRAG وRAG.
لماذا الحاجة إلى اختبار جديد
MemHop اختبار يضم 1000 سؤال بعمق روابط يتراوح من قفزة (hop) واحدة إلى 5 قفزات، موزعة على 10 سيناريوهات لشبكات التواصل الاجتماعي، مع توسيم للأدلة عند كل قفزة. ووفق الورقة المنشورة على arXiv، تقيس اختبارات الذاكرة الحالية في الغالب الاسترجاع أحادي الخطوة (single-hop recall)، ولا تقيس تقريبًا الارتباطات متعددة القفزات (multi-hop)، أي ربط الحقائق عبر سلسلة من الكيانات الوسيطة. ويسدّ MemHop هذه الفجوة، ويتيح تقييم عمق استدلال الوكيل بصورة منفصلة.
كيف تعمل ProGraph
تعمل ProGraph على طبقتين، ولا تبني رسمًا معرفيًا صريحًا. الطبقة الأولى هي profile expansion، أي التنقل عبر السلاسل النصية الجزئية لأسماء الكيانات التي ترد بصورة طبيعية في ملفات التعريف النصية التي يكتبها النموذج نفسه. وهي بديل مبسّط عن البناء اليدوي للرسم المعرفي (knowledge-graph). أما الطبقة الثانية فهي compression residuals، وتشمل التواريخ الدقيقة والكميات والكيانات المسمّاة، وتُستخرج مع كل تحديث لملف التعريف دون أي استدعاءات إضافية لواجهة API (zero extra API cost).
وأظهر الاختبار الشامل لجميع التركيبات (full-grid ablation) أن الآليتين متخصصتان. فإزالة profile expansion تخفض النتيجة 22,6 نقطة مئوية في MemHop، وعدم استخراج compression residuals بالتزامن مع تحديث الملف يخفضها 8,6 نقطة في LoCoMo. أما التأثيرات المتقاطعة داخل المعمارية الواحدة فتبقى أقل من 3 نقاط.
- اختبار MemHop: 1000 سؤال، وعمق من 1 إلى 5 قفزات، و10 سيناريوهات لشبكات التواصل الاجتماعي
- ProGraph: 80,1% في MemHop (بمستوى المرجع FullContext) و78,4% في LoCoMo (+11,3 نقطة مئوية مقارنة بـ FullContext)
- Profile expansion مسؤولة عن الاستدلال متعدد القفزات: −22,6 نقطة مئوية في MemHop عند حذفها
- Compression residuals مسؤولة عن الدقة: −8,6 نقطة مئوية في LoCoMo دون الاستخراج المتزامن
- تتفوق على Mem0 وA-Mem وHippoRAG وRAG في كلا الاختبارين
لماذا تهمّ هذه النتيجة
تفوقت ProGraph في LoCoMo على المرجع FullContext بمقدار 11,3 نقطة، وعادلته في MemHop. وهي لا تحتفظ بكامل السجل في نافذة السياق، ولا تبني رسمًا معرفيًا صريحًا. ويعني ذلك أن الوكيل قادر على الإجابة عن الأسئلة المتسلسلة بالاعتماد على ملفات تعريف مضغوطة وحقائق متبقية، لا على السجل الكامل للمحادثات.
«توسيع الملفات التعريفية يوفّر الاستدلال متعدد القفزات، والبقايا
الانضغاطية توفّر دقة الاستخراج»، كما جاء في ملخص الورقة المنشورة على arXiv.
ونشر المؤلفون للعموم اختبار MemHop نفسه وتنفيذ ProGraph وتنفيذات خطوط الأساس (baseline) للمنافسين، أي أن الأرقام المعلنة قابلة لإعادة الإنتاج بصورة مستقلة.
ماذا يعني ذلك
تنتقل الذاكرة في وكلاء LLM من نهج «حشر السياق كله» والرسوم المعرفية الثقيلة إلى ملفات تعريف نصية خفيفة تضم حقائق محددة. وتُظهر ProGraph أن طريقة منخفضة الكلفة قادرة على مجاراة السياق الكامل في الأسئلة العميقة، وعلى التفوق عليه حيث يكون ربط الحقائق عبر عدة خطوات هو المطلوب.
أسئلة شائعة
ما هو MemHop؟
MemHop اختبار لقياس الذاكرة متعددة الخطوات لدى وكلاء LLM: 1000 سؤال بعمق روابط من قفزة واحدة إلى 5 قفزات في 10 سيناريوهات لشبكات التواصل الاجتماعي، مع توسيم للأدلة عند كل خطوة.
بماذا تختلف ProGraph عن Mem0 وRAG؟
تستخدم ProGraph طبقتين، هما التنقل عبر الأسماء في ملفات التعريف النصية والحقائق الدقيقة المستخرجة معها (التواريخ والأعداد والكيانات)، بدلًا من الرسم المعرفي الصريح. وقد تفوقت في اختباري MemHop وLoCoMo على Mem0 وA-Mem وHippoRAG وRAG.
هل يمكن إعادة إنتاج النتائج؟
نعم. نشر المؤلفون اختبار MemHop وتنفيذ ProGraph وتنفيذات خطوط الأساس، لذا يمكن تكرار القياسات بصورة مستقلة.
أسئلة وأجوبة حول الخبر
ما هو MemHop؟
MemHop اختبار لقياس الذاكرة متعددة الخطوات لدى وكلاء LLM: 1000 سؤال بعمق روابط من قفزة واحدة إلى 5 قفزات في 10 سيناريوهات لشبكات التواصل الاجتماعي، مع توسيم للأدلة عند كل خطوة.
بماذا تختلف ProGraph عن Mem0 وRAG؟
تستخدم ProGraph طبقتين، هما التنقل عبر الأسماء في ملفات التعريف النصية والحقائق الدقيقة المستخرجة معها (التواريخ والأعداد والكيانات)، بدلًا من الرسم المعرفي الصريح. وقد تفوقت في اختباري MemHop وLoCoMo على Mem0 وA-Mem وHippoRAG وRAG.
هل يمكن إعادة إنتاج النتائج؟
نعم. نشر المؤلفون اختبار MemHop وتنفيذ ProGraph وتنفيذات خطوط الأساس، لذا يمكن تكرار القياسات بصورة مستقلة.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
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.