TokenWorth يعلّم وكلاء الذكاء الاصطناعي النسيان: أفضل نتيجة على ثلاث بيئات بأقل عدد من الرموز

على الوكيل الذي يراكم الخبرة بعد نشره أن يقرر أيَّ ما جمعه يستحق التخزين والإدراج في السياق. يُظهر الباحثون أن هذه المسألة تحسم النتيجة عندما تكون الميزانيات صارمة. حقق أسلوبهم TokenWorth، على ثلاث بيئات من LifelongAgentBench، سواء مع النماذج المحلية أو مع API، أعلى نسبة مهام منفَّذة بنجاح، وأنفق في الوقت نفسه أقل عدد من رموز الإخراج بين الأساليب المقارَنة.

عندما تصبح الذاكرة عبئًا

أصبحت فكرة «الوكيل يتعلم من المهام السابقة» شبه معيارية في السيناريوهات الطويلة. في ظروف المختبر تكون الميزانيات سخية: يمكن الاستدلال لوقت طويل، وتنفيذ خطوات تفاعل كثيرة، والاحتفاظ بأرشيف ضخم من الخبرة. أما في التشغيل الفعلي فالوضع مختلف. فالقيود على التوليد، وعلى عدد مرات الوصول إلى البيئة، وعلى حجم الذاكرة، تسري كلها في آن واحد.

في ظل هذه القيود رأى المؤلفون صورة غير مريحة. قدّمت عدة طرق متقدمة للذاكرة طويلة الأمد ميزة ضئيلة فقط مقارنة بالبحث البسيط عن حلقات (episodes) مشابهة. وبعضها لم يتفوق حتى على وكيل بلا ذاكرة. والتفسير أن كل قرار يتعلق بالذاكرة يصبح مكلفًا. فإذا كان السياق يتسع لحلقتين أو ثلاث، ولا تبقى للاستدلال وتصحيح الأخطاء سوى محاولات قليلة، فإن مثالًا واحدًا يناسب الموضوع لكنه غير مفيد يستهلك المساحة ويربك التنفيذ.

كيف يعمل TokenWorth

التحول الرئيسي يكمن في صياغة السؤال: الصلة والفائدة مقداران مختلفان. فقد تكون الحلقة شديدة الشبه بالطلب الحالي ومع ذلك لا تساعد. يقيّم TokenWorth «قيمة» الذكرى لطلب محدد. ويتعلم هذا التقييم أثناء التشغيل، من تغذية راجعة متفرقة: هل انتهت المهمة التي استُخدمت فيها هذه الخبرة بنجاح.

يعمل التقييم نفسه على مستويين. فهو يرتّب الذكريات عند البحث، ويحدد ما يُبقى عليه وما يُستبعد حين تكون مساحة التخزين محدودة. ولا توجد قواعد استدلالية (heuristics) منفصلة للاسترجاع (retrieval) ولإدارة الذاكرة. ويصف المؤلفون الإطار بأنه خفيف: فهو لا يتطلب طبقة إضافية ثقيلة فوق الوكيل، ولا إعادة تدريب (fine-tuning) للنموذج نفسه.

ما هو معروف من وصف العمل:

• قاعدة الاختبار: ثلاث بيئات من LifelongAgentBench.
• أوضاع النشر: النماذج المحلية وAPI.
• إشارة التعلم: تغذية راجعة متفرقة من تنفيذ المهام.
• النتيجة: أعلى معدل نجاح (success rate) بين الأساليب التي جرى تقييمها.
• الاستهلاك: أقل عدد من رموز الإخراج.
• الكود مفتوح في مستودع AIGNLAI/TokenWorth على GitHub.

لا يتضمن الملخص نسب تحسّن محددة ولا أسماء الأساليب المنافسة، لذا لا يمكن تقدير حجم التفوق إلا من النص الكامل للورقة ومن تشغيل الكود.

ما الذي ينبغي أن ينتبه إليه مطورو الوكلاء

أكثر ما يلفت الانتباه هنا أن مكسب الجودة وتوفير الرموز يسيران معًا. فعادةً يُدفع ثمن الدقة في صورة استدلال أطول. أما إذا استبعد الأسلوب الذكريات الضارة، فإن الوكيل ينفق خطوات أقل في التعامل مع سياق زائد، وتنخفض فاتورة API مع ارتفاع نسبة النجاح.

وهذه خلاصة عملية لمن يبني وكلاء بذاكرة طويلة الأمد. أولًا، يجدر قياس أثر الذاكرة مقارنةً بالخيارات الأساسية: الاسترجاع (retrieval) البسيط والتشغيل بلا ذاكرة. فإذا لم يتفوق عليهما مخطط معقد ضمن ميزانيتكم، فهو لا يفعل سوى تعقيد النظام. ثانيًا، من المفيد تسجيل الحلقات التي دخلت السياق وكيف انتهت المهمة: فهذه إشارة جاهزة لتقدير القيمة. ثالثًا، الأفضل ربط سياسة الإخراج من الذاكرة بالإشارة نفسها، لا بالقِدم أو بتكرار الوصول. وأخيرًا، ينبغي التحقق من النتيجة على مهامكم أنتم: فثلاث بيئات من معيار واحد لا تضمن الأثر نفسه في الإنتاج. ويتيح الكود المفتوح إجراء ذلك دون تكلفة كبيرة.