RAG البسيط يتفوق على أنظمة الذاكرة الوكيلية في ستة من سبعة اختبارات

تحقق فريق من الباحثين مما إذا كانت ذاكرة LLM تحتاج فعلًا إلى كل التعقيد الذي يُضاف إليها. واختاروا منافسًا للأنظمة الوكيلية المعقدة هو Raw-RAG، وهو أبسط خط معالجة ممكن: يجري البحث الكثيف وإعادة الترتيب فيه على سجل الحوار الخام غير المعالج، ثم تُمرَّر المقاطع التي يعثر عليها إلى النموذج القارئ. وعلى أربعة اختبارات للذاكرة طويلة الأمد (LoCoMo وLongMemEval وMEME وMemoryAgentBench)، احتل هذا النظام الأساسي المرتبة الأولى بين الأنظمة المقارَنة في ستة من سبعة أزواج «اختبار — نموذج». وتفوق على أقوى نظام وكيلي بفارق تراوح بين 0.13 و5.53 نقطة.

ما الذي قارنوه بالضبط

أخذت أنظمة الذاكرة الوكيلية في السنوات الأخيرة تتراكم عليها آليات إضافية. فهي تعيد كتابة السجلات، وتبني بنية للتخزين، وتدرّب استراتيجيات الاسترجاع، وتنفّذ عمليات معقدة أخرى. والفكرة مفهومة: حوار من مئات المداخلات لا يتسع في السياق، ولذلك لا بد من ضغطه وتنظيمه واستخراج المطلوب منه بعناية.

يقوم Raw-RAG على النقيض من ذلك. فلا أحد يلخّص السجل أو يعيد بناءه. يبقى كما هو، ويعثر البحث على المقاطع ذات الصلة، ويرتّبها معيد الترتيب، ثم يجيب LLM القارئ عن السؤال. وقد جعل المؤلفون هذا المخطط مباشرًا إلى أقصى حد عن قصد، ليحصلوا على نقطة مرجعية نزيهة.

الفارق بالنقاط صغير في بعض الحالات، إذ لا يتجاوز حدّه الأدنى 0.13. لكن المسألة ليست في حجم الفارق بل في اتجاهه: فنظام بلا ذاكرة قابلة للتعديل، وبلا بنية، وبلا استرجاع مدرَّب، جاء في المقدمة تقريبًا في كل الحالات.

لماذا ينجح السجل الخام

لم يكتفِ المؤلفون بجدول النتائج، بل حلّلوا مصدر هذه القدرة التنافسية. وأظهر تحليل الأدلة أن Raw-RAG يتفوق بفضل التغطية. فهو يستخرج في الغالب كل الأدلة اللازمة للإجابة، وهذا يعوّض انخفاض كفاءة استخدام القارئ لها.

وثمة تفصيل مهم يخص الأدلة نفسها. فالمعلومات المفيدة لا تقتصر على القيم النهائية، كتاريخ أو اسم. بل تشمل أيضًا العلاقات بين الوقائع ومسارات الاعتماد التي تُستنتج منها الإجابة. وحين تتحول الذاكرة إلى سجلات مضغوطة أو إلى بنية، تضيع هذه الروابط بسهولة.

وأكثر الملاحظات دلالة أن الوصول الكامل إلى المخازن المحوَّلة يترك فجوة في الدقة مقارنة بالأدلة الخام. أي أن المشكلة ليست فقط في أن البحث الوكيلي يُخطئ الهدف أحيانًا. فالتحويل نفسه يُسقط جزءًا من المعلومات، ولا يمكن استعادته لاحقًا.

أبرز المعطيات

• الاختبارات: LoCoMo وLongMemEval وMEME وMemoryAgentBench.
• خط معالجة Raw-RAG: بحث كثيف، وإعادة ترتيب، ونموذج قارئ.
• النتيجة: المرتبة الأولى في ستة من سبعة إعدادات «اختبار — نموذج».
• الفارق عن أقوى ذاكرة وكيلية: 0.13–5.53 نقطة.
• الآلية: تغطية أعلى للأدلة اللازمة مع كفاءة أقل في استخدامها.
• تبقى الفجوة مع البيانات الخام قائمة حتى مع الوصول الكامل إلى الذاكرة المحوَّلة.

ما الذي ينبغي تغييره في الممارسة

يتعلق الاستنتاج الأول بمنهجية التقييم. فمن المنطقي الآن مقارنة أي نظام ذاكرة جديد بـRaw-RAG، ويصفه المؤلفون صراحة بأنه مستوى أساسي إلزامي. وإذا لم تتفوق البنية المعقدة على البحث في السجل الخام، فلا مبرر لتكلفتها ولا لنقاط الفشل الإضافية التي تحملها.

ويتعلق الاستنتاج الثاني بالهندسة. فقبل بناء طبقة تعيد كتابة ذاكرة الوكيل وتنظيمها، من المجدي الاحتفاظ بالمداخلات الأصلية وقياس نسبة الأدلة اللازمة التي يستخرجها البحث. فإذا كانت التغطية عالية والإجابات ضعيفة مع ذلك، فالمشكلة في القارئ. وإذا كانت التغطية منخفضة، فينبغي تحسين البحث لا إعادة بناء المخزن.

ثالثًا: الضغط ليس مجانيًا. فإذا كانت الحاجة إلى التلخيص أو الهيكلة قائمة في النظام، فالأجدر إبقاء النص الأصلي إلى جانبه كمصدر احتياطي، حتى يمكن استعادة الروابط وسلاسل الاعتماد.

وللاستنتاجات حدٌّ أيضًا، ويصوغه المؤلفون بحذر: فالحديث يدور عن مهام فهم الحوارات الطويلة التي جرى اختبارها. لكنهم لا يجزمون بأن الذاكرة المعقدة عديمة الفائدة في كل مكان. غير أن القرينة تنقلب في هذه الفئة من المهام: إذ ينبغي أولًا إثبات أن التعقيد الإضافي أفضل من القاعدة البسيطة، لا العكس.