مع دفعنا لحدود نماذج اللغة الكبيرة (LLMs)، يظل العائق الأهم هو نافذة السياق المحدودة. بالنسبة للمطورين الذين يبنون وكلاء مستقلين يحتاجون إلى الاستدلال على تفاعلات تمت على مدار أسابيع أو أشهر، فإن الاعتماد فقط على ذاكرة التخزين المؤقت KV القياسية غير كافٍ. لتحقيق ذكاء حقيقي طويل المدى، يجب أن نتجاوز التوسع البسيط في السياق ونصمم أنظمة ذاكرة قوية. يوضح هذا المنشور النموذجين الرئيسيين: الذاكرة المتجهة والذاكرة السردية، وكيفية دمجهما لإنشاء هياكل وكلاء قابلة للتوسع.
قيود التوسع السطحي للسياق
إن تغذية تاريخ المحادثة بأكمله في الطلب (prompt) أمر غير فعال ومكلف. فهو يضيف ضوضاء، ويزيد من زمن الاستجابة، وغالبًا ما يؤدي إلى ظاهرة "الضياع في المنتصف"، حيث ينسى النماذج المعلومات المقدمة في وسط التسلسلات الطويلة. لحل هذه المشكلة، نستخرج ذكريات محددة ذات صلة بالاستفسار الحالي بدلاً من تمرير كل شيء. وهذا يقودنا إلى نهجين متميزين لاسترجاع الذاكرة.
الذاكرة المتجهة: البحث الدلالي على نطاق واسع
تُعد الذاكرة المتجهة العمود الفقري للجيل المعزز بالاسترجاع (RAG)، حيث تخزن المعلومات كمتجهات كثيفة في فضاء عالي الأبعاد. وهي تتفوق في الاسترجاع الدلالي، مما يسمح للوكيل بالعثور على المعلومات بناءً على المعنى بدلاً من المطابقة الحرفية للكلمات المفتاحية.
أفضل حالات الاستخدام: المعرفة الواقعية، التعليمات الثابتة، تفضيلات المستخدم، والبحث في البيانات التاريخية.
عندما يحتاج الوكيل إلى تذكر "ما هو لون المفضل للمستخدم" أو "المواصفات الفنية للمشروع السابق"، تكون قواعد البيانات المتجهة مثل Pinecone أو Weaviate أو ChromaDB مثالية. فهي تتيح المطابقة التقريبية والبحث الفعال عن التشابه.
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
# Initialize vector store
vector_store = Chroma.from_documents(
documents=documents,
embedding=OpenAIEmbeddings()
)
# Retrieve semantically similar memories
retrieved_docs = vector_store.similarity_search("What did I say about my coding preferences?", k=3)الذاكرة السردية: السجل الزمني
تعكس الذاكرة السردية ذاكرة الإنسان للأحداث المحددة. فهي تخزن حالات منفصلة من التفاعل، بما في ذلك الطوابع الزمنية، والسياق، والنتائج. على عكس الذاكرة المتجهة، التي تم تحسينها لاسترجاع الحقائق، يتم تحسين الذاكرة السردية لفهم تسلسل الأحداث والسببية.
أفضل حالات الاستخدام: تتبع تقدم المهمة، تذكر التفاعلات الأخيرة، تصحيح الأخطاء في الإجراءات الفاشلة، والحفاظ على جدول زمني لأنشطة الوكيل.
في هيكل الوكيل، تعمل الذاكرة السردية كسجل. عندما يسأل الوكيل: "هل حاولت إعادة تشغيل الخادم بالفعل؟"، فهو لا يحتاج إلى تشابه دلالي؛ بل يحتاج إلى قائمة زمنية للإجراءات السابقة. يتم تنفيذ ذلك غالبًا باستخدام مخزن مؤقت للنزوح (sliding window buffer) أو قاعدة بيانات للسلاسل الزمنية.
هندسة نظام هجين
يستفيد الوكلاء طويلو المدى الأكثر متانة من نهج هجين. توفر الذاكرة المتجهة "قاعدة المعرفة"، بينما توفر الذاكرة السردية "الحالة". من خلال دمج الاثنين، يمكننا بناء نافذة سياق غنية تكون كل من informative وذات صلة.
يتدفق الهيكل النموذجي على النحو التالي:
- التشفير: يتم تضمين استفسارات المستخدم للبحث المتجهي؛ ويتم تسجيل التفاعلات للتخزين السرد.
- الاسترجاع: يثير وكيل نموذج اللغة الكبيرة (LLM) استرجاعين متوازيين: بحث دلالي للحقائق وتصفية زمنية للأحداث الأخيرة.
- إعادة الترتيب: يقوم مقيم خفيف الوزن (مثل Cohere أو BGE) بتقييم كلتا المجموعتين من النتائج من حيث الصلة بالاستفسار الحالي.
- التركيب: يدمج نموذج اللغة الكبيرة الحقائق المسترجعة (من الذاكرة المتجهة) والأحداث (من الذاكرة السردية) لتوليد رد.
اعتبارات عملية للتوسع
عند توسيع نطاق هذا الهيكل، ضع في اعتبارك ما يلي:
- اضمحلال الذاكرة: قم بتنفيذ دالة اضمحلال لدرجات الذاكرة المتجهة لإعطاء الأولوية للمعلومات الحديثة أو عالية التأثير.
- التلخيص: قم بتلخيص سجلات الذاكرة السردية دوريًا في أحداث مجردة لتوفير مساحة السياق. على سبيل المثال، بدلاً من تخزين كل استدعاء لواجهة برمجة التطبيقات (API)، قم بتخزين "نجح استدعاء API في الساعة 10:00 صباحًا."
- الفهرسة الهرمية: لقواعد المعرفة الضخمة، استخدم مؤشرات متجهة هرمية لتقليل زمن استجابة البحث.
الخاتمة
بناء وكلاء ذكاء اصطناعي طويلي المدى لا يتعلق فقط بنماذج أكبر؛ بل يتعلق بهيكل ذاكرة أفضل. توفر الذاكرة المتجهة عمقًا دلاليًا، بينما توفر الذاكرة السردية سياقًا زمنيًا. من خلال دمج هذه النماذج، يمكن للمطورين إنشاء وكلاء ليسوا فقط على دراية، بل واعين بتاريخهم وحالتهم. مع انتقالنا نحو أنظمة أكثر استقلالية، سيكون إتقان هذا التمييز أمرًا حاسمًا لإنشاء تطبيقات ذكاء اصطناعي موثوقة وقابلة للتوسع وذكية.