كيف يعيد ActionRAG النظر في الأدلة أثناء الانتشار عبر رسم بياني لذاكرة وكلاء النماذج اللغوية الكبيرة (LLM)
اقتُرحت بنية لذاكرة بيانية توفّق بعناية بين الكيانات في مرحلة الفهرسة، ثم تعيد تقييم الروابط عند الاستعلام بالاستناد إلى البنية المحلية. وفي MemoryAgentBench، حققت الطريقة متوسط دقة بلغ 55.1، متقدمةً بـ5.4 نقطة مئوية على أقوى خط أساس للاسترجاع، مع تكلفة توليف منخفضة لكل استعلام.
أين تتعطل ذاكرة الوكيل
يشير المؤلفون إلى فئتين من إخفاقات الذاكرة. ترتبط الأولى بالفهرسة، وتظهر الثانية أثناء الاسترجاع عبر الإنترنت.
- قد تؤدي أخطاء الفهرسة إلى فصل الكيانات المتكررة.
- وقد تؤدي الأخطاء نفسها إلى دمج كيانات مختلفة.
- قد يتعامل الاسترجاع عبر الإنترنت مع تقديرات التشابه الأولية على أنها نهائية.
- وقد تتيح بنية الرسم البياني المحيطة أسبابًا لإعادة النظر في هذه التقديرات.
المعيار العملي: قدرة الذاكرة على إعادة النظر في التقديرات الأولية أثناء مرحلة الاستعلام.
الفهرسة: مواءمة الأنواع وحلّ الكيانات
تنفذ سلسلة معالجة الفهرسة في ActionRAG خطوتين.
- توائم تسميات الأنواع.
- تطبق حلًا متعدد المستويات للكيانات.
تندرج هاتان الخطوتان ضمن الفهرسة الحذرة. وتظل أخطاء الفهرسة خطرًا قائمًا بحد ذاته. المعيار العملي: توفر مواءمة الأنواع وحلّ الكيانات متعدد المستويات.
الاسترجاع عند الاستعلام: قناتان ورسم بياني محلي
يستخرج ActionRAG للاستعلام الكيانات والثلاثيات عبر قناتين. وتشكل هذه البيانات مجموعة الأدلة الأولية ورسمًا بيانيًا محليًا محدودًا.
- توفر قناتا الاسترجاع الكيانات والثلاثيات.
- تُشكّل هذه البيانات مجموعة الأدلة الأولية.
- ويُشكّل منها رسم بياني محلي محدود.
المعيار العملي: رسم بياني محلي حول الاستعلام، لا إعادة النظر في الذاكرة بأكملها.
نشر الأدلة مع حماية الروابط المباشرة
يُحسّن نشر الأدلة المشروط بالاستعلام والمطبّع بحسب المستلِمين تقديرات الثلاثيات. ويراعي بنية المسارات المحلية. وتستند المراجعة إلى حماية الأدلة المباشرة واستعادة الروابط المفقودة.
تدعم ثلاث آليات هذه المراجعة:
- تساعد حماية العقد الأولية على الحفاظ على الأدلة المباشرة؛
- وتعاقب آلية التدفق الخاضع لعقوبة المحاور التدفق عبر المحاور؛
- وتساعد عملية تجسيد الثلاثيات على استعادة الروابط المفقودة.
المعيار العملي: الحفاظ على الأدلة المباشرة أثناء النشر.
ما الذي يوضحه التقييم على MemoryAgentBench
يختبر MemoryAgentBench (MAB) أربعة أمور:
- دقة الاسترجاع؛
- حلّ التعارضات؛
- فهم العلاقات بعيدة المدى؛
- التعلّم أثناء الاختبار.
نتائج ActionRAG في MAB:
| المقياس | النتيجة |
|---|---|
| متوسط الدقة عبر ثمانية أعمدة ذات تقييم حتمي | 55,1 |
| التفوق على أقوى خط أساس لذاكرة قائمة على الاسترجاع | 5,4 نقاط |
| متوسط تكلفة التوليف عند احتساب زمن الاستعلام | منخفضة للغاية لكل استعلام في أربعة أعمدة للتكلفة معروضة |
| مجموع قيم p99 للمكونات المنفصلة المقاسة على جانب الاسترجاع | 440,7 مللي ثانية على جهاز Apple Silicon مخصص للمستهلكين |
المعيار العملي: الإبلاغ عن الدقة وتكلفة التوليف وقيم p99 لمكونات الاسترجاع كلٌّ على حدة.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
يؤدي الانتقال إلى السيمبلكس الاحتمالي إلى تقليص فجوة الوسائط في النماذج متعددة الوسائط التباينية
يقترح العمل arXiv:2610.32890 استبدال التضمينات الكروية بسيمبلكس احتمالي، مع إضافة محوّلات softmax خفيفة ومقياس تشابه التباين الكلي (Total Variation). وفي خمسة معايير بحث، تنخفض مسافة ℓ2 بين مراكز الكتل للوسائط بنسبة 97–99%، مع الحفاظ على جودة البحث أو تحسينها.
3 نوفمبر 2026
دعمت خمس عشرة شركة MDK Tether لأتمتة التعدين
تولّى مصنعو المعدات ومجمّعات التعدين والمشغّلون تطوير عمليات التكامل مع مجموعة Tether المفتوحة لتوحيد مراقبة المعدات وإدارتها؛ ويعمل وكيل الذكاء الاصطناعي QVAC بالفعل على هذا الأساس. ولم تُنشر حتى الآن تأكيدات مستقلة على خفض تكاليف الكهرباء أو زيادة الكفاءة.
2 نوفمبر 2026
التطوير المُدار لوكلاء النماذج اللغوية الكبيرة في الاستثمار المستقل: بنية متعددة الوكلاء مع طبقة حماية غير قابلة للتغيير
تصف المقالة Steward، وهو نظام يضم تسعة وكلاء من نماذج اللغة الكبيرة، لكل منهم دور محدد، حيث تخضع قرارات المحفظة لمراجعة مدير المخاطر، ولا يُسمح بتغيير المطالبات إلا من خلال آلية تحكم قابلة للعكس وإعادة تشغيل البيانات المسجّلة. والخلاصة الرئيسية هي أن النواة غير القابلة للتغيير وإجراءات التدقيق تتيحان تطوير الوكلاء من دون منحهم السيطرة على قواعد المخاطر وتنفيذ الأوامر.
1 نوفمبر 2026