ai-agents-for-beginners
الذاكرة لوكلاء الذكاء الاصطناعي
عند مناقشة الفوائد الفريدة لإنشاء وكلاء الذكاء الاصطناعي، يتم التركيز في الغالب على شيئين: القدرة على استدعاء الأدوات لإنجاز المهام والقدرة على التحسن مع مرور الوقت. الذاكرة هي أساس إنشاء وكيل قادر على تحسين نفسه يمكنه خلق تجارب أفضل لمستخدمينا.
في هذا الدرس، سنلقي نظرة على ماهية الذاكرة لوكلاء الذكاء الاصطناعي وكيف يمكننا إدارتها واستخدامها لفائدة تطبيقاتنا.
المقدمة
سيغطي هذا الدرس:
• فهم ذاكرة وكلاء الذكاء الاصطناعي: ما هي الذاكرة ولماذا هي ضرورية للوكلاء.
• تنفيذ وتخزين الذاكرة: طرق عملية لإضافة قدرات الذاكرة إلى وكلاء الذكاء الاصطناعي، مع التركيز على الذاكرة قصيرة وطويلة الأمد.
• جعل وكلاء الذكاء الاصطناعي قادرين على تحسين أنفسهم: كيف تمكن الذاكرة الوكلاء من التعلم من التفاعلات السابقة والتحسن مع مرور الوقت.
التنفيذا المتاحة
يتضمن هذا الدرس دفتري تعليمات شاملين:
• 13-agent-memory.ipynb: ينفذ الذاكرة باستخدام Mem0 و Azure AI Search مع إطار عمل Microsoft Agent
• 13-agent-memory-cognee.ipynb: ينفذ الذاكرة المنظمة باستخدام Cognee، يبني تلقائيًا رسمًا معرفيًا مدعومًا بالتضمينات، يعرض الرسم ويسترجع المعلومات بذكاء
أهداف التعلم
بعد إتمام هذا الدرس، ستعرف كيف:
• التمييز بين أنواع مختلفة من ذاكرة وكيل الذكاء الاصطناعي، بما في ذلك ذاكرة العمل، قصيرة الأمد وطويلة الأمد، بالإضافة إلى أشكال متخصصة مثل ذاكرة الشخصية والذاكرة الحلقية.
• تنفيذ وإدارة الذاكرة قصيرة وطويلة الأمد للوكلاء باستخدام إطار عمل Microsoft Agent، مستفيدًا من أدوات مثل Mem0، Cognee، ذاكرة Whiteboard، والتكامل مع Azure AI Search.
• فهم المبادئ وراء وكلاء الذكاء الاصطناعي القادرين على تحسين أنفسهم وكيف تساهم أنظمة إدارة الذاكرة القوية في التعلم المستمر والتكيف.
فهم ذاكرة وكيل الذكاء الاصطناعي
في جوهرها، تشير ذاكرة وكلاء الذكاء الاصطناعي إلى الآليات التي تسمح لهم بالاحتفاظ بالمعلومات واستدعائها. يمكن أن تكون هذه المعلومات تفاصيل محددة حول محادثة، تفضيلات المستخدم، الأفعال السابقة، أو حتى الأنماط المكتسبة.
بدون الذاكرة، غالبًا ما تكون تطبيقات الذكاء الاصطناعي بلا حالة، بمعنى أن كل تفاعل يبدأ من الصفر. هذا يؤدي إلى تجربة مستخدم مكررة ومحبطة حيث “ينسى” الوكيل السياق أو التفضيلات السابقة.
لماذا الذاكرة مهمة؟
ذكاء الوكيل مرتبط بعمق بقدرته على استدعاء واستخدام المعلومات السابقة. تسمح الذاكرة للوكلاء بأن يكونوا:
• انعكاسيين: يتعلمون من الأفعال والنتائج السابقة.
• تفاعليين: يحتفظون بالسياق خلال محادثة مستمرة.
• استباقيين ورد فعليين: يتوقعون الاحتياجات أو يستجيبون بشكل مناسب استنادًا إلى البيانات التاريخية.
• ذاتي الحكم: يعملون بشكل أكثر استقلالية بالاستفادة من المعرفة المخزنة.
الهدف من تنفيذ الذاكرة هو جعل الوكلاء أكثر موثوقية وقدرة.
أنواع الذاكرة
ذاكرة العمل
فكر فيها كورقة مسودة يستخدمها الوكيل خلال مهمة واحدة مستمرة أو عملية تفكير. تحتفظ بالمعلومات الفورية اللازمة لحساب الخطوة التالية.
بالنسبة لوكلاء الذكاء الاصطناعي، غالبًا ما تلتقط ذاكرة العمل المعلومات الأكثر صلة من المحادثة، حتى لو كان سجل الدردشة كاملاً طويلاً أو مختصرًا. تركز على استخراج العناصر الرئيسية مثل المتطلبات، المقترحات، القرارات، والإجراءات.
مثال ذاكرة العمل
في وكيل حجز السفر، قد تلتقط ذاكرة العمل طلب المستخدم الحالي، مثل “أريد حجز رحلة إلى باريس”. هذا المتطلب المحدد يحتفظ به في سياق الوكيل المباشر لتوجيه التفاعل الحالي.
الذاكرة قصيرة الأمد
هذه الذاكرة تحتفظ بالمعلومات طوال مدة محادثة أو جلسة واحدة. إنها سياق الدردشة الحالي، مما يسمح للوكيل بالرجوع إلى الخطوات السابقة في الحوار.
في أمثلة SDK الخاصة بـ Microsoft Agent Framework بلغة بايثون، هذا يقابل AgentSession، التي تُنشأ بواسطة agent.create_session(). الجلسة هي ذاكرة قصيرة الأمد مدمجة في الإطار: تحافظ على سياق المحادثة متاحة طالما هذه الجلسة تُستخدم، ولكن هذا السياق لا يُحفظ عندما تنتهي الجلسة أو يعاد تشغيل التطبيق. استخدم الذاكرة طويلة الأمد للحقائق والتفضيلات التي تحتاج للبقاء عبر الجلسات، عادةً عبر قاعدة بيانات، فهرس متجهات، أو متجر تخزين دائم آخر.
مثال الذاكرة قصيرة الأمد
إذا سأل المستخدم، “كم تكلفة رحلة إلى باريس؟” ثم تابع بـ “ماذا عن الإقامة هناك؟”، تضمن الذاكرة قصيرة الأمد أن الوكيل يعرف أن “هناك” تشير إلى “باريس” ضمن نفس المحادثة.
الذاكرة طويلة الأمد
هذه المعلومات تستمر عبر عدة محادثات أو جلسات. تسمح للوكلاء بتذكر تفضيلات المستخدم، التفاعلات التاريخية، أو المعرفة العامة على مدى فترات طويلة. هذا مهم للتخصيص.
مثال الذاكرة طويلة الأمد
قد تخزن الذاكرة طويلة الأمد “بن يحب التزلج والأنشطة الخارجية، يفضل القهوة مع منظر جبلي، ويريد تجنب مسارات التزلج المتقدمة بسبب إصابة سابقة”. تؤثر هذه المعلومات، التي اكتُسبت من التفاعلات السابقة، على التوصيات في جلسات تخطيط السفر المستقبلية، مما يجعلها شخصية للغاية.
ذاكرة الشخصية
هذا النوع المتخصص من الذاكرة يساعد الوكيل على تطوير “شخصية” أو “هوية” متسقة. يسمح للوكيل بتذكر تفاصيل عن نفسه أو دوره المقصود، مما يجعل التفاعلات أكثر سلاسة وتركيزًا.
مثال ذاكرة الشخصية إذا تم تصميم وكيل السفر ليكون “خبير تخطيط التزلج”، قد تعزز ذاكرة الشخصية هذا الدور، مما يؤثر على ردوده لتتماشى مع نبرة ومعرفة الخبير.
ذاكرة سير العمل/الذاكرة الحلقية
تخزن هذه الذاكرة تسلسل الخطوات التي يقوم بها الوكيل خلال مهمة معقدة، بما في ذلك النجاحات والإخفاقات. تشبه تذكر “حلقات” أو تجارب سابقة للتعلم منها.
مثال الذاكرة الحلقية
إذا حاول الوكيل حجز رحلة محددة لكنها فشلت بسبب عدم توفرها، يمكن للذاكرة الحلقية تسجيل هذا الفشل، مما يسمح للوكيل بمحاولة رحلات بديلة أو إعلام المستخدم بالمشكلة بطريقة أكثر معرفة خلال محاولة لاحقة.
ذاكرة الكيانات
تتضمن هذه استخراج وتذكر كيانات محددة (مثل أشخاص، أماكن، أو أشياء) وأحداث من المحادثات. تسمح للوكيل ببناء فهم منظم للعناصر الرئيسية التي تم مناقشتها.
مثال ذاكرة الكيانات
من محادثة عن رحلة سابقة، قد يستخرج الوكيل “باريس”، “برج إيفل”، و”عشاء في مطعم لو شات نوار” ككيانات. في تفاعل مستقبلي، يمكن للوكيل تذكر “لو شات نوار” وعرض إجراء حجز جديد هناك.
RAG المنظم (التوليد المدعوم بالاستخراج)
بينما RAG هي تقنية أوسع، يُبرز “RAG المنظم” كتقنية ذاكرة قوية. يستخلص معلومات كثيفة ومنظمة من مصادر مختلفة (محادثات، بريد إلكتروني، صور) ويستخدمها لتعزيز الدقة، الاستدعاء، والسرعة في الردود. على عكس RAG الكلاسيكي الذي يعتمد فقط على التشابه الدلالي، يعمل RAG المنظم مع البنية الجوهرية للمعلومات.
مثال RAG المنظم
بدلاً من مجرد مطابقة الكلمات المفتاحية، يمكن لـ RAG المنظم تحليل تفاصيل الرحلة (الوجهة، التاريخ، الوقت، شركة الطيران) من بريد إلكتروني وتخزينها بطريقة منظمة. هذا يسمح بأسئلة دقيقة مثل “ما الرحلة التي حجزتها إلى باريس يوم الثلاثاء؟”
تنفيذ وتخزين الذاكرة
يتضمن تنفيذ الذاكرة لوكلاء الذكاء الاصطناعي عملية منهجية لإدارة الذاكرة، والتي تشمل إنشاء، تخزين، استرجاع، دمج، تحديث، وحتى “نسيان” (أو حذف) المعلومات. الاسترجاع هو جانب حاسم بشكل خاص.
أدوات الذاكرة المتخصصة
Mem0
إحدى الطرق لتخزين وإدارة ذاكرة الوكيل هي استخدام أدوات متخصصة مثل Mem0. يعمل Mem0 كطبقة ذاكرة دائمة، مما يسمح للوكلاء باستدعاء التفاعلات ذات الصلة، تخزين تفضيلات المستخدم والسياق الواقعي، والتعلم من النجاحات والإخفاقات مع مرور الوقت. الفكرة هنا هي تحويل الوكلاء بلا حالة إلى وكلاء بحالة.
يعمل من خلال خط أنابيب ذاكرة ذو مرحلتين: الاستخراج والتحديث. أولاً، تُرسل الرسائل المضافة إلى سلسلة الوكيل إلى خدمة Mem0، التي تستخدم نموذج لغة كبير (LLM) لتلخيص تاريخ المحادثة واستخراج ذكريات جديدة. بعد ذلك، تحدد مرحلة التحديث المدفوعة بواسطة LLM ما إذا كان يجب إضافة، تعديل، أو حذف هذه الذكريات، وتخزنها في مخزن بيانات هجين يمكن أن يشمل قواعد بيانات متجهة، رسومية، وقيم-مفتاح. يدعم هذا النظام أيضًا أنواع الذاكرة المختلفة ويمكن أن يتضمن ذاكرة رسومية لإدارة العلاقات بين الكيانات.
Cognee
نهج قوي آخر هو استخدام Cognee، ذاكرة معنوية مفتوحة المصدر لوكلاء الذكاء الاصطناعي تحول البيانات المنظمة وغير المنظمة إلى رسوم معرفية قابلة للاستعلام مدعومة بالتضمينات. يوفر Cognee بنية مزدوجة المخزن تجمع بين بحث التشابه المتجهي والعلاقات الرسومية، مما يمكن الوكلاء من فهم ليس فقط ما المعلومات المتشابهة، بل كيف ترتبط المفاهيم ببعضها.
يتفوق في الاسترجاع الهجين الذي يمزج بين التشابه المتجهي، بنية الرسم، والمنطق المستند إلى LLM - من البحث في القطع الخام إلى الإجابة على الأسئلة الواعية بالرسم. يحافظ النظام على ذاكرة حية تتطور وتنمو مع البقاء قابلة للاستعلام كرسم متصل، داعمًا كلًا من سياق الجلسة قصيرة الأمد والذاكرة الدائمة طويلة الأمد.
يظهر دفتر تعليمات Cognee (13-agent-memory-cognee.ipynb) بناء هذه الطبقة الموحدة للذاكرة، مع أمثلة عملية لدمج مصادر بيانات متنوعة، عرض الرسم المعرفي، والاستعلام باستخدام استراتيجيات بحث مختلفة مصممة لتلبية احتياجات الوكلاء الخاصة.
تخزين الذاكرة باستخدام RAG
بخلاف أدوات الذاكرة المتخصصة مثل Mem0، يمكنك استخدام خدمات بحث قوية مثل Azure AI Search كخلفية لتخزين واسترجاع الذكريات، خصوصًا لـ RAG المنظم.
يتيح لك ذلك ربط ردود الوكيل ببياناتك الخاصة، مما يضمن إجابات أكثر صلة ودقة. يمكن استخدام Azure AI Search لتخزين ذكريات السفر الخاصة بالمستخدم، فهارس المنتجات، أو أي معرفة مخصصة لمجال معين.
يدعم Azure AI Search قدرات مثل RAG المنظم، الذي يتفوق في استخراج واسترجاع المعلومات الكثيفة والمنظمة من مجموعات بيانات كبيرة مثل سجلات المحادثات، البريد الإلكتروني، أو حتى الصور. يوفر هذا “دقة واسترجاع خارق للبشر” مقارنة بأساليب تقسيم النص التقليدية والتضمينات.
جعل وكلاء الذكاء الاصطناعي يتحسنون ذاتيًا
أحد الأنماط الشائعة للوكلاء الذين يتحسنون ذاتيًا يتضمن إدخال “وكيل المعرفة”. هذا الوكيل المنفصل يراقب المحادثة الرئيسية بين المستخدم والوكيل الأساسي. دوره هو:
-
تحديد المعلومات القيمة: تحديد ما إذا كان أي جزء من المحادثة يستحق الحفظ كمعرفة عامة أو تفضيل مستخدم محدد.
-
الاستخراج والتلخيص: استخلاص التعلم الأساسي أو التفضيل من المحادثة.
-
التخزين في قاعدة معرفة: حفظ هذه المعلومات المستخلصة، غالبًا في قاعدة بيانات متجهة، بحيث يمكن استرجاعها لاحقًا.
-
تعزيز الاستعلامات المستقبلية: عند بدء المستخدم استعلام جديد، يسترجع وكيل المعرفة المعلومات المخزنة ذات الصلة ويضيفها إلى موجه المستخدم، موفرًا سياقًا حاسمًا للوكيل الأساسي (مماثل لـ RAG).
تحسينات للذاكرة
• إدارة الكمون: لتجنب إبطاء تفاعلات المستخدم، يمكن استخدام نموذج أرخص وأسرع في البداية لفحص سريع إذا ما كانت المعلومات تستحق التخزين أو الاسترجاع، مع استدعاء عملية الاستخراج/الاسترجاع الأكثر تعقيدًا عند الحاجة فقط.
• صيانة قاعدة المعرفة: بالنسبة لقاعدة معرفة متنامية، يمكن نقل المعلومات التي يُستخدمها أقل إلى “تخزين بارد” لإدارة التكاليف.
هل لديك المزيد من الأسئلة حول ذاكرة الوكيل؟
انضم إلى مايكروسوفت فاوندري ديسكورد لقاء متعلمين آخرين، حضور ساعات المكتب، والحصول على إجابات لأسئلتك حول وكلاء الذكاء الاصطناعي.
الدرس السابق
هندسة السياق لوكلاء الذكاء الاصطناعي
الدرس التالي
استكشاف إطار عمل Microsoft Agent
تنويه: تمت ترجمة هذا المستند باستخدام خدمة الترجمة بالذكاء الاصطناعي Co-op Translator. بينما نسعى للدقة، يرجى العلم أن الترجمات الآلية قد تحتوي على أخطاء أو عدم دقة. يجب اعتبار المستند الأصلي بلغته الأصلية المصدر الرسمي والمعتمد. للمعلومات الهامة، يُنصح بالاستعانة بترجمة بشرية محترفة. نحن غير مسؤولين عن أي سوء فهم أو تفسير ناتج عن استخدام هذه الترجمة.