ai-agents-for-beginners
الذاكرة لوكلاء الذكاء الاصطناعي
عند مناقشة الفوائد الفريدة لإنشاء وكلاء الذكاء الاصطناعي، يتم التطرق بشكل أساسي إلى أمرين: القدرة على استدعاء الأدوات لإكمال المهام والقدرة على التحسن مع مرور الوقت. تشكل الذاكرة أساس إنشاء وكيل قادر على التحسين الذاتي يمكنه خلق تجارب أفضل لمستخدمينا.
في هذا الدرس، سنستعرض ما هي الذاكرة لوكلاء الذكاء الاصطناعي وكيف يمكننا إدارتها واستخدامها لفائدة تطبيقاتنا.
مقدمة
يغطي 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 التحسين الذاتي: كيف تتيح الذاكرة للوكلاء التعلم من التفاعلات السابقة والتحسن مع مرور الوقت.
التطبيقات المتاحة
يشمل هذا الدرس دليلين شاملين في دفاتر ملاحظات:
• 13-agent-memory.ipynb: ينفذ الذاكرة باستخدام Mem0 و Azure AI Search مع إطار عمل Microsoft Agent
• 13-agent-memory-cognee.ipynb: ينفذ الذاكرة المهيكلة باستخدام Cognee، يبني تلقائيًا رسمًا بيانيًا معرفيًا مدعومًا بالتضمينات، ويعرض الرسم البياني، ويجري الاسترجاع الذكي
أهداف التعلم
بعد إكمال هذا الدرس، ستكون قادرًا على:
• التفريق بين أنواع ذاكرة وكيل الذكاء الاصطناعي المختلفة، بما في ذلك الذاكرة العاملة، قصيرة الأمد وطويلة الأمد، بالإضافة إلى الأشكال المتخصصة مثل ذاكرة الشخصية والذاكرة الحلقية.
• تنفيذ وإدارة الذاكرة قصيرة وطويلة الأمد لوكلاء الذكاء الاصطناعي باستخدام إطار عمل Microsoft Agent، مستفيدًا من أدوات مثل Mem0، Cognee، الذاكرة البيضاء، والتكامل مع Azure AI Search.
• فهم المبادئ الكامنة وراء وكلاء الذكاء الاصطناعي القادرين على التحسين الذاتي وكيف تسهم أنظمة إدارة الذاكرة القوية في التعلم المستمر والتكيف.
فهم ذاكرة وكلاء الذكاء الاصطناعي
جوهرًا، تشير ذاكرة وكلاء الذكاء الاصطناعي إلى الآليات التي تسمح لهم بالاحتفاظ بالمعلومات واسترجاعها. يمكن أن تكون هذه المعلومات تفاصيل محددة حول محادثة، تفضيلات المستخدم، أفعال سابقة، أو حتى أنماط متعلمة.
بدون الذاكرة، غالبًا ما تكون تطبيقات الذكاء الاصطناعي بلا حالة، بمعنى أن كل تفاعل يبدأ من الصفر. هذا يؤدي إلى تجربة مستخدم متكررة ومحبطه حيث “ينسى” الوكيل السياق أو التفضيلات السابقة.
لماذا الذاكرة مهمة؟
ترتبط ذكاء الوكيل ارتباطًا وثيقًا بقدرته على تذكر واستخدام المعلومات السابقة. تتيح الذاكرة للوكلاء أن يكونوا:
• انعكاسيين: يتعلمون من الأفعال والنتائج السابقة.
• تفاعليين: يحافظون على السياق خلال محادثة مستمرة.
• استباقيين وتفاعليين: يتوقعون الاحتياجات أو يستجيبون بشكل مناسب بناءً على البيانات التاريخية.
• مستقلين: يعملون بشكل أكثر استقلالية بالاعتماد على المعرفة المخزنة.
الهدف من تنفيذ الذاكرة هو جعل الوكلاء أكثر موثوقية وقادرين.
أنواع الذاكرة
الذاكرة العاملة
يمكن اعتبارها كقطعة ورق يستخدمها الوكيل أثناء مهمة أو عملية تفكير واحدة جارية. تحتفظ بالمعلومات الفورية اللازمة لحساب الخطوة التالية.
بالنسبة لوكلاء الذكاء الاصطناعي، غالبًا ما تلتقط الذاكرة العاملة أهم المعلومات ذات الصلة من المحادثة، حتى إذا كان سجل الدردشة الكامل طويلًا أو مقطوعًا. تركز على استخراج العناصر الرئيسية مثل المتطلبات، الاقتراحات، القرارات، والإجراءات.
مثال على الذاكرة العاملة
في وكيل حجز السفر، قد تلتقط الذاكرة العاملة طلب المستخدم الحالي، مثل “أريد حجز رحلة إلى باريس”. هذا المطلب المحدد يحتفظ به في سياق الوكيل الفوري لتوجيه التفاعل الحالي.
الذاكرة قصيرة الأمد
تحتفظ هذه الذاكرة بالمعلومات لمدة محادثة أو جلسة واحدة. هي سياق المحادثة الحالية، مما يسمح للوكيل بالإشارة إلى الأدوار السابقة في الحوار.
في عينات SDK الخاصة بـMicrosoft Agent Framework للبايثون، هذا يطابق AgentSession، التي تُنشأ بواسطة agent.create_session(). الجلسة هي الذاكرة قصيرة الأمد المدمجة في الإطار: تحتفظ بسياق المحادثة متاحًا طالما أن نفس الجلسة تُستخدم، لكن هذا السياق لا يُحفظ عند انتهاء الجلسة أو إعادة تشغيل التطبيق. استخدم الذاكرة طويلة الأمد للحقائق والتفضيلات التي يجب أن تستمر عبر الجلسات، عادةً من خلال قاعدة بيانات أو فهرس متجهات أو مخزن دائم آخر.
مثال على الذاكرة قصيرة الأمد
إذا سأل المستخدم، “كم تكلفة رحلة إلى باريس؟” ثم تابع بـ “ماذا عن الإقامة هناك؟”، تضمن الذاكرة قصيرة الأمد أن الوكيل يعلم أن “هناك” يشير إلى “باريس” داخل نفس المحادثة.
الذاكرة طويلة الأمد
هي المعلومات التي تدوم عبر محادثات أو جلسات متعددة. تسمح للوكلاء بتذكر تفضيلات المستخدم، التفاعلات التاريخية، أو المعرفة العامة لفترات ممتدة. هذا مهم للتخصيص.
مثال على الذاكرة طويلة الأمد
قد تخزن الذاكرة طويلة الأمد أن “بن يستمتع بالتزلج والأنشطة الخارجية، يحب القهوة مع منظر على الجبل، ويريد تجنب منحدرات التزلج المتقدمة بسبب إصابة سابقة”. تؤثر هذه المعلومات، التي تعلمها من التفاعلات السابقة، على التوصيات في جلسات تخطيط السفر المستقبلية، مما يجعلها مخصصة للغاية.
ذاكرة الشخصية
يساعد هذا النوع المتخصص من الذاكرة الوكيل على تطوير “شخصية” أو “هوية” متسقة. تسمح للوكيل بتذكر تفاصيل عن نفسه أو دوره المقصود، مما يجعل التفاعلات أكثر سلاسة وتركيزًا.
مثال على ذاكرة الشخصية
إذا تم تصميم وكيل السفر ليكون “خبير تخطيط للتزلج”، قد تعزز ذاكرة الشخصية هذا الدور، مؤثرة على ردوده لتتناسب مع نبرة وخبرة الخبير.
ذاكرة سير العمل/الحلقية
تخزن هذه الذاكرة تسلسل الخطوات التي يتخذها الوكيل أثناء مهمة معقدة، بما في ذلك النجاحات والإخفاقات. تشبه تذكر “حلقات” أو تجارب ماضية لتعلم منها.
مثال على الذاكرة الحلقية
إذا حاول الوكيل حجز رحلة معينة ولكنه فشل بسبب عدم التوفر، يمكن لذاكرة الحلقات تسجيل هذا الفشل، مما يسمح للوكيل بتجربة رحلات بديلة أو إعلام المستخدم بالمشكلة بطريقة أكثر اطلاعًا خلال محاولة لاحقة.
ذاكرة الكيانات
تتضمن هذه استخراج وتذكر كيانات محددة (مثل الأشخاص، الأماكن، الأشياء) والأحداث من المحادثات. تسمح للوكيل ببناء فهم منظم للعناصر الرئيسية التي تم مناقشتها.
مثال على ذاكرة الكيانات
من محادثة عن رحلة سابقة، قد يستخرج الوكيل “باريس”، “برج إيفل”، و”عشاء في مطعم لو شات نوار” ككيانات. في تفاعل مستقبلي، قد يتذكر الوكيل “لو شات نوار” ويعرض حجزًا جديدًا هناك.
RAG المهيكلة (التوليد المعزز بالاسترجاع)
بينما RAG هي تقنية أوسع، يتم تسليط الضوء على “RAG المهيكلة” كتقنية ذاكرة قوية. تستخرج معلومات كثيفة ومهيكلة من مصادر متنوعة (المحادثات، البريد الإلكتروني، الصور) وتستخدمها لتعزيز الدقة، الاستدعاء، والسرعة في الاستجابات. على عكس RAG الكلاسيكية التي تعتمد فقط على التشابه الدلالي، تعمل RAG المهيكلة مع الهيكل الداخلي للمعلومات.
مثال RAG المهيكلة
بدلًا من مطابقة الكلمات المفتاحية فقط، قد تقوم RAG المهيكلة بتحليل تفاصيل الرحلة (الوجهة، التاريخ، الوقت، شركة الطيران) من بريد إلكتروني وتخزينها بطريقة منظمة. يتيح هذا الاستعلامات الدقيقة مثل “ما هي الرحلة التي حجزتها إلى باريس يوم الثلاثاء؟”
تنفيذ وتخزين الذاكرة
يتطلب تنفيذ الذاكرة لوكلاء الذكاء الاصطناعي عملية منهجية من إدارة الذاكرة، والتي تشمل توليد، تخزين، استرجاع، دمج، تحديث، بل وحتى “نسيان” (أو حذف) المعلومات. الاسترجاع هو جانب بالغ الأهمية.
أدوات ذاكرة متخصصة
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 أن الوكلاء بدون حالة يتحولون إلى وكلاء بحالة.
يعمل عبر أنبوب ذاكرة ذو مرحلتين: الاستخلاص والتحديث. أولاً، تُرسل الرسائل المضافة إلى سلسلة الوكيل إلى خدمة Mem0، التي تستخدم نموذج لغة كبير (LLM) لتلخيص تاريخ المحادثة واستخلاص ذكريات جديدة. ثم تقوم مرحلة التحديث المدفوعة بنموذج LLM بتحديد ما إذا كان يجب إضافة أو تعديل أو حذف هذه الذكريات، وتخزينها في مخزن بيانات هجين قد يشمل قواعد بيانات متجهية، بيانية، وقيم-مفتاحية. يدعم هذا النظام أيضًا أنواع ذاكرة مختلفة ويمكنه دمج ذاكرة الرسم البياني لإدارة العلاقات بين الكيانات.
Cognee
نهج قوي آخر هو استخدام Cognee، ذاكرة دلالية مفتوحة المصدر لوكلاء الذكاء الاصطناعي تحول البيانات المهيكلة وغير المهيكلة إلى رسوم بيانية معرفية قابلة للاستعلام مدعومة بالتضمينات. يوفر Cognee هيكلية تخزين مزدوجة تجمع بين البحث بالتشابه المتجهي والعلاقات البيانية، مما يمكن الوكلاء من فهم ليس فقط ما هي المعلومات المتشابهة، بل كيف ترتبط المفاهيم ببعضها البعض.
يتفوق Cognee في الاسترجاع الهجين الذي يمزج بين التشابه المتجهي، البنية البيانية، والاستدلال باستخدام LLM - من البحث في الكتل الخام إلى الإجابة على الأسئلة مدعومة بالرسم البياني. يحافظ النظام على ذاكرة حية تتطور وتنمو مع بقاءها قابلة للاستعلام كرسم بياني موحد، داعمًا كل من سياق الجلسة قصير الأمد والذاكرة الدائمة طويلة الأمد.
يعرض دفتر ملاحظات Cognee (13-agent-memory-cognee.ipynb) كيفية بناء هذه الطبقة الموحدة للذاكرة، مع أمثلة عملية على استيعاب مصادر بيانات متنوعة، تصور الرسم البياني المعرفي، والاستعلام باستخدام استراتيجيات بحث مختلفة مخصصة لاحتياجات وكيل معينة.
تخزين الذاكرة باستخدام RAG
إلى جانب أدوات الذاكرة المتخصصة مثل mem0، يمكنك الاستفادة من خدمات بحث قوية مثل Azure AI Search كخادم خلفي لتخزين واسترجاع الذكريات، وخاصة للـ RAG المهيكل.
يسمح هذا بتوفير استجابات وكيلك مستندة إلى بياناتك الخاصة، مما يضمن إجابات أكثر ملاءمة ودقة. يمكن استخدام Azure AI Search لتخزين ذكريات السفر الخاصة بالمستخدم، كتالوجات المنتجات، أو أي معرفة ميدانية أخرى.
يدعم Azure AI Search قدرات مثل RAG المهيكلة التي تتفوق في استخراج واسترجاع معلومات كثيفة ومنظمة من مجموعات بيانات كبيرة مثل سجل المحادثات، البريد الإلكتروني، أو حتى الصور. يوفر هذا “دقة واستدعاء تفوق البشر” مقارنة بالطرق التقليدية لتقسيم النص والتضمين.
جعل وكلاء الذكاء الاصطناعي يطوّرون أنفسهم
نمط شائع للوكلاء القادرين على التحسين الذاتي يشمل إدخال “وكيل المعرفة”. يراقب هذا الوكيل المنفصل 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.
-
الاستخلاص والتلخيص: استخلاص التعلم الأساسي أو التفضيل من المحادثة.
-
التخزين في قاعدة معرفة: حفظ هذه المعلومات المستخرجة، غالبًا في قاعدة بيانات متجهية، ليتم استرجاعها لاحقًا.
-
تعزيز الاستعلامات المستقبلية: عند بدء المستخدم استعلام جديد، يسترجع وكيل المعرفة المعلومات المخزنة ذات الصلة ويضيفها إلى الطلب الموجه للوكيل الأساسي، مما يوفر سياقًا حيويًا (يشبه RAG).
تحسينات للذاكرة
• إدارة الكمون: لتجنب إبطاء تفاعلات المستخدم، يمكن استخدام نموذج أبسط وأسرع أولاً لفحص سريع ما إذا كانت المعلومات جديرة بالتخزين أو الاسترجاع، مع استدعاء عملية الاستخلاص/الاسترجاع الأكثر تعقيدًا فقط عند الحاجة.
• صيانة قاعدة المعرفة: بالنسبة لقاعدة معرفة متنامية، يمكن نقل المعلومات الأقل استخدامًا إلى “التخزين البارد” لإدارة التكاليف.
هل لديك المزيد من الأسئلة حول ذاكرة الوكلاء؟
انضم إلى Microsoft Foundry Discord للتواصل مع متعلمين آخرين، حضور ساعات العمل والتواصل للحصول على إجابات حول وكلاء الذكاء الاصطناعي.
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.