لم يكن RAG الهدف النهائي أبدا. الذاكرة في وكلاء الذكاء الاصطناعي هي الاتجاه الذي يتجه إليه كل شيء. دعوني أشرح هذا التطور بأبسط طريقة ممكنة. RAG (2020-2023): - استرجاع المعلومات مرة واحدة، توليد الاستجابة - لا اتخاذ قرار، فقط الجلب والإجابة - المشكلة: غالبا ما تسترجع سياقا غير ذي صلة المحاسبة الوكيلية: - يقرر الوكيل *إذا* الحاجة إلى الاسترجاع - يختار الوكيل *أي* المصدر الذي يستعلم عنه - الوكيل يتحقق من صحة *إذا* النتائج مفيدة - المشكلة: لا تزال للقراءة فقط، لا يمكن التعلم من التفاعلات ذاكرة الذكاء الاصطناعي: - القراءة والكتابة إلى معرفة خارجية - يتعلم من المحادثات السابقة - يتذكر تفضيلات المستخدم، والسياقات السابقة - تمكين التخصيص الحقيقي النموذج الذهني بسيط: ↳ RAG: قراءة فقط، جلسة واحدة ↳ Agentic RAG: للقراءة فقط عبر استدعاءات الأدوات ↳ ذاكرة الوكيل: قراءة وكتابة عبر استدعاءات الأدوات إليك ما يجعل ذاكرة الوكيل قوية: يمكن للوكيل الآن "تذكر" الأشياء - تفضيلات المستخدم، المحادثات السابقة، التواريخ المهمة. كلها مخزنة وقابلة للاسترجاع للتفاعلات المستقبلية. هذا يفتح شيئا أكبر: التعلم المستمر. بدلا من أن يتجمدوا أثناء وقت التدريب، يمكن للعملاء الآن تراكم المعرفة من كل تفاعل. تتحسن مع الوقت دون إعادة تدريب. الذاكرة هي الجسر بين النماذج الثابتة وأنظمة الذكاء الاصطناعي التكيفية حقا. لكن الأمور ليست سلسة تماما. تقدم الذاكرة تحديات جديدة لم يواجهها RAG من قبل: تلف الذاكرة، وتحديد ما يجب نسيانه، وإدارة أنواع متعددة من الذاكرة (إجرائية، حلقية، ودلالية). حل هذه المشاكل من الصفر أمر صعب. إذا كنت تريد أن تمنح وكلائك ذاكرة شبيهة بالإنسان، جرب Graphiti - إطار عمل مفتوح المصدر لبناء رسوم بيانية لمعرفة في الوقت الحقيقي. يمكنك العثور على الرابط في التغريدة التالية!