وقتی حافظه ساختاریافته، عامل‌های هوشمند (AI Agents) را در بازی‌ها پیروز می‌کند

اگر تا به حال تلاش کرده‌اید یک عامل هوش مصنوعی (AI Agent) بسازید که توانایی انجام وظایف پیچیده و طولانی را داشته باشد، احتمالاً می‌دانید که یکی از بزرگ‌ترین چالش‌های آن چیست: از دست دادن بافتار یا کانتکست (Context Loss).

داستان از چه قرار است؟

اخیراً پژوهشگران در Alaya Lab معماری جدیدی به نام AgenticSTS توسعه داده‌اند که توانسته یکی از مشکلات کلیدی را حل کند. تا پیش از این، مدل‌های زبانی پیشرو (Frontier Models) نتوانسته بودند حتی در یک دست از بازی استراتژیک Slay the Spire 2 پیروز شوند. اما آیا مشکل از توانایی تحلیل مدل‌ها بود؟ خیر!

مشکل اساسی این است که در محیط‌هایی که نیاز به صدها تصمیم‌گیری متوالی دارند، لاگ چت (Chat log) به شدت طولانی می‌شود و مدل‌ها در میان این حجم از متن، تمرکز خود را از دست می‌دهند.

راه‌حل: حافظه ۵ لایه ساختاریافته

این تیم تحقیقاتی رویکردی هوشمندانه اتخاذ کرد: آن‌ها لاگ چت را به‌طور کامل حذف کردند. به جای آن، عامل هوشمند هر تصمیم را بر اساس پنج لایه حافظه ساختاریافته (Structured Memory) بازسازی می‌کند. به عبارت دیگر، مدل به جای خواندن یک مکالمه‌ی طولانی، یک کاتالوگ منظم و ثابت از وضعیت فعلی سیستم (State) را دریافت می‌کند.

خلاصه داستان

با پیاده‌سازی این تغییر، عامل‌های هوشمند موفق شدند در این بازی پیروز شوند. این دستاورد نشان می‌دهد که گلوگاه اصلی در عامل‌های پیشرفته امروزی، قدرت خامِ خود مدل (Model Capability) نیست، بلکه مدیریت کانتکست (Context Management) است. اگر بتوانیم وضعیت سیستم را به‌درستی فرمت‌بندی کرده و به مدل پاس بدهیم، پتانسیل حل مسائل بسیار پیچیده‌تری آزاد خواهد شد.

منبع: The Decoder