ایجنت حافظهای که فقط وقتی لازمه یادآوری میکنه
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
این مقاله که ۹ ژوئیهٔ ۲۰۲۶ روی arXiv منتشر شده، سراغ یه مشکل آشنای ایجنتهای بلندمدت میره: هرچی مسیر کار طولانیتر میشه، اطلاعات تعیینکننده بیشتر پخش و پراکنده میشن. نیازمندیهای تسک، واقعیتهای محیط، تلاشهای قبلی، تشخیصها و زیرهدفهای باز کمکم لای کانتکست دفن میشن یا کلاً از پنجره بیرون میافتن و درست وقتی لازمن، دیگه روی تصمیم اثر نمیذارن. نویسندهها اسم این حالت شکست رو گذاشتن «زوال حالت رفتاری» (behavioral state decay).
ایدهٔ اصلی مقاله اینه که به حافظه به چشم یه سازوکار مداخلهٔ فعال نگاه کنیم، نه یه بازیابی منفعل. تو این طرح، یه ایجنت حافظهٔ جدا کنار ایجنت اصلی (که اصلاً دستکاری نمیشه) اجرا میشه، از روی مسیر اخیر یه بانک حافظهٔ ساختاریافته رو بهروز نگه میداره و بعد تصمیم میگیره: یا یه یادآوری متکی به حافظه تزریق کنه، یا ساکت بمونه.
نکتهٔ عملیش اینه که این ماژول plug-and-playه؛ یعنی روی ایجنتهای مطرح و هارنسهای موجود سوار میشه بدون اینکه لازم باشه خود ایجنت اکشن بازنویسی بشه.
نتایج گزارششده روی دو بنچمارک اومده: pass@1 هم برای ایجنتهای ضعیفتر و هم قویتر بهتر شده، با ۸.۳ واحد درصد رشد روی Terminal-Bench 2.0 و ۶.۸ واحد درصد روی τ²-Bench.
بخش جالبتر ابلیشنهاست که نشون میدن اصل ماجرا «انتخاب لحظهٔ مداخله»ست، نه صرفاً داشتن حافظه. مداخلهٔ انتخابی از این حالتها بهتر جواب داده: در معرض گذاشتن منفعل بانک حافظه، تزریق همیشهروشن، راهنمایی صرفاً مشورتی و بازیابی عمومی. یعنی یادآوری بیوقفه هم به اندازهٔ فراموشی میتونه مضر باشه.
نویسندهها بهعنوان یه قدم اولیه به سمت سیاستهای حافظهٔ open-weight، مدل Qwen3.5-27B رو با SFT و GRPO آموزش دادن که پاداش اعتبارسنجی رو بهتر کرده و تا حدی هم به Terminal-Bench منتقل شده.
یادآوری مهم اینکه این یه پیشچاپ arXivه و هنوز از فیلتر داوری همتا رد نشده.
نکات کلیدی:
- «زوال حالت رفتاری»: دفنشدن اطلاعات تعیینکننده لای مسیر طولانی ایجنت
- یه ایجنت حافظهٔ جدا کنار ایجنت اصلی میچرخه و ایجنت اصلی دستنخورده میمونه
- تصمیم کلیدی، تزریق یادآوری یا سکوته؛ ماژول plug-and-play با هارنسهای موجوده
- ۸.۳ واحد رشد pass@1 روی Terminal-Bench 2.0 و ۶.۸ واحد روی τ²-Bench
- ابلیشنها: مداخلهٔ انتخابی از تزریق همیشهروشن و بازیابی عمومی بهتره
- آموزش Qwen3.5-27B با SFT و GRPO بهعنوان قدم اول به سمت سیاست حافظهٔ open-weight
