التعريف

يشير "ذاكرة جلسة الذكاء الاصطناعي" (AI Session Memory) إلى الآلية التي يحتفظ بها نظام الذكاء الاصطناعي، وخاصة الوكيل المحادثاتي أو روبوت الدردشة، بالمعلومات من الأدوار السابقة ضمن تفاعل مستخدم واحد ومستمر أو "جلسة". فبدلاً من التعامل مع كل مدخل من المستخدم كاستعلام معزول تمامًا، تسمح الذاكرة للذكاء الاصطناعي ببناء فهم سياقي لسير المحادثة وتفضيلات المستخدم والأهداف المعلنة.

أهميته

بدون ذاكرة الجلسة، تكون تفاعلات الذكاء الاصطناعي عديمة الحالة بطبيعتها. وهذا يعني أن الذكاء الاصطناعي ينسى كل ما قلته قبل جملتين، مما يؤدي إلى محادثات مملة ومتكررة وغير طبيعية. تعد ذاكرة الجلسة أمرًا بالغ الأهمية لأنها تمكّن الذكاء الاصطناعي من تقديم استجابات ذات صلة ومتماسكة وشخصية، مما ينقل التفاعل من مجرد أسئلة وأجوبة إلى حوار حقيقي.

كيفية عملها

من الناحية التقنية، غالبًا ما يتم تنفيذ ذاكرة الجلسة عن طريق تمرير سجل المحادثة (سجل المطالبة/الـ prompt history) مرة أخرى إلى نموذج اللغة الكبير (LLM) مع كل مدخل جديد من المستخدم. يعمل هذا السجل كـ "نافذة السياق" (context window). قد تستخدم الأنظمة المتقدمة قواعد بيانات متجهة (vector databases) أو وحدات ذاكرة متخصصة لتلخيص أو استرداد المعلومات السابقة الأكثر صلة فقط، مما يمنع نافذة السياق من أن تصبح كبيرة جدًا ومكلفة للمعالجة.

حالات الاستخدام الشائعة

• الدعم المخصص: يمكن للعميل أن يسأل: "ما هي سياسة الإرجاع؟" ثم يتابع: "وهل تنطبق على الإلكترونيات؟". تضمن الذاكرة أن الذكاء الاصطناعي يعرف أن "هي" تشير إلى الإلكترونيات.
• إكمال المهام المعقدة: توجيه المستخدم خلال عملية حجز متعددة الخطوات حيث يجب تذكر التفضيلات (التواريخ، المواقع) عبر عدة مطالبات.
• تتبع الحالة: في سير العمل الآلي، تتتبع الذاكرة موقع المستخدم في عملية محددة (على سبيل المثال، "إدخال معلومات الفوترة" مقابل "إدخال عنوان الشحن").

المزايا الرئيسية

• تحسين تجربة المستخدم (UX): تبدو المحادثات طبيعية وبديهية وشبيهة بالبشر.
• معدلات إكمال المهام الأعلى: من المرجح أن يكمل المستخدمون المهام المعقدة عندما يتذكر الذكاء الاصطناعي مدخلاتهم.
• تقليل زمن الاستجابة في الفهم: لا يحتاج الذكاء الاصطناعي إلى إعادة طرح أسئلة توضيحية تم تقديمها بالفعل.

التحديات

• حدود نافذة السياق: نماذج اللغة الكبيرة لديها حدود محدودة للرموز (tokens). يمكن للجلسات الطويلة جدًا أن تتجاوز هذه السعة، مما يتطلب تقنيات تلخيص متطورة.
• انجراف الذاكرة (Memory Drift): إذا تمت إدارة الذاكرة بشكل سيئ، فقد يعطي الذكاء الاصطناعي أولوية غير صحيحة للمعلومات القديمة وغير ذات الصلة، مما يؤدي إلى أخطاء واقعية.
• التكلفة الحسابية: يؤدي تخزين وسجل المحادثة وإعادة معالجته إلى زيادة التكلفة التشغيلية لكل تفاعل.

المفاهيم ذات الصلة

تشمل المفاهيم ذات الصلة نافذة السياق (Context Window)، وهندسة المطالبات (Prompt Engineering)، وإدارة الحالة (State Management)، والتوليد المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG).