TencentDB Agent Memory: كيف تخفّض تينسنت تكلفة تشغيل وكلاء الذكاء الاصطناعي طويلَي المهام

مع ازدياد استخدام وكلاء الذكاء الاصطناعي (AI Agents) في مهام طويلة مثل البحث على الويب، تحليل المستندات أو كتابة الشيفرة، يظهر تحدٍ تقني واضح: نافذة السياق (Context Window) الخاصة بالنموذج تمتلئ بسرعة.

كل عملية بحث، أو استدعاء أداة، أو سجل تنفيذ يضيف مزيداً من النص إلى الطلب المرسل للنموذج. ومع مرور الوقت يصبح السياق ضخماً ومكلفاً من ناحية استهلاك الرموز (Tokens)، وقد يفقد الوكيل القدرة على تتبع مسار المهمة بدقة.

لمعالجة هذه المشكلة، أعلنت Tencent Cloud في مايو 2026 عن فتح مصدر مشروع TencentDB Agent Memory، وهو محرك ذاكرة مصمم خصيصاً لوكلاء الذكاء الاصطناعي الذين ينفذون مهام طويلة ومتعددة الخطوات. يعتمد النظام على بنية ذاكرة متعددة الطبقات وتقنيات ضغط للسياق، وتقول تينسنت إن الاختبارات الداخلية أظهرت انخفاض استهلاك الرموز بنسبة تصل إلى 61% مع تحسن في نجاح المهام.

ما هو TencentDB Agent Memory؟

هو نظام ذاكرة مفتوح المصدر مخصص للوكلاء الذكيين، يوفر نوعين رئيسيين من الذاكرة:

• ذاكرة طويلة الأمد للاحتفاظ بالمعلومات عبر الجلسات
• ضغط للذاكرة قصيرة الأمد أثناء تنفيذ المهام الطويلة

الهدف هو تمكين الوكيل من:

• تذكر تفضيلات المستخدم وسير العمل السابق
• الاحتفاظ بحالة المهمة خلال سلسلة طويلة من الخطوات
• تقليل كمية البيانات الخام التي تُرسل للنموذج في كل مرة

بدلاً من إدخال كل سجل أو نتيجة بحث داخل السياق، يقوم النظام بتحويل المعلومات تدريجياً إلى ملخصات وبنى منظمة يمكن الرجوع إليها لاحقاً.

بنية الذاكرة طويلة الأمد ذات الأربع طبقات

تعتمد تينسنت على هيكل ذاكرة تدريجي يحول المحادثات الخام إلى معرفة منظمة يمكن إعادة استخدامها.

الطبقة L0 – طبقة الحوار الخام
تحتفظ بسجل كامل للمحادثات والتفاعلات كما حدثت.

الطبقة L1 – طبقة الذاكرة الذرية
تستخرج حقائق محددة من التفاعلات، مثل تفضيلات المستخدم أو القيود أو نتائج الخطوات السابقة.

الطبقة L2 – طبقة ملخص السيناريو
تجمع الذكريات المرتبطة بنوع معين من المهام أو السيناريوهات.

الطبقة L3 – طبقة ملف المستخدم
تلخص الأنماط طويلة المدى في سلوك المستخدم وتفضيلاته.

بهذه الطريقة يتحول سجل المحادثات تدريجياً إلى معرفة منظمة قابلة لإعادة الاستخدام، ما يسمح للوكيل بالاستفادة من الخبرة السابقة بدلاً من إعادة الحساب من الصفر في كل مرة.

الفكرة الأساسية: تفريغ السياق ولوحة مهام Mermaid

أكبر تحسين في الكفاءة يأتي من طريقة تعامل النظام مع الذاكرة قصيرة الأمد أثناء المهام الطويلة.

تفريغ السياق (Context Offloading)

بعد تنفيذ الوكيل لأداة ما—مثل تحميل صفحة ويب أو تشغيل برنامج—يتم حفظ المخرجات الكاملة خارج سياق النموذج في تخزين خارجي.

داخل السياق يبقى فقط:

• ملخص مكثف للمعلومة
• أو مرجع يشير إلى البيانات المخزنة خارجياً

بهذا الشكل لا تبقى ملفات السجلات الطويلة أو النصوص الضخمة داخل نافذة السياق لفترة طويلة.

لوحة مهام Mermaid

بدلاً من الاحتفاظ بتاريخ طويل من النصوص، يستخدم النظام رسماً بيانياً منظماً للمهمة مكتوباً بلغة Mermaid.

Mermaid هي لغة نصية تُستخدم في وثائق المطورين لرسم المخططات والرسوم البيانية.

في هذه اللوحة:

• العقد (Nodes) تمثل خطوات المهمة
• الروابط (Edges) تمثل العلاقات أو الاعتماد بين الخطوات
• كل عقدة تحتوي ملخصاً قصيراً للحالة أو النتيجة

بهذا يصبح لدى الوكيل خريطة للمهمة بدلاً من سجل نصي ضخم. وكما تصفه تينسنت: السجلات تسجل كل شيء، لكن الخريطة تساعدك على التنقل.

ضغط السياق حسب «مستوى الامتلاء»

يحتوي النظام أيضاً على آلية ضغط ديناميكي تعتمد على مدى امتلاء نافذة السياق.

تشمل المراحل الرئيسية:

• ضغط فوري (L1): تلخيص نتائج الأدوات مباشرة بعد تنفيذها.
• تحديث لوحة المهام (L2): تحديث الرسم البياني للمهمة بشكل غير متزامن.
• ضغط عميق (L3): عندما يصل استخدام السياق إلى نحو 80% يتم حذف أو ضغط الرسائل القديمة بقوة.

وإذا اقترب الاستخدام من 95%، يتم تشغيل ضغط طارئ لإعادة تقليل حجم السياق بسرعة.

نتائج الاختبارات التي أعلنتها تينسنت

بحسب الشركة، أدى دمج النظام مع أطر الوكلاء إلى تحسينات ملحوظة في الأداء واستهلاك الرموز. هذه الأرقام تأتي من اختبارات داخلية للشركة وليست بعدُ قياسات مستقلة.

أبرز النتائج المعلنة:

اختبار WideSearch

• معدل النجاح: من 33% إلى 50%
• استهلاك الرموز: من 221.31 مليون إلى 85.64 مليون (انخفاض 61.38%)

اختبار SWE‑bench

• معدل النجاح: 58.4% → 64.2%
• استهلاك الرموز: انخفاض بنحو 33%

اختبار AA‑LCR

• معدل النجاح: 44% → 47.5%
• استهلاك الرموز: انخفاض يقارب 31%

اختبار PersonaMem

• الدقة ارتفعت تقريباً من 48% إلى 76% بعد إضافة نظام الذاكرة.

كما ذكرت تينسنت أنها اختبرت النظام على 1540 مهمة تشمل كتابة الشيفرة والبحث على الإنترنت وتحليل المقالات، حيث تحسن إكمال المهام بنسبة 12% إلى 35% مع انخفاض استهلاك الرموز بنسبة 33% إلى 64%.

ما الفرق بين إطلاق أبريل وإصدار 14 مايو؟

ظهر المشروع لأول مرة في أبريل 2026، لكن التركيز تغير بين المرحلتين.

إطلاق أبريل

• تقديم نظام الذاكرة طويلة الأمد
• عرض بنية الطبقات الأربع
• التركيز على تذكر المعلومات بين الجلسات المختلفة

إصدار 14 مايو مفتوح المصدر

• نشر النظام الكامل كمشروع مفتوح المصدر
• إضافة آليات ضغط الذاكرة قصيرة الأمد
• إبراز تقنية «Context Offloading + Mermaid Task Canvas»

بعبارة أخرى: الإصدار الأول ركّز على التذكر طويل المدى، بينما الإصدار المفتوح المصدر ركّز على إدارة السياق أثناء تنفيذ المهام الطويلة.

التكامل مع أطر الوكلاء

تقول تينسنت إن النظام يمكن دمجه مع عدة أطر تطوير للوكلاء، من بينها:

• OpenClaw كإضافة لتعزيز الذاكرة
• Hermes Gateway / Hermes Agent مع دعم للنشر عبر Docker للإصدارات الحديثة

هذا يسمح للمطورين بإضافة طبقة ذاكرة وضغط سياق دون الحاجة إلى إعادة تصميم بنية الوكيل بالكامل.

لماذا هذا مهم في سباق وكلاء الذكاء الاصطناعي؟

مع انتقال وكلاء الذكاء الاصطناعي من تجارب مختبرية إلى تطبيقات حقيقية—مثل مساعدي البرمجة أو وكلاء البحث والتحليل—أصبح اقتصاد الرموز داخل نافذة السياق عاملاً حاسماً.

المهام الطويلة قد تتضمن عشرات أو مئات الاستدعاءات للأدوات، ما يؤدي إلى تضخم السياق وزيادة التكلفة وتراجع جودة الاستدلال.

محاولة تينسنت تعالج مشكلتين في الوقت نفسه:

• خفض التكلفة عبر تقليل استهلاك الرموز
• رفع موثوقية الوكيل عبر تمثيل منظم لمسار المهمة

إذا أثبتت هذه النتائج صحتها في اختبارات مستقلة، فقد تصبح أنظمة الذاكرة مثل TencentDB Agent Memory جزءاً أساسياً من البنية التحتية لوكلاء الذكاء الاصطناعي في المستقبل.

لكن في الوقت الحالي تبقى الأرقام المنشورة نتائج معلنة من الشركة نفسها، وسيحدد الاختبار المستقل مدى فعاليتها عبر نماذج وأطر مختلفة.