تحليل معمق · قراءة نحو 3 دقائق
Databricks تتيح MemCurrent ضمن Agent Bricks Beta: ما الذي تثبته الاختبارات؟
سجلات خام ومعرفة مستخلصة ومعالجة خلفية تشكل ذاكرة بطبقتين؛ نتائج مهام المؤسسات تظل تقييماً من المورد.
- نُشر هنا
- تاريخ المصدر
- تم التحقق من المصدر
أعلنت Databricks في 20 أكتوبر Agent Memory بنسخة Beta وشرحت بنية MemCurrent. تدير الخدمة المعرفة بين الجلسات. سؤال البحث ليس تذكر كل شيء، بل اختيار المعلومات المفيدة وتطبيقها في عمل جديد لتقليل إعادة الاستكشاف وكلفتها.
استمع إلى الأخبار
استمع إلى هذا المقال أو تابع تشغيل الأخبار.
جارٍ تجهيز القراءة…
صوت الجهاز
يتولى المتصفح أو الجهاز معالجة النطق. لا يرسل AISubHub النص إلى واجهة صوتية. تختلف الأصوات والتشغيل مع قفل الشاشة حسب الجهاز.
قد تتكرر عبارة قصيرة عند المتابعة.
لمحة سريعة
- تعمل الخدمة على Lakebase وتجمع الجلسات والذاكرة المُدارتين مع مسارات دمج خلفية.
- يشمل الاختبار الداخلي 114 حالة و29 مستخدماً و2,233 جلسة سابقة؛ وليس ترتيباً عاماً للنماذج.
التمييز بين الخدمة والبنية
تدير Agent Memory سجلات مرتبة وحقائق وإجراءات طويلة العمر، ومسارات تستخلص المعرفة منها. تستخدم Lakebase، خدمة Postgres بلا خوادم من Databricks. يستطيع المطور فحص البنود وتصديرها وحذفها وتوجيه ما يُحتفظ به. حفظ محادثة يختلف عن تحديد العبارة التي ينبغي أن تحكم إجابة لاحقة. ولا يعني وضع Beta تماثل السلوك بين جميع عمليات النشر والوصف البحثي.
كيف تتكامل الطبقتان
تحتفظ MemCurrent بسجلات أحداث لا تُعدّل بل تُضاف إليها، ومعرفة مشتقة قابلة للتعديل ومنظمة كملفات. يُحمّل فهرس عند بدء الجلسة ثم تُستخدم أدوات البحث والجلب للتفاصيل. تتولى الأدوات المباشرة الطلبات الصريحة للإضافة والتعديل والحذف، فيما تستخرج المعالجة الخلفية الدروس الضمنية وتدمج المكرر وتحل التناقضات. تحفظ السجلات الدليل ويسهّل الفهرس اكتشافه. إخراج الاستخلاص من مسار الإجابة يقلل العمل الفوري، لكنه يؤخر إتاحة الدروس الضمنية. لذلك يختلف دور التصحيح المباشر عن الصيانة الدورية.
ما الذي قيس في اختبار المؤسسات؟
أُعدت 114 حالة مراجعة من محادثات Genie، تتعلق بـ29 مستخدماً و2,233 جلسة سابقة. يقيس الاختبار تطبيق المعرفة في مهام بيانات متعددة الخطوات، لا مجرد استرجاع جملة. أعلنت Databricks نجاحاً قدره 22.3% دون ذاكرة و68.4% مع MemCurrent؛ استهلك الأخير 418K رمزاً و252 ثانية وسطياً للمهمة. تخفيض الرموز 31% والمدة 26% يخص هذه المقارنة. ليست الأرقام توقعاً لكل شركة ولا مقارنة لاشتراكات مساعدات المحادثة العامة. استخدم اختبار Genie الداخلي Claude Opus 4.6 وكيلاً وGPT 5.6 sol نموذجاً للذاكرة عبر ثلاثة تكرارات.
السياق الطويل ليس التجربة نفسها
في ثلاثة اختبارات عامة لذاكرة المحادثة بلغ متوسط الدقة المعلن 88.1% مقابل 87.8% للسياق الكامل، مع نحو 8.4K مقابل 103K من رموز الإدخال للسؤال. هذه أسئلة وأجوبة فلا تُخلط مع إجمالي مهام المؤسسات. داخلياً حققت السجلات الخام وحدها 35.8%، والمعرفة المشتقة 66.1%، والجمع بينهما 68.4%. بلغ الاستخلاص الخلفي وحده 63.5%، والأدوات المباشرة 53.9%، والجمع 66.1% للمعرفة المشتقة. تدعم الأرقام تكامل الآليات في هذا الإعداد، لا أن زيادة التاريخ مفيدة دائماً. استخدم السؤال والجواب العام GPT 5.6 luna، بمتوسط LangGraph وOpenAI Agents SDK وثلاثة تكرارات.
حدود ينبغي اختبارها قبل التبني
تحليل AISubHub: ينبغي أن يشمل الاختبار حقائق متغيرة وتعليمات متعارضة وأسئلة لا تحتاج ذاكرة. افتراضياً، إذا غيّر فريق تعريف العميل النشط فقد تصبح طريقة صحيحة سابقاً مؤذية حين تستمر بالتعريف القديم. افحص مصدر كل ذاكرة ووصول التصحيحات للجلسات التالية، وبقاء الحذف وحدود المستخدمين نافذة أثناء الاسترجاع. قِس نجاح المهمة والوقت الإجمالي بما فيه الدمج الخلفي، لا اختصار المدخلات فقط. هذه معايير قبول نقترحها، وليست خصائص أو نتائج تحققنا منها مستقلاً. لم تتضمن الإعلانات سعراً جديداً للاشتراك.
لماذا يهم
تحليل AISubHub: قد تنقل قاعدة معرفة قابلة للفحص التحسين من إطالة المدخلات إلى صيانة المعرفة. يجب أن تظل المعلومات صالحة ومسموحاً بها للمستخدم. ينبغي قياس النجاح والصيانة والتصحيح معاً.
القيود والتوافر
الخدمة Beta. الأرقام من Databricks وليست اختباراتنا؛ البيانات الداخلية وإعدادات النماذج والأطر تحدّ التعميم. لا تضمن سعراً أو زمناً أو تحسناً موحداً لكل نشر.
المصادر والأدلة
تاريخ المصدر: · تم التحقق من المصدر:
تاريخ المصدر: · تم التحقق من المصدر:
مقالات تحريرية بمساعدة الذكاء الاصطناعي تُراجع مقابل المصادر الأولية المذكورة. تُنسب ادعاءات الشركات إليها، والإدراج لا يعني التوصية.