إدارة الذاكرة الذاتية في وكلاء نماذج اللغة الكبيرة يواجه وكلاء نماذج اللغة الكبيرة صعوبة في مهام الأفق البعيد بسبب تضخم السياق. مع نمو تاريخ التفاعل، ترتفع التكاليف الحاسوبية، ويزداد الكمون، ويتدهور التفكير بسبب التشتت بسبب أخطاء سابقة غير ذات صلة. النهج القياسي هو الإضافة فقط: كل فكرة، وكل نداء أداة، واستجابة تتراكم بشكل دائم. هذا يعمل للمهام القصيرة لكنه يضمن الفشل في الاستكشاف المعقد. يقدم هذا البحث Focus، وهو عمارة مركزة على الوكلاء مستوحاة من عفن الوحل (Physarum polycephalum). البصيرة البيولوجية: الكائنات لا تحتفظ بسجلات كاملة لكل حركة في المتاهة. يحتفظون بالخريطة المكتسبة. يمنح التركيز الوكلاء بدائيين جديدين: start_focus و complete_focus. يقرر الوكيل بشكل مستقل متى يدمج التعلمات في كتلة معرفة مستمرة ويقص تاريخ التفاعل الخام بنشاط. لا مؤقتات خارجية أو قواعد إرشادية تفرض الضغط. يعلن عن ما تحقق فيه، ويستكشفه باستخدام الأدوات القياسية، ثم يجمع من خلال تلخيص ما تم المحاولة، وما تم تعلمه، والنتيجة. يرفق النظام هذا إلى كتلة معرفة دائمة ويحذف كل شيء بين نقطة التحقق والخطوة الحالية. هذا يحول السياق المتزايد بشكل رتيب: النمو أثناء الاستكشاف، والانهيار أثناء التماسك. أظهر تقييم SWE-bench Lite مع كلود هايكو 4.5 أن Focus حقق تخفيضا بنسبة 22.7٪ في الرموز (من 14.9 مليون إلى 11.5 مليون رمز) مع الحفاظ على نفس الدقة (60٪ لكل من Basic Token وFocus). أظهرت الحالات الفردية توفيرا يصل إلى 57٪. التحفيز العدواني مهم. التوجيه السلبي أعطى فقط 6٪ من التوفير. تعليمات صريحة للضغط كل 10-15 استدعاء للأدوات، مع تذكيرات النظام، زادت الضغطات من 2.0 إلى 6.0 لكل مهمة. يمكن للنماذج القادرة تنظيم سياقها ذاتيا بشكل مستقل عند تزويدها بالأدوات والتوجيه المناسبين، مما يفتح مسارات للأنظمة الوكالية الواعية بالتكلفة دون التضحية بأداء المهام. الورقة: تعلم كيفية بناء وكلاء الذكاء الاصطناعي الفعالين في أكاديميتنا: