בעידן שבו מודלי שפה גדולים משמשים כסוכני מחקר לביצוע חיפושים עמוקים וממושכים, הביצועים שלהם נפגעים ככל שההיסטוריה של האינטראקציות גדלה. תופעה זו, המכונה 'ריקבון הקשר', משקפת כשל בשמירה על מצב פנימי קוהרנטי ורלוונטי למשימה לאורך זמן. גישות קיימות מתמקדות בהצטברות גולמית של הקשר או בסיכומים פסיביים, מה שמאפשר לשגיאות מוקדמות או דגשים שגויים להישאר. חוקרים מציגים כעת את ARC – מסגרת חדשנית ראשונה מסוגה שמנהלת את ההקשר באופן פעיל ומבוסס השתקפות.
ARC רואה בהקשר מצב פנימי דינמי של חשיבה במהלך הביצוע, ולא כשרטוט סטטי. היא מפעילה ניטור והתאמות מבוססות השתקפות, שמאפשרות לסוכן לזהות חוסר התאמה או התדרדרות ולשפר את ההקשר העובד. כך, הסוכן יכול לארגן מחדש את המידע הרלוונטי ולהסיר אלמנטים מטעים. הגישה הזו שונה באופן מהותי מניהול פסיבי, שכן היא פעילה ומתמשכת לאורך כל תהליך החיפוש.
בניסויים על סטי benchmark מאתגרים לחיפוש מידע ארוך טווח, ARC עלתה על שיטות דחיסת הקשר הפסיביות. לדוגמה, על BrowseComp-ZH עם מודל Qwen2.5-32B-Instruct, היא השיגה שיפור מוחלט של 11% בדיוק. התוצאות מראות כי ARC שומרת על ביצועים גבוהים גם בהיסטוריות אינטראקציה ארוכות, ומפחיתה את ההשפעה של שגיאות מצטברות.
המשמעות של ARC גדולה במיוחד לעסקים ישראליים המפתחים כלי אוטומציה מבוססי AI. סוכני מחקר כאלה יכולים לסייע במעקב שוק, ניתוח מתחרים או חיפוש הזדמנויות עסקיות – אך רק אם הם שומרים על דיוק לאורך זמן. בהשוואה לשיטות קודמות, ARC מציעה יתרון תחרותי בשוק ה-AI המתפתח במהירות, ומאפשרת יישומים אמינים יותר במשימות מורכבות.
למנהלי עסקים ומהנדסי AI בישראל, ARC מדגישה את הצורך בגישות דינמיות לניהול מצבים פנימיים. כדאי לבחון שילובה בכלי קיימים כדי לשפר אוטומציות. האם סוכני ה-AI שלכם סובלים מריקבון הקשר?