أظهرت التطورات الأخيرة في الوكلاء الذكية المدعومة بنماذج اللغة الكبيرة (LLMs) إمكانات واعدة في توليد استجابات تحاكي البشر. ومع ذلك، لا تزال هذه الأنظمة تواجه تحديات في الحفاظ على تفاعلات طويلة الأمد ضمن بيئات معقدة، ويعزى ذلك بشكل أساسي إلى محدودية الاتساق السياقي والتخصيص الديناميكي. تعتمد أنظمة الذاكرة الحالية غالباً على التجميع الدلالي قبل عملية الاسترجاع، وهو ما قد يؤدي إلى إغفال معلومات مهمة للمستخدم قد لا تكون ذات صلة دلالية مباشرة، مما يتسبب في حدوث "تشوش في الاسترجاع" (Retrieval Noise).في هذا التقرير، نقترح التصميم الأولي لـ "O-Mem"، وهو إطار عمل مبتكر للذاكرة يعتمد على "التنميط النشط للمستخدم" (Active User Profiling). يقوم هذا النظام باستخراج وتحديث خصائص المستخدم وسجلات الأحداث بشكل ديناميكي بناءً على التفاعلات الاستباقية مع الوكلاء الذكية. يدعم إطار عمل O-Mem الاسترجاع الهرمي لسمات الشخصية والسياق المرتبط بالموضوع، مما يتيح تقديم استجابات مخصصة أكثر تكيفاً وترابطاً.سجل O-Mem دقة بنسبة 51.67% على مقياس "LoCoMo" العام، محققاً تحسناً بنسبة تقارب 3% مقارنة بـ "LangMem"، الذي كان يُعد النموذج الأحدث والأفضل سابقاً (State-of-the-art). كما سجل نسبة 62.99% على مقياس "PERSONAMEM"، بزيادة قدرها 3.5% مقارنة بنموذج "A-Mem" الرائد سابقاً. وإضافة إلى ذلك، يعمل O-Mem على تعزيز كفاءة استخدام الرموز (Tokens) وسرعة الاستجابة للتفاعلات مقارنةً بأطر عمل الذاكرة السابقة. يفتح هذا العمل آفاقاً واعدة لتطوير مساعدين شخصيين يعتمدون على الذكاء الاصطناعي، يتسمون بالكفاءة والقدرة على المحاكاة البشرية في المستقبل.