تواجه وكلاء الذكاء الاصطناعي، بما في ذلك نماذج اللغات الضخمة (Large Language Models)، تحديات كبيرة عند التأقلم مع المهام الطويلة مثل عمليات البحث على الويب والدراسات العميقة. في هذه المهام، يؤدي تزايد المعلومات المُجمّعة إلى تدهور السياق طويل المدى وفشل في الاستدلال. حتى الآن، كانت الجهود السابقة تعتمد على إدارة السياق من خلال استراتيجيات ثابتة، مثل تلخيص المعلومات، مما يتطلب تدريب الوكيل نفسه للتكيف مع هذه المتطلبات، وهو ما قد يكون غير عملي خاصةً بالنسبة للوكلاء ذوي المصدر المغلق.

لتجاوز هذه التحديات، قدم الباحثون مفهوم إدارة السياق المتكيف (AdaCoM)، الذي يقوم بتدريب نموذج لغوي خارجي على إدارة السياق لوكيل ثابت من خلال إجراءات تعديل مرنة وتعلم تعزيز شامل. لقد أثبتت التجارب التي أُجريت على مجموعة متنوعة من الوكلاء في مجالات البحث على الويب والدراسات العميقة أن هذه التقنية تحسن الأداء بشكل كبير عن طريق الحفاظ على قيود المهام والتقدم مع التخلُص من المحتوى الفائض.

تكشف الاستراتيجيات المُتعلمة من خلال آلية الاستجابة المعززة (vanilla ReAct) عن تبادل دقة وموثوقية؛ حيث يستفيد الوكلاء ذوو الأداء العالي من الحفاظ على سياق دقيق، بينما يحتاج الوكلاء الأقل أداءً إلى ضغط أكثر قوة للبقاء ضمن نظام استدلال موثوق. بالإضافة إلى ذلك، تظهر الاختبارات الانتقالية أن إدارة السياق المتكيف (AdaCoM) تعمم بشكل أكثر فعالية عبر الوكلاء ذوي القدرات المتشابهة، مما يشير إلى وجود مسار عملي نحو مديري سياق يمكن إعادة استخدامها في أنظمة الوكلاء.

في الختام، تعمل إدارة السياق المتكيف على تمهيد الطريق لتطوير قوي وفعّال لوكلاء الذكاء الاصطناعي، مما يمكّنهم من تحميل بياناتهم بكفاءة أكبر وتحقيق نتائج أفضل في مجالات متنوعة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.