في عالم الذكاء الاصطناعي، تعتبر المهارات أحد الأساليب الفعّالة لتعزيز أداء الوكلاء المجهزة بنماذج اللغات الكبيرة (Large Language Models) خلال عمليات الاستدلال. لقد شهدت الفصول الأخيرة من هذا المجال اهتمامًا متزايدًا في كيفية استفادة هذه الوكلاء من المهارات، لكن يبقى السؤال المحوري: متى تساعد المهارات، ولماذا تُحقق النجاح، وأين تصطدم بالعقبات؟

وفي دراسة حديثة، تم إجراء تجارب محكومة عبر مجموعة من المعايير المختلفة، تم فيها عزل تأثيرات عدة عوامل تشمل كيفية تمثيل المعلومات، توثيق النتائج، صعوبة الاسترجاع، وقوة المهارات عبر الإطارات المختلفة.

? من خلال دمج تجارب كمية مدروسة مع تحليل المسارات المتقاطعة، تم تحليل 8135 سجل تجربة وتخزين 238 تصنيف فريد من محتويات مفتوحة.

توصل الباحثون إلى تصنيف يتضمن ثلاث فئات رئيسية واثني عشر وضعًا لاستخدام المهارات. أظهرت النتائج أن المهارات تنجح عندما تصبح المسارات غير الواضحة نقاط مرجعية ت stabilizes التنفيذ. كما كان هناك تحسين بنسبة 6.06 نقطة في أداء المهارات مقارنة بالذاكرة العملية.

يشير البحث إلى أن 65.7% من حالات المهارات ترتبط بتثبيت الإجراء، بينما فقط 4.5% منها ترتبط بإدخال معرفة دقيقة، مما يدل على أن التركيز يجب أن يكون أكثر على كيفية تثبيت الفعل بدلًا من إضافة معلومات مفقودة.

تظهر النتائج أيضًا أن الدقة في استخدام المهارات تنخفض بشكل ملحوظ عندما تزداد أحجام بيانات الاسترجاع، مما يشير إلى أن اعتماد الدقة في الاستعادة يعد بمثابة زجاجة عنق إضافية.

مع وجود فرضيات هشة وسياقات غير متوافقة، قد تفشل المهارات في تقديم الأداء المطلوب. توضح هذه النتائج أهمية تقييم الأداء بناءً على نجاحات أكثر تعقيدًا، مما يمهد الطريق لوكلاء يمكنهم التكيف والتحسين الذاتي بموثوقية.