يعتبر تطوير وكلاء نماذج اللغات الضخمة (LLM) من التحديات الكبيرة التي تواجه الباحثين والمطورين في عالم الذكاء الاصطناعي. لكن ماذا لو كان بإمكاننا الاستفادة من الخبرات التفاعلية للمعلمين الأقوياء لتحسين أداء هؤلاء الوكلاء؟ هنا يأتي دور "AgentBrew"، وهو نظام مبتكر يهدف إلى استخراج المعرفة من المعلمين وتحويلها إلى ذاكرة خارجية دائمة لوكلاء LLM الأضعف.

يعمل "AgentBrew" دون الحاجة إلى تحديث الأوزان أو الوصول إلى المعلم أثناء الامتحان، مما يجعل هذه التقنية مثيرة للغاية. يعتمد النموذج على مقاربتين رئيسيتين:
1. **حلقة Ralph**: وهي آلية تعتمد على ردود الفعل السلبية من الطلاب لتحويل الإخفاقات إلى ملاحظات مدعومة من البيئة، مما يعزز من جودة التغذية الراجعة.
2. **التوليف المدرك للطلاب**: يقوم بتعديل المعرفة التراكمية للمعلم لتناسب درجة تشغيل الوكيل الأضعف، مما يوفر إرشادات قابلة للتنفيذ.

توفر التقييمات الشاملة للمهام المتعلقة بالبرمجة والرياضيات واستخدام الأدوات دليلًا قويًا على قدرة هذه التقنية في إنتاج وكلاء LLM قابلين للنشر.