في عالم الذكاء الاصطناعي المتغير بسرعة، يأتي نظام AgentEvolver كخطوة ثورية نحو تحقيق فهم أعمق لكيفية تطوير الأنظمة الذكية لقدرات جديدة. يقدم AgentEvolver نموذجًا مثيرًا للحوار حول إمكانية اكتساب القدرات خلال تنفيذ المهام، دون الحاجة إلى تحسين النموذج الأساسي.

يمثل AgentEvolver نظامًا يستخدم ثمانية عائلات كيانية تعزز العمليات القابلة لإعادة الاستخدام، والطرق، والوكالات، بالإضافة إلى التحكم في سير العمل والواجهات. هذه الروابط بين المكونات المتغيرة والتقييمات تساعد على توجيه كيفية استخدام القدرات الجديدة التي يتم تطويرها.

باستخدام وقت تشغيل مشترك، يتم تنسيق العمل المستمر، بينما تحافظ خطط العمل الثابتة والسياقات القابلة للاسترداد على اتجاهات المهام وتقديم الأدلة الضرورية لتحقيق الأهداف. وقد أظهرت الدراسات التي تمت على منصة SWE-bench Pro Public معدل نجاح بلغ 82.08% مع استخدام تقنية التطور، وهي نتيجة تبين فعالية النظام مقارنة بالمعايير السابقة.

تعد حالات الاستخدام الستة المعنية خير مثال، حيث تمت استعادة القدرات المكتسبة في مشاريع لاحقة مثل تطوير المواقع والألعاب وأبحاث جديدة.

ومع ذلك، لا يزال السؤال مفتوحًا حول إمكانية نقل القدرات بين المهام المستقلة وتكاليف التطوير الكلية. AgentEvolver يمثل خطوة مهمة في البحث عن كيفية تكدس القدرات من خلال تنفيذ المهام، ويشير إلى آفاق جديدة في عالم الذكاء الاصطناعي.