في عالم الذكاء الاصطناعي، تعد الأنظمة القابلة للتخصيص (Agentic AI Systems) من التطورات الرائدة التي تغير طريقة تعاملنا مع البيانات. تتمثل إحدى التحديات الرئيسية في تكوين أنظمة تعتمد على نماذج اللغات الضخمة (Large Language Models)، حيث يتضمن ذلك اختيار سير العمل (Workflows) والأدوات (Tools) وميزانيات الرموز (Token Budgets) والم prompts من مجموعة واسعة من التصاميم.
ومع ذلك، الاعتماد على النماذج الثابتة heuristics أو القوالب يدفعنا نحو نتائج هشة وسوء استثمار موارد الحوسبة. ولحل هذه المشكلة، تم اقتراح نموذج عملية صنع القرار شبه ماركوف (Semi-Markov Decision Process) لتشكيل تكوين الوكلاء. حيث يعد كل تكوين خيارًا ممتدًا زمنيًا يحدد كيفية معالجة نظام الوكيل للاستفسارات.
تم تقديم تقنية جديدة تُعرف باسم ARC (Agentic Resource & Configuration learner)، وهي سياسة هرمية خفيفة الوزن، تقوم باختيار تكوينات الوكلاء بما يتناسب مع كل استعلام. وباستعراض الأداء عبر عدة معايير، أثبت ARC ارتفاعًا ثابتًا في دقة معالجة البيانات، حيث زادت دقة الاستدلال بنسبة 31.3% ودقة استخدام الأدوات بنسبة 13.95%. بالإضافة إلى ذلك، نجحت ARC في مضاعفة معدل النجاح في اختبار { au}-Bench (Airline) من 9.0% إلى 18.0%.
هذه النتائج تسلط الضوء على أهمية التعلم لكل استعلام، مما يقدم بديلاً قويًا للتصاميم المتشابهة التي لا تناسب جميع الحالات.