في عصر التطورات السريعة في مجال الذكاء الاصطناعي، أظهرت الأبحاث الحديثة أن الوكلاء المتمثلين يعتمدون بشكل متزايد على نماذج اللغات الكبيرة (LLMs) في عمليات التخطيط. لكن، تتسبب الاتصالات مع نماذج اللغات في تأخير وتكاليف مرتفعة مع كل خطوة. وفي هذا السياق، يبرز مشروع AgenticCache كحل مبتكر يهدف إلى تحسين هذه العملية.

تظهر الدراسات أن مهام الوكلاء المتمثلين تتسم بوجود قواسم مشتركة في التخطيط، مما يجعل من الممكن التنبؤ بالخطط المستقبلية استنادًا إلى الخطط الحالية. يتيح ذلك استخدام إطار العمل AgenticCache لإعادة استخدام الخطط المخزنة، مما يقلل الحاجة إلى استدعاء نماذج اللغات في كل خطوة. يقوم كل وكيل بالاستفسار عن ذاكرة تخزين مؤقتة تحتوي على انتقالات خطط متكررة، في حين يقوم مُحدث التخزين المؤقت بالعمل في الخلفية لاستدعاء النموذج للتحقق من صحة وتحديث المدخلات المخزنة.

لقد أثبتت نتائج اختبارات متعددة الوكلاء أن AgenticCache يحقق تحسينًا في معدل نجاح المهام بنسبة 22% في المتوسط عبر 12 تكويناً مختلفاً (4 معايير × 3 نماذج). إضافة إلى ذلك، يقلل هذا الإطار من التأخير في المحاكاة بنسبة تصل إلى 65% ويخفض استهلاك الرموز بنسبة 50%. يمثل إعادة استخدام الخطط بناءً على التخزين المؤقت مسارًا عمليًا نحو تطوير وكلاء متمثلين بتكاليف منخفضة وتأخير أقل، مما يحدث ثورة في كيفية معالجة هذه الأنظمة للمهام الموكلة إليها.

في النهاية، تظهر نتائج هذا المشروع كيف يمكن للتكنولوجيا الحديثة أن تُحدث فارقًا كبيرًا في فعالية وكفاءة وكالات الذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.