في عالم الذكاء الاصطناعي، حيث يتم استخدام وكالات تعتمد على نماذج اللغات الضخمة (Large Language Models) لحل المهام المعقدة بشكل مستقل، تتزايد الحاجة لحماية الملكية الفكرية ومتابعة المصادر. وقد أثبتت تقنيات وضع علامات المياه فعالية في إبراز نسب الإنتاج، ولكنها لم تتمكن من التعرف المباشر على سلوكيات التخطيط العالية المستوى التي تُستخدم في التنفيذ المتعدد الخطوات، مثل اختيار الأدوات والأهداف الثانوية.

تظهر التحديات الفريدة عند وضع علامات المياه على مستوى سلوك التخطيط، إذ قد تؤدي حتى الانحرافات الصغيرة في اتخاذ القرار إلى تدهور الأداء على المدى الطويل. علاوة على ذلك، تعمل العديد من الوكالات كصناديق سوداء يصعب التدخل فيها بشكل مباشر.

لذا، يُطلق AgentMark، إطاراً مبتكراً يستخدم علامات المياه السلوكية، حيث يُدمج فيه معرفات متعددة البت في قرارات التخطيط مع الحفاظ على الأداء. يعتمد هذا الإطار على استنباط توزيع سلوكي صريح من الوكيل، وتطبيق عينات شرطية تحافظ على التوزيع، مما يسهل الاستخدام تحت واجهات برمجة التطبيقات السوداء، مع توافقه أيضاً مع تقنيات وضع علامات المياه على مستوى المحتوى.

أظهرت التجارب في بيئات متناولة، واستخدام الأدوات، والتفاعلات الاجتماعية قدرة فعلية متعددة البت، واسترداد موثوق من السجلات الجزئية، والحفاظ على الأداء. يمكنكم الوصول إلى الكود على [رابط الكود](https://github.com/Tooooa/AgentMark). ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!