تشهد أنظمة الوكلاء (Agents) تطوراً سريعاً في الاستخدام، خاصةً في التطبيقات الحساسة. لذا يصبح قياس الثقة المرتبطة بالأفعال الوكيلة أمراً ضرورياً. بالمقارنة مع أنظمة التعلم الآلي التقليدية، تمتلك سير العمل الوكيلة طرق فشل معقدة، تتضمن التخطيط، استدعاء الأدوات، والتفاعل مع بيئات ديناميكية.

في هذا السياق، قام الباحثون بدراسة ما إذا كانت التمثيلات الداخلية للنماذج توفر إشارات أقوى حول نجاح المهام في إعدادات الوكلاء متعددة الأدوار. وقد تم تقديم طريقتين تكميليتين في هذا البحث. الأولى هي ديناميات المسار الكامنة (Latent Trajectory Dynamics - LTD)، التي تلخص التغيرات في تمثيلات التيار المتبقي عبر مسار التفاعل. أما الثانية فهي أداة استكشاف تمثيل الأفعال (Action Representation Probe - ARP)، التي تتنبأ بالنجاح استناداً إلى التمثيلات التي تتشكل عند اتخاذ القرارات.

تم اختبار هذه الأساليب عبر ثلاثة معايير تفاعلية (Bash، SQL، Python) وثلاث عائلات نماذج (Qwen14B، Qwen7B، DeepSeek6.7B). وقد أظهرت طرقنا تفوقها على الأساليب التقليدية في التوليد ومؤشرات ضبط التسلسل، حيث قدمت مراقب موثوق دون الحاجة إلى تعديلات على الاستعلامات أو تنفيد نسخ متعددة.

هذا البحث يعد خطوة هامة نحو تعزيز فاعلية وكفاءة الأنظمة الذكية، ويعكس الحاجة المستمرة لفهم ثقة هذه الأنظمة في بيئات ديناميكية. هل تعتقد أن قياس الثقة في الأنظمة الذكية سيغير من طريقة تفاعلنا معها؟ شاركونا آرائكم في التعليقات.