في الآونة الأخيرة، أصبح من الواضح أن الوكلاء المدعومين بنماذج لغوية ضخمة (LLMs) يتعاملون بشكل متزايد مع مهام معقدة تشمل الاستخدام المتكرر للأدوات، الاستعلام عن قواعد البيانات، تنفيذ الشيفرات، والتلاعب بالمخرجات الفريدة. إلا أن تتبع هذه العمليات يعد تحديًا كبيرًا، حيث لا يقوم هؤلاء الوكلاء بتتبع مساراتهم بشكل واضح، مما يجعل من الصعب فهم التدفق البياني للبيانات ووجود اعتماديات بين أفعالهم والمخرجات التي يخلقونها.

للتغلب على هذه المشكلة، تم تقديم نظام جديد يسمى AgentTrails، الذي يعمل كأداة للمعرفة وفهم أداة الاستخدام. يقوم AgentTrails بتحويل المسارات الخام إلى رسومات اصطناعية منظمة تُظهر الاتصالات بين الأدوات المستخدمة والبيانات المولَّدة. هذا التحليل لا يؤدي فقط إلى تعزيز فهم تدفقات البيانات، بل يتيح أيضًا للمطورين مقارنة التنفيذات بسهولة، تصحيح الأخطاء، وإعادة استخدام الحسابات التي تمت سابقًا.

يتضمن نظام AgentTrails رسم تخطيطي يضع رسومات Provenance على لوحة مشتركة، مما يسهل رؤية الأنماط المتكررة في استخدام الأدوات وبناء هياكل الاعتماد. تعتمد هذه الرسومات على تجميع مشترك للأدوات والفنون، مما يتيح الكشف عن الاعتماديات الخفية بين المسارات المتباينة ويعزز استخراج الأنماط.

في التجارب العملية، أظهر AgentTrails فعاليته على مسارات حقيقية، حيث كشفت البيانات عن الاعتماديات الخفية وأبرزت الأنماط المتكررة لاستخدام الأدوات بطرق تتجاوز السجلات الزمنية البسيطة. مع هذه الابتكارات، يبدو أن AgentTrails سيمكن مطوري الذكاء الاصطناعي من اكتساب رؤى أعمق وبالتالي تحسين أدائهم.