في عالم الذكاء الاصطناعي (AI)، تمثل الأنظمة الذكية تحديًا كبيرًا من حيث القدرة على الفهم والتحكم. تمثل الأنظمة التي تعتمد على نماذج لغوية ضخمة (Large Language Models) قمة التقدم التكنولوجي، إلا أن معظمها يظل غامضًا للمستخدمين، مما يجعل التعامل معها أمرًا صعبًا. هنا تظهر أهمية البحث الأخير في جامعة arXiv، حيث تم تقديم مفهوم جديد يُعرف باسم Agentic Workflow Reconstruction (AWR).

يهدف AWR إلى إنشاء سير عمل يُظهر بشكل واضح ويكون قابلاً للتفسير، ويعتمد فقط على المدخلات والمخرجات دون الحاجة لإمكانية الوصول إلى معلمات النموذج. لتطبيق هذا المفهوم، تم تطوير نظام AgentXRay، الذي يتعامل مع تشكيل AWR كمشكلة تحسين توافقي ضمن مجال سير العمل المتسلسل، مستخدمًا أدوار الوكلاء وأدوات الاستدعاء.

ما يميز AgentXRay هو أن النتائج التي يحققها لا تعتمد على تكرير النموذج (model distillation)، بل تنتج سير عمل "صندوق أبيض" يمكن تعديله في الوقت الذي يحتفظ فيه بالكفاءة في الوصول إلى النتائج المستهدفة. علاوة على ذلك، تستخدم التقنية أسلوب البحث Monte Carlo Tree Search مدعومًا بآلية تقليم Red-Black، مما يجعل البحث أكثر عمقًا ودقة.

تظهر النتائج المستمدة من تجارب متنوعة أن AgentXRay يحقق تشابهاً أفضل في النواتج ويقلل من استهلاك الرموز مقارنةً بأساليب البحث غير المقلمة، مما يفتح آفاقًا جديدة لاستكشاف سير العمل تحت قيود محددة.

إذًا، كيف يمكن لمثل هذه الأنظمة أن تغير من طريقة تعاملنا مع الذكاء الاصطناعي في المستقبل؟ هل سنتمكن من فهم خبايا هذه الأنظمة بفضل ابتكارات مثل AgentXRay؟